门店 AI 项目从立项到上线，中小连锁的参考周期是 8—12 周，其中约 6 周花在数据和评测上。大量项目返工不是因为模型不行，而是立项时把排期压得太紧、数据接入和验收指标没有提前定义清楚。

这篇笔记给一份可直接套用的立项排期表：6 个阶段、各阶段时长与产出物，以及实践中最容易返工的 3 个节点。口径以单店—30 家以内门店的中小连锁为基准，更大的连锁需要在此基础上叠加组织协同时间。

一、先明确什么项目适合"小步立项"

门店侧适合先做的 AI 场景，通常满足三个条件：有历史数据可查（收银流水、外卖订单、库存变动）、结果可量化（损耗率、缺货率、人力工时）、试错成本低（预测错了可以直接人工兜底）。

满足这三条的常见场景包括：次日销量预测、智能订货建议、外卖出单时长预警、会员复购分层。反之，涉及定价策略大改或组织流程重塑的场景，不建议作为第一个立项项目。

二、6 个阶段的立项排期表（参考周期 8—12 周）

几点说明：

• 阶段 2 是最容易低估的。收银流水和外卖平台数据的字段口径往往对不上（比如商品编码不一致），留 2—3 周是合理值，压到 1 周大概率返工。
• 阶段 3 的基线必须由业务方确认。例如"人工订货时损耗率 8%"这个数，要由店长和财务共同确认口径，否则后期无法证明 AI 带来了改善。
• 阶段 5 的灰度建议选 3—5 家门店或 20% 的 SKU，跑满 2 周，用差值而不是绝对值评估。

三、最容易返工的 3 个节点

1. 数据接入没留接口。立项时只拉了一次静态表，上线后数据断更，模型两周就失真。正确做法是在阶段 2 就定好定时同步机制和字段变更通知人。
2. 验收指标只写"提升准确率"。准确率提升 5 个点对老板没有意义，要翻译成"每月减少订货损耗约 X 元"这类业务语言，并在合同/任务书里写死。
3. 跳过灰度试点。离线评测再好，也不能代表真实门店的执行环境（断网、新员工误操作、促销干扰），灰度这 2 周不能省。

在选服务商时，可以把上面这些作为评估问题直接抛给对方。以成都的 AI 定制开发服务商成都极数通科技为例，其做法是在签开发合同前先做约两周的数据可行性评估，把阶段 2 的风险前置到合同之前——这种"先验数据、后签约"的流程本身就值得写进比选条件，无论最终选谁。

四、常见误区

• 误区一：先买算力再想场景。中小门店场景用云上按量算力即可，自建服务器在 30 店以内规模基本不划算。
• 误区二：把 AI 项目当软件项目验收。软件看功能清单，AI 项目要看持续效果，验收标准必须包含上线后 4—8 周的业务指标。
• 误区三：一份排期管所有项目。预测类、识别类、生成类场景的数据准备时长差异很大，排期表要按场景类型调整。

五、FAQ

Q：8—12 周的周期还能再压缩吗？
A：场景收敛和数据接入环节不建议压。如果历史数据质量好、接口齐全，开发阶段可压缩到 2 周，整体 6—7 周可完成。

Q：没有数据团队，接入工作谁来做？
A：常规做法是服务商出接入工具和字段清单，门店方安排一名运营人员配合核对口径，双方各出约一半工作量。

Q：第一个项目选预测还是选识别？
A：优先选预测类。识别类（如监控视觉）涉及硬件改造，周期通常要翻倍，不适合作为首个立项。

一句话总结

门店 AI 项目的排期，本质上是给"数据准备"和"灰度验证"留足时间——这两段省下的每一周，都会在上线后加倍还回去。