消费品与快消：2 个真实落地案例

原来的样子

痛点：链路里最重要的信息不在系统里：为什么把需求理解成"更脆的产品"、为什么选这个配方与包装，过程常常只留在个人脑中；SaaS 只记录结果，非结构化的上下文大量丢失。

过去的做法：分别采购研发、生产、渠道等单点 SaaS，系统记录结果、人负责输入，信息损耗不可避免，还会产生数据孤岛。

AI 怎么切进去

• 把问题拆成两个方向：流程自动化 + 决策高质量化
• 把可规则化的前置检查（原料有没有、成本是否可能达到、基础规则是否满足）提到研发之前
• 让 AI 把历史成功与失败的经验找回来辅助决策，最终判断仍交给人

可迁移的做法

• 先看业务在哪里损耗了信息、经验与人的判断力，再决定 AI 做什么
• 包装审核这类"排队等人工"的环节，前置校验的收益远大于事后加速
• 过去的 SaaS 解决的是上一阶段的问题：从"有没有系统"转向"上下文能不能流动"

落地之后

等待人工审核的环节被前置校验分流，产品经理与研发的精力集中在真正需要判断的地方。

原来的样子

痛点：总部只有一个发货视角，货过国境就成黑箱：Sell-in（卖给经销商）与 Sell-through（消费者买走）分不清，信息滞后几周，口径从源头就可能错，人工沟通成本极高。

过去的做法：总部发订单与发货信息给经销商，经销商用 Excel、邮件反馈销售情况，中间还要语言转换与业务解释。

AI 怎么切进去

• 进现场后发现这不是简单数据对接：先统一业务口径，明确到底要看 Sell-in 还是 Sell-through
• 把经销商的分散反馈变成总部可持续获取的动销数据
• 把业务现场、数据流程与执行方式之间的脱节逐段补上

可迁移的做法

• 口径不统一时，再多数据也是错的：先把业务定义说清楚
• 跨境经销模式下，真正难获得的数据往往是最有价值的数据
• 业务理解到位，数据工作才有意义——否则只是把错误口径搬得更快

落地之后

总部从"只看得见发货"转向可以看到两个市场的动销情况。