首先非常感谢CCFA的邀请。今天分享的内容是作为软折扣零售企业，我们怎么拥抱AI。好特卖从成立第一天开始，就注重数字化以及AI的探索，已经有了一些初步的应用。但在讲AI应用之前，我想先明确一个观点：虽然AI非常重要，但在任何企业用AI之前，得先明确价值观。

昨天我们有一个小时的课，CCFA请了胖东来调改的一些企业代表，例如步步高来分享。在步步高的分享里，大家都看到的是动线改革、服务改革、商品改革，但我们内心感觉最重要的是内核的价值观改革。同样道理，AI能够更强大地帮大家做决策，但最原始的价值观是需要大家输入的——你用AI到底在解决一个什么样的问题？

首先介绍一下好特卖。好特卖在2025年4月正式通过共益企业(B Corp)认证。一句话来讲，共益企业就是运用商业的力量来让商业和社会变得更好。所以我们的思维不是用AI去竞争或竞价，而是如何让行业、商业社会以及老百姓的生活变得更好，这是我们的价值观初衷。

可能大家对好特卖不是很了解。一些大家耳熟能详的、新潮的、小众的品牌很多都在好特卖销售，比如达能、联合利华、依云、伊利等都是我们的合作伙伴。好特卖也是中国第六十七家、目前唯一一家获得共益企业(B Corp)认证的零售企业。我也欢迎更多企业按照全球认证的标准去看看自己的企业是否也能创造更多美好。

简单介绍一下好特卖的人货场：首先，我们的消费者78%小于40岁，以年轻人为主。其次，我们做尾货为主，每周换新率超过20%，这不是刻意做的，而是大量尾货销售带来的。第三，我们的选址主要在shopping mall，一线城市的shopping mall是主力，因为租金高，很多商超不太会选这里。我们的业态更像食品饮料界的奥特莱斯，主要做品牌尾货处理。

另外，好特卖对自己的定位是非竞争性定位。我们觉得每个零售业态都有自己的生态位。比如我们把电商比喻成老鹰，有更宽的维度，几乎没有天敌，自我革新能力强。近场零售则是智慧的群狼，是密集作战的团队。大卖场是狮子，独霸一方。而好特卖对自己的定义是分解者，类似秃鹫、蚯蚓，当大家吃完正餐后，后面的残羹剩饭由我们来处理，但因为我们的存在，生态更健康，减少细菌传播。这是我们对生态位的定位。

基于以上特征，我们开始思考AI对零售商超的启迪。我们一直在问一个问题，AI来了会不会带来失业？在我看来，首先要回答的是：AI员工的到来，对商场而言是降本思维还是增效思维？

最初大家对AI的期待，可能集中在市场部。原来出一张海报或一条短视频，需要一组人；现在AI员工可以替代。但我们可以换一个思路：原来三个人一天出一张海报，现在是把三个人变成一个人，还是让三个人出100张海报、100条短视频？我认为，当我们看到AI时，不要只想着降本，而应首先思考在哪些地方能让效率更高。

前面陈立平教授提到采购的例子。一个懂行的采购，他的存在是减少了采购频次，还是增加了？过去采购可能倾向于少下单、但每单量更大。而现在，有了AI辅助，采购可以每天下100个订单，让所有数据流转得更快。

因此我建议，不要先想降本，而是先想提效：哪些地方AI比人效率更高，然后放大这些环节。我们可以用“10倍好”的思维去审视：采购、市场、配货物流等环节，用了AI后能否比现在好10倍，而不是先想能否减人。

第二个思考方向是，传统的商超管理比较关注人效和坪效。在我们好特卖的管理口径中，坪效从未出现过，我们很少问这个问题。人效在前端我们会关注，但也不是我们最大的痛点，因为我们没有太多人力负担。但我觉得，AI最大的潜力，是在采购领域帮助管理品效——把每个单品的动销数据做AI化分析，从而辅助采购、配货等一系列决策。

这些是我希望大家思考的两个方向。如果我只是分享我们怎么用AI，可能下个月站在台上就被打脸了，因为技术发展太快。现有的实践很难给出太多指导，但我们的思考路径也许能带来启发。

在品效管理上，大家可能都有选品、定价、定量、配货、销售、评价等环节，基本上是这六个流程。我举一个例子：2024年，某超市闭店，我们从进口经销商那里拿到一款巴西原产的100% NFC果汁，之前只在超市卖过，其他渠道没有。这批货临近效期，我们敢不敢收？收了之后能不能在效期内卖完？这是很多超市采购会面临的问题。如果没有数据支撑，通常的做法是收点后台费用，让经销商上架，卖不掉再拉走。

但在好特卖，我们比较早就引入了“AI买手”。两年前我们就开始用大模型模拟成熟专业采购的思维：他会问什么问题？会通过哪些步骤来做调查？所有决策都交给AI来判断。这就是我们在AI应用上的一个实践。

我们大概梳理了13个问题，我这里列举了其中一部分。在13个步骤里，比如我们会做全网的比价，有自己的AI来做线上线下的价格管控；我们也会看小红书上的会员数和粉丝数，看目前的库存情况、单店和不同区域的动销情况。通过这些数据，我们的AI买手会给出反馈——当我们输入品名后，它会显示这个品是定价，在各个区域能卖多少量。

通常来说，买手很难定价。如果从来没卖过这个品，只能凭经验猜国产果汁卖多少、进口果汁卖多少。但好特卖的定价不太按市场价走，因为我们做的是尾货，价格弹性很大。大品牌的折扣和小品牌不一样，效期长和短不一样，这批货是500箱还是5000箱也不一样，定价和定量就变得非常复杂。收尾货时，一个单品收500箱，另一个收5000箱，怎么配到门店、哪个门店离哪个仓近，这些都得靠AI做算法。

这13个步骤里，我们发现有一个关键点——前面的步骤都还好理解，最难的是什么？选品、定价、定量和配货，我们能理解用AI来做，但大部分情况下，我们有一个数据回馈的缺失。真正有价值的数据，其实是销售和评价。大家都说想养龙虾，关键是“养”，不是刚才讲的上面那四个环节。那“养”的数据从哪来？我们现在商超的数据，虽然做了这么多年数字化，但质量可能和“养龙虾”需要的数据还有差距。

举个例子，因为前端的买手决策或者收的费用，会决定你数据的走向。我们每年要卖大概七八万个条码，卖过各种稀奇古怪的东西。有些在外面卖得不好的，在好特卖反而有机会露一面。

比如这两个品——一个日本产的可乐，一个蓝可乐，都不便宜。在好特卖，收了就公平上架，基本都能卖动。我们看数据，日本可乐动销接近5，蓝可乐也有4.8。如果只看动销，可能就觉得都还行。但真正要给龙虾喂的“饲料”，是后面的复购率。我们仔细分析后发现，日本可乐的复购率远远大于蓝可乐。

再看消费者的点评，日本产的可乐满足了期待值，而且好喝；蓝可乐满足了好奇心，但不好喝，所以不影响首次尝鲜，却影响了复购。这些内容需要更细致地挖掘，才是龙虾最好的饲料。如果只看动销数据，是不够的。我们有没有数据清洗的团队，有没有懂数据懂市场的人？当然，也可以养个龙虾，把前提设置好，让它帮你做数据分析。

再讲一个有趣的例子，可能也会让大家感到意外。在口腔护理板块，尼尔森数据显示，全国重点城市牙膏和漱口水的销售比是95:5，也就是说，消费者每买95块钱的牙膏，只买5块钱的漱口水。但在好特卖，这个比例却是75:25，漱口水占比达到了25%。这个数字是怎么来的？其实也是个意外。因为我们有大量漱口水的尾货堆在货架上，结果就跑出了这个比例。

如果按照传统思维去考虑问题，凭经验，你根本不敢给漱口水那么多陈列面。在传统品类管理里，我们可能要等四五十天、六十天去测一个品。但在AI的帮助下，我们可以通过快速测试真实动销，不断优化后续数据，才有可能带来意外的惊喜。

我们后来发现，AI最大的价值其实是帮助大家做差异化赋能。我们现在提到AI，往往想到的是降本提效，但也许可以换个角度：大家常说“产品差异化”，但差异化的成本很高，因为没有历史数据支撑。如果你做差异化，更多是买断，滞销怎么办？有了AI，其实可以帮助各个渠道把差异化做得更轻松、更容易。

我觉得创新本身就是一场接力赛。有人负责出发，有人负责控节奏，有人负责产品爆发，有人负责快速收尾。这就形成了我们彼此之间的接力关系——好特卖通过快速、灵活、柔性的货架，帮大家测品，然后渠道伙伴可以把它做大，最后如果还有库存，好特卖也能快速帮忙清掉。这样大家形成接力，彼此协同。

其实，AI应用最难的是数据完整度和数据体量。每个渠道企业自己想做一个小龙虾容易，但想养龙虾就没那么容易了。所以在这个过程中，除了数据合作，我们还可以在商品层面形成合作。

举个例子，有一款巴西果汁，我们测下来效果很好。我们找到了源头工厂，发现如果直接采购，到岸价只要7块5。我们愿意把这个品拿出来分享，如果大家愿意卖，我们可以兜底——你们卖得好就扩大采购，卖不好好特卖来收尾。

未来，是不是可以有更多商品，用好特卖的AI帮大家选品，把好的品分享出来，大家一起做大规模？谢谢大家。