按 11 月 10 日同花顺财经转述的口径，唐久便利把 2600 多家门店、12 个配送中心的补货计划交给了一套外部预测系统。数字本身不惊人，真正的问题是它暴露的短板——2500 个常态 SKU、日配品类靠人工补货、门店运营效益已经撞到天花板。对管着几十到几百家门店的团队，这条消息的价值不在「上了什么系统」，而在它承认了一个事实：补货这件事，靠经验已经算不动了。
2600 家门店的补货，卡在日配
按同花顺财经 11 月 10 日的报道，唐久将引入 RELEX 的预测与补货解决方案，覆盖 2600 多家门店及 12 个配送中心，项目由时代商联协助落地，也是 RELEX 在国内的首个便利店项目（同花顺财经）。报道里有两句自述值得留意：公司常态化管理约 2500 个 SKU，日常补货主要依靠 ERP 系统及内部自建工具；传统工具在日配品类上存在明显短板，导致补货高度依赖人工。2026CCFA 便利店大会上的公开信息可以补充一个横向坐标：唐久在华北、西北、海南等地发展至 2500 余家门店，以 50 个商品大类为基础，对动销率、毛利率、损耗率做单品精细化管理（CCFA 便利店大会报道）。
便利店这两年被夹在中间：同业在商品、服务、供应链上贴身竞争，量贩零食连锁、即时零售、社区团购、鲜食专营店又不断分流客群，行业从规模扩张转向存量效率比拼。在这个背景下，「总部策略能不能在门店端落地」比「总部有没有策略」更值钱——订货权限、陈列执行、临期处理，任何一环走样，报表上的毛利都会被吃掉。
补货系统解决的不是缺货，是可售
可售率与有货率不是一回事
有货率看的是配送中心有没有库存，可售率看的是门店货架上有没有、系统里能不能卖。日配品类把这两个数的差距拉得最大：保质期短，多补一天就是损耗，少补一天就是缺货，而店长凭经验判断的那条线，随着客流波动几乎每天都偏。预测补货要解决的正是这条线——把「补多少」从经验判断变成带概率的区间。
总部策略落地到门店的三道关
第一关是订货权限：系统给出建议量，店长有多大调整空间。第二关是陈列执行：补上来的货有没有真的上架，还是压在库房。第三关是临期处理：临近保质期的商品是折价、调拨还是报损，规则越模糊，门店越倾向于少订。三关里任何一关没打通，预测模型再准也落不到货架上。
即时零售把补货的颗粒度压到小时
即时零售把补货的颗粒度从「天」压到了「小时」。经济日报的报道提到，美团闪购每天中午 12 点有超过 100 万个实体营业点位，深夜 12 点仍有超过 35 万个（网经社转载）。夜间点位只占白天的三分之一，意味着夜间订单集中在少数仍在营业的门店上，这些门店的库存深度要求反而更高。
| 时段 | 实体营业点位 | 对补货的含义 |
|---|---|---|
| 中午 12 点 | 超 100 万个 | 日间高峰，周转优先 |
| 深夜 12 点 | 超 35 万个 | 点位集中，深度优先 |
对便利店来说，这意味着同一套补货参数不能平铺到所有门店。夜间仍在营业的门店，需要单独设一组安全库存；白天做写字楼生意、晚上关门的门店，则可以把夜间的库存压到最低。把两类店放在同一张补货表里，结果一定是一边缺货、一边临期。
先算清三笔成本，再谈上系统
上系统之前，有三笔成本要先算清。系统成本是明面上的订阅与实施费用；数据成本是把历史销量洗干净——促销、缺货、天气都会污染数据，不洗的模型会把促销当常态；执行成本是店长培训与考核口径调整，这一笔最容易被低估，也最容易让项目在第一年停摆。
AI 辅助门店经营这件事，今年在便利店行业已经被反复讨论。2026CCFA 便利店大会的公开报道里，有咖啡品牌提到自研线上外卖 AI 系统与线下 AI 机器人来提升门店经营效率（CCFA 便利店大会报道）。对便利店来说，智能工具能不能接棒，取决于门店愿不愿意把订货的判断权交出去一部分——技术问题之外，这是组织问题。
省下来的补货人工不会消失，只会换个地方出现：一部分变成系统与数据的固定投入，另一部分变成店长核对建议量的时间。这笔账算清楚了，2600 家门店的补货项目才谈得上推广到第二批城市。
常见问题
预测补货能解决缺货吗？
能解决一部分。缺货分两种：仓库没货和门店没上架。预测模型主要改善前者，后者要靠陈列执行与临期处理规则。报道里唐久把目标写成「提升总部策略在门店端的执行力」，说明它自己也把这件事当成执行问题，而不只是算法问题。
2500 个 SKU 都要进模型吗？
不必。日配品类是短板，也是收益最集中的地方，可以先做；长保品类周转慢、波动小，用固定补货周期反而更省事。分品类上线，比一次性全量替换风险低。
夜间营业的门店为什么要单独设参数？
夜间仍在营业的实体点位只有白天的三分之一，订单会向这些门店集中。用白天的安全库存去覆盖夜间的集中订单，缺货几乎必然发生，因此需要更高的库存深度。
系统上线后，店长还需要做什么？
核对建议量并记录调整原因。这一步看起来是负担，实际是模型迭代的唯一数据来源；没有调整记录，模型只能学到历史平均值，学不到门店的真实约束。
