跨境快消数据落地，先把 Sell In 和 Sell Through 分开
海外经销商数据项目的难点不是把 Excel 接进来，而是统一不同市场口径，让每个数字可追溯，再把异常审核交给 AI 辅助。
文章目录
一家澳洲头部乳企通过经销商进入中国和越南市场。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。货物过境后，总部看得见发货，却看不见消费者最终买走多少产品。
跨境业务里要区分 Sell In——品牌方把货卖给经销商，和 Sell Through——消费者最终从渠道买走多少。前者通常来自总部发货系统，后者来自渠道末端，数据格式、语言、单位和促销规则都可能不同。
项目没有把目标定义成“接入经销商 Excel”，而是先统一业务口径，再让 AI 从 PDF、图片、Excel 等非结构化材料中抽取、清洗、校验和标记风险；系统负责存储和权限，人保留最终判断。第一版只做中国一条产品线，先回答一条线的钱花得值不值，跑通后再扩到越南。
落地场景：让总部真正看到海外市场动销#
过去流程是总部发货，经销商接收，再整理销售数据、制作 Excel、翻译和反馈总部。数据滞后可能达到几周甚至更久，销售口径可能把 Sell In 和 Sell Through 混在一起，市场费用又要靠人工判断是否合理。
总部真正要知道的是消费者购买了多少、营销投入是否有效、哪个 SKU 为什么变化，而不是再收到一份格式统一但口径不可比的报表。
因此，场景目标是让数据从源头对齐，非结构化材料可以被处理，异常有依据地标记，结果进入既有看板和周会，业务人员直接从“对数”进入“是否调整预算和市场动作”。
落地难点：跨境数据的复杂性不在 Excel 格式#
Sell In 和 Sell Through 来源不同#
发货数据相对标准，渠道末端动销数据却可能来自 Excel、PDF、图片甚至手写凭证。两个数字都叫“销售”，业务含义却不同，口径从一开始错了，后面图表越漂亮越危险。
促销、单位和费用需要业务理解#
不同市场记录“买多少送多少”、返利、促销和销售单位的方式不同。市场费用审核还需要判断活动是否真实、金额是否合理、是否符合行业水平，仅做字段清洗不够。
AI 结论必须可追溯#
系统不能只给一个漂亮答案。每个数字都要能点开原始数据，风险标记要说明历史对比、区域参考或行业规则依据。无法回溯来源的回答，即使语言更自然，也不应该直接展示。
经销商和总部都需要跨过信任门槛#
总部员工习惯自己看 Excel，可能怀疑“AI 说的就一定对吗”；经销商需要按统一字段填报，也可能觉得操作变多。双方都需要先在辅助模式中看到真实收益。
如何落地：AI 抽取、系统承载、人做决策#
第一步，进入总部和经销商的真实流程#
团队观察总部销售运营如何接收、核对和开会沟通数据，也远程了解经销商填报流程，明确总部需要什么、经销商能提供什么、哪些数据可以自动获取、哪些必须人工确认。
第二步，从源头重新设计数据口径#
Sell In 从总部发货系统获取，结构相对标准；Sell Through 需要结合渠道末端数据。项目先定义两者的口径和数据流转方式，避免把不可比数据直接放入同一个看板。
第三步，按能力边界分工#
大模型从 PDF、图片和 Excel 中抽取信息，辅助数据清洗、格式转换、异常识别和分析生成；专业系统负责存储、权限和流程；人工负责复杂业务决策、风险处理和最终审核。
第四步，嵌入既有系统，先做一个国家和一条产品线#
团队没有推翻总部已有管理系统，而是叠加 AI 能力。第一版只做中国、一条产品线和一个问题：这条线的钱花得值不值。数据能进来、数字能点开、结论能进入周会后，再接入越南市场。
第五步，建立评估样本和可回溯界面#
收集正常、异常和边界案例，持续测试不同国家、格式和清晰度下的表现。AI 先抽取与标记，系统保留来源和置信度，人确认后再进入看板与经营动作。
落地成果：发现问题比例从不足 10% 提升到约 30%#
资料中的数字经过脱敏，量级保留、绝对值做了处理。过去人工审核市场费用时，能发现的问题比例不到 10%；引入 AI 辅助后，通过异常识别、历史对比和行业规则，可以发现约 30% 左右的问题，最终仍由人工确认。
流程也发生了变化：以前海外周会前一个小时用于对数，确认两个版本为什么不一样；现在数字先被整理好，会议可以直接讨论是否调整预算。提问从“给我一份报告”变成“这个 SKU 为什么掉了，是价格、铺货还是渠道出了问题”。
更长期的成果是企业拥有了一套可复制的数据治理方式，未来扩展更多国家、经销商和渠道时，不必每次从人工整理开始。
| 变化前 | 落地后的变化 |
|---|---|
| 经销商通过 Excel、邮件和人工翻译反馈 | AI 抽取、清洗和格式转换，结果进入既有看板 |
| Sell In 与 Sell Through 容易被混淆 | 先统一业务口径，分别处理不同来源 |
| 人工市场费用审核能发现不足 10% 的问题 | AI 辅助后可标记约 30% 左右的问题，人最终确认 |
| 周会前大量时间对数字 | 数字可追溯后，会议直接讨论预算和市场动作 |
这个案例的核心不是“AI 找到了 30% 的问题”，而是把非结构化跨境数据变成可追溯、可讨论、可进入经营决策的数据。发现问题比例只是其中一个脱敏后的阶段性结果。
这个案例给 FDE 的四个提醒#
第一，跨境数据项目先统一业务口径，再谈接口和模型，Sell In 与 Sell Through 不是同一件事。
第二，每个数字都要能回到来源，不能为了让模型更会回答而牺牲可追溯性。
第三，AI 先标记风险，人做最终决策；总部和经销商都需要通过实际收益建立信任。
第四，先做一个国家、一条产品线和一个可验证问题，跑通后再扩展，不要一开始铺开所有市场。
来源与边界#
- 原始资料：Datawhale《FDE案例100.pdf》，案例二十四“从海外数据黑箱到可追溯经营：FDE推动跨境快消企业数据智能化”，案例访谈正文位于 PDF 第 238–245 页。
- 案例事实：客户为澳洲头部乳企，进入中国和越南市场；总部经销商模式；数据来源包含 Excel、PDF、图片和手写凭证；第一版只做中国一条产品线；人工审核发现问题比例不足 10%，AI 辅助后约 30% 左右；数字经过脱敏，量级保留、绝对值处理。
- 结果边界：30% 左右是脱敏后的问题发现比例，不等同于费用节省、利润提升或完全自动审核；后续越南及更多市场的扩展需要继续验证。
- 产品化解读：关于业务口径、可追溯界面和 AI/系统/人工分工的总结，是基于案例事实的产品化分析。