损耗降三成，物美Agent破解“生鲜出清”难题

出品|虎嗅智库

头图|AI生成

晚上八点钟，北京物美超市的生鲜区，店员已不再忙着给蔬菜贴折扣标签。取而代之的是，AI系统正自动为货架上剩余的商品定价—西红柿7折，菠菜不打折，鳕鱼段8折……

不止动态出清，AI已经深入在零售运营的方方面面。

8月14日，虎嗅智库第51期 502 线上同行活动，多点数智AI产品专家宋楠结合自身在零售门店和供应链的实践，从物美超市动态出清实践案例出发，系统分享了AI在补货、出清、门店管理等零售运营中具体实践和挑战及应对策略，涵盖项目落地路径、常见问题及解决方案、组织配套机制等多方面的内容。

找到小而有价值的切入点

出清一直是零售业老大难问题。不同品类和业态的出清逻辑也不尽相同。比如叶菜类新鲜度驱动，需前置打折，耐储品的保质期长，则须结合促销节点批量出清，超市业态，因为全品类协同，流程复杂，便利店的空间有限，会侧重快消品出清。

聚焦到生鲜的出清就更难了。因为生鲜类商品保质期短、损耗高，人工出清判断往往依赖过往经验，基本采用“一刀切”式打折，比如晚上八点统一五折。但这种粗暴打折的做法不仅会损失毛利，也很难对商品进行精细化管理。而且整个打折流程也很繁琐，从巡店、审批到打印、贴标全都依靠人工，耗时且低效。

尽管复杂，但生鲜出清却是AI的理想切入点。作为“日清”场景，生鲜品类高频且刚需，且已有过往POS、库存、会员等体系沉淀下的大量数据，而且生鲜类商品虽然毛利薄，但只要流程有所改善，价值便能立竿见影。

“AI可落地的场景很多，找对切入点很重要，一定得从小切口切入，越想大而全，越难落地，出清就是一个小但很有价值的切入点。”宋楠强调。

因此，一年多前，多点数智携手物美超市落地AI动态出清体系。基于历史销量、实时库存、保质期和销售速率，再叠加行业经验，AI模型自动计算不同商品的最优折扣，实时生成促销单并同步到门店执行。

智能AI出清：方案推理链路

该体系最初以肉品、叶菜、净膛鱼等日清商品，以及高客流门店进行试点，用数据验证效果。随后小范围应用并收集反馈，复盘优化，聚焦高优问题，再逐步扩大试点范围，最终实现全面推广，目前已覆盖285家门店，并实现实时数据跟踪。

物美AI出清的关键落地阶段与步骤

借助AI动态出清体系，原本需要巡店、拍照、审批、打印、贴标等复杂繁琐的出清流程，现在只剩下“堆头摆放”需要人工干预。同时，借助于这套体系，员工也从贴标签等简单重复的工作中被解放出来，可以投入更多精力到服务顾客和优化陈列等价值更高的工作中去。宋楠透露，目前AI的“幻觉率”控制在千分之二以内，试点门店的整体损耗率下降超过三成。

数据是基础，人是关键

当然，AI在业务场景中的成功落地，不仅是技术与业务的结合，还需要从组织架构到工作流程的深度重塑。宋楠结合过往服务项目，总结出AI 在零售场景落地以下的几个关键要点：

首先，数据是AI的基础，没有干净的数据，AI就难以避免"幻觉"，解决数据孤岛比较高效的方法就是AI进行原始数据理解，相比传统算法依赖人工清洗，大模型能通过推理更好地理解异常数据和行业知识，也降低了数据准备成本。

其次，要理解AI的边界，不要神化 AI，要真正理解AI的原理。相比传统算法，AI的优势在于不仅能理解业务数据，还能更好理解业务行业知识，但只有选对场景才能获得十倍以上的效率提升；

再者，Agent的落地，还需要打破现有SOP，以模型为中心重构流程，传统SOP面向人，而 AI 需要围绕模型重构流程，让AI分担重复性工作；

特别值得注意的是，AI项目的落地需要业务团队的高度参与，只有将行业知识充分"喂"给AI，才能让模型真正理解业务逻辑，而越理解业务逻辑和数据的人，也才会让AI更容易落地；同时，AI agent 落地后，团队需从“人做事”转向“人监督 AI + AI 执行”，组织架构也须随之调整。

在QA互动环节，听众的问题更是直指业务细节中的落地难点，以下仅列出部分精彩问答：

Q：短保商品的动态出清如何落地？

A：库存估算上，可以以先进先出为假设，按进货次数和销售反推剩余可售量，然后将店里做得最好的员工对鲜度折损的估算，写成自然语言规则，喂给模型。

同时结合库存、损耗、实时销售、剩余保质期等数据，让AI每30分钟更新一次折扣策略，并通过模型不断对比实际售罄结果与预测结果，持续校正学习。这样的话，基本就能把让AI出清策略做到店里最佳员工的 70～80 分的水平。

Q：图片类的多模态数据的解析和分类处理？

A：目前多模态模型稳定性仍低于大语言模型，复杂动作识别准确率不高。如果要提升多图类数据的准确率，可以对每张图单独描述再汇总，也可以用多张图按顺序拼接后一次输入。

现阶段，多模态模型更适合在货架缺货巡检场景等这种简单有或无的二分类场景落地，但在带时序的复杂动作识别，比如退货流程合规检测上，还需等待下一代模型升级。

Q：当出现爆品、新品，AI怎么去帮助做补货决策？

A：新品其实可以找过往“相似品”作为参照，先把业务专家类似预测的经验过程写成提示词给AI，结合相关数据让AI给出决策参考，然后再根据首实际销售数据滚动修正；

爆品则可以引入外部社媒抖音、小红书等热度数据，去发现搜索量、点击率飙升的品类，同时综合门店实时反馈、关联品类销量等数据，来做短期销量跳跃预测，并把预测结果叠加到补货模型中，从而让模型给出靠谱的补货决策参考。

结语

整场活动中，线上观众热烈讨论，不止以上问题，更提出补货、门店运营、组织协同等多个关键业务问题，宋楠也一一给出深入解答。此外，也有来自知名TOP公司30+决策者们，比如华为、Lola Rose、蒙牛、传音控股、广为电器、都市丽人、嘀嗒、欣和等这些优质观众参与本场活动。现场活动在交流实践经验，探讨业务合作等多种声音下落下帷幕。

欢迎添加智库小虎

加入虎嗅智库AI创新落地实践交流群，获取独家AI创新案例与洞察，实现AI落地快人一步

关于虎嗅智库： 虎嗅智库是一家聚焦企业数字化、AI创新实践的新型研究服务机构，为产业智能化进程中的甲乙双方，提供有洞察性的研究报告、案例评选，以及线上会议、线下活动与参访服务，以支持企业高管在智能化、数字化方面的明智决策。 我们提供的核心价值： 及时与优质的洞察，了解技术、了解行业、了解同行与对手； 为决策者技术与产品战略决策、产业规划、解决方案选型提供重要参考； 帮助市场全面了解前沿科技及所影响产业的发展状况，还有未来趋势。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4734700.html?f=wyxwapp