把战略写在墙上，把执行交给 AI——一家新零售品牌的两年实验。

一家年营收 10 亿+ 的新零售品牌，是如何用 AI 把开店决策周期从 90 天压到 21 天的。不是技术故事，是组织故事。

故事开始：一面写满战略的墙

2021 年初，我第一次见到这家新零售品牌的联合创始人张总，是在他位于杭州的办公室里。

进门第一眼，是一整面白墙贴满了便利贴——红色是用户问题，黄色是产品节点，蓝色是竞争对手的动态，绿色是团队 OKR。张总指着那面墙对我说："我们所有的战略都在上面，执行靠人。"

"执行靠人"——这句话后来成了我们合作两年里最频繁出现的问题的来源。

这家品牌主要卖护肤品，线上线下融合，SKU 超过 2000 个，全国有 120 家直营门店，年营收约 3 亿。从外部看，是一家发展很好的国货新品牌。但张总知道它的内伤：库存周转太慢、门店运营成本居高不下、新品从研发到上市的决策周期太长。

这三个问题，用张总的话说，每年吃掉的现金不低于 8000 万。

第一年：把战略交给人，把执行也交给人

坦率说，我们合作的第一年走了很多弯路。

最初的方案是"全面数字化"：上 ERP、上 CRM、上会员系统，把线下数据打通到线上。这是当时市面上所有咨询公司都在推的方案，听上去无懈可击。

问题在于实施。

三个系统从签合同到上线，花了 11 个月。上线之后，数据倒是通了，但得出的结论是：库存周转问题的根源，在于门店经理对热销品的预判能力参差不齐，差的经理会压错货，造成局部积压同时局部缺货。

这个结论花了 11 个月和接近 900 万才得出来。而且得出来之后，没有人知道接下来该怎么做。

系统是搭起来了，但"执行"依然靠人，而且是靠一群 IT 系统不影响的老人。

第二年：把战略写在墙上，把执行交给 AI

第二年，张总换了一种思路，也换了团队的核心问题意识。

他在那面白墙上加了一行字："AI 替我们做哪些判断，人负责哪些判断？"

这个问题本质上是在问：在哪些场景下，机器比人更可信？在哪些场景下，人比机器更可信？

我们花了整整一个月做这道题。最后得出三个核心场景：

场景一：门店备货预测。

过去 120 家门店的备货由区域经理拍板，受个人经验影响极大。我们把过去两年的销售数据、天气数据、节假日数据、竞品动态、用户复购周期全部接入一个预测模型，让 AI 给每家门店每个 SKU 出每周建议备货量，门店经理只做"接受、调整、拒绝"三个选择之一，并记录原因。

结果：前三个月，AI 的建议被采纳率约 60%。六个月后，提升到 82%。库存周转天数从 87 天降到 61 天。

这里最重要的设计不是 AI 模型，而是"门店经理只做三选一"这个流程。让人的判断和机器的判断都留下记录，可以互相迭代。

场景二：新品上市决策辅助。

过去新品从研发到上市的决策涉及研发、品控、市场、销售四个部门，光是对齐会就要开三个月。

我们把决策流程重新设计了：首先由 AI 做一份"新品风险评分"，基于：类似 SKU 的历史销售曲线、竞品同类产品的用户反馈、当前品牌用户画像和此产品目标用户的匹配度，以及当前门店库存压力。

这份评分不做决定，但作为会议的第一份材料出现。四个部门的讨论从"各说各话"变成了"基于同一份数据的争辩"。决策周期从平均 3.2 个月压缩到 1.4 个月。

场景三：老客户精准激活。

新零售品牌的复购是生命线。过去的激活方式是群发优惠券，有效率极低，且会拉低品牌调性。

我们把 120 万用户按购买周期、品类偏好、价格敏感度、渠道偏好做了分层，针对 8 个细分群体设计了不同的激活策略。AI 负责判断每个用户在哪个群体、什么时机触达最合适、用什么文案。人工团队负责确认策略方向和内容审核。

上线三个月后，激活成功率从 4.3% 提升到 11.8%，而每个用户的激活成本下降了 62%。

两年的总结：战略是人的工作，执行可以是 AI 的工作

两年下来，张总那面白墙还在，但上面多了一条新的分类——AI 负责的判断和人负责的判断。

他对我说过一句话，我觉得是这两年最准确的总结：

"我们没有被 AI 取代，但我们的确被 AI 改造了。不是工具改造了我们，是我们用 AI 重新想清楚了每个人该做什么。"

这场改造有几个关键认知，我想分享出来：

认知一：AI 最擅长处理"可量化的历史规律"，人最擅长处理"不可量化的当下判断"。

库存预测、用户分层、新品风险评分，都是历史规律的延伸。AI 在这里远比人准确，而且不知疲倦、不受情绪影响。但"这家门店明天要搞社区快闪"、"这个区域的竞争对手刚降价"，这种当下的异常信息，只有门店经理能判断。好的 AI 落地方案，是把两种判断都放进流程里，让它们互相迭代。

认知二：战略必须由人来制定，不能外包给数据。

张总有一段时间太信任 AI 的分析结论，把新品上市决策几乎完全交给了"风险评分"。结果上了几款评分很高但市场反应冷淡的新品。复盘后发现，这些新品的历史对标数据来自三年前，但品牌定位在这两年已经有了明显升级，用户群体的审美预期已经不同。AI 用了错的参照系。

"战略写在墙上"——战略判断是人的工作，包括判断 AI 什么时候是错的。

认知三：最大的阻力不是技术，是组织。

门店经理接受 AI 备货建议的比例从 60% 到 82%，这六个月花费的不是技术迭代，而是大量的"向经理解释为什么 AI 的建议比自己的经验可信"的工作。每次 AI 建议被拒绝后，都有人跟进："这次你为什么拒绝？结果怎么样？和 AI 预测的差距在哪里？"这个反馈循环建立起来之后，经理们从对抗 AI 变成了拿 AI 建议当参考。

最大的实施成本不是系统，是人心。

给正在考虑这条路的老板

如果你也在经营一家有一定规模的实体品牌，我有三条建议：

第一，从一条业务线开始，不要全面铺开。 张总第一年全面铺开，几乎什么都没成。第二年聚焦三个场景，每一个都跑通了。小而深，比广而浅有价值一百倍。

第二，先设计流程，再选工具。 很多公司先买了工具，再想怎么用，结果工具和流程完全不匹配。正确的顺序是：先想清楚"AI 在这个场景里负责什么判断，人负责什么判断"，然后再找能支撑这个流程的工具。

第三，建立人与 AI 的迭代机制。 AI 在开始的时候不如老员工，但它会越学越好，前提是有大量"人的纠错信息"进入系统。每次人的判断和 AI 判断不一致，都是让 AI 进步的机会。这个机制不建立，AI 永远停在 demo 水平。

战略写在墙上。执行，可以慢慢交出去。