多年來,Starbucks 一直面對一個看似簡單但代價不小的問題:門店經常缺貨。
由牛奶、糕點、三文治材料到杯蓋等基本用品,都曾被多任管理層指出影響銷售。 當 Brian Niccol 接任 CEO 後,改善供應鏈與庫存管理就成為他復甦計劃的重點。
其中一個方案,就是導入 AI 驅動的庫存盤點系統。
這套技術由西雅圖初創公司 NomadGo 開發,結合:
員工只需要用手機或平板掃描貨架、雪櫃或儲物區,系統就可以自動識別產品並計算數量。
理論上,它可以:
Starbucks 原本計劃把這套系統部署到 北美超過 11,000 間自營門店。
理想和現實之間,很快就出現落差。
多間門店員工反映,系統在一些最基本的辨識任務上經常出錯。根據報導,AI 主要出現以下問題:
其中一個最常被提及的例子就是 牛奶盒。在部分門店,不同種類牛奶包裝外觀非常相似,AI 有時分不清楚,導致庫存數據錯誤。
對零售系統而言,即使只是小小誤差,都可能造成連鎖問題。當庫存數據錯誤時,補貨系統就可能:
隨著錯誤持續出現,門店員工對系統的信任度逐漸下降。因為每日營運需要依賴這些數據,一旦不準確,反而會令管理更混亂。
最終,Starbucks 在系統廣泛部署約 9 個月後,決定在北美全面停止使用這個 AI 工具。
公司在內部通知中表示,將會停用名為 「Automated Counting」 的系統,並改為採用更一致的庫存管理方式,同時繼續改善供應鏈和補貨流程。
Starbucks 的案例反映了一個常見問題:AI 在示範環境表現很好,但真實門店環境非常複雜。
零售門店通常會出現:
這些因素都會影響電腦視覺的準確度。
對 Starbucks 來說,AI 原本是為了減少繁瑣工作並解決缺貨問題。但當系統無法提供可靠數據時,公司最終選擇停用它,而不是依賴可能錯誤的庫存資料。
這次短暫的 AI 嘗試也提醒不少零售商:只要任務需要高度精準的計數與辨識,即使很低的錯誤率,也足以令整個系統在日常營運中失去價值。
多年來,Starbucks 一直面對一個看似簡單但代價不小的問題:門店經常缺貨。
由牛奶、糕點、三文治材料到杯蓋等基本用品,都曾被多任管理層指出影響銷售。 當 Brian Niccol 接任 CEO 後,改善供應鏈與庫存管理就成為他復甦計劃的重點。
其中一個方案,就是導入 AI 驅動的庫存盤點系統。
這套技術由西雅圖初創公司 NomadGo 開發,結合:
員工只需要用手機或平板掃描貨架、雪櫃或儲物區,系統就可以自動識別產品並計算數量。
理論上,它可以:
Starbucks 原本計劃把這套系統部署到 北美超過 11,000 間自營門店。
理想和現實之間,很快就出現落差。
多間門店員工反映,系統在一些最基本的辨識任務上經常出錯。根據報導,AI 主要出現以下問題:
其中一個最常被提及的例子就是 牛奶盒。在部分門店,不同種類牛奶包裝外觀非常相似,AI 有時分不清楚,導致庫存數據錯誤。
對零售系統而言,即使只是小小誤差,都可能造成連鎖問題。當庫存數據錯誤時,補貨系統就可能:
隨著錯誤持續出現,門店員工對系統的信任度逐漸下降。因為每日營運需要依賴這些數據,一旦不準確,反而會令管理更混亂。
最終,Starbucks 在系統廣泛部署約 9 個月後,決定在北美全面停止使用這個 AI 工具。
公司在內部通知中表示,將會停用名為 「Automated Counting」 的系統,並改為採用更一致的庫存管理方式,同時繼續改善供應鏈和補貨流程。
Starbucks 的案例反映了一個常見問題:AI 在示範環境表現很好,但真實門店環境非常複雜。
零售門店通常會出現:
這些因素都會影響電腦視覺的準確度。
對 Starbucks 來說,AI 原本是為了減少繁瑣工作並解決缺貨問題。但當系統無法提供可靠數據時,公司最終選擇停用它,而不是依賴可能錯誤的庫存資料。
這次短暫的 AI 嘗試也提醒不少零售商:只要任務需要高度精準的計數與辨識,即使很低的錯誤率,也足以令整個系統在日常營運中失去價值。