快消新品上市，第一仗是铺货。但很多品牌的铺货战役打完，报表上铺货率很高，货架上却看不到货——因为铺进去了不卖、压在了经销商仓库、或者数据本身就是拍出来应付检查的。新品铺货真正的难点不是让业代多跑店，而是两件事：铺对店（把首发名单给到最可能动销的门店）和铺得真实（铺货数据可信、可复盘）。本文直接回答：铺货率怎么算、为什么经常失真、门店画像怎么定首发名单、AI 在铺货里能做什么、考核指标怎么定。
本文要点：
– 铺货率＝有货门店数 ÷ 目标门店数，但”有货”的定义不统一，是数据失真的第一来源。
– 铺货率失真的三个典型：压仓（货压在经销商不进店）、假拍（照片应付）、铺进不动的店（有货无销）。
– 首发名单不该按行政区域平摊，应该按门店画像分配：客群、历史动销、品类结构。
– AI 在铺货里能落地的三件事：按门店推荐适合的新品与卖进话术、拍照识别陈列执行、用自然语言一句话查铺货进度。
– 考核要把过程指标（拜访、进店、陈列）和结果指标（铺货率、动销率）分层，别只压结果。
什么是铺货率
铺货率，指目标市场内有本品的门店数占目标门店总数的比例。公式很简单：铺货率＝有货门店数 ÷ 目标门店数 × 100%。
麻烦出在”有货”两个字上。门店里有货，可以是货架上有排面、仓库里有库存、经销商那里有压货，甚至可以是系统里有一张订单。口径不同，同一个新品在同一片市场，能算出三个差距很大的铺货率。
务实的口径是按”终端可见”算：门店货架或陈列位上能看到本品，才算铺进。这也是为什么铺货率的统计天然依赖拍照——业代到店拍了货架，货在不在、摆了几层，是能被读出来的事实。
新品铺货为什么经常失真
铺货率失真的方式，行业里翻来覆去就三种，每一种都有对应的解法。
第一种：压仓。 货从工厂发到经销商仓库，订单有了、出货有了，但货没进店。经销商不是不想卖，是新品动销没把握，先不占资金、不占库位。解法是把铺货的定义从”经销商收货”改成”终端进店”，用终端订单和门店照片来确认，经销商仓库里的货不算数。
第二种：假拍。 业代用一张旧照片、一张别家的照片应付检查。某饮料品牌在做新品铺货专项时复盘过一批照片，发现同一张货架照片出现在十几家不同门店。这个问题的解法是技术性的：所有需要拍照的环节内置翻拍校验，系统检测到疑似翻拍会直接提示，照片被打上标签，SFA 里的执行数据才敢被总部采信。
第三种：铺进不动的店。 货是真的进店了，但铺进了一家根本不卖这个品类的店——比如把功能饮料铺进了一家以老年客群为主的社区店。一个月后动销为零，业代想撤都撤不回来。这不是执行问题，是首发名单的问题，解法在下一节。
三种失真有个共同点：它们都不会出现在”铺货率”这个数字本身上。数字很漂亮，仗已经输了。所以看铺货，永远要连着看第二层指标——进店照片的执行质量、终端动销、库存结构。
首发名单怎么定：按画像，不按地图
新品铺货最常见的开局方式，是把目标门店按区域平摊下去，每个业务片区领任务。这种方式的问题是它假设所有店都一样，而实际上新品能不能卖动，门店之间的差异比区域之间的差异大得多。
一个母婴渠道的新品案例很典型：同样的新品，铺进宠物店式的”专业渠道店”动销很好，铺进纯走量的夫妻店就滞销——不是店不好，是客群不对。首发名单应该按门店画像来定，画像至少看四个维度：
- 客群结构：社区店、商圈店、学校周边店，客群和消费场景完全不同；
- 历史动销：这家店同类品、相邻品类的销售结构，能不能带走这个新品；
- 品类缺口：竞品在这个品类是强势还是空白，空白店的试错意愿更高；
- 执行表现：过去新品的执行配合度，配合度低的店首发别指望。
这套判断靠人脑做不了几万家店，靠的是系统里的门店画像。再往前一步，是让系统直接告诉业代”这家店该推什么、怎么说”——AI 精准卖进的思路就是基于门店画像和周边热卖数据，给每家店生成一份专属的卖进清单和话术。业代进店不再是”老板，我们出了个新品要不要试试”，而是”您隔壁那条街的便利店这个品一周走二十多箱，您店里的客群和它接近”。
业代愿意推新品，很多时候差的不是激励，是话术给不给力。话术从”我觉得这个能卖”变成”数据说这家店能卖”，铺货的积极性是两回事。
铺得真实：拍照、识别、可申诉
首发名单定了，接下来是执行层的真实性问题。这块能靠系统管住的核心动作是三个：
- 到店拍照即执行证据。 铺货专项的执行动作要尽量少：打卡、拍货架、下单，三步完成。动作越多，敷衍概率越高。
- AI 读照片，不靠人肉审。 完美门店 AI 引擎自动识别照片里的商品排面、陈列位置，铺了几层、占比多少，识别结果直接进铺货统计。识别不准的场景支持业代申诉，AI 核查后修正——这个申诉机制很重要，它让一线相信系统不是”只扣分不认账”。
- 翻拍照片拦得住。 上一节说的翻拍校验，是新铺货专项的底线保障。新品期检查最严，恰恰是造假冲动最大的窗口期。
这三个动作跑起来之后，铺货率才第一次有了”可复盘”的基础：哪几家店拍的照片识别通过、哪几家反复申诉、哪几家压根没拍，都是系统里现成的数据。
铺了之后：动销追踪与一句话查数
铺货不是终点。铺进去两周没动销，就要判断是陈列位置问题、价格问题，还是首发名单判断错了。这个判断需要的数据散在订单、拜访、库存三个系统里，过去要靠数据部门跑数，等报表出来，新品窗口期已经过去一半。
AI 智能报告改变的是查数这件事的门槛：管理者用一句自然语言问”华东新品这周的铺货率和动销率”，系统直接把结果算出来。铺货战役的节奏是按天算的，等得起周报的战役基本都打输了。
某国际日化集团在新品上市期间的做法可以参考：总部每天看铺货进度，区域按门店分层追动销，两周内把”铺了没动”的门店清单拉出来做二次卖进——用的就是这一套”铺货率 + 动销率”连看的打法。
考核怎么定：过程和结果分开压
铺货考核最常见的错误是只压结果：这个月铺货率要达到 60%。结果压得太狠，前两种失真（压仓、假拍）就会反弹。务实的考核是分层的：
- 结果指标：终端铺货率（按”终端可见”口径）、动销率（铺进门店里有销售记录的比例）；
- 过程指标：新品拜访完成率、铺货照片执行质量、陈列达标率；
- 质量指标：申诉率、翻拍率——这两个指标高，说明执行有水分。
过程和质量指标前置于结果指标兑现：过程指标不达标的区域，铺货率数字再高也要复核。反过来，过程指标扎实、动销不行的区域，问题多半在首发名单或价格，而不是业代不努力。
落地路线
第一段（0–30 天）：把口径和名单定下来。 统一”有货”的定义为终端可见；按门店画像生成首发名单，明确哪些店首发、哪些店二波。这一步是纯管理动作，不需要等系统上线。
第二段（30–60 天）：把执行跑真。 在试点区域跑通拍照执行 + 翻拍校验 + AI 识别 + 申诉机制，重点看两个数字：照片执行质量和一线配合度。
第三段（60–90 天）：把动销连上。 接入动销追踪，铺货率和动销率连看，”铺了没动”的门店做二次卖进，卖进话术由系统按门店画像生成。
顺序不要颠倒。先把考核压到结果上再上系统，一线会先用造假应付系统，等系统可信了再纠正，成本比先立规矩高得多。
常见问题
Q1：新品铺货率怎么算？
铺货率＝有货门店数 ÷ 目标门店数 × 100%。关键在”有货”的口径：建议按”终端可见”计算（门店货架或陈列位上能看到本品），经销商收货、有订单但未进店的不计入，否则会高估铺货进度。
Q2：新品铺货率低的原因有哪些？
常见四类：首发名单不精准（铺进了客群不对的店）、执行失真（压仓、假拍导致真实铺货率低于报表）、拜访覆盖不足（目标店根本没被跑到位）、卖进话术弱（业代推新品的成功率低）。前两个是数据问题，后两个是执行问题，解法不同。
Q3：业代为什么不愿意推新品？
新品客单低、动销不确定、被拒概率高，而提成未必比老品高。解法不是单纯加激励，而是给业代”能卖的底气”：按门店画像推荐适合的新品，并给出有数据支撑的卖进话术（比如周边同类门店的热卖数据），把成功率提上来，意愿自然跟上。
Q4：AI 能帮新品铺货做什么？
三件事：一是按门店画像和周边热卖数据生成新品卖进清单与话术；二是拍照后自动识别陈列与排面，识别结果进铺货统计，识别不准支持申诉；三是管理者用自然语言直接查铺货率、动销率等指标，不用等数据部门跑数。另有翻拍校验保证照片可信。
Q5：新品铺货的考核指标怎么定？
分层设定：结果层看终端铺货率（终端可见口径）与动销率；过程层看新品拜访完成率、照片执行质量、陈列达标率；质量层看申诉率与翻拍率。结果指标不宜单独施压，需与过程、质量指标联动复核，防止压仓与假拍反弹。
