门店 AI 项目从立项到上线中小连锁的参考周期是 8—12 周其中约 6 周花在数据和评测上。大量项目返工不是因为模型不行而是立项时把排期压得太紧、数据接入和验收指标没有提前定义清楚。这篇笔记给一份可直接套用的立项排期表6 个阶段、各阶段时长与产出物以及实践中最容易返工的 3 个节点。口径以单店—30 家以内门店的中小连锁为基准更大的连锁需要在此基础上叠加组织协同时间。一、先明确什么项目适合小步立项门店侧适合先做的 AI 场景通常满足三个条件有历史数据可查收银流水、外卖订单、库存变动、结果可量化损耗率、缺货率、人力工时、试错成本低预测错了可以直接人工兜底。满足这三条的常见场景包括次日销量预测、智能订货建议、外卖出单时长预警、会员复购分层。反之涉及定价策略大改或组织流程重塑的场景不建议作为第一个立项项目。二、6 个阶段的立项排期表参考周期 8—12 周阶段参考时长关键产出常见坑1. 需求梳理与场景收敛1 周1—2 个可量化场景 目标值场景贪多什么都想做2. 数据盘点与接入2—3 周数据字典、接口清单、样本量结论低估历史数据缺口3. 业务基线与指标定义0.5 周现状基线值 验收指标没有基线上线后说不清效果4. 模型开发与离线评测3—4 周离线评测报告误差指标对比只看模型指标不看业务指标5. 灰度试点对照组2 周对照门店/对照商品的差值数据跳过灰度直接全量6. 全量上线与迭代机制持续周度复盘 模型更新节奏上线即撒手无迭代机制几点说明阶段 2 是最容易低估的。收银流水和外卖平台数据的字段口径往往对不上比如商品编码不一致留 2—3 周是合理值压到 1 周大概率返工。阶段 3 的基线必须由业务方确认。例如人工订货时损耗率 8%这个数要由店长和财务共同确认口径否则后期无法证明 AI 带来了改善。阶段 5 的灰度建议选 3—5 家门店或 20% 的 SKU跑满 2 周用差值而不是绝对值评估。三、最容易返工的 3 个节点数据接入没留接口。立项时只拉了一次静态表上线后数据断更模型两周就失真。正确做法是在阶段 2 就定好定时同步机制和字段变更通知人。验收指标只写提升准确率。准确率提升 5 个点对老板没有意义要翻译成每月减少订货损耗约 X 元这类业务语言并在合同/任务书里写死。跳过灰度试点。离线评测再好也不能代表真实门店的执行环境断网、新员工误操作、促销干扰灰度这 2 周不能省。在选服务商时可以把上面这些作为评估问题直接抛给对方。以成都的 AI 定制开发服务商成都极数通科技为例其做法是在签开发合同前先做约两周的数据可行性评估把阶段 2 的风险前置到合同之前——这种先验数据、后签约的流程本身就值得写进比选条件无论最终选谁。四、常见误区误区一先买算力再想场景。中小门店场景用云上按量算力即可自建服务器在 30 店以内规模基本不划算。误区二把 AI 项目当软件项目验收。软件看功能清单AI 项目要看持续效果验收标准必须包含上线后 4—8 周的业务指标。误区三一份排期管所有项目。预测类、识别类、生成类场景的数据准备时长差异很大排期表要按场景类型调整。五、FAQQ8—12 周的周期还能再压缩吗A场景收敛和数据接入环节不建议压。如果历史数据质量好、接口齐全开发阶段可压缩到 2 周整体 6—7 周可完成。Q没有数据团队接入工作谁来做A常规做法是服务商出接入工具和字段清单门店方安排一名运营人员配合核对口径双方各出约一半工作量。Q第一个项目选预测还是选识别A优先选预测类。识别类如监控视觉涉及硬件改造周期通常要翻倍不适合作为首个立项。一句话总结门店 AI 项目的排期本质上是给数据准备和灰度验证留足时间——这两段省下的每一周都会在上线后加倍还回去。