在你睡着的时候，AI正在分析公司的全部数据——Laplace MCP正式发布

“这个月的广告费该从哪里砍？”“断货之前，应该先补哪些货？”“这款商品，是继续卖还是下架？” 这些问题的答案，其实早已藏在你的数据里。问题在于，这些答案零零散散地分布在订单Excel、广告后台、库存系统、客服工具和评价页面里。从今天起，拼合这些碎片的工作交给AI。Laplace MCP正式发布。

---

1. 电商数据分析之所以难，真正的原因

每个卖家都在“看”数据：SmartStore的销售额、Coupang的结算、广告ROAS、库存数量。但真正重要的问题，永远存在于数据与数据之间。

• 这条广告素材带来的是哪个商品、哪个规格的销售？

• 从这个SKU的销售额中扣除成本、佣金、广告费和运费之后，实际还剩多少？

• 退货和客服咨询多的商品，是否连利润也在被蚕食？

• 在Olive Young排名上升的品类里，我们商品的需求是否也随之上涨？

要回答这些问题，至少需要把3～4类数据在商品层级上精准地拼接起来。人工用Excel做要花上一整天，到了下周分析就已经过时。大多数卖家凭“感觉”做决策，并不是因为懒，而是因为打通数据的成本实在太高。

---

2. Laplace早已铺好的基础——本体（Ontology），数据的“关系图”

Laplace Analytics从一开始就是为解决这个问题而打造的。其核心是本体（Ontology）——不止于汇集分散的数据，而是定义数据之间的关系，构建成一张统一的知识图谱。

Laplace默认内置了以下数据资产（Asset）。

其中有两点至关重要。

① 广告素材 ↔ 商品数据打通。不止于媒体报表里的“素材A点击1,000次”，而是一直下钻到“素材A带来的商品X规格Y的销售额与贡献利润”。广告费会自动按商品分摊。

② 基础商品 ↔ 销售商品规格关联。各渠道五花八门的商品名和规格名（“黑色/L”“黑 大号”“BK-L”）会被归并到同一个基础商品下。因此成本只需登记一次，就会自动流入所有渠道的每一笔销售中。

每个Asset都经过原始数据 → 数据处理（COGS/销售额分摊）→ 自定义列 → 最终输出的流水线进行加工，还可以自由添加目标销售额lookup之类的自定义列。

Laplace的客户已经在此基础上运营着这样的仪表板。

• 管理层仪表板：支付金额 → 商品销售 → 运费 → 退款 → 成本 → 销售渠道佣金 → 广告费 → 贡献利润与贡献利润率，按日/周/月、按渠道呈现。结合Google表格中的目标值，还能算出目标达成率、转化ROAS和预计销售额。

• 库存仪表板：出入库趋势、期初/期末/平均库存、库存周转率、库存天数（DOS）、平均滞留天数、库存余量天数以及库存金额。

• 商品仪表板：各SKU销售额排名、交易额、优惠券/折扣/运费、支付笔数与用户数、AOV、ARPPU、成本、利润，以及平台承担的折扣与佣金。

---

3. “我们的数据应该接不进来吧？”——RPA全部帮你抓取

Laplace的数据采集并不局限于官方对接清单。

仅标准对接就已覆盖甚广——SmartStore、Cafe24、imweb、Godomall 5、MakeShop、Coupang（Wing）、Kakao Shopping（Talk Store、礼物）、Toss Shopping、Qoo10、Amazon / EZAdmin、Sabangnet等一体化管理系统 / Google Ads、Naver搜索广告、GFA、Facebook、TikTok、Kakao Moment、Kakao关键词广告、Criteo / GA4 / MySQL、PostgreSQL、MongoDB、Oracle、MSSQL / 电子表格 / 评价（vreview、CREMA）/ 客服（Channel Talk）。

此外，RPA（机器人自动采集）能把屏幕上看得到的几乎所有数据都抓取到Laplace中。

• EZAdmin、Sabangnet等履约系统中的库存数据——自动采集各仓库、各SKU的库存

• Musinsa、29CM、Gmarket、11st、Olive Young等API关闭或受限的销售渠道数据

• 达人营销费用——连媒体报表里统计不到的赞助、团购费用也能数据化

• Olive Young实时排名、搜索词排名、流量数据等市场与趋势信号

• 以及过去需要人在后台用眼睛核对的几乎所有其他数据

换句话说，“公司数据流中进不了Laplace的东西”几乎不存在。而数据一进入，本体就会将其与现有的订单、商品、广告数据在商品层级上拼接起来。

---

4. 而今天，MCP——AI可以“直接”处理这一切

MCP（Model Context Protocol）是让AI安全访问外部数据的标准协议。只要签发Laplace MCP密钥并注册到Claude等AI中，AI就能：

1. 直接查询Laplace中积累的所有关联数据，

2. 沿着本体定义的关系组合数据，

3. 在此基础上即时完成算术与统计计算，

4. 并附上依据，给出答案和建议。

你完全不需要了解Laplace的图表配置、表结构或度量名称。“提问”本身就是分析设计书，其余的一切都由AI完成。

这为什么是一件“了不起”的事？下面用实战场景来说明。

---

5. 本体 + AI 实际能完成的分析——12个场景

场景1. AI提前知道库存“什么时候会出问题”

组合数据：库存记录（EZAdmin/Sabangnet RPA）× 订单 × 基础商品

人看的是库存“数量”，AI算的是库存的概率。

• 求出各SKU日出库量的平均值与标准差（σ），

• 用安全库存 = Z × σ（出库标准差）× √交货期划出把需求波动也考虑在内的安全线，

• 并为每个SKU自动计算再订货点（ROP）= 日均出库量 × 交货期 + 安全库存。

“按95%的服务水平，把本周内不下单就会断货的SKU全部列出来。附上建议订货量和依据。”

SKU一多到几百个，人工根本做不过来。AI能一次性计算全部SKU，并提示出库波动大的商品（σ大的商品）要把安全库存设得更厚。反过来，对于库存天数（DOS）异常长的商品，它会翻译成“这里压着多少现金”。

场景2. “销售额第一的商品其实在亏钱”这一残酷真相

组合数据：基础商品订单（成本）× 广告 × 销售渠道佣金

Laplace已经从支付金额中扣除退款、成本、各渠道佣金、分摊的广告费以及卖家承担的运费，计算出各SKU的贡献利润。AI在此基础上更进一步。

“在销售额前20的商品里，找出贡献利润为负或低于5%的，再拆解原因是广告费、佣金还是成本。”

在这样的结构下，实际会发现“交易额排名第三，但分摊广告费后贡献利润为-480%”这样的商品。这是只看销售排行榜永远不会知道的事实。AI还会拆解原因：“这款商品成本率正常，问题出在某渠道的佣金加上过度的广告分摊。停掉广告，仅靠自然销售就能把贡献利润恢复到12%。”

场景3. 用ABC切分数千个SKU，一直到淘汰清单

组合数据：基础商品（品类）× 订单 × 库存 × 客服

SKU太多时，可以为每个商品登记机型、型号、颜色、尺码等品类属性。这样一来：

• ABC分析：按贡献利润贡献度累计，自动分为A（核心20%）/B/C三级

• 自动识别淘汰候选：C级 + 库存周转率靠后 + 退货与客服发生率靠前的交集

• 识别明星商品：销售增长率、贡献利润率、复购率同时位居前列的商品

“按颜色看，哪个卖得好？告诉我尺码库存分配和销售比例不匹配的SKU。”

像“黑色一直断货，米色却在仓库里躺了6个月”这样的问题，可以沿颜色、尺码的品类维度在全部商品中一次性发现，连下一季的订货比例都会一并算好。

场景4. 客服贡献率——客户咨询揭示的“隐性成本”

组合数据：Channel Talk客服 × 订单 × 基础商品 × 评价

把客服咨询关联到商品层级，就会诞生一个新指标：客服贡献率（这个商品引发了全部咨询的百分之多少）。

“找出相对销量而言客服咨询异常多的商品，并按咨询类型（物流/质量/尺码）分类。如果按每次咨询3,000韩元计算客服人工成本，实际利润会被吃掉多少，也一起算一下。”

如果一个只贡献5%销售额的商品，却引发了30%的客服咨询，那么它的“真实利润”就和账面不同。尺码咨询集中的商品，就去优化详情页尺码表；质量咨询集中的商品，就加强质检或下架——咨询类型本身就是行动指南。

场景5. 捕捉评价开始侵蚀销售额的那一刻

组合数据：评价（CREMA/vreview）× 订单 × 退货 × 复购

“找出最近30天平均评分比之前90天下降0.3分以上的商品，同时展示这些商品退货率和复购率的变化。”

低分评价增多 → 退货率上升 → 复购率下降，会在几周的时滞之后导致销售额下滑。当本体把评价、订单和退货串联起来，AI就能在销售额掉头之前捕捉到这条连锁反应。它甚至会从评价文本中提取高频关键词（“起球”“尺码偏小”），指出需要改进的地方。

场景6. 达人营销，不再凭“感觉”，而是看贡献利润

组合数据：达人费用（RPA）× 订单 × 基础商品订单（成本）

赞助和团购费用统计不进广告媒体报表，所以讨论总是以“那到底赚没赚钱？”收尾。当达人费用通过RPA变成数据后：

“按上季度的每个达人营销活动，用活动期间相关商品的销售增量减去成本、佣金和赞助费，算出到底赚了多少。不要按粉丝数，按贡献利润给达人排名。”

由于计算的是相对基线（平时销售）的增量销售额，并且扣除了成本，“播放量很好看、实际却亏钱”的活动和“默默帮你赚钱”的达人就能清楚区分开来。

场景7. Olive Young排名与搜索词排名 = 需求先行指标

组合数据：Olive Young实时排名与搜索词排名（RPA）× 自家销售 × 库存

当市场信号和自家销售数据被放进同一张图表的那一刻，它就变成了需求预测。

“看看在Olive Young上我们品类的搜索词排名上升的那几周，我们的销量是否也跟着上涨，给出相关性。再看看当前飙升关键词相关商品的现有库存，能否撑住预期需求。”

竞品进入排行榜后我们的流量如何变化，某个搜索词飙升后过几天我们的销售额才有反应（时滞分析）——这些都是靠人每天截图排行榜页面绝对做不到的分析。

场景8. 有流量却卖不动？——漏斗诊断

组合数据：GA4/流量数据 × 广告 × 订单

“按渠道计算流量到购买的转化率，找出流量靠前但转化靠后的渠道与商品组合。再估算一下，如果把那部分广告费挪到转化好的地方，贡献利润能增加多少。”

由于流量数据与订单在商品层级上关联，就能分清是“广告没把人带来”，还是“带来了却在详情页流失了”。前者是素材问题，后者是页面问题——对症下药的方法完全不同。

场景9. 一起卖的商品，带来复购的商品

组合数据：订单（客户层级）× 基础商品

“按首购商品比较90天内的复购率。最能带动复购的‘入口商品’是哪个？如果用最常一起加购的前10个组合做套装，AOV能提升多少？”

客户、订单、商品都已串联，同期群复购率、购物车连带购买（交叉销售）分析只需一句提问。“入口商品”值得投入更多广告，而连带购买组合本身就是专题活动的创意来源。

场景10. 优惠券与折扣是良药还是毒药？——价格弹性

组合数据：订单（优惠券/折扣/平台承担）× 基础商品订单（成本）

Laplace会把优惠券、折扣、平台承担的折扣与优惠券以及佣金分开统计。因此：

“对比做折扣的周和不做折扣的周的销量与贡献利润。列出打了折、总贡献利润反而下降的商品（低弹性商品）。”

用数据检验“打折就能多卖”的错觉。由于区分了平台承担的折扣和自己承担的折扣，甚至能揭示出同样的活动在不同渠道留下的利润并不相同。

场景11. 目标与现实的差距——以及What-if分析

组合数据：Google表格目标值 × 订单 × 广告

“按渠道展示本月目标达成率，并按剩余工作日推算月末预计值。如果广告费削减20%，预计销售额和贡献利润会怎样变化？”

目标销售额（电子表格）与实际业绩关联在一起，达成率和进度把控自不必说，还能根据过去广告费与销售额的关系进行模拟测算。你会得到“销售额下降4%，但贡献利润增加9%”这种可以直接用于经营决策的答案。

场景12. 人看不到的东西——全方位异常检测

组合数据：全部

这是最被低估的能力。人只会看自己决定要看的图表，而AI可以扫遍所有数据的所有组合。

“在上周的全部数据里，把和平时模式不一样的地方全部找出来。”

• 某渠道佣金率悄悄上调，利润正在流失

• 原本卖得好的某个规格，流量突然断了（时间点恰好与竞品进入排行榜重合）

• 广告费分摊集中到某条素材上，而该素材的转化却在下滑

• 退货只在某个物流时间点之后集中出现

这些都是原本“连想都没想过要去看”的东西。正因为本体把数据全部串联了起来，AI才能自己提出连人都没有设计过的问题。

---

6. 为什么人 + Excel做不到，本体 + AI却能做到

核心就在于此。过去，数据分析的瓶颈不是“分析技术”，而是“打通数据的体力活”。Laplace用本体消除了这份体力活，MCP则在其上安排了一位永不疲倦的分析师。

---

7. 3分钟即可完成连接

1. 在Laplace项目中进入设置 → API对接 → 签发MCP密钥

2. 选择有效期策略（30天 / 90天 / 1年 / 永不过期——建议每90天更新一次）

3. 将签发的密钥注册到AI客户端——支持Claude（网页版、桌面版）、Cursor、VS Code

采用基于密钥的认证，你可以自行控制访问范围和有效期，必要时可立即作废。你的数据只会在你的掌控之下向AI开放。

---

8. 结语——问题有多大，分析就有多大

过去，你只能“在会分析的范围内”使用数据。现在，你可以“在好奇的范围内”使用数据。

• 库存，不看数量，而看断货概率与被占用的现金；

• 销售，不看排名，而看贡献利润；

• 营销，不看播放量，而看增量利润；

• 市场，不凭感觉，而看排名与搜索词信号和自家销售的相关性。

把数据连接到Laplace，签发MCP密钥，向AI提出你的第一个问题吧。

“帮我找出公司现在最需要优先解决的一件事。”

它给出的答案，大概会比这篇文章更有说服力。