异常驱动自动补货

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

一这件事现在是什么样

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。

二痛点 · 每条都发生在昨天

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

1
异常类型多,经验难全覆盖:天气、节日、商圈事件、销售突变、历史归因五类信号各有一套算法,凭经验总漏一两类
2
补货决策一次要 1 小时:基础销量、影响系数、安全系数逐项算,算完还不确定对不对
3
缺货与积压并存:大促备少了下午就售罄,备多了临期原料只能倒 —— 两头都是损耗
4
补货决策分散,没有统一入口:店长凭感觉、补货专员凭表格、区域凭周报,三方口径对不上

三换个做法之后

变化不在「快」,在「五类异常一次看全」和「每条建议有依据」

✕ 现在的做法

  • 五类异常靠经验逐项盘算,一小时起步还常漏
  • 影响系数凭感觉,备货量毛估
  • 缺货与积压两头损耗,全凭运气
  • 店长/补货专员/区域三方口径对不上

✓ 交给 Agent 之后

  • 天气/节日/商圈事件/销售异常/历史归因五类异常一次识别
  • 建议补货量 = 基础销量 ×(1 + 影响系数)× 安全系数,逐条附计算依据
  • 按紧急程度排序生成补货清单,影响系数 >30% 自动标注「需人工复核」
  • Markdown 报告 + CSV 清单 + 企微推送摘要,补货决策一个入口

四场景闭环

6 步 · 每一步的产出都是下一步的输入

第 1 步
异常信号识别 · 五类异常全覆盖接收销售历史数据,自动识别天气/节日/商圈事件/销售异常/历史归因五类异常信号
第 2 步
影响量化计算 · 每条建议有公式按品类/单品计算预计销量影响系数:建议补货量 = 基础销量 ×(1 + 影响系数)× 安全系数
第 3 步
补货清单生成 · 按紧急程度排序汇总所有异常信号对应的补货建议,紧急/关注/正常三级排序,生成结构化补货清单
第 4 步
输出与推送 · 报告 + CSV + 摘要Markdown 报告 + CSV 补货清单,通过企业微信推送摘要供店长确认
第 5 步
数据合规处理 · 本地处理不出域销售数据本地处理不出域,历史数据脱敏后再用于模型拟合
第 6 步
人工复核机制 · 高系数先拦住影响系数 >30% 的所有补货建议标注「需人工复核」,紧急程度为「紧急」的 SKU 须店长确认

要准备什么

销售历史.csv(近 14 日销量,含 SKU/日期/销量)
数据本地处理不出域,脱敏后再用于模型拟合
门店信息.csv(门店 ID/地址/类型/营业时间)
原样扔进来
异常信号补充(可选)
天气预报、店庆/大促计划、商圈活动等背景信息

为什么这个场景值得做

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。

五会产出什么

判断标准只有一个:这份东西明天早上能不能直接拿去用

正式件本体
补货建议报告.md
异常信号总览 → 补货建议明细表 → 异常影响分析 → 风险提示 · 可直接用于店长复核
可导入清单
补货清单.csv
SKU/商品名/当前库存/日均销量/异常类型/影响系数/建议补货量/紧急程度/建议到货时间 · 可直接导入采购系统

这套东西不承诺什么

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。

想看具体怎么跑?

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