在零售行业的激烈竞争中，生鲜商品出清环节一直是影响企业利润与消费者体验的关键战场。由于生鲜商品具有强时效性、低毛利的特点，如何精准把控售罄节奏、制定科学折扣策略，成为困扰零售从业者的长期难题。而多点数智有限公司（Dmall Inc.）凭借其AI技术赋能，为这一行业痛点提供了创新解决方案。
传统生鲜出清模式依赖人工经验，流程繁琐且效率低下。以超市晚间闭店前的出清为例，员工需在5点前制定折扣策略，线下门店员工需兼顾其他工作，线上经营则需同时应对数十至数百家门店的决策需求。手工标准化作业流程（SOP）包括巡店拍照、折扣申请审批等环节，但店长与员工常因折扣力度分歧反复沟通，导致错过最佳出清时段。例如，员工申请7折出清，店长可能要求先试9折，这种“最低折扣售罄”的逻辑虽能减少损失，却难以实现利润最大化。
多点数智的AI模型通过整合商品历史销量、当前库存及收货信息等数据，构建了动态定价与需求预测的智能决策系统。该模型以“闭店前30分钟售罄”为目标，学习历史场景中的合理折扣力度，并针对特定时间节点优化策略。例如，某商品传统需晚间8点后5折促销，模型则尝试在相同时段以8折甚至无折扣实现售罄，既保障商家收益，又满足消费者需求。这种“高毛利率售罄”的逻辑，通过模型对出清场景的推理能力得以实现。
AI模型的落地并非一蹴而就，而是经历了从人工监督到自动化决策的渐进过程。初期，模型需人工参与审批环节，通过监督学习理解业务逻辑；随着对业务场景的逐步掌握，异常情况减少后，人工审批可逐步省略。例如，系统自动调整出清商品价格后，会直接向负责人推送任务，确保电子价签更新与面销服务同步，避免信息不对称影响体验。技术团队还强调，模型需输入足量标注业务数据，并融入行业知识（如节假日消费高峰、特殊天气影响），以提升决策合理性。
在实践层面，多点数智形成了“单店单品逐一验证”的五步方法论：试点效果、收集反馈、复盘优化、扩大试点、全面推广。技术团队通过每日验证模型决策结论的实际效果，逐步形成全流程自动化闭环。例如，物美超市在应用模型后，以20品100家店为标准，单日利润提升3000元，月利润超9万元，正价销售率提升10%。这一成果得益于模型对固定折扣策略的优化——传统5折促销易使消费者形成价格锚定，产生“战略性等待”行为，而AI动态调整折扣后，消费者难以预测优惠，减少了非刚需的低价冲动消费。
模型的适应性扩展同样关键。当从叶菜品类扩展至根茎类、肉类时，业务反馈需结合新品类的实际销售数据优化模型。例如，叶菜与根茎类销售特征相近，模型可复用部分经验；而肉类与叶菜的差异则需以实际数据为准。技术团队强调，模型设计需“以效果为导向，保留自主学习空间”，避免严格遵循人工逻辑设定规则，从而发挥模型自主挖掘规律的优势。
在应对模型偏差时，技术团队区分了“幻觉问题”与“特征问题”。前者指无规律的随机偏差（如某商品100次决策中仅1次异常），需通过提升数据样本量、优化算法稳定性解决；后者指具有规律性的偏差（如某商品每周三剩余量过大），可通过调整模型特征输入（如强化周三销售数据权重）优化。例如，业务人员未按模型逻辑调整库存导致异常时，需反馈至业务领导，探讨替代解决方案（如模型参数微调），而非人工直接干预。
随着模型能力提升，店员与模型的合作主动性显著增强。模型承接了重复性工作（如折扣计算、价签调整），让店员聚焦于高价值交互（如消费者服务）。此前，折扣决策需经1—2级审批，防损部门需复盘合规性，易引发“权力重构”担忧。但实际落地中，AI模型通过“提升生鲜品毛利”实现了价值正向导向——店长核心管理职责未受影响，防损人员损耗减少，生鲜经理工作量降低且绩效改善。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权力，主动配合AI决策。
多点数智的实践表明，AI在零售行业的应用需兼顾技术优化与业务场景适配。通过动态定价与需求预测的结合，企业不仅能在保障售罄的同时提升利润，还能重构工作流程，释放人力价值。正如技术专家宋楠所言：“超市的每个小场景都有适合AI的潜力，而丰富的流程数据为未来应用提供了巨大空间。”
