联华超市股份有限公司是百联集团旗下的重要零售企业，也是服务城市社区民生消费的重要商业力量。联华做的是离居民只隔一条马路的生意：一头连着城市社区里每天买菜、做饭、照顾家人的真实需求，一头连着采购、物流、品控、门店组成的商品供应链。
生鲜业务作为联华经营中的重点板块，具有采购来源多、商品标准化程度低、周转时效要求高、质量管控链条长等特点，涉及现场采购、供应商送货、物流收货、品控质检、农残检测、门店销售与售后反馈等多个环节。近年来，联华围绕“降损耗、增收益”持续推进供应链数字化建设，希望通过线上化流程、商品质量规则 ID 化和 AI 辅助判断能力，把过去依赖纸单、经验和人工沟通的作业方式，逐步升级为过程可追溯、标准可执行、异常可预警、结果可复盘的精细化管理体系。
1. 实施案例的背景
1.1 联华生鲜业务的典型特征
联华生鲜业务的复杂性，集中体现在链路长、商品非标、角色协同密集三个方面。生鲜商品从源头采购到门店售卖跨越多个组织和系统，任何一个节点的信息偏差、规则理解差异或责任界定不清，都可能转化为损耗、争议或顾客体验问题。因此，本案例并不是单点工具改造，而是围绕生鲜经营全链路建立统一线上链路和可执行规则体系。
? 第一，业务链路长。生鲜商品从现场采购、供应商送货、中仓收货质检、农残检测、物流配送，到门店收货、陈列售卖和质量反馈，跨越采购、物流、品控、门店多个角色。任何一个节点出现录入不完整、判断不一致或反馈不及时，都可能影响最终损耗、质量合格率和顾客体验。
? 第二，商品非标程度高。蔬果、菌菇、散称和包装商品在箱规、重量、外观、糖度、农残等方面差异明显，同一品类还会因产地、季节、批次和包装方式不同而出现不同验收要求。传统依靠人工经验套用规则，容易出现抽检口径不统一、扣重计算不准确和拒收争议。
? 第三，业务协同角色多。采购、物流、品控、门店和供应商需要围绕同一批次商品形成一致判断，既要确认采购和装车信息，也要同步质检照片、称重结果、农残报告和门店反馈。如果缺少统一的数据底座，问题责任和结算依据就容易分散在不同人员、不同表单和不同沟通记录中。
1.2 联华生鲜业务的核心痛点
在项目建设前，部分作业仍依赖纸单、人工录入和现场经验判断：采购与装车信息需要重复填写，质检标准依赖人工理解，农残报告需要人工编制和匹配，门店质量反馈难以及时反哺到源头抽检规则。由此带来四类核心困境：
? 数据分散，追溯困难。采购、装车、收货、质检、农残报告和门店反馈分散在纸单、表格或口头沟通中，损耗与质量争议难以及时追溯到具体档口、批次、供应商和责任环节。
? 标准不稳，判断差异大。同类商品在不同人员手中可能出现不同抽检方式、扣重口径和拒收判断，尤其是散称、包装、不定量等非标商品，容易因经验差异引发供应商沟通和结算争议。
? 反馈滞后，风险难前置。门店质量问题多在售卖后才被发现，历史异常难以及时反哺到下一轮采购和中仓抽检规则中，导致问题商品无法被系统自动加严抽检或提前预警。
? 视图缺失，管理难复盘。管理层缺少按角色、场景、批次和问题类型查看的全链路数据视图，无法快速判断损耗来源、质量风险和流程瓶颈，也难以沉淀可复用的优化规则。
1.3 本实施案例的建设目标
本案例的建设目标，是把“降损耗、增收益”拆解为可落地的数字化能力：先把业务动作搬到线上，确保每一批商品、每一次质检和每一次反馈都有记录；再把验收标准沉淀为商品质量 ID 卡，让一线按统一规则执行；最后把 AI 嵌入抽检、识别、计算、校核、报告生成和质量反哺等关键节点，使管理从经验判断转向规则可计算、过程可追溯、异常可预警。生鲜全链路的数字化与 AI 协同管理体系包括：
? 生鲜业务线上化。将采购下单、装车、供应商送货、中仓收货、品控质检、农残检测、配送打卡和门店质量反馈等原本分散在线下或不同表单中的动作统一沉淀到系统中，让每一批商品从源头到门店都有可追溯记录。
? 质量规则 ID 化。将抽检比例、检查项、糖度统计方法、容错阈值、最小包装重量、拍照留痕要求等验收标准沉淀为商品质量 ID 卡，相当于为每类商品建立可执行的“质量身份证”，让一线按同一套规则作业。
? 关键环节 AI 化。把 AI 能力嵌入采购规则维护、中仓品控质检、复杂质检计算、农残校核、报告生成和质量投诉反哺等节点，辅助完成识别、推荐、计算、校核、诊断和预警，推动生鲜管理从经验驱动转向规则可计算、过程可追溯、异常可预警、结果可复盘。
2. 实施案例的过程
2.1 实施项目的范围
组织范围上，项目采用业务与技术联合推进的方式，由联华信息部统一牵头，采购、物流、品控、门店等核心角色共同参与需求梳理和试运行验证，飞书项目组负责方案设计、系统搭建和迭代支持。这样的组织方式保证了方案不是单纯从系统功能出发，而是围绕一线采购、仓内质检、物流配送和门店反馈的真实作业路径展开。
业务范围上，覆盖生鲜商品从采购源头到门店终端的完整流转链路，既包括采购下单、供应商送货、物流收货、品控质检、农残检测等前中台环节，也包括物流配送、门店收货、质量反馈和问题反哺等后续环节。项目通过统一记录批次、规则、图片、重量、报告和反馈结果，把过去分散在不同角色手中的信息串联成可追溯的闭环。
功能范围上，项目按照“生鲜业务线上化、质量规则 ID 化、关键环节 AI 化”的三层逻辑推进，先把业务过程记录下来，再把判断标准结构化，最后在最复杂、最容易产生人工差异的判断节点引入 AI 能力。
? 第一层，生鲜业务线上化。项目先把采购下单、装车、收货、质检、配送打卡、门店反馈等原本分散在线下或不同表单中的动作统一沉淀到系统中。这样每一批商品从源头到门店都有对应记录，采购、物流、品控、门店可以围绕同一批次数据协同，减少纸单流转、重复录入和线下口头沟通带来的信息偏差。
? 第二层，质量规则 ID 化。项目把生鲜商品的验收标准沉淀为商品 ID 卡，相当于给每类商品建立可执行的“质量身份证”。ID 卡中包含抽检比例、检查项、糖度统计方法、容错阈值、最小包装重量、拍照留痕要求等规则，系统据此引导一线质检人员作业，并自动参与放行、扣重、拒收等判断，减少不同人员对同一规则理解不一致的问题。
? 第三层，关键环节 AI 化。在业务过程和质量规则已经在线的基础上，项目把 AI 能力按生鲜经营的真实链路嵌入到四个大环节中：在采购和规则准备阶段通过自动读档、自动生成ID卡草案等降低配置门槛；在中仓品控质检阶段辅助推荐抽检、辅助识别不合格品等；辅助复杂质检判断商品应放行、扣重收货还是拒收；辅助农残校核、报告生成与质量投诉反哺，把风险控制延伸到下一次采购。AI 不替代业务人员最终决策，而是先完成识别、推荐、计算、校核、报告生成和诊断，再由人工复核确认。
2.2 AI驱动生鲜核心业务环节优化
环节一：AI辅助新品采购规则维护，让业务从一开始就走对规则
痛点：新品进入采购环节时，最容易出现商品主档信息理解不一致、散称与包装属性选错、质量检核规则临时配置不完整的问题，后续会直接影响收货、抽检和扣重判断。
针对这一痛点，系统通过读取商品主档，帮助一线采购员自动识别散称和包装属性；结合到货箱规生成新品质量规则 ID 卡草案，让业务人员从重复配置中解放出来，把精力放在规则边界、异常项和生效确认上。采购源头规则更准确，后续收货、抽检和扣重才有一致依据。
（1）主档自动读取，减少源头选择错误。现场采购时，AI 自动读取商品主档，带出品类标记、称重方式和售卖属性，减少采购员手工判断和选择品类标记的步骤。比如采购员录入一批番茄时，不再需要先判断是散称还是包装，系统会根据主档信息自动匹配对应录入方式，避免采购源头就选错规则，影响后续装车、收货和质检判断。
（2）新品规则草案生成，降低 ID 卡维护门槛。新品采购时，AI 会基于到货箱规、商品基础信息和既有品类规则，生成抽检阈值、检查项、容错范围、拍照要求等商品质量规则 ID 卡草案，业务人员只需复核差异并确认生效。比如总部维护一款新品蓝莓时，不用从零配置该新品的质量规则 ID 卡字段，AI 先生成一版“建议 ID 卡”，业务人员重点检查异常项、边界项和是否需要特殊检测即可。
环节二：AI辅助中仓品控质检，让经验判断变成可追溯的智能判定
痛点：中仓品控质检面对的是批量到仓、包装差异和质量波动并存的现场，如果只靠人工经验决定抽检数量、称重记录和不合格品归类，容易出现判断口径不一、证据留存不足和供应商争议。
针对这一痛点，系统将 ID 卡规则、到货箱规、抽检组合、称重照片和不合格品识别整合到同一作业流程中，使质检员按系统推荐完成抽样、拍照、称重和问题归类，形成可复核、可追溯的质检依据。
（1）抽检组合推荐，兼顾发现问题与降低损耗。商品到仓后，AI 先根据 ID 卡规则和到货箱规推荐抽检组合，告诉质检员“开几箱、每箱抽几包”，避免按重量百分比一刀切导致非标包装失真。比如一车草莓到仓后，AI 可以建议少开箱但覆盖关键抽检包数，既能发现质量问题，也减少开箱带来的商品损耗。
（2）称重 OCR 识别，沉淀可复核证据。质检过程中，AI 通过电子秤重量 OCR 识别秤面读数，并把重量数据与照片自动绑定，减少人工抄录和二次录入错误。如果供应商对扣重有疑问，后续可以直接回看原始照片、称重读数和对应批次记录，让扣款和复核都有客观依据。
（3）不合格图像识别，统一问题归类口径。对于腐烂、破损、规格不符等问题，AI 辅助识别不合格品图像，并与称重数据一起沉淀为扣款和责任判断依据。比如一箱叶菜黄叶偏多，系统可以辅助识别问题类型和问题程度，减少只靠“老师傅经验”口头判断带来的差异。
（4）商品规则路由，避免一套规则套所有商品。面对散称、包装、不定量等不同商品，AI 会先根据商品属性路由到对应规则。比如散称苹果和盒装蓝莓进入质检时，系统自动走不同质检规则，前者关注抽样重量和外观损耗，后者更关注包装规格、单包重量和单包异常。
（5）质检结果计算，支撑放行、扣重和拒收判断。在具体判定时，AI 按提示词驱动的计算逻辑，结合外观、重量、容错率、拒收率等规则，辅助判断本批商品应放行、扣重收货还是拒收。比如同一批菌菇既有轻微损耗又有重量偏差时，系统按规则自动算出扣重比例，一线不需要临场反复解释，采购、品控和供应商也能基于同一套计算结果沟通。
环节三：AI辅助农残校核与报告生成，高效识别高风险异常
痛点：农残检测结果需要和商品、批次、仪器数据、报告文件逐一对应，人工整理时容易耗时长、漏核对、报告归档不及时，进口水果等高风险商品还存在批次号和报告时效校核压力。
针对这一痛点，系统自动汇总农残质检单、仪器检测结果、商品名称匹配关系和电子签名，生成可归档、可追溯的检测报告；AI 会校核批次号一致性和时效，发现异常后触发审核不通过和飞书预警，把风险拦截在商品继续流转之前。
（1）农残报告自动生成，减少人工整理和核对。在报告环节，系统会基于农残质检单、仪器结果、商品名称匹配关系和电子签名，自动汇总生成农残报告，减少人工编制、人工复制和人工核对。比如农残员完成当天检测后，不需要再手工整理表格和粘贴结果，系统自动生成可归档的报告，管理人员可以直接查看检测结果、报告来源和对应批次。
（2）进口报告智能校核，前置识别高风险异常。对于进口水果报告，AI 自动比对进口报告中的批次号一致性和时效性，发现不一致即触发审核不通过和飞书预警。
环节四：AI辅助质量投诉反哺，让质量管控延续到下一次采购中
痛点：门店质量投诉过去多停留在事后沟通和赔付处理，问题虽然被记录下来，却很难及时反向影响下一批商品的采购、收货和抽检规则，导致同类质量问题可能反复出现。
针对这一痛点，系统会把门店反馈转化为可计算的数据，反向影响商品质量 ID 卡和抽检参数，让近期高频异常商品在后续批次中被重点关注。
（1）质量反馈反哺，动态加严后续抽检。门店反馈环节，AI 会汇总近期质量问题的频率、类型和涉及商品，判断是否需要加强抽检。如果某个商品连续出现门店质量反馈，系统会生成覆盖 ID 卡的动态调整建议，例如提高抽检乘数、调整容错率和拒收率，并同步处理时效和默认归属方。这样一来，门店发现的问题不会停留在一次投诉处理上，而是会回到下一批商品的采购、收货和质检规则中，提升整个生鲜采购链条的质量提升正循环。
3. 案例取得的成效
整体来看，该案例将联华生鲜链路从经验作业升级为数据驱动作业，成效主要体现在效率提升、质量判定稳定、损耗争议减少和管理透明度提升四个方面。
现场采购中，采购与装车流程由重复录入调整为以装车单为起点自动生成采购单和随车单，现场作业时间缩短约 35%，减少了跨环节信息不一致带来的复核成本。整体一线日均录入时间由约 120 分钟下降至 70 分钟，减少约 42%，一线人员可以把更多精力放在商品质量判断和异常处理上。
品控质检中，AI 抽检组合推荐让开箱数和抽检包数更贴合商品实际包装，减少过度开箱和不必要损耗；AI 质检计算将外观、重量、容错率、拒收率等规则转化为可追溯的判定过程，降低因人工经验差异导致的争议。农残质检场景中，质检准备时间由约 60 分钟缩短至 5 分钟，报告生成时间由约 30 分钟缩短至 1 分钟。
门店申诉中，门店反馈不再只是事后赔付依据，而是可以驱动源头抽检规则调整的数据输入。问题商品被自动识别并加强抽检后，采购、物流、供应商和门店围绕同一套数据协同处理质量问题，帮助企业从“事后处理损耗”转向“前置识别与源头改善”。管理层和门店端通过角色化日报及时查看各场景数据，也让生鲜业务的质量、损耗和责任链路更加透明。该模式具备向更多品类、更多门店和更多质量管理场景复制推广的价值。