从发货到动销：FDE用AI打通跨境快消的海外数据断层

我所在的团队长期服务跨境贸易和消费品企业，帮助企业处理海外市场的数据分析和业 务数字化问题。我本人是快消行业出身，过去几年一直在亚太做快消咨询，帮品牌方做 出口和海外市场运营，因此比较清楚企业在进入海外市场时会遇到哪些真实问题。 这个案例服务的是澳洲一家头部乳企，做奶酪。他们拓展海外市场时，选择通过经销商 模式进入中国和越南市场。对于很多消费品企业来说，这是非常常见的路径：总部负责 品牌、供应链和产品，经销商负责当地销售和渠道运营。总部在澳洲，在这两个市场里 一个零售触点都没有，货发出去，过了国境就断了。 图1：总部只看得见发货，两国动销是黑箱 但问题也随之出现。 一开始接触这个项目时，很多人会认为这只是一个数据对接问题：把经销商的Excel接进 来，统一格式就行了。但真正进入现场之后，我发现事情远比想象复杂。 对总部来说，发货量只是中间指标，真正重要的是消费者最后购买了多少产品。在业务 里，我们通常会区分两个概念：一个是Sell In，也就是品牌方把货卖给经销商；另一个 是Sell Through，也就是消费者最终从渠道买走多少。Sell Through更能反映真实市场 需求、营销投入效果和消费者反馈，但在跨境场景下，这类数据往往最难获得。 过去，海外业务的信息流转主要依靠人工：总部把订单、发货信息发送给经销商，经销 商再通过Excel、邮件等方式反馈销售情况，中间还涉及语言转换、业务解释和数据整 理。看似只是传递数据，但实际上每一步都会产生损耗。 首先是信息滞后。 总部看到的数据可能已经是几周甚至更久之前的数据。 其次是数据失真。 比如总部问“销售情况怎么样”，不同角色理解可能不同。有人理解 为卖给经销商多少，有人理解为消费者购买多少。如果业务理解不到位，数据口径从一 开始就可能错。 第三是人工成本很高。 过去大量时间花在整理数据、开会解释、沟通确认，真正需要推 动的市场业务反而被搁置了。 这个问题的本质，在于业务现场、数据流程和执行方式之间的脱节，远不止技术层面。 作为FDE，我的工作就是进入现场把真实问题拆出来，找到AI能力和业务流程的结合 点。

在AI介入之前，企业主要依靠人工流程解决。 传统方式在早期阶段是有效的。经销商规模有限，市场变化不复杂，人工沟通能够支撑 业务运行。通常流程是：总部发货 → 经销商接收产品 → 经销商整理销售数据 → 销售人 员制作Excel → 业务人员翻译、整理，再反馈总部。 但随着业务规模扩大，问题逐渐暴露。 首先，数据标准不统一。 不同国家、不同渠道的数据格式完全不同。有些数据来自 Excel，有些来自PDF，有些甚至是图片或者手写凭证。尤其在销售端，数据非常复杂： 字段名称不统一、销售单位不一致、促销活动规则不同、买赠、返利等业务信息难以结 构化。比如，同样是一批销售数据，不同市场可能会用不同方式记录“买多少送多少” 的促销活动，如果没有业务理解，很难判断真实销售情况。 其次，审核成本高。 过去很多市场费用、营销费用主要靠人工审核。比如经销商提交市 场活动费用，总部人员需要判断：这个费用是否合理？这个活动是否真实发生？这个金 额是否符合行业水平？但因为材料很多，人工很难做到精细判断。 最终结果就是：企业知道需要管理，但没有足够的人力去管理。 过去企业也尝试过引入BI工具和报表系统，希望把经销商数据统一管理起来。但问题在 于，这些工具只能处理已经结构化的数据，而海外经销商的原始数据恰恰是非结构化 的。工具上线后，数据清洗和整理仍然靠人工，系统只是换了一个地方看Excel。BI解决 的是把数画成图，解决不了两个市场口径不一样——把两份不可比的数据画成漂亮的图， 只是让不可比这件事更隐蔽了。企业花了钱，但没有解决核心问题。 传统方案的根本缺陷，是缺少一个既理解业务现场、又能把AI能力翻译成可用系统的 人。

我的解决思路分为三步。 第一步，进入现场，重新梳理业务流程。 我近距离观察了总部的销售运营团队，看他们日常怎么接收经销商数据、怎么核对、怎 么开会沟通；也通过远程方式了解了经销商侧的数据填报流程。摸清全貌之后，我们开 始明确：总部需要什么数据？经销商能够提供什么数据？哪些数据可以自动获取？哪些 数据必须人工确认？ 比如，Sell In数据相对容易，因为它通常来自总部发货系统，结构比较标准；Sell Through数据更难，因为它来自渠道末端，数据来源复杂。所以我们的重点是重新设计 数据流转方式，从数据源头就把口径对齐。 第二步，拆解AI、人和系统分别承担什么工作。 我们认为，大模型的角色很明确：集中处理过去人工最消耗时间的部分。 AI主要负责从PDF、图片、Excel等非结构化数据中抽取信息，帮助完成数据清洗和格式 转换，识别异常数据，辅助生成分析结果。 专业系统负责数据存储、数据管理、权限控制、业务流程流转。 人工负责最终判断、复杂业务决策、异常情况处理。 整个流程从过去的“人工传递 → 人工整理 → 人工审核”，变成“AI抽取 → AI校验 → 风 险标记 → 人工最终审核”。简单来说，就是把数据流转从“人为校验”变成“机器辅助 校验 \+ 人工决策”。 第三步，让AI真正进入业务流程。 最初我的设想是搭建一个专门的海外数据平台，让经销商数据直接接入新系统。但现场 走了一圈后发现，企业总部已经有一套成熟的管理系统在跑，海外业务的员工和经销商 都习惯了这套流程。推翻重建不现实，更好的方式是在原有系统上做能力叠加：保留现 有的框架和习惯，AI作为一层能力嵌入其中。另外我们没有一上来就铺大摊子。第一版 只做中国、只做一条产品线，只回答一个问题：这条线的钱花得值不值。就这一条线端 到端做完整：数据能进来、数字点得开、结论能进周会。跑通了，越南才接进来。 很多AI项目失败，是因为最后只是生成一个报告。但企业真正需要的是：销售人员能看 到数据，总部能快速判断市场情况，管理人员能发现异常。AI嵌入已有系统后，总部可 以新增数据入口，经销商按照统一字段提交数据，AI负责处理复杂数据，最终结果进入 企业数据看板。数据打通后，业务的人可以用大白话直接问，比如“这个SKU为什么掉 了”。但我们有一条硬约束：不是模型直接吐一个答案，而是模型帮你定位到那一行原 始数据，每个数字都点得开、看得见来源。有些问题模型本来可以答得更漂亮，但溯不 回去，我们就不让它答。 图2：每个数字都点得开（界面示意，demo数据）

这个项目带来的价值，主要体现在三个方面。先说明一句，下面的数字做过脱敏，量级 是对的，绝对值做了处理。 第一，业务效果：减少市场费用浪费。 过去企业依靠人工审核市场费用，能够发现的问题比例不到10%。引入AI辅助后，通过 异常识别、历史数据对比和行业经验规则，可以发现约30%左右的问题。虽然不是 100%自动判断，但对于企业来说，已经意味着减少了相当一部分不必要支出。 比如，系统会根据历史活动、区域情况、类似案例进行交叉比较，标记异常费用。最终 仍由人工确认，但审核效率明显提高。 图3：AI先标记，人做决策（界面示意，demo数据） 第二，流程变化：从经验管理变成数据管理。 过去海外业务管理高度依赖个人经验。某个负责人熟悉市场，就能判断数据是否合理； 换一个人，判断能力可能下降。AI介入之后，企业开始把这些经验沉淀下来：什么数据 异常？什么费用合理？什么情况需要进一步审核？企业能力不再只存在于个人身上。最 直观的变化是周会。以前的周会，前一个小时是在对数，这个数对不对、你那份和我这 份为什么不一样。现在数已经在那儿了，会议直接从要不要动预算开始。提问方式也变 了：以前他们说“给我一份报告”，现在直接问“这个SKU为什么掉了，是价格、铺货， 还是渠道出了问题”。能问出这么具体的问题，说明他们开始信这套东西了。 第三，长期价值：建立企业的数据能力。 对于跨境企业来说，一次数据整理能解决当下的问题，但更长远的价值在于：未来进入 更多国家、面对更多经销商、管理更多销售渠道时，企业手里有一套可复制的数据治理 方式。

AI落地最大的挑战不在模型。我们自己的说法是：难点不在技术层，技术大概只占 20%。 第一个挑战：数据质量问题。 很多人认为AI项目最难的是模型，但实际落地时，数据才是最棘手的环节。前面提到销 售数据来源复杂、格式不一，真正进入开发阶段后，这个问题的难度会被放大：不同国 家的数据习惯差异很大，很难用一套规则覆盖所有情况。此外，数据准确性也是落地的 关键门槛。比如一张发票可能是PDF，也可能是图片；可能清晰，也可能手写、折叠、 模糊。如果不针对这些边界情况做充分测试，模型上线后一定会出问题。 我们的解决方式是双层的。一方面先建立数据规范，再利用AI处理非结构化数据，现在 视觉语言模型对于图片、票据等内容识别能力提升明显，很多过去需要专门训练的问题 可以直接利用成熟模型完成。另一方面，我们建立了一套评估样本，收集正常案例、异 常案例和边界案例，持续测试模型在真实场景下的表现。对于FDE来说，这套样本非常 重要：只有知道模型在真实环境里的表现，才能放心交付。 第二个挑战：业务团队和经销商的接受度。 总部团队最初对AI的判断结果持保留态度。他们习惯了自己看Excel、凭经验判断数据是 否合理，现在系统自动标记异常，有些人会怀疑：“AI说的就一定对吗？”经销商侧也存 在顾虑：统一字段提交意味着要改变原有的填报习惯，增加了操作步骤。 我们的做法是分两步走。对总部团队，先让AI做辅助标记，保留人的最终决策权。每一 处风险标记都附带依据（历史对比、区域参考、行业规则），让审核人员能看到判断逻 辑，每个结论都有迹可循。当业务人员发现AI确实能帮他们发现之前漏掉的问题时，信 任就自然建立起来了。对经销商，我们尽量降低填报门槛，能自动抽取的字段由AI完 成，经销商只需要确认和补充。两边的磨合花了一段时间，但一旦跨过信任门槛，推进 速度明显加快。 第三个挑战：企业权限和流程问题。 很多企业已有成熟系统，FDE不能简单推倒重建。尤其海外企业，权限审批流程比较复 杂。所以我们的方式通常是适配已有系统、增加接口、调整流程，避免推倒重建。

从我的经验来看，AI落地最重要的一点，是不要从技术出发。 第一，FDE首先需要理解业务。 很多企业第一反应是：“我们有什么模型？”“我们能不能做Agent？”“我们能不能接 入大模型？”但真正的问题应该是：业务哪里最痛？哪里最浪费时间？哪里过去依靠人 工经验？ 客户最终买单的，永远是解决问题产生的价值。 第二，FDE需要成为业务和技术之间的连接者。 一个纯技术工程师，如果不了解行业，很难发现真正的问题。而一个懂业务的人，可以 知道哪些数据重要、哪些流程可以优化、哪些结果企业真正关心。FDE正是需要具备这 种业务判断力，才能把技术能力用在真正产生价值的地方。 第三，AI项目成功关键在落地细节。 模型能力越来越强，通用能力越来越完善。未来企业之间竞争的重点，将逐渐从模型能 力转向对业务的理解深度。FDE需要关注：用户是否愿意使用？流程是否适配？成本是 否接受？结果是否可靠？我们内部把交付固化成五步：诊断、数据审计、窄MVP、嵌 入、扩展。顺序不能乱，理解业务永远在技术选型前面，赢得信任之后才扩面。 图4：五步打法：顺序不能乱，业务在技术前 模型是入场券。领域加交付，才是护城河。评判一个FDE项目，不看demo多炫，看客 户有没有真的改变决策方式。