本文从智能补货的项目实战出发，总结经验，介绍时段销量补偿、全品类叫货、最小库存量计算、负库存处置等数智化案例，进而对传统ERP和数智化ERP进行了价值对比，并对于零售数智化推进的业务目标、核心价值和执行办法来进行了反思与总结。
2021年，笔者曾在《探索零售ERP软件的数智化之路》一文中，给予数智化进程以这样的定义：数智化，指引大数据和人工智能的方法和技术，将业务诉求和管理思维进行解构和转化，并以策略化、算法化、编程化的方式予以实现，并最终转化为可执行决策结果，并融入零售ERP。
经过一年多以来的探索与实践，上述的定义已经被验证是准确、妥当的；然而，数智化真正的业务目标、核心价值和执行方法是什么？迄今为止，业内并没有权威和明确的说法，事实上仍留有悬念和疑问，也有待在进一步的信息化、数智化的求索中，进一步感悟、获取并验证。
H-SMART门店智能补货正是在这近一年多时间内，海鼎大数据团队持续发力的一个典型数智化产品和应用场景，从千惠便利的几家门店起步，目前已发展到同步赋能近20个大中型连锁零售企业的3000多家门店，其基本特点包括：广泛深入运用AI智能算法，采用动态上下限补货模型，汇聚内外部100余种数据来源，针对单店、单品类/单SKU实现差异化参数配置，并结合数据链路闭环，实现深度学习与持续优化。
然而，在项目实践中，智能补货仍遇到了不同的品类特点、门店供应链特色等多方面因素的影响和挑战。那么，“疾风知劲草”，在此过程中，数智化零售向何而行？又能起到怎样的作用呢？以下分享补货实战中的5个典型例证，并从中进行提炼、反思和总结数智化应用的成长规律和范式。
春夏交接之际，某企业门店的低温奶品/饮品等品类往往销量迅速增长，每天到货之后几个小时便迅速售罄，导致了较多门店的动销SKU普遍出现了畅缺情况。
业内一般模式是，要求补货人员坚持现场主义，在门店货架前考察商品的缺货情况，并预估销量潜力，从而更好地开展人工订货；然而，实际场景下，人工判断未必准确科学，而且人员也不可能每个时段都值守在货架前。
为此，海鼎引入了时段补偿智能算法，原理是分析针对SKU的历史销量中、各个时段的销量组成与波动情况，进而对缺货时段进行精确评估，并把缺失的销量予以合理补偿，从而有效地提升门店补货量，满足了门店换季时的爆发性增长需求。
时段补偿算法，有效地提升了门店销量预估的准确性，因此提供了充沛的商品，使得门店相关SKU销量在3、4周内提升了1.5~2倍，获得了十分可喜的进步，同时不需要任何人工干预，且报损量也控制在1~5%占比以内；如在下图中，可看到预测日均销量不时提前爆发，引导实际销量的跃升，而经常作为补货依据的双周PSD则呈现得较为滞后，初始阶段数量偏低。
某企业门店的最小库存量是一个十分关键的补货参数，决定了商品实际的补货下限，如果量太少，很可能会引起断货，如果量太多，则可能会产生较为严重的滞销。
常规做法往往是，由总部的营运部门给出一个示范标准，各个门店再参照进行选用或修改，而这个标准一旦确定并固化后，往往难以结合实际动销的情况来做调整；同时，门店往往是千店千面，实际商品的动销情况也会千差万别且一直在变化，因此难以充分满足需求。
海鼎综合了门店的店面大小、整体日商水平、品类发展诉求、陈列饱满度需求、商品ABC标签、商品经营范围、日销量及其变动趋势等多元数据，每周动态计算得到最佳的最小库存量，从而满足最佳的管控效果需求。
在此过程中，不同门店、不同动销状态SKU，都得到了合适库存量标准，推动每次补货的触发都选择了恰好的时机，同时门店人员为此投入时间精力也几乎减少为零；最小库存量计算应用之后，品类整体销量约有5%左右的稳定提升，同时缺货天数有约30%幅度的显著减少。
某些门店存在负库存情况，且数量较多，较长的时间得不到纠正，因此导致门店补货不准确，甚至在完成1次补货之后，可能会触发重复的第2次补货。
由于库存不准确大大影响补货准确度，因此一般补货团队会要求门店必须先解决好负库存的问题，再开展补货相关的操作；但由于负库存的成因很多很杂，往往很难处理彻底，即使短暂优化后也会时常反复出现。
考虑不可能根除负库存，因此采用了多种管控逻辑并举的方案，如：识别负库存商品，暂时将库存计算设定为0，并进行补货；当对负库存商品进行补货操作后，让商品进入暂停并监测阶段，判断是否回到正常状态库存状态；如长期处在未恢复阶段，则间隔已补货商品的动销天数后再行补货等。
在并未根治负库存的前提下，结合业务管控逻辑、预测算法等综合运用，实现了负库存商品100%获得了持续补货，从而解决了在负库存条件下保障正常补货的问题。
对于部分鲜食品类，如面包、便当、三明治、饭团等，品类中的SKU彼此间具有较高的替代性，同时质保期很短，门店每日品类可销总量则相对来说比较稳定；如只是基于单SKU来进行补货的话，则在总体数量上可能会过多或过少，难以满足门店的综合品类需求。
传统模式下，补货系统只按单SKU进行补货，再由门店经验人员进行手工调整，从而受到人的因素的影响很大，品类整体存在畅缺和报损并存的局面。
率先引入了品类补货模型及算法，既针对单SKU进行补货，又新增了基于品类的补货预测，并结合库存状况及报损预期，形成整体品类总量需求管控；如果单SKU补货后，整体数量偏少则会动态增加，偏多则会相应减少，从而形成有序的平衡。
某企业的面包中类采用品类补货模型后，对于品类的真实需求获得了更为及时准确的把握，结合对品类销量的精准预测，从而推动整体品类月销量整体提升超18%；从下图中可见，虽然每天各款面包的销量仍波动较大，但面包品类保持了较稳定的整体波动规律，同时整体销量水平有持续提升。
门店补货绝非创新事务，而是已经有了十分久远的历史传承，以及多种行之有效但仍存有瑕疵的方法工具；然而，从上述的4个例证中，仍然能清楚看到智能补货与传统模式相比，存在十分重大的差异；以下从5个维度进行简单的对比，虽然是从补货视角着手的对比，但实际结果对更为广义的传统ERP、数智化ERP的对比也具有普适意义：
认为操作者是执行过程和执行结果的主要负责方，因此对存在的问题和挑战，需要操作者来进行判断和决策，而系统仅属于工具层面
认为有AI算法加持的数智化系统是执行过程和执行结果的主要负责方，所以对于存在的问题和挑战，一定要通过升级算法、优化模型、完善业务规则等进行持续优化，而不是推脱给门店现场的操作者
从软件系统的视角，仅依据业务要求，开发相应的功能，并满足规定的要求交付即可；但操作者如何去使用，是否能达到其预期的效果，则并不承担责任
从落实数智化闭环的视角，必须对最终的业务价值、实施结果负责，既包括功能的开发，也包括实际的使用的过程、最终价值实现，因此具有部分代运营服务的典型特征
仅具备一些简单的计算公式、业务规则，并可进行参数配置，但对于计算及输出的结果、价值度并不做任何的管理和追踪
算法本身复杂度有上百倍的加成，也叠加大量业务规则，同时要实现不断的自学习闭环和追踪优化；
只对软件功能列表所承诺的功能项进行负责，如果超出范围则可拒绝需求，或要另行商务条款沟通
由于是结果导向的，即使是未承诺的一些功能、算法、参数，或者是价值输出的缺陷，也有必要进行有效的快速补位，而不能把责任推给操作者
ERP软件功能评估标准主要是看有没有满足操作者提出的功能型需求，这是相对较明确，也是较容易得到验证的
数智化应用的评估标准往往侧重业务价值的实现，而非功能本身，因此评估往往具有较大的主观性；尤其是门店人员、加盟商等，出于不同的视角和经验，即使对相同的结果，其认知往往也是南辕北辙的，因此就需要开展大量的沟通和适配工作
从上述5个方面的对比看，无疑“责任主体”的变化是最重要、最本质的，正因为责任主体从传统ERP系统的操作者，变为了数智化ERP系统及服务本身，因此才在多重维度上引发了诸多重大改变与持续创新。
虽然以上只是对门店智能补货实践所引发的分析与思考，但窥斑见豹地也能够预见零售数智化的一些规律和趋势：
数智化进程实际并未创造出新的业务目标，而是延续既有的管理路径不断深化、不断的提高；继续以门店智能补货为例，核心目标始终是销量、销售额、库存周转水平等指标的相对提升，报损量、缺货时间等指标的相对下降，这也是零售业务的本质使然。
虽然数智化并未创造新的业务目标，但对既有业务目标的解构、落实却有着诸多核心价值和独到优势，可包括以下几个方面：
由于零售经营条件普遍十分复杂且多变，内外部因素相互干扰和串接在一起，使得经营决策往往顾此失彼，很难既把握全局又兼顾各类细节；但是在数智化赋能下，“既要…也要…还要…”变成了新常态，如智能补货既要保证销量提升，又要减少损耗，还要不断降低人工成本。
越细致入微的管理，对于门店人员的管理上的水准、数据解析能力、责任感等要求越高，存在十分显著的瓶颈，到达某些特定的程度后，则几乎是没办法完成的任务；但智能系统则没有这样的瓶颈，可通过规则、算法和算力的持续升级实现持续提升；诚然，这里指的是门店人员的个体，而不是指门店人员整体。
由于门店、商品、消费者间天然的个性差异，因此千店千面、千人千面的理念被时常提及，但真正的完成的却基本上没有，重点是其需要巨大的信息采集量、经营决策量；但这一困难也在数智化的条件下被轻松突破，如智能补货的时段补偿计算中，已全面实现单店、单SKU基于单日的参数动态调节。
在实际的门店经营场景中，由于业务问题发生、问题洞察&决策，以及任务操作落实等环节，往往是隔离且分割的，因此没办法实现既快速又准确的决策、及相应的执行；而在数智化的条件下，问题洞察-决策-执行本质上是一体化的，从而使得在业务的发生中，运用实时有效的管理干预和策略调整变得可行且普遍；如生鲜产品销售可参照销量及库存波动情况，实现动态调价，以此来实现提升销量，并降低损耗。
由于对人员的依赖度明显降低，也使得在人力资源领域内的降本增效成为可能；其中的降低包括两个维度：一是由于智能系统承担了较多的思考和决策责任，使得人员的工作量和工作时长得以有效缩短；二是由于复杂的经营决策过程被降解，对人员的资质、经验等要求被简化，以此来降低人员的聘用门槛和薪资期望。
如何针对具体零售业务场景，开展数智化的执行与推动呢？笔者总结了以下的基本方法：
通过现场考察和客户沟通，解构决策要素和操作步骤，并理解决策逻辑与要素权重；
通过数据跟踪及一线人员的反馈，持续跟踪赋能成果，并不断对算法和参数等做验证、调节和迭代。
回望互联网刚刚兴起的岁月，人们往往会传颂Amazon贝佐斯的名言：“我们还在第一天，还有很多事物，有待发明；还有很多创新，有待发生。”
那么，当下也正是数智化零售的“第一天”，数智化的一切才刚刚苏醒、刚刚萌芽！然而，数智化零售甫一亮相，就已施施然地绽放出惊人的伟力，相信在所有零售人的共同努力下，更是一切皆有可能。
