AI辅助整理：本文基于下方列出的公开原始来源改写，不代替原文。
核心摘要： 巴西最大鞋类出口商 Grendene 为旗下 Melissa 品牌的 403 家加盟店导购开发生成式 AI 销售助手 Charla AI。此前门店导购要频繁往返仓库查库存、难以及时给出搭配建议，交叉销售机会流失。项目由 Grendene 与 AWS、方案商 MadeinWeb 共建，先用近四季度产品资料和两家门店销售数据训练，目前在里约两家自有门店试点，后续计划推广至整个加盟网络。
业务背景
Grendene 是巴西最大的鞋类出口商之一，旗下品牌 Melissa 以果冻鞋闻名，在全球拥有庞大的加盟网络，仅巴西国内就有 403 家加盟店。
在传统加盟模式下，总部与门店之间的信息传递存在明显断层：导购对实时库存、新品卖点和搭配方案的掌握，往往依赖个人经验和频繁往返仓库查询，导致顾客在店内等待、交叉销售机会白白流失。
问题定义
门店导购的核心痛点有三个：一是库存信息不透明，无法当场确认尺码和颜色是否有货；二是缺乏系统的产品搭配知识，难以主动向顾客推荐互补商品；三是每家门店的销售数据与顾客偏好没有被有效利用，个性化推荐无从谈起。
这些问题在加盟体系中尤为突出，因为加盟店员工流动性高、培训成本大，总部难以保证每家门店都有一批‘懂产品、会销售’的老手。
AI 怎么落地
Grendene 联合 AWS 与方案商 MadeinWeb，为导购开发了一款名为 Charla AI 的生成式 AI 销售助手。该助手并非直接面向消费者，而是作为导购的‘实时军师’存在。
在训练阶段，团队使用了 Grendene 近四个季度的产品资料，以及两家试点门店的销售数据，让模型理解产品线、销售节奏和顾客购买行为。
在应用层面，Charla AI 能够结合顾客的购买历史，在收银台前为导购提供个性化商品推荐、互补品建议和配件搭配方案，同时实时核对库存，缺货时自动引导至替代品或其他销售渠道。
实施步骤
项目并未一开始就覆盖全部 403 家门店，而是采取了‘小步快跑’的策略：先选择里约的两家自有门店作为试点，用真实销售数据持续喂养和调优模型。
在技术架构上，团队将模型底座与云存储解耦规划，先在 AWS 上完成训练，同时预留了迁移到其他推理服务的可能性，以避免被单一技术栈锁定。
试点跑通后，Grendene 计划将 Charla AI 逐步推广至整个加盟网络，让更多门店导购受益于统一的 AI 能力。
结果证据与边界
截至案例发布（2026 年 6 月），Charla AI 仍处于两家自有门店的试点与数据喂养阶段，AWS 与 Grendene 均未披露上线后的转化率、客单价提升等硬性量化指标。
来源中列出的收益（如提升导购效率、减少仓库往返、带动交叉销售）属于目标收益或结构性改善描述，而非已验证的规模化成果。读者在引用时应将其视为早期案例，而非成熟的 ROI 证明。
可复制动作
第一，先选一两家自有直营店作为‘实验室’，用真实销售数据喂养模型，跑通后再向加盟网络铺开，避免一次性覆盖数百门店带来的失控风险。
第二，训练语料不能只放产品描述，必须接入实时库存与顾客购买历史，让推荐在缺货时能自动转向替代品或其他渠道，形成真正的全渠道应对能力。
第三，在项目启动时就规划好模型底座与云存储的解耦，避免被单一技术栈绑死，为后续成本优化和供应商切换留出空间。
证据与边界
- 来源为 AWS 官方案例库，发布日期为 2026-06-17。
- 案例明确提及 Grendene 为巴西最大鞋类出口商，旗下品牌 Melissa 拥有 403 家加盟店。
- 项目由 Grendene 与 AWS、方案商 MadeinWeb 共建，使用近四季度产品资料和两家门店销售数据训练。
- 目前方案在里约两家自有门店试点，尚未公开量化经营结果。
企业今天可以做什么
可复制的动作有三条。其一，先挑品牌旗下一两家自有直营店作为‘实验室’，用真实销售行为数据喂养助手，跑通再全网络铺开，避免一上来就覆盖数百门店。其二，训练语料不只放产品描述，还要接入每家门店的实时库存与顾客购买历史，让推荐在缺货时能自动导向替代品或其他渠道，形成全渠道应对。其三，把模型底座和云存储解耦规划：先在某平台训练，同步规划迁移到另一个推理服务，避免被单一技术栈绑死。