零售營運主管的 AI 導入盤點清單:30 天內找出 3 個能上線的高效場景

去年冬天,我們幫一家連鎖服飾業者做導入盤點。他們的數位長開場第一句話是:「我手上有 17 個 AI 點子,老闆要我這季挑三個做。」問題不是點子太少,是他沒有一把尺,能把「聽起來很酷」和「三十天後能上線、算得出錢」分開。

這篇就是那把尺。一份給零售營運主管的 AI 導入清單,不談願景,只做一件事:在 30 天內,從一堆候選場景裡篩出 3 個真的能推上生產線的。

為什麼零售最容易買錯 AI

零售的資料很髒。商品主檔跨了三代 POS 系統,線上線下的會員 ID 對不起來,退貨原因欄位有一半是店員亂填的。這種環境下,Demo 場景永遠比真實場景漂亮——因為 Demo 用的是挑過的乾淨資料。我們看過太多案子,簽約時用的是理想資料,上線時撞上真實資料,使用率就崩了。

所以盤點的第一原則:不是問「這個場景酷不酷」,是問「這個場景背後的資料,現在拿得到、而且夠乾淨嗎?」

我們把三十天切成三段,每段結束都要有可驗證的產出,不是開會。

第 1 週,把場景全攤開。 找營運、客服、行銷、店務各出一個人,每人列出 3 到 5 個「每天重複做、很煩、規則其實蠻固定」的任務。重點在「重複」和「規則固定」——這兩個特徵決定了 AI 能不能接手。收斂成一張 12 到 20 個場景的清單。

第 2 週,對每個場景打分。 用下面這張表,四個維度各給 1 到 5 分。低於 13 分的直接淘汰,別留戀。

第 3 到 4 週,對前 3 名做可行性驗證。 不寫完整系統,只用真實資料跑一個小樣本:抓 200 筆真實的客服對話、真實的退貨紀錄、真實的商品描述,看模型的準確率撐不撐得住業務標準。撐不住,就換第 4 名遞補。這一步最容易被跳過,也最致命。

依我們的經驗,零售裡分數穩定偏高的,通常是這幾類:商品文案與 SEO 描述的批量生成(頻率極高、資料現成)、客服常見問題的自動草稿(有歷史對話當語料)、退貨與評論的自動分類與情緒標記(規則相對固定)、以及以 RAG 打造的內部商品知識庫,讓門市人員一問就查得到庫存、材質、搭配建議。

反過來,分數常常不及格的,是「AI 智慧選品」「動態定價」這類——不是不能做,是資料就緒度和上線阻力太高,不該當第一批。它們是第二季的事。

盤點做完,你手上會有 3 個場景、每個都有分數、有小樣本驗證過的準確率、有算得出的效益數字。這份東西拿去跟老闆或供應商談,底氣完全不同——因為你談的是證據,不是簡報。

我們自己進場時,做的也就是這件事:先用真實資料把場景篩乾淨,再派工程師駐點把前 3 名扛到上線、扛到有人真的每天在用。Demo 那天全場點頭不算數,三個月後使用率還在 40% 以上,才算數。