线下零售最尴尬的一幕：畅销品货架空着，滞销品堆到后仓塞不下——同一家店，同一天，同时发生。
猫哥的观点很直接：零售业的 AI 转型，别一上来就搞智能导购、虚拟试衣、数字人直播，那些是面子。真正立刻见钱的是智能补货——它同时动三个数：缺货率、库存周转天数、补货人力。这三个数一动，老板的现金流当天就有感觉。
一、市场数据透视：钱在往哪儿流
据弗若斯特沙利文·头豹研究院《中国智慧零售市场追踪报告 2025 年 H1》（2026 年 2 月发布）：
| 指标 | 数值 | 来源 / 日期 |
|---|---|---|
| 2025H1 中国智慧零售市场规模 | 107 亿元 | 沙利文·头豹，2026-02 |
| 2025 全年预计 | 237.8 亿元 | 同上 |
| 2023–2025 复合增速 | 13.6% | 同上 |
| 2025–2030 复合增速（预测） | 22.1% | 同上，AIGC 驱动上修 |
| 2030 年规模（预测） | 645.2 亿元 | 同上 |
| 已部署至少一项 AI 工具的零售企业 | 超 80% | 同上 |
| 计划加大 AI 投资的零售企业 | 近 60% | 同上 |
格局上，2025H1 整体市场腾讯占 25.3%、阿里 23.9%；云侧阿里云 35.0%、腾讯云 23.2%；但解决方案侧腾讯只有 28.1%，ISV 与垂类厂商的长尾仍占 48.9%。长尾占近一半，说明这活儿高度依赖行业 know-how，买一朵云搞不定。
政策面，国务院《关于深入实施”人工智能+”行动的意见》（国发〔2025〕11 号，2025 年 8 月 26 日发布）把”人工智能+消费提质”列为六大重点行动之一，并明确”推进供应链智能协同，加强自适应供需匹配”——补货正压在政策线上。
口径提醒：网上流传的”AI 零售市场 1270 亿””1200 亿”多是二手转引，把硬件、云资源、软件混算，和沙利文只算解决方案的 237.8 亿不是一回事。别拿大数字给董事会画饼。
二、转型痛点：传统补货为什么必然做不好
1. 人脑算不过组合爆炸
3000 平的超市 SKU 轻松破万，50 家门店就是 50 万个”店 × 品”组合，每天都要回答补不补、补多少。传统做法是订货员按排面抄表、逐层审批。人一天能认真判断的 SKU 上限约两三百个，剩下全靠拍——拍高了压库存，拍低了丢销售，缺货和滞销永远并存。这不是员工不用心，是信息量超出了人的能力边界。
2. 促销和天气一来，经验直接失效
档期盲目订货、大额退货是老毛病。天气一变、隔壁开家新店、某品类突然在社交平台火了，经验就断档。
3. 数据烂在系统里
沙利文那份报告点得很准：零售企业落地 AI 的 TOP3 挑战是工具成本高、缺技术经验、系统整合难。人话版：POS 一套、进销存一套、会员一套，SKU 编码还不统一，算法拿到的数据本身就是脏的。
三、落地路径：三段走，每段有验收线
阶段一：0–3 个月，小范围试点
做什么：选 1–2 个常温标品品类（别一上来碰生鲜）、10–20 家门店。先做数据盘点——POS 流水、库存快照、到货记录、SKU 主数据对齐，洗出两年历史数据，再跑基线模型。
工具栈：数据底座用阿里云 MaxCompute 或腾讯云 TCHouse，预算紧就上开源 ClickHouse + Airflow；模型用 LightGBM / Prophet / Nixtla StatsForecast，要托管就上阿里云 PAI、腾讯云 TI 或百度智能云；看板 FineBI 或 Metabase。
预算：15–40 万元（含 1 名数据工程师外包 3 个月 + 云资源）。
验收线：拿到缺货率与周转天数基线；周粒度预测 WMAPE 进 20% 以内，天粒度进 30% 以内。天粒度单品误差 25% 左右在业内已算能用，谁承诺 95% 准确率，请他出去。
阶段二：3–6 个月，扩到全门店
做什么：预测输出接补货引擎，叠加安全库存、在途库存、供应商交期、陈列量、损耗系数等约束自动出单；配”专家复核 + 异常阈值报警”；再开供应商协同门户，把预测共享给上游按需生产。
工具栈：成品方案可选多点 DMALL OS、石基、海鼎、科脉；自研派用 OR-Tools 做约束求解。大模型（DeepSeek、通义、混元、文心）在这里只干两件事：把补货计算日志翻译成人能看懂的解释、自动生成异常工单。记住——让 LLM 解释决策，别让 LLM 做决策。
预算：50–150 万元/年，SaaS 按门店计费，区间大致 200–800 元/店/月。
验收线：自动补货订单占比 > 70%，缺货率相对基线降 3 个百分点以上。
阶段三：6–12 个月，往难的地方打
做什么：接生鲜短保（先进先出、临期自动促销）、促销档期联动、跨店自动调拨、新品冷启动。再往上让智能体接管日常异常。预算：100–300 万元。
ROI 怎么算给老板看
拿一家 50 店、单店年销 1500 万的区域连锁算（年销 7.5 亿，库存约 1 亿）：
- 缺货率 8% → 3%，保守按挽回 1.5% 销售额计，增量销售约 1125 万元，20% 毛利即 225 万元毛利；
- 周转 35 天 → 25 天，释放占用资金约 2800 万元；
- 补货人力压缩 50%–70%。
首年投入按 120 万元算，回收期通常在 12 个月内。这笔账的关键不是省人，是把压在货架和后仓里的现金抠出来。
四、真实案例：物美 × 多点 Dmall 的自动补货
这是国内公开披露最完整、可核查的线下商超自动补货案例。据《中国商报》2022 年 8 月报道及中国仓储与配送协会收录的案例材料：物美与多点 DMALL 上线”基于 AI 销量预测的自动补货系统”，做成”智能预测—智能补货—订单可视—零供协同”四段结构，基于千万级”店 × 品”数据对畅销品、长尾品、促销品分别建模，纳入季节、节假日、促销因子，输出未来 3 周预测，业务采纳率约 95%。
公开成效：
- 试点门店缺货率从最高 7% 降至 2% 以内；
- 库存周转天数从最高 35 天降到普遍 21 天以内；
- 30 人管理近千家门店，节约门店人力成本约 5000 万元/年。
评估分析
成功要素：一是数据底子厚——多点在物美累计上线 800 多个子系统，日均 16 万多条任务；二是组织跟着改了——总部集中管商品策略，门店只管销售和服务；三是留了人工安全网——计算日志可追溯，配专家送审与高库存/售罄报警，算法不是黑箱。
踩过的坑：官方材料里明确写着”发展难题：预测误差问题”。多点天粒度店品预测误差平均控制在 25% 以内，这数字不漂亮，但它就是行业真实水平。期望管理失败是这类项目最常见的死法——老板以为上了 AI 该零缺货，三个月后看到 25% 误差直接判项目失败。
可复制性：物美是千店级、自建配送中心、还有多点这个技术兄弟公司，条件极优越。50 店以下的区域连锁不要照抄——正确姿势是买 SaaS 起步、只做常温标品。同类对标（服务商披露口径，别当承诺）：某 800+ 门店快消品牌上线后缺货率降 62%、周转缩短 11 天；沃尔玛系统自动生成补货指令占比接近 90%。
风险与边界：生鲜短保、新品无历史数据、大促强扰动、供应商交期不稳——这四类场景算法都会明显掉准，别放进第一期。还有一条组织风险：自动补货会削掉订货员的权力，中层阻力比技术难度大得多。
五、猫哥的三条战略建议
第一，先修数据，别先买模型。SKU 主数据不统一、POS 和进销存对不上账，买再贵的平台也是垃圾进垃圾出。第一笔钱花在数据治理和一条能跑通的管道上，不是花在 GPU 上。
第二，定一个能签字的 KPI。缺货率 + 周转天数，双指标写进采购部和运营部考核。凡是叫”AI 探索项目”、没有具体数字承诺的，最后 100% 变成 PPT 汇报和一堆闲置账号。
第三，人机分工写进制度。算法自动管 80% 的长尾 SKU 直接下单，人只管 20% 的重点品、促销品、新品，设偏差阈值超了才报人工。同时给订货员安排新岗位——从”抄表下单”转成”异常处理 + 品类分析”，别让他们觉得 AI 是来抢饭碗的。技术能落地，一半功劳在组织设计。
零售业的 AI 转型没有奇迹，只有把缺货率和周转天数一个点一个点抠下来的笨功夫。先把最脏最累的补货环节做对，后面的智能导购、会员运营才有数据可用。顺序搞反，钱就是白烧。