这轮升级，被换掉的不是系统，是店长的经验。唐久便利与 RELEX Solutions 达成合作，引入 AI 预测与补货方案，覆盖旗下 2600 多家门店与 12 个配送中心，常态化管理约 2500 个 SKU；此前日常补货主要靠 ERP 与内部自建工具，日配等高频品类高度依赖门店人员的人工判断。11 月 11 日的公开信息里，这次合作要解决的是一个老问题：货架上的缺货和后仓的积压，往往同时发生。
2600家店的补货，卡在「谁说了算」
便利店的补货有两个决策点：订多少、什么时候订。经验补货的优点是灵活，店长知道今天下雨、隔壁学校放假；缺点是难以规模化，同一个系统里 2600 家店就有 2600 套判断标准，总部很难知道哪一家在系统性缺货。
算法补货解决的是标准问题，不是判断问题。它把销售趋势、季节波动、门店特性拆成可计算的变量，给出建议订货量；门店在这个基础上做小幅调整。真正难的环节在于权限设计：如果门店可以随意改单，算法就退化成参考；如果完全禁止改单，突发需求又无人承接。
日配品类是试金石
短保商品没有第二次机会
日配品类包括鲜食、面包、乳品等短保商品，特点是保质期短、周转快、缺货成本高。一盒鲜食当天卖不掉就报损，货架上没有又会让顾客转身就走。这类品类的补货精度要求远高于长保商品，任何一次预测偏差都会直接变成缺货或报损。
因此，衡量这套系统是否奏效，不能只看整体缺货率，要按品类拆开看。长保商品的缺货率本来就低，改善空间有限；日配品类才是真正的观察点，它的缺货率与报损率应该同时下降，只降一个说明补货只是把库存从后仓挪到了货架。
有货率与利润率，本来就是一对矛盾
企业对外表述的目标很直接：提升总部策略在门店端的执行穿透力，同时平衡有货率与利润率（新华报业网）。这句话拆开看，其实是两个互相拉扯的指标：备货越多，有货率越高，占用的资金与报损也越多。
算法能做的，是把这条曲线画出来，让决策者选择站在哪一点。它不能同时把两个指标都做到最优。对门店运营来说，更实际的用法是分品类设定不同的目标：鲜食优先保可售，长保商品优先保周转。
| 品类 | 优先目标 | 可接受代价 |
|---|---|---|
| 鲜食日配 | 门店可售率 | 报损略升 |
| 乳品烘焙 | 周转天数 | 偶发缺货 |
| 长保包装 | 库存周转 | 低缺货敏感 |
从经验到算法，中间还要过三道关
第一道是数据质量。算法依赖历史销售、库存与到货记录，若门店存在漏扫、错扫，预测就会失真。第二道是配送约束。12 个配送中心覆盖 2600 家门店，配送频次与截单时间决定了补货能有多细，算法再准也受物理条件限制。第三道是执行一致性，总部策略到了门店是否被照做，需要抽查而不是假设。
门店服从率是被低估的验收项
这三道关里，最容易被低估的是第三道。补货建议再精准，门店若因为陈列空间不足而拒收，缺货依旧发生。所以这套项目真正的验收标准，不是算法准确率，而是门店服从率与货架可售率的组合。
常见问题
算法补货会不会让门店失去灵活度？
取决于权限设计。保留小幅调整权、要求写明调整原因，既能应对突发需求，也能积累偏差数据用于优化。完全放开或完全禁止都会带来问题。
怎么判断缺货是真缺货还是陈列缺货？
看后仓库存。后仓有货而货架无货，是陈列与补架问题；后仓无货，才是订货问题。两类问题的解法完全不同，混在一起统计会误导决策。
2500个SKU都要纳入算法吗？
不必。应先纳入高频、短保、波动大的品类，长保低频商品用规则补货即可。全部纳入会增加维护成本，收益却有限。
改造效果多久能看出来？
按品类看，鲜食通常四到六周可以看到稳定变化，长保品类需要更长周期。评估时要用同一批门店、同一口径，否则季节波动会盖过改造效果。
