第2279篇：零售AI工程——从需求预测到门店数字化运营的完整实践

适读人群：零售技术工程师、Java后端开发者、新零售和连锁零售技术团队 | 阅读时长：约17分钟 | 核心价值：解决零售AI的数据质量和预测准确性问题，构建真正能用的智能补货和运营系统

连锁超市的AI补货系统，是我做过最"摔跤"的项目之一。

第一版上线效果很差：大概有20%的SKU，补货量要么严重过剩（最后打折清货），要么严重不足（断货）。

排查了一个月，找到三个根本原因：

原因1：没有考虑天气数据。下雨前后，雨伞、雨衣、热饮的需求会显著变化。我们的模型只有历史销量，没有天气特征。

原因2：促销活动影响没有隔离。有促销时销量暴增，模型把这个当成了正常需求，导致后续预测偏高。

原因3：门店间的数据差异没有建模。同一SKU在不同门店的销售节奏完全不同，用全局模型无法捕捉门店特性。

这三个教训，后来成了我做零售AI项目的标准检查清单。

---

零售AI的核心系统

零售AI不是一个系统，而是三个相互关联的系统：

1. 需求预测系统
   输入：历史销量 + 天气 + 节假日 + 促销计划 + 竞品信息
   输出：未来N天每个SKU的预测销量
   
2. 智能补货系统
   输入：预测销量 + 当前库存 + 采购提前期 + 安全库存策略
   输出：补货建议（补什么、补多少、什么时候补）
   
3. 门店运营分析系统
   输入：销售数据 + 客流数据 + 货架陈列数据
   输出：热区分析、商品陈列优化建议、损耗预警

---

需求预测系统的工程实现

/**
 * 零售需求预测服务
 * 集成多维度特征的时序预测
 */
@Service
@Slf4j
public class DemandForecastService {

    private final TimeSeriesModelClient forecastClient;
    private final WeatherDataService weatherService;
    private final PromotionCalendarService promotionCalendar;
    private final HolidayCalendarService holidayCalendar;
    private final SaleHistoryRepository saleHistory;

    /**
     * 为指定SKU在指定门店生成未来7天的需求预测
     */
    public List<DailyForecast> forecast(
            String skuId,
            String storeId,
            LocalDate startDate,
            int forecastDays) {
        
        // 1. 获取历史销量（最近90天）
        List<DailySale> historicalSales = saleHistory.getHistory(
            skuId, storeId, startDate.minusDays(90), startDate.minusDays(1));
        
        // 2. 去除促销期间的异常值（避免模型被促销数据"污染"）
        List<DailySale> cleanedSales = removePromotionOutliers(historicalSales, storeId);
        
        // 3. 获取预测期间的天气预报
        List<WeatherForecast> weatherForecasts = weatherService.getForecast(
            storeId, startDate, forecastDays);
        
        // 4. 获取节假日和促销计划
        List<Holiday> holidays = holidayCalendar.get(startDate, forecastDays);
        List<PromotionEvent> promotions = promotionCalendar.getPlanned(
            skuId, storeId, startDate, forecastDays);
        
        // 5. 构建特征矩阵
        List<ForecastFeatures> featureMatrix = buildFeatureMatrix(
            cleanedSales, weatherForecasts, holidays, promotions, startDate, forecastDays);
        
        // 6. 调用预测模型
        ForecastRequest request = ForecastRequest.builder()
            .skuId(skuId)
            .storeId(storeId)
            .historicalData(cleanedSales)
            .futureFeatures(featureMatrix)
            .startDate(startDate)
            .forecastDays(forecastDays)
            .build();
        
        List<ForecastPoint> rawForecasts = forecastClient.predict(request);
        
        // 7. 结合促销活动调整预测
        return applyPromotionAdjustments(rawForecasts, promotions);
    }

    /**
     * 识别并剔除促销导致的异常销量
     * 
     * 促销期间的销量不代表真实需求，需要用统计方法识别并剔除
     */
    private List<DailySale> removePromotionOutliers(
            List<DailySale> sales, String storeId) {
        
        // 计算基准销量（去掉前10%和后10%极值后的均值）
        List<Double> sortedQuantities = sales.stream()
            .map(s -> (double) s.getQuantity())
            .sorted()
            .collect(Collectors.toList());
        
        int trimSize = sortedQuantities.size() / 10;
        double baseline = sortedQuantities.subList(trimSize, sortedQuantities.size() - trimSize)
            .stream().mapToDouble(d -> d).average().orElse(0);
        
        double std = computeStd(sortedQuantities.subList(trimSize, 
            sortedQuantities.size() - trimSize), baseline);
        
        // 超过均值3倍标准差的，替换为基准值
        return sales.stream()
            .map(sale -> {
                if (sale.getQuantity() > baseline + 3 * std) {
                    return sale.withQuantity((int) baseline);
                }
                return sale;
            })
            .collect(Collectors.toList());
    }
}

---

智能补货系统

/**
 * 智能补货计算服务
 */
@Service
public class SmartReplenishmentService {

    private final DemandForecastService forecastService;
    private final InventoryRepository inventoryRepo;
    private final SupplierLeadTimeRepository leadTimeRepo;

    /**
     * 计算补货建议
     */
    public ReplenishmentOrder calculateReplenishment(
            String skuId,
            String storeId,
            LocalDate calcDate) {
        
        // 当前库存
        int currentStock = inventoryRepo.getCurrentStock(skuId, storeId);
        
        // 采购提前期（从下单到到货的天数）
        int leadTimeDays = leadTimeRepo.getLeadTime(skuId);
        
        // 预测需求（预测期 = 提前期 + 安全库存覆盖天数）
        int forecastDays = leadTimeDays + SAFETY_STOCK_DAYS;
        List<DailyForecast> forecasts = forecastService.forecast(
            skuId, storeId, calcDate, forecastDays);
        
        // 提前期内的总需求
        int demandDuringLeadTime = forecasts.subList(0, leadTimeDays)
            .stream().mapToInt(DailyForecast::getQuantity).sum();
        
        // 安全库存（基于需求波动性计算）
        int safetyStock = calculateSafetyStock(forecasts, SERVICE_LEVEL_TARGET);
        
        // 再订货点 = 提前期需求 + 安全库存
        int reorderPoint = demandDuringLeadTime + safetyStock;
        
        if (currentStock > reorderPoint) {
            // 库存充足，不需要补货
            return ReplenishmentOrder.noReplenishmentNeeded(skuId, storeId);
        }
        
        // 经济订货量（EOQ）
        int totalForecastDemand = forecasts.stream()
            .mapToInt(DailyForecast::getQuantity).sum();
        int orderQuantity = calculateEOQ(skuId, totalForecastDemand, leadTimeDays);
        
        return ReplenishmentOrder.builder()
            .skuId(skuId)
            .storeId(storeId)
            .orderQuantity(orderQuantity)
            .orderDate(calcDate)
            .expectedArrivalDate(calcDate.plusDays(leadTimeDays))
            .currentStock(currentStock)
            .reorderPoint(reorderPoint)
            .forecastedDemand(totalForecastDemand)
            .confidence(calculateConfidence(forecasts))
            .requiresManagerApproval(orderQuantity > HIGH_VALUE_THRESHOLD)  // 大额订单需要人工确认
            .build();
    }

    /**
     * 计算安全库存
     * 基于历史需求波动性和目标服务水平
     */
    private int calculateSafetyStock(List<DailyForecast> forecasts, double serviceLevel) {
        // 需求标准差
        double mean = forecasts.stream().mapToInt(DailyForecast::getQuantity)
            .average().orElse(0);
        double std = Math.sqrt(forecasts.stream()
            .mapToDouble(f -> Math.pow(f.getQuantity() - mean, 2))
            .average().orElse(0));
        
        // z-score对应服务水平（95% → 1.645, 99% → 2.326）
        double zScore = serviceLevel == 0.99 ? 2.326 : 1.645;
        
        return (int) Math.ceil(zScore * std * Math.sqrt(SAFETY_STOCK_DAYS));
    }

    private static final int SAFETY_STOCK_DAYS = 3;
    private static final double SERVICE_LEVEL_TARGET = 0.95;  // 95%服务水平
    private static final int HIGH_VALUE_THRESHOLD = 50000;    // 5万以上需要人工审核
}

---

门店热区分析

/**
 * 门店热区分析服务
 * 基于客流和销售数据，分析门店内商品的位置效益
 */
@Service
public class StoreHeatmapService {

    private final TrafficCounterRepository trafficRepo;
    private final ShelfSalesRepository shelfSalesRepo;

    /**
     * 生成门店热区报告
     * 分析哪些货架区域人流量高但销售低（陈列优化机会）
     */
    public StoreHeatmapReport analyze(String storeId, LocalDate reportDate) {
        // 获取各区域客流量
        Map<String, Integer> zoneTraffic = trafficRepo.getZoneTraffic(storeId, reportDate);
        
        // 获取各区域销售额
        Map<String, Double> zoneSales = shelfSalesRepo.getZoneSales(storeId, reportDate);
        
        List<ZoneAnalysis> zoneAnalyses = new ArrayList<>();
        
        for (Map.Entry<String, Integer> entry : zoneTraffic.entrySet()) {
            String zoneId = entry.getKey();
            int traffic = entry.getValue();
            double sales = zoneSales.getOrDefault(zoneId, 0.0);
            
            // 销售转化率 = 销售额 / 客流量
            double conversionRate = traffic > 0 ? sales / traffic : 0;
            
            ZoneType type;
            String recommendation;
            
            if (traffic > HIGH_TRAFFIC_THRESHOLD && conversionRate < LOW_CONVERSION_THRESHOLD) {
                // 高人流低转化：黄金区域利用不充分
                type = ZoneType.HIGH_TRAFFIC_LOW_CONVERSION;
                recommendation = "高价值区域，建议放置高利润率商品或主推商品";
            } else if (traffic < LOW_TRAFFIC_THRESHOLD && conversionRate > HIGH_CONVERSION_THRESHOLD) {
                // 低人流高转化：目标客群明确但曝光不足
                type = ZoneType.LOW_TRAFFIC_HIGH_CONVERSION;
                recommendation = "商品受欢迎但位置偏僻，可考虑迁至主通道";
            } else {
                type = ZoneType.NORMAL;
                recommendation = null;
            }
            
            zoneAnalyses.add(ZoneAnalysis.builder()
                .zoneId(zoneId)
                .trafficCount(traffic)
                .salesAmount(sales)
                .conversionRate(conversionRate)
                .zoneType(type)
                .recommendation(recommendation)
                .build());
        }
        
        // 用LLM生成整体运营建议
        String overallRecommendation = generateOverallRecommendation(storeId, zoneAnalyses);
        
        return StoreHeatmapReport.builder()
            .storeId(storeId)
            .reportDate(reportDate)
            .zoneAnalyses(zoneAnalyses)
            .overallRecommendation(overallRecommendation)
            .generatedAt(Instant.now())
            .build();
    }
}

---

实践总结

数据质量是零售AI的命脉

促销数据、缺货记录、退货数据——这些都是正确预测的必要前提。很多零售企业的历史数据残缺不全（缺货时记录为0销量，但这个0是"卖完了"还是"没人买"无法区分）。数据清洗往往比建模更费时间。

不要追求最优，要追求稳健

补货模型不需要预测精度达到99%，而是需要在各种异常情况下（节假日、天气、新品上线、促销活动）都不出大问题。稳健性比精确性更重要。

人工审核仍然必要

所有大额补货建议，必须有采购经理的人工确认。AI系统出的建议是"参考"，不是"命令"。特别是新品上线、季节性商品这类历史数据不足的场景，AI的把握不大。