某连锁零售企业：缺货率从 6.8% 降到 3.1%

• 行业：连锁零售 · 便利店与社区超市
• 规模：华东与华南 5 个城市、320 家直营门店、约 1.1 万个在售单品
• 上线的产品与方案：LinkOS 、Insight 数据洞察、Copilot 决策助手、智慧零售解决方案
• 项目周期：诊断 3 周、试点 8 周（40 家门店）、全量推广约 5 个月

场景与痛点

优邻连锁零售的门店分两种业态：写字楼商圈的便利店与社区超市，客流节奏差异很大，补货却用同一套规则——总部按大区周均值铺货，店长提交追加申请。由此产生三个互相纠缠的问题：

• 该有的没有：写字楼门店工作日午间的即食类商品经常断货，社区门店同类商品却在积压；总部看的是大区总量，门店差异被平均掉了。
• 不该有的太多：鲜食与短保商品铺多则报废率上升，店长为降低报损主动少订，进一步加剧缺货。
• 响应太慢：追加申请需经区域经理审批，货到门店通常是第二天下午。

客户只提一个要求：把缺货率降下来，同时不能把库存做上去。

我们做了什么

• 数据打通：把 POS 交易流水、门店库存快照、配送中心的到货与发货记录、门店的业态与地理标签接入 LinkOS；POS 数据按单品与小时粒度接入，这是日内预测的基础。
• 需求预测：按「门店 × 单品 × 日期」建模，把天气、节假日、促销计划与门店业态作为特征；预测结果不直接变成订单，而是给出建议订货量区间并标注置信度低的原因。
• 补货建议与确认：在 Copilot 里把预测转成可执行建议——订货量、建议到货时间、需店长确认的异常项；店长在移动端确认或修改后写回订货系统，总部只审核超出阈值的异常订单。
• 门店分层：按业态与销售波动程度把 320 家门店分成三档，波动最大的用日内滚动预测，波动小的用日预测。

现场数据

缺货率口径为：统计周期内，某门店某单品当日有销售记录但库存为零的小时数，占该单品营业小时数的比例，再按门店加权汇总。该口径由客户商品部确认，与我们初版提出的口径不同，详见复盘。

客户收益

销售回升：缺货率下降 3.7 个百分点，按客户提供的缺货时段平均客单价与门店客流折算，年度可挽回的销售损失在千万元级。这里只计入有明确替代品缺货记录的时段，未把顾客找不到商品直接离店的隐性流失计入，数字偏保守。

库存资金占用：库存周转天数从 27.5 天降到 22.1 天，按当期平均库存成本折算，释放的流动资金在千万元级。这是账面资金占用下降，不等于当期利润改善，客户财务在内部汇报时单独列示。

人力：320 家门店店长平均每家每天节省约 23 分钟订货时间，折合年度约数十个人月。客户未据此调整编制，收益体现为店长可把时间投入陈列与顾客服务。

复盘：当时判断错了什么

错误一：项目初期用「库存为零」判定缺货，被商品部驳回。 我们最初的口径是「门店库存快照为零即记为缺货」，实施两周后发现它会误判：部分单品（如现制饮品原料）在一天中的某些时段本就应该零库存，还有些商品库存记在货架背后区域、盘点未及时更新。修正做法是与商品部共同确定按小时粒度、以「有销售记录但无库存」为判定条件，并剔除业务规则允许零库存的品类。口径调整后，改造前基线从 5.9% 修正为 6.8%；若沿用旧口径，改善幅度会被高估。

错误二：前一版模型对促销过于敏感。 第一轮上线的模型把历史促销期销量按同等权重纳入训练，导致非促销周给出偏高的订货建议，试点门店库存反而上升。修正做法是把促销周单独建模，特征中显式加入促销力度与促销标识，无促销周使用独立基线模型。这使库存周转天数在第三周开始回落，试点周期比原计划多用了约两周。

本案例中的企业名称与数据为演示占位内容，正式发布前请替换为已获授权并核对过的真实信息。