AI需求预测在生鲜补货中的效果

关键词　AI需求预测生鲜补货动态出清损耗率以销定产库存周转

一、生鲜补货难在需求与保质期

生鲜的需求随天气、节假日与促销波动，保质期又短，补多了产生损耗，补少了缺货。门店过去按昨日销量加经验下单，遇上天气或活动变化，判断容易偏离。

补货的难点在提前量。订货到到货之间有半天到 1 天的时间差，预测要在这个时间差里给出接近真实需求的量，误差直接落到损耗或缺货上。

二、行业损耗率的基线

中国连锁经营协会的监测数据显示，主粮、蔬菜、水果的全产业链总损耗率分别为 7.9%、27.7% 和 13.2%，从全产业链看仍有 40% 到 60% 的减损空间。蔬果采后流通环节的平均损耗率在 20% 到 30% 之间。

损耗集中在两个位置。一是从产地到销地的运输与搬运，二是门店端从到货到售出这段时间。补货与出清影响的是门店这一段，改善空间直接对应门店的报损金额。

图 1　三类农产品的全产业链损耗率（%）

三、需求预测的输入变量

预测模型的输入分三类。一类是历史销售，按门店、品类与时段拆细；一类是外部变量，含天气、节假日与商圈活动；一类是门店端的状态，含实时库存、在售时长与陈列空间。

变量进去之后，模型输出一条按天或按小时分布的需求曲线，订货量由曲线在订货周期与在库量之间取差得到，落在具体的订货批量上。

图 2　从预测到补货的链路

四、物美的补货与出清实践

物美与多点数智合作落地 AI 动态出清体系，基于历史销量、实时库存、保质期与销售速率，自动计算不同商品的最优折扣并生成促销单。这套体系已覆盖 285 家门店。

这套系统的补货模块按历史销量、季节趋势、节假日促销与天气变化等变量计算补货量，把出清从统一打折改成按商品与时段分别定价，试点门店的整体损耗率下降超过 30%。

图 3　物美的补货与出清环节

五、采购误差率的改善

补货预测的改善同时落在门店损耗与上游采购上。物美接入相关系统后，应季水果的采购误差率从 30% 降到 10%，因滞销造成的损耗减少超过 50%，同时生鲜的正价销售率提升 10%、促销成本下降 15%。

采购误差率下降意味着源头下单更接近真实需求，产地端的采摘与发货计划随之可预期，库存压力从门店往上游传导的幅度变小。

图 4　物美应季水果采购误差率（%）

六、盒马的需求预测与损耗

盒马把选品、补货与促销放进同一套决策系统，依托产地直供与供应链运营中心，把生鲜商品的损耗率控制在 3.8% 左右。桃子一类水果的行业平均流通损耗率在 7% 到 9% 之间，盒马体系内约 3% 到 4%。

盒马的补货机制强调高频、小批量、多轮次，把生鲜与高损耗品类的在库周期压到很短，商品从到货到售出的路径缩短，滞销与报损随之减少。

图 5　桃子一类水果的流通损耗率（%）

七、京东七鲜的以销定产

京东七鲜把蔬菜从采摘到上架的时间压到 24 小时以内，用门店端销量预估反推产地次日的采摘与发运计划。2025 年以来，五大核心品类、上百款蔬菜的整体流通时效提升约 30% 到 50%。

以北京房山的富硒菠菜苗为例，产地按前 1 天的订单在凌晨采摘，中午前进入冷藏加工仓，晚间通过冷链直达门店。需求预测把产地计划与门店销售接上，中间环节的等待时间被压掉。

八、预测保留人工调整的空间

模型给出的订货建议不直接落到采购单上，多数企业保留了人工调整的入口。预测的取值在缩小偏差区间，重心是把误差控制在可接受的范围。

生鲜的异常场景多，门店临时做活动、天气突变、供应端断货都会改变实际需求。系统把补货、调价与排班这类重复判断接过去，把异常的处理留给门店，是当前较为常见的落地方式。

九、效果口径的差异

同一套系统在不同企业披露的效果，口径并不统一。有的按试点门店的损耗率比较，有的按采购误差率比较，有的把正价销售率与促销成本一起算进来。

比较这些数字之前要先看口径。门店损耗率下降超过 30% 与采购误差率从 30% 降到 10% 是两件事，前者对应门店报损，后者对应源头下单，两者改善的幅度也不相同。

十、需求预测效果的判断

AI 需求预测对生鲜补货的改善落在两个位置。门店端把出清从统一打折改成按商品与时段定价，试点门店损耗率下降超过 30%；采购端把下单改成按需求曲线取差，应季水果采购误差率从 30% 降到 10%。

效果的边界由数据基础决定。历史销售、库存与效期数据齐全的企业，模型能较快收敛；数据口径不统一的企业，预测的偏差会被放大，改善幅度也更小。

行内实情

相关问题