夜雨聆风案例背景
某区域连锁超市拥有186家门店，经营SKU约1.2万个，其中生鲜品类（果蔬、肉禽、水产、烘焙）SKU约1800个，占营收**34%但贡献62%**的损耗。核心痛点：
鲜损率居高不下：生鲜品类综合损耗率11.6%（行业优秀水平6%-8%），年损耗金额约4200万元，其中果蔬类单品类损耗率高达16.3%
补货靠经验：店长根据"感觉"和昨日销量订货，门店间差异巨大，同城市同类门店相同品类补货量偏差可达40%
促销与浪费的两难：临期商品打折促销信息不精准，要么打折太早损失毛利，要么太晚仍报损
节假日波动难以预判：春节、中秋等节前销量可达日常3-5倍，但备货不足导致缺货损失与备货过多导致损耗交替出现
数据规模：3年POS交易明细8.7亿条，会员数据380万人，门店周边3公里POI数据（学校、写字楼、小区等），天气数据5年逐日，节假日及活动日历。
技术方案
架构设计：
POS系统/ERP → 数据湖(日增量~800万条)
↓
特征工程层(时序/空间/交叉特征)
↓
┌───────────┼───────────┐
↓ ↓ ↓
需求预测模型 鲜损风险模型 促销效果模型
(SKU×门店×日) (动态货架寿命) (弹性系数)
↓ ↓ ↓
└───────────┼───────────┘
↓
多目标优化引擎
(最小化损耗 + 最大化毛利 + 约束满足)
↓
┌───────────┼───────────┐
↓ ↓ ↓
自动补货单 临期促销建议 门店运营看板
(推送至采购) (推送至店长) (管理层)
核心算法：
需求预测：TFT（Temporal Fusion Transformer），支持多粒度（门店×SKU×日）预测，注意力机制自动学习节假日、促销、天气的时序影响模式。输出预测值+置信区间
鲜损风险模型：基于Weibull分布建模生鲜货架寿命衰减曲线，参数随温度、湿度、入库天数动态调整，输出每个SKU在当前库存下的N日后损耗概率
促销弹性模型：Log-Linear模型估算价格弹性系数，按品类×门店×时段分层，结合鲜损风险计算"最优打折时点和力度"
多目标优化：混合整数规划（MIP），目标函数加权最小化损耗+最大化毛利，约束包括最低陈列量、供应商最小起订量、冷链配送窗口
数据准备：
缺失值处理：POS数据中约8%的SKU-门店-日组合无销售记录（缺货而非零需求），用同商圈同类门店插值+标识位标记
特征工程：时序特征（7/14/28日滑动统计、同比环比）、空间特征（3公里内竞品门店数、社区人口画像）、交叉特征（节假日×品类×门店等级）
冷启动处理：新开业门店前30天用同商圈聚类门店的特征权重做迁移
异常值清洗：系统故障导致的零销售日、一次性团购大单需识别并剔除，避免污染基线
部署方案：
预测服务部署于私有云，每日22:00批量计算次日补货建议，23:00推送至采购系统和店长App
门店端：店长App展示AI建议补货量，支持一键确认或手动调整，调整原因回流数据池用于模型迭代
生鲜称重设备IoT对接：实时回传销售速度，对高损耗品类提供日内预警（"菠菜当前销售速度偏慢，建议下午4点启动8折"）
促销建议经店长确认后自动同步至电子价签和收银系统
实施效果
指标 上线前 上线后 变化
生鲜综合损耗率 11.6% 6.9% 降低4.7pp
果蔬类损耗率 16.3% 9.1% 降低7.2pp
年损耗金额 4200万 2520万 节省1680万
缺货率（生鲜） 8.7% 3.4% 降低5.3pp
预测准确率（MAPE） — 14.2% 行业领先
店长采纳AI建议比例 — 78.3% 高采纳度
临期促销转化率 22% 51% 提升29pp
生鲜毛利额 — +6.8% 同比增长
项目总投资520万元，首年综合经济效益（损耗节省+缺货减少+毛利提升）约2800万元，ROI约5.4倍/年。
关键要点
缺货与零需求的区分是预测准确的前提：8%的零销售记录实际是缺货而非无需求，不加区分地喂给模型会系统性低估需求，加入缺货标识位后MAPE从21%降至14%
店长采纳率决定系统成败：初期仅47%采纳率，原因是AI建议"看起来不合理"却无法解释；加入可解释性模块（"建议减少30%是因为：下周降温8度+非周末+去年同期销量下降35%"）后采纳率升至78%
鲜损模型不能只看历史平均：货架寿命受当日温湿度影响显著，夏天叶菜寿命比冬天短40%，动态Weibull参数使损耗预测准确率比静态平均提升31%
促销时机比促销力度更重要：模型发现叶菜类在闭店前4小时启动7折的效果优于闭店前2小时5折，前者损耗减少更多且毛利损失更小
门店异质性是最大的建模挑战：相邻2公里的两家门店因客群不同（一个靠学校、一个靠写字楼），同一SKU销量差异可达3倍，门店聚类+门店级特征是必须的
人机协作的闭环比纯自动化更有效：强制执行AI补货建议的试点门店反而损耗上升——因为店长不再关注现场，失去了"人"对突发情况的判断力；改为"建议+确认"模式后效果最优
冷启动期需要有耐心：新门店前30天预测准确率比成熟门店低15个百分点，需要缩短模型更新频率（从周更改为日更）加速收敛
促销效果模型要控制自选择偏误：本来就快卖完的商品更可能被选做不打折，直接拟合会高估促销效果，用倾向性得分匹配（PSM）校正后弹性系数更合理
数据质量比模型复杂度重要：从简单XGBoost换到TFT，MAPE只降了2.3个百分点；但修正缺货标识和异常值后降了6个百分点，数据清洗的ROI远高于模型升级
