直播数据复盘最容易出现的一种错觉，是“商品卖得动，所以应该继续留在货盘里”。我曾见过一个直播团队，单场上架 42 个 SKU，GMV 达到 36.8 万元，复盘会议却得出一个相反结论：真正承担成交和利润的只有 11 个商品，另外 31 个商品消耗了选品沟通、样品测试、脚本制作、主播培训和直播讲解时间，却没有形成相应贡献。问题并不是商品数量太多，而是商品结构没有把团队成本、直播资源和商品角色放在同一张账上。

本文所说的“货盘结构差”，不是简单指 SKU 少、销量低或爆品不足，而是指商品承担的任务不清晰，商品带来的综合贡献与团队投入不匹配，且不同商品之间无法形成成交、利润、客单价和复购的协同关系。从选品团队成本视角复盘，核心不是马上砍掉低销量商品，而是判断每个商品是否值得继续被经营，以及它应该获得什么程度的资源。

一、先讲核心结论：货盘不是商品清单，而是一套资源分配系统

1. 商品卖得动，不等于商品值得留下

传统直播复盘通常先看成交金额、成交件数、点击率和转化率。这些指标当然重要，但它们只回答了一个问题：商品在某场直播中产生了什么结果。它们没有回答另一个更关键的问题：为了得到这个结果，团队付出了多少额外成本。

一款商品从进入候选池到正式开播，往往要经历供应商筛选、价格谈判、样品寄送、品质确认、合规审核、卖点提炼、脚本制作、主播培训和直播测试。商品成交以后，还会继续产生履约、退款、售后、库存和复盘管理成本。

如果只看 GMV，一款成交 2 万元、毛利率 8%、退款率 25%、前期投入 6000 元的商品，可能看起来比成交 8000 元、毛利率 35%、退款率 5%、几乎不需要额外培训的商品更好。但把投入和风险放回同一张表，结论可能完全相反。

我的判断标准是：商品的去留不能由销量单独决定，至少要同时看商品角色、综合贡献和资源消耗。

2. 货盘结构差，本质是三种不匹配

第一种不匹配，是销售贡献与利润贡献不匹配。引流品可以带来点击和订单，但如果没有利润品或连带品承接，直播间可能越卖越忙，现金利润却没有同步增长。

第二种不匹配，是商品价值与选品成本不匹配。一些商品需要反复沟通供应商、反复确认参数、反复寄样和测试，最后只贡献极少订单。它们未必完全没有价值，但很可能不值得占用当前团队的优先级。

第三种不匹配，是商品角色与直播路径不匹配。直播间需要引流、信任建立、成交、加购和复购，但货盘里可能全是功能相近的成交品，缺少价格锚点、利润承接和组合商品。结果是商品数量增加了，用户决策路径反而被打断。

上表的重点是把“商品结果”和“经营成本”拆开观察。很多团队不是没有数据，而是把所有数据分别放在交易表、投流表、售后表和选品表里，最后只拿一列 GMV 做决策。

3. 货盘的目标不是 SKU 越少，而是有效 SKU 越多

减少 SKU 有时有效，但它只是手段，不是目标。如果团队简单地把低销量商品全部删除，可能会丢掉价格梯度、场景搭配和新品测试空间。真正应该提高的是有效 SKU 占比，也就是能够在货盘中承担明确任务，并且在实际经营中产生可解释价值的商品比例。

我更倾向于把商品分成四种去留状态：保留、观察、调整和退出。保留代表商品可以继续获得稳定资源；观察代表数据不足或仍需验证；调整代表商品有价值但价格、话术、组合或展示方式存在问题；退出则代表商品的综合贡献不足以覆盖其资源消耗。

二、真实场景：为什么选品会议越来越长，直播结果却没有变好

1. 货盘膨胀通常不是一次错误造成的

货盘变差很少是某一个选品负责人突然做错了决定。更常见的情况是，每一场直播都新增几个“可以试试”的商品，而旧商品没有正式退出机制。一个月之后，货盘里同时存在主推品、测试品、清库存品、供应商推荐品和临时替补品。

每个商品单独看似乎都有留下的理由：这个商品价格低，适合引流；那个商品毛利高，可以提升利润；另一个商品供应商很配合，适合长期合作。问题在于，团队很少把这些理由放在同一张货盘结构表里比较。

当商品数量从 20 个增加到 50 个，直播间不会自动获得 2.5 倍的经营能力。相反，主播需要记住更多卖点，运营需要安排更多讲解节点，选品团队要跟进更多供应商，数据人员要处理更多口径不一致的结果。

2. 一场直播的隐藏成本如何产生

以一个 5 人选品小组为例，如果每人每周投入 35 小时，真正用于已经验证商品维护的时间可能只有一半，其余时间分散在找品、问价、寄样、确认参数、修改资料和追踪测试结果上。这里最容易被忽略的不是人员工资本身，而是这些时间无法再投入到高潜商品的深度验证。

选品团队成本还会通过其他部门放大。一个新 SKU 可能要求设计重新做主图，内容团队重新剪辑素材，主播重新学习讲解话术，客服增加一套咨询答案，仓库增加一个库存管理对象。

所以我在复盘时不会只问“这个商品卖了多少”，还会问三个问题：

• 这个商品从进入候选池到开播，花了多少有效工时？
• 它是否占用了本可以给核心商品的内容、投流和直播时段？
• 它带来的增量贡献，是否足以覆盖这些投入？

3. 先建立统一数据口径，再讨论商品好坏

很多团队的复盘争议并不是判断能力不足，而是不同岗位拿着不同口径说话。运营看下单金额，财务看实付金额，投流看归因成交，供应链看出库金额，售后看退款后的净销售额。若不先统一商品主键、场次编号、渠道和时间口径，最后的商品排名一定会互相冲突。

在实际执行中，我建议先做一张商品主数据表，至少包含商品编码、商品名称、规格、品类、供应商、成本价、建议零售价、角色标签和有效期。交易、投流、售后、库存和选品工时，都通过商品编码关联，而不是依赖人工复制商品名称。

如果团队使用九数云这类数据分析工具，可以将直播订单、商品成本、投流消耗、售后记录和选品台账分别接入，再通过商品编码和场次编号建立关联。它的价值不在于“自动告诉你哪个商品最好”，而在于让团队能够沿着同一商品追踪从选品到成交、从成交到退款、从退款到最终贡献的完整链路。

这里必须说明：九数云适合承担数据连接、指标计算、看板呈现和下钻分析的工作，但商品角色定义、成本分摊规则和去留决策仍然需要业务团队先制定。工具可以减少人工拼表，却不能替代经营判断。

三、常见误区：为什么单看销量会把货盘越做越差

1. 误区一：把 GMV 排名当成商品去留排名

GMV 排名适合回答“谁贡献了更多销售额”，不适合直接回答“谁应该继续占用资源”。一款商品可能因为被安排在黄金时段、获得较高投流或主播重点讲解而取得高 GMV，但这并不意味着它的自然转化能力和利润能力同样突出。

如果一款商品成交金额高，却严重依赖投流，团队应该把它标记为“高规模、强资源依赖”，而不是直接归入核心商品。相反，一款成交金额中等但自然转化稳定、售后低、连带购买强的商品，可能更适合作为货盘的长期支柱。

2. 误区二：把低销量直接等同于低价值

低销量商品至少有四种可能。第一，它确实没有需求；第二，它的展示位置和话术不合适；第三，它是价格锚点或场景补充品；第四，它还处于测试阶段，样本量不足。

如果团队把这四类商品全部按“低销量”处理，就会把需要优化的商品、需要观察的商品和应该退出的商品混在一起。更合理的方式是给低销量商品增加角色、测试期限和退出条件。

例如，一款高客单商品在前两场直播中订单较少，但它可以帮助用户理解品牌定位，也能作为低价入门商品的升级承接。它不一定需要获得大量讲解时长，但不能仅凭前两场销量就直接淘汰。

3. 误区三：只看毛利率，不看绝对贡献

毛利率高不代表利润贡献高。一款售价 99 元、毛利率 40% 的商品，每件毛利约 39.6 元；如果一场只卖 20 件，毛利规模仍然有限。另一款售价 399 元、毛利率 25% 的商品，每件毛利接近 100 元，只要售后可控，可能更值得获得直播资源。

毛利率适合观察效率，贡献毛利适合观察规模。两者必须结合销售件数、投流费用、佣金和售后损失一起判断。

4. 误区四：认为 SKU 越多，用户选择越充分

用户需要的是更容易做出选择，而不是看到更多相似商品。当 6 个商品的功能、价格和卖点高度接近时，新增商品不会明显扩大需求，反而会增加主播解释成本和用户比较成本。

判断重复商品时，不要只看商品名称是否不同，而要看用户是否能够在 10 秒内说出它与其他商品的差异。如果运营团队自己都无法用一句话解释差异，用户通常更难理解。

5. 误区五：用固定行业比例管理所有货盘

“引流品占多少、利润品占多少、爆品集中度应该是多少”这类问题没有适用于所有品类的固定答案。美妆、食品、家电、服饰和知识服务的消费决策周期、退款逻辑、复购周期和库存风险完全不同。

我会把比例当作观察结果，而不是先验标准。团队可以先记录 10 至 20 场直播的商品角色分布，再观察不同结构下的利润、退款、客单价和复购变化，最后形成自己的建议区间。

四、专业判断逻辑：用“角色、贡献、成本、风险”四层看商品

1. 第一层：先确认商品在货盘中的角色

商品角色是判断的起点。没有角色标签，复盘就容易变成“这个商品卖得不错”“那个商品转化一般”的描述，无法进一步决定资源分配。

一个商品可以在不同阶段承担不同角色，但每场直播必须有一个主要角色。例如新品第一次出现时是测试品，连续三场验证后可能转为成交品；如果库存积压，它又可能被转为清库存品。角色变更必须被记录，否则团队会用旧标准评价新阶段的商品。

2. 第二层：计算商品贡献，而不是只看收入

我建议采用一个不追求复杂、但必须完整的计算公式：

商品综合贡献 = 实付销售额 − 采购成本 − 平台及支付费用 − 佣金 − 投流分摊 − 退款及售后损失 − 选品与内容投入 − 库存占用损失

其中，选品与内容投入不一定要精确到每一分钟。团队可以先采用分级估算，例如普通商品按 2 小时计入，重点商品按 6 小时计入，复杂商品按 12 小时计入。只要规则稳定，数据就能用于横向比较。

库存占用损失也不必一开始就计算得很复杂。可以先按照库存金额、预计周转天数和资金成本设置简化规则。对于保质期短、季节性强或退货后难以二次销售的商品，则应提高库存风险权重。

3. 第三层：把团队投入分配到商品，而不是停留在部门费用里

选品团队的成本分摊可以采用工时法。每个商品记录供应商沟通、样品测试、资料整理、脚本确认和主播培训的小时数，再乘以团队的平均小时成本。

如果团队没有工时记录，可以先用活动次数估算。比如首次选品沟通 1 次、样品测试 1 次、脚本修改 2 次、主播培训 1 次，每类活动设置一个标准成本。这样虽然不是财务核算级别的精确数据，却可以识别哪些商品反复消耗资源。

对于已经稳定运行的商品，不应该继续把全部历史选品成本重复计入每场直播。前期投入可以按测试周期或预计经营场次摊销，日常维护则单独记录。否则老商品会被过度扣成本，新商品反而看起来成本很低。

4. 第四层：加入售后、供应链和品牌风险

商品综合贡献为正，也不代表一定应该保留。高退款、高差评、供应商交付不稳定或容易引发合规问题的商品，可能会对直播间产生长期损害。

在实际判断中，我会给商品设置风险标签：退款风险、质量风险、交付风险、价格体系风险和内容合规风险。风险标签不一定立即导致淘汰，但会影响它可以获得的投流额度、黄金时段和测试次数。

五、具体案例：用一张货盘表找出“卖得不少但不值得扩量”的商品

1. 案例说明与数据口径

下面使用一个虚拟直播间的情景模拟案例，数据用于展示复盘方法，不代表某个真实品牌或行业平均水平。该直播间主营日常消费品，连续复盘 10 场直播，共出现 42 个 SKU，其中 12 个商品贡献了 81% 的实付销售额。

团队最初认为，只要把这 12 个商品继续放大，下一阶段就能提升销售额。但在把投流、退款、供应商沟通和内容投入补齐后，发现其中 3 个高 GMV 商品的综合贡献率明显低于货盘平均水平。

为了便于说明，我将 6 个具有代表性的商品抽取出来。商品名称采用 A、B、C 等代号，所有金额均为情景模拟数据。

2. 第一个发现：A 的销售额最高，却不是最值得加资源的商品

A 是典型引流品，销售额最高，但它的采购成本、投流分摊和售后损失也相对突出。它对进房和首次成交有帮助，因此不能简单淘汰；但如果团队把它当作利润品扩量，就会产生错误预期。

复盘后的动作不是“继续加投”或“立即下架”二选一，而是重新限定它的职责：保留固定曝光和短讲解，用它完成进房和低门槛成交，再将用户承接到 B 和 C。这样，A 的价值从“独立赚钱”变成“为后续利润商品输送成交机会”。

3. 第二个发现：B 的 GMV 不是最高，但综合贡献最高

B 的实付销售额低于 A，却有更高的毛利质量、更低的售后损失和更合理的内容投入。它的核心问题不是是否值得保留，而是如何扩大稳定成交场景。

团队可以为 B 增加主播培训、优化对比话术、安排更多用户痛点解释，并观察它在不同流量来源下的转化差异。如果 B 在自然流量和投流流量下都保持稳定，才适合扩大资源；如果只有重投流时才成交，则需要重新评估扩量边界。

4. 第三个发现：D 和 F 都低贡献，但处理方式完全不同

D 是测试品，低贡献可能是因为样本量不足。它还有一个明确测试目的，例如验证新价格、新规格或新供应商。此时可以给它设置两场或三场测试期限，明确最小有效样本、目标转化率和退出条件。

F 是清库存品，综合贡献接近于零，而且售后损失较高。它的任务是回收资金、降低库存，而不是承担长期成交。如果继续让 F 占用黄金直播时段，机会成本可能高于库存清理本身带来的收益。

同样是低贡献商品，测试品要看验证价值，清库存品要看资金回收效率；不能用同一条淘汰规则处理。

5. 如果使用数据分析工具，应该怎样落地

在类似九数云的数据分析看板中，我建议不要只放一个“商品 GMV 排名”页面，而是至少建立四个联动视图。

• 商品贡献视图：展示实付销售额、贡献毛利、退款损失、佣金和投流分摊。
• 选品效率视图：展示样品数量、沟通次数、选品工时、测品场次和入池率。
• 角色结构视图：展示引流品、成交品、利润品、连带品、测试品和清库存品的销售及利润分布。
• 库存风险视图：展示库存金额、周转天数、缺货次数、退款率和供应商交付稳定性。

看板最有价值的功能是联动下钻。例如，当某场直播利润下滑时，可以从场次下钻到商品，再从商品下钻到供应商、规格、流量来源和售后原因。这样团队看到的不是“利润下降”这个结果，而是能够继续追问“是哪类商品、哪个规格、哪种流量和哪个成本节点导致下降”。

如果暂时没有数据分析工具，也可以先用表格完成第一版。工具不是启动复盘的前提，统一字段和固定周期才是。只是当场次、商品和渠道数量增加后，依靠人工复制粘贴很容易出现漏数、错配和版本不一致。

六、把复盘指标做成可执行的商品决策表

1. 销售指标只负责说明“发生了什么”

销售指标包括曝光、点击、停留、加购、下单、支付和成交件数。它们可以描述用户在哪个环节流失，也能帮助团队识别商品是否有基础需求。

但销售指标不应该直接输出“保留”或“淘汰”。例如，点击率高而支付转化低，可能是价格不匹配，也可能是卖点吸引了错误人群；加购高而支付低，可能是优惠机制不足，也可能是用户在等待更强的促销节点。

2. 利润指标负责说明“结果是否值得”

利润复盘不能只记录商品毛利率。至少要把采购成本、平台及支付费用、佣金、投流分摊、退款损失和履约异常成本纳入计算。

如果投流无法精确归因到每一个商品，可以采用场次分摊、曝光时长分摊或成交金额分摊。三种方法各有偏差，但保持同一场景内口径一致，比每场直播临时选择一种算法更重要。

我通常会把商品放进“销售规模，综合贡献率”二维矩阵中：

• 高销售、高贡献：核心扩量商品。
• 高销售、低贡献：重点排查投流、佣金、售后和价格。
• 低销售、高贡献：优化曝光和成交路径，不要急于淘汰。
• 低销售、低贡献：进入观察、调整或退出流程。

3. 选品效率指标负责说明“团队是否值得继续投入”

选品团队最容易被忽略的指标，是从候选商品到有效商品的转换效率。建议记录候选商品数量、完成审核数量、完成测品数量、首次成交数量和连续稳定成交数量。

除此之外，还要记录每个商品的沟通轮次、样品次数、资料返工次数、脚本修改次数和主播培训时长。一个商品如果反复返工，却没有提高成交或降低售后，就应该进入成本审查。

可以使用以下指标：

选品投入产出比 = 商品综合贡献 ÷ 选品与测品投入

该指标不是为了追求一个绝对标准，而是为了比较同一团队、同一品类或相近周期内的商品效率。它能够帮助负责人识别“看起来有潜力，但总是无法完成验证”的商品。

4. 风险指标负责说明“结果是否可持续”

直播间不能只追求当场成交，还要关注退款率、差评率、缺货率、发货时效、供应商响应时间和复购表现。特别是高客单商品和功能型商品，售后风险可能在直播结束后才显现。

如果一款商品的销售额高度依赖某个供应商、某个达人或某种投流渠道，它的风险集中度也应被记录。商品贡献越集中，团队越需要准备替代供应商、替代规格或替代成交品。

七、不同情况下的行动建议：不要用同一把刀调整货盘

1. 当 GMV 增长但利润不增长

这种情况首先要检查高 GMV 商品的成本构成，而不是继续增加商品数量。重点查看投流回收、佣金比例、退款损失、优惠成本和低毛利商品占比。

如果发现销售增长主要来自低毛利引流品，应增加利润品和连带品的承接设计。例如在引流品成交后，安排更高毛利的升级款、组合装或补充品，而不是继续堆叠更多低价商品。

1. 按商品拆出实付销售额和贡献毛利。
2. 计算投流前后、退款前后的利润差异。
3. 识别销售额增长主要来自哪类商品。
4. 给引流品设置资源上限，增加利润承接节点。
5. 下一场直播重点观察客单价、组合购买率和综合贡献。

2. 当商品数量增长但有效成交品减少

这通常说明团队把新增商品当成增长动作，却没有建立退出机制。此时最重要的不是继续找更多商品，而是清理重复商品，重新定义测试周期。

可以把连续两至三场没有达到最低有效样本的测试品集中列出，逐个判断是“没有需求”“展示方式有问题”还是“测试条件不足”。如果无法提出下一次测试要验证什么，就不应继续保留。

3. 当选品团队工时快速上升

工时上升不一定意味着团队效率下降，也可能是业务正在扩张。但如果工时上升速度明显快于有效成交品数量，通常意味着选品流程出现了低效环节。

建议拆分工时来源：寻找商品、供应商沟通、样品测试、资料审核、内容制作和复盘整理。若大量工时集中在同质商品比价和资料返工，应优先建立标准化准入表和供应商资料模板。

对于供应商反复修改参数、无法按时寄样或报价频繁变化的商品，要把供应商协作成本纳入商品评分，而不是只看最终报价。

4. 当退款率和售后率上升

退款率上升时，不能只把责任归给供应商。需要同时检查主播话术是否夸大、详情页是否清楚、规格是否容易误解、优惠机制是否导致冲动下单，以及客服是否准确解释了使用边界。

如果某个商品销售贡献高但售后风险也高，可以暂时保留，但应降低资源扩张速度。先把规格、承诺、包装和发货流程稳定下来，再决定是否扩大投流。

5. 当货盘需要快速清库存

清库存的目标是回收资金和减少库存损失，不是追求商品长期排名。清库存商品可以采用专场、组合购、加价购或阶段性促销，但不应长期占据核心直播时段。

如果库存商品与主力商品存在使用场景关联，可以设计组合销售；如果它与主力商品完全无关，则应避免为了清库存而打乱用户对直播间品类的认知。

八、不同情况下的取舍：优化货盘不是追求所有指标同时最好

1. 引流与利润之间的取舍

引流品通常需要更低的价格、更强的视觉吸引力或更明确的即时权益，因此它的毛利率可能不如利润品。问题不在于引流品利润低，而在于直播间是否有承接路径。

如果直播间没有利润品、升级款或连带品，引流品越成功，低利润订单越多，团队越容易陷入“GMV 增长但利润承压”的状态。引流品不是坏商品，但它必须被放在正确的位置。

2. SKU 丰富度与运营复杂度之间的取舍

商品越多，理论上覆盖的需求场景越广；但商品之间的差异越小，用户选择成本和团队管理成本越高。对于早期团队，我通常建议优先建立少量角色清晰的商品组合，而不是追求大而全。

只有当团队已经具备稳定的数据采集、供应链响应和主播培训机制后，才适合逐步扩充 SKU。扩充的前提不是“还有空位”，而是新增商品能够覆盖现有货盘没有覆盖的价格、场景或利润任务。

3. 短期现金流与长期商品资产之间的取舍

清库存品可以快速回收现金，但频繁低价销售可能影响用户对价格的预期；高毛利新品有长期价值，但需要投入测试和教育成本。团队要根据现金流压力决定资源优先级。

4. 供应稳定与价格优势之间的取舍

价格最低的供应商不一定是最优供应商。如果它交付不稳定、质量波动大或售后响应慢，低采购价可能会被退款、补发和客服成本抵消。

我更关注供应商的综合履约成本，包括缺货次数、发货时效、质量异常率、售后响应时间和临时调价频率。直播货盘要追求的是可持续成交，不是某一场的最低进货价。

九、用九数云或表格落地一套可持续复盘流程

1. 第一步：统一商品、场次和渠道主键

所有订单、投流、售后、库存和选品记录，都应能通过统一商品编码关联。商品名称经常包含规格、颜色、活动词或临时简称，直接用名称匹配极易出现同品不同名、不同品同名的问题。

场次编码也要固定，例如日期、账号、直播间和场次类型组合成唯一编号。渠道则至少区分自然流量、短视频引流、付费投流、达人分发和私域触达。只有这样，团队才能判断商品是依靠自身转化，还是依靠某个渠道取得结果。

2. 第二步：建立商品成本台账

成本台账不需要一开始就追求财务系统级别的精确，但必须覆盖最容易被忽略的项目。建议设置以下字段：

• 采购成本和规格成本。
• 样品数量、样品费用和寄样物流费用。
• 供应商沟通次数和预计工时。
• 脚本、图片、视频和主播培训投入。
• 投流消耗、佣金、平台费用和优惠成本。
• 退款、补发、赔付和售后处理成本。
• 库存金额、预计周转天数和过期风险。

如果数据量较小，可以使用标准成本；如果商品数量和场次较多，建议按商品、场次、渠道建立明细表，再通过数据分析工具进行汇总。九数云在这个环节可以用来连接多张业务表，并把同一商品在不同场次的表现拉出来比较。

3. 第三步：建立商品角色变更记录

商品角色不是固定不变的。一个新品从测试品转为成交品，需要有明确的时间点和判断依据；一个长期成交品如果出现库存积压，也可能需要转为清库存品。

角色变更记录至少包括原角色、新角色、变更日期、变更原因和负责人。这样复盘时可以解释某个商品为什么获得了更多资源，也能避免团队一直用“新品测试标准”或“成熟商品标准”评价同一款商品。

4. 第四步：每周做一次商品结构复盘，每场做一次异常复盘

每场直播适合做快速异常复盘，例如缺货、退款突然上升、投流超支、价格配置错误或商品讲解超时。每周则适合做结构复盘，观察各类商品的销售、利润、库存和资源占比。

两种复盘不能混在一起。每场复盘处理执行问题，每周复盘处理结构问题。若每天都讨论 SKU 去留，团队容易被短期波动带着走；若只做月度复盘，又可能错过测试退出和库存止损时点。

5. 第五步：把复盘结果转成明确动作

一张看板如果只能展示数据，不能形成动作，价值就会停留在“看起来很专业”。每个商品复盘结果都应包含动作、责任人、完成时间和下次验证指标。

十、给选品团队的一套现场复盘方法

1. 先做三分钟异常扫描

复盘开始时，不要立即逐个讨论所有商品。先看整体结果：本场实付销售额、综合贡献、退款率、客单价、投流回收和库存异常是否偏离近几场水平。

如果整体没有异常，再看角色结构是否变化。例如引流品销售占比突然增加、利润品成交减少、测试品占用讲解时间上升，都可能比单个商品排名更早暴露货盘问题。

2. 再做商品四象限分组

把商品按照销售规模和综合贡献率分为四组，可以快速找到优先讨论对象。先讨论高销售低贡献商品，因为它们对整体利润影响最大；再讨论低销售高贡献商品，因为它们可能是被低估的增长机会；最后处理低销售低贡献商品。

不要让复盘会议从最差商品开始。最差商品通常影响有限，而高销售低贡献商品如果继续扩量，可能把问题放大。

3. 对每个异常商品只问五个问题

1. 它在货盘中承担什么角色？
2. 它的综合贡献是多少，而不是 GMV 多少？
3. 它消耗了哪些选品、内容和直播资源？
4. 它的结果是商品问题，还是展示、价格、流量或供应问题？
5. 下一场要保留、调整、观察还是退出，验证条件是什么？

这五个问题可以避免复盘重新变成经验争论。供应商可能认为商品没有问题，主播可能认为话术有问题，运营可能认为流量不准，财务可能认为毛利太低。只有把问题拆到角色、贡献、成本和验证条件上，团队才能形成可执行结论。

4. 最后只保留三类会议结论

第一类是资源增加，例如增加曝光、排期、内容和备货。第二类是条件性保留，例如调整价格或组合后再测试。第三类是资源停止，例如退出测试、停止投流或转入清库存流程。

会议记录不要写“继续观察”“优化一下”“后续再看”这类无法执行的句子。应该写成“下一场将价格从 X 调整为 Y，测试 30 个有效点击，若支付转化率仍低于某一内部基准，则退出测试”。

十一、哪些商品应该保留，哪些商品应该退出

1. 建议保留的商品

可以优先保留那些角色清晰、供应稳定、综合贡献为正、售后风险可控，并且能够在不同场次中复现结果的商品。

“可复现”比单场爆发更重要。如果商品只在某个主播、某个流量来源或某个促销节点下成交，团队需要将它标记为资源依赖型商品，而不是直接视为稳定核心商品。

2. 建议进入观察的商品

观察商品通常具备潜力，但数据不足或测试条件不完整。进入观察后，必须明确观察期限和下次测试目标。

例如，商品在短视频引流下点击率高，但直播间支付转化较低，下一步可以测试直播话术和权益；如果商品在低价促销下转化好，但正常价格没有成交，则需要验证真实价格接受度。

3. 建议调整的商品

调整商品不是“卖不好就换掉”，而是认为它可能有价值，但当前呈现方式或组合方式不适合。常见调整包括：

• 把单品改为组合装，提升场景完整性。
• 调整规格，让用户更容易理解价格差异。
• 把商品从黄金时段移到精准人群场次。
• 修改首屏卖点，减少与同类商品的重复。
• 降低主播讲解复杂度，增加对比和使用场景。

4. 建议退出的商品

连续多个验证周期没有有效成交、综合贡献持续为负、售后风险明显偏高、供应协作成本过高，且无法承担货盘必要角色的商品，应进入退出流程。

退出不等于立即清仓。部分商品需要先停止新增投入，再制定库存处理、供应商结算和用户售后安排。退出流程如果没有责任人和截止时间，商品会以“暂时不排”或“以后再试”的形式重新回到货盘。

十二、结尾：真正健康的货盘，是让每一份团队投入都有解释

1. 不要再用“商品多不多”评价货盘

货盘结构好不好，不取决于商品数量，也不取决于是否拥有一个短期爆品。真正需要观察的是，商品之间是否形成了清晰的价格梯度、用户路径和利润承接关系。

一个只有 15 个 SKU 的货盘，如果引流、成交、利润和连带角色完整，可能比拥有 60 个相似商品的货盘更有经营效率。商品少并不代表能力弱，商品多也不代表选择丰富。

2. 不要再让 GMV 替团队做全部决策

GMV 是结果指标，不是完整的经营答案。选品团队需要把采购、沟通、测品、内容、投流、售后和库存成本拉回商品层面，才能看清哪些商品真正创造了价值。

如果目前没有完整数据，可以先从最小版本开始：选取最近 10 场直播，给每个商品加上角色标签，补录贡献毛利、退款损失、选品工时和库存状态。即使初期采用估算，也比完全不记录隐性成本更接近真实经营。

3. 下一步可以直接这样做

1. 整理最近 10 场直播的商品和场次数据。
2. 统一商品编码、规格、供应商和渠道字段。
3. 给每个商品标记主要角色，并记录角色变更。
4. 计算实付销售额、贡献毛利和商品综合贡献。
5. 把商品放进“销售规模，综合贡献率”四象限。
6. 对测试品设置样本量、测试期限和退出条件。
7. 将复盘结论转成保留、扩量、调整、观察或退出动作。
8. 下一场直播只验证上一次复盘确定的关键变量。

我最想强调的一点是：货盘结构差，通常不是因为团队不会找商品，而是因为团队没有及时停止经营那些无法解释价值的商品。当选品团队开始同时关注商品角色、综合贡献、资源消耗和长期风险，直播数据复盘才会从“复述结果”变成“分配下一场资源的决策系统”。

免费注册

咨询方案

扫码咨询方案