Albertsons：统一库存数据后，让 AI 检验和下单

2,244 家门店的生鲜困局：数据散落比技术落后更致命

Albertsons Companies 是美国规模最大的食品和药品零售商之一。截至 2026 年 2 月 28 日，公司运营 2,244 家零售店和 22 个专用配送中心。生鲜品类——蔬果、烘焙、熟食——是这类零售商的核心利润来源，也是运营复杂度最高的品类：保质期短、品质波动大、从产地到货架的每一个小时都在消耗价值。

Albertsons 面临的核心矛盾并不是"要不要用 AI"，而是更基础的问题：门店、配送中心和供应商的库存数据分散在不同系统中，到货信息此前按门店每日汇报。团队希望自动订购生鲜商品并保持门店库存和店内生产所需的正确数量，但在数据不统一的前提下，自动化只会放大错误。

这个判断决定了 Albertsons 的实施顺序：先建数据底座，再做配方标准化，最后才引入视觉 AI 质检。DataHub 判断：三步走的顺序更可能是业务约束的直接结果——数据不统一时自动化无法运行，配方不标准时自动下单会产生错误订单。官方原文描述了这一顺序，但未明确说明其选择动因是业务约束、技术路线还是战略规划。

第一步：把到货信息从"每日汇报"变成"按分钟可知"

Albertsons 选择用 BigQuery 合并门店、配送中心、在途订单和供应商订单的库存数据，构建一个统一的企业库存数据层。BigQuery 成为其他系统依赖的统一数据源，并支持向其他解决方案近实时提供数据。

这一步的直接效果是：到货（deliveries）信息从按门店每日汇报，变为运营团队可以按分钟获知产品到店时间。对于生鲜品类，这个时效差异意味着补货决策可以从"基于昨天的库存猜测明天的需求"变为"基于当前在途状态调整今天的动作"。官方原文未披露 BigQuery 统一层与各门店 POS/WMS 系统的具体集成方式或数据同步频率的技术实现细节。

系统架构

Albertsons 数据底座与 AI 应用的端到端结构

这一步本身不涉及 AI。它解决的是数据可用性问题——没有统一、及时的数据，后续的配方自动化和视觉质检都无法运行。DataHub 判断：Albertsons 的选择反映了一个在多门店零售企业中常见的模式——AI 项目的实际瓶颈往往不在模型能力，而在数据底座是否就绪。这一判断基于本案例中数据统一被置于 AI 应用之前的实施顺序，不代表对所有企业的普遍性结论。

第二步：先清理配方数据，再开启自动订购

Albertsons 旗下门店众多，同一道熟食或烘焙产品在不同区域可能存在多个相似但不完全一致的配方。配方数据质量不一致直接影响食材订购：如果系统不知道两个配方其实是同一道菜的变体，就会分别下单，导致库存冗余或短缺。

团队使用 Gemini Enterprise Agent Platform 比较企业内相似配方，以标准化配方并改善数据质量。官方原文将此描述为"比较相似配方"以实现标准化，但未披露 Agent Platform 在此场景中的具体技术机制——是基于大语言模型的语义比较、规则匹配还是其他方式，均未说明。配方数据清理完成后，公司可以自动订购某一配方需要的全部食材。

这一步的逻辑是"先清理规则，再自动执行"。如果跳过配方标准化直接自动下单，系统会按照不一致的配方数据生成不一致的订单。

官方材料未披露配方自动下单覆盖的门店数量、品类范围和运行周期，也未说明自动下单是否设有人工审批环节或异常回退机制。这意味着读者无法判断该自动化是已全量上线还是仍在试点阶段，对计划复现的团队而言，需要自行验证自动下单的业务规则复杂度和风控设计。

第三步：视觉 AI 评分，人类决定是否上市

生鲜质检是 Albertsons 引入视觉 AI 的场景。公司采用 Agent Platform 和 Vision AI 建立了 Intelligent Quality Control（智能质量控制）方案，用于在配送中心对到货生鲜进行检验和评分。

这套流程的人机分工清晰。Vision AI 捕获并分析产品图片，再将图片与 Albertsons 自定的质量标准进行比较。以草莓为例，其质量评分基于 7 个相互独立的维度。机器学习先验证照片的有效性（排除模糊、遮挡等无效输入），AI 按企业规格对产品评分，但最终由配送中心员工判断产品是否适合上市。

人机协作

智能质量控制流程中的角色与决策分工

这个设计的关键在于：AI 不做最终决策。该质检流程的重要目标是减少不同日期和不同配送中心员工之间的判断差异——问题不是员工不会判断，而是 22 个配送中心的不同员工在不同时间对同一批货的判断标准不一致。AI 在这里扮演的角色是"统一标尺"，而不是"替代判断"。

结果：方向明确，但量化证据有限

Albertsons 案例中可以确认的量化结果只有两项。第一，到货信息的可见粒度从按门店每日汇报变为按分钟可知——这是数据底座带来的直接改善，衡量的是信息时效而非业务结果。第二，草莓质量评分使用 7 个维度——这是评分结构的示例说明，不是准确率或效果指标。

在成本方面，官方案例称 Google AI 帮助识别供应链配送节点并优化运输路线，从而降低了配送成本；同时称技术应用在更快交付更好产品的同时，降低了商品搬运成本。但案例没有披露具体的成本降幅比例。更重要的是，案例本身明确指出：AI 带来的成本节约并不总是直接体现，许多结果来自以前无法完成的工作。这意味着即使存在成本改善，其归因路径也比"AI 省了 X%"要复杂得多。

证据边界

结果口径分层与未披露指标

对其他零售商的参考价值

DataHub 判断：Albertsons 案例中最具参考价值的是实施顺序——数据统一先于自动化，数据治理先于自动下单，AI 评分先于人工替代。这一判断基于案例中三步实施的先后依赖关系：BigQuery 数据层是配方标准化和 IQC 的前提，配方清理是自动下单的前提。对于同样面临多门店数据分散问题的零售商，这一顺序逻辑可供参考，但其适用性取决于企业自身的数据基础设施现状和组织能力。

视觉质检的"AI 评分 + 人工决策"模式对配送中心规模较大、质检人员流动性高的企业更有价值。如果企业只有一两个配送中心且质检团队稳定，跨中心一致性问题可能不够突出，投入视觉 AI 的优先级应当低于数据底座建设。

本案例由 Google Cloud 发布，未经独立第三方审计，且成本效果仅为方向性描述。计划复现类似项目的团队，应当在立项前独立验证数据统一的迁移成本、配方标准化的业务规则复杂度、视觉模型在自身品类上的准确率基线，以及配送中心员工对 AI 辅助工具的接受度。