后市场的三座大山
宁波做汽车配件、易损件、维修件的企业很多，做后市场（维修替换件）的这两年增长也快。但这门生意有三件事越做越累：适配数据乱、SKU越滚越多、渠道内容跟不上。
适配数据乱是最要命的。同一个刹车片，适用哪些车型、哪些年款、哪些排量，数据散在供应商给的表格里、自己积累的经验里、电商平台的后台里。客户问一句"2018款某某车1.5T能不能用"，客服查三分钟还答错，装不上就是退货加差评。
SKU膨胀是第二个坑。同一个零件因为不同包装、不同渠道、不同叫法，在系统里变成五六个编码，库存对不上，采购重复下单。
第三件是内容。后市场渠道特别散：电商平台、修理厂B2B平台、抖音快手、线下经销商物料。每个渠道都要产品图、适配表、卖点文案，人工根本做不过来。
第一段：适配数据——先把口径统一，再谈自动化
适配数据治理的第一步，是确定用哪套标准口径。行业里常见的是用车型+年款+排量+发动机型号来锁定，有条件的企业会引入标准的车型库编码做主键。没有标准编码的，至少要做到"品牌+车系+年款区间+排量"这四要素齐全。
第二步是把历史数据做一次全面清洗：把"18款""2018款""18年"这类写法统一，把缺失排量的记录标出来，把明显矛盾的（同一编码适配两个完全不同平台的车型）挑出来人工核。
AI在这里能干的活很实在：从供应商提供的各种格式表格里抽取适配信息、做格式归一、找出疑似重复和疑似矛盾的记录让人确认。这一步能把人工核对的工作量砍掉大半。但最终确权必须人做——适配错了是要赔钱的。
数据清洗的节奏和方法，参考 上AI之前先整理数据。
第二段：SKU归并——找出"其实是同一个东西"
SKU膨胀的解法不是删SKU，是建立映射关系：销售SKU可以多个，但底层必须指向同一个实物主数据。
具体做法是先建主数据层——按实物定义（零件本身+OEM号+适用车型集合），再把各个渠道的销售SKU挂到主数据上。这样库存、采购、成本都按主数据算，销售按渠道SKU走。
AI能帮忙做的是相似度识别：把名称、规格、图片、OEM号相近的SKU聚类，输出疑似同一实物的分组，让人确认。尤其图片相似度这一维很好用，很多重复SKU的图其实是同一张。
主数据建好之后，还有个直接收益：某个OEM号对应的所有渠道SKU一目了然，调价、下架、库存同步一步到位。
第三段：渠道内容——一次结构化，多形态复用
后市场的内容需求量大但结构固定：适配车型表、产品参数、安装注意事项、常见问题。这些内容的原材料其实都已经在主数据和知识库里了。
正确做法是先做结构化素材，再按渠道生成不同形态：
- 基础素材层：适配车型表（从主数据直接出）、参数表、安装要点、质保说明。这四样是通用的。
- 渠道适配层：电商详情页要全、要规范；短视频口播要短、要讲痛点（"这个件多少公里该换了"）；B2B平台要强调适配性和供货稳定；经销商物料要有型号对照表。
- 批量生成：素材层定好后，让AI按各渠道模板批量出初稿，人抽检。原来一个SKU写一天，现在几百个SKU一周能铺完。
内容流水线的搭法见 低成本AI内容流水线怎么搭；想做成短视频，参考 AI短视频矩阵工作流。
红线
- 适配结论不能由AI推定：模型说"应该能装"是不能发出去的，必须有数据依据或实物验证。
- 安全件格外谨慎：刹车、转向、悬挂类零件，任何参数和适配表述都要有出处，这些件出事是人身事故。
- 安装扭矩、间隙标准值必须来自维修手册：不能让模型按经验给。
数据边界怎么划，见 企业用AI的合规与数据安全。
六周排期
- 第 1-2 周：定适配数据四要素口径，清洗历史适配表，输出矛盾清单。
- 第 3 周：建实物主数据层，把渠道SKU挂上去，跑相似度聚类。
- 第 4-5 周：搭基础素材层，选两个渠道批量生成内容试水。
- 第 6 周：看适配查询准确率、因"装不上"导致的退货率、内容铺货速度三个指标。
验收核心看因适配错误导致的退货率。这个数不降，前面的活都白干。
想按自己的SKU结构试一遍
做易损件还是覆盖件、做国内还是出口，数据复杂程度差很多。如果在宁波做汽配后市场，想先把适配数据这块理清楚，直接 联系我们，带上你现在的适配表和一个品类的SKU清单，我们帮你估一下第一周能理到什么程度。