E3+PRO的“AI大脑”——『胜券商品』如何让数据智能触手可及？

引言：当传统商品运营遇上AI

“如果说E3+企业智能中台是一匹骏马，那胜券商品就是给它插上了一双翅膀，让它真正飞起来。”

3月初，百胜软件发布了E3+PRO企业智能中台-鞋服版（E3+PRO），这款产品的亮相引发了行业广泛关注。而在发布会现场，除了创始人黄飞、产品负责人山石的演讲，数据中台产品负责人文斌和另一位同事的汇报也让不少外界人士感到好奇：这些产品之间到底是什么关系？特别是频频被提及的“胜券商品”，它在整个体系中扮演着什么角色？

带着这些问题，我们与文斌展开了一场深度对话，听他解读这款被称为“智能商品大脑”的产品，究竟如何让商品运营从经验驱动走向数据智能。

Q1：胜券商品在E3+PRO中扮演什么角色？和E3+PRO是什么关系？

文斌：我先从宏观说起。为什么百胜软件中台战略推出多年之后，我们去年起把E3+企业中台定义为“智能中台”？因为这不是拍脑袋想出来的概念，而是时代的必然。

企业经历了传统信息化建设、数字化发展，到今天AI技术的成熟，加上业务积累的沉淀和基础设施的完善——当这些条件都具备后，智能中台的推出就水到渠成了。

而胜券商品，正是我们这个智能中台最核心的智能体现之一。

传统商品运营靠什么？靠人的经验。商品调拨、配货、补货，90%以上都是人工完成，通过手工表格或者系统辅助，系统只是承载业务流程和数据。而胜券商品的核心，是把AI能力注入其中，让商品运营真正“智能”起来。

打个比方：如果E3+企业智能中台是一匹骏马，胜券商品就是给它插上的翅膀。有了这双翅膀，企业的运营效率才可以飞起来。

Q2：传统商品运营最大的痛点是什么？胜券商品要解决什么核心问题？

文斌：痛点太多了，我总结三大主要方面：

第一，数据孤岛。主数据、业务数据、库存数据、销售数据分散在各个系统里。一个商品人员要做配补调决策，首先得花三天时间从各处把数据拉过来，在Excel里做各种公式统计，然后才能加上人工分析——凭借经验处理数据，数据处理完成后需要导入到业务系统，由于库存的不实时性还可能导致业务系统库存不足等异常报错，再不断修正数据……最后才能把业务指令下发到执行系统。

第二，过度依赖经验。即使有了数据，最后还是凭感觉、凭经验。但经验这东西，有人有、有人没有，有人深、有人浅，而且难免有遗漏或错误。

第三，效率天花板。整个过程太复杂了：拉数据、做表格、分析、调整数量、匹配供需……当企业开两三百家店时，需要七八个商品人员；开到一千家店，可能需要几十个人。而一个人的工作效率是有天花板的。

胜券商品要解决的，就是用AI把这些痛点一网打尽。首先把商品运营所需的所有数据汇集一处，打破孤岛；然后用AI沉淀专家经验，让每个商品人员身边都像有了专家辅助；最后把原本需要九步的工作，变成“确认结果”这一步。

Q3：商品洞察、销售预测、智能配补调这三大核心功能是如何运作的？

文斌：我分别解释一下。

商品洞察是围绕着商品整个生命周期，对畅平滞、销量指标、库存指标做深度洞察。它会结合不同商品的生命周期，设定行业或企业的均值阈值。当某个指标在阈值上下波动时，系统会主动给出建议。

比如你问：“我前50款畅销款应该怎么做？”系统会把这50款商品分别拉出来，看各自处于什么生命周期：导入期的要加大补货，成熟期的要快速补货，衰退期的即使畅销也得控货——因为马上就要下市了。

销售预测则结合了AI能力和我们DATAMAX数据智能中台自身的模型算法，采用多梯度专家模式。先分品类，再分商品生命周期，最后针对不同特点选用不同算法。比如，有的适合时间序列，有的适合机器学习，基于此预测未来一两周的销量。

这个预测可以向上游做采购决策，向下游做补货分配。我们能做到85%以上的准确率，这对企业来说意味着什么？意味着可以大大降低库存风险。

智能配补调是在预测基础上，自动生成每个门店应该配什么商品、配多少件的建议。业务人员要做的，就是核查这个结果是否准确，确认后就一键执行。

Q4：销售预测85%的准确率是怎么做到的？和传统方法有什么不同？

文斌：85%是个平均值，背后是我们“多梯度专家模式”的技术逻辑。

传统预测大多靠经验拍脑袋，或者用简单的历史数据平均。我们的做法是：先对商品做品类分析，再结合生命周期，然后考虑历史销量，还要叠加特殊场景——比如大促、节假日等。

更重要的是，我们不是只用一种算法。有的商品适合时间序列模型，有的适合机器学习，我们会根据商品特点匹配最适合的算法，最后综合得出预测结果。

一个实际案例是某运动品牌客户，他们不仅用我们的预测做向上游采购，还用它做定价决策。比如某款商品进入衰退期，系统会根据当前库存，测算打六折多久能清完、打五折多久能清完，然后建议最优折扣策略。这是智能决策非常直观的场景。

Q5：智能配补调在门店多、SKU多的情况下，真的能算准吗？会不会出错？

文斌：坦率说，没有人能保证AI是100%准确。如果完全准确，就不需要人了，系统自己跑就行。

我们其实提供两类模式：

第一类是规则明确型。如果你的业务规则很清晰，比如“A类店优先补畅销款”，系统会100%按照这个逻辑运算出来。至于结果好坏，取决于你的业务公式是否科学。

第二类是AI增强型。基于大模型算法，可能比你传统的做法更好，但也可能出错。它的特点是不断学习迭代，越来越好，当然要取决于我们对特征工程的提取，以及数据的数量和质量，通过不断的复盘、优化和迭代让预测越来越精准。

所以我们通常的做法是：把两种结果都给到企业，让业务人员对比判断。如果差异小，就用AI结果；如果差异大，业务人员就要思考：是传统做法不对，还是AI模型漏了什么维度？然后我们再调整模型。

给企业的是多种选择，业务只用做最后决策。

Q6：胜券商品对企业的数据基础有什么要求？数据质量不好能用吗？

文斌：这取决于企业想用哪种方式。

如果选择第一种“规则明确型”，再小的企业都能用。因为“1+1=2”是简单的规则和公式，你告诉我们规则，我们就按规则执行，数据量不大也没关系，只需要有和规则相关的业务数据即可。

但如果想要精细化的AI预测和洞察，那确实需要一定的数据积累。数据量太小，效果会打折扣。

不过，很多小客户虽然企业规模小，用的系统可不少：线上有OMS，线下有POS，还有WMS、SRM、财务系统……数据分散在各个地方，同样是割裂的。我们做的就是把所有有价值的数据集中起来，帮他们开始沉淀数据资产。

所以我的建议是：现在就该开始做这件事。数据就像金矿，越早积累，未来价值越大。

/数智中台构建企业数字化基石/

Q7：胜券商品和E3+PRO其他模块怎么协同？

文斌：我举个具体例子——补货。

胜券商品会从E3+PRO里抓取数据：店铺销量、店铺库存、仓库库存、在途情况等等。然后在我们平台上加工处理，结合算法模型生成补货结果。

业务人员确认后，这个结果会自动推回E3+PRO，生成发货通知单给仓库执行发货。仓库发完货，系统自动扣减库存，财务做账——所有环节都是联通的。

整个过程，业务人员只需要做一件事：确认结果。

原来那种“系统外做Excel、再导入系统”的重复工作，完全不需要了。决策和执行在一个平台里闭环完成。

Q8：用了胜券商品后，商品经理的工作状态会有什么变化？产品的终极目标是什么？

文斌：首先，商品经理不用再做那些重复低效的工作了——导表、查数据、来回操作。这些事交给AI。

那他做什么？做更有价值的事：思考怎么让商品变成爆款，怎么做商品企划，做什么营销策略。也就是做一些高价值且AI现在还做不了的工作。

我接触过很多高级商品设计师，AI最多帮你建议一些图片，但设计风格、灵感火花，还是靠人。

至于胜券商品产品的终极目标，我描绘一个场景：

未来，业务人员做商品运营，只需要对着手机上的AI说话：“帮我查查现在畅销款的库存分布，该补货的帮我补一下。”

然后AI会自己去调用商品洞察，筛选出哪些是畅销款、哪些不在衰退期，再调取补货智能体生成补货结果，最后推送到业务系统执行。

你只需要下达一个命令，剩下的AI全包了。

我们现在做的每一个模块——洞察、预测、配补调——都是在为这个“超级AI顾问”储备技能。就像搭积木，等积木搭好了，未来就能实现真正的“对话式运营”。

结语：技术红利，企业当尽快享用

访谈最后，文斌分享了一个感悟：“我接触的很多企业，那些痛点实实在在地存在——数据孤岛、决策靠经验。技术虽然飞跃发展，但很多企业还没享受到红利。优秀的企业，得尽快拥抱这些技术，不然真的会被淘汰。”

从“人找数”到“数找人”，从“事后复盘”到“事中干预”乃至“事前预测”，胜券商品所代表的，不仅是技术的进步，更是零售运营模式的深层变革。

正如文斌所说，这不是选择，而是这个时代的必答题。