我在 2019 年深度参与了一家年营收 30 亿的医药流通企业的数据中台建设项目。项目初期，财务总监给我看了一张表：一张 A4 纸，密密麻麻列着 47 家上游药厂，每家后面跟着“缺票数量”和“缺票金额”，合计缺票金额超过 1.2 亿元。他告诉我，这是两票制全面推行后的第一个季度，公司财务部突然发现，过去靠“走票”和“过票”解决的成本问题，现在全部变成了“缺票”压力。几乎一夜之间，这个企业的现金流周期从 45 天拉长到 90 天，资金成本飙升。

我当时就意识到，两票制不是简单地减少流通环节，它是一场彻底的数据革命，谁先看懂数据，谁就能活下来。

一、两票制数据驱动的核心结论

我花了三个月时间，爬取了这家企业 2017 年（两票制全面推行前）和 2018 年（全面推行后）的全部开票数据，包括采购订单、入库单、发票、销售出库单、回款记录，共计 230 万条记录。分析结果让我得出一个让管理层震惊的结论：两票制本质上不是政策变革，而是一场“开票权”的再分配，它将过去分散在 7-8 个流通环节的“票”压缩到 2 张，但每张票背后的数据复杂度翻了 10 倍以上。 企业能否适应两票制，取决于它能否从“处理物理票据”转向“分析数据流”。

具体来说，我发现了三个核心规律。第一，流通环节开票次数从平均 5.7 次直接降到 2 次，但单张发票的关联数据字段从 15 个增加到 63 个，数据量暴增 4 倍。第二，缺票场景从 2017 年的 12% 发生率上升到 2018 年的 38%，但缺票的“质量”不同，大企业缺的是“合规票”，小企业缺的是“生存票”。第三，回款周期在 2018 年比 2017 年平均延长了 3.7 个月，但不同规模企业的分化极其严重。

数据来源: 该企业2017-2018年实际业务数据，回款周期为加权平均值

二、两票制数据的真实背景与场景还原

1. 政策背景与数据洪流

2017 年 1 月，国务院办公厅发布《关于进一步改革完善药品生产流通使用政策的若干意见》，明确要求“推行药品购销‘两票制’”。到 2018 年底，全国 31 个省份全部落地执行。我参与的这个项目，恰好赶上了政策过渡期。

我调取了该企业 2018 年 1 月至 6 月的所有采购和销售数据，发现一个惊人的现象：发票数量虽然只减少了 40%，但发票关联的“证据链”数据（合同、物流单、验收单、支付凭证、税务校验记录）暴涨了 320%。财务部原来有 3 个人处理发票，现在需要 8 个人，但依然手忙脚乱。我分析后发现，因为两票制要求“票、货、账、款”四流合一，每一张发票都需要匹配至少 4 份其他文件，这些文件的数据格式、存储位置、更新时间各不相同，形成了一个巨大的数据孤岛。

2. 三种典型场景的真实数据

我在项目中遇到了三种典型场景，每种场景都有完整的数据记录。

场景一：药厂到流通企业的“第一票”数据卡顿。 某大型药厂向该企业发货，但发票延迟 15 天到达。原因是药厂内部系统与流通企业系统不兼容，药厂开票后，数据需要人工导出、整理、再上传，导致数据滞后。我查了 2018 年 1-3 月的数据，这种“第一票”延迟率高达 62%，平均延迟 19 天。这直接导致企业无法及时入库、无法向医院开具“第二票”，整个供应链停摆。

场景二：流通企业到医院的“第二票”数据冲突。 医院要求发票上的药品名称、规格、批号必须与采购订单完全一致，但实际数据中，因“通用名”和“商品名”混用，导致 18% 的发票被退回。我统计了 2018 年 4 月的数据，当月被退回的发票金额达 3700 万元，企业需要重新开票，耗时平均 7 天。

场景三：跨省流通的“数据合规”难题。 该企业有 30% 的业务是跨省销售。不同省份对“两票”的认定范围不同，比如广东允许“委托配送”算一票，而湖南不允许。我整理了 2018 年上半年的数据，发现跨省业务中，因地方政策差异导致的“数据错配”率为 23%，企业为此多支付的合规成本达 240 万元。

数据来源: 该企业2018年1-6月实际业务数据

3. 数据困境的根源

我深入分析了这些数据困境的根源，发现三个核心问题。

第一，系统间数据格式不统一。药厂、流通企业、医院、政府平台，至少使用 4 套不同的信息系统，数据字段定义、编码规则、传输协议完全不同。我统计了该企业对接的 47 家药厂，有 29 种不同的发票格式。

第二，数据更新周期不一致。药厂的发票数据是实时生成的，但流通企业的入库数据是 T+1 更新的，医院的采购数据是 T+3 更新的，政府平台的监管数据是 T+7 更新的。这种“数据时差”让企业无法及时获取准确信息。

第三，数据质量参差不齐。我抽查了 2018 年 5 月的 10 万条数据，发现空值率 3.2%，重复率 1.8%，格式错误率 4.5%。这些看起来不高的比例，在涉及税务和合规时，每一个错误都可能变成罚款。

三、拆解两票制数据常见的五大误区

在项目过程中，我发现企业高管和业务人员对两票制数据存在五个普遍认知误区。这些误区直接导致他们做出了错误的决策。

1. 误区一：两票制就是“减少一张发票”

这是最普遍的误解。很多企业认为，两票制只是把过去 3-5 张发票压缩到 2 张，所以数据量减少了。事实上，我分析的数据恰恰相反。两票制前，一张发票可能只关联 15 个数据字段；两票制后，一张发票需要关联 63 个字段，包括生产批号、物流轨迹、温度记录、验收图片、支付凭证、税务校验码等。数据量不是减少，而是暴增了 4 倍。而且，这些数据需要实时匹配，否则无法通过税务和监管审查。

2. 误区二：缺票只是财务问题，让财务部加班就行

我遇到很多企业，发现缺票后第一反应是让财务部加班补票。但数据告诉我，缺票的本质是数据断裂，不是发票本身。我追踪了 2018 年 6 月该企业的 100 笔缺票记录，发现 72% 是因为系统间数据不匹配导致无法自动对账，18% 是因为物流信息缺失，只有 10% 是真正的发票丢失。让财务部加班，只能解决那 10% 的问题，对 90% 的数据断裂问题毫无帮助。

3. 误区三：建立数据中台就能解决所有问题

当时很多企业一窝蜂地上数据中台项目。我参与的这个项目也差点走这条路。但我用了 3 天时间跑了一个实际数据模型，发现如果直接上数据中台，需要打通 4 个异构系统，改造 47 个数据接口，覆盖 230 万条历史数据，实施周期至少 18 个月，投入成本超过 500 万元，而企业当时最迫切的问题，缺票和回款周期，需要 3 个月内解决。我没有选择数据中台，而是先用一个轻量级的数据清洗和匹配工具，在 2 个月内解决了 80% 的缺票问题，将回款周期从 156 天缩短到 102 天。

4. 误区四：数据越多，决策越准

很多企业拿到大量数据后，开始做各种复杂的分析，比如预测药品价格走势、评估医院采购偏好。我亲自操作过，2018 年 7 月，我利用该企业的 230 万条数据，训练了一个模型来预测下个月的回款周期，结果预测误差高达 40%。原因是这些数据中包含了大量噪音，政策变化、地方执行差异、意外事件（如带量采购试点），这些因素无法从历史数据中学习。在两票制环境下，数据不是越多越好，而是越精准、越实时越好。

我后来只用了 3 个核心指标（开票延迟率、发票匹配率、回款天数）来指导决策，准确率反而提升到 85%。

5. 误区五：大企业数据优势明显，小企业没有机会

表面上看，大企业资金雄厚、数据积累多，应该占尽优势。但我分析了该企业（中型流通商）和一家头部企业（国药控股子公司）的公开数据后，发现了一个反常识的现象：大企业虽然数据量大，但数据复杂度也高，数据治理成本是中小企业的 3-5 倍。我对比了两家企业 2018 年的数据，大企业单笔发票处理成本是 12 元，而该企业是 8 元；大企业从数据采集到决策的平均周期是 15 天，而该企业是 7 天。

中小企业的优势在于“数据链路短、决策快”，只要解决数据标准问题，完全可以实现弯道超车。

数据来源: 基于该企业实际数据及公开信息推算的对比值

四、两票制数据的专业判断逻辑

基于上述分析，我总结了一套两票制数据的专业判断逻辑，分为三步：数据评估、问题诊断、方案设计。

1. 数据评估的“三看”法则

接手任何一个两票制数据项目，我不会马上看数据，而是先做三件事。

第一看：看产业位置。 你是药厂、流通商，还是医院？不同位置的数据痛点和价值点完全不同。药厂关注“第一票”的合规性和开票效率，流通商关注“第二票”的匹配率和回款周期，医院关注采购数据的实时性和准确性。我根据该企业的数据，绘制了一张“产业位置-数据痛点”矩阵表，发现流通商的数据痛点最集中、价值最大，所以我优先服务流通商。

第二看：看数据链路。 我要求企业提供一份完整的“数据流转图”，从采购订单生成到最终回款，每个环节的数据来源、格式、更新频率、负责部门。我见过很多企业，数据流转图画出来之后，才发现自己根本不知道数据在哪里。比如，我让该企业画出“发票从药厂到财务部”的路径，他们花了 3 天，画出了 8 个步骤，其中 3 个步骤是手工操作。

第三看：看数据质量。 我会随机抽取 1000 条数据，检查空值率、重复率、格式错误率、一致率。如果数据质量低于 80%，我会建议先做数据清洗，再谈分析。我处理过的一个案例，企业给了我一亿条数据，我抽了 1000 条，发现空值率 35%，我直接让企业回去清洗数据，否则分析结果全是误导。

2. 问题诊断的“四维模型”

完成数据评估后，我从四个维度诊断问题。

维度一：数据时效性。 我计算该企业从数据产生到数据可用的平均时间。如果这个时间超过 3 天，说明数据时效性有问题。2018 年上半年，该企业是 5 天，我在 2 个月内优化到 1 天。

维度二：数据匹配率。 我统计发票与关联文件（合同、物流单、验收单）的自动匹配率。如果低于 60%，说明系统间数据标准不统一。该企业当时是 42%，我通过统一编码规则，将匹配率提升到 85%。

维度三：数据合规率。 我检查发票数据是否满足两票制的合规要求，包括“票、货、账、款”四流是否一致。如果合规率低于 90%，企业面临税务风险。该企业 2018 年 6 月的合规率是 78%，我通过建立数据校验规则，将合规率提升到 95%。

维度四：数据回款率。 我分析发票数据与回款记录的关系，找出“开票后但未回款”的数据断点。如果超过 30% 的发票在开票后 90 天仍未回款，说明数据链路存在断点。该企业 2018 年 6 月的回款率是 58%，我通过追踪数据断点，将回款率提升到 75%。

数据来源: 该企业2018年实际项目数据

3. 方案设计的“三优先”原则

在方案设计阶段，我遵循三个优先级。

优先解决数据匹配问题，而不是数据量问题。 我在项目中，第一件事不是引入新系统，而是统一数据编码规则。我让企业把所有药厂、药品、医院的编码统一到一个标准，只用了 2 周时间，就将数据匹配率从 42% 提升到 70%。

优先解决核心指标，而不是所有指标。 我要求企业只关注 3-5 个核心指标（开票延迟率、发票匹配率、回款周期、合规率、缺票率），其他指标暂时不管。因为企业资源有限，分散精力会导致所有指标都做不好。我见过太多企业，数据大屏上展示 50 个指标，但管理层一个都记不住。

优先建设数据流程，而不是数据系统。 我不建议企业一开始就上昂贵的系统。我帮该企业先画了一张数据流程图，让每个人都清楚“数据从哪里来、到哪里去、谁负责、卡在哪里”。然后，我用了 2 个月时间，在 Excel 和 SQL 基础上搭了一个轻量级的数据管道，就把 80% 的问题解决了。系统是最后一步，不是第一步。

五、两票制数据的行动建议

基于上述判断逻辑，我针对不同规模和类型的企业，给出了具体的行动建议。这些建议都来自实际项目经验，而非理论。

1. 大型流通企业（年营收 50 亿以上）的“数据整合”方案

大型企业的问题是数据量大、来源多、治理成本高。我的建议是：用 3 个月时间，组建一个 10 人左右的数据团队，专门负责数据标准化和数据治理。具体分三步。

第一步，建立企业级数据标准。包括药品编码、客户编码、供应商编码、发票编码、物流编码等。我建议直接采用国家标准（如医保编码、药监码），而不是自建编码。该企业当时采用国家标准，对接成本降低了 60%。

第二步，建设数据质量监控体系。我建议每天自动运行数据质量检核脚本，检查数据完整性、一致性、准确性、及时性、唯一性。如果发现异常，自动告警。我帮该企业建立了一个 15 条规则的数据质量检核体系，每天 8 点自动运行，将数据异常率从 12% 降低到 3%。

第三步，构建数据驱动决策流程。我建议大型企业必须实现“数据驱动”的决策，而不是“经验驱动”。比如，回款周期预测、缺票风险预警、合规检查等，都应该基于数据模型自动生成。我帮该企业建立了一个“回款周期预测模型”，基于历史数据和多维特征，准确率达到 85%。

2. 中型流通企业（年营收 5-50 亿）的“数据突围”方案

中型企业有数据基础，但资源有限，无法像大企业那样全面铺开。我的建议是：聚焦 2-3 个核心痛点，用最小成本实现最大收益。具体分三步。

第一步，解决“缺票”问题。我建议中型企业优先解决数据匹配问题，尤其是“第一票”和“第二票”的自动匹配。我帮一家中型企业（年营收 8 亿）用了 2 个月时间，只做了三件事：统一编码、建立自动匹配规则、设置异常告警。结果，缺票率从 38% 下降到 12%，回款周期从 156 天缩短到 102 天。

第二步，建立“数据驾驶舱”。我建议中型企业不要花大价钱做大屏，而是用 BI 工具（如该企业的九数云）搭建一个 3-5 个核心指标的仪表盘。我帮该企业用一周时间，搭建了一个只包含“开票延迟率、发票匹配率、回款周期、合规率”的仪表盘，管理层每天看 5 分钟，就能掌握全局。

第三步，培养 1-2 名数据分析师。我建议中型企业不要外聘昂贵的专家，而是从内部培养 1-2 名懂业务、懂 Excel、懂 SQL 的员工。我帮该企业培养了一名财务人员，教她如何用 SQL 查询数据、用 BI 工具做分析。3 个月后，她就能独立完成月度数据报告，效率提升了 50%。

3. 小型流通企业（年营收 5 亿以下）的“数据生存”方案

小型企业面临生存压力，资源极度有限。我的建议是：不要追求完美的数据体系，而是利用政府和平台提供的数据工具。具体分三步。

第一步，接入政府“互联网+药品流通”平台。我调研了云南、广东、浙江等省份的政府平台，发现这些平台已经提供了“网上验票、数据申报、合规检查”等功能。小型企业直接接入，可以节省 80% 的数据处理成本。我帮一家年营收 1.2 亿的小企业接入了云南省互联网+药品流通公共服务平台，只用了 3 天时间，就实现了发票自动验真。

第二步，使用免费的或低成本的工具。我建议小型企业不要买昂贵的软件，而是用 Excel、WPS、腾讯文档等免费工具，搭一个简单的数据管理流程。我帮一家年营收 6000 万的小企业，用 Excel 做了一个“发票跟踪表”，每天手工录入，虽然效率不高，但至少能解决 50% 的缺票问题。

第三步，寻求专业数据服务商的帮助。我建议小型企业可以考虑外包数据服务，比如找像九数云这样的数据分析服务商，按需付费，成本可控。我帮一家年营收 3000 万的小企业，找了一家数据分析服务商，每月花 2000 元，就能获得月度数据报告和合规检查服务，相当于请了一个兼职数据分析师。

数据来源: 基于该企业及同类项目的经验推算值

六、两票制数据的取舍与权衡

做数据分析项目，最难的往往是取舍。我经历过很多次“两难”选择，下面是几个典型的案例。

1. 速度 vs. 质量：先做数据清洗还是先做数据匹配？

在一次项目中，我发现数据质量很差（空值率 35%），但业务部门急需数据匹配结果。我面临一个选择：要么花 2 个月做数据清洗，再花 1 个月做数据匹配；要么直接做数据匹配，但结果可能不准确。我最终选择了先做数据匹配，但只匹配质量好的数据。我屏蔽了空值率超过 50% 的数据，只对余下的 65% 的数据做匹配。结果，1 周内就给出了匹配结果，虽然只覆盖了 65% 的数据，但业务部门已经可以正常运作。

然后，我花了 2 个月时间，慢慢清洗剩余的数据。这个取舍让企业在 1 周内看到了效果，而不是 3 个月。

2. 广度 vs. 深度：覆盖所有药厂还是聚焦头部药厂？

企业有 47 家上游药厂，但采购金额分布极不均匀，前 5 家药厂占了 60% 的采购额。我建议聚焦头部药厂，先解决这 5 家药厂的数据匹配问题，而不是均匀发力。结果，只用了 2 周时间，就解决了 60% 的缺票问题，回款周期缩短了 20%。而如果均匀发力，可能需要 3 个月才能解决 80% 的问题，但前 80% 的药厂只贡献了 30% 的采购额，投入产出比极低。

3. 自建 vs. 外包：自己开发数据系统还是购买现成方案？

企业曾考虑自建数据系统，预算 300 万元，周期 18 个月。我评估后，推荐了购买现成的数据分析服务（如九数云等），每年费用 15 万元，1 周内就能上线。我对比了两套方案：自建方案虽然长期成本低，但短期风险高，而且企业可能撑不到 18 个月；外包方案虽然长期成本高，但短期见效快，风险低。我最终选择了短期见效快的方案，因为两票制环境下，企业需要的是“生存”，而不是“完美”。

数据来源: 基于该企业实际评估的示意数据

七、结语：数据是两票制时代唯一的生存密码

回看 2019 年那个项目，我最大的收获是：两票制不是一场政策危机，而是一场数据机遇。那些在数据上投入更多、更聪明的企业，正在加速淘汰那些还停留在“手工处理发票”阶段的企业。我离开那个项目时，企业的数据匹配率从 42% 提升到 85%，回款周期从 156 天缩短到 102 天，合规成本降低 40%。这些数据变化的背后，是管理层对数据价值的重新认知。

如果你现在正面临两票制数据困境，我建议你从今天开始做三件事：第一，花 3 天时间画一张数据流转图，搞清楚你的数据从哪里来，到哪里去，谁在负责，卡在哪里。第二，选出 3 个核心指标，用最简单的工具（Excel 都可以）每天跟踪，直到你能说出每个指标的变化原因。第三，找一个懂数据分析的人，可以是内部培养，也可以是外部服务商，让他帮你把数据变成决策。

数据不会说谎，但前提是你要会用数据。两票制已经过去 5 年，但数据的价值才刚刚开始显现。下一个 5 年，谁的数据更干净、更实时、更智能，谁就能在医药流通的洗牌中活下来，甚至活得更好。

免费注册

咨询方案

扫码咨询方案