一家连锁上线了新的智能选品系统。

总部展示的界面很漂亮：

门店画像；

品类机会；

销售预测；

库存预警；

会员需求分析。

一家OTC药企也很兴奋，认为终于可以告别过去“凭经验铺货”的方式。

系统推荐某款产品进入一批门店。

商品很快配送到位。

两个月后，区域经理到店复盘：

有的店库存不少，顾客却很少问；

有的店顾客想买，货架上却找不到；

有的店系统显示“正常在售”，店员却不知道这款产品放在哪里；

还有的店线上订单增长，门店人员忙得顾不上柜台顾客。

经理忍不住问：

“AI不是已经帮我们选过店、算过需求了吗？”

店长回答：

“系统知道我们店过去卖了多少，却没问过我们最近到底发生了什么。”

2026西普会将“走进AI时代：健康产业的范式革命与路径选择”作为大会主题；药品零售行业政策也鼓励提升需求预测、库存预警和数字化运营能力。这些方向值得重视，但任何系统给出的预测，都要回到具体商品、具体门店和实际经营结果中验证。

一、先给出一个判断：AI可以帮助发现问题，不能替企业决定谁来解决问题

一套系统可以提示：

某家店的商品销量异常；

某款药接近缺货；

一批门店长期低动销；

某类商品在特定时段有订单需求。

但系统通常不会自动完成：

核查门店实际有没有货；

判断商品是否适合该店顾客；

教会店员准确回应问题；

协调商业及时配送；

处理线上线下价格冲突；

决定哪项投入应该停止。

数据能让问题更早被看见，经营能力决定问题能不能被解决。

如果组织仍按“总部下任务、区域催执行、门店交照片”的方式工作，再先进的预测，也可能变成更快生成的一张报表。

二、第一层断点：系统用历史销量预测需求，历史销量却可能没有反映真实需求

一家门店某款药销量低，系统可能判断“这家店需求弱”。

但它销量低的原因，也许是过去经常缺货。

另一家店历史销量高，系统可能建议继续增配。

但过去销量可能主要来自一次短期促销。

还有一家店线上订单少，不是周边没有需求，而是商品图片、库存和营业时段信息长期错误。

预测前，至少要核对：

是否存在长期缺货；

销售是否被大促明显拉高；

门店是否经历搬迁或周边环境变化；

系统库存与实际库存是否一致；

线上线下商品规格是否对应。

输入的历史数据如果混有缺货、促销和系统错误，预测就可能把过去的问题当成未来的规律。

三、第二层断点：总部有门店画像，店长却不认可“我们店就该卖这款”

系统可能把门店标记为：

社区慢病店；

商圈流量店；

院边店；

即时零售履约店。

这种分类有用，但同一类别里的门店仍有差别。

一家社区店可能已有稳定的老年顾客与药师服务；

另一家社区店可能以年轻家庭应急购药为主。

总部如果只凭标签统一下发产品，店长会觉得：

“系统说适合，实际顾客并不问。”

因此，系统推荐品种之后，还需要门店核对：

目标顾客是否真实存在；

本店同类品类卖得怎样；

店员能否提供相应服务；

合理首批库存是多少；

预计用多长时间验证。

门店画像是决策起点，不是绕过店长与区域判断的命令。

四、第三层断点：系统显示有库存，顾客却仍买不到

库存数字是医药零售数字化的基础。

但“系统有货”与“顾客可以买到”，中间还隔着：

商品是否真的在店；

是否已上架；

规格是否正确；

是否处于可销售状态；

线上是否同步；

店员是否找得到；

卖完能否及时补。

系统账实不一致，往往会同时伤害线下和即时零售。

顾客到店买不到，门店失去信任；

平台接单后找不到货，造成取消与售后；

总部看到库存充足，又不安排补货。

因此，企业在投入复杂预测模型之前，可以先把重点品种的账实一致率、在售率和缺货处理时间管清楚。

预测未来需要多少药之前，先弄清现在到底有多少药。

五、第四层断点：AI给出了推荐话术，店员却把它当成可以直接对顾客说的话

生成式AI可以辅助整理资料、制作培训初稿和归纳高频问题。

但药品信息涉及获批范围、禁忌、注意事项和个体用药差异。

不能把系统生成的“适合人群”“联合用药建议”未经审核就交给店员使用。

更稳妥的流程是：

以说明书及经批准的企业资料为依据；

由具备相应职责的专业人员审核内容；

标清哪些问题需要药师判断；

发现超出门店服务范围的情况，及时建议就医；

定期更新过时或错误的内容。

AI可以帮助店员更快找到经审核的信息，不能代替药师或医生作专业判断。

六、第五层断点：数字化看板越来越多，管理会议仍只问“为什么没达标”

一个区域经理现在可能同时收到：

销售看板；

会员看板；

库存看板；

O2O看板；

拜访看板。

数据越多，未必越能解决问题。

如果每次会议还是只问“为什么销售没有完成”，团队就会给出各种解释，却没有处理具体断点。

更实用的会议方式，是每次只挑三类异常：

该卖得动却缺货的门店；

库存较高却长期无销售的门店；

线上订单增长但经营贡献不清的门店。

对每类异常，明确：

数据是否真实；

原因是否已核查；

由谁负责处理；

何时再看结果。

看板的价值，不是让管理者同时看到更多红色数字，而是让组织更快处理值得处理的问题。

七、工业与连锁怎样一起用AI，而不是一起看AI？

可以从一个重点品种、一类门店开始。

工业提供：

准确的商品与获批信息；

适用场景和经审核的门店资料；

供货及批次信息；

产品在不同渠道的经营目标。

连锁提供：

按约定可共享的门店销售、库存和缺货信息；

门店类型与履约条件；

店长及药师反馈；

活动前后的实际变化。

双方共同决定：

哪些门店先试；

系统建议是否合理；

首批库存如何确定；

异常由谁处理；

什么结果出现后才扩大。

数据使用还应符合适用的隐私、商业信息与合作约定要求，不能为了“数据完整”收集不必要的患者个人信息。

八、一个值得先做的60天试点：让AI只解决两件事

别一开始就要求系统“重构药店经营”。

先选两项能检验的任务。

第一项：减少有需求门店的缺货。

系统提示低库存后，确认提醒是否准确；门店、区域仓和商业配送能否在合理时间内完成补货。

第二项：减少低需求门店的积压。

识别长期低动销的重点品种，核查是选店错误、商品不可见、服务不足，还是活动造成了错误备货。

**第1—15天：校准基础数据。**核对SKU、门店实际库存、历史缺货与促销时段。

**第16—30天：运行提醒。**记录系统提出了哪些建议，哪些被门店采纳，哪些因现场事实被修正。

**第31—45天：处理异常。**明确责任人，不让预警停在消息列表里。

**第46—60天：比较结果。**看缺货门店、积压门店、单店销售和库存周转是否改善。

如果试点没有改善，先找原因：

数据不准？

推荐门店不适配？

提醒没人处理？

供应本身做不到？

把原因找清，再决定是改模型、改流程，还是改商品策略。

结语

AI预测说某款药会卖得好，门店却没有卖动。

这并不必然证明AI没用，也不能简单归为店员执行不到位。

江西言智学企业管理有限公司（简称“言智学”）专家团队在陪跑辅导医药OTC企业与连锁药店的过程中发现，一些数字化项目最容易漏掉的，是从系统建议到门店行动的责任链：谁核查数据、谁判断商品与顾客是否匹配、谁处理缺货、谁决定停止继续铺货。

系统越快给出建议，如果组织越慢处理异常，门店可能只是更快收到一批不适合自己的商品。

AI真正帮助OTC增长的标志，不是生成了多少预测，而是适合的门店更少缺货、不适合的门店更少积压，顾客需要时更容易买到合适的药。

【关于言智学】

江西言智学企业管理有限公司（简称“言智学”）是一家专注于医药培训咨询的专业机构，长期深度聚焦并扎根医药研发、生产、销售全链路，在业务层面持续深耕医药临床、OTC与第三终端全渠道。

言智学重点围绕医药工业、医药商业、零售连锁及基层诊所等领域，提供营销策划、学术体系建设、专业技能提升、AI＋医药场景应用、医药电商与新零售、医药出海、团队管理及工业智能制造等方面的培训咨询与深度陪跑服务。

围绕医药行业的发展实际，言智学重点陪伴企业解决三大核心问题：

一是推动营销业绩持续增长；

二是打造高战斗力的组织团队；

三是应对政策变化，实现业务转型与落地。

与传统培训咨询机构不同，言智学更强调“深度陪跑与落地辅导”，通过业务诊断、方案共创、实战训练、项目陪跑和结果复盘等长期陪伴式服务，帮助医药企业将培训内容转化为团队能力，将经营策略真正转化为业务行动与业绩结果。

目前，言智学已服务仁和集团、仁和药业、仁和中方全国21个省区、云南白药、石药集团、华润江中、华润双鹤、绿叶制药、上海和黄药业、以岭药业、奇正藏药、内蒙古天奇、康哲药业、远大八峰、红珊瑚药业、雷允上、康臣药业集团、玉林药业、太极集团等在内的多家医药企业。

更多详情请联系言智学胡老师：15270817114（微信同号），或金老师：15879138649（微信同号）。