超然拿捏 · 行业观察

货发出去才算交完——出货前这三件事，我开始自己给自己加

畅捷通实测数据：五金机电企业库存准确率 75%→98%，发错货投诉从月均 8-10 次降到 0-1 次。这不是加工厂的数字，但「发错货」三个字每个厂都躲不开——件切得再漂亮，发错一件、少发一件，客户那儿就是百分之百的错。交付的终点不是「做完」，是「客户点清无误」

打包好的批量成品：从这一刻起，货的责任还在我司手里——直到客户点清无误为止

看到一组小微企业管理软件的实测数字：库存准确率从 75% 提到 98%，开单效率 3 倍，发错货投诉从月均 8-10 次降到 0-1 次。这是一家五金机电批发企业的账，不是我司这种加工厂的。但「发错货」三个字，每个厂都躲不开——加工厂少发一件、混错批次、左右件装反，客户装配线上停一分钟，前面所有「准时」都白干。聊了 29 期，从没写过出货这一环。今天补上。

发错一件，前面十天白干

对设备整机厂来说，我司发的件是要上装配线的。错发带来的不是「下次注意」，是对方的产线等料：配套件晚到一天，整机厂可能等得起；发错的件到了现场装不上，等于没交，还要走退换、补发、运费，一来一回一周就没了。

加工厂出货最容易出的错，就三类：一是少发漏发——一单十几种件，靠记忆清点；二是混批次混材质——同图号的件分两批做，304 和 201 外观看不出差别；三是标识不清——货到客户仓库，对方不知道哪箱是什么件，上错料的账最后还是算在配合度上。

客户记住的从来不是切得多准，是那次没发对。

AI 的数字很漂亮，但我先做三件不要系统的事

那组数字背后是「原生 AI」：数据在一个系统里流转，AI 才能兜住差错。方向没错，但搬到我司得现实一点——我司现在连差错的基础数据都没有，直接上系统等于在沙地上盖楼。所以先做三件零成本的事：

随货清单——每批货附一张纸：件号、图号、数量、材质、表面要求，逐项可勾选；客户收到先按单点数，少没少、错没错，当场见分晓
件件有标签——每件货贴标签对应图号和批次，同图号不同批次的分开标；标签用防水耐油的，车间油污两天就糊（这条跟 10-15 说的下料赋码是两回事：那是车间里认件，这是出厂时对单）
装车前拍照——整批货装车前拍一张整体照，垫隔防护一并入镜，随货发给客户；对账有据，磕碰扯皮有证

三盆冷水，照例先泼给自己

人家的数字别照搬——库存准确率 75%→98% 是批发商的库存场景，我司按单生产没库存问题，可借鉴的只有「差错率从两位数到趋零」这个改进方向本身
拍照有红线——出货照只拍货，不带客户名称、项目地址、图纸信息；发客户微信群的图，先过一眼
AI 兜底论要警惕——「原生 AI 让发错货归零」的前提是数据先规范；我司的顺序反过来看更清楚：先把纸面三件事做实攒出差错账，哪天真上系统，这些就是喂给它的干净数据

最后加一条给自己：出货差错账从本周开始记——发错了什么、为什么错、损失多少时间。不记这件事，就永远不知道这三张纸省了多少钱。