Melinda Maria 用 AI 做实时库存预测：超储成本降 50%、SKU 总数减 64%，补货商品营收占比升至 79%
一个珠宝品牌的库存计划，一年只做一次。听起来荒唐，但这在消费品行业是常态——而且是那些卖得动、也压得住货的品牌里的常态。
洛杉矶珠宝品牌 Melinda Maria 过去就是这样：一年做一次预测，工具是 Excel 表格加规则公式。结果是两头不讨好——畅销款一年里有大约 30% 的时间处于断货状态，直接损失销售额，还打乱营销节奏；另一头，滞销品类占着现金不动。
后来它换成 Conative AI 的实时需求预测。按服务商披露的数据，九个月内三项指标同时变好：超储成本降 50%，SKU 总数减 64%，由 Conative 标记补货的商品贡献的营收占比从 45% 升到 79%。
三个数字都很漂亮。但它们各自是什么口径，比数字本身更重要。
一、从一年一次 Excel，到按需实时
改造前的做法，是一套非常典型的传统需求计划：年度做一次，历史销量加规则公式，人工在表格里滚。
这套方法有两个硬伤。第一是频率。一年一次的预测，意味着中间 11 个月的市场变化全部靠人肉补丁，而珠宝这种品类偏偏是趋势驱动、波动极大的。第二是输入。规则公式只看历史销量，看不了正在发生的广告投放、销售速度和活动节奏，所以预测和实际之间越走越远。
Conative AI 的做法是把实时信号喂进模型。按其官方说明，引擎除了销售和库存数据，还接入广告花费、销售速度、营销活动事件等实时营销信号，预测随条件变化持续刷新。品牌 CEO Bryan Demaranville 的说法是：预测和推演我自己能整天做，但要达成那些数字，得有人告诉我现在正在发生什么、现在该采取什么动作。
落到操作层面，品牌拿到几件具体的事：识别畅销款以便更快补货；用实时数据标出表现差的 SKU，在它变成呆滞库存前提早降价或停产；把营销和库存对齐，别把广告费砸在补不上货的款上；用单品级指标找潜在爆款。
二、三个数字，各自的口径
这三个数字之所以容易被误读，是因为它们衡量的根本不是同一件事。
第一个，超储成本降 50%。这是成本项，不是库存金额。它衡量的是超储带来的持有、折价、报废等成本，降一半意味着释放出来的现金可以投向周转更快的货。Conative 在另一份材料里提到 Melinda Maria 的库存支出减少了 100 万美元，可以和这个口径互相参照，但两者不是同一个指标。
第二个，SKU 总数减 64%。这是品类宽度，不是销量。砍掉三分之二的 SKU，说明品牌把长尾收缩得很激进。降本效果直接，但副作用同样真实：SKU 变少意味着可选款式变少，对依赖「多款式试错」起量的品类，这可能是把双刃剑。
第三个，补货品贡献营收占比从 45% 升至 79%，周期是九个月。这个数字最容易被读成「营收增长 34 个百分点」，其实不是。它的口径是：由 Conative 洞察触发补货的商品，在总营收中的占比。占比上升，说明卖得动的货越来越集中在被系统识别并补上的那些款上——是结构优化，不等于总营收涨了。
三个数字合起来讲的是一件事：库存决策变准了，钱从压着的货挪到了能周转的货上。
三、为什么实时能同时压成本、提营收
机制其实不复杂，靠的是两个方向的动作都变快。
向上是补货更快。传统年度预测下，一个款卖爆了，补货决策要等到下一次人工复盘，等货到仓，热度可能已经过去。实时预测把识别到下单的间隔压缩，畅销款断货时间从一年约 30% 往下降，这部分是本可以直接拿到的收入。
向下是止损更早。滞销款在年度节奏里通常要等到季末或年末清仓，那时已经沉淀成呆滞库存，只能深度折价。实时数据能在它还只是「表现差」的阶段就标出来，降价幅度小、回收现金早。
中间还有一层协同效应：营销和库存对齐。广告投放不看库存，把流量引到一个补不上货的 SKU 上，花的是两份钱——广告费浪费，用户体验也丢了。库存能实时反馈给投放，这部分浪费是可以省下来的。
所以这不是「预测更准」这么抽象，而是同一套数据同时砍掉了三类浪费：断货损失、呆滞折价、无效投放。
四、这个案例不能外推
必须说清楚这个案例的边界。
它是单一品牌、单一服务商披露的数据，没有第三方审计。原始出处是 Conative AI 官网的客户案例页和它自己的新闻稿，数字口径、统计起点、对照基线都由服务商定义。这类案例天然存在幸存者偏差——效果不好的客户不会出现在案例页上。
品类差异也很大。珠宝有几个特点刚好适合这套方法：SKU 数量多、单品价值高、趋势驱动、生产周期相对可控。换成补货周期长达数月的跨境大件，或者保质期短、只能整批处理的品类，同样的模型未必能复制出 50% 和 64%。
还有几点需要提示。Conative 自己宣称，其预测相较规则型工具在超储上准确度提升 30%—50%、在缺货上提升 15%—20%，这同样是厂商口径。它公开的其他客户案例差异也很大：护肤品牌 Annmarie Gianni 的故事是把补货决策时间从 10 小时压到 10 分钟，Chan Luu 则是靠一次更激进的节后采购推动 44% 的收入增长。同一个工具，落地效果高度取决于品牌自身的数据基础和执行动作。
换句话说，AI 预测解决的是「看得更准」，不是「决策自动变好」。如果预测结果只躺在报表里、没有和采购权限绑定，那这三个数字一个都不会出现。
五、跨境卖家的动作项
对跨境卖家来说，这个案例值得抄的不是工具，是顺序。
第一步，先盘自己的补货周期和呆滞库存比例。如果连畅销款一年有多少天断货、滞销库存占总库存多少都说不清，上任何预测系统都没有基线可比。这两个数字是所有收益测算的分母。
第二步，先接高波动品类。趋势款、季节款、新品这类历史数据少、规则公式最不靠谱的品类，实时信号的边际价值最大；反过来，销量稳定的基础款用规则法也能管住，没必要一开始就全域切换。
第三步，把预测结果绑到采购决策上。这是最容易被跳过的一步。让系统生成采购建议、让补货单直接从建议里出、把降价决策的触发条件写进流程——预测只有变成动作，才会体现在成本项里。
还有一条容易被忽略：营销和库存的数据要打通。多数团队的广告投放和库存计划是两套人、两张表，这一层的割裂，比预测模型准不准更值钱。
所以，50%、64%、79% 这三个数字，证明的是「实时预测 + 决策绑定」这套组合在一个珠宝品牌身上跑通了。它能不能在你的品类上跑出同样结果，取决的不是模型，是你愿不愿意把采购权交给一张实时更新的表。到那时，答案才会真正浮出水面。
六、参考资料
- Conative AI 客户案例：《Within 9 months, Melinda Maria reduced inventory overstock costs by 50%》
- Conative AI：《AI Inventory Management Platform for eCommerce》
- The National Law Review（EIN Presswire）：《Conative AI Shortlisted for Best AI-Powered SaaS Solution in The 2026 SaaS Awards》
- EIN Presswire：《Conative AI Named 'Inventory Management Solution of the Year' in 2026 RetailTech Breakthrough Awards》
- RetailTech Breakthrough：《2026 年度 RetailTech Breakthrough Awards 获奖公告》