作为全球知名的羽绒服品牌，波司登已连续三年入选Brand Finance全球服饰品牌价值榜。其品牌价值年增长12%，达到19亿美元，在2023年榜单中位居第47位。此外，在入选的中国服饰品牌强度增速的竞争中，波司登高居榜首。

在由企业网D1Net主办的2024全国消费零售CIO大会上，波司登CIO李强深入探讨了公司品牌强度迅猛增长背后的原因以及制胜之道。

“让‘好卖的不缺货，不好卖的少生产’，一直以来都是服装行业，甚至是整个线下零售行业最大的痛点。”李强如是说。

波司登CIO李强

传统销量预测方式存在诸多弊端

传统零售业，尤其是线下销售，通常依赖历史销量数据预测未来趋势，但这种方法在服装尤其是时尚行业存在明显的局限性。原因在于服装时尚行业的产品是非标准化的，每个季度都需重新开发和设计新款，这使得打造畅销产品极具挑战性。即便成功推出热销款，也常面临缺货问题，而滞销产品则可能导致库存积压。为此，波司登一直在积极探索和推动技术创新，以破解这些难题。

过去，很多企业以及科研院所都在尝试通过柔性生产和智能制造，来快速响应市场变化，提高生产效率。

“问渠哪得清如许，为有源头活水来。”在李强看来：“如果方向错了，即便效率再高，也仅仅是在放大错误的影响而已。因此，对在售商品进行客观有效地评估，向中后台、供应链和工厂发出准确的指令，比提升供应链和工厂的效率更重要。”

为了解决长期以来困扰服装时尚行业的痛点，波司登将重点放在了市场和消费者身上，尝试通过大模型等AI技术洞察消费者的真实需求和消费倾向，从根本上解决行业长期以来的库存和供应问题。

线下零售缺乏捕捉用户行为的有效工具

李强强调，所有品牌方都在向全渠道的模式转型，只是进度各有不同。在线上零售领域，通过深入的用户行为分析，已构建了包括浏览、访问、加购以及收藏在内的完整转化率漏斗。然而，线下零售往往缺乏捕捉用户行为的有效工具，这限制了类似转化率漏斗的构建，是导致线下销量预测不准确的根本原因。

他进一步解释，长期以来线下零售主要依赖订单、POS机和成交数据来进行销售分析。为了改善这种情况，门店开始安装传感器和扫描器来捕捉客流信息。然而，这些数据并不足以刻画顾客从进店到最终购买的完整行为链。例如，了解顾客是否对某件衣服感兴趣、是否有触摸行为、是否试穿，都是重要信息。由于缺乏系统地捕捉这些行为的有效手段，导致企业难以构建完整的转化率漏斗，直接影响到了对顾客行为的精准分析。

“但是这一切在技术高度发展的今天都有了突破。”李强说。与线上零售相比，线下零售的转化率更高。线上顾客加购或收藏商品，并不一定完成购买。然而，线下顾客进入门店，通常已经对品牌产生了好感，购买意愿更高。波司登在市场研究中发现，线下零售的端到端转化率显著高于线上，这进一步证明了研究线下转化率的重要性。

在努力提升线下转化率的过程中，业界已经尝试了多种技术。例如，通过在服装上安装RFID(无源芯片)标签来感应和识别顾客的行为，但是这种方法因感应效率低、错误率高和准确性不足而受限。有些门店则采用安装摄像头的方式，利用图像识别技术来捕捉顾客的动作，同样面临着成本高、识别精度不高等问题。

基于微无线传感技术构建线下转换率漏斗

为了提高线下转化率，波司登提出了一种创新的解决方案。“我们在每件衣服上安装了一个类似防盗扣的小芯片。这个小芯片功能类似雷达定位装置，能够感知并测量衣服在x轴的三维偏移量，并实时将这些数据传输给后台系统。”李强介绍道。这种小芯片不仅能起到防盗作用，还能实现自动盘点，以及RFID标签能够实现的各类功能。

最关键的是，通过将这些偏移量数据传输给后台，能够让大模型对这些动作进行识别，从而判断用户的行为。初期，波司登使用神经网络进行数据处理和训练，而现在则基于大模型进行训练。通过大约30万次的初始训练，系统已经能够准确区分用户的具体行为，包括：有意义的触摸行为、试穿行为，或是由于门店理货、其他衣物接触等所造成的干扰。通过这种芯片技术以及大模型的持续训练，波司登实现了门店内用户动作的有效感知。

波司登创新的芯片+大模型方案，是继RFID方案后的下一代解决方案。新系统不仅继承了RFID方案能够提供的所有功能，如自动盘点、自动理货、防盗以及自助收银，而且通过后台模型的强化训练，能够提供更为精准的数据分析和用户行为识别，为门店的日常经营提供有力抓手。

波司登通过微无线传感技术，为每件商品附加一个微型设备，实现商品行为数据的实时收集，精准地捕获消费者行为。如上图所示，基于新的AIoT技术和工具，波司登构建了从进店人数、触摸、试穿到最终销量和总销售额的单店转化率漏斗。

同时，波司登搭建了轻量化、模块化的智慧门店系统，开发神经网络行为分类模型来对产品的每个销售环节进行量化分析，预测畅销产品并优化库存。通过这种方法，店铺管理者和督导可以对门店的日常经营进行深入分析，从而有效提升整体转化率。

智慧门店系统值得被精细打磨。李强介绍，经过3年研发和100万条数据训练，波司登开发的神经网络行为分类模型，以95%以上的精度识别消费者在店内的各种行为，包括触摸、试穿、看价格等，该模型不仅提高了预测的准确性，还显著提升了商品的销售量和店铺的运营效率。

线下零售常见的2大陷阱

尽管冬季羽绒服销量会自然增长，门店流量和业绩也会相应提高，但单纯依靠传统销量数据进行补货可能会错过销售高峰期。

波司登通过数据分析发现，只有35%的热销产品能够连续两周保持在销量排行榜的前10名，而在第二周继续实现销量增长的商品比例仅为25%。

这说明，现有的销量预测和补货策略难以有效应对快速变化的市场需求，特别是在高流量和高业绩的门店中。

基于传统的销量预测方法构建的一整套商品逻辑和供应链体系对于服装行业，尤其是波司登这样专注于羽绒服市场的品牌而言，存在两个常见陷阱。

1)高销售货品容易被过度投入，导致商品到达门店时已过高峰期，销量下滑。

2)对潜力货品缺乏前瞻性，即所谓的“28现象”。其中真正畅销的商品仅占20%，而剩余80%可能都是滞销款，这些商品常常通过降价或促销来清库存，但实际上一些潜力货品可能因为被误杀而丧失很多销售机会。

基于用户行为数据预测销量准确度更高

李强强调，鉴于时尚行业的特点，需要采用更细致的分析方法来精准把握消费者行为和销量趋势，从而解决供应链的时效性问题，确保产品供应与市场需求保持同步。

波司登率先在上海的一家标杆旗舰店应用AIoT方案识别用户的行为数据，研究发现：使用顾客行为数据进行销量预测的准确性普遍高于传统的销量预测方法。在对多家顶级门店进行相似的验证后，李强发现：尽管顾客行为数据并不是百分百准确，但在预测不准确时，其误差仍小于传统方法。

破解门店运营难题 实现一店一策滚动调优

波司登摒弃了传统的销量预测方式，结合顾客的行为数据创建二维象限，横轴代表销售数据，纵轴代表用户行为数据，根据这些数据将商品划分为四大类型。

• 潜力爆款：销量高且试穿、拿起频繁的商品无疑是热销款，需及时增产和补货。
• 风险款：销量高但用户互动较少的商品可能正处于生命周期末期，这类商品补货需谨慎，以避免过度库存。
• 黑马款：销量不高但用户行为数据呈上升趋势的商品应受到重视，不能急于降价清仓，应考虑调整展示位置和营销策略，挖掘其增长潜力。
• 死货：只有商品销量低且顾客行为数据同样不佳时，才视为真正的滞销品，需要通过清仓或折扣促销处理。这类商品只占传统销量预测方法判定滞销品的30%，其余商品都有潜力通过精细化运营实现转化。

通过积累用户行为数据和PDCA循环经验，波司登已形成对单店决策动作的“数字孪生”，使得货品选择、门店主推、定价促销和货品陈列等关键决策均基于实际数据，实现了单店策略的滚动调优。

波司登正在从过去依靠销量数据和管理层主观判断的决策模式，转变为以数据驱动的量化和自动化的决策方式。这种技术创新不仅优化了决策过程，还显著提升了公司的业绩，使得波司登实现了高复合增长，品牌价值得到了快速提升。

小结

最后李强表示，“随着人工智能算法和大数据模型的进步，软硬件技术的持续升级，以及零售经营管理的变革，让我们看到了破解线下零售转化率漏斗的可能，人类此刻很可能已经站在了线下零售数字化大潮的关键节点!”

未来，波司登的目标是将这些先进技术推广至全行业，助力更多品牌提升线下零售的转化率。

2024全国消费零售CIO大会更多精彩内容：

http://event.d1net.com/cioxf2024/

关于企业网D1net(www.d1net.com)：

国内主流的to B IT门户，同时在运营国内最大的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。同时运营18个IT行业公众号(微信搜索D1net即可关注)。