原标题：连锁便利店效率提升， AI 自动补货是个好的切入点吗？

【 图片来源：pixabay 】

新零售的本质是什么？李健豪给出的答案是提升效率。

李健豪现任超盟数据CTO，加入超盟数据前他曾先后供职于亚马逊和IBM北美总部，从事数据挖掘工作。李健豪是个典型的技术狂人，曾经六次获得美国黑客马拉松赛冠军。2015年，他创立了一家名叫StylePuzzle的大数据公司，并成功拿到真格基金的百万美元投资。更重要的是，在真格基金徐小平的介绍下，李健豪结识了超盟数据CEO李思贤。出身于家族企业的李思贤当时正在思考如何用技术提升零售行业的效率，这个想法与李健豪不谋而合。一见如故之下，2016年4月李健豪正式加入超盟数据担任CTO。

补货已成为便利店的效率瓶颈

零售这个古老的行业环节众多，每一个环节都有巨大的效率提升空间，超盟数据选择的切入点是补货。补货是零售行业的高频场景，尤其是在便利店，几乎每天都在发生。如果能用技术将补货自动化、智能化，对便利店整体运营效率的提升是立竿见影的。

自动补货算不上一项新技术，很多企业都做过尝试，比如星巴克。补货分为两类，一类是区域大仓从供应商处补货，另一类是终端门店从区域大仓补货。区域大仓补货的SKU数多、频率低，终端门店则恰好相反。以往自动补货技术主要针对大仓，很少涉及门店层面，原因在门店的数据颗粒太小，计算量十分庞大，投入产出比不高。

补货并不像它字面意思所呈现的那么简单，背后还包含了对门店销售情况的精准把握和预测。门店的销售情况不是一成不变的，而是受到天气、促销等众多因素影响。补货过多会造成库存积压，补货太少则会导致机会损失。店长每天都要分析判断哪些SKU需要补货，每个SKU各补多少，应该在什么时间点补。假如一个门店只有几款SKU，凭借经验做出判断的确不难。但现实中，一家便利店的SKU往往多达数百上千，人力分析不仅效率低下还容易出错。尤其是保质期短的生鲜商品，即时性要求非常高，常常需根据上午的销售情况及时调整下午的补货策略。人力补货带来的效率瓶颈显而易见。

超盟数据反复思考的，就是如何利用人工智能技术帮助便利店制定补货策略，提高门店的整体运营效率。

两大创新推动自动补货技术下沉

数据驱动决策的第一步是采集数据，在货架上植入传感器或者用摄像头拍照都可以采集数据。超盟数据最初的做法是用打印机采集零售小票，但和前两种方式一样，打印机采集的信息不够直观，需要多次清洗才能使用。每个便利店的小票格式各不相同，超盟数据需要先把数据格式标准化，然后进行清洗和Named-entity recognition(NER)，最后通过匹配超盟数据内部的商品数据库，对每个商品进行维度扩充并打上标签。

这种数据采集方式的另一个缺陷在于，它需要从头开始一点一滴积累数据，无法对零售商后台数据库的数据进行充分利用。因此超盟数据开始尝试直接接入零售商的数据库。

雷锋网了解到，除了零售商后台的海量销售数据，超盟数据还引入了天气、地理位置、促销活动等上百个维度的数据，用于训练自动补货模型。

李健豪介绍，用传统手段导入零售商的数据会给其数据库造成很大压力，带来一定的风险，比如影响POS收银系统的稳定性。为了解决这一问题，超盟数据花很多时间和精力专门开发了一套ETL工具。目前这套工具正在申请专利。

超盟数据的另一项专利技术是基于AWS Lambda（也称为无服务器计算（Serverless Computing））的自动补货模型。

正如前文所述，传统自动补货技术很少涉及门店层面，原因在于门店的数据颗粒太细，且实时性要求很高。假如一家门店有2000个SKU，意味着超盟数据需要训练2000个预测模型，而且为了保证实时性，这2000个模型需要全部并行运算。也就是说，补货预测是一种短时爆发性业务，需要很高计算力。按照传统的云服务计费模式（企业级服务通常按月计费），补货预测的计算成本是连锁便利店难以承受的。

超盟数据的自动补货解决方案巧妙地选择了AWS Lambda，并利用其成功搭建了一个承载数据采集、清洗、分析和数据展现的核心业务系统。基于Lambda，用户无需预配置或管理服务器即可运行代码，而且Lambda 只在执行代码时按消耗的计算时间计费，代码未运行时不产生费用。通过这种方式，超盟数据成功将补货预测的计算成本降到了比连锁便利店期望还要低的水平。

产品落地大于技术本身