物流行业
一、这类企业的做法通常是什么样的
调度靠电话和微信群：司机在哪、有没有空、这单给谁，全在调度员脑子里。
运费计算经常是「先报个价，跑完再算」，实际成本要等月底汇总才知道。
异常件（延误、破损、丢件）靠客户投诉才发现，发现时已经晚了。
由此产生三个典型后果：
- 调度靠人。 调度员一休假，整个调度就乱。
- 成本算不清。 报价凭经验，实际成本月底才知道，中间全是盲区。
- 异常被动。 客户不投诉就不知道，投诉了已经损失了。
二、这件事的矛盾在哪
矛盾一：最省事的做法，也是最难管的做法
调度靠电话和微信群：司机在哪、有没有空、这单给谁，全在调度员脑子里。这样做省事，但所有信息都在个人手里，人一走就断。
矛盾二：灵活是竞争力，也是错误的来源
这个行业的灵活性是必要的——客户情况千差万别。但当规则只存在人的经验里，新人上手慢、老人记错、走了带不走。
矛盾三：想要数据，但数据是从错误的地方汇总的
很多企业上了报表，发现数字不对就不看了。问题不在报表，在源头。
三、看三个数（你自己判断该不该做）
| # | 指标 | 怎么判断 |
|---|---|---|
| 1 | 调度员的经验能传下去吗？ | 如果调度员休假一周，调度还能正常运转，说明经验已经部分结构化。如果不行，说明全在一个人脑子里。 |
| 2 | 单票成本算得出来吗？ | 每一单的油费、过路费、人工、损耗能不能算出来。算不出来，报价就是猜，利润靠运气。 |
| 3 | 异常发现靠什么？ | 客户投诉、还是系统预警。如果是前者，说明你永远在被动救火。 |
⚠️ 说明：上表的判断标准是我们的经验参考值，不是行业标准。不同规模的企业合理区间差异很大，它的作用是帮你判断「要不要认真算这笔账」。
四、FDE 怎么落地
场景1：把调度经验结构化
你遇到的：调度靠一个人脑子。
我们做的：把线路、时效、成本、司机能力做成规则，系统给调度建议，人做最终决定。
关键取舍：规则永远不如老调度灵活。目标是「新人也能调个七七八八」，不是取代老调度。
场景2：把单票成本算清
你遇到的：月底汇总才知道赚没赚。
我们做的：运单关联油费、过路费、人工，实时算出单票毛利。
关键取舍：数据要能从各处自动进来。全靠手工录的话，没人愿意录。
场景3：异常主动预警
你遇到的：客户投诉才知道。
我们做的：设定规则（超时未更新、路线偏离、温度异常），触发预警推给负责人。
关键取舍：预警太多等于没有。要先解决「哪些异常真的重要」。
场景4：回单与对账自动化
你遇到的：回单靠拍照发群，对账靠人核。
我们做的：回单拍照上传，系统识别关键信息，自动匹配运单。
关键取舍：识别准确率不会 100%，要设计人工复核环节。
五、服务包建议
| 你的情况 | 建议路径 |
|---|---|
| 不确定从哪下手 | P0 诊断（免费）——先看三个数 |
| 想先试异常预警 | P0 → P1 原型（1–2 周） |
| 成本和对账都要改 | P0 → P2 交付（3–8 周） |
物流行业我们建议从单票成本或异常预警入手。前者直接影响定价，后者直接影响客户满意度。
六、边界说明
这一节很重要，请认真看。
| 我们能做到 | 我们做不到 |
|---|---|
| 把流程线上化、把数据连起来 | 让一线自觉用系统（这需要管理） |
| 把规则显式化 | 替你决定经营策略 |
| 自动勾稽、主动预警 | 保证数据源头一定准确 |
| 让做错变难 | 让不想做变成想做 |
最后一条最关键：系统能让「做错」变难，但不能让「不想做」变成「想做」。
什么情况下我们建议不做：
- 老板自己不看数据、只让下面人搞
- 流程本身还没定型，每天都在变
- 数据源头完全不在系统里，且短期内不会改
- 只想做个演示给客户或银行看
常见问题
物流企业最值得先做的 AI 或自动化是什么？
通常是单票成本核算。因为定价决策依赖它，而大多数企业算不清。异常预警也值得做，但要先解决「哪些异常重要」，否则预警会变成噪音。
调度能被 AI 取代吗？
短期内不能。调度要处理大量例外情况（临时改址、车辆故障、客户特殊要求），这些靠规则和模型都覆盖不全。目标是让新人也能调个七七八八，不是取代老调度。
回单识别准确率能到多少？
取决于回单的规范程度。手写潦草的回单准确率会低。建议设计成「识别 + 人工确认」，而不是全自动，错了没人发现代价更大。
我们规模不大，值得做吗？
看单票成本算不算得清。如果报价一直凭经验、月底才知道赚没赚，那不管规模大小都值得先把这个算清楚。轻量方案也能做。
先聊清楚问题，
再谈要不要做
90 分钟诊断会，免费。我们会告诉你这件事值不值得做、大概多少钱、以及——如果结论是"不该做"，也会直接说。
