电池回收商的批次入库操作系统——混合废料上线前就能预测锂、镍、钴、石墨的回收产率。

1. BatX 的 Series A 资金专门用于新建回收和提炼产能,这让原料分诊和产率预测立刻 从偶发的操作员判断变成即时的吞吐量和利润问题。
2. 这轮融资明确绑定建立国内关键矿物供应链,这意味着回收产出必须变成可签约、 可审计的本地买家投入品,而不是机会主义式的废料利用。
3. BatX 已经同时处理制造废料和报废电池,回收商需要能在一种原料类别压垮工厂运营 之前,把差异巨大的入库批次类型标准化的软件。
4. 从混合批次中回收锂、钴、镍、石墨造成多产出的复杂度,一旦工厂规模超出中试 吞吐量,Excel 表格就应付不来了。

催化因素。 BatX 正用新一轮 Series A 资金扩大报废电池和制造废料两端的回收与提炼产能, 这让可变原料的管控立刻从后台琐事变成迫在眉睫的瓶颈。

产品是面向电池回收商的批次入库与产率控制系统。操作人员上传供应商清单、化学成分 提示、拆解记录和实验室样本数据;系统推荐取样深度、预处理步骤,以及该批货应由 哪条提炼线处理。它按批次预测可回收的锂、钴、镍、石墨产量,再把预测值与回收后的 实际化验结果对比,持续改进定价和分流决策。商务团队用同一份记录生成供应商结算单 和营运资金视图,不再需要手工核对 Excel 表格、ERP 导出数据和实验室邮件。随着时间 推移,公司会积累一套专有的"输入到输出"数据集,可以支撑融资、承购合同和下游 认证产品。

差异化。 通用 ERP、LIMS 和金属交易工具止步于库存或实验室记录;它们不会告诉回收商某一批 具体的混合原料在某条产线上到底能产出多少,也不会告诉他们这该如何改变供应商定价。 这家公司从批次分类做起,一路闭环到有化验依据的结算,由此构建出一套连接原料构成、 污染状况、分流选择和回收金属产出的专有数据集。这套数据集就是更好定价、更快 营运资金周转,以及点解决方案做不到的下游再生材料认证的基础。

待完成任务

flowchart LR
  Supplier[Scrap Supplier] --> Intake[Mixed Battery Lots]
  Intake --> Platform[Feedstock Yield OS]
  Platform --> Routing[Sampling + Line Routing]
  Routing --> Recovery[Metal Recovery Run]
  Recovery --> Settlement[Assay Reconciliation]
  Settlement --> Outcome[Higher Recovery Margin]

高管要点

• 这个切口不是通用回收商 ERP,而是混合原料入库与下游金属回收之间那道有化验依据的运营层。
• 印度之所以时机成熟,是因为政策、看得见的工厂扩产和趋严的可追溯性要求正同时发力。
• 预算可信度来自 EPR 报告、实验室工作流、供应商付款和产率波动等已经存在的痛点,而不是来自一个空想出来的新软件品类。
• 竞争是真实存在的,但大多在外围:合规平台、电池护照工具、交易市场和 LIMS 供应商各自覆盖了部分工作,却没有一家掌控整个闭环。
• 采用风险主要在于信任和与工厂/商务工作流的集成,而不在于底层数据科学能否做出来。

市场定义

面向印度锂离子电池回收商和提炼商的软件——这些企业需要对混合入库批次分类、选择取样和分流路径、预测回收金属产出,并在化验之后核对供应商付款。

用户与买方

实际用户是工厂运营负责人、冶金或实验室团队,以及商务原料经理。经济买家通常是 COO、回收运营负责人或商务负责人,因为这个工作流横跨吞吐量、利润率和供应商结算。

购买触发点

• 回收商调试新产线或扩大提炼产能,让批次分类和分流从临时的工厂判断变成一个可重复的运营问题。 [11][12][13][14][15]
• 运营方必须满足 EPR、报告、标识或电池护照方面的要求,需要一套横跨清单、化验和回收结果的可审计记录系统。 [4][5][6][7][8][28][29][35]
• 原料稀缺、价格波动或化学成分结构变化,让每周的定价和采购决策变得过于重要,不能只靠 Excel 表格。 [18][25][27][31][32]

支付意愿

付费意愿是可信的,因为运营方已经在把大量资本投入回收和提炼产能,而黑粉定价、化验准确度和采购波动直接影响产率经济效益和供应商结算。产品可以从 LIMS、合规和工厂运营的预算里借钱,而不必要求一个纯实验性的 AI 预算项目。 [11][12][13][14][17][25][27][28][31][32]

品类动态

增长信号 到 2030 年,印度 EV 侧锂离子电池需求年复合增长率 48%(需求侧代理指标)

验证信号

• 印度已经有一批可见的运营商群体,正在围绕电池回收产能扩产或融资,这支撑了一份聚焦的首批客户名单。
• 国家已经从泛泛的政策关注,转向针对关键矿物回收产能的具体激励措施和明确的资格审查。
• CPCB 门户和回收商指南显示,采购、证书和报告工作流已经足够数字化,可以成为产品切入点。
• 黑粉定价、分析检测和采购行为已经足够专业化,能够支撑一个专门的运营数据产品。

监管与技术约束

• 回收商需要围绕采购数据、回收电池数据、销售数据、证书处理和 CPCB 体系下季度申报的工作流。
• 2025 年修正案允许基于条码或二维码的 EPR 注册标识,这提升了全链条机器可读可追溯性的价值。
• 欧盟电池规则和护照指引提高了对全生命周期信息、再生成分证据和持久数据交换的期望。
• 混合化学成分批次在分流之前仍需要严格的分选和表征,因为黑粉成分本身不均一,且对回收结果高度敏感。

竞争分散在合规与 EPR 平台、电池护照与可追溯性套件、电池交易市场、LIMS 与实验室信息化工具,以及内部 Excel 表格体系之间。真正的空白是一套回收商原生的系统记录,能把入库原料质量、分流决策、回收金属预测,以及实际化验之后的供应商结算连接起来。

为什么现有厂商不会默认胜出

• 合规与 EPR 工作流平台. 这些系统已经能帮助完成注册、目标和证书方面的工作流,但它们不会决定一批混合原料在某条特定产线上能产出多少,也不会决定这该如何改变供应商结算。
• 电池护照与可追溯性套件. 护照供应商在监管链、尽职调查和再生成分证据方面很强,但它们处于回收商日常入库分诊、化验偏差和分流经济效益的上游。
• 电池交易市场与生命周期平台. 交易市场类工具能把电池数据标准化,连接卖家、车主和回收商,但它们做不到工厂级的产率预测,也不能核对回收产出。
• LIMS 与实验室信息化. Thermo 这类工具能处理可追溯性、样本完整性和仪器联通,但它们不是负责批次定价、分流和回收后结算的商务操作系统。
• 内部 Excel 表格与工厂经验法则. 人工流程依然灵活、熟悉,但它们恰恰在化学成分波动和付款争议让闭环学习最有价值的地方,把采购、化验和报告数据割裂开来。

电池原料产率操作系统是一套面向印度电池回收商的批次入库与产率控制系统,服务对象是正从中试 走向商业化锂电池提炼规模的回收商。触发时机非常具体:回收商调试首条商业化提炼线,或签下第一批 多供应商废料入库合同,突然就要每周对混合制造废料和报废电池组做定价、分流和付款决策——手上只有 Excel 表格、实验室邮件和厂长的经验判断。这个切口刻意做窄:对入库批次分类,推荐取样深度和产线 分流,预测可回收的锂、钴、镍、石墨,再把预测值与实际化验结果核对,用来结算供应商货款。竞对都 站在这个闭环的外围——EPR/合规平台、电池护照套件、交易市场和 LIMS 供应商——但没有一家掌握工厂内部 "预测对实际"和结算这条记录。已调研的市场是真实存在的,但滩头市场规模偏薄(TAM 约 $17.4M,SAM 约 $5.4M,到第 3 年 SOM 约 $2.1M,对应约 7 个可触达的工厂客户),因此风险投资级的结果取决于公司能否 用这些运营数据向上游拓展到废料生产商采购,向下游拓展到再生材料认证、承购和融资基础设施。 头 12 个月的重点是与 3-5 个共创客户一起验证预测准确度和结算周期压缩,而不是拉多少客户数量。 最大的悬而未决的风险是预算行为:正在扩大工厂资本开支的回收商可能把运营软件当作冶金人才招聘 旁边的可有可无项,而稀缺的历史批次数据可能让早期预测噪声大到拖慢信任建立。

问题

• 入库电池批次在化学成分、污染程度和单据完整性上千差万别,每一批都靠 Excel 表格、实验室邮件和 厂长判断来人工取样、定价、分流——一次错误决策就可能污染整批料、错失回收目标,或引发供应商 付款纠纷。
• 随着回收商为电芯制造废料和报废电池组同时增加提炼产能,毛利率越来越取决于混合废料能多快、 多准地变成可预测、已结算的金属产出,而不是取决于铭牌吞吐量——这是一个通用 ERP、LIMS 和 合规工具都解决不了的商务运营问题。

解决方案

• 一套批次入库与产率控制系统,操作人员上传供应商清单、化学成分提示、拆解记录和实验室样本数据; 系统推荐取样深度、预处理步骤,以及该批货该由哪条提炼线处理,在处理之前就预测可回收的锂、钴、 镍、石墨产量。
• 一套闭环结算记录,把预测值与回收后的实际化验结果对比,持续改进定价和分流,商务团队直接用它 生成供应商结算单,不必再手工核对 ERP 导出数据、实验室邮件和 Excel 表格。

为什么我们会赢

• 公司掌握着把批次构成、分流选择和按化学成分划分的回收产出连接起来的"预测对实际"数据集—— 根据调研到的竞争格局,合规、护照、交易市场和 LIMS 这几类现有厂商每家都只碰到其中一小块。
• 分销搭的是已有预算对话的顺风车:销售发生在产线调试的关键节点,此时产率、批损和结算的痛点 已经很尖锐,所以产品是从 LIMS、合规和工厂运营的预算项里借钱,而不是去推销一个全新的实验性 软件品类。

里程碑

flowchart LR
  Wedge[Line-commissioning wedge] --> MVP[Lot intake + yield forecast MVP]
  MVP --> Proof[Forecast-vs-actual + settlement proof at design partners]
  Proof --> Expansion[Cross-plant expansion + upstream/downstream data products]

创始团队

实验路线图

风险评估

必须成立的条件

• 回收商在调试新产线时,会在同一财年周期内把可自由支配的软件预算和工厂资本开支、冶金人才招聘一起批出来。
• 即使从稀缺的历史批次数据起步,预测对实际的回收金属偏差也会在 2-3 个处理周期内显著收窄。
• 供应商结算周期和争议率今天就足够大(根据调研的 dataMoats 和 validationSignals),值得为溢价核对模块买单。
• 没有任何现有厂商(EPR 平台、电池护照套件、交易市场或 LIMS 供应商)能在头 18 个月内快速扩展到批次级分流和结算,从而封杀这个切口。
• 印度滩头市场群体(约 7 个可触达的工厂客户)足够大、也足够可参照,能在核心市场饱和之前支撑向上下游产品扩张。

待尽调问题

• 目标工厂目前按化学成分划分的预测对实际回收金属偏差是多少?怎么测出来的?
• 在 2-3 个已确定的潜在共创客户处,供应商结算今天要花多久,有多少比例的批次引发争议?
• 目标客户目前是哪套系统在掌管清单、化验和付款——LIMS、ERP、EPR 门户工作流,还是 Excel 表格?要取代它需要什么条件?
• 可触达的 7 家工厂 SOM 群体集中度如何?如果融资窗口期内实际调试商业化产线的工厂不足 5 家,模型会怎样?
• 风险投资级论点所依赖的上下游拓展,有什么可信的路径和证据?

模型合理性

• 收入引擎. 基准情景收入来自把第 12 个月的 3 个付费工厂,转化为第 3 年第 4 季度的 7 个,同时每工厂年度价值从偏向试点的定价升向调研得到的约 $300K 退出水平。
• 必须做对的事. 至少要有 2-3 个共创客户在大约两个处理周期内转化为付费,公司才能在这个只有 7 个客户名额的小滩头市场耗尽之前,拿到参照工厂案例。
• 模型会在何种情况下失灵. 如果销售周期拉长到接近 9 个月,或实际 ACV 停留在接近 $280K,下行情景会在证明相邻拓展之前,把现金烧到零以下约 $0.1M。
• 下一轮融资的验证依据. 到第 24 个月左右,只要拿到 5 个付费工厂、一个已上线的结算模块、一条引荐渠道和一份已签的相邻产品拓展范围协议,下一轮融资就站得住脚。

情景

敏感性

flowchart LR
  Trigger[Line commissioning trigger] --> DesignPartners[Design partner pilots]
  DesignPartners --> PaidPlants[Paying plants]
  PaidPlants --> Premium[Settlement and reporting module]
  Premium --> Revenue[Subscription plus usage revenue]
  Revenue --> GrossProfit[Gross profit]
  GrossProfit --> Cash[Cash and runway]

警示项: 第 3 年基准情景仍落在调研得到的约 $2.1M SOM 之内,因此风险投资级的上行空间依赖于上游或下游相邻产品,而不能只靠回收商滩头市场本身。 · 由于每一单都是集中式、与调试时机挂钩的企业销售,混合 CAC 的绝对金额偏高;引荐渠道疲软会迅速拖慢回本速度。 · 只有当实施和化验核对工作在第 2 年后期变得更加模板化,而不是逐工厂地保持服务密集,毛利率才能达到 75% 的目标。 · 人均收入落在软件基准的低端,因为现场实施和工业数据集成让这个模式比纯 SaaS 更"重交付"。 · 现金按 EBITDA 建模,因此预付差旅、实验室集成的现金时点差异,或意外资本开支都会压缩看得见的缓冲现金。

• 早期市场的软件预算. 一些回收商在优先考虑工厂资本开支和冶金人才招聘时,可能仍把运营软件视为可有可无。 缓解措施: 在产线调试的关键节点切入销售,把投资回报讲清楚——聚焦回收产率提升、批损规避和更快的营运资金周转。
• 历史数据稀缺. 新工厂和不一致的批次记录可能让早期产率预测噪声偏大,拖慢产品信任建立。 缓解措施: 先用人机协同的工作流、实验室辅助的基线,以及保守的预测置信区间起步,随着每家工厂处理更多批次逐步收紧。
• ERP 或内部工具的蚕食. 大型回收商可能选择扩展通用 ERP、LIMS 或内部分析工具,而不是购买一个新平台。 缓解措施: 牢牢掌握通用系统和单厂内部工具难以复制的跨工厂产率基准数据集和供应商结算工作流。