CF retail-digital-ai-expert
【Продвинутый эксперт по цифровизации и ИИ в розничной торговле / Retail Digital & AI Transformation Expert】 — Универсальная рабочая сре તા для полной цифровой и ИИ-трансформации в розничной торговле. Позволяет достичь уровня ведущего мирового эксперта по цифровизации и ИИ в розничной торговле без каких-либо предварительных знаний. ■ Основное позиционирование: охватывает все форматы розничной торговли (от уличных магазинчиков до глобальных сетей из 10 000+ магазинов), все бизнес-процессы (от цепочки поставок и закупок до бренда и франчайзинга), все технологические стеки (от POS/ERP до AI Platform/IoT/Cloud) для сквозной цифровой трансформации. ■ Полный охват форматов: от уличных магазинов и супермаркетов до универмагов, специализированных магазинов (одежда/косметика/аптеки/электроника/стройматериалы), магазинов быстрой моды, магазинов стиля жизни (Miniso/Muji), дисконтных магазинов, DTC-брендов, электронной коммерции/омниканальности, франчайзинговых сетей, глобальных брендов с тысячами магазинов — для любого формата розничной торговли существует индивидуальное цифровое решение. ■ Методология: включает пятимерную модель зрелости цифровизации розничной торговли (R-DMM: технологии/операции/данные/организация/клиенты), карту оценки приоритетов сценариев ИИ в розничной торговле RICE, семимерную матрицу принятия решений по выбору розничных технологий, модель расчета ROI/TCO цифровизации розничной торговли, модель зрелости омниканальности в розничной торговле, фреймворк цифрового управления товарными категориями, модель четырехпотокового объединения в цепочке поставок розничной торговли, пятиуровневую модель цифрового управления франчайзингом в розничной торговле, модель AIPL для управления частными каналами в розничной торговле, сквозной фреймворк сравнения 60 цифровых и интеллектуальных сценариев. ■ Сравнение с лучшими мировыми практиками: Walmart (единый фреймворк Agentic AI/Sparky/Marty), Amazon (AI-шопинг Rufus/AWS Retail), Costco (AI для клиентов/оптимизация цепочки поставок), 7-Eleven (цифровая платформа 7-Eleven Japan), Miniso (глобальная платформа данных/Dynamics 365/ERP Hieding), Watsons (омниканальность O+O/CDP), Hema (сквозная цифровизация/подвесная логистика), Sam's Club (ИИ для устранения 100+ млн ручных задач), Nike (полный стек цифровизации DTC), LVMH (цифровизация предметов роскоши/AR/GenAI) — глубокий анализ стратегий цифровизации и ИИ от 12 ведущих мировых розничных компаний. ■ Обзор поставщиков розничных технологий: подробное сравнение 80+ основных поставщиков в девяти категориях: POS/ERP/WMS/OMS/CRM/CDP/платформы электронной коммерции/IoT/AI. ■ Шаблоны результатов: отчет об оценке зрелости цифровизации, 3-летний план цифровой трансформации, отчет об оценке выбора технологий и поставщиков, карта приоритетов сценариев ИИ и план реализации, отчет об обосновании бизнеса ROI/TCO, план реализации и график этапов, план управления изменениями и обучения, план омниканальных операций, план цифрового управления франчайзингом. ■ Ключевые слова (более 150 на китайском и английском): цифровизация розничной торговли, ИИ в розничной торговле, интеллектуализация розничной торговли, умная розница, умный магазин, розничные технологии, розничный SaaS, розничный POS, розничный ERP, управление складом WMS, управление заказами OMS, розничный CRM, система лояльности, омниканальная розница, управление частными каналами, управление товарными категориями, управление запасами, цепочка поставок в розничной торговле, платформа данных в розничной торговле, розничный BI, применение ИИ в розничной торговле, умный консультант, ИИ-рекомендации, прогнозирование спроса, динамическое ценообразование, умное пополнение запасов, оптимизация запасов, визуальный поиск, беспилотная торговля, прямые трансляции электронной коммерции, социальная коммерция, DTC-бренды, поп-ап магазины, retail digital transformation, retail AI, retail technology, retail POS, retail ERP, retail digitalization, smart retail, retail tech, omnichannel retail, unified commerce, retail SaaS, headless commerce, retail automation, retail data platform, WMS, OMS, CDP, retail media network.
машинный переводПоказать оригиналСкрыть оригинал«【零售数字化AI化高级专家 / Retail Digital & AI Transformation Expert】 —— 面向零售行业的全…»
【零售数字化AI化高级专家 / Retail Digital & AI Transformation Expert】 —— 面向零售行业的全栈数字化与AI化转型超级工作台。零基础也能达到世界顶级零售数字化AI化专家水平。 ■ 核心定位：覆盖零售全业态（街边夫妻老婆店→社区超市→区域连锁→全国连锁→全球万店品牌）、全业务链路（供应链与采购→仓储与物流中心→门店运营→收银与支付→电商与全渠道→会员与CRM→财务与人力→品牌与加盟）、全技术栈（POS/ERP/WMS/OMS/CRM/CDP/BI/AI Platform/IoT/Cloud）的端到端数字化转型技能。 ■ 业态全覆盖：街边便利店、社区超市、大卖场/ hypermarket、百货商场、专营专卖店(服装/美妆/药房/3C电子/家居建材)、快时尚、生活方式零售(名创优品/无印良品)、折扣零售、DTC品牌店、电商/全渠道、连锁加盟品牌、全球万店品牌——无论哪种零售业态，均有一对一数字化方案。 ■ 方法论驱动：内置 零售数字化成熟度五维模型（R-DMM：技术/运营/数据/组织/客户）、零售AI场景优先级RICE评分卡、零售科技选型七维决策矩阵、零售数字化ROI/TCO计算模型、零售全渠道成熟度模型、零售品类管理数字化框架、零售供应链四流合一模型、零售连锁加盟数字化管控五层模型、零售私域运营AIPL模型、全链路60场景数字化-智能化对标框架。 ■ 全球最佳实践对标：Walmart（统一Agentic AI框架/Sparky/Marty）、Amazon（Rufus AI购物/AWS零售）、Costco（会员AI/供应链优化）、7-Eleven（日本7-Eleven数字化平台）、名创优品（全球数据中台/Dynamics 365/海鼎ERP）、屈臣氏（O+O全渠道/CDP）、盒马（全链路数字化/悬挂链物流）、Sam's Club（AI消除1亿+人工任务）、Nike（DTC数字化全栈）、LVMH（奢侈品数字化/AR/GenAI）——深度拆解12家全球顶级零售企业的数字化AI化策略。 ■ 零售科技供应商全景图：全球POS/ERP/WMS/OMS/CRM/CDP/电商平台/IoT/AI九大品类、80+主流供应商深度对照。 ■ 交付物模板工场：数字化成熟度评估报告、数字化转型3年路线图、技术选型与供应商评估报告、AI场景优先级评分卡与实施路线图、ROI/TCO商业论证报告、实施方案与里程碑计划、变革管理与培训计划、全渠道运营方案、连锁加盟数字化管控方案。 ■ 触发词覆盖（中英文150+）：零售数字化、零售AI、零售智能化、智慧零售、智慧门店、零售科技、零售SaaS、零售POS、零售ERP、WMS仓储管理、OMS订单管理、零售CRM、会员系统、全渠道零售、私域运营、品类管理、进销存、零售供应链、零售数据中台、零售BI、零售AI应用、智能导购、AI推荐、需求预测、动态定价、智能补货、库存优化、视觉搜索、无人零售、直播电商、社交电商、DTC品牌、快闪店、retail digital transformation、retail AI、retail technology、retail POS、retail ERP、retail digitalization、smart retail、retail tech、omnichannel retail、unified commerce、retail SaaS、headless commerce、retail automation、retail data platform、WMS、OMS、CDP、retail media network。
【Продвинутый эксперт по цифровизации и ИИ в розничной торговле / Retail Digital & AI Transformation Expert】 — Универсальная рабочая сре તા для полной цифровой…
Как процесс F 27/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: tools/数字化ROI快速计算器.md, examples/, workflows/
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- Сократите description до 1024 символов.
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 0. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- ошибка
description-longdescription 1527 символов, лимит 1024 - предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - предупреждение
body-longтело SKILL.md ≈ 23752 токенов (рекомендуется < 5000); вынесите детали в references/ - предупреждение
missing-refссылка на отсутствующий файл: tools/数字化ROI快速计算器.md - предупреждение
missing-refссылка на отсутствующий файл: examples/ - предупреждение
missing-refссылка на отсутствующий файл: workflows/ - предупреждение
missing-refссылка на отсутствующий файл: tools/ - предупреждение
missing-refссылка на отсутствующий файл: workflows/phase-08-持续优化与迭代/ - предупреждение
missing-refссылка на отсутствующий файл: templates/数字化成熟度评估报告模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/数字化转型路线图模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/技术选型与供应商评估模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/AI场景优先级评分卡模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/ROI与商业论证模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/项目实施计划模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/项目建议书Proposal模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/SOW合同模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/变革管理计划模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/项目验收报告模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/全渠道运营方案模板.md - предупреждение
missing-refссылка на отсутствующий файл: templates/加盟商数字化管控模板.md - заметка
description-budgetdescription занимает 1527 из общего бюджета ~15000 символов на все скиллы - заметка
frontmatter-keyнеизвестное поле фронтматтера "contact" - заметка
frontmatter-keyнеизвестное поле фронтматтера "language"
Процессный рейтинг: все десять параметров 27/100
- 0Инструменты и файлы. Не хватает 17 файла(ов): tools/数字化ROI快速计算器.md, examples/, workflows/
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 10Стоимость исполнения. Тело инструкции 23752 токенов: вытесняет саму задачу из окна
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
- 100Шаги. Шагов: 70
- 100Согласованность. Имя и обязательные поля на месте
- low Разделов верхнего уровня: 42. Похоже на несколько доменов в одном скилле
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 1527: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- -217 эмодзи в инструкциях: шум для модели
- +2Инструкции на одном языке
- +4Структура: 220 заголовков
- +3Пошаговые инструкции: 70 пунктов
- +4Есть примеры (27 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (1 из 6)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 20.