门店做 AI 零售怎么落地，6 步流程与 3 个前置条件

门店做 AI 零售，落地顺序是 6 步：先盘商品数据、选 1 个场景切入、打通接口、单店试跑 4 周、看 3 个指标、再扩店。卡人的地方不在技术，在商品数据能不能对齐——SKU 与条码完整率低于 90% 的门店，第 1 步就要先补 2 到 3 周。

我 2025 年跟过 1 家 4 店连锁的生鲜超市。他们先上了智能补货，2 个月后缺货率从 11% 降到 6%，动销率提高 4 个百分点；同商圈另一家先上导购问答机器人的，3 个月后店员基本不用了，因为回答不了生鲜的时令问题。

下面按「谁能做 — 准备什么 — 怎么办 — 卡在哪 — 怎么核验」5 段写，每个环节给可对照的数字。

一、谁能做：3 个前置条件

1. 商品数据完整：SKU 名称、条码、规格、进价、售价 5 个字段齐全。完整率低于 90% 的，先补数据再谈模型，否则预测结果全是噪声。
2. 库存能取到：有进销存系统且能按小时或按天导出。纯手工记账的门店，先上 1 套最基础的收银系统，这一步省不掉。
3. 会员与订单有 1 个稳定 ID：手机号或会员卡号能串起线上线下。ID 不统一的门店，做客流分析会得到重复计数。

3 个条件还缺 1 个软条件：店长愿意改流程。同 1 套补货建议，愿意改的店长 2 周就能用顺，不愿意改的 2 个月还在用经验下单。选试跑门店时，先问店长 1 句「愿不愿意按清单试 4 周」，答案比门店数据更能预测结果。

3 个条件里第 1 条最容易高估自己。我见过 1 家 800 个 SKU 的便利店，自认为数据很全，实际导出后有 137 个条码是空的、62 个规格写成「散装」，清洗花了 9 天。

二、准备什么：5 项材料与配置

第 3 行也有坑。库存接口只给「可售数」不给「在途数」的，补货建议会偏保守，周末两天常常断货。要求接口把在途一起给，没有这个字段就先按周补 2 次货过渡。

表格第 4 行最容易被跳过。场景写成「提升效率」这类话，4 周后没法验收；写成「把缺货 SKU 数从 40 个压到 20 个以内」，试跑结束能直接判断成不成。

三、怎么办：6 步走完

第 1 步：盘商品数据

导出全部 SKU，按 5 个字段做 1 张表，缺的补、重的删、写法不统一的归一。这一步是纯体力活，1 个人 1 天能处理 300 到 500 条，800 个 SKU 大概 2 天。补完之后再导 1 次，看缺失率是否降到 10% 以内。

第 2 步：选 1 个场景切入

4 个场景按落地难度排：补货预测最容易，商品推荐次之，导购问答第三，无人结算最难。第一次做，选补货预测或商品推荐，2 到 4 周能看到数；导购问答要喂大量门店知识，无人结算要动硬件。

补货预测为什么最容易：它有明确的输入和输出，输入是历史销量加库存，输出是建议订货量，对错能在 1 周后验证。商品推荐难在评价标准，推荐得准不准，要看 1 到 2 个月的转化数据。

第 3 步：打通数据接口

需要 3 个口：商品、库存、订单。用服务商现成接口的，配置 3 到 7 天；自建系统的，要开发 2 到 4 周。接口调通的标准是连续 3 天数据不断、字段不丢，别只看 1 次成功。

第 4 步：单店试跑 4 周

选 1 家门店，只在这家跑，其余门店照常。第 1 周看数据是否正常、第 2 周看店员会不会用、第 3 周看指标有没有动、第 4 周做复盘。4 周是下限，短于这个周期，季节性波动会盖住真实效果。

第 5 步：看 3 个指标

缺货率、动销率、单店人工工时，3 个指标里至少 1 个要有可测的变化。缺货率降 3 个百分点、动销率升 3 个百分点，属于能站住的改进；只升了客单价而客流没动，多半是促销带来的，跟 AI 无关。

第 6 步：扩店

试跑达标再扩，按每月 2 到 3 家的速度铺。扩店时要重做 1 件事：新店的商品结构不同，预测参数要按店调，直接复制参数的门店，第 1 个月准确率会掉 10 到 15 个百分点。

四、卡在哪：6 个常见情况

1. 数据脏：现象是预测结果离谱，比如建议补货 500 件实际 1 天卖 20 件。原因是条码重复或规格错。解法是回第 1 步洗数据，别指望模型自己纠错。
2. 店员不用：现象是系统给了建议，人照旧凭经验下单。原因是建议没写理由。解法是每条建议带 2 行依据，比如「近 4 周周均销 68 件，当前库存 21 件」。
3. 老板只看总额：现象是试跑 4 周只问省了多少钱。原因是没定过程指标。解法是试跑前把 3 个指标写在纸上，每周对 1 次。
4. 接口断流：现象是某天库存全变 0。原因是服务商接口限流或字段改名。解法是加 1 个每日对账脚本，数据异常当天报警。
5. 场景太多：现象是 1 个月上了 3 个功能，1 个都没跑顺。解法是 1 次只推 1 个，跑顺再上第 2 个。
6. 退货与损耗没算：现象是销量上去了利润没动。原因是生鲜损耗被算进成本。解法是把损耗率一起看，别只看销售额。

第 2 条最要命。系统再好，下单的还是人。我的做法是把建议做成 1 张纸质清单贴在收货区，店员每天照单核，1 个月后自然形成习惯，比开会讲 3 次有用。

五、怎么核验

1. 看数据连续 7 天不断，字段缺失率低于 2%。
2. 看试跑店与对照店的指标差，同商圈、同面积、客流接近的 2 家店比，差值才说明问题。
3. 看店员使用率，连续 2 周有 70% 以上的建议被采纳，说明流程跑通了。

第 2 条的对照店很多人省掉了，结果 4 周后指标涨了 3 个点，说不清是 AI 的功劳还是赶上旺季。选对照店只多花半天，结论的可信度完全不一样。

对照店的选法写清 3 条：同商圈、面积差不超过 20%、近 3 个月客流差在 15% 以内。3 条都满足的门店不好找时，宁可用同 1 家店的前后对比，也不要拿 2 家差异大的店硬比。

还有 1 个组织上的事要提前定：谁对这个项目负责。试跑期挂在店长名下、还是挂在运营部名下，结果差别很大。挂在店长名下的，建议被采纳的比例高，因为下单的人就是被考核的人；挂在总部名下的，往往变成 1 个汇报材料。

成本这边要提前算清 3 笔：系统或接口的年费、数据清洗的人力、店员培训的时间。前 2 笔好算，第 3 笔常被漏掉——4 家店各培训 2 次、每次 1.5 小时，合计 12 小时，相当于 1 个店员 1 天半的工时。

最后 1 句实话：AI 零售对小店的价值集中在「少压货、少缺货」这 2 件事上，指望它带来新客流不现实。把补货和选品做准，1 家 200 平方米的门店 1 年能省下的库存占用，通常比省下的人力更多。

本文信息核对时间：2026-11