一家连锁便利店用AI智能选品，库存周转率从12天降到4天，退货率压到2%

如果你管过连锁便利店，一定被这几个问题折磨过：哪个品该上、哪个品该撤、明天该进多少货——全靠店长拍脑袋。没有数据支撑，结果就是畅销品断货、滞销品堆满仓库，月底一算账，赚的钱全砸在退货和损耗里了。

去年帮一家做社区便利店连锁的客户改造了库存系统，300家门店，SKU超过8000个。他们的痛点很典型：库存周转率平均12天，退货率接近8%，每个月光损耗就吃掉将近两个点的净利润。老板不是没想过上系统，但市场上现成的选品工具要么太贵（SaaS按店收，一年几十万），要么太笨——给的建议根本不接地气。

最后选择自己搭了一套AI智能选品与库存周转系统。这篇文章就把它的技术架构和核心算法摊开来讲。

先看清楚问题出在哪

连锁便利店和其他零售业态最大的区别在于：单店体量小、SKU动销分散、补货频次高（部分鲜食品类一天补两次）。传统的库存管理软件，不管是进销存还是ERP，核心逻辑都是按历史销量预测未来——这是经典的时序预测问题。

但实际落地时会发现三个坎：

第一个坎：数据稀疏。 一家60平米的便利店，一天可能就三四百笔交易，分摊到3000个SKU上，超过70%的SKU一天只卖出一件甚至零件。模型在稀疏数据上做预测，准确率会非常差。

第二个坎：商品的邻居效应。 便利店的消费决策高度关联——买泡面的顺手买根肠，买饮料的可能顺手带包烟。但传统库存系统把每个SKU当作独立实体，完全没考虑商品之间的关联性。

第三个坎：鲜品的时效窗口极短。 便当、饭团、三明治这些鲜品的保质期只有24-48小时，卖不完就得报废。如果用普通商品的预测逻辑去管鲜品，误差会直接变成真金白银的损失。

系统的核心架构：两层模型，各司其职

这套系统没有用一个万能大模型，而是拆成了两层：底层是品类级别的需求预测引擎，上层是SKU级别的动态分配与选品决策模块。

第一层：品类级需求预测引擎

我们不需要精确预测每个SKU明天卖几件，这既不可能也不经济。实际的做法是：把3000个SKU按品类聚合——饮料、速食、零食、日化、鲜食——然后用LightGBM对每个品类做日级别的需求量预测。

特征工程大概用了80多个特征，几个关键维度：

• 时间特征：小时级粒度，7天/14天/28天滑动窗口的平均销量，星期几、是否节假日、是否附近有活动
• 天气特征：温度、降水量。便利店销量受天气影响极大——下雨天门店客流下降25%-40%，但外卖订单涨50%以上
• 事件特征：附近学校开学/放假、社区促销活动、竞品门店的促销

实际测试下来，LightGBM在品类级别预测的MAPE（平均绝对百分比误差）能做到12%-15%，远优于ARIMA（28%）和简单移动平均（35%）。

品类级预测的意义在于：它决定了一家店明天应该进入多少货的总量。总量准了，剩下就是怎么分配到具体SKU的问题。

第二层：SKU级动态分配与选品

这一层解决两个问题：一是选哪些品，二是每个品进多少。

我们用了混合整数规划（MIP）+ 协同过滤的组合方案。简单说：

1. 协同过滤找关联：用共现矩阵计算商品之间的购买关联度。比如发现买A品牌方便面的用户，65%的概率会同时买B品牌火腿肠。这些关联关系会被编码成约束条件——你让我进泡面，就得同步进火腿肠，而且配比大概是2:1。

2. MIP做销量分配：在品类总量已知的前提下，把销量分配到具体的SKU上。约束条件包括：

   • 每个SKU的最小陈列量（少于这个数，货架就是空的）
   • 关联商品的配比关系
   • 鲜品的保质期窗口
   • 供应商的最低起订量

目标函数是最大化毛利，同时最小化预期损耗。这个优化问题大概有3000个决策变量、6000多个约束条件，用SCIP求解大概需要6-8秒，完全能满足日级别的补货计算。

鲜品模型单独处理

鲜品类（便当、饭团、沙拉）是便利店最难管的品类。我们单独做了一个动态时效分配模型：

• 入库时给每件鲜品打上生命周期标签（24小时鲜食/48小时冷藏）
• 根据每个门店的历史销售曲线，在保质期的前1/3时间就把货分配到位
• 超过保质期2/3仍未售出的，自动触发动态降价策略，系统推荐降价幅度和促销位置

这个鲜品模型上线后，鲜食损耗率从原来的14%降到了5%以内。

部署方式：边缘计算+云端协同

300家店的数据量不小，但也不是所有计算都在云端做。架构上分了三层：

• 门店端（边缘）：每一台收银机旁配了一个小型边缘计算盒子，跑轻量级的实时销量统计和异常检测（比如突然断货预警）。数据处理后每5分钟上传一次。
• 区域聚合层：同一个城市的门店数据先汇集到区域服务器，做天气匹配、事件聚合。这一层也是模型推理的主战场——每个城市跑一个独立的品类预测模型，因为北京和成都的消费习惯差异太大，一个模型打天下行不通。
• 云端中央层：负责模型训练、MIP优化求解、以及全量数据的离线分析。新模型每周更新一次，推送到区域层做A/B测试。

实际落地效果

上线运行了4个月后，客户给的数据：

• 库存周转率：从12天降到4.2天
• 退货率：从8%降到2.1%
• 鲜食损耗率：从14%降到4.7%
• 单品缺货率：从22%降到6%
• 店长每天花在补货上的时间：从2小时降到15分钟

最意外的收获是——系统自动发现了一些店长靠经验根本注意不到的模式：比如每个月第三周的周三，某几个社区的沙拉销量会突然翻倍。后来查了一下，原来那天是附近健身房的轻食日。这种数据驱动发现模式的能力，是任何人工经验都无法替代的。

踩过的坑（建议必读）

• 不要一上来就上AI：前两个月我们只做了数据清洗和基础报表，让店长和运营团队先看见数据，建立信任。直接上算法会被各种投诉不准。
• 特征比模型重要：试过用XGBoost、深度学习、甚至简单的线性回归，效果差异不大。真正拉开差距的是特征工程的质量——尤其是天气数据和事件数据的接入。
• 鲜品类单独建模：千万不要把鲜品和非鲜品混在一起训练。它们的销售模式、损耗逻辑完全不同，混在一起两个都管不好。

如果你也在考虑类似的零售数字化项目，欢迎来 智岳科技 聊聊，我们可以根据你的实际规模和数据情况给出客观的技术建议。