烟草商业公司AI应用全景图：23个部门48个场景落地指南

在烟草商业公司做数字化规划我最常被业务部门问的一句话是AI到底能帮我们干什么这个问题看起来简单但要给出真正有用的答案并不容易——不能只说几个演示性质的场景得把整个公司的业务盘一遍弄清楚AI能用在哪、解决什么痛点、按什么节奏上。这次我把公司23个部门拆了一遍梳理出48个AI应用场景做成了一份覆盖全公司的AI应用全景图。这是一份指引到2027年的规划版本既回答AI用在哪也回答先做什么、后做什么、每个场景怎么落地。这份全景图适合三类人看一是分管数字化的领导可以用来圈定近两年的试点方向二是业务部门负责人能对照自己的条线找到具体的AI切入场景三是信息中心和数字化团队的同事可以把48个场景当成需求池按照优先级逐步排期推进。它不解决所有问题但能帮你把想用AI变成知道怎么用AI。1. 为什么要把AI应用画成一张全景图1.1 只做试点远远不够缺的是一张全公司地图我见过不少公司AI应用推进了两三年最后盘下来其实是两三个场景反复讲。今天在这里做一个文字识别明天在那里试一个问答机器人热闹归热闹但没有形成体系。问题出在起点——大家一开始就跳进了要做什么场景的细节里没有先回答一个更前提的问题整个公司到底有哪些环节可以被AI改造全景图的本质是把公司的业务链条从头到尾拉一遍在每一个可能用上AI的节点上做一个标记。对烟草商业公司来说业务主线其实非常清晰品牌货源采购进来、仓储物流运转起来、订单销售出去、客户服务跟上去财务人力行政在背后保驾护航。沿着这条主线往下拆每个部门负责哪个环节、环节里哪些动作属于重复劳动、哪些判断靠个人经验、哪些流程效率明显偏低——这些痛点标记出来就是AI场景的候选。有人可能会说直接列一个场景清单不就行了我的体会是清单和图是两个完全不同的东西。清单只告诉你有哪些场景可以做图的价值在于告诉你这些场景在业务链条上处于什么位置、彼此之间什么关系、哪些场景可以共用同一套AI能力。比如客户画像和智能订货看起来是两个场景但底层都要用零售户的进销存数据数据底座和特征工程可以一起做。这种场景之间的连接关系只有在图上看才清楚。1.2 两条主线业务价值链 AI能力矩阵我在设计全景图的时候用了两条坐标轴。纵向是业务价值链从品牌货源、仓储物流、营销销售到客户服务横向是AI能力类型包括预测分析、自然语言处理、视觉识别、智能流程自动化、知识问答、数据挖掘六大类。每个场景都落在某个业务环节和某种AI能力的交叉点上。这样做的好处有三点。第一不容易漏项。你拿着能力矩阵逐条去对业务条线相当于给每个部门做了一次AI体检该用AI的地方都能翻出来。第二方便做技术规划。同一类AI能力可以沉淀成公共平台比如文字识别能力做一次财务报销、合同档案、终端管理都能复用不需要每个场景独立建模。第三方便排优先级某些单元格里场景密集说明这里需求集中值得优先投入某些单元格完全空白还能反过来提醒我们是不是有被忽略的机会。打个比方这个矩阵就像做菜时候的食材×技法对照表。你既要知道自己手里有什么食材业务场景也要知道有哪些技法可以用AI能力才能排出一桌像样的菜。如果只盯着某一个菜谱单点场景今天炒个蛋、明天炖个汤那就做不成宴席。2. 23个部门48个场景场景到底怎么分布的2.1 前台经营侧离客户和市场最近的场景最先见效先说前台经营条线主要包括销售、客户服务、终端建设、品牌培育、市场分析这些部门。我在这条线上梳理出20个左右的场景是所有条线里最密的。原因很简单前台离客户最近数据也最丰富——每一笔订单、每一次拜访、每一个零售终端的销售数据都在这里沉淀AI最容易找到用武之地。典型场景是销售预测。过去做销售预测靠的是经验加Excel区域经理对下个月销量心里有个数但不精确。引入时间序列模型后可以把历史销量、节假日、新品上市节奏、天气变化等因素一起喂进去输出按周、按区域、按品类拆分的销量预测。这个场景听起来不够炫酷但实际价值非常大——它直接影响货源采购、库存周转和投放策略属于典型的小投入、大产出。再比如零售终端画像。每个零售户的情况差异很大有的在商业区、有的在居民区有的经营能力强、有的需要重点帮扶。用聚类算法给终端打标签按经营能力、合规情况、成长潜力分群客户经理就可以针对不同群体采取不同的服务策略。这个场景建模难度不高但对客户经理的工作方式改变很大——从跑完再说变成先看数据再去跑服务的精准度完全不一样。2.2 中后台支撑侧流程效率场景最扎实中后台条线覆盖财务、人力资源、综合办公室、信息中心、法务、安全、采购、资产管理等部门。这些部门不直接面对客户但它们的共同特点是重复性事务工作极多。公文起草、合同审核、报销审批、会议记录、档案归档、资产盘点哪一样不是靠人海战术在扛在这条线上我梳理出大约16个场景核心AI能力集中在自然语言处理和智能流程自动化上。举一个例子文档智能处理——公司的合同、公文、制度文件动辄几十页过去审核靠法务一页一页翻。用大模型加规则引擎做合同审查可以先把关键条款、风险点自动标注出来法务再集中精力处理真正需要专业判断的部分。再比如智能报销发票识别、费用规则校验、审批流自动化串起来财务审核人员的工作量能降一大截。可能有同事觉得这类场景不够核心但我的实际经验恰恰相反。中后台的效率提升是立即见效的也是全员最能感知到的。前台场景出成绩往往需要数据积累和业务磨合中后台的场景三个月就能看到效果对建立全公司对AI的信心非常有帮助。所以我在节奏安排上特意让一部分中后台场景先行落地。2.3 场景优先级用效果-难度矩阵排路线48个场景不能一起上就算人力和预算都够我也不建议——业务部门接受不了那么大的变化技术团队也消化不了那么多需求。所以我把场景分成三类优先级。第一优先级速赢场景投入小、见效快、业务阻力小集中在智能文档、文字识别、智能问答、会议纪要这类。目标是先用起来让全公司对AI有直观感知。第二优先级核心场景投入中等、价值大需要以数据治理为前提集中在销售预测、智能订货、路径优化、客户画像这类。目标是解决核心经营问题产生可量化的效益。第三优先级探索场景投入大、路径还需要验证集中在智能化决策辅助、全链路数字孪生这类。目标是探索前沿为2027年之后的迭代做储备。这样一分整个落地节奏也就清晰了第一年做速赢场景第二年攻核心场景第三年探索前沿场景。这也是我把全景图命名为2027年指引版的原因——它不是一年做完的事而是一个三年滚动推进的整体规划。下面用一张表快速看三个条线的分布情况业务条线覆盖部门数场景数量代表场景前台经营侧820销售预测、终端画像、智能订货物流供应链512路径优化、智能补货、视觉质检中后台支撑侧1016智能报销、合同审查、会议纪要3. 四个代表性场景的实施方案拆解3.1 智能订货建议从经验拍板到数据决策订货建议是我在烟草商业公司里见过最容易产生直接效益的场景之一。过去客户经理给零售户做订货指导靠的是个人经验经验丰富的经理判断得准经验浅的就只能凭感觉。现在可以建立一个自动化的订货建议系统输入是零售户的历史进销存数据、所在商圈的消费特征、季节因素、当前库存水平输出的是建议订货量。落地的时候第一步不是上模型而是先理数据。零售户的进销存数据是不是完整、可信直接决定模型的底线。很多公司做这类项目数据一查才发现部分零售户历史数据缺失有的录入口径还不统一。这时候需要先做数据清洗和补采这个过程大概要占到整个项目40%的工作量。第二步是选算法。我建议先采用一个相对轻量的方案比如历史均值趋势调整季节系数的统计模型而不是一上来就上深度学习。原因是零售户级别的数据量通常有限复杂模型容易过拟合业务解释起来也困难。等模型在几个区域验证稳定了再逐步扩展到全区域再考虑引入更复杂的机器学习模型。这个项目里最容易忽略的是人能干预的接口。业务人员不会百分之百信任模型这是正常的。系统里一定要留人工确认环节让客户经理可以修改建议订货量并且把修改原因记录下来。这些修改记录是后面迭代模型最重要的素材。这个人机协同的设计比模型精度本身更值得花心思。3.2 配送路径优化省下来的都是真金白银物流是烟草商业公司成本最集中的环节之一配送路径优化做好了省下的油费、车辆损耗和人工成本非常可观。这个场景本质上是经典的车辆路径规划问题听起来学术但思路其实很朴素几十个配送点、若干台车、每台车的运力不同、每个点的送货时间窗口不同怎么走总里程最短、总时间最合理。落地时我建议用两阶段法。第一阶段用聚类算法把配送点按地理区域分成若干组每组分配给一台车第二阶段在组内用路径优化算法计算最优的配送顺序。这样做的好处是计算量可控而且随时可以人工微调——某个点临时加单把它拉到对应组里重新算一遍就行不用全盘重来。路径优化上线之后重点关注两个指标实际油耗和单车配送时长。这两个指标最能说明问题。我见过的一个项目运行六个月后整体配送里程下降了8%到12%这个数字在物流成本里是非常可观的。另外提醒一句优化算法算出来的路线合理不合理需要配送司机参与评估。如果司机觉得路线绕路或者不安全一定不要强推。系统应该允许手工调整并记录原因跑一段时间之后把司机的调整记录当作新特征再迭代模型。3.3 智能客服大模型问答省下多少人工客服场景大家都很熟悉。客户打电话进来、在微信上留言问的问题里有很大比例是重复的订货时间、配送进度、政策咨询、订单变更流程。以前这些要靠人工客服一遍一遍回答占用了大量人力。智能客服要用好关键不在模型在于知识库。我见过不少智能客服效果不好的项目模型本身没毛病问题出在知识库没整理——政策文件是扫描件、流程说明散落在不同的文件夹、回答口径不统一。所以正确的建设顺序是先把高频问题梳理成结构化知识条目把答案的版本、更新人、生效时间都管理起来然后再接大模型。有了干净的知识库大模型才能给出准确、口径一致的回复。同时要设计好转人工的兜底机制。智能客服不可能回答所有问题当识别到用户情绪比较激烈、问题超出知识范围、或者连续两次没有解决用户疑问的时候都应该及时转接人工。阈值不要定得太高以用户不吐槽为准则。我刚上线那会儿把自动解决率的目标定在70%左右剩下的部分坦诚转人工整体客户体验反而更好。追求过高的自动解决率硬撑着让机器人回答反而容易翻车。3.4 文档与知识智能处理全公司通用的场景利器这个场景之所以单独拿出来讲是因为它是48个场景里跨部门复用率最高的一类。公文起草、会议纪要、合同审查、制度问答、档案归档本质上都是文档处理和知识管理。把它做成一个公司级的智能文档中台比每个部门各做各的效率高得多成本也低得多。具体实现上我会沉淀三项基础能力。一是文字识别把扫描件、图片里的文字转成结构化文本二是文档解析从合同、制度、报告里抽取关键字段和语义信息三是智能写作基于大模型生成摘要、草稿和润色建议。三项能力放到统一平台各业务系统通过接口调用避免重复建设。这里有一个非常现实的经验大部分公司其实不需要训练自己的大模型。用成熟的模型服务加上本地知识库做增强检索把企业内部的制度、案例、标准文档管理起来按问题去知识库里检索相关内容再让大模型基于这些材料生成回答就能覆盖绝大多数文档场景。从头训练一个行业大模型投入大、周期长、维护成本高在烟草商业公司这个体量下性价比不高。技术选型的时候别被自研大模型的冲动带偏。4. 落地的基础数据、平台和组织4.1 数据治理先行场景再多脏数据就白搭48个场景里至少30个对数据质量有硬要求。尤其是预测类场景数据不准模型再强也是白搭。所以我一直主张全景图规划完之后第一件要动手的事情不是选模型而是做数据盘点。数据盘点具体做三件事第一梳理每个场景对应的数据源在哪里——是装在业务系统里、躺在Excel里还是根本没有人在记录第二评估数据的完整性、及时性、一致性给每一项数据打一个质量分第三针对关键场景的数据短板制定补数方案。比如零售户进销存数据有缺失的可以让客户经理在上门服务时顺带补录。这个过程听起来不性感但它就是AI场景能不能落地的分水岭。跳过这一步后面模型上线的时候会发现到处是坑。4.2 平台与模型选型自研、开源还是买商业方案关于技术路线我见过三种选择全部自研、购买商业AI平台、开源模型加成熟工具组合。我的建议是以开源成熟工具为主少量场景购买商业方案。具体来说大模型类应用用开源模型或者商用API加本地知识库的组合成本和灵活性平衡得最好视觉识别类场景成熟商业产品选择很多直接采购更省心没必要自己从零训练识别模型预测优化类算法在开源框架基础上做自研是性价比最高的方式。选型的时候还要考虑一个隐性因素——供应商的本地服务能力。AI项目不是交付完就结束的后续的调优、运维、迭代都依赖服务团队这一点在招标需求书里要写清楚服务响应级别要作为硬性评分项。4.3 组织保障AI推进专班怎么搭最后是组织。全景图画得再细没有专人推进最后也是一张纸。我的建议是成立跨部门的AI推进专班由分管领导挂帅信息中心牵头各业务部门派业务骨干参与。专班的核心职责有三条一是把全景图里的场景按照节奏拆成季度目标每个场景都明确业务负责人和技术负责人二是每月做一次进度复盘重点看业务指标有没有改善而不是看系统上线了没有三是每季度根据复盘结果滚动调整下一批场景的优先级该加速的加速该延后的延后。另外要特别重视培训。AI项目最大的阻力往往不是技术是业务部门不会用、不敢用。专班应该组织分层培训给管理层讲战略价值给业务骨干讲操作流程给技术人员讲模型原理。全员对AI的认知上去了落地阻力自然就小。我见过不少项目死在技术部门埋头做、业务部门不参与上培训和组织沟通投入再多都不为过。5. 实操过程中踩过的坑与解法5.1 场景选好了但数据量不够怎么办这是最常遇到的问题。48个场景里有些场景对应的数据积累只有几个月样本量根本不够训练一个像样的模型。我的建议是先别硬上把场景从模型驱动降级成规则驱动。比如智能订货建议先用历史均值加人工经验规则搭建第一版同时有意识地积累数据等数据量达到要求了再把规则替换成模型。有意思的是有时候这个降级版本跑起来业务反馈反而不错——因为规则透明、好解释业务人员反而更容易接受。等后面换成模型版本再逐渐把解释成本补上。所以数据不够不是不做的理由换一种做法继续做就行。5.2 模型效果上线后衰减怎么处理模型上线半年后效果变差这是常态不是异常。原因通常是业务环境变了——新品上市、消费习惯变化、季节轮换、政策调整老模型没有见过这些新情况。处理这个问题的唯一可靠办法是建立模型监控和定期重训机制。具体做法是模型上线时就把监控指标埋好比如预测准确率、客户满意度、流程处理时长设置阈值超了就自动告警。模型重训的节奏可以按月也可以按季度取决于数据更新的频率。千万别把AI项目当成一次性项目——交付完就不管了再好的模型半年后也会变成摆设。在项目立项的时候就把模型运营这部分的预算和人力留出来这是很多团队会忽略的事情。5.3 业务部门不配合的破局思路做AI项目技术团队最头疼的往往不是模型难调而是业务部门不配合——不提供数据、不想改流程、觉得AI是技术部门的事。我一开始也很苦恼后来摸索出一个办法不要一上来就跟业务部门讲AI技术而是先帮他们解决一个具体的小痛点。比如帮市场分析部门自动生成周报帮客户服务部门整理高频问题清单。这些事情花不了多少资源但能让业务部门实实在在感受到AI是有用的。信任建立起来之后再推核心场景配合度完全不一样。说白了业务部门抗拒的不是AI本身而是被强行改变工作方式。先让他们尝到甜头再谈更大的变化这个顺序千万不能反。最后讲一点个人体会。做这份覆盖23个部门48个场景的全景图我最大的收获不是列出了多少个场景而是逼着自己把整个公司的业务重新完整地看了一遍。很多场景在画图之前是零散的灵感画图之后变成了体系里的构件——知道它从哪来、和谁配合、什么时候做。2027年指引版不是一个静态文档我计划每半年根据实际落地情况做一次版本刷新。如果你也在做类似的AI全景规划我的建议是不一定非要凑够48个场景从你自己的业务出发先画出十几二十个真正有价值的场景让它们先跑起来再慢慢扩充。落地的价值永远大于规划的美观。