AI 零售先从 1 个门店的 1 个问题起步,用 4 周跑通 1 条链路,比一次性上系统稳。可行路径是:选 1 个高频问题(库存不准、缺货补货慢、导购答不上参数),接 1 套已有数据(收银流水、库存表、商品档案),4 周内看 3 个数(缺货率、动销率、人工处理时长)。9 平米的小店也能做,起点是一张干净的销售明细表。
2025 年 12 月我帮 1 家社区便利店理过这事。老板想上「智能补货」,聊完发现进销存里 3400 条商品有 600 多条规格重复,同 1 个商品建了 2 个编码。先花 3 天合并编码,补货才跑得动。这件事之后我把「编码清理」放到了第 1 步。
下面按办理顺序写:什么店适合先做、要准备什么、4 周怎么排、卡在哪、怎么验收。系统选型与报价不在本文范围,各家差异大,按自己数据量谈。
3 个条件满足 2 个就能起步。第 1 个是日均单量过 80 单,数据量够模型看出规律;第 2 个是有电子收银,流水能导出;第 3 个是 SKU 在 3000 条以内,人工校对还能做完。
日均单量 30 单以下的小店,先别上系统。样本太少,补货建议会来回跳,用 1 个 Excel 手工排更准。等单量起来再说,这不算落后。
SKU 过 8000 条的商超,第 1 期别全量上。挑 1 个品类(比如乳品或休闲零食)先跑,200 到 400 条商品,4 周能出结论。全量铺开,1 次清洗数据就要 2 个月。
库存不准优先,因为它是其他问题的底座。库存数错了,补货建议、缺货提醒、线上可售数全跟着错。修这一项,2 到 3 周能看到差异。
缺货补货排第 2。它依赖库存准,库存不准时先做补货,等于在错数上做决策,第 3 周就会返工。
导购问答排第 3。这类需求见效快,但要先有商品档案,参数写全了才答得准。档案里「规格」「适用人群」2 个字段空缺率高,先补字段再上问答。
4 样东西先备齐,缺 1 样就会在第 2 周停住。下表按准备顺序排。
| 准备项 | 具体要求 | 缺了会怎样 |
|---|---|---|
| 商品档案 | 编码唯一,品名、规格、进价、售价 4 项齐全 | 补货建议串码,数量翻倍 |
| 销售流水 | 近 90 天,按单号可追溯 | 看不出周规律,建议偏离 |
| 库存台账 | 实物盘点 1 次,与系统数对齐 | 起点错,后面全错 |
| 1 个负责人 | 每天能花 30 分钟看结果 | 数据没人核,跑 2 周就废 |
第 1 行花的时间最多。3400 条商品里挑出重复编码,我那次用了 3 个晚上。做法是把品名加规格拼成 1 列做重复排序,重复的排在一起,逐组判断留哪个。
第 3 行的盘点别省。系统数跟实物差 5% 以上,第 1 周的补货建议就没参考价值。盘 1 次全店,或先盘要试点的那个品类,200 条商品 2 小时能盘完。
按 3 步走,每步留 1 个检查点。第 1 步去重:品名加规格拼 1 列排序,重复的排在一起,同 1 组里留动销最好的编码。第 2 步补字段:进价、规格、保质期 3 项空缺最多的先补。
第 3 步对齐库存:导出系统数与实盘数做差,差 5 件以上的逐条查原因。3 步做完再做 1 次抽样,抽 20 条商品人工核对,准确率到 98% 再进第 2 周。
第 2 周的回测最容易被跳过。回测的意思是拿过去 90 天的数据,让系统给出建议,跟当时实际做的比。差得多的项,是数据问题还是规则问题,回测能分开。
第 3 周的「人工再核」不是多余动作。核的时候记 2 列:改了几条、改的理由。4 周下来这 2 列就是调整规则的依据,比开会讨论有用。
现象 1,补货建议数量明显偏大。原因:商品档案里 1 个商品有 2 个编码,销量被拆成 2 份,单看每份都缺货。处理:合并编码,重跑 1 次。
现象 2,同一商品今天建议补 20、明天建议补 0。原因:促销日与平日的销量混在一起算。处理:把促销单单独标记,模型分 2 组看。
现象 3,系统说库存 12 件,货架上只有 5 件。原因:报损、试吃、内部领用没入账。处理:加 1 个「非销售出库」记录动作,每天下班前录 1 次。
现象 4,店长不用。原因:建议要手动抄到订货单,多 1 步就懒得做。处理:让系统直接出订货单格式,1 键导出,抄写环节去掉。
现象 5,跑了 3 周没变化。原因:只上系统,没定人看数。处理:固定 1 个人每天 30 分钟看 3 个数,缺 1 天就在群里说 1 句。
现象 6,换季时建议全乱。原因:季节商品的 90 天流水不具代表性。处理:把去年同期的 30 天数据单独拉出来,1 个品类 1 张表,按周对比。
现象 7,门店说系统算得不准。原因:数了 1 天就下结论。处理:连看 10 天的建议与实际,算 1 次偏差率,10 天以下的样本说明不了问题。
3 个数里第 1 个最直观。缺货天数从每周 6 天降到 2 天,就是实打实的变化。数字没动的话,先回去看数据质量,别急着换系统。
验收要写成 1 页纸。3 个数各 1 行,写试点前、试点后、差多少,下面附 3 条规则改动。这页纸给老板看够用,给下一家门店做参照也够用。
扩品类前先做 1 件事:把试点期的规则改动写成 3 到 5 条,落到文档里。第 2 个品类直接套,省 2 周。规则散在聊天记录里,换个人接手就要重来。
扩到全店时分 2 批。第 1 批扩到销量前 30% 的商品,跑 2 周;稳定后扩剩下的。1 次全量,数据问题会集中爆发,处理不过来,人也容易泄气。
按 3 块算:数据整理的人力(多少小时)、系统或工具的使用费、每天看数的时间。3 块里人力最容易被低估,3400 条商品清 1 遍,20 到 30 小时是常态。
先算清楚这 3 块,再决定做多大范围。1 个门店 1 个品类,通常 1 个月能出结论;全店全量,3 个月起步。
工具这块别追新。门店真正用得上的功能就 3 个:按销量出建议、缺货提醒、订货单导出。3 个都有的工具就够,功能多的反而没人学,2 周就闲置。
试用期定 1 个月。1 个月内跑不出 3 个数,说明流程没通,别续费;跑得出来的,再谈全年。先短后长,比一签 1 年稳妥。
1 个问题、1 套干净数据、4 周、3 个数,这是 AI 零售能落地的最小单元。做成了再扩,比一次铺开省事。第 1 次做,范围小一点更容易出结果。
本文信息核对时间:2026-11