数据是AI的「燃料」。物流行业每天产生海量数据，但数据多≠数据好。AI 模型的效果上限，往往取决于数据质量下限。
| 数据来源 | 典型内容 | 质量风险点 |
|---|---|---|
| 管理系统 | WMS（仓储）、TMS（运输）、OMS（订单） | 系统间不同步、字段映射错误 |
| 扫码称重设备 | 运单号、时间戳、重量、尺寸 | 设备故障漏扫、重复扫、称重不准 |
| GPS与车载设备 | 车辆位置、速度、轨迹、油耗 | 信号盲区、飘移、设备掉线 |
| 客服工单 | 投诉、咨询、异常描述 | 文本录入不规范、情绪化表达、信息不全 |
| 摄像头与传感器 | 现场影像、温湿度、烟雾 | 光照不足、遮挡、存储丢失 |
| 外部数据 | 路况、天气、节假日、限行政策 | API 不稳定、更新延迟、数据源失效 |
脏数据的连锁反应：地址乱填 → 路径规划离谱 → 司机绕路 → 时效变差 → 客户投诉 → 模型学到错误规律 → 下次预测更离谱。
反面案例：「随意填写时间戳」拖垮 ETA 预测
某区域网点为冲刺「及时揽收率」考核，操作员在早上 8 点批量将当天所有待揽收运单标记为「已揽收」，实际揽收时间分散在 8:00-18:00。
治理方案：
教训：AI 无法分辨「真实」与「造假」，只会忠实学习数据中的模式。数据质量问题不解决，AI 反而会放大管理漏洞。
列出实训/实习点至少4类可采集数据（如扫码时间、包裹重量、客户电话、仓库温度），并标明每类数据的质量风险（如漏扫、称重不准、号码错误、传感器故障）
