出海 × 供应链：图谱化研究笔记 V3

0. 总体架构：你最终想建立的是什么

不是ERP替代品，不是单纯APS，也不是让AI直接下采购决策，而是建立在现有业务系统之上的“策略与控制层”。

这个定位的重要性在于，它主动避开了一个非常容易陷进去的误区：为了“智能化”，重新实现采购、生产、物流、仓储和订单执行。现实里这些领域已经有大量成熟系统，且各行业差异非常大。如果把这些都重做，你会迅速被系统实施、权限、主数据、工艺逻辑拖垮。

真正值得创新的层，是现有系统普遍薄弱的一层：跨系统理解整体业务状态，并根据阶段、周期和异常，动态选择合适的供应链策略。

1. 出海的第一性原理

为什么不能只看“国家增长”和“行业规模”

一个国家某行业快速增长，只说明“宏观上可能存在需求”，并不说明你的企业能够获得这部分需求。企业真正面对的是一条连续链条：有没有合适客户、能不能进入采购名单、产品是否符合认证和当地使用习惯、渠道是否愿意卖、售后是否承受得住、最终回款是否健康。

因此，“市场大”只是第一步。如果缺乏接入能力和履约能力，一个高增长市场反而可能把企业拖入高投入、低回报的状态。

六个核心判断变量

海外净价值
≈ 可转移优势
× 可获得需求
× 市场接入能力
× 履约能力
- 进入摩擦
- 协调成本
- 风险

长期赢家不一定第一次判断最准，而是更快、更便宜地获取一线反馈，并迅速调整策略。

2. B2B市场开发：客户真正买的是“低风险”

四个典型错位

第一，产品能力强，但市场认知弱。 技术参数不错，并不意味着客户愿意把你放进供应体系。采购方需要认证、Reference、试样、技术验证和历史记录。

第二，有Distributor，但没有终端客户数据。 企业只看到Sell-in，看不到Sell-out，于是总部很容易被渠道预测误导。渠道库存积压时，总部仍可能继续生产和补货。

第三，产品价格低，但本地售后成本高。 如果一次现场维修就吞掉大量毛利，所谓“低成本优势”会在海外被重新计算。

第四，总部以为客户买低价，当地客户实际上买低风险。 尤其是工业设备、零部件和B2B系统，客户承担的是停线、维护、交付失败、认证不通过等风险。

平台应该形成什么闭环

Market Intelligence
↓
Target Account / Buying Center
↓
技术验证 / Demo / Sample
↓
Distributor / Integrator
↓
RFQ / Quote / Win-Loss
↓
售后 / Warranty / Service
↓
客户与Outcome数据
↓
反向修正市场策略

3. 平台壁垒：不是信息多，而是结果数据难复制

为什么“服务商目录”很弱

谁存在、做什么服务、官网是什么，这些信息非常容易被抓取。但“哪家服务商适合哪种企业、响应速度如何、真实报价区间、实际周期、成功率、延期率、沟通成本、最终结果”不是公开信息。

只有当平台真正进入交易或执行环节，才能把黄页升级成 Performance Network。同样，只有企业把项目、任务、文件、供应商、渠道和结果长期留在平台里，平台才会从“工具”变成“业务基础设施”。

真正应该积累的字段

4. 论坛 / 交易社区：如何同时满足讨论和现实交易

为什么不能做传统论坛

传统论坛按“国家板块 / 行业板块 / 闲聊区”组织内容，容易出现两个问题：第一，信息密度低；第二，商业需求被淹没在广告和重复帖中。更适合你的方式，是把帖子本身变成业务对象。

建议的内容对象

平台为什么能通过社区获得优势

你的短板一直是缺乏一线需求。论坛/交易社区的真正价值，不是增加PV，而是让企业主动暴露真实问题、阶段和资源缺口。随着问题转成需求、需求转成交易、交易产生Outcome，平台开始形成：

Industry × Country × Stage × Problem × Solution × Provider × Outcome

这张图谱，才是以后做市场进入、供应链策略、服务商匹配甚至AI建议的基础。

冷启动怎么做

不能从“欢迎500家服务商入驻”开始，而应该从“先弄到20个真实需求”开始。第一批需求可以人工整理，第一批服务商也可以人工邀请。平台先证明自己能带来真实Qualified Demand，再谈规模化。

5. 供应链的本质：五条流是否同步

四类高频问题

为什么“计划”是核心

没有计划时，企业不是不运行，而是在用更昂贵的方式运行：加班、插单、加急物流、库存Buffer、人工协调、临时采购、延期交付。这些方法会掩盖系统失效，使企业误以为“问题解决了”。

真正的供应链管理，是在服务水平、库存、成本、现金和风险之间做持续权衡。

6. 为什么中国很多企业看起来“不太需要复杂供应链系统”

为什么问题在国内被掩盖

如果供应商就在隔壁工业园，缺料时可以临时加单；如果工厂有富余产能，可以加班追单；如果渠道预测不准，可以多备库存。这些手段会降低显性缺货，但同时带来隐性成本：库存资金、加班、质量波动、空运、插单、管理时间和毛利损失。

为什么出海会迫使供应链升级

跨国后，Lead Time拉长、物流不确定、海外仓成本更高、Distributor信息失真、当地供应商质量差异变大，同时还增加关税、原产地、汇率和合规问题。过去靠“物理冗余”吸收误差的方式成本急剧上升。

出海本质上迫使企业从“用冗余买响应”转向“用计划和数据买响应”。

7. 从ERP到策略控制层：系统职责应该怎么分

为什么不应该重做专业系统

MES需要理解设备、工序、模具、换线、班次；TMS需要理解运输、线路、承运商、结算；WMS需要库位、批次、拣货、波次。这些系统的专业复杂度极高，且行业差异巨大。

你的系统真正有机会的是把它们当成“执行器”，上层只抓取关键状态，然后回答跨系统问题，例如：

• 为什么这个订单可能延期？
• 是需求变化、生产延迟还是Shipment延误？
• 应该切换到什么策略？
• 需要下钻到哪一层数据？
• 有哪些可选方案，成本和风险分别是多少？

8. AI策略控制系统：AI负责“选策略”，不是“直接拍板”

为什么策略比单纯预测更重要

同一个SKU，在新品进入海外市场、快速增长、成熟期、衰退期、港口中断、关税变化时，目标函数完全不同。新品阶段最怕库存压死，增长阶段最怕缺货，成熟阶段才适合追求总成本最优，危机阶段甚至会优先保证关键客户和业务连续性。

专家经验如何转成机器可执行规则

例如资深管理者说：“新品刚进入海外，不要听代理商Forecast一次压三个月库存。”这不能只存成知识文章，而应该被转成条件、参数和退出规则。

IF
Lifecycle = Launch
AND Market = New
AND ForecastSource = Distributor
AND ForecastAccuracy unknown

THEN
DistributorForecastWeight <= 30%
InventoryCoverage <= 4 weeks
ReplenishmentFrequency ↑
ProductionFlexibility ↑

EXIT WHEN
Sell-out history sufficient
AND ForecastAccuracy stable

Strategy Library 应该怎么组织

9. 颗粒度控制：怎样兼顾复杂度和精确度

颗粒度不是一个维度，而是五个维度

如何决定“要不要继续下钻”

Control Priority
≈ Economic Impact
× Uncertainty
× Urgency
× Criticality

一个普通低价值标准件，即使销量大，也未必值得做到小时级控制；而一个采购金额很低、但缺一件会停整条线的关键零件，必须做到更细。

复杂度怎么控制：Progressive Refinement

这样系统不会把所有对象都跑最高级算法，而是先做廉价筛选，再把计算资源和管理注意力集中到少数高价值异常。

10. 数据体系：准确决策不等于所有数据都必须“绝对准确”

为什么这是策略控制的基础

库存数应该尽量准确；需求预测天生不可能准确；供应商Lead Time应该看成分布而不是一个固定数字；国际风险只能给置信度和情景。不同数据类型，可信度完全不同。

每个关键字段至少应带什么元数据

{
  value,
  source,
  timestamp,
  data_type,
  confidence,
  granularity
}

最小必需数据集

11. 旧系统改造：不要改ERP核心，先叠加“策略层”

五步改造路径

1. Read Only：只接ERP/WMS等数据，建立统一业务状态。
2. Shadow Planning：系统跑自己的策略和方案，但不影响真实业务，与人工计划并行。
3. Recommendation：系统正式提供多策略Scenario，人选择。
4. Workflow Integration：选择策略后自动创建任务、审批和提醒。
5. Selective Write-back：最后才允许创建采购申请、调拨单等有限动作。

为什么Shadow Planning非常重要

旧系统改造最大的风险不是技术，而是信任。企业不会因为你“模型先进”就把采购和库存交给你。Shadow Planning可以在不干扰现有业务的情况下，用真实数据跑3个月，把“人工计划、系统建议、实际结果”放在一起比较。

只有证明系统在库存资金、缺货率、异常提前量或管理效率上有持续改善，企业才会愿意进入下一阶段。

12. 第一版MVP：验证“策略控制”而不是验证“完整平台”

为什么选择库存 / 补货

• 数据容易拿：销量、库存、PO、在途、Lead Time。
• 经济结果可测：库存资金、缺货、加急物流、Service Level。
• 策略差异明显：不同生命周期和风险状态下，补货策略完全不同。
• 不用一开始进入复杂MES排产和设备级控制。

第一版需要输出什么

真正的验证指标

最终产品不是“一个会聊天的供应链AI”，而是“把企业状态、专家策略、量化模型、现实执行和Outcome反馈连接起来的策略控制层”。