在零售电商的实际运营中，补货决策通常面临两难：备多了压库存，备少了丢销量。本次实验针对某连锁零售商超的线上线下一体化场景，验证「门店-商品」粒度的AI补货方案。
方法上，我们未直接套用全局销量模型，而是做了三层拆分：一是把销量分解为「基线需求+促销抬升+缺货截断」，避免因历史缺货导致的系统性低估；二是引入门店商圈特征（客群、竞品距离、天气）作为协变量，修正地域差异；三是将补货量求解转化为带服务水平约束的优化问题，按商品的毛利率与缺货敏感度分别设定目标服务水平，而非统一阈值。
阶段性进展：
- 在覆盖约300家门店、1.2万个SKU的测试集上，周维度销量预测的加权MAPE较原有移动平均基线下降约18%，生鲜类目改善最明显。
- 按建议补货执行4周后，整体缺货率下降约2.3个百分点，同时周转库存天数基本持平，未出现明显的库存转移。
下一步计划：接入供应商到货时效的不确定性，把「补货」与「订货」两个环节联合优化，并验证长尾SKU（周均销量低于5件）的冷启动策略。
评论