去年秋天我接手过一次跨境团队的选品数据审计。ERP 里躺着 1.2 万个在售 SKU，覆盖 Amazon、Shopee、TikTok Shop、Temu 四个平台，团队每周还在按 300，500 个的速度新增刊登。老板给我看的第一张图是刊登量曲线，一路上扬，很漂亮；第二张图是过去 90 天的动销率，38%；第三张图是扣完广告、物流、平台佣金和退款之后的真实毛利率，能超过 15% 的 SKU 只占 8.7%。
这三张图放在一起，问题其实已经不在"选品眼光"上了。他们不是不会选品，而是从来没有用刊登数据反过来检查过自己的选品策略。ERP 里躺着足够多的证据，但没人知道该读哪几列、该怎么比、比完做什么。
这篇文章要讲的，就是怎么把这堆证据读出来。核心方法可以压成一句话：用多平台刊登数据做分平台对比，用统一口径做指标清洗，用行动规则做分层淘汰。刊登数据不是原因，是结果证据，它是唯一能低成本、批量、可回溯地告诉你"哪个品在哪个平台不该继续投入"的东西。
很多团队的 ERP 首页放的是"本月刊登量""刊登成功率""在售 SKU 数"。这三个数字放在首页，等于每天在给自己发安慰奖。我下面把判断直接给出来，后面再逐条拆解为什么。
第一，刊登量只能证明执行量，不能证明选品质量。刊登量高但动销率低，说明策略是"广撒网、靠概率"，这种策略在平台流量便宜的时代能活，在流量成本上行的阶段就是纯烧钱。
第二，真正有诊断价值的不是单平台绝对数，而是同一 SKU、同一时间窗、跨平台的相对位次。一个品在 A 平台排进类目前 20%，在 B 平台连曝光都拿不到，这个差异本身就是选品结论。
第三，没有行动规则的报表等于没有报表。如果一份选品检查表看完之后，没人知道哪个 SKU 要加预算、哪个要改主图、哪个要下架，那这份表的价值等于零。
刊登数量有一个非常讨巧的地方：它几乎完全由人为动作决定。运营想让它涨，加班两天就能涨。它不需要市场验证，不需要用户买单，不需要物流配合，也不需要平台认可。
而动销率、转化率、退货率、毛利率这四个指标，每一个都要经过真实市场检验。所以当一个团队的周报里只有刊登量、没有后四个指标时，通常不是忘了统计，而是后四个指标不好看。
我做过一个粗略的样本统计：在接触过的 20 多个中小跨境团队里，把"刊登成功率"当成核心 KPI 的团队，90 天动销率中位数大约在 41%；把"分平台毛利率"当成核心 KPI 的团队，90 天动销率中位数大约在 68%。这不是因果，但它说明考核什么，团队就往哪个方向堆动作。
我自己做选品策略审计时，用的不是一张表，而是一个乘法结构：
选品策略质量 ≈ 数据完整性 × 分平台对比深度 × 行动规则执行率
这个公式是乘法不是加法，意味着任何一项为零，结果就是零。数据缺字段，对比做不了；对比做不了，分层就是拍脑袋；分层没有行动规则，前面两步全白做。
我把见过的团队大致归成三类。归类的意义在于，不同类型的团队需要看的字段、设的阈值、做的动作完全不同，不能套同一套模板。
这类团队的组织方式通常是"运营按人头分平台，每人每天必须完成 N 条刊登"。ERP 里最重要的字段是刊登状态和刊登时间，最不重要的是毛利率和退货率。
他们的典型症状是：ERP 报表里能看到"本月新增 4200 个 SKU"，但看不到"这 4200 个里有多少在 30 天内拿到了第一个订单"。我见过的极端情况是，某个铺货团队 30 天内新增 SKU 的 30 日首单率只有 11%。
铺货策略本身不是错的，错的是没有淘汰机制。铺货的数学期望成立的前提是你能快速砍掉不动的尾部，把资源集中到头部。只铺不砍，就是在给平台交仓储费和广告测试费。
这类团队通常只做几十到两百个 SKU，深度运营单一平台，最近两年开始尝试第二、第三个平台。他们的痛苦不是 SKU 太多，而是不知道在新平台上该复制哪个品。
典型的对话是这样的：运营说"这个品在 Amazon 卖得好，TikTok 应该也行"，投放说"TikTok 的人群不一样"，老板说"那就都试试"。结果是同一批 SKU 在四个平台各铺一遍，三个月后每个平台都有一堆半死不活的链接。
这类团队最需要的是跨平台可比性：同一时间窗、同一成本口径、同一归因规则下的曝光、点击、转化、退货对比。没有这个，判断只能靠感觉。
代运营团队的问题更结构性。同一家代运营可能同时管 8 个客户的 20 个店铺，每个店铺有自己的 ERP 实例或至少有自己的数据视图。选品经验在项目之间无法沉淀，因为数据不在一起。
他们最需要的是跨店铺的同品对比：同一个产品在不同客户店铺、不同平台的表现差异，这既能指导投放，也能作为向客户交付的选品建议依据。
表面上看，三类团队的问题分别是"砍不掉""选不准""看不齐"。但往下一层，病根是同一个：没有把 ERP 里的刊登数据当成一个可以审计选品策略的数据集，而是把它当成了一个操作日志。
操作日志只回答"我做了什么"，审计底稿才能回答"我做的这些事值不值得继续做"。
下面这七条，每一条我都至少见过两次以上，而且每一次造成的损失都不是小数目。
刊登成功只说明平台接受了这条 listing，不说明任何市场需求。而且不同 ERP 对"刊登成功"的定义还不一样：有的指商品创建成功，有的指审核通过，有的指已经可以前台搜索到。这三种定义的含金量完全不同。
我一般会要求团队把刊登状态拆成至少四态：创建成功 / 审核通过 / 前台可搜 / 已产生曝光。只有第四态才和选品有关，前三态都是过程指标。
这是精品型团队最常踩的坑。一个品在某个平台卖爆，可能是产品好，也可能是那个平台当时流量便宜、竞争少、算法正好推了这个类目。等你把同一个品搬到第二个平台，红利消失，剩下的才是真实产品力。
跨平台一致性，是区分"产品力"和"平台红利"最便宜的方法。一个品如果能在三个平台都进入各自类目的中上游，它大概率真的解决了一个需求；如果只在某一个平台表现好，先别急着加注。
GMV 是所有指标里最容易做出漂亮数字的一个。促销、刷单、低价冲量都能堆 GMV，但它不告诉你这笔生意赚没赚钱。
我在审计时会强制加入三个字段：退款率、客诉率、履约时效达标率。这三个字段会立刻暴露出很多"看起来卖得好"的品。见过一个家居类 SKU，GMV 在团队里排前 5%，但退款率 23%，退货物流成本吃掉全部毛利，最终是负毛利。
转化率 3% 在某个类目可能是优秀，在另一个类目可能是垫底。退货率 8% 在服装类目算健康，在手机配件类目就是警报。同一套阈值跨类目、跨站点使用，结论必然是错的。
正确的做法是先用自己团队的历史数据算分位数，再用行业数据做交叉验证。前 25% 分位、中位数、后 25% 分位这三条线，比任何一个"行业平均值"都有用。
这是最根本的一条。多数团队采购 ERP 的目标是"提高刊登效率"，于是评估 ERP 的标准变成了"能不能批量上传、能不能一键翻译、能不能自动改价"。这些能力当然有用，但它们都指向"做得更多"，不指向"做得更对"。
我的建议是，在 ERP 选型或使用评估时，至少要看四个审计向能力：能否跨平台拉齐字段、能否自定义计算口径、能否做同品跨平台对比、能否输出可导出的分层结果。
这是最容易出错、也最难被发现的坑。同一笔订单，在四个平台上的成本结构完全不同：平台佣金比例不同、支付手续费不同、物流计费方式不同、广告归因窗口不同、退款处理规则不同。
如果 ERP 里的利润字段是"GMV 减采购成本"，那这个数字基本没有决策价值。我要求的最低口径是：净毛利 = 实收金额 − 采购成本 − 头程/尾程物流 − 平台佣金 − 支付手续费 − 广告花费 − 退款损失 − 仓储费。
这一条听起来最虚，实际杀伤力最大。我见过团队花了三个月做出一套非常漂亮的多平台选品看板，每周开一次会，看完之后大家的动作是，"下周继续观察"。
看板的价值不在看，在触发动作。每个分层必须绑定一个动作、一个责任人、一个时间窗。缺任何一项，这个分层就是装饰。
下面这套五层模型，是我自己在多个团队落地后收敛出来的版本。层次顺序不能颠倒，因为下一层的结论依赖上一层的干净数据。
这一层最枯燥，但决定后面四层有没有意义。要检查的是：SKU/SPU/变体的编码规则是否统一、平台类目到内部类目的映射是否唯一、成本口径是否一致、币种和时区是否统一、仓库归属是否清楚。
我常用的一个快速体检方法是抽 30 个 SKU，手工从各平台后台拉一遍原始数据，和 ERP 里的字段做逐项比对。如果 30 个样本里有超过 3 个对不上，说明主数据层需要先修复，此时做任何分析都是浪费。
这一层看的是"上了，但上得对不对"。核心不是刊登成功率，而是失败原因分布和合规完整度。
失败原因分布能告诉你很多东西：如果是类目映射失败占多数，说明主数据有问题；如果是属性缺失占多数，说明刊登模板设计有问题；如果是合规审核不通过占多数，说明选品阶段就没有做合规筛查，问题最严重。
这一层是选品策略诊断的核心。要拆的是曝光、点击率、转化率三个环节，并且必须分平台看。
判断逻辑很简单但很有效：曝光低说明平台没给流量（可能是类目、价格带、关键词问题）；曝光高点击低说明主图和标题不吸引人；点击高转化低说明详情页、价格、评价、物流时效有问题。三个环节对应三种完全不同的修法，混在一起谈就是空话。
这一层决定要不要继续投入。要看退货率、客诉率、库存周转、缺货率、发货时效达标率，以及扣完所有费用后的真实毛利。
我的经验是，这一层是淘汰决策的主要依据，而不是流量层。一个品流量差但利润结构健康，可以优化；一个品流量好但利润结构为负，必须淘汰，且要快。
放在最后一层不是因为它不重要，而是因为它通常是"一次性确认"的：认证是否齐、侵权风险是否有、税务和 KYC 是否合规、类目是否有准入门槛。
我把它单独成层的理由是：前四层的失败是亏钱，这一层的失败可能是封店。风险量级不同，处理方式也应该不同。
五层检查完，需要一个收敛机制，否则就是一屋子数据加一屋子观点。我用的方法是加权评分，然后按分位切四档。
| 层级 | 关键指标 | 建议权重 | 数据来源 | 异常阈值方向 |
|---|---|---|---|---|
| 第一层 主数据 | 字段完整率、类目映射准确率 | 10% | ERP 主数据表 | 低于 95% 需先修复 |
| 第二层 刊登健康 | 审核通过率、合规完整度、失败原因集中度 | 15% | ERP 刊登日志 | 合规失败占比 >10% |
| 第三层 流量转化 | 曝光、点击率、转化率（分平台） | 25% | 平台后台 / ERP 拉取 | 低于同类目后 25% 分位 |
| 第四层 履约利润 | 退货率、客诉率、库存周转、净毛利 | 35% | 订单 + 财务数据 | 净毛利为负即触发淘汰评估 |
| 第五层 合规风险 | 认证齐备率、侵权风险、KYC 状态 | 15% | 平台规则 + 内部审核 | 存在高风险项直接降档 |
权重不是固定的。品类不同、阶段不同，权重应当调整。新品期可以适当提高第三层权重，成熟期必须提高第四层权重。但第五层永远是"一票降档"项，不参与加权。
分层规则我一般这么切：总分前 15% 为 S 类，15%，45% 为 A 类，45%，80% 为 B 类，后 20% 为 C 类。切分点根据团队资源决定，如果资源只能支撑 50 个 SKU 加推，那 S 类数量就应该控制在 50 个以内。
下面这个案例是我在 2024 年做的一次真实审计，数据已做脱敏处理，类目、平台名和绝对数值都做了同比缩放，但结构性差异是真实的。
审计对象是一个家居收纳类 SKU，同一个产品，在 Amazon、Shopee、TikTok Shop、Temu 四个平台同时刊登。时间窗是连续 90 天。成本口径统一为：实收金额减去采购成本、头程物流、尾程配送、平台佣金、支付手续费、广告花费、退款损失和仓储费。
需要说明的是，广告归因窗口各平台不同，这里统一采用各平台默认归因窗口的结果，不做跨平台归因对齐。这是这套对比的一个已知局限，也是我在做这类审计时会主动向团队标注的地方。
| 指标 | Amazon | Shopee | TikTok Shop | Temu |
|---|---|---|---|---|
| 90 天曝光量指数 | 100 | 74 | 186 | 142 |
| 点击率 | 0.51% | 0.63% | 1.24% | 0.78% |
| 转化率 | 8.2% | 4.1% | 2.6% | 5.4% |
| 退款率 | 6.1% | 9.4% | 14.7% | 11.2% |
| 履约时效达标率 | 97% | 88% | 81% | 93% |
| 净毛利率 | 18.4% | 6.2% | −3.1% | 2.7% |
这张表如果只看曝光和点击，结论会完全反过来。TikTok Shop 的曝光指数最高、点击率最高，看起来是"最有潜力的平台"；但它的退款率也是最高、履约达标率最低、净毛利为负。
这就是多平台刊登数据最典型的陷阱：前端指标最好看的平台，可能是后端亏得最多的平台。
我当时的判断是，这个 SKU 在不同平台上面向的其实是不同的购买动机，而团队用同一套 listing 和同一套定价打了四个平台。
Amazon 的转化率 8.2%，说明搜索意图明确、比价充分，用户是真的在找这类产品。TikTok Shop 的点击率 1.24% 但转化率只有 2.6%，说明内容吸引力强、但落地页承接不住，典型的"冲动点击、理性放弃"。
Temu 的退款率 11.2% 对应的是低价预期落差，Shopee 的 9.4% 更接近物流时效问题。这两个平台的退款原因完全不同，但团队当时用的是同一套售后话术和同一个补发规则。
真正的问题不在产品，在策略层面把"一个 SKU"当成了"一套打法"。四个平台需要四套定价、四套主图、四套物流方案，甚至四套退货政策。
上面这套对比，如果靠人工从四个平台后台导出再拼表，一个 SKU 大概要 40 分钟，20 个 SKU 就是 13 个小时。这个耗时决定了它不可能每周做一次，只能做成季度项目，而季度频率对淘汰决策来说太慢了。
所以到了第二阶段，我把这套检查固化成了工具流程。以数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm_unit=gys）这类跨境电商数据分析工具为例，它的价值点在于把多平台的刊登、订单、广告、退款数据拉到同一张底表里，用统一字段做对比。
这一步听起来简单，实际是整个检查链条里最难的环节。因为跨平台字段对齐涉及三个技术细节：SKU 编码映射、币种与汇率时点、退款和广告的归因口径。任何一项处理不当，产出的毛利数据都不可信。
我的建议是，用这类工具时不要一上来就做全量看板，先做一件事：把同一个 SKU 在四个平台的净毛利算出来，和手工核算的结果对一遍。如果差异在 2 个百分点以内，说明口径可用；超过 5 个百分点，先回去修口径。
-- 跨平台同品净毛利对比的取数逻辑（伪代码示意） -- 目的：验证工具口径与手工核算是否一致 SELECT sku_id, platform, -- 实收金额：扣除平台补贴、优惠券后的实际入账 SUM(paid_amount) AS revenue, -- 采购成本：按批次加权平均，不使用最新采购价 SUM(unit_cost * qty) AS cogs, SUM(shipping_cost) AS logistics, SUM(commission + payment_fee) AS platform_fee, SUM(ad_spend) AS ad_cost, SUM(refund_amount + return_shipping) AS refund_loss, SUM(storage_fee) AS storage, -- 净毛利口径：所有项扣完，不用"GMV - 采购成本" (SUM(paid_amount) SUM(unit_cost * qty) SUM(shipping_cost) SUM(commission + payment_fee) SUM(ad_spend) SUM(refund_amount + return_shipping) SUM(storage_fee)) / SUM(paid_amount) AS net_margin FROM cross_platform_order_fact WHERE order_date BETWEEN :start_date AND :end_date AND sku_id IN (:sample_sku_list) GROUP BY sku_id, platform ORDER BY sku_id, net_margin DESC;
这段逻辑本身不复杂，但它把"净毛利"的定义固定下来了。定义固定之后，不同平台之间的数字才有可比性，跨团队、跨季度才有连续性。
下面按团队规模和阶段给出具体动作。每条建议都标注了前提条件，不满足前提时不要照做。
这个阶段不需要复杂看板，需要的是把核心口径定下来。建议只做三件事。
这个阶段的常见错误是过早引入复杂工具。数据量小的时候，一张规范的表格比一套看板更有效，因为你对每个 SKU 是有具体记忆的。
这个规模是分水岭。人工核算开始吃力，但数据量还不足以支撑复杂的自动化。建议重点做两件事。
第一，把净毛利核算自动化。接入订单和财务数据，让系统每天算出每个 SKU 的净毛利，人工只负责核对异常值。
第二，建立分平台的类目基准。用自己团队的历史数据算点击率、转化率、退货率的 25/50/75 分位，作为分层的参考线。不要用行业均值，要用自己的分位数。
这个阶段最适合引入数跨境这类工具，原因是数据量已经到了"人工做不完、但结构还清晰"的区间，工具化的边际收益最高。
这个规模的团队，核心矛盾是"铺得动、砍不动"。建议的动作必须带上强制性。
最后一条最关键。考核指标不换，纪律就永远建立不起来。
这类团队的建议更偏架构层面。核心是建立跨店铺的统一 SKU 编码体系，确保同一个产品在不同客户店铺里能被识别为同一个 SKU。
然后做一件很有价值的事：把同一个产品在所有店铺、所有平台的表现拉成一张横向对比表。这张表本身就是最好的选品建议素材，也能量化代运营的选品能力，对交付和续约都有帮助。
如果你的 ERP 里连成本字段都不全，先不要谈分析。这时候的动作顺序是：先补字段，再补流程，最后才谈工具。
补字段的顺序我建议是：采购成本 → 物流成本 → 平台佣金规则 → 退款字段 → 广告花费。前两个是基础，后三个决定利润核算的精度。这个过程通常需要两到四周，期间不要指望能产出可靠的选品结论。
检查方法本身不难，难的是在资源有限时决定放弃什么。这一节讲的是取舍逻辑，不是标准答案。
完整的净毛利核算需要等退款周期走完，通常滞后 30，60 天。而选品决策往往需要在两周内做出来。这时候就必须取舍：要么用不完整的口径快速决策，要么等完整口径但错过窗口。
我的做法是双口径并行：一个"快速口径"（只扣采购、物流、佣金，不含退款和广告），用于周度决策；一个"完整口径"（全部扣完），用于月度分层和淘汰。快速口径用来发现异常，完整口径用来做最终判断。两者不能混用。
你是把 2000 个 SKU 都粗看一遍，还是把 100 个 SKU 深挖到底？这两个选择对应的结论完全不同。
我的判断标准是：如果你连哪些 SKU 在赚钱都不知道，先做广度；如果已经知道头部是哪些，再做深度。很多团队跳过广度直接做深度，结果是在一个本来就不该做的品上投入了大量分析精力。
SKU 数量少、平台少的时候，自建表格更灵活。SKU 数量上来之后，自建的成本会快速上升，而且维护成本往往被低估，数据接口会变、平台字段会变、汇率会变，这些维护工作量是持续的。
我的经验分界线是：三个平台以上、1000 个 SKU 以上，采购成熟工具的综合成本通常低于自建。低于这个规模，自建反而更快，因为你的口径还在变化，工具不一定跟得上。
这一点在做分层时特别明显。有的 SKU 短期毛利很高，但退货率在上升、客诉在增加，属于"看起来该加推、实际该收缩"的类型。
我的处理规则是：分层结果必须叠加趋势判断。单期数据只能定档，连续三期数据的趋势才能定动作。一个 SKU 从 S 类掉到 A 类，比一个 SKU 稳定在 A 类更值得警惕。
多平台刊登的最大诱惑是"不把鸡蛋放一个篮子"，但成本也很实在：四套运营、四套物流、四套售后，管理成本可能翻三倍。
我一般建议团队用数据来决定要不要开下一个平台：先看现有平台里，有没有 SKU 的净毛利已经连续两期低于 5%，如果有，先把这些品清掉再谈扩张。用不赚钱的存量去做新平台测试，是最常见的资源错配。
| 取舍维度 | 倾向 A 的判断条件 | 倾向 B 的判断条件 | 可逆性 |
|---|---|---|---|
| 精度 vs 速度 | 决策窗口 >30 天，用完整口径 | 决策窗口 <14 天，用快速口径 | 高，可双口径并行 |
| 广度 vs 深度 | 不清楚哪些 SKU 在赚钱时先做广度 | 头部已明确时做深度 | 高，可分阶段切换 |
| 自建 vs 采购 | 平台 ≤2 个、SKU ≤1000 时自建 | 平台 ≥3 个、SKU >1000 时采购 | 中，迁移有成本 |
| 短期爆款 vs 长期结构 | 连续三期趋势向上时加推 | 单期好看但趋势向下时收缩 | 低，库存和广告已投入 |
| 平台分散 vs 集中 | 存量平台净毛利健康时扩张 | 存量有大量低毛利 SKU 时先收缩 | 低，团队和库存已配置 |
最后给一份可以直接照着走的清单。我通常建议团队用一周时间跑完第一轮，第二轮之后可以压缩到两天。
第一步，确认字段和权限。列出你要分析的指标清单，然后逐个确认数据能不能取到、取数权限有没有、更新频率是多少。这一步最常见的结果是发现某个关键字段根本拿不到，那么整个检查设计需要调整。
第二步，拉取近 30 天和近 90 天两个时间窗的多平台数据。两个窗口的用途不同：30 天看近期异常，90 天看结构趋势。
第三步，校验口径。抽 30 个 SKU，手工核算净毛利，和系统结果比对。差异超过 5 个百分点就不要往下走，先修口径。
第四步，按前文的五层模型建评分表，设置分平台、分类目的基准线。基准线用自己的历史分位数，不要用行业均值。
第五步，开选品审计会。这个会的目的不是汇报，是定动作。会议产出应该是一份明确的清单：哪些加推、哪些优化、哪些观察、哪些淘汰，每项带责任人和时间。
第六步，执行。这里我想强调一点：淘汰动作要一次性做干净，不要分批试探。我见过团队每次只下架 20 个 SKU，改了三个月还在改，资源始终没有释放出来。
第七步，复盘并固化为月度流程。复盘要看的不是"这周做了什么"，而是"上周定的动作，有多少按计划执行了"。如果执行率低于 70%，那问题不在数据，在执行机制。
回到最开始那个团队。他们后来做的事情其实很简单：把刊登成功率从核心 KPI 里拿掉，换成"新增 SKU 的 30 日首单率"和"分平台净毛利率"，然后按五层模型跑了一轮审计，一次性淘汰了 4300 个 SKU。
三个月之后，在售 SKU 降到 6800 个，90 天动销率从 38% 回到 57%，净毛利超过 15% 的 SKU 占比从 8.7% 升到 21%。总 GMV 没有下降，反而小幅上升。
这个结果没有什么神奇的技巧，全靠一件事：他们终于开始用刊登数据去审计选品策略，而不是用它来证明自己很忙。
我在这篇文章里的核心观点只有一个：多平台刊登数据的真正价值不在"铺了多少"，而在"比出什么差异"。同一 SKU 在不同平台的曝光差异、转化差异、退款差异、毛利差异，这四个差异叠加起来，就是一份关于选品策略的体检报告。
而这份报告要产生价值，需要三个条件同时成立：字段口径统一、分平台对比可执行、分层结果绑定动作。缺任何一个，数据就只是数据。
如果你现在就想动手，我建议按这个顺序：今天先抽 30 个 SKU，手工算一遍净毛利；这周把净毛利口径固定下来写进文档；这个月跑完第一轮完整审计。不要一上来就买工具、做看板，先用最小成本验证你的口径能不能跑通。口径跑通了，工具才有意义。
用一句我常对团队说的话收尾：选品策略的质量，从来不是靠选品会上的讨论决定的，而是靠刊登数据里那些没人愿意看的尾部 SKU 决定的。
我们团队用 ERP 也有两年了，但每次开选品复盘会，运营拉一张表、老板拉一张表，口径永远对不上。我一开始以为是自己不会用报表，后来发现是压根没想清楚该拉哪些字段，刊登状态、曝光、退货这些散在不同模块里，导出来就乱了。
至少拉四组字段并统一口径。第一组商品主数据：SKU/SPU、变体关系、类目、属性、采购成本、重量尺寸；第二组刊登数据：平台、站点、刊登状态、刊登时间、失败原因、合规状态；第三组经营数据：曝光、点击、加购、订单、GMV、退款、退货、客诉、广告花费；
第四组履约数据：库存、可售天数、缺货、发货时效、物流成本。口径上先做四件事：去重（同 SKU 多站点别重复计数）、币种统一折算、时区统一到同一基准、退款按归因周期回填而不是按下单日算。字段不全就先补权限，口径不统一就先别做评分，否则后面所有分层结论都是错的。
我遇到过最纠结的情况：同一个 SKU 在 A 平台能出单，在 B 平台几乎没曝光，我一开始以为是 B 平台不适合这个品，差点直接砍掉。但同事说可能是标题关键词和主图没适配，改一改就能起来，我到现在也没搞清楚怎么判断。
用“曝光→点击→转化”三段拆开定位。曝光极低，通常是关键词、类目、属性或平台流量结构问题，属于 listing 适配层，先别判选品死刑；曝光正常但点击率明显低于同平台同类目水平，多半是主图、价格带、标题卖点问题；曝光和点击都正常但转化差，才更可能是需求真实性、评价、运费或履约体验的问题。
做法是同一 SKU 在至少两个平台跑够可判断的样本量（比如各站点累计足够点击后再看转化），分平台设基准而不是全平台一个阈值，再对比两平台的标题、主图、价格、运费差异。如果改完 listing 后 B 平台点击和转化仍然没有改善，才把结论落到“平台适配性差”，进入观察或淘汰。
我看过很多文章直接给一套分数表，说多少分加推、多少分淘汰，但我照着一套用，发现我们类目根本套不上，有的品在别人那儿是 A，在我们这儿就是亏。我也知道要按自己数据校准，但具体怎么校准完全没头绪。
阈值必须用自己历史数据校准，不能用别人的绝对值。做法分三步：第一步，拉近 6，12 个月已经跑完一个完整周期的 SKU，按最终结果分成“加推过且赚钱”“优化过转正”“淘汰”三组；第二步，看这三组在刊登健康、点击率、转化率、退货率、毛利率、库存周转上的分布差异，取能区分三组的分界值作为初始阈值；
第三步，按平台和类目分别设，因为不同站点的流量成本和退货水平天然不同。分层规则建议：S 类是多平台表现一致且扣完广告、物流、平台费后利润健康，动作是加预算加库存；A 类是流量或转化有一项偏弱但利润为正，动作是优化 listing；B 类是数据量不足或季节性明显，动作是继续观察一个周期；
C 类是持续亏损、高退货或有合规风险，动作是淘汰。每季度用新数据回测一次，阈值漂移是正常的。
我们就是三五个人的小团队，ERP 有是有，但每次想做个多平台对比，都要手动导表、拼 Excel，搞一次要大半天，做完还没人看。我很想知道有没有更省力的落地方式，而不是每次都靠临时抱佛脚。
不要追求大而全的看板，先固定一张“选品审计表”跑起来。具体做法：第一步，在 ERP 里锁定一个固定时间窗（比如近 30 天和近 90 天两个口径），只拉固定字段，字段清单一次定好不再改；第二步，用 ERP 的自定义报表或定时导出功能，把多平台数据汇总到一张表，不要每次重新拼；
第三步，表里只保留四列结论：刊登健康、流量转化、履约利润、本期动作，动作只允许“加推/优化/观察/淘汰”四种；第四步，节奏上定为周看异常（退货、缺货、刊登失败突然升高）、月做分层、季调阈值，会议不超过一小时，每个动作要有责任人和复盘日期。
判断依据很简单：如果你的报表看完没有产生任何一个被指派的动作，这张报表就是无效的，应该砍掉字段而不是加字段。ERP 支持自定义报表和定时拉取的程度各家不同，选型或设置前先确认数据延迟和字段覆盖范围，避免拿到过期数据做决策。
读者评论
文章把刊登量比作‘审计底稿’很到位。很多铺货团队不是不会铺，而是缺少淘汰规则。若ERP能按首单率、动销率自动分层，运营才知道该砍哪个SKU，而不是继续按人头冲刊登量。
跨平台相对位次这一点最有价值。同一SKU在Amazon和TikTok表现差异大，往往不是产品不行，而是平台红利和人群不同。用统一时间窗和成本口径对比，能少交很多试错费。
关于阈值不能一套通用很认同。服装退货率和手机配件退货率本来就不是一个标准，应该先看自己历史数据的分位数，再看行业值。否则报表做出来也只是看着专业。
从ERP选型角度看，能否跨平台拉齐字段、自定义口径、输出分层结果，比批量上传更关键。否则数据只是操作日志，没法回答哪个品该加预算、哪个该下架。