《中国零售技术创新中心系列报告-OSA专题研究》.pdf

0 目录 第一章 中国零售行业的发展综述.1 1.1 零时差消费.1 1.2 货架数字化.1 第二章 OSA 问题带来的挑战.3 2.1 OSA 及其研究意义.3 2.2 OSA 问题的负面影响.6 2.2.1 企业收入损失.6 2.2.2 企业供求计划打乱.7 2.2.3 消费者忠诚度下降.7 2.3 OSA 问题的产生原因.7 2.3.1 零售商的虚库存产生.7 2.3.2 品牌商的供货延迟.7 2.3.3 消费者的需求量提升.8 第三章 OSA 问题的 AI 解决方案.9 3.1 试点方案综述.9 3.2 方案试点项目一人工拍照.11 3.2.1 项目背景.11 3.2.2 技术方案与可行性研究.11 3.2.3 技术方案的实施过程.11 3.2.4 技术方案的实施结果.12 3.2.5 相关供应链后续流程.13 3.3 方案试点项目二过道摄像头+电子价签.13 3.3.1 项目背景.13 3.3.2 技术方案与可行性研究.14 3.3.3 技术方案的实施过程.17 3.3.4 技术方案的实施结果.18 3.4 方案试点项目三货架摄像头+电子价签.18 3.4.1 项目背景.18 3.4.2 技术方案与可行性研究.20 3.4.3 技术方案的实施过程.20 3.4.4 方案实施业务流程.22 3.4.5 技术方案的实施结果.22 3.5 方案试点项目四机器人.25 3.5.1 项目背景.25 3.5.2 技术方案与可行性研究.25 3.5.3 技术方案的实施过程.26 3.5.4 技术方案的实施结果.27 第四章 建议和展望.28 4.1 改进门店货架管理方式.28 4.1.1 利用 AI 技术识别货架缺货.28 1 4.1.2 明确门店货架缺货原因.28 4.1.3 全面优化门店管理.28 4.1.4 保持全链路高效信息传递.29 4.1.5 技术改进建议.29 4.2 基于 OSA 的扩展应用.29 4.2.1 门店货架陈列数字化转型.30 4.2.2 基于单一门店的品类管理.30 4.2.3 零供协同与履约.30 4.3 建立长远的企业 AI 发展计划.30 4.3.1 强化企业 AI 战略思维.30 4.3.2 培养企业 AI 人才队伍.31 4.3.3 完善企业 AI 成本管控.32 1 第一章 实体零售即时满足消费者需求 1.1 零时差消费 随着改革开放的进程，中国零售业在市场规模和商业模式方面都经历了突飞猛进的跨越式发展。市场规模方面，在 2000 年到 2020 年这 20 年期间，中国的零售总额翻了近 10 倍，从 3.9 万亿增长到了 39.2 万亿。商业模式方面，中国的零售业经历了一开始的实体零售模式到之后的线上零售模式，以及发展到现阶段实体零售和线上零售相互交融的零时差消费商业模式。图 1.1 零时差消费战略逻辑框架图 由于人均可支配收入不断提高，随之而来的是消费升级，除了对商品高品质的要求，人们对商品个性化需求、获取商品的便利性需求日益增长，难以被满足。旨在实现以消费者为中心，运用人工智能和大数据等技术，实现线上线下一体化的零时差消费，已经成为行业发展的关键。1.2 货架数字化 零时差消费中非常重要的一个内容就是推动数字化转型，建立科技驱动、不2 设边界、适应零时差消费时代的组织结构与文化。在机器学习和深度学习的帮助下，消费者标签不再需要人工生成，标签特征刻画精细性、深度得到大大提升。通过对消费者行为的数据分析，准确定位消费者消费水平、获取消费偏好等重要信息。通过线上商城、移动端应用向顾客推送满足其喜好的商品，将线下体验与线上消费完全融合，实现精准营销，大大提升零售的效率。从顾客和商品到交易和管理，达到自动化、信息化、数字化以及智能化，提升顾客体验的同时，也能推动企业自身价值的挖掘。零售门店货架数字化便是其中的典型代表，通过运用手机应用、货架摄像头和巡店机器人等媒介以及机器视觉、图像识别算法和物联网等技术，主动抓取货架上的商品信息并进行记录，将图像数据数字化，实时掌握商品动态。同时，在货架数字化的基础上，使用机器学习模型对数据进行整合处理和分析，为零售商提供销量预测、缺货预测等数据洞察服务，帮助零售商了解整体消费需求，通过零供协同促进供应商和零售商的共同业务发展。从资源角度来看，机器自动化识别、统计和分析数据正在逐渐取代人工作业，可以让员工腾出时间从事更有价值的工作。零时差消费和货架数字化为零售行业创造了无限的可能。3 第二章 OSA 问题带来的挑战 2.1 OSA 及其研究意义 OSA 是 On-Shelf-Availability，即货架有货率。OSA 问题是指 OSA 的数值低于期待，表示产生了一定规模的货架缺货问题。针对 OSA，中国连锁经营协会行业创新与发展部主任田芮丰曾联合 6 家生产企业（包括：联合利华（中国）、高露洁（中国）、强生（中国）、蒙牛、宝洁（中国）、雀巢（中国）和 4 家大型连锁零售企业（沃尔玛（中国）、TESCO（中国）、麦德龙（中国）、SPAR（中国），开展过一次专项调研工作。其中，6 家生产企业筛选出 180 个热卖的 SKU（平均 30 个 SKU/家），连锁零售企业提供 9 个城市的 178 个门店，通过第三方调研机构，实地调研每个 SKU 在每个门店的货架有货情况，并随机采访消费者，获得他们关于缺货的行为反馈。图 2.1 商品货架有货率统计图（按生产企业）4 图 2.2 商品货架有货率统计图（按连锁零售企业）图 2.3 商品货架有货率统计图（按城市）5 图 2.4 商品货架有货率统计图（按品类）图 2.5 消费者对于缺货的行为反馈统计图（样本数：288）调研结果表明，货架缺货问题是真实存在的，而且在被调研企业，尤其是零售头部企业具有很强的普遍性。该项调研以大卖场为主，辅助一些便利店。近年来，随着网络、移动、直播、智能音箱等越来越多的购物渠道如雨后春笋般扑向消费者，使消费者应接不暇。反观连锁零售企业，一方面，企业面临着门店客流6 下降的现实问题，在过去的数年来，通过各种数字化手段（大数据、精准营销等），努力将消费者拉回到线下、拉回到门店；另一方面，由于想买的商品在货架上缺货，企业又将已经到店的消费者推到其它的购物渠道。所以，重视 OSA 的提升，设法减少货架缺货问题，是零售企业需要面对的重要课题。2.2 OSA 问题的负面影响 2.2.1 企业收入损失 OSA 问题会造成各个类型企业的收入损失，包括零售商和品牌商（制造商）。根据数年前研究显示，由于缺货，零售商损失率为 55%至 72%，金额大致为 5.64亿；品牌商损失率为 14%-31%，金额大致为 2.43 亿。具体原因以及计算公式如下表所示。图 2.6 不同类型企业因缺货造成的损失情况统计图（参考 5 家生产企业、4 家零售企业）OSA 每降低 3%，就会造成 1%的销售额下降，这种因缺货问题导致的巨大损失是所有企业都不愿意看到的。同时，空置的货架不能为企业产生任何价值，空置货架的增多也在客观上造成了浪费。7 2.2.2 企业供求计划打乱 对于非物理缺货造成的门店货架缺货，会延缓缺货商品的销售速度，影响供应链末端的销量预测，甚至降低整个供应链链路的效率。由于商品间的需求交叉效应，除了缺货商品本身，其他商品也会遭到供求方面的连带影响。和缺货商品具有正交叉效应的其他商品的销量会低于预测值，和缺货商品具有负交叉效应的其他商品的销量则会高于预测值。2.2.3 消费者忠诚度下降 OSA 问题意味着有可能消费者无法在零售商门店购买到所需商品。一旦 OSA因为某些原因继续下降，那么会导致更多的消费者不能顺利购物，降低了更多消费者的购物体验。如果缺货商品数量持续增大或者缺货次数越发频繁，则会让消费者怀疑零售商的经营能力，降低消费者的忠诚度，甚至造成消费者大量流失。2.3 OSA 问题的产生原因 2.3.1 零售商的虚库存产生 在很多情况下，货架缺货并不代表零售商门店缺货。当一个消费者选购一件商品，零售商可以很容易地通过 POS 终端得到商品被购买的信息，从而更新库存数据。然而，如果消费者在货架拿取商品后，在结算前中止购买，并把商品顺手放在不正确的位置，那么原位置上该商品少了一件，POS 终端也没有该商品的结算信息，于是就会产生虚库存。虚库存是无法被使用的库存，一旦虚库存数量达到很高，并且没有及时清理，那么就会造成门店明明有货，却发生缺货问题的情况。虚库存是非常普遍的现象，任何一名消费者都有可能在购买过程中产生若干虚库存。在门店人流量很大的情况下，虚库存就会成为引发 OSA 问题的最大原因。虚库存问题很难得到及时解决。首先，零售商不能实时把货架上的商品数量和系统中的库存数据进行比对，所以无法在第一时间识别到虚库存的产生。其次，消费者对于中止购买的商品，摆放位置是随机的，对于零售商来说，即便发现原位置因为虚库存产生缺货，也很难于短时间内在门店的其他位置找到该商品。2.3.2 品牌商的供货延迟 一般情况下，零售商会把每日的销售数据提供到品牌商，通常是闭店之后的8 数据。品牌商基于该数据进行之后的供货计划，反映时间短、任务重。一旦数据传送发生阻塞，那么品牌商便无法按时制定供货计划，有可能造成零售商因库存不足而无法对货架商品进行补充。如果这种延迟供货的情况经常发生，那么造成OSA 一定程度的向下波动。2.3.3 消费者的需求量提升 促销是零售商和品牌商最常用的增加销量的方式，成功的促销会大幅度提升消费者的需求量。同样，节假日的高人流量也会带来巨大的需求量。由此，针对促销、节假日以及其他各种情况的销量预测就尤为重要，也是零售商和品牌商制定库存方案的基准点。如果销量预测失准，那么在高需求量的情况下，一方面，零售商门店非常容易断货，并且无货可补；另一方面，即便门店有库存，倘若没有足够的人手，也来不及对货架商品进行补充，造成间歇性 OSA 下降。9 第三章 OSA 问题的 AI 解决方案 3.1 试点方案综述 虽然 OSA 问题存在已久，前期由于技术瓶颈问题无法得到解决。近年来，随着科技的不断发展，尤其是视觉识别、人工智能（AI）技术、机器学习、大数据、5G 等技术在零售领域逐渐成熟，确保了本项工作的顺利开展。有关技术的几点说明：1.相关技术与零售门店的试点应用在全球范围内处于摸索阶段，由 CCFA 中国零售技术创新中心主导的本次专项工作历时 3 年，从早期单一技术应用尝试的失败，到最终多项技术方案（视觉识别、人工智能（AI）技术、机器学习、大数据、5G 等）的顺利结合，确保相关技术应用处于国际领先地位；2.随着相关技术（视觉识别、人工智能（AI）技术、机器学习、大数据、5G 等）在零售行业的不断迭代与完善，技术实施成本已经从从早期的天文数字降低至企业可接受范围，同时，随着试点项目的不断迭代以及相关技术的逐渐普及，应用成本将持续降低，应用效果以及准确性将持续提高，应用延展性将更加可视；3.根据前期对全球零售企业应用模式研究、科技企业技术迭代趋势研究，结合我国零售特点，推出如下 4 种方案，供行业企业参考。表 1：4 种方案利弊对照表 方案一：人工拍照 方案二：过道摄像头+电子价签 方案三：货架摄像头+电子价签 方案四：机器人 方案简述 员工（或众包模式）通过手机/特定软件，对货架/堆头进行定时/不定时拍照，通过软件进行分析。过道上方架设摄像头，对货架进行拍照，通过软件进行分析。商品正对面的货架上架设摄像头进行拍摄，通过软件进行分析 通过机器人，以巡店模式定时扫描货架，通过软件进行分析 投入 员工培训 过道上方架设摄像头 商品正对面货架上架设摄像头 购买/租赁巡店机器人 利弊分析 利：投入成本最低，对零售门店无改造；利：投入成本相对较低，对门店无过多改造成本；利：商品识别度非常高，开展基于 OSA 的扩展应用可能性较大 利：商品识别度较高且无需门店人员协助 10 弊：1.时 间维度 投入 提高；2.人 力成本 投入 较高；3.获取成果不确定性较大；4.图片及数据质量不确定性较大。弊：1.商品识别准确率有待提高；2.货架每一栏的商品纵深识别度不足；3.货架位置调试时摄像头配件和通电点位需要跟随调整,维护成本较高。弊：1.由于货架间隔较近，每个货架需要至少 2个摄像头，购置成本较高；2.早期零售门店地面没有预设插头，如果采用有线摄像头，需要从房顶吊线，影响美观；3.如果采用内嵌电池摄像头，平均 1-3 个月需要对摄像头进行充电，维护成本较高；4.货架位置调试时摄像头配件需要跟随调整,维护成本较高。弊：1.成本较高。研究观点 适用于大多数零售企业，特别是初期，适合问题考察验证。适用于大多数零售企业，对于 SKU 识别精细度暂时要求不特别高的企业。适用于大多数企业，特别是有一定面积，且有一定预算的企业。适用于中高端零售企业，和面积和货架间隔较大的企业。注：1.由于目前门店数据分析工作不足，试点过程中产生的数据大多传递到技术支持方/零售企业总部进行远程分析，并通过结果进行定期优化。未来，随时门店数据量变大、数据分析需求变多，可考虑边缘计算的模式进行；2.本次试点过程中没有对拍摄商品的频次进行专门研究，但基于数据分析的投入产出比，建议基于每家门店闲时和忙时对拍摄频次进行区别对待，如：60-120 分钟/拍摄一次（闲时）、30 分钟/拍摄一次（忙时）；3.目前欧美等过已经开始研究通过无人机对门店货架进行拍摄的方案，考虑到相关技术的成熟度以及试点过程中可能出现的不定因素，本次研究过程中没有开展有关无人机应用的试点研究。11 3.2 方案试点项目一人工拍照 3.2.1 项目背景 试点项目在华东地区某生鲜领域顶尖企业，是“小区门口的菜市场”为其经营特色，产品为新鲜可靠，高性价比的生鲜产品及厨房周边商品。聚焦消费者厨房的核心品类，满足家庭消费者一日三餐需求。目前该企业拥有超过 100 家门店，单店面积在 300800 平方米左右，只售卖和一日三餐有关的商品，但 SKU 数却达 1800 个左右。试点店面积 380 平方米，位于合肥高端居民区，是企业的重点店，营业时间为早 7:00 至晚间 21:00。早间客流以老年人居多，营业高峰为下午至 18:00 左右，下午人群分布较广泛，涵盖 25-75 岁人群，其中女性占较高比例。试点项目在 POC 轮，研究对象是六组货架，包括：调味品 2 组，烹调油 2 组，饮料 2 组。在试点轮，研究对象为全店货架。3.2.2 技术方案与可行性研究 该试点企业是生鲜业内著名和鲜有的标准化极高和货架管理极佳的业内标杆企业，亦不断追求在此道路上的精益求精。通过数据分析和标准化，以高动销率为目标。在企业信息化和标准化的过程中，企业高层发现现实情况中，由于店内的实际陈列摆放无法及时反馈，因此数据中心和商品管理人员的数据有滞后，现实和标准差异无法反映，设计标准商品摆放和实际摆放有差异，且缺货无法及时反映，导致损失销售和原因分析滞后和误差，对商品企划和后续供应链都造成不同程度的影响。因此，及时反映店内实际摆放情况报告缺货是精准分析的第一个重要环节。该企业人员的文化程度为业内首屈一指，大量店长为大学以上文化程度，且试点门店的店长能力较强，适合将高科技技术方案推广到全店进行试点，具体方式为使用手机拍摄货架照片并上传小程序，实时返回检查结果。3.2.3 技术方案的实施过程 方案无需安装大型设备，店长安装手机小程序即可。在 POC 轮，调味品货架最初因为大量自有品牌在数据库中暂无数据，准确率在 75%左右。经过两轮改进后，准确率高于 95%。所有货架均有标准陈列和实际陈列对比记录，可追溯历史摆放图像，并和标准陈列对比，实时性和实际情况反应得到大幅度改善。12 3.2.4 技术方案的实施结果 使用方案后，可及时拍摄实际陈列照片，辨认 SKU，并和系统数据进行对比，发现摆放错误并做出摆放纠正。一方面，及时计算实际摆放占比，提高动销率，提高货架效率，以实际摆放情况数字为决策基础，避免数据滞后延迟。另一方面，及时发现缺货，进行补货计划并为优化供应链提供准确的现场第一时间数据。方案对于历史摆放有据可查，摆放照片存档对比，形成数据报告。图 3.17 数据报告图一 图 3.18 数据报告图二 13 图 3.19 货架前后对比图 3.2.5 相关供应链后续流程 识别结果缺货的，识别 SKU 与前置仓存货数量，若前置仓有存货，提醒店长进行店内排面补货。若前置仓缺货，识别区域中央仓存货数量，若中央仓有货，提醒店长从中央仓补货至前置仓和本店，若中央仓亦缺货，发送缺货信息至采购相关担当人员。系统对缺货进行 SKU，数量，门店，区域，中央仓，进行统计并进行分析。并统计常缺 SKU 的数量和区域分布，并计算和建议安全库存量和再订货库存量。为供应链提供高效信息。3.3 方案试点项目二过道摄像头+电子价签 3.3.1 项目背景 项目落地于北京一大型超市，该超市是业内有名的创新型新零售超市品牌，门店善于使用新技术解决问题，一直走在创新应用的最前端。门店痛点：门店在运营过程中频繁发生促销期间缺货，以及补货不及时的情况。货架商品品类和各个品牌间的表现情况难以用数据做评定，门店和供应商偶有纠纷。不仅如此，缺货以及无数据反哺的情况还会使门店的供应链周转时间变长，影响货品有货率，导致销售额和顾客满意度大幅下降。14 试点超市是该超市品牌旗下新业态门店，总面积超过 5000 平米，与传统门店相比，面积更大，功能更全，设有超市区和餐饮区，超市运营时间早上 9：00-晚上 10：00。试点货架位于超市核心区域，覆盖货架 6 个，货架形状为传统柜式货架，商品品类以速食品及酒水饮料为主。3.3.2 技术方案与可行性研究 试点项目中发现，门店缺货补货不及时，店员需全场巡检才能发现缺货商品，因此补货所需时间长、频率低，且没有针对性。门店周围环境复杂，货架位置和产品包装频繁变更，对于图像识别的要求高，背后的算法成本高昂且错误率高。门店没有准确的商品/货架表现数据做反哺，门店/零售商的决策往往是片面的、不及时的、或拍脑袋决定的。缺乏依据也加长了供应链运转周期，容易与品牌方产生因缺货或不及时补货而发生的纠纷。图 3.8 门店痛点分析图 从技术角度来说，现有的纯计算机视觉识别方案对场景的识别常带有误差，场景周围环境必须符合识别要求才能做到精确识别，这往往意味着不能出现遮挡以及物品过低过偏的情况，但这在现实情况下较难实现。同时，现有的计算机视觉识别方案精确的背后往往意味着需要大量的摄像头以及成本高昂的算法做支撑，对于某些产品而言，外包装过于相似，普通的图像识别技术错误率极高，反弄巧成拙。15 图 3.9 现有 CV 方案的挑战分析图 试点中使用了区别于传统的计算机视觉识别技术，方案经过 2 年的技术迭代和思路重新梳理，逐步从重度依赖于识别图像升级到了识别价签 ID。货架上的价签内置的 LED 灯会以可自定义的频率按照专利的二进制形式进行闪烁，摄像头捕捉到发出的闪灯信号后，就能从后台调取此价签背后绑定的商品信息。再结合图像识别，从而输出该货架的棚格图，还有货架上商品的货架监控报告，向门店的运营人员输出货架的表现报告以及缺货预警。在一段时间的运营后，还可以生成商品以及各个品类/区域/时段的 ROI 数据，反哺门店供应链以及品牌端的各个部门，帮助他们用真实表现数据做更好的预测和改进。图 3.10 方案设计图一 16 图 3.11 方案设计图二 图 3.12 方案设计图三 图 3.13 方案设计图四 17 方案相较于传统的基于摄像头识别商品的技术来说，转移识别商品到识别电子价签的闪灯，这种方式可以避免由于商品外包装的摆放位置、灯光阴影、商品遮挡及人为放错带来的识别干扰，而且大大降低了传统图像识别技术所依赖的计算量和云储存空间，减少了大量识别训练的人工成本和时间成本，是一种易于实施，精准好用的货架监控识别方案。3.3.3 技术方案的实施过程 图 3.14 设备安装图 图 3.15 数据采集图 18 3.3.4 技术方案的实施结果 方案得到了该门店的详细缺货时间分布情况。另外，对于已安装电子价签的门店来说，基本没有过多的硬件投入成本和人员运营成本，软件已经具有了模块化、流程化的功能特点，即安即用。图 3.16 缺货概览分布图 3.4 方案试点项目三货架摄像头+电子价签 3.4.1 项目背景 北京某知名超市存在货架缺货问题，希望通过计算机视觉技术自动检测货架纵深的商品数量。表 3.1 试点门店基本情况描述表 项目 详情 门店面积 1500SQM 日均客流数 2,100 平均客单 59.3 元 全店商品数 10,159 生鲜商品占比 26%营业时间 8:30-21:00 地点 中国北京 19 试点的内容作为缺货解决方案的第一步，时间共计 144 天。项目主要聚焦在场景的真实性验证，即仅对门店正常经营过程中的缺货情况进行全天候侦测和记录，不对门店进行提示或警示，以保证数据的客观真实。试点货架品类选择包括以下四类：冷藏乳品，个人清洁，卫生用品，纸类用品。图 3.1 冷藏乳品类货架图 图 3.2 个人清洁类货架图一 图 3.3 个人清洁类货架图二 20 图 3.4 卫生用品类货架图 3.4.2 技术方案与可行性研究 目前广泛应用的缺货检测方案存在一个需要前置性大量采集商品图片的问题，尤其是商品更新过程中的新增商品，需要对新增商品进行持续性的数据采样，这个过程较大程度上阻碍了技术的大规模应用。试点项目中采用固定相机结合电子价签的方案，通过识别价签来判断商品的信息，从而跳过了商品数据采集的阶段，极大程度加强了方案可落地性。方案具有如下优势：1.实际陈列自动检测：AI 相机和电子价签的拥有独特的交互机制，商品的实际陈列可以自动生成。2.支持万级 SKU 检测：通过价签的辅助，方案可以支持数万 SKU 数的门店。3.极低的运维费用能力：相机提供边缘计算能力，不仅运算能力强大，而且解决了数据敏感性问题。4.高检测精度：通过价签的辅助,方案对陈列和缺货的检测精度高于 95%。3.4.3 技术方案的实施过程 检测方案设定为在门店营业时间，每 30 分钟检测一次货架。21 图 3.5 设备安装图 表 3.2 系统检测结果样例表 日期 缺货商品名 检测时间 缺货时长 2020-10-24 伊利 QQ 星儿童优酪乳酸牛奶 120g（原味）2020-10-24 11:26 2 2020-10-24 伊利风味发酵乳芝士味 180g 2020-10-24 10:06 0.5 2020-10-24 伊利风味红枣味发酵乳 100g*10 2020-10-24 15:48 1.5 2020-10-25 佳洁士锁白致尚技术牙膏（玫瑰矿物盐）120g 2020-10-25 08:04 0.5 2020-10-26 佳洁士锁白致尚技术牙膏（玫瑰矿物盐）120g 2020-10-26 09:45 0.5 2020-10-26 佳洁士锁白致尚技术牙膏（玫瑰矿物盐）120g 2020-10-26 13:46 1.5 2020-10-27 伊利丹麦芝士风味发酵乳原味 215g 2020-10-27 14:26 3.5 2020-10-27 伊利褐色炭烧风味发酵乳 1050g 2020-10-27 19:48 0.5 2020-10-27 佳洁士盐白牙膏 140G 2020-10-27 13:46 0.5 2020-10-28 伊利老酸奶风味发酵乳 138g 2020-10-28 20:29 0.5 2020-10-28 伊利风味原味发酵乳增加 25%钙原味 100g*10 2020-10-28 14:46 1 22 3.4.4 方案实施业务流程 方案实施流程可视化示例:步骤一 步骤二 步骤三 步骤四 3.4.5 技术方案的实施结果 缺货在不同品类商品中均有发生。由于试点门店总客流低于行业均值，可以推断在客流更大的门店缺货现象会更为明显。表 3.3 不同品类的缺货情况统计表 品类 SKU 数 缺货 总时间 营业 总时间 平均每 SKU 缺货率（按缺货时间）个人清洁 45 822.5 1800 1.02%冷藏乳品 37 1379.5 1800 2.07%卫生用品 13 112.5 1800 0.48%纸类用品 11 352 1800 1.78%在次级品类中，食品类快流转商品货架缺货率更高，并且食品类商品（不含生鲜）通常占快消品零售门店 40%以上的销售额。23 图 3.6 不同次级品类的缺货情况统计图 如果更加客观地评价缺货对零售门店销售额的影响，不能按平均缺货时间和商品平均小时销售额进行简单计算。因客流变化，不同时段发生同样时长的缺货，对销售额的影响不同。试点结果表明，货架缺货现象时常发生在客流高峰前或客流高峰过程中。因此根据各品类不同时段的来客数进行加权计算后，可以得出更为客观的缺货分析。表 3.4 缺货率对比表 品类 SKU 数 缺货 总时间 营业 总时间 非加权 缺货率 加权 缺货率 个人清洁 45 822.5 1800 1.02%0.54%冷藏乳品 37 1379.5 1800 2.07%2.11%卫生用品 13 112.5 1800 0.48%0.57%纸类用品 11 352 1800 1.78%1.14%以此作为计算销售损失的基础，根据门店该四个品类平均销售额进行如下测算。仅此 4 个品类，每年因缺货产生的销售额损失约为 77,724 元，占该 4 个品类年总销售额的 1.35%。以此类推（理论推算仅供参考），对于日均销售额为 30万的门店，如生鲜占比为 30%,前后台毛利率 21%，则全年销售额（不含生鲜）为 7,665 万，全年销售额损失为 103.5 万元，全年毛利额损失为 21.7 万。试点过程中，在现场进行了 4 次货架缺货原因现场抽查，并对抽查商品的实物库存进行简单查找和盘点，总结了现场货架缺货的原因如下（按发生的频率从大到小排序）：1.有实物库存，但门店员工未能及时补货到货，此原因占多数。2.无实物库存，货架缺货是因为门店确实没有库存。24 3.货架缺货商品为促销堆头商品，该商品恰为档期堆头商品。4.无实物库存，但正在收货中，通常发生在早上开店前后 1 小时。5.系统库存有，但商品实物不适合售卖（商品破损/过期）。货架缺货的主要原因，并不是传统上我们认为的物理缺货。相反，实地调研的结果反映出来的，是物理库存没有及时补到货架上。员工少活多，由此造成员工实际补货动作比较随机，而导致的货架缺货时间较长。根据试点门店的特点及自动检测的货架缺货数据，佐证了以上事实。门店一天有两次收货，时间间隔大约 5 小时，即上午一次，下午一次。可以推断货架缺货时长于 4 小时的商品，是因为物理缺货造成，而不是员工未来得及补货。仅 20%的缺货情况可以认为是物理缺货。表 3.5 缺货时长统计表 大类 缺货时长 小于 4 小时品次 缺货时长 超过 4 小时品闪 总计 超长时间 缺货占比 个人清洁 150 39 189 20.6%冷藏乳品 355 101 456 22.1%卫生用品 59 9 68 13.2%纸类用品 54 17 71 23.9%合计 618 166 784 21.2%有效处理货架缺货的发现和补货，可以解决主要问题。根据现场调研结果，得到商品从发现缺货到补货完毕所需的时间。造成补货时间过长的原因，一方面是要能够发现缺货（员工并非时刻巡检），另一方面是花时间找货。表 3.6 补货时长统计表 补货时长区间 区间占比 0-1 小时内补货 55.20%1-2 小时内补货 14.22%2-3 小时内补货 5.97%3-4 小时内补货 4.66%4 小时内补货 19.95%25 图 3.7 补货时长统计图 3.5 方案试点项目四机器人 3.5.1 项目背景 试点项目在某著名上市企业旗下超市，中高端、数字化、体验式品质超市为定位，倡导品质、健康、美味、高性价比的价值主张，客群定位中产阶级家庭，尤其是有孩子的中产阶层家庭。目前该企业在北京、广东、福建、江西、湖南、江苏、浙江、四川等地拥有 100 多家中高端门店，面积 1000-3000 平方米不等，每店 SKU 数量在 10000 左右。试点门店位于深圳重要商务区，中高端商城地下一层，营业时间为早上 10点至晚间 10 点。中午营业时间小高峰，多为附近商务楼白领午间休息时间采购，下午下班时间至晚间为高峰，商务楼和附近居民兼有，因位于购物中心 B1 层周末高峰。采集数据包括饮料、零食、调味料、白酒、乳制品等区域，图片共计约1600 张，采集耗时约每次 1.5-2 个小时。3.5.2 技术方案与可行性研究 该企业在数字化工程方面居于行业领先地位，其 CRM，中台等数字化方案都具有业内领先的实际经验。企业希望对于门店商品摆放科学化，对于缺货的监控可以得以改善，提高产品摆放的效率，量化摆放的衡量标准，减少缺货损失，和商品企划和供应链产生良性互动。方案采用巡店机器人，按规划路线，对货架进行拍摄并上传系统。由系统辨认后通知相关业务人员结果。该店场地较宽大，陈列设计高端，使用了机器人进行巡店，不仅可以科学及时反映陈列状况，亦符合企业高端创新的定位和文化。26 3.5.3 技术方案的实施过程 方案实施包括三个方面。第一，建图：控制机器人，在超市进行完整的地图扫描。第二，规划路径：设置运行虚拟轨道。第三，拍照点设置：保存或设置变更。本方案中的巡店机器人采用了英特尔酷睿处理器，同时配合英特尔实感深度摄像头，使机器人具有了与人类视觉准确度相当的机器视觉能力，来识别物体，实现智能导航。英特尔酷睿处理器集成了内含处理器 VNNI 指令支持以及集成图形引擎 DP4A 指令支持的英特尔 深度学习加速技术（英特尔 DL Boost），能够进一步加速人工智能推理。巡店机器人的软件架构同时基于英特尔工业边缘洞见平台和英特尔工业边缘控制平台。这两个软件平台可提供机器对机器(M2M)通信、运动控制、时序分析、云连接、工作负载融合，并为实现机器联网提供 5G 支持。图 3.20 巡店机器人 27 表 3.7 训练数据表 试点初版模型训练数据详情 图片总数 类别 总计 231 张 识别效果 SKU 饮品 106 张 较好 调味品 53 张 较好 乳制品 72 张 较好 3.5.4 技术方案的实施结果 系统对 SKU 进行了识别，效果较好，反应 SKU 陈列实际情况，并给出量化数据。图 3.21 数据报告图 28 第四章 建议和展望 4.1 改进门店货架管理方式 4.1.1 利用 AI 技术识别货架缺货 在很多情况下零售企业门店并不清楚自身的真实缺货情况，往往会误认为没有缺货发生，或者缺货率很低。当引入 AI 技术去识别货架缺货情况后，才开始意识到门店内整体 OSA 可能并不高，甚至 OSA 还在继续降低。通过视觉技术来进行货架盘点，充分证明了 AI 技术能够非常好地识别货架缺货情况，并且对于不同时间段和不同品类都提供了完整的货架缺货数据，让门店清晰地了解到缺货发生的具体位置，具体时间点和缺货频率。所以，基于各个零售企业和门店的实际情况，选择适合的方式和平台接入计算机视觉等 AI 技术，是真正能够帮助识别货架缺货情况的有效手段。4.1.2 明确门店货架缺货原因 导致货架缺货的原因其实非常多，存在缺货情况的门店，应该明确货架缺货的根本原因，这也是解决货架缺货的重要前提。例如，零售企业和门店可以通过故障树进行分析，逐步找到发生缺货的源头，从而对症下药从根本上解决缺货，提升 OSA。图 4.1 故障树分析图 4.1.3 全面优化门店管理 零售企业和门店一旦能够识别自身的货架缺货情况，并且找到缺货原因，那29 么接下来就要采取行动全面优化和改善对于货架和人员的管理，真正解决货架缺货问题。管理的优化可以覆盖以下几点：1.完善客流预测：基于不同品类的客流预测，对缺货补货进行有提前量的自动任务提醒，最大程度减少销售损失。2.优化自动补货系统：对一天多送的企业，可利用大数据进行品类销售高峰的预测，合理安全配送车辆每车的品类组合。在高峰前送到门店，并给门店 30-45 分钟的收货上货时间，全面减少物理缺货。3.突破门店日常运营习惯：高流转重点品类的残损、销毁做到日清日结，减少虚库存，帮助自动补货系统正确下单。4.提升员工工作价值：通过对接缺货检测系统进行自动库存筛查，减少人工查询系统库存，让员工的工作量用在刀刃上，并将 OSA 列为考核指标。4.1.4 保持全链路高效信息传递 门店要实时了解所有货架的情况，并且须要与总部保持信息同步，而同时零售商须与供应商沟通，供应商须与原材料生产商沟通，运作良好的供应链取决于有效的沟通和信息的交流，解决缺货，本质上是要解决全链路信息无缝协同。图 4.2 供应链流程图 4.1.5 技术改进建议 目前主流的缺货检测方案都是基于货架平面照片的检测,弊端是缺乏商品的纵深信息,虽然目前整体不影响缺货检测,但如果有了商品的深度信息,会更加立体地解决缺货问题.建议厂商尝试使用深度相机或者其他能检测到商品深度的技术加以研究,使方案提供的数据更加丰富和完善.4.2 基于 OSA 的扩展应用 本次试点的核心是通过零售技术时时掌控零售门店货架陈列情况。未来，随30 时试点成果在行业的逐渐普及，可以开展如下延伸应用：4.2.1 门店货架陈列数字化转型 通过上述 4 种手段可以将货架及其商品进行拍照，通过相关软件，可以自动化地生成货架棚格图，并基于棚格图，对门店陈列进行调整，并将调整结果与门店工作人员进行时时同步，提高陈列效率。4.2.2 基于单一门店的品类管理 短期内，可基于缺货（消费者购买行为）分析，优化门店商品陈列组合；未来，基于消费者实时购买行为，可将相关成果与商品采购、新品引进和推广等进行有机结合，推出符合单一门店消费人员（私域流量）的商品及营销策略。4.2.3 零供协同与履约 通过实时掌控货架情况，一方面零售企业可以提前向供应链上游企业（生产企业、批发商等）下单，避免缺货的同时给予生产企业更多的准备时间和更少的库存压力，降低长鞭效应带来的供应链成本；另一方面，帮助生产企业大幅减少巡店人员，将更多的人员用在可以创造价值的岗位。此外，相关数据也将更好地用于零供 JBP（年度生意计划）的探讨与确定、商品组合以及消费者精准营销、营销方案履约等方面，从而更好地满足消费者，实现共赢。4.3 建立长远的企业 AI 发展计划 4.3.1 强化企业 AI 战略思维 中国零售行业发展到今天，包括实体零售和线上零售，都已迈入智能零售的阶段。换个角度看，零售业本身也已成为人工智能应用的重要领域。AI 技术能够赋能零售企业转型升级，驱动零售企业进行业务创新，享受知识服务带来的红利。而零售企业从“能用”到“好用”再到“智用”的 AI 能力建设过程中，需要“远处着眼，近处着手”。以货架管理作为契机，企业先进行战略定点，然后逐31 步开展场景定向开发能力建设，AI 平台建设和知识服务建设，通过自上而下推进的方式和持续人才培养的战略，保证项目的顺利推进，同时谨慎合理的选择恰当的技术服务商也关系到项目的成败。利用 AI 技术进行智能化的企业转型，不仅仅是一种技术的引进应用，更多的是企业思维和运营模式的变化。在 AI 项目的实施过程中会遇到各种困难和阻力，包括企业对 AI 能力水平的误解，项目实施牵扯的各方利益再分配以及项目投入和预期之间的不匹配等。在这种情况下，需要建立一种自上而下的项目推进制度，成立由 CIO，甚至 CEO 直接领导的部门，由该部门统一协调各个业务部门完成项目，避免 AI 团队成为业务部门的外包开发人员。4.3.2 培养企业 AI 人才队伍 在 AI 技术团队建设方面，团队至少应该包含零售行业专家、数据科学家、算法工程师和产品经理四个角色。其分工如下：零售行业专家：对于零售行业的 AI 解决方案，团队中需要有经验的行业专家加入。数据科学家：首先，数据科学家需要精通数学、统计学知识，深谙 AI 领域的底层算法，进行底层 AI 算法的研究和开发；其次，数据科学家应该与零售行业专家多沟通交流，逐步建立对零售行业知识的理解。算法工程师：精通 IT 落地实现技术，负责包括总体的系统架构，功能开发和 AI 模型上线工作。许多 AI 算法对 IT 工程人员来讲是一个全新的技术，需要进行自身学习，并需要