零售业人工智能自动化：前景与现实

数据混乱而非智能：零售业中看不见的十亿美元缺口。

别再迷信新的算法了：零售业人工智能成功的真正秘诀在于此

全球零售业面临着一个巨大的结构性问题：每年因库存积压和货架空置造成的损失高达1.7万亿美元——这是一笔巨款，却并未在任何一家公司的资产负债表中明确列出。为了摆脱这种极其狭窄的利润空间限制，零售业正斥资数十亿美元用于人工智能和新型数据基础设施建设。然而，失望往往随之而来：零售业所有人工智能项目中，四分之三都止步于试点阶段，未能带来真正的运营价值。这是为什么呢？

本文以毫不掩饰的视角审视了人工智能驱动的零售自动化在实际应用中面临的挑战。文章揭示了为何更多的数据并不能自动带来更明智的决策，以及传统IT系统中语义集成的缺失才是真正的瓶颈所在。文章还将探讨企业为何需要从根本上重新思考其投资策略，智能工作流程自动化如何弥合实验室与实际应用之间的鸿沟，以及真正需要采取哪些措施才能将宏大的技术愿景转化为可衡量的回报。.

更多信息请点击这里：

• UNFRAME：利用人工智能实现零售运营自动化

当数据知道一切却无法做出任何决定时

全球零售业每年因库存扭曲损失1.7万亿美元，相当于全球零售额的6.5%，超过韩国的GDP。尽管仅去年一年就投入了1720亿美元，但这一数字几乎没有改变。这不仅仅是一个行业统计数据，更是一份深入剖析零售业如何构建、运营以及（遗憾的是）如何持续误解其技术系统的结构性诊断报告。.

对这些损失的细分揭示了真正的模式：产品供应不足（即所谓的缺货）造成的损失约为1.2万亿美元，而库存过剩则造成另外5540亿美元的损失。对于一家年销售额为5亿美元、净利润率通常为3%的中型全渠道零售商而言，这意味着每年实际的库存扭曲成本在3600万美元到4300万美元之间。这并非一笔小数目，而是公司年度净利润的两到三倍。而且，这笔金额并没有在营业利润表的任何一项中明确显示出来——它分散在降价、销售损失和隐性产能过剩等各个方面。.

造成这种情况的经济危机之处在于问题的结构性。零售商的利润空间非常有限，几乎没有回旋余地：行业平均净利润率约为3%。因此，因可避免的库存扭曲而损失的每一欧元，其影响都比其相对于销售额的相对价值大三十倍。与此同时，超过30%的零售库存每年都要进行减值——并非因为需求不足，而是因为合适的商品无法在合适的时间、合适的地点供应。这并非传统意义上的物流问题，而是信息架构的缺陷。.

为什么更多的数据并不一定意味着更高的决策智能

如今，在中大型零售公司工作的人并不缺乏数据。大多数公司都拥有企业资源计划 (ERP) 系统、仓库管理系统 (WMS)、销售点 (POS) 系统、需求计划工具以及一层或多层商业智能系统。此外，他们还掌​​握着数十年的交易数据、供应商历史记录、销售模式和季节性曲线。然而，83% 的零售决策者表示，他们缺乏对客户和库存数据的全面了解。.

这种悖论的解释不在于数据量，而在于缺乏将数据转化为决策的架构。ERP系统记录入库货物，WMS系统记录上架信息，POS系统记录最后一次扫描。这些系统都不是为了综合分析三个同时存在的数据集，从而实时推断特定位置特定商品的实际可用性而构建的。数据点与诊断之间的区别，正如实验室结果与医学评估之间的区别：只有解释性的上下文才能构成行动的基础。.

这一发现看似微不足道，但其经济影响却非同寻常：实体零售业库存数据的平均准确率仅为65%左右。这意味着官方系统中三分之一的数据记录并不能反映货架上的实际库存水平。补货决策、调拨订单、促销预算和战略采购计划每天都要基于这些存疑的数据制定。其后果显而易见：即使是依赖这些数据的复杂人工智能模型也无法给出有效的建议——它们只不过是用更强大的计算能力来模拟错误而已。.

失败剖析：为什么74%的人工智能试点项目永远无法规模化应用

近期商业研究最重要的发现之一是，问题不在于技术本身，而在于其周边配套设施的缺失。波士顿咨询集团对来自59个国家的1000多位企业高管进行的一项调查发现，74%的公司未能从其人工智能项目中产生可衡量的价值。只有26%的公司能够在概念验证阶段之后获得真正的运营效益。这些数据对零售业的打击尤为严重。.

原因在于所谓的“沙箱问题”：人工智能试点项目是在受控环境中开发的，拥有经过清理的数据集、明确的参数以及一支由高技能分析师组成的小团队。模型运行正常，能够实现预期目标。然而，一旦进入现实世界，它就会面临挑战：八个系统缺乏统一的数据模式，有的系统需要实时更新，有的系统则需要隔夜批量处理，工作流程基于多年来积累的各种变通方案，而且员工由于没有参与模型的创建，因此根本不信任模型。此时，项目失败的原因并非技术不足，而是组织成熟度不够。.

波士顿咨询公司 (BCG) 的分析指出，有六项特征使企业成为人工智能领域的领导者——而这些特征与其说是算法本身相关，不如说是战略和文化所致。领先企业遵循着一条看似违反直觉的资源分配规则：10% 的资源投入算法，20% 投入技术和数据，70% 投入人员和流程。大多数企业则颠倒了这一比例——他们大量投资于模型，却几乎不投资于实际应用这些模型所需的组织变革。此外，人工智能领域的领导者平均只开展一半规模的项目，但他们选择的项目更加精准，投入也更加坚定。最终，他们的投资回报率翻了一番以上，成功扩展规模的人工智能产品数量也翻了一番以上。.

在零售业，数据碎片化的问题更加复杂，这并非偶然，而是数十年来技术决策的结果：系统是为满足特定功能而零散采购的，而非基于连贯的整体架构理念。其结果是，库存数据分散在仓库管理系统 (WMS) 中，交易数据分散在销售点系统 (POS) 中，供应商数据分散在采购系统中，预测数据分散在计划工具中——所有这些数据语义不兼容，时间错乱，且缺乏通用的产品标识符。人们常说的“电子表格层”（即 Excel 导出、数据透视表和共享驱动器的世界）并非缺乏专业性的表现，而是对现有架构无法满足实际决策需求的一种理性应对。问题在于：对于任何连接到企业资源计划 (ERP)、WMS 和 POS 系统的 AI 系统而言，这个“电子表格层”完全不可见——计划团队的大量机构知识也随之丢失。.

麦肯锡对欧洲食品零售业的最新分析证实，该行业虽然将人工智能视为优先事项，但尚未取得可衡量的成果：47%的受访CEO将人工智能的实施列为首要任务，较上年上升4个百分点。然而，70%的CEO表示，人工智能尚未对息税前利润（EBIT）产生可衡量的影响，或者现在评估还为时过早。2021年至2025年间，数字技术和人工智能方面的支出年均增长8%，是行业平均增速的两倍，但仅有3%的CEO表示人工智能带来的息税前利润增长超过5%。投资与回报之间的这种差距是该行业面临的核心战略问题。.

核心语义问题：当系统对同一术语定义不同时

应对数据碎片化的常见方法是投资建设更完善的数据基础设施——数据仓库、数据湖、云平台——旨在将所有数据整合起来。这些投资本身并没有错，只是远远不够。真正的问题不在于技术层面，而在于语义层面：不同的系统对同一概念的定义各不相同。WMS（仓库管理系统）中的“可用库存”与分配系统中的“可用库存”并不相同。POS（销售点系统）中的降价事件并不会自动更新计划工具中的需求基线。.

基于ERP实施数据的估算表明，50%的ERP项目在首次尝试中失败，数据仓库项目的失败率也与之类似。原因并非预算不足或缺乏投入，而是系统性地低估了语义集成挑战。将数据物理地集中到一个地方相对容易，确保同一变量在所有系统中具有相同的含义才是真正的难题——而这恰恰是大多数集成项目意识到问题时为时已晚的难题。.

这里所需的概念可以描述为一个智能层，它并非将自身视为数据存储库，而是视为语义中介。这样的系统——在文献中通常被称为知识架构——通过API连接到现有系统，实时读取其数据，解决系统间的语义不一致，并在不替换或迁移底层系统的情况下，呈现一个统一的、可用于决策的公司视图。它与数据仓库的关键区别在于目标：数据仓库优化用于生成报告——它回答“发生了什么”的问题。而决策支持型智能层则回答“现在需要做什么”的问题。.

股票扭曲作为一种经济常态：两种表现形式，一个根源

这1.7万亿美元的损失可归因于两种结构迥异但又相互关联的现象。缺货是收入问题：如果顾客准备购买却找不到产品，交易就无法完成。这种收入损失在报告的任何一行中都无法体现——报告中没有“潜在收入”这一栏。正是由于缺乏预警信号，缺货在利润率高或销售频率高的品类中才如此危险。另一方面，库存过剩是利润问题：过剩的库存并非以成本价摆放在货架上，而是会累积日常仓储成本、处理费用、资本成本，最终还会带来减值压力，导致降价。采购时承诺的毛利率在产品售出时往往无法兑现。.

这种双重动态的悖论之处在于，这两种现象都源于同一根本原因。一家零售商如果长期面临畅销商品缺货的问题，通常也会同时出现滞销商品库存过剩的情况——因为同样的碎片化、延迟且不准确的数据同时驱动着采购决策和补货逻辑。数据状况同时导致了这两种症状。如果预测软件运行的数据基础存在偏差，那么增加其预算也无法解决问题。如果输入数据不能反映实际库存情况，那么更精确的分配算法只会将库存更有效地分配到错误的位置。.

去年全球1720亿美元的投资表明，行业已经意识到这个问题并正在调动资源——但这并不意味着他们找对了方向。大部分投资都用于改进现有功能的工具：更现代化的仓库管理系统（WMS）、更复杂的需求计划工具、更强大的商业智能（BI）仪表盘。这些投资改善了单个功能，但并没有解决造成数据失真的根本原因——跨职能数据问题。一个依赖于滞后且有时不准确的库存视图的改进型计划工具，在输入错误的情况下，会生成更准确的预测模型。一个缺乏对虚拟库存实时可见性的更复杂的分配系统，会更准确地将货物分配到错误的地点。.

从数据点到决策建议：库存管理的三大基本问题

零售业复杂规划中最引人入胜且最实用的简化方法之一是：所有库存决策都可以归结为三个问题：补货、调拨还是暂存？这三个选项是库存规划的基本单元。所有其他分析问题——需求趋势、每周波动范围、售罄率、供应商交货周期、邻近门店的风险——都是这一个决策的输入。如果一个系统不整合这些输入，而只是将它们作为异常警报呈现，那么它只会增加分析工作量，而不是减少。.

实际操作中的差异非常显著：收到异常值警报列表的计划员必须逐一分析才能做出决策。而收到预先处理好的、按优先级排序的建议列表（重新订购、调拨、暂缓发货）及其相应的财务后果的计划员，只需审核、根据实际情况调整判断并执行即可。认知负荷截然不同。决策时间也截然不同。而且，在数百种 SKU-门店组合下的一致性也截然不同。.

至关重要的是，与供应链的联系也至关重要：如果需求预测不了解当前在途库存，就会建议不必要的补货，并且无法检测到正在形成的缺货风险。即使补货建议在库存水平保持不变的情况下看似正确，但如果九天后向供应商下单就能解决缺货问题，而无需重新下单，那么该补货建议也可能是不必要的。需求预测和供应敏感型预测之间的区别，正是规划系统能够生成看似合理或真正准确的建议的关键所在。麦肯锡指出，人工智能驱动的需求预测可以将供应链误差减少20%到50%——但这只有在基础数据能够准确反映完整的运营实际情况的前提下才能实现。.

零售环境中的智能体人工智能：自主性的真正含义

过去两年，技术提供商对“人工智能代理”一词的使用如此频繁，以至于其真实含义有变得模糊不清的风险。因此，明确其概念区分至关重要：基于规则的自动化会在满足特定条件时执行一系列固定步骤。传统的决策支持工具会生成输出结果，由人进行解读和执行。而人工智能代理则不同，它会感知世界状态，推断出最能实现既定目标的响应，然后采取行动。.

在交易环境中，这意味着：代理人识别缺货风险并发出警报，其功能与计划工具几十年来提供的阈值警报并无二致。而代理人识别缺货风险后，会核对供应商交货周期与预测的库存耗尽日期，选择最优方案，起草调拨单，提交审批，并在审批通过后更新相关系统——这属于截然不同的能力范畴。前者是通知，后者是工作流程。.

麻省理工学院斯隆管理评论的最新研究表明，经验丰富的公司主要将人工智能作为分析伙伴来辅助人类判断，而不是将其作为自主决策者。这并非保守，而是理性。自主程度的谱系涵盖了从高频、明确且低风险的决策（人工智能可以完全处理此类决策）到由人工智能准备、人类最终确认的决策，再到必须完全由人类做出的战略性和关系性复杂的决策。其经济价值不在于尽可能多地自动化决策，而在于确保规划团队能够将时间集中在那些人类判断至关重要的决策上。.

工作流自动化是充分发挥智能层价值的连接要素。在实践中，典型的流程如下：计划员批准调拨建议后，需要手动打开ERP系统检查路线逻辑，向配送中心发送电子邮件确认产能，更新分配系统，通知收货地点，并将操作记录在财务部门的报告系统中。这一系列手动步骤，需要针对当天所有已批准的建议重复执行，正是这些步骤导致计划产能的损耗，并造成及时响应与行动迟缓之间的时间差。零售企业通过供应链环节的工作流自动化，在手动跨系统任务中节省了30%到40%的时间。.

托管式人工智能平台 - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

• 托管人工智能平台

促销计划：一个隐藏的价值数十亿美元的问题

零售业最昂贵的结构性误区之一是促销计划和库存计划在组织上的割裂。两者被视为相邻且偶尔相互作用的学科——但实际上，它们密不可分。每一项促销决策——折扣力度、时机、渠道、持续时间、参与活动的商品和地点——既是需求驱动因素，也是供应义务。促销活动带来的需求激增并非抽象概念，而是与具体商品、地点和时间密切相关。.

传统的做法是脱离实际库存水平来制定促销计划，这会系统性地导致一些可预见的问题：一项原计划覆盖 400 家门店的促销活动，如果进行适当的库存分析，可以更好地集中精力在 280 家库存充足的门店，这些门店的库存足以支撑预期的销售增长——同时，还可以有针对性地向业绩最佳的门店调拨库存，并为剩余的 120 家门店预留库存，以避免促销结束前库存耗尽。这项决策并非无关紧要的运营问题。它决定了促销活动能否实现预期的利润贡献，还是会因为可避免的缺货和过度降价而导致利润损失。.

麦肯锡的基准数据显示，人工智能驱动的促销和需求预测可以将预测误差降低高达 65%，并将营销投资回报率提高 30%。但是——这才是关键所在——这些收益只属于那些成功将促销日历与库存管理系统概念性地整合起来的公司。一个更优秀的预测功能，在促销开始前不会影响参与门店的库存水平，就能生成视觉效果更佳但执行结果相同的模型。价值不在于模型本身，而在于模型与执行决策之间的联系。.

预测性供应链：问题早在货架出现之前就开始了

库存问题并非始于货架。它们早在数周甚至数月前就已出现，当时采购决策所依据的需求预测可能在货物到货时就已经过时。例如，今天下的补货订单，如果未考虑到三周后即将开始的促销活动，就会遇到运营上的难题，因为此时订单的逻辑已不再适用。供应链智能并非一项独立功能，而是确保库存信息准确性的上游环节。.

供应商绩效与库存结果之间的联系在理论上已得到充分理解，但在实践中却长期未得到充分利用。大多数零售商将供应商的准时足量交付率作为一项报告指标。然而，很少有零售商将这些数据整合到预测库存模型中，并据此调整特定供应商的安全库存计算或再订购点。与总是滞后两个月的季度审核相比，基于供应商当前绩效实时调整安全库存建议的系统能够有效管控传统审核流程难以发现的风险。.

关税和供应链中断不再是外部冲击，而是成为常规规划参数。当特定采购区域的商品成本价格发生显著变化时，所有现有采购订单和未完成补货订单的财务逻辑都会随之改变。人工智能驱动的情景建模能够模拟特定采购区域关税上调对所有受影响商品和未完成订单承诺的库存和营运资本的影响，从根本上改变了规划的性质：从被动应对危机转变为主动决策设计。麦肯锡2025年的调查显示，在关税压力下，需求预测、库存优化和供应链规划是供应链战略家关注的三大人工智能应用场景。.

18个月神话及其经济成本

零售业采用人工智能的最大障碍之一是人们普遍认为，真正有效的人工智能功能必然需要耗时数年的实施项目。这种假设并非毫无根据：它源于传统的企业技术实施模式，该模式依赖于上游依赖关系，并且只有在项目完成后才能发挥全部价值。这种模式忽略了模块化部署方法的可能性，该方法可以重构这些依赖关系，而不是简单地复制它们。.

传统冗长的实施路径的问题不仅仅在于耗时，更在于其经济结构：全部投资成本在前期投入，而价值却要18个月甚至更久才能实现。行业对企业人工智能实施情况的分析估计，到2024年，42%的公司将放弃大部分人工智能项目——这主要是由于过于激进的时间表和对复杂性的低估。冗长的实施路径正是导致这些项目被放弃的原因：它将复杂性和成本集中在初期，而将价值转移到后期。.

模块化方法颠倒了这一顺序：第一个应用领域（通常是重新排序和转移信息）被激活并开始产生收益，同时第二个领域也在配置中。组织利用先前模块已产生的收益来资助后续模块，而不是在每次产生收益之前预先投入全部资金。规划团队通过实践经验而非理论培训来建立对系统建议的信心。而且，业务战略基于实际收益，而非预测的未来价值。.

在建立任何系统依赖关系之前进行彻底验证的要求并没有错——但这混淆了两件事：部署速度和自主扩展速度。系统可以快速部署，然后随着通过验证推荐质量而建立的信任度的提升，逐步扩展自主性。这种差异化的方法在任何情况下都优于现状。.

数据主权作为一项战略竞争因素

零售商的运营数据不仅仅是一项技术资产，更是一项战略资产。汇总的计划和库存数据能够详细展现其竞争地位、运营效率和商业策略：包括供应商关系和协商的成本结构、各商品和品类的利润率、基于多年客户行为分析的需求模式、促销响应率以及降价策略。这些信息一旦落入竞争对手、供应商或模型训练机构手中，便会直接产生商业影响。.

监管层面使这个问题变得尤为复杂。将于2024年生效的欧盟人工智能法案（EU AI Act）对商业环境中的人工智能系统提出了基于风险的要求，包括透明度、审计追踪以及对高影响力决策的人工监督。GDPR对个人数据的处理（包括客户行为数据，这些数据会被纳入需求预测模型）提出了严格的要求。自2026年8月起，德国零售商还将面临人工智能法案规定的额外透明度义务。对于在多个司法管辖区运营的零售商而言，数据主权问题并非无关紧要的合规事项，而是一项具有直接法律后果的架构设计决策。.

实际意义在于：如果人工智能部署模型中，所有处理工作都在零售商自身的基础设施内完成——无论是在本地部署还是在其控制下的私有云中，且物理位置均在指定管辖范围内——那么大部分合规性依赖问题就能在出现之前就被消除。关键区别在于：究竟由谁来控制处理客户和计划数据的基础设施？诸如“您的数据永远不会离开您的环境”之类的说法，需要架构验证，而不仅仅是合同保证。.

投资回报率框架：如何为领导团队构建商业案例

本文所述的每项功能都具有可衡量的财务影响。统一的数据基础降低了基于不准确信息进行规划决策的成本。优先级排序的决策队列减少了规划人员汇总数据的时间，从而提高了决策执行效率。优先调拨逻辑避免了不必要的重新订购成本，并消除了原本会被注销的过剩库存。供应链透明度降低了应对交货期不确定性所需的安全库存缓冲。工作流自动化缩短了决策和执行之间的时间。.

为了对这些收益进行财务建模，建议采用三层框架，将收入保障、成本降低和营运资本改善视为独立的、可衡量的类别。最能转化为财务价值的运营指标包括五个核心指标：建议采纳率（未被否决的建议执行百分比，可作为信任度和价值实现的早期指标）、剩余库存平均覆盖周数（下降趋势反映了在达到减值阈值之前提前退出的逻辑）、核心商品缺货率（下降率表明优先级逻辑正确，可直接计算收入和利润保障）、调拨补货比率（上升比率表明调拨优先逻辑有效，可计算成本差异）以及每个计划员和每个计划周期的决策吞吐量。.

ROI框架中一个常被忽视但具有战略意义的关键方面是复利效应：一个已经运行库存智能系统24个月的规划机构，其推荐引擎已根据自身24个月的运营数据进行了校准。该模型了解客户对促销活动的反应、供应商在约定交货期内的表现，以及分支机构网络集群的季节性变化。竞争对手即使使用相同的技术平台，也无法从零开始复制这些信息。复利优势不在于软件本身，而在于人工智能推荐、规划人员修正和实际结果之间的反馈循环所积累的运营知识。率先启动这一循环的公司，在推荐质量方面拥有24个月的领先优势——这直接转化为在减少偏差和提高营运资本效率方面24个月的领先优势。.

经济视角：结构性变革还是周期性炒作？

零售业人工智能究竟是带来真正的结构性变革，还是仅仅遵循炒作周期，这个问题可以通过基于实证数据的细致分析来解答。据估计，2026年零售业人工智能市场规模约为180亿美元，预计到2034年将增长至超过1900亿美元，年均增长率达34.3%。欧洲商业协会（EuroCommerce）和麦肯锡公司2026年6月发布的一项研究预测，未来五年内，人工智能在欧洲零售业的经济潜力将达到2400亿至3200亿欧元。其中，软线零售，尤其是时尚、鞋类和美妆领域，被认为具有1000亿至1300亿欧元的潜在价值，并有望提升4至7个百分点的息税折旧摊销前利润（EBITDA）。.

这些数据令人印象深刻，但它们与当前现实的对比更加引人注目：70%的受访零售业CEO表示，人工智能尚未对业绩产生可衡量的影响。潜在预测与实际价值创造之间的差距，完美地揭示了根本性的结构性问题：技术已经成熟，投资也已到位，但大多数公司的架构基础——数据基础、语义层、流程集成——尚未充分发展，无法将人工智能的建议转化为切实有效的运营行动。.

一项细致入微的经济评估得出了一个令人警醒的结论：零售业的人工智能既非炒作，也非稳赚不赔。能够创造可衡量价值的公司与那些止步于试点阶段的公司之间的区别，不在于所用算法的质量，而在于它们是否始终如一地遵循领先企业的“70-20-10”原则：70%的资源投入于人员和流程，20%投入于技术和数据，10%投入于算法。那些颠倒资源分配比例，主要投资于模型的公司，虽然能够继续展示令人印象深刻的概念验证，但最终的生产成果却令人失望。未来零售业的竞争优势属于那些将决策架构（而不仅仅是预测能力）视为首要投资的公司。.

Konrad Wolfenstein

我很乐意担任您的私人顾问。.

您可以通过wolfenstein∂xpert.digital 联系我

请拨打 +49 7348 4088 965 。

LinkedIn