科脉智灵智能补货：生鲜订货不必靠店长手感

一家店明天每个生鲜单品该订多少，现在能自动算出来，覆盖全部 SKU，不只头部那二十个。替店长签字这件事它做不到，也没打算做。科脉公布的数据是补货作业效率提升 80% 以上。上线前得先把账对一遍——账不准，算出来的量只会更离谱。

生鲜订货为什么难

因为它是每天都要做、每天都做不准、做不准当天就变成钱的那种事。

叶菜隔夜就蔫，鲜肉隔天就得打折，短保烘焙过了点直接进报损。订多了是损耗，订少了是断货，断货丢的不只是这一单，还有下次不来的客人。零售里没有第二个品类，容错空间小到这个程度。

这件事一直是店长在做。一个熟练店长的判断，其实挺复杂：昨天卖了多少、今天什么天气、明天是不是周末、有没有团购单要送、上次那批货到得新不新鲜。这套东西很值钱，问题是它只在一个人脑子里。

店长休假，订货的水准就掉一截。店长离职，新店长要重新交三个月学费。企业花了三年养出来的判断，人一走，等于清零。

以前的钱花在哪了

不是花在人工上，是花在三个说不清的地方。

先说估量。人记得住卖得最好的前二十个品，记不住第两百个。而长尾品的报损，恰恰都藏在那后一百八十个里。店长不是不用心，是记不住。

再说下单。一家店两百到四百个生鲜单品，每天手工往里录，二十到四十分钟。这活儿不难，但每天都要干一遍，一个月就是十几个小时，纯重复。

最麻烦的是纠偏。永远是事后纠偏。今天菠菜剩了三十斤，明天少订点——可昨天的损耗已经记在账上了。纠偏慢一天，钱就多损一天。

智能体接手的是哪几步

三步都接，但只接到“给建议”为止。

算量。输入是 60 多项因子：历史销量、天气、节假日、促销日历，还有门店自己的陈列位和到货日。按店建模，不是全国一套参数。输出是次日每个单品的建议订货量，全 SKU 覆盖。

下单。店长拿到的是建议单，不是空白表格。要改就改，不改就确认，原来二十分钟的录入压到几分钟。这是效率上最直接的改善。

纠偏。从事后看损耗，改成事前给量。偏差在订货当天就能发现，不用等报损单出来才知道。

它当参谋，人当决策者。临时团购、冷柜故障、突发降雨，这些它看不见。建议量只是起点，确认和签字的是店长，责任也在店长。它不会替你把订单发出去。

公开的落地样板是农夫刘先生，50 家生鲜超市，按店定制次日订货量。

跟以前比，变的是哪几件事

80% 省的是订货这一段的时间，不是省损耗。一家店两三百个生鲜单品，以前店长对着单子逐个填量，二十分钟到四十分钟；现在系统把建议量摆出来，人只负责改和确认，几分钟收工。订得准不准、报损降多少，是另外两本账，别把这个数套过去。

它管不了什么

不管供应商议价。你进的货贵不贵，跟这个智能体没关系。

不管冷链和仓储。冷柜不够、后仓放不下，它算出来的量你也订不了。

它算得准不准，取决于你的账准不准。库存账实不符的时候，模型只会把错误放大成更离谱的建议量。账实核对是上线前必须做的，不是可选项。

怎么试，试多久

三步，四周。

第一步，先对账。挑准备上线的门店做一次账实核对。差异超过 3% 的，先修账，再接模型。这一步看着笨，但它决定了后面四周的数据能不能用。

第二步，看分歧。跑起来之后，把“建议量”和“店长实际订的量”差得最多的十个品挑出来，人工判一次。判对了，店长才肯信；判错了，正好用来调参数。建议预留 2—4 周的调参期。

第三步，看两个数。四周后同时看报损率和缺货率。只降一个不算成立——报损降了却频繁断货，等于把损耗换成了丢客，总账并没有省。

三个常见坑

第一个是贪快。一口气铺二十家店，参数还没调，店长还不信，最后数据一团乱，项目就停了。

第二个是只看报损。报损好降，少订就行；缺货难看见，客人走了不报警。两个指标必须一起看。

第三个是把建议单当命令单。店长不敢改，系统给多少就订多少，出了事没人担责，最后大家回头用老办法。建议单要留出修改空间——这是产品设计问题，不是门店管理问题。

上手建议

五家店、三个高损耗品类（叶菜、鲜肉、短保烘焙），跑四周，每天记三列：建议量、实际订货量、报损量。第五周你手上就有自己的数字了。这个数字比任何对外公布的数字都管用，因为它是你自己店里的。

跑通再扩。扩的时候不要直接套参数——叶菜看天气和到货日，鲜肉看周末和节庆，烘焙看当天的客流曲线，三个品类三套逻辑。

常见问题

会不会把店长替掉？不会。系统给出建议量，店长确认或修改，例外情况由人处理。产品定位是辅助决策，不是无人订货。

80% 到底省的是哪段时间？省的是订货作业的时间。以前店长对着两百多个单品逐个填量，现在系统给建议单，人只改和确认。订货准不准、报损降不降，是这套东西的另一面，但不在 80% 里头。

要准备哪些数据？单品级历史销量（建议一年以上）、库存账面、商品效期与品类属性，再加上门店的天气和促销日历。缺项越多，建议越不准。

我们账实不符，能直接用吗？建议先把账修好。差异超过 3% 时，模型会把偏差放大成更明显的订货失误，账不准是第一位的风险来源。

天气真有那么大影响？在叶菜和水果上影响明显。降雨影响客流，高温加快损耗，节前礼盒需求前移，这些都没法用历史销量单独解释，所以得单独喂给模型。