生鲜损耗率怎么降：从统一系数到门店级备货的四个台阶

先说一个必须先想通的事：损耗率不是越低越好。

把损耗压到零很容易——每天少备就行，代价是断货。少备一份生鲜，损失是一单毛利加上顾客体验；多备一份，损失是成本价。这两个数字往往差好几倍，而且方向相反。所以备货优化的目标从来不是"降损耗"，而是让缺货成本与报废成本的总和最小。

只考核损耗率的门店，一定会把缺货率悄悄做高——这是考核指标自己造出来的问题，不是店长的问题。

第一阶：全国统一系数

大部分品牌的起点。总部给一个备货系数，比如"按上周同期的 1.1 倍备"。

能解决什么：给了一个统一基准，比纯凭感觉强。
卡在哪：几百家门店的差异全靠店长自己找补。写字楼店和社区店的曲线形状完全不同，一个系数不可能同时合适。有经验的店长会自己偏离，新店长照着执行就出事——这时候你会发现损耗率的门店间差异，比门店的月度间差异还大，这就是典型的信号。

第二阶：门店分级 + 分时段系数

按门店类型（写字楼/社区/交通枢纽/商场）和时段（早/午/晚/夜）分别给系数。

需要什么数据：门店 × 时段的销量，加上门店的业态标签。
能解决什么：把最大的一块结构性差异吃掉了。这一阶的性价比通常最高——不需要建模，一张分组统计表就能做，很多品牌在这一步就能拿到可观的改善。
卡在哪：分级是静态的，处理不了天气、节假日、周边活动这些动态因素；也处理不了单品之间的差别（同一家店，饭团和沙拉的曲线完全不同）。

如果你现在还在第一阶，先做这一阶，别直接跳去做模型。数据准备的工作量小一个数量级，而收益可能占到全部改善空间的一半。

第三阶：门店 × 单品的销量预测

到这一阶才真正需要建模。用历史销量加上天气、节假日、促销排期等特征，预测每家店每个单品明天/下周的销量。

需要什么数据：门店 × 单品 × 日的流水，至少 18 个月（要覆盖两个完整的季节周期和春节）。粒度不够是硬伤——如果系统里只有"门店 × 日"的总营业额，这一阶就做不了，得先改数据采集。

最容易犯的错：把"预测准确率"当成目标。整体误差 10% 听起来不错，但如果误差集中在周末和节假日——恰恰是销量最高、缺货损失最大的那几天——那这个模型在最需要它的时候最不准。要分场景看误差：工作日/周末、平日/节假日、新店/成熟店分开评估。

还有一点：预测要给区间，不能只给一个数。模型其实知道自己什么时候没把握——新品上市、天气突变、周边有活动，这些时候预测区间会明显变宽。把区间交出去，下游才能做出"这几天不确定性大，多留点缓冲"的判断。

第四阶：从预测到备货决策

这是最后一步，也是最多人漏掉的一步：预测值不等于备货量。

大多数预测模型优化的是平方误差，默认高估和低估一样糟。但现实里两者代价不对称。正确的做法是把成本结构直接写进决策——报童模型那套逻辑：最优备货量对应的分位数，由缺货成本与报废成本的比值决定。

举例说明机制：如果缺货成本是报废成本的 3 倍，你就该按 75% 分位数备货，而不是按预测的期望值。换句话说，好的备货量本来就应该系统性地高于预测销量——这不是模型不准，是它在正确地承担风险。不理解这一点的团队，会误以为模型"总是高估"，然后手动往下调，把优化效果抵消掉。

这一阶的产出是一张"门店 × 单品 × 建议备货量"的表，采购或订货系统可以直接导入。同时应该输出一条缺货率与报废率的权衡曲线，让管理层自己选点——是接受 3% 缺货换 1.5% 报废，还是反过来。这是经营决策，不该由模型替你定。

落地比建模难

四个台阶都爬完，模型算得再好，落不到门店也是零。三条实践经验：

• 先灰度。选一批有代表性的门店跑 4–8 周，同时留一批对照门店。没有对照组，销量涨了你分不清是模型的功劳还是当月天气好。
• 翻译成人话。店长不需要理解分位数，他需要知道"今天这个数靠不靠谱"。把模型输出转成三档：正常执行 / 注意（不确定性高，建议留缓冲）/ 人工确认（有异常因素）。
• 留一个"我不同意"的出口，并记录原因。一线一定会遇到模型没考虑到的情况。硬性要求必须执行只会逼出阳奉阴违；允许覆盖但要求填原因，这些记录反而是下一版模型提升的主要来源。

怎么判断自己该做到第几阶

看两个数：门店间损耗率的差异有多大（差异大说明第二阶还没做透），以及缺货导致的丢单有没有在统计（没统计说明你只看到了硬币的一面）。这两件事没搞清楚之前，直接上预测模型大概率是浪费。