新闻资讯 | Insights
AI 如何治理物料同物多码?ERP、WMS 主数据去重与安全合并指南
物料名称相似,不代表可以合并。本文面向采购、仓储与技术负责人,说明如何用规则校验、语义检索和大模型抽取识别同物多码,区分重复档案、包装层级与替代料,并梳理人工复核、跨系统编码映射、历史单据保护和验收方法,帮助企业先治理主数据,再稳妥连接业务系统。
AI 治理物料同物多码,适合采用“识别疑似重复、核验关键属性、人工确认、受控发布”的链路,而不是让模型直接合并编码。名称相似只能作为候选线索,能否归为同一物料,要由规格、材质、制造商型号和业务规则共同判断。ERP、WMS 接入时还应保留原始编码与历史引用,避免数据清理变成库存和财务事故。
1. 先定义重复,不要急着删除编码
同物多码,是同一管理范围内,同一物料被重复建档;但“长得像”“能替代”“同属一类”不是同一概念。以下为判断示例,并非客户案例:
| 档案关系 | 应如何处理 |
|---|---|
| 同一制造商型号,仅名称缩写不同 | 核对关键属性后列为疑似重复 |
| 螺栓尺寸相同,材质或强度等级不同 | 保持独立,不按名称合并 |
| 单件与整箱,包装数量不同 | 建立包装层级和单位换算关系 |
| 不同品牌,经工程部门确认可替换 | 维护替代料关系,不直接归为同物 |
GS1 的 GTIN 管理标准区分基础交易单元与更高包装层级,并对需要变更标识的商品变化规定条件。它提示企业重视交易单元差异,但不能直接替代内部物料编码规则,也不能证明两个物料在生产中可互换。
项目启动时,应由采购、仓储、工程或质量人员共同确定“哪些属性决定物料身份”。型号必须连同制造商核验;不同货主、组织或租户之间,也不能因为编码相同就自动共享档案。
2. 规则、语义检索与大模型各管一段
建议先建设只读治理区,保留来源系统、原编码、原始描述、更新时间和数据版本,再依次处理:
- 标准化:统一空格、全半角、单位表达和已确认的别名,保留原值。不要随意删除型号中的连字符或前导零。
- 属性抽取:让模型从描述或附件中提取材质、尺寸、等级、品牌、制造商型号,并返回证据位置;无法判断时保留未知。
- 候选召回:结合标识检索、文本匹配与向量检索寻找疑似重复,按品类分别配置策略。
- 冲突校验:用确定性规则检查关键属性。材质冲突、包装不明或单位关系缺失,应阻断自动通过。
- 复核发布:把原始证据、字段差异和建议关系展示给责任人,审批后才形成映射或变更任务。
Microsoft 的 Power Query 文档说明,模糊匹配结果会受文本组成、阈值及转换表影响。因此,某个相似度分数不能被解释为“同物概率”,更不能跨品类复用为自动合并门槛。
OpenAI 的 Structured Outputs 文档也提醒,结构化输出仍可能包含错误。JSON 字段齐全不等于型号、材质正确;业务服务仍需验证单位、取值与证据,并拒绝用模型补全的猜测作为主数据事实。
3. 审批对象是证据和关系,不是一个总分
SAP 的主数据整合文档把匹配、匹配复核、最佳记录计算、验证与激活区分为不同步骤。企业可以借鉴这种职责分离,不必先采购同类平台,更不能把算法发现候选等同于批准合并。
复核界面应允许选择“确认重复”“保持独立”“包装关系”“替代关系”或“待补资料”。被拒绝的候选要记录原因,避免下次批处理反复推送;新的数据版本到来后,再按规则判断是否重审。
即使确认重复,标准记录也不应简单取“最新一条”或“字段最多的一条”。名称、基本单位、质量属性应分别确定权威来源;缺失字段不能覆盖已有有效值,互相矛盾的字段不能由模型自由拼接。审批人、证据版本及字段来源都需要留痕。
4. ERP、WMS 集成优先做映射,再谈迁移
对已有ERP 企业管理系统和WMS 仓储管理系统,更稳妥的起点通常是新增受控映射,而不是批量改写业务数据库。映射至少关联来源系统、组织或货主范围、原编码、标准编码、关系类型、版本及生效时间。
历史订单、库存流水、批次和核算记录保留原始引用,查询时可关联标准物料。确需合并库存时,应另行核对基本单位、批次规则、质量状态、货权和计价影响,由业务系统通过正式流程办理,不用一条 SQL 直接相加。
跨系统发布还应处理这些异常:
- ERP 已成功、WMS 失败时,记录各方状态并补偿,不宣称全链路完成。
- 重复投递同一任务时,不重复创建映射或迁移库存。
- 审批后源档案发生变化时,检测版本冲突并重新核验。
- 发现误判时,能停用映射并追踪受影响单据;已发生的新业务需按规则纠正,不能只撤销映射就算回滚。
完成历史治理后,新增物料入口也要接入查重。建档查重与正式保存之间可能发生并发,确定性业务键仍需约束或审批锁,不能依靠一次 AI 查询防止重复创建。
5. 验收要分别衡量误合并与漏检
不要只验收“找出多少组重复”。应建立由业务人员确认的独立测试集,覆盖真重复、名称相近但不同、字段缺失、包装差异和替代料,并保留不同品类的结果。不能只标注算法已经召回的候选,否则无法发现召回之外的漏检。
建议把验收口径写入需求:
- 候选准确率:被推荐的候选对中,业务确认重复的占比。
- 重复召回率:测试集中全部已知重复对,被系统找到的占比。
- 误合并情况:错误归为同物的记录及其业务影响,单列审查。
- 集成完整性:映射发布、失败补偿、历史查询与撤销流程是否一致。
- 持续治理:新建档案防重、规则更新及责任人交接是否有效。
成组结果还要检查整组兼容性:甲与乙相似、乙与丙相似,不代表甲与丙也可合并。验收阈值需按业务损失与复核能力商定,不套用未经验证的行业准确率。可结合企业 AI 项目验收方法安排固定测试集与版本回归。
6. 立项时把数据责任和投入说清楚
成本不只是模型调用费,还包括字段梳理、样本标注、附件解析、候选检索、复核工作台、接口适配和上线后对账。采购、工程、仓储人员的复核投入,也应进入计划。
先选择一个品类,以只读方式完成抽取、召回与复核,确认误判边界后再接入审批和发布。技术风险重点是属性缺失与误匹配,资源风险是业务人员无法持续复核,时间风险是历史接口与脏数据超出预期,商务风险则是未约定数据修正和误合并责任。
数舵科技官网的AI 智能系统解决方案列明企业 AI 应用与业务系统集成方向。涉及物料治理的定制项目,应进一步核验源系统接口,明确哪些属于识别建议、哪些涉及实际业务变更;不能把这份建设建议理解为既有标准产品功能或效果承诺。
写在最后
物料治理的目标不是让编码数量越少越好,而是让每个编码都有清晰身份、每次关联都有依据、每次变更都能追溯。AI 适合帮助企业发现和解释疑似重复,物料身份与业务变更仍应由规则、证据和责任人共同决定。
常见问题
参考资料
AI Agent 的 Token 成本怎么优化?模型路由、提示词瘦身与缓存策略的企业降本指南
企业 AI 应用试点时账单可控,一上量就失控,问题大多不在模型单价,而在架构。本文面向企业技术与财务负责人,拆解 Token 成本的构成,给出模型分层路由、提示词与上下文瘦身、Prompt 缓存、语义缓存与批处理等可落地的优化手段,并说明如何把成本归因到部门与任务,建立可持续的 AI FinOps 机制。
AI Agent 在招投标领域的应用:标书解析、智能辅助评标与围串标识别的落地指南
国家发改委等部门2026年发文推动人工智能在招标投标领域应用,明确招标文件检测、智能辅助评标、围串标识别等重点场景的落地时间表。本文从软件定制开发视角,拆解招标侧文件编制与合规检测、投标侧商机匹配与标书自查、评标侧智能辅助评审、监管侧围串标识别四大场景的工程实现路径,以及辅助性定位、留痕审计、私有化部署等落地红线,适合招标代理机构、公共资源交易平台和投标企业的技术负责人参考。