智能零售与新零售：AI选品与陈列

可视化演示

展示门店客流热力图分区、商品关联规则网络及选品效果评估指标对比，支持模式切换浏览。

一、零售数据资产：先给门店装上“眼睛”

老张在街角开了十二年“幸福里便利店”，进货从来靠“拍脑袋”：隔壁王大妈说酱油卖得好，他就多进三箱；上个月啤酒卖光了，这个月就闭着眼堆满半个仓库。直到他给店里装了智能POS机和客流摄像头，第一次“看见”了顾客——原来每天下午六点半有一波上班族进店买即食食品，货架最里层的进口饼干根本没人碰。AI选品的第一步，就是把门店的“感觉”变成“数据”。

这些数据大体分四类：销售数据（POS机记录每笔订单）、客流热力图（摄像头统计每个货架前的人数和停留时间）、季节性因素（天气、节假日对需求的波动）、商圈特征（写字楼店、社区店、景区店的客群差异巨大）。它们共同构成AI选品的“原料”。

数据之间要打通才有价值：销售数据告诉你“卖了什么”，热力图告诉你“为什么没卖出去”，季节和商圈告诉你“明天该进什么”。把它们汇入数据仓库，就能为后面的选品模型提供统一视角。衡量一个门店空间赚钱能力的核心指标，正是下面的坪效公式：

当老张算出自己店坪效只有82元，而街角连锁店是135元时，他终于明白：不是地段不好，是货没选对、也没摆对。数据这双“眼睛”，让老张第一次看清了自己店的病根。

二、商品组合优化：像配一桌菜一样配货架

老张请客吃饭很讲究：先上一盘凉菜开胃，再上招牌热菜压阵，最后甜品收尾。他慢慢发现，店里进货也像配菜——光有畅销品不行，还得有大路货、利润品、形象品互相搭配。所谓“商品组合优化”，就是解决“货架上这几十个位置，到底该放哪些商品、各放多少”的问题。

AI最擅长的第一步是“购物篮分析”：翻出过去三个月的每一张收银小票，看哪些商品常常“结伴”出现在同一笔订单里。最经典的案例是“啤酒与尿布”：超市发现傍晚买啤酒的年轻爸爸常顺手拿尿布，于是把两者放在相邻货架，销量双双上涨。衡量这种组合关系有两个关键指标：

有了关联规则还不够，AI还引入“千人千店”：写字楼店的早餐组合卖得好，社区店的粮油组合卖得好，景区店的便携零食卖得好，每个店的商品结构都该有自己的一套“菜谱”。同时还要规划品类角色——引流品负责带客、利润品负责赚钱、形象品负责提升档次，再配合库存周转率控制，避免商品躺在仓库里睡觉。

老张照着AI建议，把卤蛋从调味品区挪到即食面货架旁的挂篮里，一个月后两样商品销量分别涨了19%和27%。他说：“以前我靠记忆配菜，现在AI替我看了每一张小票。”

三、陈列布局优化：货架的“黄金宝座”

老张站在店里观察了一个下午，发现大部分顾客进门后本能地右转，视线第一眼落在齐胸高的货架层，最底层的粮油区总是被忽略。这就像故宫办展览，镇馆之宝永远放在最显眼的中央展台——货架也有自己的“黄金视线区”，通常在顾客视线高度1.2到1.6米之间。

陈列优化要解决三个问题：一是“动线”，顾客进店后怎么走、在哪停留，决定哪些区域曝光率高；二是“货位”，把什么商品放在什么位置，让高价值商品占据高曝光位置；三是“关联”，把常一起买的商品相邻摆放，让顾客“顺手”完成连带购买。客流热力图正是实现这一切的“土壤”。

基于热力图，我们可以给每个货位计算一个“加权曝光得分”：

AI把热力图和销售数据结合后，给老张开出一张“换位清单”：牛奶从底层升到第三层，果冻从黄金位挪到旁边，薯片和啤酒搬到了晚上客流的必经动线上。调整后一个月，门店坪效从82元涨到96元。老张感慨：“货架没多一米，钱却多赚了一成，原来位置就是隐形租金。”

四、推荐算法匹配：像熟客一样懂每一家店

老张在这条街待了十二年，熟客老李进门不用开口，他就知道老李要一包黄山毛峰和一袋话梅。AI想做的那件事，就是把老张的“记性”复制到每一家门店——让每一家店都像被最懂邻居的掌柜打理着。

“千人千店”的技术核心是协同过滤：把每家门店的销售记录看成一份“偏好档案”，计算门店之间的相似度，然后让相似的门店互相推荐商品。新店刚开业没有自己的历史数据，没关系——找到商圈画像最接近的几家老店，把它们的畅销品清单按客户群加权后推送过来。协同过滤的相似度计算通常用余弦公式：

老张开第二家校园店时，AI找到三家最相似的社区店，把“速溶咖啡+饼干+即食饭团”的组合推给新店备货。开业第二周，新店坪效就追平了老店。老张笑道：“这AI就像借了几千个老熟客的记忆去看新店。”

五、运筹决策模型：货架的“最优装箱”

老张出差收拾行李箱时总有一套心法：箱子就那么大，先装最值得带的外套，再塞怕压的洗漱包，最后用袜子填缝。选品陈列本质上是同一个问题：货架空间有限、采购预算有限，怎么在几十个候选商品里选出最优组合，让总毛利最高？

这就是运筹学里经典的“0-1整数规划”。三个基本要素缺一不可：决策变量（每个商品选还是不选）、约束条件（货架面积、SKU数量上限、供应商起订量）、目标函数（最大化毛利、坪效或综合得分）。写成数学形式如下：

求解这类模型通常借助开源求解器（如CBC、ORTools）或商业求解器（如Gurobi），它们用“分支定界”法在合理时间内逼近最优解。求解后还要做灵敏度分析：如果某类商品的毛利预期波动10%，最优组合变化大吗？答案能告诉管理者，哪个约束是真正的“卡脖子”环节。

老张把48组货架的数据交给模型，跑出一版被他全盘推翻的“最优解”——但模型给出了理由：那款他私心喜欢的进口饼干，毛利低、占地大、又没人买，占着黄金位是最大的浪费。按模型方案执行后，门店毛利比老张的老方案高出17%。

六、落地实施与评估：先试点再推广

老张上过一次当：听推销员的话，一个周末把五家店全部重新铺货，结果A店大卖、B店滞销，亏了不少。这次他学乖了：先拿一家店做试点，跑两周数据，验证有效再推向其他店。AI落地从来不是“一键替换”，而是一套严谨的工程流程。

流程分四步走。第一步“数据管道”：把POS、摄像头、会员系统的数据统一接入数据仓库，做到每日自动更新；第二步“模型部署”：把训练好的选品与陈列模型封装成服务，每天晚上定时跑一遍，输出第二天的货架建议；第三步“A/B实验”：选两家条件相似的门店，一家用AI方案、一家维持原样，并行运行；第四步“效果评估”：用统一的指标体系衡量胜负。衡量A/B结果的经典公式是提升率：

注意细节：实验组和对照组要选规模、客流相近的门店，测试周期最好覆盖完整的一周（包含周末），否则周中效应会骗人。真实落地中，AI系统还要监控“概念漂移”——夏天过去了，防晒霜的推荐权重必须下降，模型要持续用新数据重新训练。

试点门店运行两周后，提升率16.8%，老张这才放心地把方案推广到全部门店。他总结出一条经验：“AI不是拍脑袋的替代品，而是把'拍脑袋'变成了'先证明再推广'。”

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""AI选品助手：基于历史订单的关联规则挖掘"""  class AssociationMiner:    def __init__(self, transactions, min_support=0.3, min_confidence=0.6):        self.transactions = transactions        self.min_support = min_support        self.min_confidence = min_confidence        self.freq_items = {}        self.rules = []     def _support(self, itemset):        return sum(1 for t in self.transactions if itemset.issubset(t)) / len(self.transactions)     def mine(self):        # 统计单品支持度        for t in self.transactions:            for item in t:                itemset = frozenset([item])                self.freq_items[itemset] = self._support(itemset)        # 过滤低频单品        freq_list = [s for s in self.freq_items if self.freq_items[s] >= self.min_support]        # 统计两两组合        pairs = []        for i in range(len(freq_list)):            for j in range(i + 1, len(freq_list)):                pair = freq_list[i] | freq_list[j]                sup = self._support(pair)                if sup >= self.min_support:                    self.freq_items[pair] = sup                    pairs.append(pair)        # 生成规则 A -> B        for pair in pairs:            for item in pair:                concl = pair - {item}                conf = self.freq_items[pair] / self.freq_items[frozenset([item])]                if conf >= self.min_confidence:                    self.rules.append((frozenset([item]), concl, conf, self.freq_items[pair]))        return self.rules  def main():    transactions = [        {'牛奶', '面包', '鸡蛋'},        {'牛奶', '啤酒', '尿布'},        {'面包', '黄油', '牛奶'},        {'啤酒', '尿布', '牛奶'},        {'面包', '牛奶'},        {'啤酒', '尿布'},        {'鸡蛋', '面包', '牛奶'},        {'尿布', '啤酒'},    ]    miner = AssociationMiner(transactions, min_support=0.3, min_confidence=0.6)    rules = miner.mine()    for premise, concl, conf, sup in sorted(rules, key=lambda x: -x[2]):        print('买%s -> 推荐%s, 置信度=%.2f, 支持度=%.2f' % (            '+'.join(sorted(premise)), '+'.join(sorted(concl)), conf, sup))  if __name__ == '__main__':    main()

1. def _support(self, itemset)计算任意商品组合在全部订单中的支持度，这是关联规则的地基。
2. self.freq_items[itemset] = self._support(itemset)先统计每个单品的支持度，后续置信度计算要反复用到。
3. freq_list = [s for s in self.freq_items if self.freq_items[s] >= self.min_support]把低于支持度阈值的冷门单品过滤掉，减少组合爆炸。
4. pair = freq_list[i] | freq_list[j]用集合合并构造“两两组合”，对应购物篮分析中的候选规则。
5. if sup >= self.min_support:只有整体覆盖率达标的组合才进入规则生成阶段。
6. conf = self.freq_items[pair] / self.freq_items[frozenset([item])]置信度等于联合支持度除以单方支持度，即“买A的人里有多少也买B”。
7. self.rules.append((frozenset([item]), concl, conf, sup))把合格规则连同置信度、支持度一起存下来，供门店陈列决策使用。

常见误区

面试题