StoreLoop 门店异常闭环 | 让每一次门店异常都有结案

01 · Problem

痛的是区域经理、店长和总部运营，不是算法团队。

门店异常发生在分钟级：货架空了、价签错了、临期没处理、冷柜超温、线上订单拣不到货、自助收银漏扫。总部看到报表时已经太晚，区域经理巡店靠碰运气，店长靠群消息救火。

总部太晚

BI 和销售报表只能解释昨天发生了什么，不能告诉今天哪家店、哪个货架、谁应该马上处理。

区域太盲

督导巡店频率低、样本少、主观性强；真正高损耗、高复发的异常经常没有证据链。

店长太累

微信群、电话、纸质巡检和 POS 异常堆在一起，没有优先级、SLA、升级链和结案验证。

一线没证据

店员知道问题多，但缺少可复核照片、库存快照、价签 OCR、处理记录和复扫证明。

02 · Why Now

门店容错率正在下降。

客流波动、即时零售、低毛利、人工成本和消费者即时反馈，让门店异常从“运营瑕疵”变成“利润泄漏”。同时，摄像头、电子价签、POS 接口、边缘 AI 和机器人底盘正在形成可部署基础。

50.12万亿 2025 年中国社会消费品零售总额；便利店和超市仍增长，但门店经营进入效率战。

7810亿 2024 年中国即时零售规模，预计 2026 年突破 1 万亿元；门店正在变成本地履约节点。

$1.73T IHL 估算全球零售每年因缺货和过剩库存承受的库存失真损失。

$849.9B NRF 预计 2025 年美国零售退货规模；线上退货率 19.3%，欺诈和错判继续侵蚀毛利。

03 · Core Insight

门店的问题不是看不见，是没有闭环。

更多摄像头和更多告警会让店长更忙。真正有商业价值的是把异常变成责任明确、时限明确、证据明确、结果可验证的动作，再把处理结果沉淀成下一轮 SOP 和模型训练数据。

告警不是价值

单点视觉 AI 可以发现货架空位，但如果没有 owner、SLA、库存快照和复扫证明，它只是又一个红点。

闭环才是预算

运营负责人愿意为响应时长、同班次关闭率、复发率、价签差错和可售恢复付费。

学习来自结果

低置信度、误报、人工接管、复扫失败和复发异常，是 LeRobot 与边缘模型最有价值的数据。

04 · Solution

StoreLoop 是 existing store 之上的异常闭环操作层。

它不替代 POS、ERP、WMS、电子价签、视频监控或店员任务系统。它把门店真实状态、商品主数据、库存、价格、促销、即时订单、药品追溯和人工处理记录连在一起，让异常从发现走到结案。

识别异常：货架空面、错位、错价、促销牌缺失、冷柜/临期、退货待判、拣货超时和药品追溯缺证。
判断优先级：结合 POS 库存、销售速度、毛利、订单 SLA、合规风险和门店人力。
自动派单：分配给店员、店长、区域经理、药师、损耗专员或机器人辅助动作。
验证结案：用复扫照片、价签 OCR、扫码、库存快照、人工确认和处理时长形成证据包。
沉淀数据：把失败、复发、接管和人工复核导出为 LeRobot episode 与 SOP 改进样本。

05 · Product Workflow

五步闭环：Detect → Decide → Dispatch → Verify → Learn。

第一版只做高频、高损耗、可验证的异常。客户要看到的是闭环率、响应时长、复发率、可售恢复、人工巡检减少和总部追责成本下降，而不是模型演示分数。

Detect

Edge camera、巡检机器人、员工照片、ESL、POS、库存和 IoT 捕捉异常。

Decide

系统按销售损失、合规风险、订单 SLA、库存状态和人力可用性排序。

Dispatch

异常变成有负责人、SLA、目标状态、证据要求和升级链的任务。

Verify

复扫、拍照、扫码、OCR、POS 快照或人工确认验证是否真正修复。

Learn

失败、低置信度、人工接管和复发片段进入异常库与 LeRobot 数据集。

06 · Market Wedge

先切高频、高损耗、高标准化门店。

最好的首批客户不是所有零售商，而是总部强运营、门店数多、SKU 多、即时履约压力大、SOP 强、异常可量化的连锁业态。先用 20-50 家门店跑出指标，再复制到区域和总部。

便利店

高频 SKU、夜间人力少、即时订单多，缺货、错价、临期和冷柜异常容易量化。

社区超市 / 生鲜

低毛利、高损耗、高频补货，空面、临期、报损和冷链响应直接影响利润。

连锁药房

药品追溯码、批次、效期、医保白名单、处方交接和近效期处理需要总部可审计。

即时零售前置门店

线上承诺库存必须等于货架真实状态，拣货超时、替代和取消会直接损害平台体验。

会员店 / 大卖场

货架面积大、人工巡检贵，适合全店视觉或巡检机器人版。

美妆 / 3C / 专业零售

促销陈列、锁柜、退货待判和高价值 SKU 需要证据化闭环。

07 · Business Model

按门店订阅，按闭环价值扩张。

StoreLoop 的收入不是卖摄像头，而是卖“异常在同班次被关闭”。试点先做异常损益表：可恢复销售、工时释放、价签差错、损耗归因、退货返架、冷链响应和合规证据。

软件闭环版

中国 ¥500-2,000/店/月；海外 US$500-1,500/店/月。接 POS/库存、现有摄像头或员工照片、任务流和总部看板。

AI 重点区域版

中国 ¥2,000-8,000/店/月；海外 US$1,000-5,000/店/月。先做冷柜、端架、高频 SKU、退货区和药房柜台。

全店视觉 / 机器人版

中国 RaaS ¥8,000-25,000/店/月；海外可按 US$3,000-8,000/店/月建模。适合大店、会员店和区域旗舰。

企业集成 / 品牌数据

总部级 API、SLA、供应商共担和 CPG 洞察。中国项目费 ¥5万-50万，海外 US$25k-250k。

08 · Go-To-Market

从区域试点进入总部预算。

先找 100+ 门店的连锁品牌，不从“全店智能化”卖起，而从 4-8 周诊断和 60-90 天运营试点卖起。买方是 COO、门店运营负责人、数字化负责人、商品/供应链和损耗负责人。

20-50 家门店

选择同一区域、同一店型、同一高频异常，设置对照门店和 baseline。

60-90 天指标

重点 SKU 可得率、缺货时长、价格错配、冷柜响应、任务同班次关闭率和复发率。

扩张路径

从一个异常模块扩到多模块，再从区域复制到集团总部和供应商共担。

渠道伙伴

POS/ERP/WMS、ESL、视频集成、机器人厂商、零售咨询、药店 SaaS 和 Qualcomm edge 生态。

09 · Competition

不是和摄像头比清晰度，是和人工巡店、BI 报表、单点视觉 AI 比闭环。

Simbe、Focal、Vusion/Captana、Trax/FORM、Pensa、Brain/ShelfOptix、Zebra、Blue Yonder、RELEX、Oracle/SAP 都证明需求真实。StoreLoop 的差异是把“货架真实状态”推进到派单、验证、回写、复盘和训练。

人工巡店

灵活但低频、主观、不可规模化；StoreLoop 给出持续证据、SLA 和跨店 benchmark。

监控 / CCTV

能留视频，但不天然理解 SKU、库存、价格、促销和任务闭环。

BI / ERP

看结果和库存记录强，但不知道货架现场是否真实、谁已经处理、是否复扫通过。

Shelf Robots

Simbe 等扫描能力强；StoreLoop 把扫描结果连到店员任务、药店合规、即时履约和训练闭环。

ESL / Digital Shelf

价签和货架 IoT 是重要数据源，但异常仍需要 owner、SLA、证据和复盘。

任务协同工具

YOOBIC、WorkJam、Reflexis 等负责执行协同；StoreLoop 提供门店真实状态和证据包。

10 · Moat

闭环数据越多，运营判断越准。

护城河不是单个模型，而是门店异常库、行业 SOP 映射、处理结果反馈、客户系统集成、跨门店 benchmark、复发预测和 Qualcomm edge 部署配方。

异常库

缺货、错价、错位、临期、冷柜、退货、药品追溯、拣货超时和漏扫的场景数据。

SOP 映射

不同业态、门店规模、班次、人力和总部规则对应不同 owner、SLA 和证据要求。

结果反馈

任务是否完成、是否复扫通过、是否复发、是否被店长驳回，决定下一轮优先级。

连接器

POS、ERP、WMS、OMS、ESL、RFID、药品追溯、企微/钉钉/飞书和门店视频系统。

跨店基准

总部能看到同区域、同品类、同店型异常密度、响应时长和复发模式。

Edge Profiles

QNN/AI Hub profile、模型版本、延迟、内存、fallback 和回滚记录成为部署资产。

11 · Architecture

边缘实时判断，云端统一运营。

门店侧完成视频流接入、OCR、条码/QR、AprilTag 定位、隐私降噪和本地任务缓存；云端完成规则引擎、总部看板、模型训练、灰度发布和系统集成。断网时仍能记录异常和生成本地证据。

LoopEdge

Qualcomm edge 连接多相机、扫码、ESL、IoT、低速 rover 或固定点位，运行视觉、OCR、定位和隐私过滤。

Store Services

SQLite/FastAPI mock POS、SKU 主数据、库存缓存、planogram、价签、促销、任务队列和证据包。

Closure Cloud

总部运营规则、SLA、升级链、异常损益表、跨店 benchmark 和系统连接器。

Learning Cloud

LeRobot HIL、数据版本、中国/海外训练云、AI Hub/QNN profile、签名部署和灰度回滚。

12 · Competition Demo

3 分钟看见一个门店异常如何结案。

桌面货架 demo 用纸价签、SKU 盒、QR/GS1、AprilTag、USB/MIPI 相机、可选低速 rover 和急停。目标不是演示无人店员，而是演示异常发现、派单、人工接管、复扫结案和边缘部署。

Scan

设备扫描 2 层货架，AprilTag 定位货架格，QR/OCR 读取价签和 SKU。

Mismatch

C2 空面但 POS mock 显示后仓有 12 件；价签 OCR 6.90 与 POS 7.50 不一致。

Work Order

系统生成补货、价签复核、错位整理和人工确认任务，10 分钟未处理升级店长。

HIL

反光或遮挡触发人工接管，只记录复核任务，不直接写库存或价格。

Close

复扫通过后工单 closed，证据包展示模型版本、库存快照、处理人和 AI Hub/QNN profile。

13 · Why Qualcomm

Qualcomm 让门店 AI 从“能跑”变成“能规模化跑”。

门店是高密度、多摄像头、强隐私、弱网络容错的边缘 AI 场景。StoreLoop 需要在本地完成视觉、OCR、条码、定位、脱敏、任务缓存和低速机器人安全，不应把每个视频帧送到云端。

Edge Vision

SKU、空面、价签、促销牌、QR、AprilTag、冷柜和退货区都需要现场判断。

AI Runtime

AI Hub、QNN、ONNX Runtime QNN EP 和量化 profile 把云训练模型变成可度量 edge artifact。

Local Privacy

默认不做人脸识别和顾客画像；上传前只保留必要 crop、证据元数据和脱敏片段。

Offline First

门店断网时仍能扫描、生成本地任务、缓存证据包，联网后同步总部。

Hardware Path

QCS6490/RB3 Gen 2 做比赛原型，QCS8550/RB6/Dragonwing 路线支持更高阶迁移。

14 · Ask

把 StoreLoop 做成 Qualcomm 零售 physical AI 的可复制样板。

比赛阶段要证明完整商业闭环，而不是单点视觉模型：异常发现、派单、处理、复扫、证据、HIL episode、AI Hub/QNN profile、中国/海外训练云和下一轮部署。

Edge Kit

RB3 Gen 2、QCS6490/QCS8550 或 RB6，用于多摄像头、OCR、条码、NPU profile 和本地 dashboard。

Retail Data

mock POS/API、SKU 主数据、价签、库存、planogram、药品追溯和 5-10 个真实门店异常流程样本。

Design Partners

便利店、药房、社区生鲜、即时零售前置门店、ESL/POS 集成商和机器人伙伴。

Trial Metrics

同班次关闭率、响应时长、价签差错、OOS 时长、冷柜异常、退货返架和 HIL episode。

15 · Claims & Sources

只讲可验证的商业事实。

页面不主张“替代店员”“全球首个”“零误报”“99% OSA”“无需集成”“全 SKU 自动补货”“已获 Qualcomm 官方背书”。StoreLoop 的安全主张是 human-in-the-loop、边缘脱敏、任务验证和渐进式试点。

一句话 pitch：连锁零售用 StoreLoop 把缺货、错价、临期、冷柜、退货、拣货和药店合规从门店异常变成可派单、可验证、可复盘、可训练的异常闭环。

让每一次门店异常都有闭环。