公司业务与技术 - 多点数智是亚洲领先的零售数智化解决方案服务商，业务覆盖广泛经营场景，致力于解决零售业运营难题 [3] - 公司核心系统Dmall OS于2024年融入AI技术升级至3.0版本，并于2025年将生成式AI（GenAI）置于战略优先核心位置 [3] - 公司借助大模型技术为超市生鲜出清场景制定科学折扣策略，有效平衡商品新鲜度与门店利润 [4] - 截至2025年6月30日，公司已为麦德龙、胖东来、步步高等438家客户提供技术服务 [4] 行业痛点与AI价值 - 生鲜商品出清是零售业典型的高频、低毛利、强时效场景，直接关系到商品新鲜度维护和消费者体验 [2][3] - 传统人工折扣策略制定不当易导致门店利润受损，且人工处理规模化需求时能力明显不足 [3][7] - AI的核心价值在于将需求预测与动态定价结合，帮助企业在保障售罄的同时提升正价销售比例 [2][9] - AI模型通过动态调整折扣，能有效减少因固定折扣策略导致的消费者战略性等待和非刚性需求的低价冲动消费 [9][12] AI模型应用与效果 - 模型需要商品历史销量、当前库存及收货信息等数据支持，学习历史场景中的合理折扣力度并进行优化 [8] - 模型目标是在售罄的同时提高毛利率，尝试以更高折扣甚至无折扣实现售罄 [8] - 在物美超市的实践中，以20品100家店为标准，模型应用后单日提升利润额3000元，月利润提升超9万元，商品正价销售率提升10% [12] - 模型上线初期采用单店单品逐一验证模式，形成试点效果、收集反馈、复盘优化、扩大试点及全面推广的五步骤执行链路 [10][11] 模型优化与问题处理 - 模型落地过程中需重点关注业务人员的认知引导，业务意见收集是关键环节，可将实际场景中的问题反馈至模型以推动持续优化 [11] - 模型异常问题分为具有规律性的特征问题和无规律的幻觉问题，特征问题可通过优化模型参数解决，幻觉问题需通过提升数据样本量和算法稳定性来改善 [15][16] - 当模型从单一品类扩展至其他品类时，需结合新品类的实际销售数据和业务反馈进行优化，但品类适配并非完全重新学习 [13] - 模型设计的核心思路是以效果为导向，保留自主学习空间，而非按人工逻辑预设固定规则 [14] 人机协作与组织影响 - 业务人员在系统运行中是监督者与合作者，其反馈对模型完成业务知识提炼和修正偏差至关重要 [17] - 模型承接门店中的重复性工作，如固定折扣计算和高频出清决策，让员工专注于更高价值的领域 [17][18] - AI模型通过提升生鲜品毛利，对店长、防损人员、生鲜经理均产生正向影响，在工作量减少与绩效提升的双重利好下，相关岗位更愿意配合AI决策 [18][19] - 大模型在单店上线约两周便能发挥效力，需至少一周覆盖完整销售周期，第二周可进一步规避特殊情况干扰以确保数据稳定性 [12]