背景
客户是一家做轻奢风女装鞋包的中型品牌,北美 + 东南亚 + 中东三个市场。每季选品 200-280 个 SKU,平均生命周期只有 8 周。新品上架 30 天动销率不到 20%,意味着 80% 的 SKU 在用 20% 的爆款养着。
买手团队 6 个人,每个季度盯 3 万个候选 SKU 选 250 个,几乎全凭直觉和经验。一旦买手离职或市场转向,选品成功率就会塌方 —— 客户最近一个季度就因为一个买手离开,新款滞销库存涨了 1.4 倍。
挑战
- 时尚趋势数据散落在 TikTok / Instagram / Pinterest / 小红书,没有统一接口
- 图片是核心 —— 一个色板/一个剪裁的差异决定爆款与滞销,文本特征远不够
- 买手团队抗拒「被算法替代」,模型必须做到「buyer-in-the-loop」
- 服饰退货率天然高,模型不能只盯销量,要算综合 NCG(净贡献毛利)
「AI 选品不是让买手失业,是让买手把 80% 的时间从扫货上省出来,花在剩下 20% 真正难判断的款上。」
—— 客户买手负责人
方法论
我们建立「趋势采集 + 视觉聚类 + 销量预测 + 风控盘点」四模块的雷达,每周输出 200 个候选 SKU 给买手做最终拍板。
STEP 01
趋势源采集
TikTok/IG/Pinterest/小红书 4 个源,每天爬 20 万条服饰内容,提取视觉 + 标签 + 互动
STEP 02
视觉聚类
CLIP embeddings 把每个 SKU 映射到 512 维空间,聚类 80 个时尚单元
STEP 03
销量预测
用过去 24 个月真实销售数据训练 transformer,预测每个候选 SKU 的 12 周轨迹
STEP 04
NCG 风控
结合该聚类历史退货率 + 折扣率,算出净贡献毛利,过滤负 NCG 候选
STEP 05
买手 review
每周一上午雷达推送 200 个 Top 候选,买手 2 小时内完成定夺
STEP 06
上线 + 回流
新款 30 天数据自动回流,标注模型预测 vs 实际差距,持续校准
对比 · Before / After
BEFORE
买手扫 1688 + 阿里巴巴 + 海外 showroom,每周看 5,000 个候选,凭经验+样品手感选 50 个进货。新款上架 30 天动销率 17.8%,滞销 SKU 通过促销清仓,毛利 -8%。
问题:决策速度跟不上趋势变化,人均判断质量参差
AFTER
雷达每周一推 200 个候选(已过 NCG 过滤),买手按图 + 数据点 2 小时定夺 80 款进货。30 天动销率 47%,滞销 SKU 减半,毛利 +14%。
突破:决策从「凭直觉扫」变成「凭数据筛 + 凭直觉拍板」
注:示例为脱敏后的简化版本。
成果数据
新品 30 天动销率 · %
雷达上线后 6 个月
47%
vs. 启用前 18% 季均
M0M1M2M3M4M5M6M7M8
客户原声
X
"我做了 12 年买手,第一次有 AI 工具是真的能帮我减负的。它没让我失业 —— 反而是让我重新找回了「认真选 30 款好的」的状态,而不是「乱七八糟扫 200 款」。"
Xiao Yu · 买手负责人 · 服饰品牌
技术栈
Claude Sonnet 4.6趋势文本理解CLIP / DINOv2视觉 embeddingHelium 10亚马逊销售数据TensorFlow销量预测 transformer海帆 Radar雷达调度