点击卡片 关注我们

虎嗅智库荐语：

实体零售行业，生鲜与短保商品的滞销损耗正持续侵蚀企业利润。

针对这一行业顽疾，多点数智与物美集团展开深度合作，以“人、货、场”黄金三角中的高价值出清场景为突破口，通过“数据驱动+流程重构”双轮驱动策略，构建智能动态出清体系。

这一实践不仅为生鲜短保品类提供了可复制的降损增效方案，更通过AI与业务的深度融合，为零售行业提供了可复制的成功范式。

出品丨虎嗅智库

编辑丨冀玉洁

在生鲜与短保商品占据核心货架的实体零售战场，夜间货架上的滞销品正无声蚕食企业利润。传统 “计划性折扣” 看似是救急良方，可实际效果却差强人意。在傍晚六点挂出的全场六折的海报下，成箱的过期牛奶依旧被报废丢弃，蔫了的苹果因人工调价流程繁琐冗长而原价滞销。

这些场景背后是零售业长期存在的一些痛点和难题。僵化的促销机制无法适配千店千面的库存与客流动态，繁琐人工折扣流程与运营效率也形成尖锐对立。

当损耗与低效成为行业顽疾，多点数智与物美决定联手破局，在零售“人、货、场”黄金三角中锚定高价值的出清场景，采用渐进式验证的实施策略，优先选择高单价、高销量的肉类单品，在高客流、多类型物美门店开展试点。

通过跑通“数据清洗 - 模型决策 - 电子价签同步 - 任务推送”的全链路闭环，实现全渠道出清流程的大幅简化。人工操作从5步缩简至1步，单品出清时间从1小时锐减到5分钟。

当然，这一过程并非一帆风顺，在动态出清项目的实施中，异常数据问题时有显现，比如负库存、超100%库存等。团队通过联动补货系统逆向溯源，发现问题源于商品串码销售或盘点缺失，所以以异常数据任务工单形式，推动业务端整改调整，最终把异常数据调整了过来。当然，异常数据调整不是最终目的，核心是通过异常数据追溯上游的业务异常，实现标准sop的落地执行。

同时，因为涉及流程变革，门店人员也会产生一定的抵触情绪。对此，多点数智的解决方案是让试点店员，用免拍照审批、免换价签的真实减负体验现身说法。同时，物美也探索将员工释放的工时转化为客户面销的提成机会。

多点数智与物美的动态出清实践案例的典型性在于，既扎根生鲜、日配等高频损耗场景的真实需求，又通过 “数据驱动 + 流程重构” 的双轮驱动，构建了可泛化至全品类、多业态的智能出清体系。

正如多点数智AI业务负责人宋楠所言：“模型不是简单替代人工，而是通过重构流程，让 AI 专注动态决策，员工专注价值创造。” 这种 “技术 + 业务” 的深度融合，为零售行业的AI应用提供了可复制的成功范式。

关于多点数智和物美AI出清实践案例细节，虎嗅智库与多点数智的AI业务负责人宋楠的聊了聊，以下为问答摘要，enjoy。

AI出清破解零售业损耗难题

1、关于“出清”，客户普遍的痛点、问题和需求是什么？

我先来解释下出清。出清是零售行业的普遍场景，指商品的实时折扣。其目的是针对特定时段（如晚场）未售完的商品，根据售卖情况实施折扣，这类折扣属于非计划型。

计划性折扣则是指未来固定时段（如某月某日至某日）的统一折扣（如全场六折）。其最大问题在于无法根据店内具体品类和实时售卖情况进行响应。因为即使是同一家连锁超市品牌，不同门店的库存、客流情况也不同。因此，需要AI帮助门店判断特定商品以何种折扣销售更佳。

再从消费者和商家两个场景，来看动态出清的必要性。

一方面，消费者端能买到更便宜商品。

例如，堆积过多、当日没卖掉的苹果本应打折，但因人工打折流程繁琐（需拍照、审批等）而未实施。AI系统就可以自动识别此类情况并触发折扣。

商家侧也可以借此提升毛利或减少损耗。比如某商品傍晚五点仅剩两件，若不打折靠自然流量也能售出，则维持原价可增加毛利。若剩的比较多，打折售出仍能产生利润。若既不打折也不售出，关店时就会计入损耗，这就完全属于亏损。

同时，动态出清也可以节省人力。以往打折需人工操作，比如寻找商品、更换价签等。在人力紧张时，员工得中断其他工作来处理打折事务，非常麻烦。AI系统则能自动推送打折信息，比如哪些商品打六折、五折，员工只需整理堆头即可，大大减少工作量。

综上，AI出清体系，可以帮助用户得到实惠、也可以助力商家，实现成本和利润优化，还能帮助员工减轻工作量。这也是我们选择做动态出清体系的原因。

2、不同客户类型在出清需求上有何不同？

客户主要分为商超和便利店两大业态。在供应商眼中两者类似，但实际他们的运营重点完全不同。

首先是商超会普遍存在晚间需要出清的商品，比如生鲜、日配牛奶等，这些须每日配送的新鲜品类，到了晚上需要通过折扣保证新鲜售出、减少损耗。商超或大卖场，只要销售生鲜和日配品，就都存在出清需求。

其次是便利店，虽然不卖菜，但会销售大量鲜食商品，比如关东煮、小包装预制菜等，这些商品同样需要出清。

无论超市或便利店，都存在出清场景，但不同业态的出清场景需求不同。即使同样都是大卖场，不同的门店类型，对出清的需求和策略也不同。比如商厦店，策略可能是晚上六、七点开始打折，吸引下班人群购买；而社区店则可以延至八点后打折，方便习惯晚间购物的老人。

因此，需要根据不同商圈和用户群体制定差异化策略，以此来训练模型、制定Agent策略。

3、出清环节原来人工流程是什么，系统上线后替代了哪些工作？

我分线上、线下来说明：首先线上，原来的流程是，先从数据库导出报表，简单查询报表得出折扣结论；然后将结论提交至超市促销创建组，由其在复杂促销系统中创建生效；

现在上了动态出清系统后，以上三步都可以不用做了。系统会自动从大数据平台获取数据→让模型决策→再自动在促销系统创建促销单。

其次，线下会更复杂一些。原来的流程是比如一位分管叶菜类的客户经理，他会先检查负责商品的库存（对比后台数据与实际预估）；接着逐一思考折扣力度（如打六折还是打五折），确定折扣后，拍照向领导申请；审批的过程经常会经历讨价还价，领导可能会驳回六折的申请，建议先八折；等审批通过后，客户经理还要打印对应折扣价签；接着在需打折的商品上逐一粘贴价签。

以上仅仅是一个品的步骤。如果处理20个品需重复20次以上步骤。当然也可以批量申请，但审批常常会有部分驳回/修改。这个过程起码要耗时一小时左右。

而上线动态出清体系后，模型可以根据过往经验，参考同类门店情况，及销售目标，自动判合适的断折扣力度，比如晚7点打八折，7点后可能变六折，这就省去了人工思考和审批环节；

然后自动更新电子价签系统，也无需人工再打印粘贴；仅推送任务告知员工需整理哪些打折商品，比如将打八折、六折的商品分别集中堆放等。整体流程中，员工仅需执行最后一步整理堆头的工作，5分钟内就可以完成。

4、除门店实时销售、库存、季节、店型数据外，共使用几类数据？还有哪些关键数据？

当前主要使用五、六类数据。因为一要控制数据量，数据因子过多会增加计算成本和耗时；二需聚焦关键因子，我们会优先纳入对结果影响最大的因子比如库存、实时销售、店型等数据。

我们曾经测试过，在以上这些因子计算完之后，将影响因子从5个增至8个，观察是否会显著改变模型给出的折扣决策（比如从八折变六折），发现新增因子影响有限。

所以最终决定的核心策略还是以有限最少的关键数据量来实现模型快速计算，然后通过设置不同档的促销梯度，来确保商品售罄。

此外，还需要给模型补充一些关键Knowhow、行业知识库等数据信息。

过去，具体折扣的设定需要依赖人工经验。研发人员设置折扣的具体数值时，会询问资深业务人员应设置的阈值，且只能设置固定值或配置项，比如六折或七折等整数折扣，无法再根据实际情况实现动态调整决策。

但动态出清体系则可突破此限制作用。如果能提前向模型注入相应的行业经验，就可以指导其判断逻辑，实现动态决策。比如当模型判断某商品可能卖不完时，可指令其自动应用以更低折扣售卖。

而当遭遇异常数据时，比如库存率理论上限是100%，但实际库存数据可能达150%-200%。出现这种情况时，传统技术可能会卡住。

如果我们结合行业knowhow分析背后的原因，有可能是因为库存盘点错误或不同仓库间调拨导致的；并且，提前告知模型，当库存率>100%时，按100%计算进行促销（即假设该店至少有100个库存）。模型就能据此输出折扣建议，确保业务持续进行，不会因数据异常而中断。

总结而言，无论拿到什么数据，模型都能给出一个结果和处理方案，而不会给出“这个事我不知道，解决不了。”这样的答案。

从单店试点到规模化落地

5、线上线下流程打通与一体化如何实现？

多点数智已将商品价格、促销、出清加速整合在同一系统中。此前，传统方式需要分别在线上、线下系统单独提交促销单。

而现在通过系统可以直接配置出清计划，既可以单渠道配置，也可以统一配置线上五折或线下六折，还可选择线上线下联动。

其中，关键在于调度中台的构建。当模型决策后，会由中台统一调度下游系统，以线下折扣指令，调用电子价签系统更新价格；线上折扣指令，调用促销系统（如秒杀系统）更新活动页，最终通过任务系统推送执行指令至门店员工。

所以这是一整套goflow流程的Agent智能体而非单一模型。先有决策，再统一调度，再给各系统发指令，调度完之后，最后把结果通过任务形式推给具体执行的员工，告诉它这些不同品类的折扣。

整体动态出清体系就是以这样的方式，实现“决策-调度-执行”闭环，彻底解决线上线下流程割裂问题。

6、“业务部门”具体指什么部门？沟通形式是怎样的？

“业务部门”包含两类角色：一类是线上运营人员，负责制定商品促销策略及活动宣传；一类是线下门店生鲜经理，负责门店级折扣决策、宣传物料摆放及客流引导。

在沟通上，因为线上运营并不负责门店实操，所以最重要的一点是前期需要通过搭建符合业务逻辑的演示Demo，给他们展示每日折扣逻辑，以消除大家的疑虑点，比如要避免突然出现异常低折扣等。

具体来说，首先选取试点门店运行模型，每周复盘一轮，共进行2-3轮，同时与业务部门确认折扣合理性后，重点验证两部分业务成果：一是人力是否有节省，是否减少原来的繁琐操作流程；二是利润提升，相比传统“无差别五折”，动态折扣体系，是否能增加更多利润。

基本上就是先通过POC测试，让大家看到实际的应用效果，建立起大家的信任，再顺理成章来推动系统的协同。

7、与一线沟通前是否已与高层达成共识？

是的，有以下三个关键步骤。首先与高层沟通方案，提交技术方案

说明逻辑及风险控制，比如保障用户体验、避免毛利损失等，并提供数据验证：例如全量模拟显示错误率<0.2%（即1000店最多2例错误，单例损失约20-50元），成本和损失会远低于整体收益（单店盈利数千元）等。

然后，采用渐进式落地策略，先分阶段试点从一家店到三五家店再到十家，再全量铺开。而且这个过程中允许随时叫停，也会定期复盘数据，当遭遇异常时，可以随时喊停。

最后，要消除一线业务人员顾虑，让大家切实感受到，上线系统之后，工作量是减少的，比如原来五步流程简化为仅有一步等。

8、首个试点商品及门店的选择逻辑？

选品逻辑一是“高单价”：高单价商品，折扣差异会比较显著。比如30元的肉类打五折vs八折，效果远优于3元蔬菜；二是“高销量”：低销量品统计意义不大。对于日销60-100件这种高销量品类，折扣策略效果更容易量化。所以叠加“高单价”和“高销量”，我们最终选定五款符合标准的肉类包括红、白肉等。

选店逻辑的话，首先是保证“高客流”：高客流才有高销量，高销量的话，门店才会对折扣差异效果感知更强；二是近距离门店，门店跟团队比较近，才能方便团队近场协作，也可以驻场观察，以实时获取店员反馈并持续优化模型；三就是业态覆盖要全面，比如首批3家店须代表不同店型比如社区店、商厦店等。这样才能有效验证策略的普适性，之后才能够更大规模地推广开来。

9、门店试点中遇到的主要障碍？

试点过程也遇到过一些问题，典型问题主要集中在数据异常处理上：比如负库存或超100%库存等。这就需要在做策略覆盖外，再追溯根源，搞清楚是串码销售导致负库存，还是盘点错误导致库存虚高等。

另外还须判断和解决责任归属不清的问题。因为当追问为什么会有负库存时，门店可能会推给总部，总部又会推给其他部门，相互低效协作。对此，就需要联动上游补货系统，核查数据链条比如近7天销售、补货参数等，来定位根本原因后再分类处理。

如果是参数错误，就修正总部系统配置，这样也能解决一大片终端门店问题；如果是单个门店执行问题，比如忘了盘点，就推送给他一个盘点任务，总部去督导门店人工来执行盘点动作。

试点阶段，确实需要投入大量人力逐店排查，沟通成本会比较高。但一个店一个店嗑下来，解决了问题之后，后期规模化铺开的时候，就会顺利很多。

10、规模化推广后是否面临新问题，如何解决？

店量上规模之后，除了单店的模型问题外，我们更关心供应链上下游系统性的问题。

比如某个店库存持续异常偏低。预期收货是100件，但系统仅显示10件。后来我们发现，问题可能是数据统计口径差异。这个店凌晨到货计入前日报表，但系统取数逻辑以“当日零点后收货”为统计口径，当日在这个时间点前的收货未被计入，所以这就导致次日库存显示不全。

所以，我们就把计算逻辑调整为“昨日结存库存+当日全时段收货”，还原真实库存基数。

11、门店抵触流程变革的原因及化解策略是什么？

抵触根源有以下几个部分，一会有替代焦虑。一部分人会误认为AI将取代人力，产生替代焦虑；

二大家也面临习惯的改变，因为原有SOP流程被重构，也需要重新适应。

三此前适应数字化系统的负向经验和评价也会让人有一定抵触。因为此前的数字化系统升级经常会增加人工操作步骤。比如原来只需要做四步的活儿有了系统之后，也会变成要做六步。

我们的应对策略就是，首先会明确AI定位，强调AI仅处理机械性工作，比如原来流程中那些90%耗时环节都可以用AI来做，而让员工转向更高价值的任务，把释放的时间转化为创收机会比如现场面销拿更多提成。

其次，用事实让试点员工体会到工作的减负效果。同时，建立传播杠杆，以试点店员工的体验，向更多店传递真正得到减负的工作体验。

12、企业要落地这套系统，内部需要哪些角色来配合我们，得有个专门的工作小组吗？

没错，需要企业内部有几个关键角色来对接配合：

一是核心业务领导，这个人得真正懂业务，理解出清的核心逻辑。我们讨论规则、制定策略得找他，后期推动落地也需要借助他的影响力。

二需要懂点技术的运维或运营人员，他不一定非得是专业IT，但得有点技术基础。他的作用是，等系统上线后，如果想调整规则，比如觉得某个折扣阈值不合适，他能知道怎么操作。现在用模型了，改规则可能比传统系统还简单点，有时只需要改个提示词（Prompt）就行，不用去复杂的配置界面改数字。

三是门店督导，这个角色特别重要，因为他能协调门店，也能收集一线的真实反馈。因为那么多店，我们不可能都熟，店里的人也不一定都愿意直接跟我们说。通过督导，能知道系统用起来到底顺不顺手，店员有没有抱怨，效果到底好不好。

为什么需要这些反馈？以前系统最怕反馈问题，因为改起来麻烦，改了可能这家店好了，那家店又不适应。但现在用模型不一样了，模型可以精调（Fine-tuning）。我们会把督导收集到的真实情况、不同门店的特殊性，比如客流时间差异等转化成数据或经验喂给模型，它就能学习调整，让策略更贴合不同店的实际情况。

比如此前只能告诉大家所有店都打5折，现在可以分A类店、B类店（超市内部按销量分的等级，不是看面积大小），模型就能根据反馈，学会对它们用不同的策略，A店打3折，B店打5折，而这些是以前固定规则做不到的。

13、这套系统从生鲜扩展到短保日用品再到散称和果切（小时级）等场景的可行性和关键点在哪？

可行性没问题，我重点讲一下关键点，有以下两个：

首先，需要数据得更干净、更准，清洗库存数据是一个最麻烦的事情。只有拿到更准确的库存数字，模型才能给出更精准、更敢放的折扣。

生鲜数据可能主要看当天的库存，不用做更多的清洗。但短保日用品有效期就长了（1天到3、5天都有），库存数据就更复杂了。所以从当日到短保，是有一个从一天有效期到三五天有效期的改变过程的。

另外，还得把行业知识得灌进去，像短保日用品（比如面包、酸奶）和百货类商品，它们的销售规律、损耗特点跟生鲜不一样。我们需要把这类商品的行业经验、know-how，转化成模型能理解的语言（比如规则、提示词）教给它。模型理解了这个，才能更好地扩展到更多品类中。

AI模型也像人各有长短，要以AI所长重构业务流程

14、实施这套系统后，客户感受最明显、觉得特别好的改善是什么？是效率提升？成本降低？还是别的？

这点客户反馈特别突出，也是他们特别满意的地方：动态出清体系实现了“既要又要”的结果，既增加了利润，又降低了成本。以前降本增效往往只能顾一头。

比如利润增加了，最直观的是“正价率”提高了。就是按原价卖出去的商品更多了。比如晚上某个品就剩两件了，模型判断靠自然客流也能卖掉，就不打折了。这在以前，店员为了省事可能就统一打五折了。现在能原价卖出去，毛利自然就高了。

另外成本也降下来了。员工原来花在出清上的大量时间（像查库存、拍照申请、换价签这些，可能占90%的工作量）省掉了。现在系统自动推任务，店员主要就是按指示把打折品堆一堆，工作量大大减轻。

这两个好处是客户能直接感受到的，商品卖得更赚钱了，员工干活也更轻松了。

15、您对企业更好地应用AI有什么建议？怎么找到合适的业务切入点？

核心建议就一点，得站在模型的角度想问题，别硬把它往老流程里塞。不能觉得“哦，原来这个环节是人干的，现在换成AI模型就行了”。

还要看模型擅长什么，AI模型就像人，各有长短。比如有的擅长写诗，你让它去算复杂数学题可能就不太行。所以得找到模型真正擅长的点—比如我们这个出清场景，模型就擅长根据实时数据做动态决策。然后围绕这个强项，去重新设计流程，原来上下游那些步骤可能都得变。

同时，流程要以模型为中心重构，这意味着不能只换掉中间一环，得围绕模型的能力，把整个流程重新搭一遍，让它更顺畅高效。

此外，还要对前期效果要有合理预期和耐心。模型刚上线，效果可能就40-60分（满分100分），别指望一下子到90分。企业得有这个心理准备。如果能从60分慢慢优化到70、80分，就很有价值。但如果起步只有30分，那可能就得考虑换个切入点了。关键在于企业是否愿意投入资源去迭代、去训练模型。

扫码加入

虎嗅智库AI创新落地实践交流群

为了更好地挖掘AI进化中的创新实践，推动行业交流与合作，虎嗅智库面向企业用户（项目应用方）和供应商（项目实施方），长期征集金融、能源、工业制造、医疗、消费零售、文娱教育、运营商、政务等领域的最佳实践案例。

入选大鲸案例库的企业将直接入围年终的《2025大鲸榜 丨GenAI最强落地公司》榜单评选。