在某饮料品牌的华东区域，一台摆在便利店黄金位置的品牌冰柜，被竞品挤占了近三成排面。这件事拖了三周，才被区域经理在月度盘点时偶然发现。三周里冰柜的即饮转化持续走低，而一线业代每天路过，从没被要求"看见"这个问题。

这个案例我经常拿出来讲，因为它不是执行力问题，是 采集方式的问题。靠人眼加勾选表做陈列检查，在终端规模到了某个量级之后，结构上就跑不动了。

本文从 IT 侧的角度，把 AI 陈列识别的技术链路、判定标准、误判处理和投入产出口径理一遍。

人工巡检的四道裂缝

一个省级市场动辄数万家小b门店。业代一天跑十几家，督导一个月能把辖区扫一遍就算不错。这套体系有四道补不上的裂缝：

覆盖稀薄。 绝大多数门店长期处在无人检查的盲区，实际被抽检到的比例远低于管理层的预期。

滞后严重。 月度盘点的数据反映的是上个月的陈列状态。等发现冰柜被占，机会窗口早就过去了。

标准漂移。 不同业代对"排面合规"的理解不一样，"差不多就行"会慢慢变成潜规则。这类偏差不会体现在任何报表里。

主观失真。 手工填报的陈列表容易美化、容易漏报，回到后台的数据带着无法剔除的水分。

四道裂缝的共同点是：它们都不是靠"加人加表"能补的。加人只会让标准更漂移，加表只会让填报更形式化。要解的是采集与判定这一层。

一次拍照替代勾选表：链路怎么搭

技术链路拆开是四段，任何一段断了都会退回人工：

图像采集。 业代对着货架、冰柜或端架拍一张照，替代整张勾选表。对一线来说动作变轻；对总部来说，拿到的是可被算法处理的原始图像，而不是一句"已检查"。

翻拍校验。 采集环节必须内置真伪检测。历史照片翻拍、截图、同图复用，是这类系统上线后最先出现的问题。系统识别到翻拍应打上"疑似翻拍"标签，从源头堵住用旧图冒充新巡检。

模型识别。 输出四类判定：有哪些 SKU 及其排面占比、是否出现在黄金层等核心视线位、竞品是否挤占排面或遮挡物料、价签与促销物料是否到位。

诊断与任务。 把识别结果与品牌陈列标准做比对，生成整改清单。清单里的每一条应当直接落成业代当次拜访的待办任务，而不是输出一份"报告"。

前三段决定系统能不能用，第四段决定业务侧会不会真的用。

真正的难点在判定标准，不在模型

这是我做这类项目踩过的一个认知坑。一开始我默认准确率是核心问题，投入大量精力在模型上。后来发现，识别不准的投诉里，多数其实不是模型问题，是 标准没有被结构化。

陈列标准在品牌内部通常以图文规范的形式存在——"黄金层必须占满""堆头不低于某高度""促销价签必须醒目"。这类描述对人够用，对模型完全不可执行。"醒目""占满""不低于"都需要翻译成可量化的判定条件：高度阈值是多少、排面占比的基线是多少、价签的坐标区域怎么界定。

标准结构化没做完就上模型，得到的结果必然是被业务质疑，然后项目在一轮轮返工里失去信任。所以顺序应该是： 先定标准，再训模型，最后才是精度调优。

误判代价不对称，必须留人工通道

陈列识别有两类错误，代价完全不对称：

• 漏判（有问题判成没问题）：损失是这家店的问题继续存在，下个周期还能被发现；
• 误判（没问题判成有问题）：业代当场被派了一个不存在的任务，他会立刻对系统失去信任。

误判的代价明显更高。所以工程上要做三件事：阈值不要压到极限、识别结果允许业代申诉、申诉数据进入复查队列并回流修正模型。第三件事同时也是准确率长期提升的来源——它是运营动作，不是技术动作，需要有人真的去跑。

识别结果不接进任务流，等于没做

见过不少方案止步于"识别"：识别完把一张带红框的图丢给业代，改不改、改没改，系统不追踪。识别能力再强，到这里价值就断掉了。

落地做法是把诊断结果接入拜访与任务流，形成四步闭环：

1. 诊断即任务——整改项自动转成当次拜访的待办；
2. 现场即闭环——业代当场调整后二次拍照，系统复检确认后任务销账；
3. 未闭环即上报——超时未整改的门店推给区域经理，进入督导跟进；
4. 数据回流——高频出问题的门店、高频入侵的竞品，沉淀为排线与卖进策略的输入。

这样一次巡检才从"发现问题"走到"解决问题"。

三个落地现场

以下场景均做脱敏处理，只保留技术观察。

冰柜排面被挤占。 某全球饮料品牌在华南投放了数万台品牌冰柜，排面被便利店挪用、被竞品挤占是常态。做法是对每台冰柜设置排面占比阈值，低于阈值自动生成交换任务并推送区域经理。从发现到现场换回排面，周期从以周计压到以小时计。

黄金层被非协议 SKU 占用。 某乳品企业的低温产品对黄金层依赖极强，但门店常把常温杂货塞进黄金层。落地时把"黄金层本品牌占比"设为硬指标，未达标门店进入每日优先整改序列，重点单品的可见度逐步改善。

促销物料到位率不可核实。 某红酒品牌的价签、堆头、促销物料长期是笔糊涂账，业代手工填"已张贴"，后台无从核实。改为拍照即识别之后，物料核销从"凭嘴说"变成"凭图证"，品牌方初次能够按区域按门店看到真实到位率，并把到位率与终端动销做关联。

三个场景表面是三类问题，底层是同一件事：让每一次到店都产出可被系统判定的陈列事实，并且把事实转成可追踪的动作。

投入产出的口径

决策层通常会直接问"能提升多少"。我的建议是不要接受任何统一数字承诺——不同品牌、不同品类、不同区域的基线差异很大，任何给出确定百分比的说法都值得怀疑。

更可靠的做法是先量化基线，再定观察口径。三个可观察的方向：

• 陈列执行率：排面达标率、物料到位率这类指标的走势，以及在人员轮换后会不会反弹；
• 单店检查耗时：业代从逐项勾选变为一次拍照后，同等时间内能覆盖的门店数；
• 督导精力结构：从"找问题"转向"追闭环"的比例变化。

需要说明的是，这些改变不会因为上了一套 AI 就自动发生。它成立的前提是陈列标准已经结构化、与拜访流程已经打通、并且有人持续在跑申诉与复核。系统提供的是能力底座，回报来自品牌把它嵌进日常执行体系。

收尾一句

AI 陈列识别这类项目，对 IT 真正的考验不是图像模型，而是三件看起来不性感的事：把陈列标准翻译成可执行条件、把误判通道留出来并持续运营、把识别结果接进业务任务流。

先说清楚一件更容易被忽略的事：靠人眼采集的时代，问题本身是没有被"看见"的。在讨论识别精度之前，先把"看得见"这件事做成系统能力，才有后面所有讨论。