鲜食的报废成本，最后都压到订货这件事上。唐久便利在 11 月 10 日宣布与全链路零售计划服务商合作，把预测与补货交给系统，覆盖 2600 多家门店与 12 个配送中心；按公开的行业口径，2025 年便利店单店日均营收 4453 元、同比下降 3.9%，来客数下滑 8.7%，超过七成企业客流减少。对管着门店订货的人，这意味着一次从经验到算法的迁移。
两千六百家店的订货，靠人盯不住
日配品类是这次升级的起点。常温标品可以按周补，鲜食必须按天甚至按小时补，订货错了不是少卖，是直接报废。过去这类判断高度依赖店长经验，能干的店长撑一家店没问题，撑到几百家就出现标准差：同一条街的两家店，订货量可能差出三成。
算法要解决的不是「会不会订货」，而是「订多少才不浪费」。它需要三类输入：门店历史销量与时段分布、天气与节假日、以及配送频次与在途时间。三类数据里最难对齐的是时段分布，因为它随商圈结构变化，写字楼店与社区店的曲线完全不同。
预测补货要喂三种数据
第一种是销量序列，按 SKU 与门店的最小粒度存，至少要覆盖一个完整的季节周期。第二种是约束条件，包括冷链车到达时间、货架容量与最小陈列量，这些决定了系统给出的建议能不能执行。第三种是事件日历，促销、开学、降温都算事件，它们会把历史均值整体抬高或压低，不标注就会把异常当常态。
补货精度决定报废率
| 品类 | 保质期 | 补货频次 | 废弃率容忍区间 |
|---|---|---|---|
| 鲜食便当 | 当天 | 每日一到两次 | 5% 至 8% |
| 烘焙面包 | 一到两天 | 每日 | 8% 至 12% |
| 冷藏乳品 | 数天至两周 | 两到三天 | 3% 以内 |
| 常温标品 | 数月 | 每周 | 1% 以内 |
这张表的含义是：越短保的品类，补货精度对利润的影响越直接。行业测算里，鲜食废弃率控制在 5% 到 8% 之内还算健康，一旦超过 12%，这个品类就从赚钱变成亏钱。而废弃率与缺货率是一对反向指标，订货保守会缺货，订货激进会报废，系统要在这条线上找平衡点。
另一个约束在物流。冷链仓的租金约为每月每平方米 120 元，是常温仓的四倍；末端配送的主流安排已经从一天三趟减到一天两趟。配送频次一降，单次订货量的容错空间就变小，预测的偏差会被直接放大成报废或缺货。
执行率比算法精度更关键
再准的建议，也要门店愿意照着做。实际落地时常见的折扣是：店长按经验改单，改动的部分集中在鲜食与短保，理由通常是「昨天卖得不错」。这类改动积累起来，会把系统的学习样本污染掉，下一轮预测更不准。所以上线初期要同时盯两个指标：建议采纳率与偏差原因分布。
总部策略怎么落到门店
连锁便利店的组织难点在于总部与门店的目标不一致。总部看整体库存周转与毛利，门店看当班工作量与报废责任。补货系统如果只考核门店执行率，店员会把订货压到最低，缺货随之上升；只考核缺货率，报废又会失控。
比较稳的设计是把两个指标绑在一起考核，并把报废责任从店长个人转移到区域层面：区域统一承担短保品类的报废损失，门店只对执行率负责。这样一来，门店愿意按建议下单，区域有动力去调优参数，责任边界清楚，数据才可信。
上线前要准备什么
灰度阶段最容易犯的错是同时改太多变量。系统上线、陈列调整、促销活动一起做，最后无法判断效果来自哪一项。把变量拆开，一次只动一个，才能把可售率的改善归因清楚。
回到门店可售率这件事，算法带来的最大变化不是省了几个订货员，而是让「缺货」与「报废」第一次可以被同一套数据同时看见。看得见，才有机会把两头都压下去。
常见问题
预测补货能直接降低缺货率吗？
不一定。缺货的成因可能是订货不足，也可能是库存不准或上架不及时。先分清成因，再谈系统能解决哪一段。
鲜食的废弃率控制到多少合适？
行业测算是 5% 到 8%，超过 12% 这个品类就会从赚钱变成亏钱。低于 5% 要警惕是不是订货过保守。
灰度为什么要选 30 家店？
样本太少看不出品类差异，太多又难以逐店复盘。30 家店能覆盖不同商圈类型，又不至于失控。
门店不愿意按建议下单怎么办？
把报废责任上移到区域，门店只考核执行率与上架及时率，责任边界清楚后执行率通常会回升。
