深度解析AI大模型在零售行业的核心应用场景

前言

我们继续AI大模型行业应用场景系列，先从大家日常接触最多的零售业开始，零售业也是风叔当前创业主攻的行业之一。

本文描述的零售是指广义上的泛零售行业，商超、鞋服、美妆、餐饮、家居、食品、快消等等，都属于泛零售。

在零售行业中，“人、货、场”是三个最核心的要素，代表了零售业务活动的核心组成部分。任何零售行业的业务都可以用人、货、场的框架来进行拆解，只是不同的细分领域会存在侧重点的不同：

• 比如鞋服企业，既需要自己研发和生产商品，也需要开设线下门店或通过线上电商平台进行售卖。
• 比如商超企业，不需要自己研发和生产商品，但涉及到商品的采购、仓储和物流，并通过线下门店或线上小程序进行售卖。
• 比如快消企业，需要自己研发和生产商品，但往往不需要自己开设门店，而是通过商超、电商平台或其他渠道商进行售卖。

对于零售企业，除了人、货、场这三块核心业务之外，还有一个比较重要环节的是内部办公。下面，我们沿着人、货、场、办公这四大业务环节，详细介绍AI大模型如何为这些环节赋能。

零售行业的应用场景非常多，风叔就不一一列举了，只选择商业价值和可行性都比较高的核心场景进行介绍，相信大家看完之后一定会有收获。

人：营销与服务

智能导购

通过企业微信，现在很多零售企业都搭建了线上的导购团队。但是导购不可能对企业的每个产品都非常熟悉，在面对客户的咨询的时候，也往往会给出不太准确的答复，因而失去成单机会；同时导购的工作效率有限，一个导购每天能工作的时间和能支持的客户数是存在明显的上限的；而且导购的流失率很高，新来的导购还需要熟悉和培训，培训成本很高。

这些问题可以通过智能导购系统来解决，这是一个multi-agent system。

在整个系统中，导购agent处于顶层的位置，辅助人类导购和消费者进行沟通。导购Agent有必备的产品专业知识，能精准识别用户的意图，以特定的语气和风格进行回答。

当用户询问一些特定领域的问题，超出导购Agent的知识范围时，导购Agent会自动将这个问题路由给后面最合适的专家Agent，比如产品专家Agent、售后专家Agent、营销活动专家Agent。专家Agent将检索结果返回给导购Agent，导购Agent再进行总结和输出。

同时，还有一个AI对话分析Agent，用来分析对话内容、提取对话关键词、识别用户情绪。

通过这套系统，能大幅提升导购的工作效率，同时减少导购离职的影响。

我们的AI Agent平台能灵活支持multi-agent system，以及Agent的路由和通信。目前，我们也正在和某500强快消企业深度打磨AI智能导购场景，待案例可对外之后，再和大家做更详细的介绍。

营销活动Agent

一个完整的营销活动包括营销计划撰写、目标人群选择、营销预算分配、营销渠道和营销素材、营销策略执行和统计等环节。

企业在营销活动中存在以下主要痛点：

• 营销部门在制定营销计划时，需要做大量的数据查询和数据计算工作，跨部门繁琐的沟通对齐，以及繁重的计划文档撰写
• 营销创意和素材制作成本高，需要针对每个渠道、每个细分用户群设计营销创意
• 营销策略配置繁琐，细分人群越多，策略配置越复杂
• 营销活动结束后，需要大量繁琐的数据收集和统计、指标计算等工作，以及营销活动总结报告

AI大模型的优势是规划、分析和总结能力，通过构建下图所示的Multi-Agent System，我们可以大幅提升营销活动的效率。

风叔过去对数字化营销系统有非常多的产品实践经验，也非常想用AI大模型进行重构。同时，营销部门仍然是企业内部预算最多的部门，因此营销活动Agent是风叔未来想重点打磨的场景。

营销内容生产

营销部门在制作营销创意素材的时候，往往需要针对不同的营销渠道，制作图片、海报、视频、图文等素材，且每个渠道都有话术和风格的特点需要适配，导致营销素材制作成本高。同时，内容往往是千客一面，难以对不同客户的不同痛点进行针对性营销，影响营销转化率。

我们可以训练两个AI Agent来提升营销内容生产的质量和效率：

• Agent A接收人工或营销计划的指令，按营销创意形式、主题、风格等要求，生成图片、图文、海报、视频等营销素材。同时对接企业知识库，比如产品文档、产品卖点等数据，结合特定的品类或商品，以及目标客群特征，生成更具针对性的营销素材，实现千人千面
• Agent B接收营销部门对于生成内容质量要求的训练，并自动对Agent A生成的内容自动进行审核，包括内容风格、内容、主题、涉黄、政治正确等方面的审核。同时生成审核建议，反馈给Agent A进行修改。

货：商品和供应链

智能采购

采购是商品供应链中的重要一环，主要包括供应商管理和采购订单管理。

供应商管理是信息密集型的环节，传统的供应商管理需要采购员做大量重复的工作，比如供应商寻源、基础信息查询和供应商资质评估。这里是AI大模型能发挥优势的地方。

首先，AI Agent可以根据企业对供应商画像的要求，自动在特定网站爬取供应商信息。其次，AI Agent可以自动调用OCR技术，对供应商的各项信息和资质进行检查，并通过邮件、短信或外呼自动联系符合要求供应商，甚至能根据供应商的特点实现千客千面的沟通。

通过AI Agent自动执行，将采购员从繁琐的工作中解放出来。

在采购订单管理环节，AI Agent可以自动解析销售计划文档，然后结合商品BOM清单、供应商成本和响应时间，输出标准采购计划清单，再由人工进行校对。

最后，AI Agent可以根据采购计划或仓库响应，自动向对应的供应商下单特定数量的特定商品。还能对接供应商的系统API，自动跟踪采购单的进展，当进度不及预期时，自动拨打供应商电话进行催货。

仓储助手

AI仓储助手包括库存计划生成和库存监控。

库存计划是指企业需要准备多少产品库存，在什么仓位时需要补货。库存的数量不能太多，否则容易导致库存积压，产品卖不出去；库存的数量也不能太少，否则容易出现售罄，消费者的需求得不到即时响应。

库存计划的主要任务是计算四大类库存，周转库存、安全库存、过剩库存和风险库存，目标是实现充足的周转库存和安全库存，以应对市场需求的波动，但尽量消除过剩库存和风险库存。

AI仓储助手通过对接企业的实时销售数据和采购数据，根据特定计算方式，为每个品类、每个门店计算上述四大库存，输出标准库存计划。同时支持对输入问题进行答复，比如每个门店、品类的安全库存值、数据来源、计算方式等。

AI仓储助手还能监测商品的库存数量，当库存数量达到安全库存水位时，自动发起采购请求，或者发送提醒给采购员。仓库工作人员还能通过对话方式，向AI仓储助手快速查询某个商品或品类的位置和库存数量。

场：消费场地和场景

门店经营助手

线下门店的店长和员工通常会有查询数据的需求，比如“门店销量同比上周增加了多少”、“哪些品类的销量排名在top 5”、“哪些产品的销售额占比在70%以上”等等。

很多零售品牌也会构建自己的BI系统，也会有移动端工具供门店员工使用。但是现有的BI工具灵活性不足，很多报表都是提前设置好的，员工也只能从有限的维度进行分析。而且使用门槛仍然较高，导致工具在门店端的实际使用率较低。

因此，可以利用大模型构建门店经营助手，让员工通过直接语音对话的方式，实时查询自己所需要的数据。

目前，我们也在某500强客户进行试点。我们并没有使用传统的text2SQL范式，因为text2SQL会存在严重的准确率偏低的问题。我们采取了另外一种更加巧妙的方案，目前准确度可以达到95%以上，待试点结束并取得客户同意之后，风叔会对该案例做更详细的介绍。

办公协同

内部知识助手

内部知识助手，是企业级场景下非常普遍的需求，各个部门都有快速获取信息的需求，比如销售部查询产品信息和案例信息、法务部查询内部政策要求、采购部查询供应商和原材料信息等等。但是企业的文档和资料都分散在不同的系统、或不同部门和员工的电脑里，导致知识和信息的获取非常低效。

通过AI大模型 + Agentic RAG，构建不同的向量知识库，比如产品知识库、案例知识库、法务知识库、采购知识库、营销知识库等，然后根据用户的查询意图，Agent自动路由到最匹配的知识库，完成信息的检索召回。

目前，风叔已经在和多家头部企业进行内部知识助手场景的探索，Agentic Rag的技术范式本身并不复杂，我们可以很快速的搭建出一个完整的demo，但是要实现产品化，还有几个点是需要克服的。

首先，是对于复杂文档的解析。对于纯文本内容，我们已经可以做到非常不错的召回准确率，但企业内也存在非常多复杂的文档，包括文本、图片和表格，这里就需要用到多模态解析技术，对文档中的各种元素分别进行解析，将文本与其相关的表格和图片进行关联和匹配。

其次，企业对数据权限的要求更高。比较简单的情况是到知识库粒度，不同用户只能获取特定知识库的检索结果；更复杂的情况是到数据库字段维度，以商品主数据为例，限定某角色只能获取商品的名称、配料、产地和售价，而无法获取商品的成本、供应商等数据。

虽然还有其他办公场景，但风叔认为内部知识助手是目前办公场景中最普适、最刚需、最具有商业价值的。