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
本页展示的是「应该怎么跑、每一步看什么、交付什么」,用的是真实业务格式的脱敏构造数据, 不宣称已接入客户生产系统,也不承诺任何效率提升百分比。 案例设定:某连锁茶饮门店(SKU 以现制饮品为主),周四打烊前。店长把近 14 日销售历史、门店信息扔进来 —— 未来 3 日降雨概率 80%,本周六店庆日预计客流 +50%,SKU-101 珍珠奶茶近 3 日销量超出均值 +2.8σ,明天的备货单今晚必须定。
注意这份材料的构成 —— 14 天的 SKU 级销量是判断「异常」的唯一依据,平时店长要把天气、店庆、销量蹿升三件事在脑子里叠着算,这次全部摆到同一张桌子上。这个场景的价值,很大一部分就来自把五类异常信号一次识别全。
短是因为「五类异常识别规则、影响量化公式、紧急程度口径、复核阈值」都在 Skill 规格里。店长只要把销售表扔进来。
店长把近 14 日销售历史、门店信息全部扔进来 —— 补货建议的价值在「异常信号、影响量化、清单排序写在同一页上」,不在任何单一模块。
| 异常类型 | 信号 | 预计影响 |
|---|---|---|
| 天气异常 | 未来 3 日降雨概率 80% | 冷饮销量下降 25%,热饮销量上升 15% |
| 节日大促 | 本周六为店庆日 | 预计客流增加 50%,备货量需上调 |
| 销售异常 | SKU-101 近 3 日销量超出均值 +2.8σ | 建议加急补货 |
五类异常(天气/节日/商圈事件/销售异常/历史归因)按同一套规则扫一遍 —— 经验盘算的损耗不在「慢」,在「漏」:上周漏掉的恰恰是销量蹿升这一类。
| SKU | 当前库存 | 日均销量 | 影响系数 | 建议补货量 |
|---|---|---|---|---|
| SKU-101 珍珠奶茶 | 12 | 45 | +0.35 | 180 |
| SKU-205 冰美式 | 8 | 32 | +0.50 | 120 |
| SKU-308 热可可 | 45 | 12 | +0.15 | 60 |
每条建议附计算依据,出处可溯 —— 「补 180」和「大概多备点」之间,隔着补货决策的全部专业性。
| SKU | 商品名 | 紧急程度 | 建议到货时间 |
|---|---|---|---|
| SKU-101 | 珍珠奶茶 | 紧急 | 2026-06-25 |
| SKU-205 | 冰美式 | 关注 | 2026-06-26 |
| SKU-308 | 热可可 | 正常 | 2026-06-27 |
清单字段与采购系统对齐(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)—— CSV 可直接导入采购系统,三方口径第一次收进同一个文件。
| 风险项 | 说明 |
|---|---|
| 高系数复核 | 影响系数 >30% 的 SKU 共 5 项,全部标注「需人工复核」 |
| 紧急确认 | 紧急程度为「紧急」的 SKU 须店长确认后执行 |
| 数据充分性 | 历史数据不足(n<14 天)时影响系数不可靠,标注「仅供参考,建议人工判断」 |
报告末尾自带「⚠️ 补货建议仅供参考,请门店店长复核确认后执行采购」—— 系数越大,越需要先过人这一关。
答不上来的问题,比答得漂亮的问题更能决定这场演示的结果
回到场景引入,看这个场景的痛点、做法与边界