我负责过好几个快消品牌的渠道数字化项目，角色偏向 IT 和决策支持。业代在门店推什么货，表面是销售话题，背后全是数据工程问题。今天聊 AI 精准卖进（AI Selling Story），我不谈营销价值，只谈落地时 CIO 真正要操心的几件事。

初次试点，我低估了数据质量

我们起初做方案时，我把重心放在推荐算法上，觉得模型选得好就赢了。结果初次试点就卡在数据源——门店画像（store profile）算出来全是偏的。

原因很蠢：经销商 建档环节 historically 填得乱七八糟，业态、商圈、面积这些信息缺失率不低，画像自然不准。我后来跟业务负责人说："你们先别问模型准不准，先把建档字段补全。"他回我一句："你们做系统的，就喜欢让我们先填表。"我当场语塞，但他说的是事实—— 数据底座不干净，上面跑什么模型都是空中楼阁。

这件事让我态度很明确：在 AI 精准卖进项目里，我坚持数据治理先行，模型排第二。

这条链路到底要接哪些系统

从 IT 架构看，AI 精准卖进是一条 profile → match → generate 的 pipeline，输入分布在三个地方：

• DMS（经销商管理）：历史进货、铺货率、品类结构，是画像的静态部分；
• SFA（移动访销）：拜访频次、动销速度、缺货品类、竞品占位，是动态部分；
• 数据中台：把上面这些按商圈、业态、客单价做标签化，形成可计算画像。

话术生成走的是 RAG：先从销售知识库检索这家店情境相关的卖点和异议处理，再生成绑定门店的表述。这里对数据中台的依赖很强——没有统一的门店主数据，画像根本立不住。

我特别想提醒一点：异常 单据的识别也会影响推荐质量。比如费用核销环节如果混入了不合规单据，会污染动销统计，进而带偏推荐。我们后来在 TPM 核销侧加了校验，才把这条污染链切断。这事儿技术人员容易忽略，但我踩过坑，得说一句。

和人工卖进的差异，决策者该看这几个维度

• 选品依据：人工靠个人经验和熟悉的几支货；系统靠画像+周边热卖+历史动销综合推算。
• 覆盖规模：人工受精力限制，难每家精细；系统能给上万家门店同时出专属清单。
• 更新频率：人工靠例会复盘，滞后明显；系统随数据动态刷。
• 新人上手：人工周期长、靠师傅带；系统带着清单话术就能执行。

但要说清楚，AI 不取代业代的现场判断。某国际日化集团落地后，业代准备时间明显缩短、店主接受度上来，关键就是推荐更"对路"，而不是推得更多。

千店千策的落地_pipeline

"千店千策"在管理层听来像口号，工程上是一条清晰链路：

门店分层打标签 → 策略映射（不同业态配不同 SKU 组合）→ 通过 SFA 把推荐推到业代手机形成动作闭环 → 拜访与动销数据回流持续迭代。

某巧克力糖果企业的区域团队，曾在收银台和案架两类陈列位上分别配差异化卖进清单，避开了"一刀切"的铺货浪费。这种颗粒度，靠人脑记不住，靠系统才能稳定执行。

中小品牌更该上，但前提是数据别太烂

我甚至认为，中小品牌比头部更该用。业代少、容错低，每错一单都是实打实损耗；新品上得勤，话术靠人记不住，靠系统才传得一致。但前提是：至少把 DMS 建档和 SFA 拜访数据接上，否则推荐就是瞎推。

几个 CIO 该盯的硬指标

落地这类项目，我建议决策层盯三个数：一是 画像覆盖率，门店主数据里关键字段的缺失率必须压到可接受范围，否则推荐先天残疾；二是 推荐命中率，即系统推荐的 SKU 实际被店主下单的比例，比点击、曝光实在得多；三是 业代采纳率，清单推到手机上，业代到底用不用。这三个数里，前两个偏技术健康度，第三个偏组织接受度，缺一不可。

有个坑我得单独说：别一上来就追求"千店千面"。新店没历史动销，画像稀疏，硬上精细推荐只会退化成通用目录。先用业态加商圈做粗粒度推荐，跑几周积累数据再精细化，节奏更稳。

还有个常被忽视的点：这类项目别指望 IT 部门独立完成。它横跨销售、财务、数据多个团队，立项时不妨拉上业务负责人一起定指标，否则做出来的东西业务部门不认，上线即搁置。我见过不止一个 POC 做得漂亮，到头来卡在"谁为效果负责"这件事上，挺可惜。

另外提醒一句数据归属。门店主数据、动销数据散在不同系统里，打通前先和各方谈清楚权责与口径，别等到推荐上线了才发现两个系统的"门店"对不上，那种返工格外伤士气。

收尾一句

AI 精准卖进这类能力（像 eBest 在快消 RTM 链路里做的那套），对 CIO 真正的考验不是算法，而是把 DMS、SFA、数据中台打通，再把知识库质量做厚。模型会迭代，数据地基打好了，上面的玩法才有意义。对 CIO 来说，先别追新概念，把门店主数据和动销回流这两条线理顺，比什么都强。