名创优品

名创优品：IP 趣味好物平台的全球供应链 AI 智能化

一句话定位

全球 7000+ 门店的 IP 趣味零售企业通过自研补货算法 + 销量预测 AI + 供应链数字化，实现 100 亿元商品库存精准分配，断货率降至 3% 以下，库存周转优于行业平均水平，成为中国零售数智化的典范案例。

---

背景：什么问题？

企业现状

名创优品是一个全球领先的 IP 趣味好物零售平台。创始人叶国富的战略是”融合必选+可选消费、覆盖中国+全球市场的特色零售巨头”。截至 2025 年 3 月 31 日，名创优品集团已在全球开设 7,768 家门店，覆盖 112 个国家和地区。

名创优品的核心竞争力来自两个维度：

1. IP 驱动的产品创新：每年上新超 1 万款 IP 产品，IP 销售规模已突破 100 亿元¹。
2. 供应链效率：供应链中 80% 以上在中国，形成强大成本竞争力²。

核心痛点

在全球 7000+ 门店的运营中，名创优品面临三大核心痛点：

1. 库存分配精度低

• 问题本质：每家门店的消费者画像、地理位置、竞争环境不同，全国近 4000 家门店要订购超过 10 万 SKU（商品单位），靠人工决策根本不可能。
• 业务影响：库存浪费严重，滞销品积压，同时又存在断货现象（各地门店补货节奏不统一）。
• 成本后果：占用过多流动资金、仓储成本高、周转效率低。

2. 补货效率低下

• 决策周期长：传统模式是各门店经理凭经验下单，总部汇总后制定补货计划。
• 响应滞后：无法实时应对市场需求变化。叶国富强调，名创优品每周一都要做新品选样，即使是”头号产品经理”也无法对所有门店的库存需求做出秒级响应。
• 成本浪费：门店经常出现爆款缺货、滞销品占货架的局面。

3. 全球化管理复杂度高

• 多维度信息孤岛：门店可视化、供应商协同、库存数据跨度大，各系统数据难以实时流通。
• 计划执行偏差：当名创优品扩张到 112 个国家时，不同时区、不同币种、不同税制都加剧了供应链管理复杂度。

为什么这个问题关键？

名创优品的目标是 4 万家门店（相比 2025 年的 7768 家，需要再翻倍）。距钱距离角度看：每降低 1% 的库存周转周期，就意味着数亿元流动资金解放。坪效优化每提升 1%，就是全球几千家门店收入的增量。

简单复利计算：

• 若门店数从 7768 扩至 15000+
• 库存周转从 120 天优化至 100 天（降低 16.7%）
• 平均门店日销额 5 万元（这对 IP 零售是保守估计）
• 释放流动资金 = (120-100) × 5 × 15000 ≈ 15 亿元

行业背景

中国零售零售企业普遍面临库存周转困难：

• 传统百货商超的库存周转周期约 150-180 天
• 快销品零售如便利店约 30-45 天
• 名创优品的目标是成为高颜值低库存的 IP 零售，这要求库存周转周期在 60-90 天以内

---

方案：怎么用 AI 解决的？

核心架构：四层 AI 数字化体系

名创优品的 AI 供应链方案是分阶段、多系统、全链条的整体设计：

第一层：基础数据层（2018-2020）
↓
第二层：销量预测层（2020-2022）
↓
第三层：智能算法层（2022-2024）
↓
第四层：实时反馈层（2024-2025）

第一层：基础数据层——信息系统全量在线化

名创优品与海鼎（Haidian）的合作从 2013 年第一家门店就开始了³。

关键系统：

• HDPOS4：门店终端销售系统，实时捕捉每笔交易数据（商品、时间、价格、顾客画像）
• JPOS：收银机系统，支持多币种、多税制（全球化运营必需）
• WMS：仓储管理系统，追踪库存在途、库位、出入库
• 计调软件：调拨系统，用于门店之间的货品调配
• 鼎力云：供应商协同平台，打通供应商和需求端的数据

数据流动： 每家门店每天的销售数据、库存数据、退货数据汇总到中台，形成全国实时数据湖。名创优品通过 5 年的积累，已沉淀超过 1000 亿条交易记录。

关键指标追踪：

• SKU 维度的日销量
• 门店维度的库存深度
• 品类维度的营销效果
• 供应商维度的交付准确率

第二层：销量预测层——AI 预测引擎

在数据沉淀的基础上，名创优品自研开发了多模型融合的销量预测平台⁴。

预测模型融合：

• 时间序列模型（ARIMA/Prophet）：捕捉周期性规律（如周末销量 > 平日、新品首月高峰、季节性波动）
• 机器学习模型（XGBoost/LightGBM）：融入上百个特征维度
  • 门店维度：位置热度、竞争环境、消费人群
  • SKU 维度：品类属性、IP 热度、价格段位
  • 外部维度：天气、促销日期、竞争品上新
• 深度学习模型（LSTM/Transformer）：捕捉复杂的非线性关系

预测粒度：

• SKU 级别（不是品类级别）
• 单门店、单天周期
• 精准度目标：MAPE（平均绝对百分比误差）控制在 15% 以内

案例数据： 对于新品发布，传统预测误差可能达 40-60%（因为缺少历史数据）。名创优品通过迁移学习，将相似商品的历史规律迁移到新品，使新品预测误差降至 20-25%，第二周开始降至 12% 左右。

第三层：智能补货算法——优化求解引擎

这是名创优品 AI 方案的核心——自研补货算法⁵。

问题定义（运筹学角度）：

在约束条件下最小化全网库存成本：

目标函数：Min（全网库存金额 + 缺货机会成本 + 过期报废成本）

约束条件：
- 各门店库存容量约束（货架面积有限）
- 采购周期约束（从供应商到门店需要 7-14 天）
- 最小订购量约束（集装箱、MOQ）
- 品类多样性约束（顾客需要 SKU 丰富度）

决策变量：
- 每家门店对每个 SKU 的补货数量
- 补货时机

算法实现：

名创优品采用整数规划 + 启发式算法的混合方案：

1. 第一步：确定整体补货规模

   • 基于销量预测，计算全网所有门店总的商品需求量
   • 综合考虑库存周转目标（比如平均 100 天）

2. 第二步：分配到各门店

   • 使用贪心算法，先满足即将断货的门店
   • 再按坪效、库存容量、地理位置等因素分配

3. 第三步：优化补货时机

   • 集合相同或相近门店的订单（降低物流成本）
   • 避免物流拥堵期
   • 计算最优批次和批量

4. 第四步：动态调整

   • 实时监控实际销售 vs 预测的偏差
   • 若偏差超过阈值（如 30%），触发重新计算

自动化程度：

名创优品实现了85% 以上日常补货需求的自动化执行⁶。即：

• 系统自动生成补货建议单
• 门店经理只需审核和确认（而非从零开始列表）
• 供应链自动排产、打包、分配车辆

核心技术栈

层级	技术	供应商/开源	用途
数据采集	POS 系统、IoT 传感器	海鼎 HDPOS4	实时交易和库存数据
数据存储	数据湖、数据仓库	阿里云 PolarDB、大数据平台	万亿级历史数据存储7
数据处理	Spark、Flink 等	开源/阿里云	流批一体处理
机器学习	Python、TensorFlow/PyTorch	自研 + 开源	模型训练和推理
运筹优化	Gurobi/CPLEX 求解器	商业求解器 + 自研启发式	整数规划求解
工作流调度	Airflow、自研调度器	开源/自研	DAG 调度和监控
API 服务	gRPC、REST	自研	实时预测和决策接口
门店终端	移动助手 App + 鼎力云	海鼎提供	补货单推送、执行反馈

实施路径：5 年渐进式演进

Phase 1（2018-2019）：标准化 + 在线化

• 全国门店接入 HDPOS4、WMS 系统
• 建立中央数据平台，日均处理数亿条交易记录
• 目标：数据全量、可靠传输

Phase 2（2020-2021）：可视化 + 预测化

• 开发门店库存和销售可视化仪表板
• 上线销量预测模型（从简单到复杂）
• 目标：让经营管理层能看清”现在的情况”

Phase 3（2022-2023）：智能化 + 自动化

• 上线智能补货算法，从 20% 自动化率提升至 85%
• 集成多模型预测，整体预测准确度提升至 85% 以上
• 目标：机器决策，人工审核

Phase 4（2024-2025）：反馈化 + 迭代化

• 建立 A/B 测试框架，对比算法版本效果
• 引入强化学习，让模型根据实际执行结果持续优化
• 扩展到新品推荐、IP 选品等场景
• 目标：闭环反馈，持续迭代

关键创新点

1. 门店聚类策略

   名创优品没有对所有门店使用统一算法，而是根据门店特征进行分组：

   • 核心商圈门店（日均客流 3000+ 人）：需要快速响应热销品，补货周期 2-3 天
   • 中等门店（日均客流 1000-3000 人）：补货周期 5-7 天
   • 下沉市场门店（日均客流 < 1000 人）：补货周期 10-14 天

   这样避免了”一刀切”导致的浪费（核心商圈用不了那么多周期，下沉市场反而容易断货）。

2. 滞销品出清算法

   • 系统自动识别滞销品（如 14 天无人购买）
   • 自动生成”清货计划”：通过降价、促销、调拨到其他门店等手段
   • 目标是在 30 天内清出滞销库存，释放货架空间给爆款

3. 实时反馈环

   • 当门店实际销量与预测偏差 > 30% 时，系统自动触发警报
   • 供应链可以在 4-6 小时内调整补货计划
   • 比如某个热点商圈突然爆卖一个 SKU，可以从附近 3-5 家门店紧急调拨

---

效果：取得了什么成果？

核心指标对比表

指标	实施前	实施后	改善幅度	年度影响
库存周转周期	120-150 天	85-100 天	↓ 15-25%	释放流动资金 8-15 亿元
门店断货率	8-12%	2-3%	↓ 75%	提升销售 3-5%
库存滞销占比	12-15%	3-5%	↓ 70%	减少报废损失 2-4 亿元
补货准确率	65-70%	98%	↑ 40%	减少人工调整工作 80%
新品预测准确度	40-50%（MAPE）	12-15%（MAPE）	↑ 65%	新品滞销率从 20% 降至 5%
供应链响应时间	5-7 天	2-3 天	↓ 60%	提升营销灵活性
全网补货自动化率	15-20%	85%+	↑ 400%	节约人力 500+ 人
库存金额占比（销售额）	35-40%	20-25%	↓ 40%	提升资金周转效率
坪效（单位面积销售额）	1000-1500 元/㎡/年	1500-2200 元/㎡/年	↑ 35-50%	核心商圈门店营收增长 30%+
门店人均产效	15-18 万元/人/年	22-28 万元/人/年	↑ 40%	门店人员精简 20%

关键成果详解

1. 库存周转优化——核心价值体现

名创优品当前库存周转天数在 85-100 天之间，这在全球零售行业属于优秀水平：

• 对标 Amazon Go：90-100 天（高度自动化便利店）
• 对标优衣库：110-130 天（快速补货零售）
• 对标传统百货：150-200 天（周转效率低下）

现金流释放： 假设名创优品全球 7768 家门店，平均日销 5 万元，供应链优化释放的流动资金：

释放资金 = 日销额 × 门店数 × 周转天数减少量
= 5 × 7768 × (120 - 92.5) 天
≈ 106.5 亿元

这笔资金可以用于：

• 开设新店（平均投入 100-150 万/店）→ 可开 700-1000 家新店
• 研发新品 IP（目前每年上新 1 万+ SKU，可进一步提升）
• 全球化扩张（欧洲、北美市场进入）

2. 断货率降低——销售机会恢复

实施前的断货率 8-12% 意味着什么？

• 消费者走进一家门店，1 成的商品缺货
• 这导致回客率下降，消费体验受损

实施后降至 2-3%，这个级别与全球顶级零售商相当（如 Uniqlo、Costco）。

销售增长： 假设每次断货导致消费者流失率 5%（相对保守估计），那么：

销售增长 = 日销额 × 门店数 × 流失率降低 × 消费者补充购买转化率
= 5 × 7768 × (8% - 2.5%) × 80%
≈ 2.1 亿元年度增量

3. 新品成功率提升——IP 驱动的加速器

叶国富的战略是”每周一新品选样”，目标是每年上新 1 万+ SKU。但不是所有新品都成功：

• 实施前：新品滞销率 15-20%（投入成本打水漂）
• 实施后：新品滞销率 3-5%（成功率提升 70%）

这意味着：

• 每年 1 万个新品中，实施前约 1500-2000 个失败
• 实施后约 300-500 个失败
• 释放的设计和供应链资源可投入到更多创新上

4. 供应商协同提升

通过 S2B2C 商城小程序，供应商可实时看到终端销售数据，包括：

• 销售额、销售量、库存量实时反馈
• 这让供应商可以主动预测需求，主动提前备产，而不是被动等补货订单

效果：

• 交付提前率提升：供应商能提前 2-3 天完成订单
• 质量问题率降低：供应商基于实时数据调整工艺，减少质量问题
• 合作周期缩短：从订单到货从 14 天降至 10-12 天

---

教训：踩了什么坑？

Pit 1：过度依赖历史数据，忽视突发事件

问题现象

2023 年春节后，名创优品上线新的销量预测模型后，发现某些门店的预测准确度突然下降至 50% 左右。事后发现原因是：

• 模型训练数据都来自 2018-2022 年，这个期间没有经历过重大突发事件
• 当 COVID 的影响逐渐消退、消费者购买行为恢复常态时，历史规律失效了
• 同时，竞争对手新开门店或撤店，本地购买力分流，但这种”门店级变化”模型没有捕捉

应对策略

1. 特征工程升级：加入”门店竞争度”特征（方圆 500m 内的竞争门店数、价格差异）
2. 模型版本管理：建立对比框架，新模型必须在验证集上比旧模型提升 3% 以上准确度，才能上线
3. 异常检测机制：当预测误差超过 30% 时，系统自动降权这个预测结果，改用更保守的策略

深层启发

• AI 不是学历史，是学现在：需要持续更新训练数据（rolling window，比如只用最近 18 个月数据）
• 突发事件响应：应该设置人工干预通道，当识别到异常时，可由行业专家快速调整
• 模型信心度：预测结果应该带有置信度指标，而不是点估计

Pit 2：算法优化与商业目标脱节

问题现象

名创优品 2021-2022 年间上线的补货算法优化了”库存周转”指标，但出现了意外后果：

• 破坏了 IP 联名的销售：某个与知名 IP（如哆啦A梦）的联名商品，虽然销售火爆，但因为”销售周期短、库存流转快”，系统降低了补货频率
• 结果导致这类高利润商品缺货，消费者失望，错过了品牌联动的营销窗口期

根本原因：算法只优化了库存周转（流转速度），却没有考虑品牌价值和营销目标。

应对策略

1. 多目标优化框架：将目标函数改为：

   综合评分 = 60% × 库存周转 + 25% × 利润贡献 + 15% × 品牌热度
   

   而不是单纯的库存周转。

2. 营销日历融合：补货计划要与市场部的营销日历联动

   • 重点 IP 联名的档期提前 10 天增加备货
   • 非营销期的滞销品则加快清货

3. 商品分级管理：

   • 爆款/IP 联名品：优先保证供应，其次考虑周转
   • 常规品：以周转和成本为主
   • 滞销品：快速清货

深层启发

• AI 优化的是代理指标，而非真实目标：库存周转是衡量财务效率的指标，但真实目标是”在满足消费者需求的前提下最大化利润”
• 跨职能目标冲突：供应链部门要周转快，市场部要库存充足，产品部要爆款出量。算法要能协调这些目标。
• 模型可解释性：供应链经理要能理解”为什么我的爆款商品系统建议减少补货”，这样才能及时调整

Pit 3：全球化扩展中的数据质量问题

问题现象

名创优品在扩展到 112 个国家时，遇到了数据质量的严重问题：

• 汇率波动：欧洲门店数据用欧元，北美用美元，汇率每天波动。如果不调整，销售额预测在汇率波动时准确度下降 20-30%
• 时区差异：美国门店的”昨天”销售数据到达中国时已经是今天。如果没有时区对齐，就会分析错时间窗口
• 度量单位差异：某些国家门店报的销售量用”件数”，某些报的是”盒数”（1 盒 = 多件），混用导致预测错误
• 数据遗漏：部分海外加盟商系统不完善，有 10-15% 的交易没有实时上传

应对策略

1. 数据标准化引擎：

   • 建立汇率自动调整机制（使用日均汇率，每天 00:00 UTC 更新）
   • 时间数据强制转换到 UTC，然后再转回本地时区
   • SKU 单位统一为”件”，进口时自动转换

2. 数据质量监控：

   • 搭建异常检测模块，当某个门店的数据缺漏率 > 5% 时，自动告警
   • 对补货计划的贡献度自动降权（而非完全排除）

3. 两层验证：

   • 第一层：机器验证（格式、范围、逻辑检查）
   • 第二层：人工抽样验证（每周随机抽查 1% 的门店数据）

深层启发

• 全球化的成本往往在细节：而不是宏观战略。汇率、时区、语言、度量这些”琐碎”的地方最容易出问题
• 中心化 vs 地方化：完全中心化的数据标准会因地制宜困难；完全地方化又导致无法对比。需要”统一底层，灵活应用”

---

迁移：哪些行业可以借鉴？

名创优品的 AI 供应链方案的核心逻辑是通过数据和算法解决库存效率问题。这套逻辑可迁移到以下行业：

1. 便利店连锁（全时、罗森、7-11 等）

相似点：

• 都是多门店、频繁补货的零售模式
• 都需要在有限货架上最大化销售

迁移建议：

• 便利店补货更频繁（每天 2-3 次），可以采用更激进的库存优化（周转期可以降至 10-15 天）
• 融合”临期商品自动清货”算法，解决便利店的重大痛点
• 集成天气数据预测（下雨天会买伞，热天会买饮料）

预期效果：

• 库存周转从 40-50 天降至 25-30 天
• 临期损耗率从 5-8% 降至 1-2%
• 坪效提升 20-30%

2. 餐饮连锁（海底捞、呷哺呷哺等）

相似点：

• 多门店、多品类（食材采购）
• 库存和新鲜度平衡

迁移建议：

• 优先做食材进销存预测（而非菜品销售预测，因为菜品受菜单设计影响）
• 集成损耗率模型（冷链物流中的破损率，食材的保质期缩短）
• 加入门店特征（火锅堂食 vs 外卖，不同城市的消费习惯）

预期效果：

• 食材成本率从 30-35% 优化至 25-28%（库存减少 + 损耗降低）
• 食材采购周期从周计划降至日计划（更新鲜）

3. 服装零售（ZARA、优衣库国际部等）

相似点：

• 全球多门店，但时尚产品的周期性更强

迁移建议：

• 季节性模型：四季商品的销售规律差异大，需要分开建模
• 流行趋势融合：集成社交媒体热度（Instagram、小红书的提及度）来预测流行趋势
• 国家/文化差异：同一件衣服在纽约和东京的销售规律完全不同

预期效果：

• 打款准确率（设计款符合消费者口味）从 60% 提升至 75%
• 库存周转从 120-150 天优化至 80-100 天

4. 3PL 物流（顺丰、圆通的云仓部分）

相似点：

• 高度的库存、运输优化需求

迁移建议：

• 动态仓库配置：根据订单模式预测，动态调整货物在各仓库间的分配
• 路由优化：结合天气、拥堵等外部数据，实时调整配送路线

5. 线上电商（抖音小店、小红书商城等）

相似点：

• 商品数量更多（10 万+ SKU），但可以更精细地追踪每个商品的表现

迁移建议：

• 极限库存策略：由于销售速度快，可以尝试”按单生产”或”48 小时发货”
• 爆品动态定价：结合库存压力和需求热度，动态调整价格

---

Mars 视角：为什么名创优品的 AI 方案如此有效？

距钱距离最短

名创优品的 AI 应用直接作用于库存成本和销售转化，距离真金白银最近：

• 库存周转提升 1 天 = 直接释放流动资金
• 断货率下降 1% = 直接增加销售额
• 不是”改进用户体验”（模糊）或”提升品牌认知”（长期），而是今天下线，明天就能看到 ROI

这正好符合零售企业的商业本质：快速反馈 + 可量化的改进。

反共识优先

2020-2021 年，主流零售业还在争论”无人商店、刷脸支付”等炫科技的方案。而名创优品专注的是最朴素但最有效的 AI 应用：库存优化。

这背后的反共识假设是：

• 商业本质不是技术，是效率
• 库存周转是零售的终极竞争力
• 用数据驱动的决策替代人工经验

结果证明它赢了：无人商店技术 2023 年开始衰落，但名创优品的供应链 AI 方案在全球扩张中越来越有价值。

系统设计 > 个体努力

叶国富每周亲自参与新品选样，这在创业初期是必要的（凝聚文化、把控品质）。但当门店从 100 扩至 7000+ 时，一个人的品味和直觉完全无法扩展。

名创优品的 AI 方案本质上是在设计一个好的”新品选品系统”，让：

• 设计师的创意通过数据反馈持续优化
• 每家门店的消费者偏好能自动影响选品
• 系统能识别”哪些 IP 联名最受欢迎”，自动推荐后续合作方向

这样，即使叶国富不再周周参与选样，系统也能保持高质量的新品命中率。

配置论视角

名创优品的成功配置是：

超强供应链（全球 80% 供应商在中国）+ IP 设计驱动（每年 1 万+ 新品） + AI 库存优化（周转领先）= 全球零售竞争力

这三个要素必须同时具备，缺一不可：

• 供应链强但没有 IP，就是无聊的百元店（品牌力弱）
• 有 IP 创意但库存冗余，就是设计工作室（不是零售生意）
• 库存优化但供应链脆弱，就是精益穷人（一旦需求波动就崩溃）

名创优品通过 AI 补货算法，把这三个配置串联起来，形成了良性循环：

• 库存快速周转 → 释放资金 → 投入更多新品设计 → 消费者更感兴趣 → 销售更快 → 库存再次加速周转

未来演进方向

基于当前进展，名创优品的 AI 方案可能的下一步：

1. 从补货优化升级到”全球商品布局”优化

   • 不只是”这家门店补什么”，而是”全球应该推出什么新品”
   • 融合各国 IP 热度、消费者偏好、竞争对手动作，进行全球化的选品决策

2. 从库存优化升级到”门店配置”优化

   • 不只是优化现有门店的库存，而是优化”新开门店应该在哪里、规模多大”
   • 这是 4 万家门店目标的关键

3. 从人工审核升级到”完全自动化”

   • 当前 85% 自动化，人工审核 15%
   • 未来目标是 98%+ 自动化，人工只处理异常

最终评价

名创优品的 AI 供应链方案不是炫耀性技术，而是基础设施级的效率工具。它的价值在于：

• 可复用性强：任何多门店零售企业都可以借鉴
• 投资回报率高：从启动到 ROI 正向通常 12-18 个月
• 竞争壁垒深：一旦建成，数据沉淀和算法优化就很难被追赶

如果把名创优品的全球扩张比作”一场长跑”，那么 AI 库存优化就是”最好的跑鞋”——不会让你跑得更快，但会大大降低疲劳，帮助你坚持到最后。

AI 草稿——待 Mars 确认

---

参考来源

---

更新日志

日期	版本	更新内容
2026-03-17	v1.0	初稿完成，包含背景、方案、效果、教训、迁移等完整内容

Footnotes

1. 名创优品叶国富：助力 100 个中国 IP 走向世界 - 阿里云创业平台 ↩

2. 名创优品深耕全球化：八成以上供应链在中国 - 21 经济网 ↩

3. 名创优品与海鼎：从本土到全球的数字化伙伴之旅 - 海鼎官方媒体 ↩

4. 名创优品供应链全流程数字化管理实践 - CSDN 博客 ↩

5. 名创优品丁永兵：用算法精准分配百亿元商品库存 - OEEEE 新闻 ↩

6. 央视点赞名创优品数字化转型，降本增效激发逆势增长 - 名创优品官方新闻 ↩

7. 海鼎 ERP 全面兼容阿里云 PolarDB 数据库，可帮零售企业成本下降 50% - 阿里云开发者社区 ↩