厦门某国际货运代理公司

厦门某国际货运代理公司（以下简称"该公司"）成立于2012年，主营美线、欧洲线、东南亚线的海运整柜与拼箱、空运，以及跨境电商物流与保税仓储，客户以闽南地区的外贸工厂、鞋服企业与跨境卖家为主，团队规模约65人，年营业额在2亿至3亿元区间。

这家公司在厦门同行里有个特点：客户关系好、服务口碑好，但赚钱不稳定。 同样一个美线整柜，这个月报出去能赚2,200元，下个月可能只赚300元，偶尔还会出现"做完才发现亏了"的单子。老板一度以为是市场波动，直到2025年做年度财务复盘时才发现真正的原因：公司的报价和货量决策，几乎没有数据支撑。

报价这件事，在该公司的实际流程是这样的——客户询价，业务员先问操作确认成本，操作去船公司平台查运价，再问拖车、报关、仓储各自报价，把所有费用加总，再随手加一个"看着差不多"的利润，形成一个报价。整个过程最快1小时，遇到多方询价、船公司没及时回复的情况，平均要4小时左右才能回复客户。在跨境物流这种"谁先回谁先赢"的行业里，4小时的响应时间意味着大量询盘在等待过程中就流失了。

更严重的是利润的不可控。因为没有系统化的成本核算逻辑，业务员加价多少全凭个人习惯和心情——有人习惯加800元，有人习惯加2,500元，同一个客户前后两次询价可能报出利润率相差10个百分点的价格。老板发现，公司全年报价的实际毛利率波动区间高达±9个百分点，有的单子肉眼可见地亏钱，有的单子因为报太高而把客户吓跑。

2025年的一次事件让老板下定决心。一个合作了6年的老客户询一条欧洲线整柜，当天船公司运价正在快速上涨，业务员按前一天的成本核算报了价，客户当场接受并订舱。等实际操作时才发现，运价已经涨了1,100美元，这单最终的毛利只有不到200元人民币。"我们不是在经营，是在赌。"

2025年12月，该公司与上海奈李签约，引入智能数据分析与决策支持AI服务，围绕"利润预测与报价AI"和"货量预测与风险预警平台"两个工具模块，启动为期12个月的数据决策改造。

二、核心痛点

痛点一：报价响应慢，询盘在等待里流失

一个完整的成本核算，要串起海运/空运运价、拖车费、报关费、仓储费、保险、附加费（BAF/THC/文件费等）至少6个来源，全部靠人工问、人工加。跨境物流客户通常一次性询价3-5家货代，谁先给出反馈，谁就拿到了对话的先机。 4小时的响应时间，等于把近一半的询盘让给了同行。

痛点二：报价没有统一逻辑，利润率失控

公司没有统一的"成本+目标利润"核算模型，加价完全靠业务员个人判断。结果：同一类业务在不同业务员手里价差巨大；业务员为了成单倾向于压低价格，导致公司整体毛利率被持续侵蚀；而在运价波动剧烈时，因为核算滞后，甚至出现负毛利成交。

痛点三：货量和风险靠"感觉"，被动应对

公司有7年的出货数据，但从来没被用来做预测。旺季什么时候来临、哪条航线会拥堵、旺季需要预留多少舱位——全靠老板和操作主管的经验判断。这种判断在小幅波动时勉强够用，但遇到运价剧烈波动或港口拥堵时，公司总是"最后一刻才知道"，备舱不足导致甩柜、库存超期导致滞港费，损失都是真实的钱。

三、AI工具解决方案

上海奈李按照 "成本建模 → 报价智能化 → 货量预测 → 风险预警 → 决策闭环" 五步走策略，为该公司部署智能数据分析与决策支持AI工具。

第一阶段：成本结构与数据基础建设（第1-4周）

成本项拆解：把该公司7年积累的报价与成交记录全部拆解，梳理出一个覆盖海运整柜/拼箱、空运、报关、仓储、拖车、保险、附加费的完整成本项清单，共47个成本科目，明确每项的成本来源与计算规则。

数据接入与清洗：接入该公司TMS的成本与出货数据、船公司与航司的公开运价数据、历史市场运价走势数据，形成统一的数据底座。对历史数据中的异常值（明显录入错误、汇率口径不一致）做清洗与归一化。

成本映射关系建立：建立"输入条件 → 成本项"的映射规则。例如输入"厦门港 → 洛杉矶港，40HQ，普通货物"，系统自动匹配：海运运价、起运港THC、目的港费用、拖车费（按厦门本地距离）、报关费、文件费、保险（按货值比例）等全部成本项。

第二阶段：利润预测与报价AI部署（第4-10周）

即时成本核算：业务员输入起运港、目的港、箱型、货品信息、货量后，工具即时输出综合成本构成明细——不再需要逐个问操作、逐个平台查，报价响应从4小时压缩到分钟级。

智能报价区间生成：工具根据三个变量生成建议报价区间——① 综合成本；② 实时的市场运价行情；③ 为该客户设定的目标利润率。输出形式不是单一数字，而是"成本价 / 建议报价区间 / 该价格下的毛利"三个信息，让业务员带着"底价"去谈判。

客户差异化定价：工具记录每个客户的成交历史与价格敏感度，对新客户、老客户、大客户分别给出差异化的报价建议——老客户可以适当让利换量，新客户保持合理毛利，避免业务员"一刀切"式报价。

运价波动预警：当某条航线的市场运价在24小时内波动超过预设阈值时，工具主动提示业务员"该航线运价正在快速上涨，建议报价时预留缓冲"，从机制上避免"报价时算得过来、操作时亏钱"的情况。

第三阶段：货量预测与风险预警平台部署（第10-20周）

货量预测模型：基于该公司7年历史出货数据，结合季节性规律（每年8-10月为美线旺季、春节前后为出货低谷）、客户自身的业务节奏、以及外部市场动态，工具按航线、按客户维度预测未来1-3个月的货量趋势。

备舱建议：预测结果直接对应到运力规划——工具输出"未来6周美线整柜预计需求XX柜，建议提前锁定XX柜舱位"，把公司的备舱决策从"拍脑袋"变成"有数可依"。

风险预警机制：工具持续监控三类风险信号——① 航线拥堵（港口作业效率、船舶等待时间）；② 成本波动（运价、油价、汇率）；③ 客户风险（客户的出货量突然下滑、付款周期变长）。一旦触发阈值，主动向对应负责人推送预警。

风险预案库：每类风险匹配一套标准应对预案（如"美线拥堵 → 提前7天订舱 + 备选直航船期"），预警触发时同步给出建议动作，而不是只发一个令人焦虑的提示。

第四阶段：决策闭环与管理看板（第20-44周）

报价效果追踪：工具追踪每个报价的后续走向——客户是否接受、实际成交价、最终毛利，反哺优化报价模型的目标利润率设定。

管理看板：为老板提供一个"经营驾驶舱"，一屏看清——本月报价量/成交率/平均毛利率、各航线货量预测与实际对比、风险预警当前状态。

预测准确率回测：每月对货量预测与实际出货做回测，持续校准模型。合作期间模型迭代9轮，预测准确率从初期的68%提升至86%。

四、关键成果（数据呈现）

经过12个月服务，该公司从"报价靠问、货量靠猜"变成"系统核算、数据预测"：

数据说明：以上数据基于该公司TMS与报价系统的后台日志、财务毛利台账、订舱记录与货量预测回测报告汇总；"报价成交率"指报价后客户实际订舱的比例；"货量预测准确率"以预测值与实际出货量偏差在±15%以内视为准确。

层级自洽校验：询价响应从4小时（240分钟）降至3分钟，缩短98.7%，符合"人工串行问价 → 系统即时核算"的机制变化。报价成交率从31%提升至69%，提升38个百分点——该提升幅度较大，主要来源于两个因素叠加：响应速度提升带来的先手优势，以及报价区间更贴近客户心理价位（而非过高或过低）。毛利率波动区间收窄至±3.2个百分点，与"统一核算模型+目标利润率"的机制设计相符。

五、客户评价

"以前我们做报价像在赌行情，现在心里有底了。业务员输几个条件，出来的不只是价格，还有成本明细和毛利——他就知道这单赚多少、能不能让。最明显的变化是响应速度，客户上午10点问价，10点03分我们能回，同行下午2点才回，这客户基本就是我们的了。货量预测那块也很值——去年旺季我们提前六周锁舱，整个旺季只甩了4票，前年甩了17票。甩一票柜子的损失，就够这套系统跑很久了。"——该公司总经理

六、经验总结

1. 报价数字化的核心是"成本科目的完整拆解"，不是"做个计算器"

很多货代公司以为报价工具就是"填几个数、加起来"。但真实成本里有大量容易被漏掉的科目——目的港的各类附加费、旺季附加费、汇率损耗、拖车的等候费。这些"漏项"才是报价亏损的真正来源。 奈李在建模阶段就花了4周只做一件事：把47个成本科目全部拆清。这个阶段不能省。

2. 报价工具要输出"区间"和"底价"，不要输出"一个数"

如果系统只给业务员一个价格，业务员要么不敢让（丢客户），要么乱让（丢利润）。输出"成本价/建议区间/毛利"三个信息，业务员就有谈判空间和信息，成单率和毛利率可以同时改善——这个案例里两个指标同时提升38个百分点和收窄64%，原因就在这里。

3. 风险预警要有"预案"，否则只是制造焦虑

只告诉老板"美线要拥堵了"，老板除了焦虑什么都做不了。预警必须绑定标准动作（提前几天订舱、走哪条备选船期），才能变成真实的损失规避。这是预警平台和"报表工具"的本质区别。