把Cafe24、Coupang、SmartStore数据交给Claude和ChatGPT:用Laplace MCP制定促销、库存与复购策略
黑色星期五第一天早上,主推商品的广告刚刚加大投放,两天后库存就见底,只好把广告撤下来。很多营销人员都有过这样的经历。活动结束后对账,还可能遇到更让人吃惊的事:A商品卖出了1,000件,但扣掉销售佣金、包邮时卖家承担的运费、成本和广告费之后,

黑色星期五第一天早上,主推商品的广告刚刚加大投放,两天后库存就见底,只好把广告撤下来。很多营销人员都有过这样的经历。活动结束后对账,还可能遇到更让人吃惊的事:A商品卖出了1,000件,但扣掉销售佣金、包邮时卖家承担的运费、成本和广告费之后,反而是亏损的。
这种情况并不是因为没有数据。库存在库存文件里,成本在成本表里,佣金在各渠道的结算单里,广告费在广告后台里,各自分散,活动前没办法放在一起看而已。现在越来越多的人会去问Claude或ChatGPT,但如果数据之间没有连起来,AI也只能停留在“本月贡献利润是多少”这一步。本文将通过促销库存、亏损商品、首购与复购这三个场景,详细说明把数据汇集到Laplace、并连接好数据之间的关系(本体)之后,AI能回答到什么程度。
读完本文你会了解
PART 01 · 只把数据汇集起来,AI就会停在“贡献利润是多少”
Laplace每天汇集Cafe24、Naver SmartStore、Coupang等销售渠道的订单,以及Meta、Google、Naver等广告渠道的广告费。这是第一步。数据集中在一处,像“上周各渠道销售额”“本月贡献利润”这样的问题就能马上回答。
但要制定策略,数据之间必须连起来。Coupang上的“益生菌30包 买一送一”和自营商城的“益生菌2盒套装”是同一个商品,这个商品的成本上个月变了,哪条Meta广告素材卖出了这个商品,今天这个商品的库存还够卖几天。只有把这些连起来,AI才能说出“这个商品在活动中卖得越多亏得越多”。在Laplace中,这种定义数据之间关系的结构叫作本体(Ontology)。
| 需要连接的关系 | 在Laplace中连接的位置 | 缺失时会发生什么 |
|---|---|---|
| 销售选项 ↔ 基础商品 | 数据管理中的选项 ↔ 基础商品匹配 | 同一商品在各渠道被分开统计,计算时漏掉成本 |
| 基础商品 ↔ 成本历史 | 基础商品 | 毛利和贡献利润看起来比实际更好 |
| 品牌·销售渠道 ↔ 销售佣金 | 数据管理中的佣金 | 佣金按0%计算,贡献利润被高估 |
| 广告素材 ↔ 商品 | 广告素材 ↔ 商品匹配 | 商品级贡献利润中漏掉广告费 |
| 订单 ↔ 客户 | 合并各销售渠道的购买记录,把同一客户识别为一人 | 首购、复购和LTV出现偏差 |
| 基础商品 ↔ 库存历史 | 库存数据连接(专属客户经理会协助) | 无法根据销售速度计算预计售罄日 |
| 基础商品 ↔ 自有参考表(采购前置期、活动日程等) | 通过本体查找关联Google表格 | Laplace中没有的数值,AI只能靠猜 |
每缺一个关系,数字就会悄悄出错。屏幕上看起来仍是正常的数字,所以更加危险。PART 04会展示同一个商品的贡献利润,如何因为缺少不同的连接而从亏损变成盈利。反过来说,连接关系本身就是在提升数据质量,而数据质量提高了,AI的分析才值得信赖。
所以,刚完成连接时,请先让AI做一次检查,再做分析。
“用Laplace数据,在分析之前先检查数据质量。看看有没有未绑定基础商品的选项、未设置佣金的销售渠道、未关联到商品的广告费,按对销售额影响从大到小列出来。”
AI会依次查询未匹配的选项、各销售渠道的佣金历史,以及因未设置类别而漏掉广告费的广告规则,整理出需要修正的清单。如果让它按名称相近的基础商品进行匹配,它会连匹配结果一起保存,所有修改都会记录在变更历史中,可以撤回。
PART 02 · 简单查询和复合问题的区别
关系连接之前,一个问题由一份数据回答。连接之后,一个问题背后有多份数据一起联动。
| 现在常问的问题 | 关系连接后可以问的问题 | 联动的数据 |
|---|---|---|
| “上个月贡献利润是多少?” | “把黑五期间贡献利润为负的商品按渠道和折扣率拆开,告诉我钱从哪里漏掉了” | 订单、成本、佣金、卖家承担运费、商品级广告费、折扣和优惠券 |
| “B商品还剩多少库存?” | “按上次活动的销售速度,B商品几天会售罄?考虑前置期,应该什么时候补多少货?” | 库存历史、活动备注、每日销量、前置期表 |
| “B商品的ROAS是多少?” | “列出库存不足5天的商品上正在投放的广告和最近7天的广告费” | 库存历史、广告素材 ↔ 商品匹配、广告费 |
| “复购率是多少?” | “按首购商品比较90天复购率、复购周期和12个月累计贡献利润,选出适合发首购优惠券的商品” | 客户识别、首购商品、同期群、贡献利润 |
| “用了优惠券的销售额是多少?” | “按优惠券列出首购客户数、这些客户再次购买的比例,以及优惠券订单的贡献利润” | 优惠券名称、首购与复购区分、贡献利润 |
右边这些问题,如果靠人工,需要打开四五个文件,花半天时间做VLOOKUP。数据已经连起来的话,AI会用同一标准在几分钟内算完。下面用三个实际场景逐一说明。示例以一个保健食品品牌为例。
PART 03 · 别让广告在活动第二天就停掉(库存 ↔ 销售速度 ↔ 广告)
是什么情况
黑五7天活动把复合维生素(B商品)作为主推。库存900件,平时一天卖90件,库存够卖10天,看起来很充足。但活动一开始,销量涨到平时的4倍,2.5天就售罄了。剩下的四天半里主推广告一直关着,商品详情页上只剩下售罄标记。
问题在于只看了“按平时速度计算的库存天数”。活动期间的销售速度、补货所需时间、这个商品挂着的广告,没有放在一起看。
需要提前连接什么
-
库存历史 每天按基础商品累积入库、出库、期末库存、日均出库量、出库量标准差和库存天数。
-
销售选项 ↔ 基础商品 即使卖出的是买一送一或套装,也要换算成实际出库了多少件基础商品,销售速度才准确。
-
活动备注 把过去的活动期间作为仪表板备注记下来,AI就能找到这些期间并与平时对比。
-
广告素材 ↔ 商品 只有把哪些广告系列和素材在卖B商品连起来,才能立刻选出要缩减的广告。
-
前置期表 从下单到入库需要的天数是Laplace里没有的数值,可以写在Google表格里,再通过本体查找关联到基础商品。
这样问AI
-
“用Laplace数据,列出下周黑五活动要上的10个商品的当前库存和库存天数。同时计算上次黑五备注期间的销量是平时的几倍,告诉我按这个速度几天会售罄。”
-
“把前置期表关联到基础商品,计算每个商品要撑过7天活动,最晚什么时候、需要补多少货,把安全库存也算进去。”
-
“对于补货赶不上活动的商品,计算每天可以卖多少件,并列出这些商品挂着的广告和最近7天的广告费。再按库存天数和贡献利润率推荐可以接手广告预算的商品。”
-
“活动期间如果有商品的库存天数低于3天,每天上午通过Slack提醒我。”
AI是这样把数据串起来的
AI先通过活动备注找到上次活动的期间,把这段时间和平时的基础商品销量对比,得出销售倍数。接着从库存历史中取当前库存、日均出库量和出库量标准差,计算预计售罄日,再用通过查找关联的前置期计算安全库存和补货量。最后顺着广告素材 ↔ 商品的连接,取出这个商品对应的广告系列和广告费。
| 项目(计算示例) | 数值 | 计算 |
|---|---|---|
| 平时日均出库 / 出库标准差 | 90件 / 25件 | 库存历史 |
| 当前库存 | 900件 | 库存历史(按平时速度够卖10天) |
| 上次活动的销售倍数 | 4倍 | 活动备注期间与平时对比 |
| 活动期间预计日销量 | 360件 | 90件 × 4 |
| 当前库存可撑天数 | 2.5天 | 900件 ÷ 360件 |
| 采购前置期 | 5天 | 前置期表查找 |
| 安全库存 | 370件 | 1.65 × (25件 × 4) × √5天 ≈ 369件 |
| 7天活动所需库存 | 2,520件 | 360件 × 7天 |
| 追加补货量 | 1,990件 | 2,520件 + 370件 − 900件 |

计算安全库存时用的1.65,是把不断货的概率设在95%左右时常用的系数。想更保守一些,只要对AI说“按99%重新计算”就可以。
由此可以制定的策略
-
根据活动日程倒推补货截止日。前置期为5天,那么活动开始前5天就是最后的下单日。在活动前两周拿到按商品整理的补货截止表,商品运营和营销人员就能看着同一张表行动。
-
补货赶不上的商品,让广告跟着库存走。在上面的例子里,如果没有追加入库,扣除安全库存后可卖530件,平摊到7天约为每天76件。这比平时的销量还少,所以应把B商品从主推广告中撤下,把预算转给库存天数充足、贡献利润率高的商品。
-
活动期间用提醒盯着。库存天数低于设定值时通过Slack收到提醒,提前缩减广告预算,“两天就停广告”就能变成“一直调整运营到最后一天”。
-
活动结束后留下备注。把这次活动的期间和销售倍数记成备注,下次活动时AI就能用更准确的倍数来计算。
PART 04 · 找出黑五卖了1,000件却亏损的商品(商品 ↔ 渠道 ↔ 折扣 ↔ 成本)
是什么情况
原价39,000韩元的益生菌30天装(A商品)在黑五降价40%,以23,400韩元售出。共卖出1,000件,销售额2,340万韩元,销量排名第一。但扣除销售佣金、包邮时卖家承担的运费、成本和活动广告费后,亏损67万4千韩元。

| A商品1,000件(计算示例) | 单件 | 合计 |
|---|---|---|
| 支付金额(原价39,000韩元降价40%) | 23,400韩元 | 23,400,000韩元 |
| 销售佣金(渠道平均11%) | −2,574韩元 | −2,574,000韩元 |
| 卖家承担运费 | −3,000韩元 | −3,000,000韩元 |
| 成本 | −9,500韩元 | −9,500,000韩元 |
| 活动广告费 | −9,000韩元 | −9,000,000韩元 |
| 贡献利润 | −674韩元 | −674,000韩元 |
为便于理解,这里没有单独拆出增值税,做了简化计算。Laplace的贡献利润是用支付金额减去成本、广告费、佣金和卖家承担运费,并扣除增值税后计算的。
要让这个数字准确,需要连接什么
即使是同一个A商品,只要缺少一个关系,AI看到的贡献利润就会变成这样。
| 缺少的连接(计算示例) | AI看到的A商品贡献利润 | 缺了什么 |
|---|---|---|
| 全部已连接 | −67.4万韩元 | 实际损益 |
| 未设置销售渠道佣金 | +190万韩元 | 257.4万韩元佣金被算成0韩元 |
| 没有广告素材 ↔ 商品匹配 | +832.6万韩元 | 900万韩元广告费没有关联到商品 |
| 没有选项 ↔ 基础商品匹配 | +882.6万韩元 | 950万韩元成本被漏掉 |
只要缺一个连接,亏损商品就会看起来像“明星商品”。在这种状态下问AI“帮我选下次活动主推的商品”,AI会基于错误的数字给出一个听起来很合理的答案。这就是我们说连接关系是数据质量工作的原因。
这样问AI
-
“用Laplace数据,列出黑五期间销量前20的商品的贡献利润。把支付金额中佣金、卖家承担运费、成本、广告费各扣了多少拆开,并单独标出亏损的商品。”
-
“把亏损商品按渠道拆开。我想看同一个商品是在哪个渠道亏的。”
-
“用A商品的折扣和优惠券金额除以商品交易额,算出每天的折扣率,再按折扣率区间比较销量和单件贡献利润。”
-
“按现在的成本、佣金、运费和广告费,算出A商品不亏本的最低售价和最大折扣率。”
AI是这样把数据串起来的
AI以基础商品为基准合并各渠道订单,从成本历史中取该期间的成本,从各销售渠道的佣金历史中取费率,通过广告素材 ↔ 商品匹配取商品级广告费,再拆解贡献利润。按渠道拆开后,被平均值掩盖的差异就显现出来了。
| 渠道(计算示例) | 销量 | 佣金率 | 广告费 | 贡献利润 |
|---|---|---|---|---|
| 自营商城(Cafe24) | 300件 | 4% | 450万韩元 | −1,510,800韩元 |
| 开放市场(Coupang、SmartStore) | 700件 | 14% | 450万韩元 | +836,800韩元 |
| 合计 | 1,000件 | 平均11% | 900万韩元 | −674,000韩元 |
佣金低的自营商城反而亏损。为把顾客引到自营商城而投入的广告费集中在300件上,摊到每件达15,000韩元。这部分自营商城的亏损是否真的算亏损,要接着看PART 05的问题:如果首购进来的客户之后还会再买,首购亏损也可以看作获取新客的成本。
按折扣率来看,下次活动的基准就清楚了。
| 折扣率(计算示例) | 售价 | 销量 | 广告费 | 贡献利润 | 单件贡献利润 |
|---|---|---|---|---|---|
| 20% | 31,200韩元 | 550件 | 600万韩元 | +2,397,400韩元 | +4,359韩元 |
| 30% | 27,300韩元 | 750件 | 750万韩元 | +1,347,750韩元 | +1,797韩元 |
| 40% | 23,400韩元 | 1,000件 | 900万韩元 | −674,000韩元 | −674韩元 |
假设卖出1,000件、投入900万韩元广告费,不亏本的最低售价为(运费3,000韩元 + 成本9,500韩元 + 单件广告费9,000韩元)÷(1 − 佣金11%)= 约24,157韩元。也就是说,相对原价降价约38%是极限。
由此可以制定的策略
-
提前为每个商品设定折扣上限。A商品降价38%是盈亏平衡点,考虑到佣金或广告费可能略有增加,把上限定在35%。同样条件下降价35%,每件约剩1,062韩元。
-
主推贡献利润第一的商品,而不是销量第一的商品。活动主横幅和广告预算,优先分配给“卖得越多赚得越多的商品”,而不是“卖得最多的商品”。
-
重新考虑包邮门槛。每件3,000韩元的卖家承担运费,是比折扣率更早可以调整的成本。改成满2件包邮,每件的运费就会下降。
-
活动结束后保存商品损益表。只要说“把这张表放进‘黑五复盘’仪表板”,下次活动就能按同一标准对比。
PART 05 · 首购用哪个商品打开,复购又该怎么接上(客户 ↔ 首购商品 ↔ 复购)
是什么情况
为了增加新客,给三个商品发了首购优惠券。体验装便宜,首购转化不错,但真正回头再买的客户很少。反过来,首购时亏钱的商品,之后也可能带来更多利润。只看首购销售额,判断不出是哪一种。
需要提前连接什么
-
订单 ↔ 客户 只有合并多个销售渠道的购买记录、把同一客户识别为一人,首购和复购才准确。
-
首购商品 ↔ 后续购买 按首购商品查看之后再次购买任意商品的比例(复购率)和再次购买所隔的天数(复购周期)。
-
优惠券名称 ↔ 订单 用订单上保留的优惠券名称,区分哪张优惠券带来了哪些客户。
-
客户 ↔ 贡献利润 Laplace的同期群LTV是累计贡献利润除以同期群客户数,因此衡量客户价值看的是留下的钱,而不是销售额。
这样问AI
-
“用Laplace数据,把最近12个月的首购客户按首购商品拆开,比较90天复购率、平均复购周期和12个月人均累计贡献利润。”
-
“按首购优惠券列出首购客户数、首购订单的贡献利润,以及这些客户在90天内再次购买的比例。”
-
“跟踪首次购买益生菌的客户第二次买了什么,再告诉我经常出现在同一购物车里的商品组合。”
-
“把首次购买益生菌、还没有复购的客户保存为细分人群。我也想看看距离首购已经过去多少天。”
AI是这样把数据串起来的
AI通过同期群分析获取各首购商品的复购率和累计贡献利润,通过复购周期分析获取再次购买所需天数,通过流向分析和交叉购买分析获取第二次购买的商品和一起购买的商品。再加上按优惠券名称拆分的首购订单贡献利润,就能得到下面这张表。
| 首购商品(计算示例) | 首购人均贡献利润 | 90天复购率 | 平均复购周期 | 12个月人均累计贡献利润 |
|---|---|---|---|---|
| 益生菌30天装(半价体验券) | −6,000韩元 | 38% | 31天 | +29,000韩元 |
| Omega-3 90天装(20%优惠券) | +4,000韩元 | 19% | 76天 | +11,000韩元 |
| 维生素C 7天体验装(9,900韩元) | −2,000韩元 | 12% | 47天 | −500韩元 |
只看首购,Omega-3看起来最好;但按12个月来看,首购亏了6,000韩元的益生菌,人均留下29,000韩元。维生素C体验装首购就亏,一年后也没有回本。
首购可承受亏损额计算示例
由此可以制定的策略
-
首购优惠券集中在益生菌上。在首购可承受亏损额(每人20,000韩元)以内确定优惠券金额和首购广告费,也就能判断PART 04中因自营商城广告费高而产生的亏损,是否属于“能收回的投资”。
-
复购优惠券比复购周期提前一周发。益生菌的复购周期是31天,就建立一个细分人群,让客户在首购后第24天左右收到复购优惠券。
-
设计第二次购买。如果益生菌首购客户第二次常买维生素D,就把复购优惠券设为“益生菌 + 维生素D套装”,同时提高客单价。
-
无法回本的体验装,不再作为首购引流品。改作老客户交叉购买的商品。
PART 06 · 支持哪些渠道和AI工具
可以提问的范围,与你连接到Laplace的数据范围相同。
-
销售渠道 Cafe24、Naver SmartStore、Coupang Wing、Coupang Rocket Growth、imweb、Godomall5、Kakao Shopping、Shopby、Toss Shopping等
-
广告渠道 Meta、Google Ads、Naver搜索广告、Naver GFA、Kakao Moment、TikTok Ads、Coupang Ads等
-
其他 GA4、库存数据,以及成本、前置期等参考表(Google表格)
各渠道的连接步骤见Laplace指南,连接有难度的渠道由专属客户经理协助。
| AI工具 | 连接方式 | 注意事项 |
|---|---|---|
| Claude(网页·App) | 用Laplace账号登录 | 设置最简单,第一次使用推荐从这里开始 |
| ChatGPT | 用Laplace账号登录 | 在设置中开启开发者模式后再注册 |
| Perplexity | 用Laplace账号登录 | 需要Pro及以上付费方案才能连接 |
| Claude Code · Cursor · VS Code | API密钥 | 在密钥生成窗口复制命令并粘贴即可完成注册 |
| Gemini | API密钥 | 仅支持面向开发者的Gemini CLI,普通App和网页暂不支持 |
也请确认使用条件。MCP可在Growth、Pro、Enterprise方案中使用,Starter方案不可用。免费试用期间可调用100次。方案以项目所有者为准,受邀成员沿用所有者的方案。
PART 07 · 连接Claude和ChatGPT的步骤
两个服务都只需要填写一个MCP服务器地址。
Claude(网页·App)
-
在设置的连接器中点击添加自定义连接器,名称填Laplace,服务器地址填https://gateway.laplacetec.com/mcp 。
-
点击连接,在Laplace登录页面点击Allow Access,然后用平时登录Laplace的账号登录。
-
在新对话的 + 按钮中,确认连接器一项里的Laplace已开启。
ChatGPT
-
在设置的安全与登录菜单中开启开发者模式。
-
在插件菜单的浏览插件中点击 + 按钮,名称填Laplace,服务器地址填https://gateway.laplacetec.com/mcp ,认证方式选OAuth,完成创建。
-
在Laplace登录页面点击Allow Access,用Laplace账号登录。
连接完成后,试着发送“告诉我我的Laplace项目”。如果显示出项目名称,就说明连接成功。在问题前加上“用Laplace数据”,AI会先查询已连接的数据;时间跨度较长时,按90天以内分段提问会更快。
如果当初用Google登录注册Laplace,连接时也要用Google登录;如果用邮箱注册,就要用邮箱登录。用其他方式登录,可能看不到数据或显示别的项目。
PART 08 · 安全与常见问题
-
AI完全沿用连接者本人的Laplace权限。在Laplace中看不到的数据,AI也查询不到;购买者姓名、联系方式、地址等个人信息不会被查询。
-
默认只做查询,像匹配、仪表板这类会修改数据的操作,只在你提出要求时才执行。所有修改都会记录在变更历史中,可以撤回。
-
AI查询到的结果会传入你正在使用的AI服务的对话中,并遵循该服务的数据政策。请使用符合公司AI使用政策的账号进行连接。
-
如果AI没有使用Laplace数据就作答,请确认连接器中的Laplace已开启,并在问题前加上“用Laplace数据”。
-
如果看到“需要升级方案”或“试用已结束”,切换到Growth及以上方案即可使用。如果你不是项目所有者,请联系所有者。
-
如果连接中断或出现认证错误,请先解除连接器再重新连接;如果是用API密钥连接的,请生成新密钥后重新注册。
活动开始前,先交给AI一个问题
只把数据汇集起来,AI只能回答到“贡献利润是多少”。把商品、成本、佣金、广告、客户、库存之间的关系连起来,同一个AI就能连同依据一起,帮你设计补货截止日、折扣上限和首购优惠券商品。下次活动前,不妨从一句话开始:“帮我算一下活动商品的库存天数和折扣上限。”
详细的连接步骤整理在Laplace MCP入门指南中,能做的事情和示例问题整理在MCP介绍页面上。
本文中的数字、问题和对话均为便于理解的计算示例,并非真实客户数据。界面名称和菜单位置可能会随Laplace及各AI服务的更新而略有不同。