异常类型多凭经验难全覆盖,补货决策一次要 1 小时,缺货与积压并存
门店店长 · 每天打烊前的那道计算题
某连锁茶饮门店,周四打烊前。店长对着近 14 天的销售表盘算明天的备货:天气预报说未来三天降雨概率 80%,冷饮要不要减、热饮要不要加;本周六是店庆日,客流可能涨五成,备货量该上调多少;SKU-101 珍珠奶茶近 3 天销量突然蹿升,是偶然还是要加急补。五类异常搅在一起,每一类都有一套经验算法,全算完一个小时过去了 —— 还不一定算对。上个月一次大促备少了货,下午三点珍珠奶茶售罄;另一次备多了,临期原料倒掉半箱。
不是流程描述,是门店每天真实上演的损耗 —— 以下案例均取自场景调研与演示素材
变化不在「快」,在「五类异常一次看全」和「每条建议有依据」
6 步 · 每一步的产出都是下一步的输入
痛感 4 × AI 适配 4 ÷ 落地难度 2 = 8.0
最大差异点 · 不要求对接 ERP/WMS:销售表和门店信息扔进来,Agent 负责识别异常、量化影响、生成清单,店长只做复核与下单。
评分口径:痛感看「这事没做好谁会生气、生气到什么程度」; AI 适配看「输入是否非结构化、是否要跨渠道取数、错了能不能当场看出来」; 落地难度是分母 —— 需要先对接 POS/ERP 才能用的场景,分数会被压得很低。
判断标准只有一个:这份东西明天早上能不能直接拿去用
不替代店长最终采购决策,所有补货建议标注「建议店长复核后执行」;不直接对接 ERP/WMS(标注「需用户自配」);不保证 100% 准确 —— 历史数据不足(n<14 天)时影响系数不可靠,须标注「仅供参考,建议人工判断」;不处理供应商谈判与物流调度,实际采购须综合考虑供应商交期、仓储容量、现金流等因素;天气/事件数据获取可能受限,建议店长结合本地经验复核异常信号。
Live Demo 里有一个完整案例的每一步,包括补货建议里哪些内容必须先经店长复核