一、项目背景

这家汽配连锁客户有几百家门店，配件报价长期靠老师傅拍脑袋。同一款刹车片，A 店报三百，B 店报三百六，客户拿着两家的报价来问为什么不一样，店长也答不上来。总部更惨，真实成本散在每家店的 Excel 里，积压和缺货同时发生：热销型号总部和门店都没囤，客户等一周；冷门型号一囤三年，占着资金和库位。我们进场时他们刚因为一次"报价差太大被客户录音发抖音"的舆情忙了半个月。这件事的底层是三张表对不齐：车型、配件、价格，每一张都靠人维护，错一个就层层传错。

二、落地场景

我们落地的主线是把"凭经验报价"变成"按数据报价"。首先是车型到配件的适配库，输入车架号或车型年款，系统返回可用配件清单和适配置信度，杜绝"差不多能装"的口头判断。其次是配件智能询报价，适配库命中后，系统按总部指导价、门店等级系数、近期采购成本生成报价区间，店员在区间内微调，价格差异被收敛到一个窄带里。第三是就近仓调拨，门店缺货时自动查周边仓库存，生成调拨建议并预估到货时间，不再让客户空等。第四是滞销件识别与清退，按动销和库龄双维度打分，长期零动销的件提示清退或调拨到需求地。

三、关键技术挑战与解决思路

适配库的准确性是整件事的地基。汽配行业最烦的是"一物多码"，同一个配件不同供应商编的码不一样，同一个码在不同年份指向不同零件。我们做法是建一个配件主数据层，把不同供应商的编码映射到统一内部件号，车型适配关系挂在内部件号上。映射初期我们偷懒用模糊匹配自动建，结果把两款外观相似但安装位不同的滤芯并成了一个，门店按系统推荐发货，装不上被退回，客诉了一波。后来改成"自动映射加人工确认阈值"，相似度低于九成的必须人工点确认，映射准确率才稳下来。就近调拨原来按直线距离算，忽略了同城不同区的限行和跨城时效，我们后来把调拨时效模型接了实际物流时效数据，按"承诺到货时间"而不是"公里数"排序，客户感知的等待时间明显缩短。

滞销识别我们最初只按库龄，发现有些件库龄长但每次来了就被秒提，是低频刚需，清退就断供了。改成动销加库龄双维度后，这类件被保护下来，真正该清的是那些既不动又占大件库位的，清退准确率提升明显。

四、效果数据

适配库覆盖常用车型约九成，询报价区间收敛后，同配件跨店报价差异从最高的约两成降到约百分之三以内。缺货率按热销前五百 SKU 统计，从约百分之七降到约百分之一点五。库存周转天数整体缩短约两成，滞销件占比从约一成三压到约百分之六。就近调拨建议采纳率约八成，采纳的调拨单平均到货时间比原先门店自行找货快约一点八天。门店因为报价不一致引发的客诉，同比下降约七成。

案例片段（已脱敏）： 某门店接入适配库后，输入一辆 2021 款 SUV 车架号，系统返回刹车片内部件号 P-88231，适配置信度 0.98，并带出三家供应商近期采购成本区间 142 至 168 元。报价引擎按指导价系数生成区间 198 至 236 元，店员取 215 元，客户当场对比另一家 230 元报价后下单。调拨侧记录该件本店零库存，周边 30 公里内两仓有货，推荐仓 A 承诺次日达，门店采纳，客户次日收到并安装。

门店侧落地时我们遇到一个预期外的阻力，老师傅们不信任系统报价，觉得"我干了二十年比电脑懂"。我们没强行推，而是先在十家试点店跑，把系统报价和实际成交价每天拉出来对比，老师傅发现系统算的区间和他最终谈成的价格高度重合，抵触就小了。真正让系统站稳的是一次价格争议：客户拿着竞对报价来压价，店员按系统区间底线接单，事后证明那个价格已经是真亏本价，系统帮着拦住了。这种"系统帮店员挡刀"的案例传开，推广就顺了。适配库的维护我们也交了学费，初期只让总部维护，门店发现适配错了只能上报等批，平均修复要两天，后来开放门店提报加总部审核，适配更新缩到半天，数据新鲜度上去后，门店才真正把系统当成自己的工具而不是总部的监控。

五、可复用经验总结

汽配这行真正难的不是系统，是数据地基，车型到配件的适配库做不准，后面所有智能都是空中楼阁，我们自动映射翻过一次车之后就老老实实加了人工确认阈值，这一步省不得。价格收敛这件事，总部最关心的是品牌一致感，门店最关心的是灵活度，把报价做成"区间加微调"比做成"死价格"落地阻力小得多。滞销识别别只看库龄，低频刚需件被误清的代价比占点库位大，动销维度补上才稳。我们当时在调拨上纠结过是按距离还是按时效，后来想明白用户只在乎什么时候到，公里数只是中间变量，直接优化终态指标反而简单。