泊伊美汇如何用AI解决美妆零售库存决策与门店陈列效率难题的案例

泊伊美汇是一家以美妆零售为主业的连锁品牌企业，总部位于河南，门店覆盖河南、山东等多个省份。公司起步于跨境免税美妆业务，逐步发展为涵盖B端供应链和C端零售的综合性美妆运营平台，旗下门店数百家，SKU数量超过数千种。

泊伊美汇从跨境业务起家，天然具备数字化基因——公司很早就自建了包含办公管理、仓储物流、电商平台、会员管理、加盟管理等功能模块的智能化管理平台，形成了来自数十万级消费者的数千万级消费数据资产。正是这些数据积累，让泊伊美汇在2023年成为国内美妆零售行业最早一批规模化引入AI工具的企业之一。

泊伊美汇联席CEO曹一峰在接受采访时明确表示：「我们不是一家单纯的美妆或零售企业，而是科技型企业。」这一自我定位，在实体零售行业并不多见。

尽管泊伊美汇在数字化方面领先行业，但在引入AI之前，仍面临三大管理难题：

库存决策依赖经验判断，周转效率低。 美妆行业SKU多、效期短（部分产品保质期仅12~18个月）、潮流迭代快，传统库存管理依赖买手经验判断。一款产品该进多少货、何时打折促销、哪些SKU该淘汰——这些问题通常由采购人员凭感觉拍板，失误率居高不下。一旦判断失误，要么积压过期造成损耗，要么断货错失销售机会。数据显示，美妆零售行业的平均库存周转天数超过90天，大量资金被压在库存上。

门店陈列靠「感觉」，策略无法复制。 不同门店位于不同城市、不同商圈，面对的消费群体差异显著。一套陈列方案在郑州有效，在济南可能效果平平。传统做法是督导凭经验巡店，手动调整方案，但人工精力有限，督导每月最多巡2~3次，大部分门店的陈列策略处于「放任」状态，无法得到及时优化。

B端供应链利润薄，客户黏性差。 泊伊美汇同时运营B端供应链业务，传统的B端模式是「客户列单子、公司找货发货」，赚的是信息差和物流效率的钱。这种模式利润薄、竞争激烈——一旦有价格更低的供应商出现，客户随时可能流失。公司亟需从「卖货」升级为「卖全案」，建立差异化的竞争壁垒。

针对上述三大痛点，泊伊美汇分三个阶段引入AI工具，构建了覆盖采购、运营、营销的全链路智能化体系：

阶段一：AI库存预测——从「经验拍板」到「数据决策」。 公司自研AI库存预测系统，接入历史销售数据、季节更替规律、竞品动销数据、社交媒体热度等多维信息，通过时间序列预测和需求预测模型，为每个SKU生成未来4~8周的销量预测。系统每天自动生成补货建议和打折促销建议，并推送给采购和门店管理人员。与2023年相比，2025年底至2026年初，库存周转率提高了30%。

阶段二：AI陈列辅助——千店千面的智能建议。 引入大模型驱动的陈列辅助系统，系统基于历史销售数据、季节更替规律，以及同类型优秀门店的陈列经验，自动为每家门店输出差异化的陈列和促销建议。例如，系统会提示「郑州某门店，换季时把防晒产品从侧柜调整到主通道，同时优化品类促销方案，推送对应产品话术到导购端」。系统覆盖所有门店，每天自动刷新建议策略，结束了「督导巡到哪里算哪里」的历史。AI陈列辅助使人力成本降低60%。

阶段三：AI全案服务——从「卖货」到「卖决策」。 基于AI预测能力，泊伊美汇将B端业务从「你下单我发货」升级为「我告诉你该卖什么、并帮你备好货」。AI系统深入分析每款产品的生命周期，预判潮流趋势拐点，主动向客户推荐滞销预警和新品建议。这种「主动式供货」让客户大大降低了滞销风险，客户黏性显著提升。

此外，泊伊美汇还将AI能力延伸至C端获客。基于消费者画像和购买行为数据，AI系统生成个性化的门店获客策略，对比启用AI工具前，门店获客成功率平均提升120%。

泊伊美汇AI系统的全链路应用，带来了全面的经营效率提升：

AI库存预测系统上线后，采购决策的错误率显著下降。系统能够提前预判哪些SKU将进入衰退期（根据多渠道动销数据变化），采购人员据此提前减少采购量，避免了大量滞销损失。同时，AI也帮助识别潜力新品——系统发现某款产品在线上渠道呈现增长势头时，会提前向门店推送备货建议，抓住销售窗口期。

AI陈列辅助的效果更为直观。系统为每家门店生成个性化方案，门店员工无需再凭「感觉」调整陈列，而是执行系统建议即可。督导的角色从「现场指导」转变为「AI方案执行监督」，工作重心转向客情维护和新品培训，人效大幅提升。

在B端业务方面，「AI全案服务」模式使泊伊美汇与客户的合作从一次性交易升级为长期顾问关系，客户流失率显著下降，B端业务毛利率得到明显提升。

泊伊美汇AI系统的技术架构分为数据层、模型层和应用层三层：

数据层： 构建了覆盖消费者、门店、SKU、供应商的完整数据资产体系。消费者端采集了来自数十万级会员的消费行为数据（购买频次、客单价、品类偏好等）；门店端整合了数百家门店的销售数据、库存数据和陈列反馈数据；外部数据源还包括主流电商平台公开动销数据、社交媒体美妆话题热度数据等。数据总量达到数千万级，为AI模型训练提供了充足样本。

模型层： 采用「小模型+大模型」的混合架构。库存预测采用XGBoost+LightGBM集成学习模型，基于历史销售时序数据训练，预测未来4~8周各SKU销量；陈列辅助采用基于大语言模型的推荐系统，输入门店基础信息和历史表现，输出个性化陈列建议和促销方案；趋势预判采用NLP+时序联合模型，分析社交媒体和电商平台的公开数据，预判美妆潮流变化。

应用层： 系统通过Web端和移动端向不同角色用户提供服务。采购人员看到的是补货建议和滞销预警；门店管理人员看到的是陈列调整建议和促销话术；B端客户看到的是专属的品类优化方案和库存建议。系统每天凌晨自动刷新数据，早上8点前推送当日建议，实现了「零人工干预」的自动化运营。

系统由泊伊美汇技术团队自主研发，基于开源大模型框架微调，训练数据来自公司十年积累的业务数据，无需依赖外部数据服务商。

泊伊美汇的AI转型实践，为实体零售企业提供了三点值得借鉴的经验：

第一，数据是零售AI的「燃料」，积累越早越好。 泊伊美汇能够快速引入AI，得益于过去十年持续积累的数千万级消费数据。很多零售企业现在才意识到数据的重要性，但数据资产需要时间沉淀——现在开始积累，五年后将获得与泊伊美汇同等的基础。数据积累没有捷径，关键是做好基础系统建设，让每一次交易都留下可用的数据。

第二，AI的落脚点是「人」，不是「系统」。 泊伊美汇没有用AI取代员工，而是让AI承担「重复性分析工作」，让员工专注于「有温度的服务」。陈列方案由AI生成，员工负责执行和微调；库存预测由AI给出，采购人员做最终判断。这种「AI+人」的分工模式，既发挥了AI的数据处理能力，又保留了人的灵活性和判断力，是零售行业AI落地的最优路径。

第三，从「卖产品」到「卖服务」，AI是升级的杠杆。 泊伊美汇将B端业务从「卖货」升级为「卖全案」，背后是AI预测能力的支撑。当供应商能够告诉客户「你应该卖什么、什么时候卖、卖多少」时，它就不再只是供货商，而是变成了客户离不开的「经营顾问」。这种模式升级，让泊伊美汇在美妆B端供应链的红海竞争中，构建起了技术壁垒。