ARTICLE · 1362180
打打工仔绝望的背锅瞬间!公司却全靠一张Excel:一场大促是如何悄无声息崩盘的!
打打工仔绝望的背锅瞬间!公司却全靠一张Excel:一场大促是如何悄无声息崩盘的!
你敢信吗?一家做海外生意、动辄对接百万粉丝大博主的头部电商公司,决定一场大促生死的,居然是一张随时可能崩溃的 Excel 表格。
大促前三天,运营点开表格准备收网,整个人直接傻在电脑前:签了237个达人,真正交出视频的只有41个。剩下的近两百号人里,六成连样品收没收到都没人确认;还有一堆人样品早揣兜里了,就是死活不拍,也没人敢去催。
为什么不敢催?因为对面手里攥着几十万、上百万粉丝,脾气大得很。一句话没顺着毛摸,人家直接拉黑,下次合作彻底黄了。几百号人,全靠运营纯手工、陪着笑脸一个个发消息哄着,人力彻底干穿。
直到大促翻车、GMV 远低于预期,老板在复盘会上拍了桌子,大家翻遍了 TikTok 后台、Excel 和飞书群,才绝望地发现:没人说得清,这笔钱到底是怎么亏掉的。
这不是小作坊的笑话,而是国内一家头部电商企业在 TikTok 海外生态里的真实处境。

这是 一个 FDE 案例。客户是一家在 TikTok 生态里做达人建联业务的头部电商企业。
最感兴趣的不是"AI怎么找达人",而是一个更朴素的问题:
一条业务链路变重以后,哪一段该交给机器,哪一段必须留给人,这个边界是怎么划出来的?
一、先搞懂 TAP 在干什么,再谈它卡在哪
TAP 这个角色,有点像国内电商里的"团长"。商家有新品要推,想在短时间内找到一批达人带货,就先找 TAP;TAP 再从自己的达人资源里筛人,推动他们接品、拿样、创作,最后把商品挂到达人账号上。
这个角色存在的理由很现实:TikTok 上商品太多,达人不可能一个个翻商品市场,单靠商品信息也很难判断什么值得带。TAP 的作用,就是把商家和达人组织起来。
受访者接手这个项目时,客户一开始提的问题很宽泛:"我们团队怎么用AI赋能?"他没有直接回答,而是反过来问:业务到底怎么跑?哪个环节最慢?谁每天最累?哪里最容易出错?
走访了从老板到一线员工之后,他把问题拆成了四块:
第一,达人建联,找人难。 运营需要在 TikTok 上找达人、看资料、判断是否适合,再主动发消息沟通。过去很像大海捞针。
第二,商品匹配,配得准不准。 客户选品池里有上万个商品,达人又有不同的内容标签,运动类、生活方式类、历史哲学类都有。什么商品配什么达人,本质是个匹配问题,但过去全靠运营的经验判断。
第三,履约,周期长。 达人确定合作后,还要经历寄样、收样、沟通拍摄、创作、提交视频几个环节。原来的平均履约周期在一个月左右,运营大量时间花在"催"上:样品到了没?什么时候拍?是不是快到截止时间了?
第四,数据分散。 TikTok 上有一部分数据,Excel 里有一部分,财务系统里还有一部分。达人BD(商务拓展)、履约人员、财务各自维护自己的那一块,老板想知道一个达人从建联到产生 GMV 中间经历了什么,查不出来。
业务规模小的时候,靠人能扛住。规模一旦起来,这套方式的瓶颈就全冒出来了。
二、拆开流程,不是所有环节都该交给 AI
受访者做的第一件事,是把整条链路画出来:达人进入,建联,选品匹配,拿样,创作,履约,数据复盘。每一步问三个问题:谁在做?输入输出是什么?需要什么判断?
拆完之后,结论是:不是所有环节都适合 AI 接手。最终的分工是这样的。
第一步,让 AI 先做"找对人"。
用商品信息、达人标签、内容属性这些数据,先筛出一批更值得运营关注的达人。比如一个商品的卖点是什么,适合什么人群;一个达人是什么内容类型,受众是谁。系统先把匹配度高的人筛出来,给BD一份更精准的名单,运营就不用再从整个TikTok里大海捞针。
但真正发消息、沟通、建立关系,仍然保留人工。因为达人是客户最核心的资产,AI的角色是让BD从"寻找目标"变成"直接和目标沟通"。
第二步,用 AI 解决商品和达人的匹配问题。
把商品本身的卖点提取出来,比如口味、气泡、品牌、联名,再和达人的内容属性做匹配。一个职场、生活方式方向的达人,大概率更适合这类商品。AI先完成这层筛选,再由人工确认。
第三步,用 AI 帮达人解决"不知道怎么拍"的问题。
这一步是案例里比较有意思的设计。很多达人不是不愿意带货,卡点是拿到商品以后不知道怎么拍。一个带货视频不是简单介绍商品就完事,要考虑达人自己的表达方式、商品卖点,以及当下什么样的内容更容易获得关注。
系统把"达人特点+商品卖点+爆款内容参考"三者结合,分析后给达人提供几个可选的拍摄脚本。受访者强调,这对达人来说是一个"利他"的能力,不只是在替TAP提效。访谈中客户反馈,达人对这部分能力的接受度比较高。
第四步,把"每天人工催人"变成系统主动提醒。
过去运营每天打开Excel,看哪些达人到了截止时间,一个个去催。现在系统根据履约状态自动判断:哪些已收样,哪些还没完成,哪些快到截止,哪些超过系统提醒仍没动作。系统先自动提醒,如果达人还是没履约,再把任务交给人工处理。
人不需要每天从几张表里找工作,系统直接告诉你今天真正需要处理的事情是什么。
第五步,把分散的数据重新串起来。
达人建联、履约、商品、GMV这些数据,逐渐放进统一的业务视角里。管理者真正需要看的,是今天新增了多少达人、建联了多少、有多少进入履约、带来了多少GMV、一个达人投入了多少样品成本,最后给企业带来了多少价值。
这才是判断一个达人值不值得长期合作的依据,而不是凭感觉。
三、18天背后,变化的不只是数字
最直接的变化是履约周期缩短了。过去从确定合作到达人收样、完成创作、提交视频,平均大约一个月;试运行之后,配合的达人平均履约时间降到了约18天。
但受访者说,这个数字不是这个项目最大的价值。更重要的是团队工作方式的变化。以前运营大量时间花在找人、找商品、找任务上;现在AI先筛达人,系统先匹配商品,AI辅助达人创作,系统自动提醒履约,只把真正需要人工介入的任务拉出来。
运营的时间,被释放到了真正需要人的地方:和达人沟通,建立关系,处理复杂商务问题。尤其是高价值达人,这种变化更明显。
另一个变化是,管理者第一次能看清业务本身。以前老板很难看清一个达人从建联到GMV中间每一步发生了什么,现在至少能围绕"达人—履约—GMV"形成一个完整的业务视角。
用受访者的话说:以前团队是在管理一堆表格,现在是在管理一条业务链路。
四、三道绕不开的坎
第一道,数据权限。 这个项目的数据大量来自TikTok,涉及跨境业务,数据权限、用户隐私、留存和服务器部署都有严格要求。光数据这一块就花了接近一个月,申请被打回去重新提、权限账号反复确认、数据能不能离境、应该留在哪里,都要提前搞清楚。做境外业务的FDE,数据合规这道题,最好在系统设计之前就想明白,别等做完才发现数据根本拿不到。
第二道,哪些事能交给AI,哪些不能。 达人匹配能交给AI,建联名单能交给AI初筛,履约提醒能自动化;但真正和重要达人沟通,仍然保留人工。原因是AI现在还可能犯一些低级错误,普通工作里一个小错误顶多改一下内容,但在商务关系里,对象是拥有几百万粉丝的达人,一句话说错,损失可能远超自动化省下的人力成本。这也是为什么项目最终没有做"全自动达人建联"。
第三道,企业内部的人。 很多企业一听AI,第一反应是"是不是要替代人"。受访者在推进时,始终把AI的定位讲成"帮大家解决问题、提高效率",不是要替掉谁。访谈对象也不止找老板,因为老板定战略,真正用系统的是一线员工。老板讲业务目标,一线员工讲每天卡在哪里,两边信息拼起来,系统才可能真正落地。
五、留给所有想做FDE的人
受访者总结了几条经验:
先理解业务,再谈AI。 不要一上来问客户"你想做什么AI产品",应该问业务怎么跑、谁在跑、哪里最浪费时间、哪个指标最影响结果。这个项目最开始客户只说"希望AI赋能团队",如果停在这个层面,最后可能只能做一个聊天机器人。
重新分配人和AI的工作。 AI适合接手高频、重复、有明确规则的事,高度依赖信任、关系和判断的工作仍要留给人。
FDE要同时懂技术和业务语言。 很多老板没时间理解模型、Agent(智能体)、RAG(检索增强生成,先从权威资料里检索再让模型基于检索结果回答)这些概念,他们真正关心的是"你能不能帮我把这个问题解决掉"。FDE要把技术语言翻译成业务语言,再把业务问题翻译成能落地的技术方案。
对业务结果持续负责。 传统软件外包是需求来了、做系统、验收、交付;FDE更像是进入业务、理解问题、做第一版、让业务使用、根据反馈继续改、找到新问题、再迭代。一期做完,客户自然会出现二期需求,因为解决一个问题后,企业会发现下一层问题。
深耕垂直场景。 AI的技术门槛会越来越低,真正有价值的是对某个行业足够懂。第一次做一个场景可能要100%的成本,第二次可能是80%,第三次是60%,经验、工作流、技能不断沉淀下来,才能真正形成壁垒。
读完这个案例,我一直在想另一件事:很多企业的管理困境,表面看是"业务太复杂",本质是"没人把流程拆开看过"。达人建联、商品匹配、履约提醒、数据打通,看起来是四件不相关的事,拆开之后,每一件都有清晰的输入输出,也就有了交给机器的空间。
你所在的团队里,有没有一条业务链路,表面上大家都觉得"一直是这么干的",但其实也到了该重新拆开看一次的时候?















































































