點擊卡片 關注我們

虎嗅智庫薦語：

實體零售行業，生鮮與短保商品的滯銷損耗正持續侵蝕企業利潤。

針對這一行業頑疾，多點數智與物美集團展開深度合作，以“人、貨、場”黃金三角中的高價值出清場景爲突破口，通過“數據驅動+流程重構”雙輪驅動策略，構建智能動態出清體系。

這一實踐不僅爲生鮮短保品類提供了可複製的降損增效方案，更通過AI與業務的深度融合，爲零售行業提供了可複製的成功範式。

出品丨虎嗅智庫

編輯丨冀玉潔

在生鮮與短保商品佔據核心貨架的實體零售戰場，夜間貨架上的滯銷品正無聲蠶食企業利潤。傳統 “計劃性折扣” 看似是救急良方，可實際效果卻差強人意。在傍晚六點掛出的全場六折的海報下，成箱的過期牛奶依舊被報廢丟棄，蔫了的蘋果因人工調價流程繁瑣冗長而原價滯銷。

這些場景背後是零售業長期存在的一些痛點和難題。僵化的促銷機制無法適配千店千面的庫存與客流動態，繁瑣人工折扣流程與運營效率也形成尖銳對立。

當損耗與低效成爲行業頑疾，多點數智與物美決定聯手破局，在零售“人、貨、場”黃金三角中錨定高價值的出清場景，採用漸進式驗證的實施策略，優先選擇高單價、高銷量的肉類單品，在高客流、多類型物美門店開展試點。

通過跑通“數據清洗 - 模型決策 - 電子價籤同步 - 任務推送”的全鏈路閉環，實現全渠道出清流程的大幅簡化。人工操作從5步縮簡至1步，單品出清時間從1小時銳減到5分鐘。

當然，這一過程並非一帆風順，在動態出清項目的實施中，異常數據問題時有顯現，比如負庫存、超100%庫存等。團隊通過聯動補貨系統逆向溯源，發現問題源於商品串碼銷售或盤點缺失，所以以異常數據任務工單形式，推動業務端整改調整，最終把異常數據調整了過來。當然，異常數據調整不是最終目的，核心是通過異常數據追溯上游的業務異常，實現標準sop的落地執行。

同時，因爲涉及流程變革，門店人員也會產生一定的牴觸情緒。對此，多點數智的解決方案是讓試點店員，用免拍照審批、免換價籤的真實減負體驗現身說法。同時，物美也探索將員工釋放的工時轉化爲客戶面銷的提成機會。

多點數智與物美的動態出清實踐案例的典型性在於，既紮根生鮮、日配等高頻損耗場景的真實需求，又通過 “數據驅動 + 流程重構” 的雙輪驅動，構建了可泛化至全品類、多業態的智能出清體系。

正如多點數智AI業務負責人宋楠所言：“模型不是簡單替代人工，而是通過重構流程，讓 AI 專注動態決策，員工專注價值創造。” 這種 “技術 + 業務” 的深度融合，爲零售行業的AI應用提供了可複製的成功範式。

關於多點數智和物美AI出清實踐案例細節，虎嗅智庫與多點數智的AI業務負責人宋楠的聊了聊，以下爲問答摘要，enjoy。

AI出清破解零售業損耗難題

1、關於“出清”，客戶普遍的痛點、問題和需求是什麼？

我先來解釋下出清。出清是零售行業的普遍場景，指商品的實時折扣。其目的是針對特定時段（如晚場）未售完的商品，根據售賣情況實施折扣，這類折扣屬於非計劃型。

計劃性折扣則是指未來固定時段（如某月某日至某日）的統一折扣（如全場六折）。其最大問題在於無法根據店內具體品類和實時售賣情況進行響應。因爲即使是同一家連鎖超市品牌，不同門店的庫存、客流情況也不同。因此，需要AI幫助門店判斷特定商品以何種折扣銷售更佳。

再從消費者和商家兩個場景，來看動態出清的必要性。

一方面，消費者端能買到更便宜商品。

例如，堆積過多、當日沒賣掉的蘋果本應打折，但因人工打折流程繁瑣（需拍照、審批等）而未實施。AI系統就可以自動識別此類情況並觸發折扣。

商家側也可以藉此提升毛利或減少損耗。比如某商品傍晚五點僅剩兩件，若不打折靠自然流量也能售出，則維持原價可增加毛利。若剩的比較多，打折售出仍能產生利潤。若既不打折也不售出，關店時就會計入損耗，這就完全屬於虧損。

同時，動態出清也可以節省人力。以往打折需人工操作，比如尋找商品、更換價籤等。在人力緊張時，員工得中斷其他工作來處理打折事務，非常麻煩。AI系統則能自動推送打折信息，比如哪些商品打六折、五折，員工只需整理堆頭即可，大大減少工作量。

綜上，AI出清體系，可以幫助用戶得到實惠、也可以助力商家，實現成本和利潤優化，還能幫助員工減輕工作量。這也是我們選擇做動態出清體系的原因。

2、不同客戶類型在出清需求上有何不同？

客戶主要分爲商超和便利店兩大業態。在供應商眼中兩者類似，但實際他們的運營重點完全不同。

首先是商超會普遍存在晚間需要出清的商品，比如生鮮、日配牛奶等，這些須每日配送的新鮮品類，到了晚上需要通過折扣保證新鮮售出、減少損耗。商超或大賣場，只要銷售生鮮和日配品，就都存在出清需求。

其次是便利店，雖然不賣菜，但會銷售大量鮮食商品，比如關東煮、小包裝預製菜等，這些商品同樣需要出清。

無論超市或便利店，都存在出清場景，但不同業態的出清場景需求不同。即使同樣都是大賣場，不同的門店類型，對出清的需求和策略也不同。比如商廈店，策略可能是晚上六、七點開始打折，吸引下班人羣購買；而社區店則可以延至八點後打折，方便習慣晚間購物的老人。

因此，需要根據不同商圈和用戶羣體制定差異化策略，以此來訓練模型、制定Agent策略。

3、出清環節原來人工流程是什麼，系統上線後替代了哪些工作？

我分線上、線下來說明：首先線上，原來的流程是，先從數據庫導出報表，簡單查詢報表得出折扣結論；然後將結論提交至超市促銷創建組，由其在複雜促銷系統中創建生效；

現在上了動態出清系統後，以上三步都可以不用做了。系統會自動從大數據平臺獲取數據→讓模型決策→再自動在促銷系統創建促銷單。

其次，線下會更復雜一些。原來的流程是比如一位分管葉菜類的客戶經理，他會先檢查負責商品的庫存（對比後臺數據與實際預估）；接着逐一思考折扣力度（如打六折還是打五折），確定折扣後，拍照向領導申請；審批的過程經常會經歷討價還價，領導可能會駁回六折的申請，建議先八折；等審批通過後，客戶經理還要打印對應折扣價籤；接着在需打折的商品上逐一粘貼價籤。

以上僅僅是一個品的步驟。如果處理20個品需重複20次以上步驟。當然也可以批量申請，但審批常常會有部分駁回/修改。這個過程起碼要耗時一小時左右。

而上線動態出清體系後，模型可以根據過往經驗，參考同類門店情況，及銷售目標，自動判合適的斷折扣力度，比如晚7點打八折，7點後可能變六折，這就省去了人工思考和審批環節；

然後自動更新電子價籤系統，也無需人工再打印粘貼；僅推送任務告知員工需整理哪些打折商品，比如將打八折、六折的商品分別集中堆放等。整體流程中，員工僅需執行最後一步整理堆頭的工作，5分鐘內就可以完成。

4、除門店實時銷售、庫存、季節、店型數據外，共使用幾類數據？還有哪些關鍵數據？

當前主要使用五、六類數據。因爲一要控制數據量，數據因子過多會增加計算成本和耗時；二需聚焦關鍵因子，我們會優先納入對結果影響最大的因子比如庫存、實時銷售、店型等數據。

我們曾經測試過，在以上這些因子計算完之後，將影響因子從5個增至8個，觀察是否會顯著改變模型給出的折扣決策（比如從八折變六折），發現新增因子影響有限。

所以最終決定的核心策略還是以有限最少的關鍵數據量來實現模型快速計算，然後通過設置不同檔的促銷梯度，來確保商品售罄。

此外，還需要給模型補充一些關鍵Knowhow、行業知識庫等數據信息。

過去，具體折扣的設定需要依賴人工經驗。研發人員設置折扣的具體數值時，會詢問資深業務人員應設置的閾值，且只能設置固定值或配置項，比如六折或七折等整數折扣，無法再根據實際情況實現動態調整決策。

但動態出清體系則可突破此限制作用。如果能提前向模型注入相應的行業經驗，就可以指導其判斷邏輯，實現動態決策。比如當模型判斷某商品可能賣不完時，可指令其自動應用以更低折扣售賣。

而當遭遇異常數據時，比如庫存率理論上限是100%，但實際庫存數據可能達150%-200%。出現這種情況時，傳統技術可能會卡住。

如果我們結合行業knowhow分析背後的原因，有可能是因爲庫存盤點錯誤或不同倉庫間調撥導致的；並且，提前告知模型，當庫存率>100%時，按100%計算進行促銷（即假設該店至少有100個庫存）。模型就能據此輸出折扣建議，確保業務持續進行，不會因數據異常而中斷。

總結而言，無論拿到什麼數據，模型都能給出一個結果和處理方案，而不會給出“這個事我不知道，解決不了。”這樣的答案。

從單店試點到規模化落地

5、線上線下流程打通與一體化如何實現？

多點數智已將商品價格、促銷、出清加速整合在同一系統中。此前，傳統方式需要分別在線上、線下系統單獨提交促銷單。

而現在通過系統可以直接配置出清計劃，既可以單渠道配置，也可以統一配置線上五折或線下六折，還可選擇線上線下聯動。

其中，關鍵在於調度中臺的構建。當模型決策後，會由中臺統一調度下游系統，以線下折扣指令，調用電子價籤系統更新價格；線上折扣指令，調用促銷系統（如秒殺系統）更新活動頁，最終通過任務系統推送執行指令至門店員工。

所以這是一整套goflow流程的Agent智能體而非單一模型。先有決策，再統一調度，再給各系統發指令，調度完之後，最後把結果通過任務形式推給具體執行的員工，告訴它這些不同品類的折扣。

整體動態出清體系就是以這樣的方式，實現“決策-調度-執行”閉環，徹底解決線上線下流程割裂問題。

6、“業務部門”具體指什麼部門？溝通形式是怎樣的？

“業務部門”包含兩類角色：一類是線上運營人員，負責制定商品促銷策略及活動宣傳；一類是線下門店生鮮經理，負責門店級折扣決策、宣傳物料擺放及客流引導。

在溝通上，因爲線上運營並不負責門店實操，所以最重要的一點是前期需要通過搭建符合業務邏輯的演示Demo，給他們展示每日折扣邏輯，以消除大家的疑慮點，比如要避免突然出現異常低折扣等。

具體來說，首先選取試點門店運行模型，每週覆盤一輪，共進行2-3輪，同時與業務部門確認折扣合理性後，重點驗證兩部分業務成果：一是人力是否有節省，是否減少原來的繁瑣操作流程；二是利潤提升，相比傳統“無差別五折”，動態折扣體系，是否能增加更多利潤。

基本上就是先通過POC測試，讓大家看到實際的應用效果，建立起大家的信任，再順理成章來推動系統的協同。

7、與一線溝通前是否已與高層達成共識？

是的，有以下三個關鍵步驟。首先與高層溝通方案，提交技術方案

說明邏輯及風險控制，比如保障用戶體驗、避免毛利損失等，並提供數據驗證：例如全量模擬顯示錯誤率<0.2%（即1000店最多2例錯誤，單例損失約20-50元），成本和損失會遠低於整體收益（單店盈利數千元）等。

然後，採用漸進式落地策略，先分階段試點從一家店到三五家店再到十家，再全量鋪開。而且這個過程中允許隨時叫停，也會定期覆盤數據，當遭遇異常時，可以隨時喊停。

最後，要消除一線業務人員顧慮，讓大家切實感受到，上線系統之後，工作量是減少的，比如原來五步流程簡化爲僅有一步等。

8、首個試點商品及門店的選擇邏輯？

選品邏輯一是“高單價”：高單價商品，折扣差異會比較顯著。比如30元的肉類打五折vs八折，效果遠優於3元蔬菜；二是“高銷量”：低銷量品統計意義不大。對於日銷60-100件這種高銷量品類，折扣策略效果更容易量化。所以疊加“高單價”和“高銷量”，我們最終選定五款符合標準的肉類包括紅、白肉等。

選店邏輯的話，首先是保證“高客流”：高客流纔有高銷量，高銷量的話，門店纔會對摺扣差異效果感知更強；二是近距離門店，門店跟團隊比較近，才能方便團隊近場協作，也可以駐場觀察，以實時獲取店員反饋並持續優化模型；三就是業態覆蓋要全面，比如首批3家店須代表不同店型比如社區店、商廈店等。這樣纔能有效驗證策略的普適性，之後才能夠更大規模地推廣開來。

9、門店試點中遇到的主要障礙？

試點過程也遇到過一些問題，典型問題主要集中在數據異常處理上：比如負庫存或超100%庫存等。這就需要在做策略覆蓋外，再追溯根源，搞清楚是串碼銷售導致負庫存，還是盤點錯誤導致庫存虛高等。

另外還須判斷和解決責任歸屬不清的問題。因爲當追問爲什麼會有負庫存時，門店可能會推給總部，總部又會推給其他部門，相互低效協作。對此，就需要聯動上游補貨系統，覈查數據鏈條比如近7天銷售、補貨參數等，來定位根本原因後再分類處理。

如果是參數錯誤，就修正總部系統配置，這樣也能解決一大片終端門店問題；如果是單個門店執行問題，比如忘了盤點，就推送給他一個盤點任務，總部去督導門店人工來執行盤點動作。

試點階段，確實需要投入大量人力逐店排查，溝通成本會比較高。但一個店一個店嗑下來，解決了問題之後，後期規模化鋪開的時候，就會順利很多。

10、規模化推廣後是否面臨新問題，如何解決？

店量上規模之後，除了單店的模型問題外，我們更關心供應鏈上下游系統性的問題。

比如某個店庫存持續異常偏低。預期收貨是100件，但系統僅顯示10件。後來我們發現，問題可能是數據統計口徑差異。這個店凌晨到貨計入前日報表，但系統取數邏輯以“當日零點後收貨”爲統計口徑，當日在這個時間點前的收貨未被計入，所以這就導致次日庫存顯示不全。

所以，我們就把計算邏輯調整爲“昨日結存庫存+當日全時段收貨”，還原真實庫存基數。

11、門店牴觸流程變革的原因及化解策略是什麼？

牴觸根源有以下幾個部分，一會有替代焦慮。一部分人會誤認爲AI將取代人力，產生替代焦慮；

二大家也面臨習慣的改變，因爲原有SOP流程被重構，也需要重新適應。

三此前適應數字化系統的負向經驗和評價也會讓人有一定牴觸。因爲此前的數字化系統升級經常會增加人工操作步驟。比如原來只需要做四步的活兒有了系統之後，也會變成要做六步。

我們的應對策略就是，首先會明確AI定位，強調AI僅處理機械性工作，比如原來流程中那些90%耗時環節都可以用AI來做，而讓員工轉向更高價值的任務，把釋放的時間轉化爲創收機會比如現場面銷拿更多提成。

其次，用事實讓試點員工體會到工作的減負效果。同時，建立傳播槓桿，以試點店員工的體驗，向更多店傳遞真正得到減負的工作體驗。

12、企業要落地這套系統，內部需要哪些角色來配合我們，得有個專門的工作小組嗎？

沒錯，需要企業內部有幾個關鍵角色來對接配合：

一是核心業務領導，這個人得真正懂業務，理解出清的核心邏輯。我們討論規則、制定策略得找他，後期推動落地也需要藉助他的影響力。

二需要懂點技術的運維或運營人員，他不一定非得是專業IT，但得有點技術基礎。他的作用是，等系統上線後，如果想調整規則，比如覺得某個折扣閾值不合適，他能知道怎麼操作。現在用模型了，改規則可能比傳統系統還簡單點，有時只需要改個提示詞（Prompt）就行，不用去複雜的配置界面改數字。

三是門店督導，這個角色特別重要，因爲他能協調門店，也能收集一線的真實反饋。因爲那麼多店，我們不可能都熟，店裏的人也不一定都願意直接跟我們說。通過督導，能知道系統用起來到底順不順手，店員有沒有抱怨，效果到底好不好。

爲什麼需要這些反饋？以前系統最怕反饋問題，因爲改起來麻煩，改了可能這家店好了，那家店又不適應。但現在用模型不一樣了，模型可以精調（Fine-tuning）。我們會把督導收集到的真實情況、不同門店的特殊性，比如客流時間差異等轉化成數據或經驗餵給模型，它就能學習調整，讓策略更貼合不同店的實際情況。

比如此前只能告訴大家所有店都打5折，現在可以分A類店、B類店（超市內部按銷量分的等級，不是看面積大小），模型就能根據反饋，學會對它們用不同的策略，A店打3折，B店打5折，而這些是以前固定規則做不到的。

13、這套系統從生鮮擴展到短保日用品再到散稱和果切（小時級）等場景的可行性和關鍵點在哪？

可行性沒問題，我重點講一下關鍵點，有以下兩個：

首先，需要數據得更乾淨、更準，清洗庫存數據是一個最麻煩的事情。只有拿到更準確的庫存數字，模型才能給出更精準、更敢放的折扣。

生鮮數據可能主要看當天的庫存，不用做更多的清洗。但短保日用品有效期就長了（1天到3、5天都有），庫存數據就更復雜了。所以從當日到短保，是有一個從一天有效期到三五天有效期的改變過程的。

另外，還得把行業知識得灌進去，像短保日用品（比如麪包、酸奶）和百貨類商品，它們的銷售規律、損耗特點跟生鮮不一樣。我們需要把這類商品的行業經驗、know-how，轉化成模型能理解的語言（比如規則、提示詞）教給它。模型理解了這個，才能更好地擴展到更多品類中。

AI模型也像人各有長短，要以AI所長重構業務流程

14、實施這套系統後，客戶感受最明顯、覺得特別好的改善是什麼？是效率提升？成本降低？還是別的？

這點客戶反饋特別突出，也是他們特別滿意的地方：動態出清體系實現了“既要又要”的結果，既增加了利潤，又降低了成本。以前降本增效往往只能顧一頭。

比如利潤增加了，最直觀的是“正價率”提高了。就是按原價賣出去的商品更多了。比如晚上某個品就剩兩件了，模型判斷靠自然客流也能賣掉，就不打折了。這在以前，店員爲了省事可能就統一打五折了。現在能原價賣出去，毛利自然就高了。

另外成本也降下來了。員工原來花在出清上的大量時間（像查庫存、拍照申請、換價籤這些，可能佔90%的工作量）省掉了。現在系統自動推任務，店員主要就是按指示把打折品堆一堆，工作量大大減輕。

這兩個好處是客戶能直接感受到的，商品賣得更賺錢了，員工幹活也更輕鬆了。

15、您對企業更好地應用AI有什麼建議？怎麼找到合適的業務切入點？

核心建議就一點，得站在模型的角度想問題，別硬把它往老流程裏塞。不能覺得“哦，原來這個環節是人乾的，現在換成AI模型就行了”。

還要看模型擅長什麼，AI模型就像人，各有長短。比如有的擅長寫詩，你讓它去算複雜數學題可能就不太行。所以得找到模型真正擅長的點—比如我們這個出清場景，模型就擅長根據實時數據做動態決策。然後圍繞這個強項，去重新設計流程，原來上下游那些步驟可能都得變。

同時，流程要以模型爲中心重構，這意味着不能只換掉中間一環，得圍繞模型的能力，把整個流程重新搭一遍，讓它更順暢高效。

此外，還要對前期效果要有合理預期和耐心。模型剛上線，效果可能就40-60分（滿分100分），別指望一下子到90分。企業得有這個心理準備。如果能從60分慢慢優化到70、80分，就很有價值。但如果起步只有30分，那可能就得考慮換個切入點了。關鍵在於企業是否願意投入資源去迭代、去訓練模型。

掃碼加入

虎嗅智庫AI創新落地實踐交流羣

爲了更好地挖掘AI進化中的創新實踐，推動行業交流與合作，虎嗅智庫面向企業用戶（項目應用方）和供應商（項目實施方），長期徵集金融、能源、工業製造、醫療、消費零售、文娛教育、運營商、政務等領域的最佳實踐案例。

入選大鯨案例庫的企業將直接入圍年終的《2025大鯨榜 丨GenAI最強落地公司》榜單評選。