摘要：如今，面对海量商品信息和快速变化的消费者需求，许多零售企业仍陷入盲目跟风和经验主义的泥潭。这就是对数据的应用不够所导致的。大数据时代下，数据正逐渐成为驱动商品分析决策的重要引擎。通过精准分析商品销售、库存、顾客偏好等数据，企业能够洞察市场趋势，优化商品结构，提

如今，面对海量商品信息和快速变化的消费者需求，许多零售企业仍陷入盲目跟风和经验主义的泥潭。这就是对数据的应用不够所导致的。大数据时代下，数据正逐渐成为驱动商品分析决策的重要引擎。通过精准分析商品销售、库存、顾客偏好等数据，企业能够洞察市场趋势，优化商品结构，提升运营效率，是零售企业赢得市场的制胜法宝。

更多详细内容，推荐下载《智慧零售解决方案》：
https://s.fanruan.com/aknp3
分享行业真实的数字化转型案例，以及方案架构图

随着移动互联网的迅速发展，零售行业已从80年代的百货商场时代演变到如今集连锁超市、电商、购物中心、便利店等为一体的新业态。销售渠道也从线下单渠道拓展到线上线下的全渠道营销。

在这样的新零售情境下，市场容量变大，行业竞品变多，消费者的购买决策愈发谨慎。居民消费观念趋于理性，决策门槛变高，也对零售商提出了更高的要求。面对这样的巨大变化，一方面，零售商应当不忘“商品运营”本质，做好“人货匹配”，打造比以往更精细的颗粒度，根据目标人群的不同，制定详细的组货和价格策略。另一方面则应把“好货”放在用户面前，在商品创新和差异化优势上下功夫，包括拳头品类的优中选优、洞察市场趋势的新品迭代等。

而上述这些应对方法，都需要海量的数据做决策支撑。例如，通过数据决策提升上游供应链把控力，将核心品类“做专做深”；基于数据的消费者洞察，深挖商品价值；数据驱动的智能选品组货等。通过数字化提升商品管理能力，是零售行业发展的必然趋势。

有效的商品分析是指，在正确的位置、时间和价格上展示产品，并且产品数量正确。这种平衡将增加销售额和利润，避免产品短缺或过剩的情况出现。为了达成有效的商品分析，企业需要在商品企划、采购供应、销售运营三个业务环节上做好合理的规划。然而，据调研，企业在规划过程中普遍会面临以下痛点：

评估新品规划的有效性：商贸零售企业需要不断创新推出新产品，但在往往难以确定哪些新品是最有潜力和市场需求的。这导致了投入巨大的开发成本、时间和资源风险。

动态市场变化的应对：市场趋势和消费者偏好经常发生变化，这对品类结构进行持续的优化和调整提出了挑战。将市场变化与企业的品类结构匹配，以满足消费者需求和提供最佳产品组合的任务变得复杂。

库存可见性不足：供应链中的不同环节，仓库和门店之间的信息共享和沟通存在问题。这导致了零售供应链中商品库存的不准确性和不及时性，影响了商品进销协同的效率和成本控制。

订单可见性不足：订单在不同环节中的信息共享和可见性不足，导致难以全面了解订单的状态和进展。无法准确获取订单的实时位置、运输状态以及物流交付时间等重要信息，影响订单效率和客户满意。

品类销售毛利达成门店追踪难：寻求品类业绩的改善，需要深入到各品类下不同SKU、在不同类型门店、全天不同时段的销售表现中去，Excel难以支撑数据粒度逐渐细化的数据量级扩增。

重点品销售的达成和供应控制：针对不同类型重点品（爆品、新品、滞销品等）的有效措施，是抓住品类在门店端销售执行的核心任务，重点品的销售执行分析和供应链保障，对数据粒度的细化、供应链的全链路数据打通，提出了更高挑战。

以上痛点问题的解决重点在于数据的存储、整合、共享与专业的分析，需要一个完备的数据平台支持商品管理全流程的业务需求，从而达成商品运营效率提升的三个目标：

帆软商品分析数据应用方案利用Fine+系列产品，实现数据的打通融合，满足各类核心分析场景的需求，并通过可视化看板的多端呈现生动展示分析结果，助力商品运营的管理效率提升。零售商品运营的数据分析场景分别有商品业绩达成跟踪、商品库存优化、商品订单全流程、新品及品类表现分析，接下来我们将从这四个场景出发，阐述各类业务的数据应用关注点、维度以及关键指标。

在核心KPI品类层级追踪过程中，我们应当将商品核心KPI与目标对比、与同期对比、环期对比，进而发现销售额、毛利额达成效果不理想的品类、中类、小类，同时追踪对应商品在各区域、门店的表现，定位问题原因，寻求改善动作。

这其中涉及到三个分析维度，组织维度：区域、门店、可比店/全部；商品维度：大类、中类、…、商品；时间维度：年度累计、月度累计。参考的关键指标如下：本期销售额、本期销售额目标、本期销售额达成率；本期毛利额、本期毛利额目标、本期毛利额达成率；同期、环期、同比、环比。

在品类销售毛利结构多维分析过程中，应当从渠道层级、时间粒度、商品层级、商品类型、品类角色、价格带…等各维度分析商品的销售结构、毛利结构、趋势变化，便于业务随时根据所关注的角度，对商品销售情况进行切片追踪，同时辅助业务对商品销售毛利进展全局追溯。总的来说，就是要实现维度全面、分析简易、随意切片。

这其中涉及到的分析维度如下。组织维度：门店层级、门店类型、门店店龄…；商品维度：商品层级、商品类型、品类角色（根据管理要求的商品主数据新增维度属性）；时间维度：年、月、周、日、时段。参考的关键指标可以是销售数量、销售额、毛利额、毛利率等等。

在追踪过程中，应当基于业绩改善点，从头尾两头抓执行和改善：

1）对于负毛利、销售增长异常的商品，查询原因、寻求改善措施，降低影响

这其中涉及到的分析维度有组织维度：区域、门店；商品维度：商品名称；时间维度：月度累计。参考的关键指标为本期销售额、本期销售额目标、本期销售额达成率；本期毛利额、本期毛利额目标、本期毛利额达成率；同期、环期、同比、环比。

2）对于重点品类（畅品、爆品、新品、高毛利品等），追踪供应链支撑情况 ，保证重点品类的销售、毛利贡献达到预期

这其中涉及到的分析维度不变。参考的关键指标除了上述提到的之外，还包含了门店请货满足率、请货数量、审核数量、完成数量采购计划数量、采购报货数量、到货数量、在途数量、缺配数量、到货/计划、到货/报货、报货/计划。

全盘库存总览聚焦大仓、门店全盘库存KPI情况，具体地，需要关注：

这其中涉及到的分析维度包括组织维度：库存地点、消费渠道；商品维度：商品大类、商品ABC、畅滞平、价位段；时间维度：月度期末额、实时。参考的关键指标为库存SKU数量、库存金额、库存周转天数、库存周转率；商品ABC属性、单价、销量；报亏金额、缺货率、临期金额等。

商品规模分布与周转要求我们按库存所属机构、商品类型，分析商品库存的总体规模情况、周转情况，定位规模大、周转慢的商品库存，结合大仓和门店动销情况、识别问题库存，查询原因，解决库存滞销和缺货问题。

这其中涉及到的分析维度包括组织维度：机构（大仓/门店）；商品维度：商品大类、商品ABC、畅滞平、价位段、SKU；时间维度：月度期末额、实时。参考的关键指标为库存数量、库存金额、库存周转天数、动销率等。

商品库销分析关注商品进销存情况、各类商品可售天数情况，主要包括：

这其中涉及到的分析维度包括组织维度：区域、门店；商品维度：商品大类、商品ABC、畅滞平、价位段、SKU；时间维度：月度期末额。参考的关键指标为销售金额、销售数量、库存金额、库存数量、入库金额、入库数量、可售天数、近7天销量等。

异常库存监控需要我们及时追踪商品异常库存情况，追踪问题商品及门店，主要关注以下几种异常库存情况：

近2周有销售，库存件数不足以支撑未来2周销售；（库存数量>0且近两周销量>0且库存数量

近2周有销售，库存件数为0；（库存数量=0且近两周销量>0）。

近1月无销，有库存；（库存数量>0且近一月销量=0）

库存金额前30名，且库存周转天数大于60天

这其中涉及到的分析维度包括组织维度：机构（大仓/门店）；商品维度：商品大类、商品ABC、畅滞平、价位段、SKU；时间维度：月度期末额、实时。参考的关键指标为库存数量、库存金额、库存周转天数、动销率等。

从订单下达-订单发货-订单在途-订单签收-订单支付，全流程掌握商品订单流转进度及时效，需要注意：

这其中涉及到的分析维度包括订单维度：订单状态、订单编号；商品维度：商品大类、商品中类、商品小类、SKU、供应商；时间维度：时间范围。参考的关键指标为采购订单数、有效订单数、发货订单数、在途订单数、到货订单数、采购订单完成率、采购订单及时率、退货率等。

需要按周、月的时间频次，回顾采购订单满足率情况。具体地，分拆计划-报货-到货，追踪各环节满足率，同时追踪采购满足率的商品各环节明细，定位影响原因。

这其中涉及到的分析维度包括采购阶段：计划、报货、到货、预定；商品维度：商品大类、商品ABC、畅滞平、价位段、SKU；时间维度：周、月。参考的关键指标为计划满足率、报货满足率、到货满足率；采购订单数、有效订单数、发货订单数、在途订单数、到货订单数、缺配数量等。

需要按周、月的时间频次，回顾门店请货满足率情况。具体地，分拆计划-报货-到货，追踪各环节满足率，同时追踪采购满足率的商品各环节明细，定位影响原因。

这其中涉及到的分析维度包括采购阶段：计划、报货、到货、预定；组织维度：区域、门店；商品维度：商品大类、商品ABC、畅滞平、价位段、SKU；时间维度：周、月。参考的关键指标为请货满足率、请货数量、审核数量、完成数量、30天销量、门店库存、大仓库存等。

需要关注哪些商品缺配、在哪些门店缺配，以及对应缺配原因及缺货程度，同时跟踪处理效率、谁在处理与处理进展。

这其中涉及到的分析维度包括缺配原因、处理时效、处理负责人、区域、门店、商品SKU。参考的关键指标为缺配率、缺配数量、潜在影响金额、缺货门店数等。

根据商品规划部门或采购部门预设的新品指标与新品评估指标进行新品试销转正分析。

追踪新品引进3个月后的转正表现，并与开发目标对比差距、与引进数量对比成功率，具体地：

这其中涉及到的分析维度包括组织维度：区域、采购主管；商品维度：商品中类、商品小类、商品定位；时间维度：月度期末额、实时。参考的关键指标为库存数量、库存金额、库存周转天数、动销率等。

1）VPE评价指标

我们可以采用VPE这一指标来评价品类绩效。VPE 是一种集成了销量、销售利润和资金回报这三种指标来综合评估商品绩效的方法：

VPE = 销量占比 x 销量的权重 + 利润 x 利润的权重 + 资金回报 x资金回报的权重，

其中公式权重需综合反映品类策略的目标和意图，根据品类角色和品类策略，在不同程度上强调销量、利润和资金回报的重要程度。例如：在指定为“利润”的品类角色中，权重将倾斜于利润而不是销量；在被指定为“销量”的品类角色中，权重将倾斜于销量而不是利润。

销量（V）和利润（P）根据当前权重与品类角色目标权重之间的差异进行上下调整。差值越大，调整幅度越大。

VPE评价指标集成了销量、利润和资金回报三种指标，据此综合评估商品品类绩效，可以在品类绩效评价中准确表达商品品类绩效的偏差，同时可以跨组织结构或商品集合进行对比分析。此外，VPE还可有效支持以客户为中心的品类策略的制定与回顾。

在计算VPE评分过程中，需使用销售额作为计算的基础（在计算前将等式中的所有部分转换为销售额的等价物，因为销售额是商品、品类、店群、顾客群体和时间段之间普遍可比的指标），同时利润和权益要与衡量单位（如部门）的平均值挂钩，以计算等效的销售指标。

2）末位SKU识别

基于品类的商品选品等级，使用SKU多维综合分析在S4级别中做SKU的末位排名与识别，并对低价值商品进行淘汰，具体地，要注意以下几点：

3）SKU淘汰清单

基于品类的新品计划与新品成功引入数据确定SKU淘汰的数量，剔除免责条件后选择末位SKU列入淘汰清单。

商品关联分析关注哪些商品关联销售成功率高，以提升客单价和商品连带率。

这其中涉及到的分析维度包括商品SKU、关联商品。参考的关键指标为销售次数、销售额、销售占比以及支持度、置信度、提升度等：

支持度是指A商品和B商品同时被购买的概率，或者说某个商品组合的购买次数占总商品购买次数的比例。

置信度是指购买A之后又购买B的条件概率，简单说就是因为购买了A所以购买了B的概率。

先购买A对购买B的提升作用，用来判断商品组合方式是否具有实际价值，是看组合商品被购买的次数是否高于单独商品的购买次数，大于1说明该组合方式有效，小于1则说明无效。

价格带分析需关注不同店型、商圈门店的商品价格带划分是否合理，哪一区间的销售占比、毛利贡献、毛利率更高，是否与门店定位匹配等等，然后根据差异调整不同品类中各价格带的商品SKU。

这其中涉及到的分析维度包括组织维度：大区、门店、店型、商圈等；商品维度：商品大类、中类、小类、SKU、价格带等。参考的关键指标为销售额、销售额占比、销售量、销售量占比毛利额、毛利率、交叉比率、动销率等。

帆软零售商品运营数据应用解决方案面向核心商品业务进行畅平滞的品类分析，并对商品SKU进行周期性调整，构建全流程商品分析监控体系，智能追踪商品经营情况，优化SKU自上市到汰换的管理过程，提升企业经营利润及效益，能够支撑零售企业商品运营全流程的合理决策：

围绕消费者需求建立选品核心要素分析体系，确保所售商品符合市场需求、企业自身的供应链特点、品牌形象和经营目标，降低亏本风险，提升企业经营效益。

基于商品生命周期的管理规则，构建全流程商品业绩监控体系，可视化展示商品表现核心指标，智能追踪经营情况，及时定位并解决问题。

打造深度融合到技术赋能的智慧运营模式，培养从执行到分析的迭代优化能力，优化SKU端到端的管理过程，提升各渠道SKU退市执行效率。

帆软已与众多大消费企业达成合作，致力于通过深入了解行业特点和企业需求，结合行业最佳实践与数据分析经验，为大消费企业量身定制科学、系统且实用的商品运营数据应用方案，帮助企业做到更精准的”人货匹配“，更有效的商品运营。

若想了解更多关于零售商品运营数据应用的解决方案，请您与帆软取得联系，快速获得帆软为您提供的方案建议、免费的产品试用和同行业标杆案例学习参考。

来源：帆软软件