零售业AI路线图：从干净的数据到AI智能体

您的网站显示那件中号藏青色毛衣有货。顾客开车来到店里，货架却是空的。

大多数零售AI计划就栽在这个落差上。这也是为什么零售业AI路线图必须先从数据入手，再去碰模型。

我把它分为四个阶段来规划。首先，建立商品、库存和客户的单一可信视图。然后，加上一个受治理的层，让每份报表和每个AI工具使用同一套业务语言。

之后是负责预测、补货、定价和服务客户的智能体。最后，AI成为商品企划、供应链和门店日常运作的一部分。

零售业产生的数据比几乎任何行业都多。然而对同一天的库存和销售，门店、电商、仓库和财务常常报出不同的数字。

无论您用的是哪种ERP、POS、订单管理和电商平台，这份计划都适用。我写过两个零售和快消品项目，可以阅读我的中东零售迁移案例和快消品报表恢复案例。

每个阶段都依赖前一个阶段达到像样的状态。

三年，四个阶段

1. 01

   当前：数据基础

   来自门店和线上的商品、库存、销售和客户数据进入同一个受治理的平台。

2. 02

   第1年：受治理的智能层

   为商品、地点、库存和客户建立一套业务语言，落实AI治理，交付首批速赢项目。

3. 03

   第2年：规模化AI智能体

   用于需求预测、补货、定价、门店运营和客户服务的智能体。

4. 04

   第3年：AI规模化融入

   AI覆盖商品企划、供应链和门店，供应商和合作伙伴也接入进来。

在引入任何AI之前，您需要一个地方，让所有零售数据汇集于此并彼此一致。这意味着要把各自独立发展起来的系统连接起来：ERP、收银系统、电商、订单管理、仓库、会员体系和供应商门户。

以下是我在最初几个月会落实的事情：

1. 一个现代化的数据平台，通常是湖仓，也就是统一存放原始数据和清洗后数据的存储。它接收来自每个渠道的销售、库存、订单、退货和会员数据，在需要的地方接近实时。
2. 为商品、地点和客户数据指定负责人和质量规则，再加上一个能显示每个数字来源的数据目录。银行卡数据不进入平台，而是留在PCI DSS（银行卡行业的安全标准）的管控范围内。
3. 自助式报表，让采购、计划人员和门店经理看到与财务部门相同的销售和库存数字。

商品主数据通常是最难的部分。它是您所售每件商品的记录，包括尺码、颜色、包装规格、供应商和属性。

以一家拥有40家门店和一个网站的服装零售商为例。网站上一条连衣裙标为“Navy”，尺码从8到16。门店系统里它记为“NVY”，尺码为S、M和L，商品编码不同，来自另一份采购文件。

问任何AI工具这条连衣裙卖得怎样，它看到的都是两个商品，每个的销量都只有真实情况的一半。解决办法是枯燥的工作。有人负责映射编码，商定一份颜色列表和一套尺码体系，并让采购团队从第一天起就对每个新商品负责。

再设想一家食品杂货商，同一款水按单瓶、六瓶装和24瓶一箱出售。收银系统按瓶计数，仓库按箱计数，网站按包计数。在这些单位能干净地换算之前，同一商品的库存永远对不上，而在此基础上构建的任何补货工具都会订错数量。

那么，做好是什么样子？当门店负责人和电商负责人调取同一家门店昨天的销售时，得到的是同一个数字。为了避免一整年都在争论预测为什么不准，我很愿意在这件事上花三个月。

1. 01POS收银每家门店的每一单交易和退货
2. 02电商与订单订单、点击和配送
3. 03仓库与库存各地点库存和在途库存
4. 04着陆区原始副本，附带数据血缘
5. 05唯一的商品主数据一个编码，一种颜色，一种包装规格
6. 06报表与财务一致的销售和库存数字

覆盖所有渠道的商品、库存和客户单一视图

第一年的核心是语义层。这是一本共享词典，告诉每份报表和每个AI工具，商品、门店、库存、促销和客户分别指什么，以及如何计算。

一位营运总监要求查看“前50家门店的有货率”。有货指的是在货架上、在后仓，还是在系统里？

前50家是按今年的销售排名，还是按去年的？如果助手凭自己的猜测作答，您得到的会是一个看似确凿、却没人能在周一经营例会上站得住脚的数字。语义层把这件事一次性定下来，此后助手使用的规则，与营运总监自己的报表完全相同。

AI治理在同一年启动。个性化推荐和定价会用到客户数据，因此同意授权和数据保护规则划定了边界。

我会维护一份统一的AI用例登记册。每个用例都有负责人、风险评级、测试结果，并注明由人在哪个环节检查输出。

要清楚哪些决策是客户看得到的。商品描述的风险很低。顾客实际支付的价格，或者某位顾客能拿到、另一位却拿不到的优惠，需要格外谨慎。

然后交付速赢项目。我喜欢下面这几项，因为它们背后的数据通常状况尚可：

1. 商品内容：根据商品主数据起草描述、属性和译文，并由人审核。
2. 门店助手：门店团队用日常语言询问库存、到货、促销和操作流程。
3. 客户服务摘要：把联系记录和订单状态汇总成一段简短说明，交给客服人员。

以一家每月新增几百个商品的电子产品零售商为例。每个商品都需要一段描述、一张规格表，往往还需要第二种语言的版本。助手读取供应商的规格表，起草商品页面，并标记出缺失的信息，比如某台笔记本电脑没有列出续航时间。

由商品企划人员核查每一项说法，并决定哪些内容上线。供应商的规格表始终是唯一的事实来源，这条规则比您选哪个模型更重要。

再设想一位门店经理，周四早上7点。麦片促销从周一开始，货架已经快空了。她问助手下一批麦片什么时候到、有多少箱。

助手查看到货计划和未结订单。它告诉她明天早上6点会到12箱，按本周的销售速度撑不过周末。是给区域团队打电话，还是从后仓调货，由她来决定。

1. 01门店经理提问为什么周四麦片又断货了？
2. 02语义层门店、商品、促销和有货规则
3. 03受治理的数据销售、库存、到货和促销
4. 04助手作答附上原因和每个数字的来源
5. 05经理采取行动调整订单或上报促销问题

与营运总监给出的一致的答案

业务价值高中低

• 动态定价
• 个性化推荐

• 需求预测

• 门店助手

• 商品内容
• 服务摘要

低中高数据准备度

• 以后再做
• 纳入计划
• 立即开始

第二年从回答问题的助手，走向在您设定的边界内采取行动的智能体。在零售业，通常最先产生回报的是这些：

1. 需求预测与补货。 智能体按门店和日期进行预测，提出订货建议，并在货架断货之前在门店之间调拨库存。
2. 定价与降价。 它为滞销商品提出降价建议，并在商业团队设定的规则内提出调价方案。
3. 门店运营。 货架摄像头或RFID标签（无需逐件扫描即可计数的射频标签）发现缺货位置，智能体为门店团队创建任务。
4. 客户服务。 它处理订单跟踪、退货和简单投诉，并把复杂案件连同整理好的背景信息转交给人。

下面看补货智能体如何帮一家食品杂货商应对一个炎热的周末：

1. 周四上午，它读取天气预报、去年类似周末的销售以及每家门店的当前库存。
2. 它发现有一批门店会在周六午饭前卖光瓶装水和冰块。
3. 它提出从配送中心追加订货，并从两家销售较慢的门店调拨库存。
4. 约定限额以内的订单直接下达。超出限额的订单以及所有门店之间的调拨，都要等计划人员处理。
5. 计划人员否决了一笔调拨，因为那家门店附近有一场本地足球赛，其余的予以批准。

定价也是同样的方式。设想一家服装连锁店在夏末积压了几百个滞销款。

智能体挑出那些需要降价才能在8月前清空的款式。它建议打八折或七折（即降价20%或30%），且高于商业团队设定的最低价。

它不碰核心商品，也从不把价格定在成本以下。商品企划人员保留了在节假日周末仍然好卖的泳装，其余的签字批准。

奢侈品需要更细腻的处理。询问一只价值数千的手袋如何维修的顾客，应该由真人来回复。在这种情况下，智能体调取购买记录和维修历史并起草回复，再由客户顾问用自己的话发送出去。

每个智能体都需要一位业务负责人。商业总监负责定价智能体，供应链负责人负责补货智能体。IT负责运行平台，业务部门负责决策。

1. 01预测按门店和日期预测需求，考虑天气和促销
2. 02比对对照现有库存和在途库存
3. 03提议订单以及门店之间的调拨
4. 04批准超出限额的部分由计划人员核查
5. 05下单向供应商和仓库发出订单
6. 06学习实际销售用于优化下一次预测

每个智能体一位业务负责人

到了第三年，AI已融入商品企划、供应链、门店和客户互动。采购、计划人员和门店团队每天都与智能体一起工作，整条链路都在同一套治理下运行。

与供应商共享数据会改变整个经济账。

以一家电子产品零售商为例，它与耳机品牌商共享每周的售罄情况和一份12周的耳机销售预测。供应商根据真实需求安排生产。零售商在黑色星期五之前更有可能备足货，到了1月剩下的库存也更少。

零售媒体也遵循同样的模式。一家食品杂货商允许某饮料品牌在其App中，向同意接收优惠的顾客推送优惠，使用的是同一个受治理的客户层。品牌商看到的是顾客群体层面的结果，个人记录始终留在杂货商手中。

在您的零售业AI路线图中，这一年适合规模化推进个性化推荐吗？适合，前提是商品主数据和同意授权记录在第一年和第二年经受住了考验。

1. 首席运营官负责智能体组合及其结果
   AI治理登记、测试和紧急停止开关
2. 商业总监和供应链总监负责各自领域的智能体

• 预测智能体由计划负责人负责
• 定价智能体由商业总监负责
• 门店运营智能体由门店负责人负责
• 服务智能体由客户服务负责人负责

1. 04AI智能体与助手预测、补货、定价、门店和服务智能体，各有业务负责人
2. 03受治理的智能层商品、地点、库存和客户的语义模型，加上AI登记册
3. 02数据基础汇集销售、库存、订单和会员数据的湖仓，配有数据目录和数据血缘
4. 01零售系统ERP、POS、电商、订单管理、仓库和会员体系

有些事情从第一个月一直适用到最后一个月：

1. 客户同意与隐私。 只有客户信任，个性化推荐才能奏效。使用客户同意共享的数据，并把银行卡数据留在PCI DSS的管控范围内。
2. 开放的多平台架构。 零售技术变化很快。保留更换模型、平台和合作伙伴的自由。
3. 与风险相匹配的治理。 对内容和助手采用轻量的管控，对定价以及任何客户看得到的东西采用更严格的管控。
4. 经过培训的员工。 智能体会不会被用起来，取决于门店团队和采购人员。尽早培训他们，并倾听他们的意见。

培训的重要性很容易被低估。一位门店经理如果在第一周就从货架摄像头收到十个错误任务，就会忽略第十一个。

最常见的错误是在商品和库存数据还撑不起来时，就买下个性化推荐或定价引擎。引擎推荐一台已经缺货的电视，或者按去年的成本计算降价。信任几周之内就会失去，却要花一年才能重建，所以我对任何从引擎起步的计划都心存警惕。

第二个错误是把AI当作总部的项目来推进。除非智能体生成的任务准确，否则门店只会把它们视为额外的工作负担。先在少数几家门店、与真正的门店经理一起试点，修正他们反馈的问题，然后才全面推广。

比如，一个缺货检测试点标记出一排空着的薯片货架。而薯片其实因为促销被移到了通道尽头的端架上。

没人更新陈列图，也就是标明什么商品放在哪里的计划。按照它的规则，智能体是对的；放到门店里，它却是错的。只有门店经理才能发现这一点。

出错的做法有效的做法

1. 01出错的做法: 先买定价或个性化推荐引擎→有效的做法: 先理顺商品主数据和库存数据
2. 02出错的做法: 商品和库存数据没人信任→有效的做法: 覆盖门店和线上的单一可信视图
3. 03出错的做法: 门店从未提出需求的总部项目→有效的做法: 与真正的门店经理一起试点
4. 04出错的做法: 智能体的决策没有负责人→有效的做法: 每个智能体都有一位业务负责人

正在琢磨您的企业应该从哪里开始？预约一次通话，带上一个真实的问题，比如您的商品主数据是否已经可以支撑需求预测。我们一起把它理清楚。

什么是零售业AI路线图？

它是在零售企业中分阶段使用AI的计划。起点是商品、库存和客户的单一可信视图，随后加入受治理的AI和智能体，最终让AI融入零售的日常工作。

零售商应该从哪里开始使用AI？

先把来自每个渠道的商品、库存和销售数据汇集到一个受治理的平台，并理顺商品主数据。然后交付速赢项目，例如商品内容、门店助手和客户服务摘要。

哪些零售AI用例最先产生回报？

商品内容和服务摘要交付得很快。数据就绪之后，需求预测和补货通常带来最大的价值，定价和降价紧随其后。

零售商在使用AI之前需要更换ERP吗？

不需要。AI通过数据基础架设在您现有的系统之上。重要的是商品、库存和销售数据在门店、线上和财务中保持一致。

零售业AI路线图需要多长时间？

数据基础工作启动后，我按三年来规划。第一年构建受治理的层，第二年规模化部署智能体，第三年让AI全面融入。速赢项目应在第一年内体现价值。