零售AI转型路径：从数据可信到跨环节辅助决策的3个阶段

鞋服品牌上线ERP、POS、WMS和BI之后，商品团队仍可能每天导出数据、清洗表格和人工判断补货。此时直接增加一个AI模型，通常不会改变决策方式：输入口径没有统一，输出无法进入业务动作，执行结果也没有返回模型。

商品经营中的AI不等同于单一大模型。它通常由需求预测、异常识别、规则计算、优化求解和交互分析共同组成。

零售AI转型，是逐步连接经营数据、商品规则、决策建议和执行反馈，使系统承担重复计算与异常识别，商品团队负责经营取舍。

阶段一：让关键数据达到决策可用

第一阶段不追求一次治理全部数据，而是围绕一个明确场景建立可靠输入。以门店补货为例，至少要统一销售采用支付、发货还是扣除退货后的净销售，并将大促、直播和员工内购单独标记；库存采用账面库存还是当前可售库存；在途、已订未到和锁定库存如何区分；商品、颜色尺码、门店和仓库编码如何映射；门店停业、未上架和整款缺货怎样记录；补货提前期采用合同值还是历史实际值。

验收不能只看接口是否连通，还应检查核心字段完整率、库存账实差异、退货回写时效、编码映射成功率以及人工修正记录。具体阈值应从企业当前基线建立，不虚构统一标准。

阶段结束时，商品人员应能根据数据来源复算关键指标，系统异常也能定位到具体字段和业务环节。

阶段二：选择一个场景形成完整闭环

适合首批落地的场景通常具备四个特点：损失能够量化、动作频率较高、结果反馈较快、试点边界可以控制。基础款补货、库存预警、新品跟进和门店调拨，通常比年度商品战略更容易验证。

AI输出不能停留在“未来销量为多少”。商品团队需要看到哪个商品、哪家门店将出现什么风险，建议采取补货、调拨还是停止投入，建议数量和最晚处理时间，使用了哪些数据，以及哪些约束可能使建议失效。

例如，系统建议某款追加2,000件，但进一步检查发现OTB已经为负，且已有1,200件不可取消订单尚未到仓。问题不在预测模型，而在建议没有读取资金和订单约束。项目应先补充OTB与已订未到数据，再继续试点。

试点评估应同时观察人工准备时间、建议采用率、断货、库存、毛利和执行及时率。若工作时间下降，但平均库存明显上升，项目只能证明提效，尚未证明经营改善。

企业可将WOS超过8周视为积压预警、售罄率低于40%视为滞销预警、门店动销率超过80%视为健康参考线，但这些数值只适合作为试点起始参数。正式使用前应按品类、商品角色、上市阶段、渠道和销售窗口校准，并确保销售机会与指标分母一致。

阶段三：连接计划、库存和供应约束

多个单点场景稳定后，品牌才适合进入跨环节辅助决策。补货模型希望增加库存时，需要读取OTB；追单建议需要校验供应商交期和剩余销售窗口；跨店调拨要判断调出门店是否会形成新缺货，并跟踪调拨响应时间与调后销售恢复率；清货建议还需考虑加盟渠道的价格和库存责任。

系统不能让各模型分别追求局部最优。基础款优先考虑服务水平和持续供应，趋势款重视销售窗口与期末库存，形象款不能仅按短期销量淘汰，清货商品重点控制残值和退出速度。

冲突规则由业务负责人制定，系统保留规则版本和人工修改原因。采购承诺、价格调整和加盟商库存处置等高影响动作，应保留人工审批。

如何判断品牌处于哪个阶段

如果商品人员仍需反复核对库存和销售口径，重点在阶段一；数据基本可信，但系统结果停留在报表，没有进入补货、调拨或计划调整，重点在阶段二；多个系统都能生成建议，却经常出现OTB、库存和供应约束相互冲突，才需要进入阶段三。

第七在线如何支持分阶段落地

第七在线可从品牌当前阶段出发：先基于现有业务系统数据建立商品计划和库存决策口径，再围绕一个明确场景形成建议、审核和反馈；单点闭环稳定后，逐步连接OTB、库存位置、供应交期和销售窗口。具体启用范围以数据条件和项目实施边界为准。

FAQ

1. 数据没有全部治理完成，可以做AI试点吗？

可以。先治理目标场景必需的数据，但关键输入无法复算时，不应自动执行建议。

2. 零售AI最适合先做什么？

优先选择损失可量化、动作高频且反馈快的场景。基础款补货、新品跟进和库存预警较常见，仍需按品牌当前问题排序。

3. 怎样判断AI建议可信？

检查输入口径、建议依据、约束条件和历史回测，并记录人工拒绝或修改建议的原因。

4. AI项目ROI怎么计算？

比较人工投入、缺货损失、库存占用、折扣损失和系统投入。同一事件引发的返工、断货与库存错配要明确主归因，避免重复计算。

5. 什么时候适合进入跨环节决策？

至少有一个单点场景稳定运行，数据口径基本统一，建议进入实际执行，同时已经出现计划、库存与供应约束之间的明确冲突。