生鲜商品出清是零售业中典型的“高频、低毛利、强时效”场景。AI的核心价值在于将需求预测与动态定价结合，帮助企业在保障售罄的同时提升正价销售比例，从而实现利润与效率的双重优化。

文｜钱丽娜

ID | BMR2004

在超市行业中，生鲜商品出清是极为关键却颇具挑战的运营场景：一方面，它直接关系到生鲜商品的新鲜度维护，影响消费者体验；另一方面，若折扣策略制定不当，极易导致门店利润受损，这一痛点长期困扰着零售从业者。

成立于2015年的多点数智有限公司（英文名称：Dmall Inc.，简称 “多点 DMALL” 或 “多点数智”），作为亚洲领先的零售数智化解决方案服务商，其业务覆盖广泛经营场景，恰好能精准满足零售商在关键运营环节的需求，为解决生鲜出清难题提供了技术支撑。

在技术赋能层面，多点数智的布局持续深化：2024年，其解决方案核心系统Dmall OS融入AI技术，升级至3.0版本；2025年，公司进一步将生成式AI（GenAI）置于战略优先核心位置，致力于为客户提供更优质的AI零售核心解决方案及AI零售增值服务。

具体到超市生鲜出清场景，多点数智借助大模型技术，能够精准把控商品售罄节奏，制定出传统人工方式难以实现的科学折扣策略，有效平衡生鲜新鲜度与门店利润。这一模式已得到市场广泛验证，截至2025年6月30日，多点数智已为麦德龙、胖东来、步步高、罗森、双汇、香港牛奶集团（惠康、万宁）等438家客户提供技术服务，模式受到广泛验证。

01

经营场景中的痛点也是AI的机会

与传统IT工具不同的是，人工与模型的合作在初期并不是一步到位的。

超市经营中，每天都会面对剩余生鲜商品出清的问题，出清率的高低，直接影响超市利润。

商品出清和打折促销属于不同的业务范畴。打折促销属于营销，通常需要提前数日确定具体折扣时间、折扣力度及对应商品；而商品出清属于业务范畴，其目标是在“精准把控售罄节奏”的前提下实现当日商品售罄。多点数智AI产品专家宋楠说：“以门店晚间22点闭店为例，理想状态是生鲜商品在闭店前30分钟售罄，这一目标构成了出清策略的核心评价标准。”

在以前，出清工作主要依赖手工标准化作业流程（SOP），涵盖巡店拍照、折扣申请审批等环节。如果员工申请某商品以7折出清，店长可能认为折扣力度过大，通常要求先以9折尝试，双方需要经过反复沟通，导致的后果是：延误最佳出清时段，无法以较高的价格完成商品销售，损失经营利润。店长做判断的依据是以最低折扣力度实现商品售罄。

做商品出清的打折策略是一件繁杂的事，以往超市相关人员每天晚间5点需要制定折扣策略，如果是线上经营，相关人员要应对数十至数百家门店的商品决策，精力难以覆盖；线下门店的工作人员虽仅负责单店，但因需兼顾其他工作，同样无法高效完成出清判断。事实上，若聚焦“单店单品”的特定场景，人工判断折扣力度时均能形成合理结论，可将决策场景精细化到某家门店的某个单品在特定时间节点应打几折，但在面对规模化需求时，人工处理能力明显不足。

宋楠在零售行业拥有15年经验，主要擅长于用AI模型在供应链、门店运营等场景的实践创新。曾主导落地了10余个AI智能体项目，均为商家带来可量化的业务增长。为解决生鲜商品出清的难题，宋楠的团队尝试将这一决策链路也整合至模型中。

AI模型要实现这一目标，需要依托丰富的数据支持，包括商品历史销量数据、当前库存数据及收货信息等。通过这些数据，模型可学习不同商品在历史场景中的合理折扣力度，尤其针对特定时间节点的出清策略进行优化。比如，以往部分商品会在晚间8点后以5折促销方可售罄，但模型的目标更倾向于在售罄的同时提高毛利率：在相同时间节点，尝试以更高折扣（如8折）甚至无折扣实现售罄，既保障商家收益，也能满足消费者购买需求。这一优化依赖模型对出清场景的推理能力，更聚焦实际业务效果。

与传统IT工具不同的是，人工与模型的合作在初期并不是一步到位的，人工需要参与审批环节，这相当于通过监督学习帮助模型理解业务逻辑，而后期随着模型对业务逻辑的逐步掌握，异常情况发生率大幅降低后，人工审批环节可逐步省略，实现出清决策自动化。

出清商品的价格经模型自动调整后，系统会直接向对应负责人推送任务。若仅自动变价而未同步通知工作人员，即便电子价签已更新，工作人员在面对面销售（以下简称“面销”）及推荐商品时，也可能因信息不对称影响服务效果。因此，方案设计始终以“不打乱现有工作流程”为前提，以模型为核心推进出清优化。

宋楠说，AI技术方案中还要考虑两个关键细节：一是需将足量标注后的业务数据输入模型，为决策提供数据基础；二是融入行业知识，因为仅依赖数据时，模型难以理解部分特殊场景（如节假日消费高峰、特殊天气影响等），而结合数据与行业知识后，模型可更精准地判断出清策略，提升决策合理性。

中欧国际工商学院决策科学与管理信息系统教授谭寅亮表示：“生鲜商品出清是零售业中典型的‘高频、低毛利、强时效’场景。AI的核心价值在于将需求预测与动态定价结合，帮助企业在保障售罄的同时提升正价销售比例，从而实现利润与效率的双重优化。尤其是在传统固定折扣策略容易导致消费者形成价格锚定、产生‘战略性等待’的情况下，AI模型通过动态调整折扣，能有效减少低价冲动消费，让有限的商品资源真正匹配到有真实需求的消费者。这不仅提升了企业的运营效益，也为行业管理实践提供了新思路。”

02

从摸索实践到五步方法论

模型落地过程中需重点关注业务人员的认知引导。

宋楠回忆道，出清模型上线初期，技术团队顾虑重重。当时尚未建立完善的模型应用规则，团队担心新模型无法精准计算出清策略。

为此，团队采用“单店单品逐一验证”的模式，针对每个门店的每个单品输出决策结论后，每日对结论的实际效果进行验证，待效果确认后再推送至下游系统，最终形成全流程自动化闭环。

宋楠说：“在落地实践中，我们形成了五步骤的执行链路。包括试点效果、收集反馈、复盘优化、扩大试点以及全面推广。目前观察到，多数模型类项目的落地过程均遵循类似路径，因此我们将其提炼为一套可复用的小型方法论。”

落地过程需重点关注业务人员的认知引导。宋楠认为，当前业务人员对模型的认知普遍存在“高估”或“低估”的偏差。一部分人认为模型可解决所有问题，模型覆盖全部场景；另一部分人则因少数几次落地尝试未达预期，认为模型在行业场景中落地难度极高，进而对模型持不信任态度。

针对这一问题，技术团队首先向业务人员展示模型的实际效果，明确模型在特定场景中可实现较好表现，但仍存在部分异常情况，而这些异常的解决需依赖业务反馈。其中，业务意见收集是关键环节，核心原因在于，传统系统开发中，系统上线即意味着项目基本完成，后续业务提出的调整需求多被归类为新需求或错误处理；但模型项目不同，模型开发完成仅代表项目进度的60%—70%，业务意见收集可将实际场景中的问题反馈至模型，推动模型持续优化，因此上线过程本身也是模型调优的重要阶段。

复盘优化时，技术团队重点收集业务人员对模型调优后的真实反馈。模型应用对传统业务SOP产生了颠覆性影响：此前业务依赖人工决策，或基于人工逻辑提出系统需求；而模型驱动的出清模式改变了原有流程，因此业务人员在复盘会上会提出各类创新想法及质疑，这一环节至关重要。若复盘阶段顺利推进，后续将进入扩大试点阶段，在更广范围内收集更多边缘案例（Corner Case），最终实现全场景推广。

大模型在单店上线两周左右便能发挥效力。零售行业的销售特征具有以周为单位的规律性（周一至周日消费行为差异显著），因此至少需一周覆盖完整销售周期，而第二周可进一步规避特殊情况（如下雨、临时促销等）的干扰，确保数据稳定性，基本能呈现模型在该门店的真实效果。

在超市行业整体利润率本就较低的情况下，模型落地后，物美超市（以20品100家店为标准），单日提升利润额3000元，月利润提升超9万元。此外，模型应用后商品正价销售率提升10%。此前采用固定折扣策略时，易使消费者形成价格锚定，进而产生“战略性等待”行为。

例如：部分消费者习惯晚间8点的5折优惠后，即便在7点50分已选好商品，也会暂缓结账等待折扣生效；此类消费中，部分消费者并非对商品有刚性需求，仅因低价冲动购买，这一现象直接导致真正有刚需的消费者可能面临商品售罄缺货的情况。AI模型动态调整折扣的模式，可有效规避固定折扣带来的价格锚定效应。每日折扣力度随商品库存、销售节奏动态变化，消费者难以形成固定折扣等待预期，从而减少非刚需的低价冲动消费，将商品更多匹配给有真实购买需求的消费者。

但是当模型从单一品类（如叶菜）扩展至其他品类（如根茎类、肉类）时，需额外接收业务反馈并对模型进行调整。业务人员可能发现不同品类的出清需求存在差异（如叶菜保鲜期短、肉类消费场景不同），而这类反馈需结合新品类的实际销售数据优化模型。

需注意的是，品类适配并非“重新学习”，而是基于数据判断适配性：例如叶菜与根茎类的销售特征可能相近，模型可复用部分经验；叶菜与肉类的特征差异可能显著，但最终仍需以实际数据为准（部分情况下肉类与叶菜的模型决策效果也可能趋同）。

宋楠说：“模型设计的核心思路是‘以效果为导向，保留自主学习空间’，而非按人工逻辑预设固定规则。内部不希望将模型的逻辑框架写死，若严格遵循人工思维设定规则，本质仍是人工逻辑的数字化，无法发挥模型自主挖掘规律的优势；相反，需允许模型自主探索决策模式，其生成的策略可能在部分场景优于人工预期，部分场景存在偏差。”

03

模型的幻觉问题与特征问题

“幻觉问题”与“特征问题”二者的本质差异在于是否具备规律性。

若模型运行后排查发现异常，如果异常是源于业务端操作（如业务人员未按模型逻辑擅自调整库存，导致商品库存突然增加，进而引发剩余量过大），此时需反馈至业务领导，沟通说明该异常操作，并建议在模型应用场景下，避免轻易调整库存，同步探讨替代解决方案（如通过模型参数微调适配库存变化，而非人工直接干预），确保业务操作与模型运行节奏协同。

若异常源于模型决策偏差，需进一步将问题分为“幻觉问题”与“特征问题”两类，针对性处理：

对于“特征问题”（即具有规律性的偏差），需优先优化模型参数——此类问题可通过数据追溯发现明确规律，例如某类商品每周三均出现剩余量过大的情况，说明模型在计算该时段（周三）的折扣策略时存在固定偏差，需针对该规律调整模型的特征输入（如强化周三的销售数据权重）。

对于“幻觉问题”（即无规律的随机偏差），需通过其他技术手段解决——此类问题不具备可追溯的规律，例如某商品100次折扣决策中仅出现1次剩余量过大，且无法定位具体原因，既无固定时段，也无固定场景关联，这属于模型随机生成的偏差，需通过提升数据样本量、优化模型算法稳定性等方式减少此类问题。

“幻觉问题”与“特征问题”二者的本质差异在于是否具备规律性。特征问题出现时，偏差呈现明确规律，例如某商品每周三均出现折扣决策不当（如剩余量过大），此类偏差可通过数据复盘定位关联因素（如周三该商品的消费人群减少、供应链补货延迟等），本质是模型对特定规律的计算缺失，可通过针对性优化来解决。

但“幻觉问题”的偏差无任何规律可循，例如某商品在多次折扣决策中仅随机出现1次异常，且无法解释异常发生的时间、场景或触发条件，本质是模型运行中的随机误差，需通过提升模型稳定性而非针对性优化来改善。

04

模型能力增强下店员主动性的变化逻辑

业务人员的监督反馈对模型至关重要。

业务人员在系统运行中是“监督者与合作者”，而非“听从指令者”或“被指挥者”。但实践中，部分业务人员易产生“系统替代自身”的误解。其实，模型的设计目标是承接门店中的重复性“苦活累活”（如固定折扣计算、高频出清决策），让人力聚焦于更具价值与热情的领域。

此外，业务人员的监督反馈对模型至关重要。一方面，模型需通过业务人员的监督学习完成“业务知识提炼”。业务人员虽能熟练执行出清操作，但难以系统总结操作逻辑，而模型通过持续接收业务人员的反馈意见，可逐步将其隐性的业务经验转化为可学习的数据与规则；另一方面，业务反馈能帮助模型修正偏差，确保决策符合实际运营需求。

随着模型能力逐步提升，店员与模型合作的主动性呈现“从担忧抵触到接受配合”的转变，核心原因在于模型对店员工作内容的优化重构。

因而，大模型需要解决核心工作痛点，此前重复性工作负荷过重（如折扣申请审批、人工调整价签等），模型上线后，自动完成折扣计算、电子价签调整及任务推送，店员无需再处理折扣审批流程，这一转变精准契合店员“减少繁琐工作、专注高价值交互”的需求，初期配合意愿显著提升。

此前超市生鲜折扣决策存在复杂的权力流程。折扣申请由生鲜经理（或负责特定品类的员工）发起，需经1—2级审批（如直属领导、店长），且防损部门需复盘折扣执行的合规性与合理性。这一流程易引发“AI实施是否导致权力重构”的担忧，实际落地中则通过“价值正向导向”实现权力平滑适配。

宋楠说：“在实际管理中，折扣决策仅为店长、防损部门工作中的极小模块，AI替代该环节后，店长的核心管理职责，如门店整体运营、损耗防控等未受影响，因此不构成对管理者的冲击。”此前审批环节中，部分“阻拦行为”（如驳回折扣申请）本质是担忧低价折扣拉低毛利、影响绩效。而AI模型的核心价值是“提升生鲜品毛利”——对店长（门店整体毛利提升）、防损人员（损耗减少+毛利正向）、生鲜经理（工作量降低+绩效改善）均产生正向影响。在“工作量减少”与“绩效提升”的双重利好下，相关岗位更愿意释放折扣审批的权力，主动配合AI决策，无需担心权力感知降低带来的利益损失。

宋楠总结说：“超市的整体链路很长，每个小场景都有适合AI去做的潜力。同时超市因为流程多，所以积累的数据也足够的丰富，这也是一个在未来应用中具有巨大潜力的地方。”

（本文图片由受访者提供）

来源 |《商学院》杂志10月刊