去年Q3，我接手了一个母婴品牌的商品分析复盘。当时的背景是：SKU数从年初的420个膨胀到780个，但季度GMV只涨了11%，库存周转天数从45天恶化到68天。运营团队给我的第一版分析报告有37页，里面塞满了各品类的销售额占比、同比环比、TOP50 SKU明细，数据很全，但当我问"所以下个季度应该砍哪些、留哪些、补哪些"时，会议室安静了整整15秒。那份报告最终没有推动任何决策，因为它回答的是"发生了什么"，而不是"该做什么"。
这件事让我重新审视"商品分析"这个岗位的核心价值。市面上绝大多数教程都在教你算指标、搭看板、写SQL，但很少有人讲清楚一件事：商品分析的本质不是数据加工，而是把模糊的经营问题翻译成可执行的组合决策。而"组合优化"这个词，恰恰是这个翻译过程中最容易被误用、也最能体现分析功力的环节。这篇文章不讲概念定义，只讲我在实际项目里跑通过的流程、踩过的坑，以及一套可以直接套用的操作框架。
如果你只从这篇文章带走一句话，我希望是这句：商品分析语境下的组合优化，目标不是找到数学意义上的全局最优解，而是在有限货架、有限预算、有限供应链能力的约束下，找到一个"业务上可执行的次优解"，并且这个次优解要能被业务方理解、接受、落地。
为什么这么说？因为真正的数学组合优化（比如背包问题、设施选址问题）追求的是在明确约束下求极值，输入输出都是确定的。但商品分析面对的现实是：约束条件本身在变（预算每月调整、供应商交期波动、竞品突然降价）、目标函数是多元且冲突的（毛利要高、周转要快、用户体验要好）、决策者不是一个人（采购、运营、财务各有诉求）。在这种环境下，追求"最优解"往往意味着分析做了三个月，市场已经变了。
所以我把商品组合优化的工作目标重新定义为三个层次，按优先级排序：
这三层的顺序不能颠倒。我见过太多分析师把"可迭代"放在第一位，搭了一套复杂的自动化模型，结果业务方看不懂，模型跑出来的建议没人执行，最后整套系统沦为摆设。在商品分析这个领域，分析的"说服成本"往往比分析的"技术难度"更决定成败。
抽象地讲"组合优化"没有意义，我直接用三个我实际处理过的场景来说明，它们分别对应品类结构、价格带、关联销售三个维度。
回到开头那个母婴品牌。780个SKU里，真正贡献80%GMV的只有约140个，剩下640个SKU里有217个近90天动销为0或1。但运营不敢砍，理由是"这些SKU有长尾客户""砍了竞品会抢份额""供应商那边不好交代"。
这就是典型的品类结构组合优化问题：不是简单的"砍滞销品"，而是要在"保留长尾价值"和"释放货架与资金效率"之间找平衡点。我当时的做法是把所有SKU放进一个二维矩阵：横轴是贡献度（GMV贡献+毛利贡献的加权），纵轴是动销健康度（近90天动销频次）。结果是四个象限，每个象限对应不同的处置策略。
另一个case是一个做小家电的品牌。他们的商品价格从39元覆盖到1299元，运营很自豪地说"我们价格带很全，什么客户都能接"。但拉出数据后发现：79-159元区间贡献了61%的销量，159-299元区间贡献了22%，而300元以上价格带SKU数量占了34%，销量却只有6%。
这就是价格带组合的典型问题：价格带的"宽度"不等于"竞争力"，真正的判断标准是每个价格带上是否有"锚点商品"，即能代表这个价格带价值主张、能引流也能转化的核心单品。很多品牌的问题不是价格带不够全，而是每个价格带都浅尝辄止，没有一个能打透。
第三个场景是我帮一个食品品牌做的。他们的SKU有200多个，但用户平均购物篮只有1.7件，客单价上不去。运营想推"满减凑单"，但效果一般。我用购物篮关联规则跑了一遍数据，发现了一个被忽视的组合：某些早餐类目和冲调饮品的关联度异常高，但这两个品类在店铺里的陈列位置相隔很远，用户要翻好几屏才能同时找到。
这个发现直接推动了"早餐场景组合专区"的上线，上线一个月后，该专区客单价比全店均值高出43%。组合优化的第三个战场，不是SKU数量的增减，而是SKU之间关系的重新发现和物理呈现。
这是最常见也最致命的问题。很多分析师潜意识里认为，只要我把销售额、销量、毛利、周转、同比、环比、环比、环比全列出来，总有一个角度能打动业务方。但现实是，当一份报告同时呈现12个指标、47个SKU维度、6个时间切面时，业务方的认知负荷会直接超载，最后只能记住"数据很多，但不知道要干什么"。
我的经验是：一份能推动决策的商品分析报告，核心结论不超过3条，每条结论背后支撑的指标不超过2个，且必须有一个明确的行动指向。数据全面是过程，结论聚焦才是结果。
我见过一些有运筹学背景的分析师，一上来就想用整数规划、动态规划来解商品组合问题。这在理论上是成立的，但在业务场景里往往跑不通，原因有三个：
我的建议是：把数学优化当作辅助验证工具，而不是主分析框架。先用业务逻辑得出一个初步的处置方案，再用简单的量化方法（比如线性加权评分、矩阵分组）验证和排序，最后用业务常识做终审。这样出来的结论，业务方能理解，也能接受。
很多分析师做商品分析时，习惯只取一个时间点（比如上个月）的截面数据。但商品组合是一个动态系统，今天的滞销品可能是上周的爆款，今天的高毛利品可能下周就滞销了。静态截面的分析结论很容易在两周后失效，这也是为什么很多分析报告"做完就过时"。
我在实际项目中会做至少三个时间切面的对比：近30天、近90天、去年同期。三个切面看的是三件事，短期波动有没有异常、中期趋势是什么方向、长期结构有没有变化。只有三张切片放在一起，才能判断一个SKU是"真不行"还是"暂时不行"。
这是最让人惋惜的一类误区。分析师花两周做出了一份漂亮的报告，交付之后就不管了。但真正的效果发生在交付之后，业务方怎么理解、怎么分工、怎么执行、遇到阻力怎么调整。我自己踩过的最大的坑，就是有一次分析结论完全正确，但因为没提前和采购部门对齐，执行到一半被叫停，整个项目前功尽弃。
后来的经验是：报告交付不是终点，而是起点。至少在交付后一到两周内，要主动跟进两件事，业务方有没有理解核心结论，以及执行过程中有没有遇到不在分析框架内的阻碍。
基于上面这些教训，我把自己实际在用的分析流程整理成四步。这四步不是理论框架，是我在多个项目里反复打磨出来的操作步骤，每一步都有明确的输入、输出和判断标准。
第一步最容易被跳过，但恰恰决定后面所有工作的有效性。判断一个商品问题是否属于"组合优化"范畴，我的标准只有一个：这个问题的解决方案，是否涉及"多个SKU之间的相对关系调整"。
举例来说："某款商品销量下滑"，这不是组合优化问题，这是单品问题，用单品诊断方法。"某价格带的商品整体卖不动"，这也不是组合优化，这是价格带定位问题。"某价格带里该保留哪几款、砍掉哪几款、补进哪几款"，这才是组合优化。
定义清楚问题边界的另一个好处是，你能提前明确"这个问题需要哪些数据"。组合优化通常需要三类数据：商品自身属性（品类、价格、规格、毛利）、商品间关系（关联购买、替代关系）、商品与业务的连接（库存、供应链、促销计划）。数据准备阶段就该把这三类对齐，避免分析做到一半发现缺数据。
不同场景下，组合优化要看的指标是不一样的。我把常见指标整理成一张对照表，方便大家按场景取用：
| 分析场景 | 核心指标 | 辅助指标 | 关键判断逻辑 |
|---|---|---|---|
| 品类结构优化 | GMV贡献度、毛利贡献度、动销频次 | 库存周转天数、退货率、复购率 | 高贡献+低动销需诊断原因，低贡献+高动销可观察，双低优先处置 |
| 价格带优化 | 各价格带销量占比、SKU数量占比、锚点商品集中度 | 价格弹性、连带率、转化率 | 价格带宽度不是关键，锚点商品是否存在才是关键 |
| 关联销售优化 | 购物篮系数、关联规则支持度/置信度/提升度 | 场景标签覆盖率、组合专区转化率 | 高置信度+低支持度组合是潜力区，高支持度组合是优化区 |
这里要特别提醒一个细节：不同企业、不同业务线对同一个指标的口径可能完全不同。比如"动销率"，有的企业算的是"近30天有销量的SKU占比"，有的是"近90天有销量的SKU占比"，有的是"销量达到某阈值的SKU占比"。同一个数字，口径不同，结论可能完全相反。所以我在每个项目开始前，都会先和业务方对齐一次指标口径，把定义写进分析文档。
组合优化最容易犯的一个错误是：直接根据指标排序得出结论。比如"GMV贡献最低的100个SKU砍掉"，听起来合理，但可能砍掉了未来的爆款苗子，或者砍掉了某个重要客户专属的定制SKU。
我的做法是：任何结论在形成之前，至少经过两组对比验证。第一组是时间对比，这个SKU的指标趋势是持续恶化还是偶发波动。第二组是分组对比，把SKU按不同分组方式（价格带、品类、上新时间、客户群）切分，看结论在哪个分组里成立、哪个分组里不成立。
举个例子：一个SKU近30天动销为0，看起来该砍。但如果它在去年同期动销很好，且属于明显的季节性品类，那结论应该是"保留并等待旺季"。另一个SKU近30天动销为0，去年也差，属于典型的常年滞销，那就该果断处置。同样的数据表现，背后的业务含义可能完全相反，这就是为什么"对比验证"这一步不能省。
分析结论要转化为业务动作，中间隔着一道"翻译"的鸿沟。我见过太多分析师直接把分析表格甩给运营，结果运营看不懂；也见过运营曲解分析结论，执行出相反的效果。解决这个问题的方法是，每条结论都配一段"业务动作说明"，用业务方听得懂的语言描述"该做什么、为什么、预期效果"。
我常用的话术模板是这样的：
这种话术看起来啰嗦，但它的作用是把分析结论从"专业语言"翻译成"行动语言"，业务方拿到之后不需要额外解释就能执行，执行过程中也知道该重点关注什么。
讲完方法论，我用一个真实的工具使用场景来演示。这里我要以"数跨境"（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）为例，因为它是目前我接触过的、把"商品组合分析"这个环节做得比较系统的跨境数据工具之一，适合作为流程演示的载体。需要说明的是，工具只是手段，重要的是背后的分析流程。
假设我们运营一个跨境电商店铺，主营家居类目，店铺内SKU数量约350个，覆盖从9.9美元到199美元的价格带。近期店铺整体GMV增长放缓，但广告投入持续增加，ACOS（广告花费占销售额比）从早期的18%上升到27%。运营判断是"流量越来越贵"，但我想验证的是：会不会是商品组合本身出了问题，导致流量效率被结构性浪费？
这就是一个典型的组合优化问题。定义为：在既定的流量预算下，如何通过调整SKU的组合结构（保留哪些、培育哪些、淘汰哪些），让整体流量效率最高。
通过数跨境的商品分析模块，我可以拉取到店铺维度下的多维数据。我关注的核心维度包括：
这里的关键不是数据量，而是数据维度的选择。我通常只保留四到六个核心维度，因为维度越多，后续的可解释性越差。比如"曝光量"和"点击量"其实高度相关，不必都留；"广告花费"和"ACOS"也是同类信号，保留一个即可。
数据拉取之后，我用一个简单的二维矩阵做初筛。横轴是"流量效率"（用点击转化率衡量），纵轴是"盈利效率"（用毛利贡献和ACOS的比值衡量）。把350个SKU全部打散到这个矩阵里，得到四个典型象限：
| 象限 | 流量效率 | 盈利效率 | 典型SKU占比 | 处置策略 |
|---|---|---|---|---|
| 明星象限 | 高 | 高 | 约12% | 加大流量倾斜，重点培育为锚点商品 |
| 潜力象限 | 高 | 低 | 约23% | 诊断低盈利原因，是定价问题还是成本问题，针对性优化 |
| 观察象限 | 低 | 高 | 约18% | 流量分配是否不足？测试性加投，看能否转化到明星象限 |
| 问题象限 | 低 | 低 | 约47% | 优先处置，但需先排除季节性和上新期因素 |
初筛出来之后，问题象限的47%SKU是重点。但我不会直接砍，而是再做一轮时间对比，把它们在近30天、近90天、去年同期三个时间段的表现拉出来，看是持续低迷还是偶发波动。
结果发现：47%里真正该立即处置的只有约14%（占全店的6.6%），有11%属于季节性商品（家居类目旺季在特定月份），有15%属于新上架测试期（不满60天），还有7%是高关联组合的一部分，虽然自身表现差，但能带动其他SKU，不能简单砍掉。
除了二维矩阵，我用数跨境的关联分析功能跑了一遍购物篮数据，发现了两个之前没注意到的组合机会：
这两个发现就是典型的"组合优化"价值，不改变单个SKU的任何参数，仅仅通过重塑SKU之间的关系（推荐关系、定价关系、陈列关系），就能带来可观的效率提升。这种优化往往比砍SKU更温和、更容易被业务方接受。
整个分析做完，我给出的核心结论只有三条：
执行跟踪三个月后的数据是：整体ACOS从27%下降到22%，SKU数量从350个精简到310个，但GMV不降反升了8%。这个案例让我更确信一个判断：商品组合优化的收益，很多时候不是来自"做更多"，而是来自"做更对"。
方法论是通用的，但行动建议必须分场景。我按团队规模、分析成熟度、业务阶段三个维度，梳理出不同情况下的具体建议。
如果你是一个人负责商品分析（大多数中小电商的情况），我的建议是：不要追求分析框架的完美，先解决最痛的那个问题。比如库存积压严重，就先做库存结构分析；流量效率下降，就先做流量效率矩阵。每次只做一件事，做完就推动执行，执行完复盘再进入下一件。一个人的商品分析，产出效率比分析深度更重要。
如果你是一个三到五人的小团队，可以建立初步的分工。一个人负责数据拉取和清洗，一个人负责品类结构分析，一个人负责价格带和关联分析。分工的关键是"数据口径统一"，建议指定一个人专门维护指标字典，所有分析都从这个字典里取定义，避免同一份报告里出现两个口径的情况。
从0到1的阶段，最大的任务是让业务方相信"商品分析能带来改变"。这时候不要一上来就做宏大的体系搭建，而是找一个见效快的切入口。我的建议是先从"滞销SKU处置"入手，因为滞销SKU的数据清晰、逻辑简单、效果可见，做完之后业务方会自然愿意接受更复杂的分析。
从1到10的阶段，重点是建立可复用的分析体系。这时候要做三件事：指标字典的沉淀、分析模板的标准化、分析结论的追踪机制。我见过太多团队卡在这个阶段，每次分析都从头做起，做出来的结论也无法追踪效果，最后分析团队沦为"报告机器"，没有话语权。
增长期的商品组合优化，核心是"扩张中有节奏"。不要因为增长就盲目扩SKU，每上一批新品，就要有对应的淘汰机制。我的经验是保持每个季度SKU数量净增长不超过10%，新增的SKU里至少一半要在下个季度经受住动销考核。
稳定期的商品组合优化，核心是"收缩中有优化"。这时候的SKU数量增长不是重点，重点是每个价格带、每个品类的结构是否健康，锚点商品是否稳固。稳定期最容易出现的错误是"无差别地精细化"，所有SKU都想优化一遍，结果资源被打散。正确做法是集中资源打造少数几个锚点SKU，用它们带动整个组合的效率。
方法论可以教，但真正的功力体现在"取舍"上。组合优化中最难的不是分析，而是在几个正确但互相冲突的选项之间做选择。我把最常见的三类取舍整理出来，供大家参考。
从纯效率角度看，砍掉所有滞销SKU、把资源集中到少数爆款，是最好的选择。但从用户体验角度看，一个品类里的SKU太少，会让用户觉得"这家店不专业"或者"这里没我要的"。
我的判断标准是：看这个品类是不是"搜索型"品类。搜索型品类（比如手机配件、厨房小工具）用户有明确需求，SKU少没关系，精准反而加分。而浏览型品类（比如家居装饰、礼品）用户是来逛的，需要一定的SKU密度来营造"丰富感"，这时候就不能砍得太狠。
具体操作上，我的做法是：搜索型品类可以把SKU数量压缩到极致，保留贡献度前20%即可；浏览型品类要保留至少60%的SKU，但可以对每个SKU的库存深度做分级，头部SKU保持高库存，长尾SKU用"小单快反"维持。
这是最难的一类取舍。短期业绩要求"留住每一个能贡献GMV的SKU"，长期结构要求"淘汰那些拖累效率的SKU"。冲突的时候怎么选？
我的经验是：如果一个SKU的短期GMV贡献不足以覆盖它的库存资金成本、货架成本和运营注意力成本，即使它当下"能卖"，也应该被列入观察名单。因为商品组合是一个动态系统，长期的低效SKU会挤占高效SKU的成长空间，这种损耗在短期数据里看不出来，但一年后会让整个组合的效率下台阶。
当然，如果企业当前处于资金链紧张或者业绩对赌的关键期，短期业绩优先是合理的。关键是这个权衡要有意识、有记录、有复盘，而不是糊里糊涂地既想保短期、又想优化长期。
我见过一些分析师（包括早期的我自己），为了让结论"更加准确"，反复迭代分析模型，结果分析做了三周，市场已经变了。商品分析是一个"快决策"场景，精度和速度之间存在明确的边际收益递减。
我的建议是：如果分析精度提升到80%所需的时间是60%，那么直接停在60%就好。因为剩余40%的精度提升，需要额外一倍时间，而且这部分精度的提升很可能会被市场变化抵消。剩下20%的不确定性，用业务方的经验和市场反馈来补足，比分析本身更有效。
反过来，如果这是一个战略级决策（比如要不要进入一个新品类），那精度就必须优先，宁可慢一点，也要把关键假设验证清楚。区分"战术级组合优化"和"战略级组合优化"，是分析师该有的基本判断力。
我的经验是：结构性组合优化每季度一次，战术性调整每月一次。结构性优化指的是品类结构、价格带结构这种大动作，季度频率足够；战术性调整指的是单个SKU的处置和关联组合的微调，月度频率比较合适。如果业务变化快（比如跨境行业），可以缩短到结构优化双月一次。
先别急着辩对错，先问："你的判断基于什么信息？"很多时候，业务方掌握的信息是分析师没有的（比如某个供应商的特殊关系、某个客户的明确偏好）。如果业务方的判断有信息支撑，就应该采纳；如果只是凭感觉，那要说服就要靠"小步验证"，先在局部区域试，用数据说话。
简单说：Excel适合单次分析和小数据集，SQL适合结构化的重复分析，BI工具适合日常监控和交互式探索。不要把工具当目标，工具的选择取决于你的分析是"一次性的"还是"周期性的"。像我上面提到的数跨境这类专业化工具，优势在于把跨境行业的商品分析场景做成了模块化功能，可以省去大量数据清洗和基础分析的重复劳动；但工具永远只是载体，核心还是分析流程本身。
三个字：早对齐。在分析开始之前就和业务方沟通，让他们知道你在做什么、大概会得出什么方向、需要他们配合什么。这样报告交付的时候，业务方会有"一起做的"感觉，而不是"你做的"。这个习惯让我在多个项目中大大提升了分析结论的落地率，也避免了"分析做完才发现方向不对"的返工。
不是工具的熟练度，也不是模型的复杂度，而是从"描述现状"到"提出判断"的转变。初级分析师写的是"该品类销售额同比下滑8%"；高级分析师写的是"该品类销售额同比下滑8%，主因是价格带集中在99-129元的SKU缺乏锚点，建议在该价格带培育一款核心单品，预期三个月内可将该品类GMV恢复至同比+5%"。
前者描述问题，后者提供方案。前者可以靠工具训练，后者只能靠项目和经验的积累。我给自己的要求是：每份分析报告都必须包含至少三条带有判断的结论，否则这份报告就还没做完。
回到开头那份37页的报告。如果让我现在重做一次，我的产出可能只有3页，一页讲三个核心结论，一页用一张二维矩阵图说明判断依据，一页列出每条结论对应的行动和风险提示。不是因为分析变浅了，恰恰相反，是因为想清楚了"什么该留下、什么该舍弃"，分析才真正有了价值。
商品分析中的组合优化，本质是一个不断做减法的过程，从一堆数据中减出几个关键指标，从一堆SKU中减出几个关键动作，从一堆可能性中减出几条可执行路径。那些看起来"更全面"的分析，往往正是因为缺乏判断力，才需要用数据量来掩饰自己不敢下结论的焦虑。
所以，如果你想真正提升组合优化的能力，我的建议是：从你手上最熟悉的一个品类开始，按照"定义问题，拆解维度，对比验证，翻译动作"这四步，完整跑一遍。不用追求第一次就做对，重要的是跑通流程、形成肌肉记忆，再逐步加入价格带、关联销售等更复杂的维度。分析力是从一次次推动真实决策的过程中长出来的，不是从理论学习中长出来的。
我刚开始做商品分析的时候，看了一些运筹学的资料，满脑子都是背包问题、整数规划这些词，结果回到工作里发现根本套不上。领导让我\'优化一下商品组合\'，我差点去建数学模型了，后来才意识到这两个语境下的组合优化压根不是一回事。
不是同一个东西，必须区分开。运筹学里的组合优化是离散数学问题，目标函数和约束条件都能形式化，求的是严格最优解，典型场景是物流路径规划、排班调度。商品分析语境下的组合优化本质是业务决策优化，变量多、约束模糊、目标经常冲突，比如毛利率和周转率天然打架，你不可能求出一个数学上的全局最优。
实操中的判断标准是：如果你的优化目标可以用一个明确的业务动作来承接，比如\'砍掉某个价格带的SKU\'或\'把A品类占比从18%提到25%\',那它就是业务组合优化；如果这个目标没法对应到具体动作，说明你还在数学建模的思维里，需要先回到业务场景重新定义问题。
做商品分析时不要追求数学最优解，追求的是可解释、可执行、可复盘的次优解。
我之前做品类复盘的时候，纠结了很久到底该用哪个指标来分组，后来发现单独用任何一个都不够。只用动销率，会把一些低销量但高毛利的小众品类误杀；只用贡献度，又会忽略那些占着货架但实际卖不动的僵尸品类。这个问题我在实际做季度品类规划时反复踩坑才找到解法。
正确做法是用二维分组，同时看动销率和贡献度。具体操作：横轴放动销率，纵轴放销售额贡献度或毛利贡献度，把品类分成四个象限。第一象限是高动销高贡献，这是核心品类，策略是保供给、稳价格、优先分配陈列资源。
第二象限是低动销高贡献，通常是高客单价小众品类，策略是精准触达目标人群，不要因为动销低就砍掉，它是利润补充。第三象限是高动销低贡献，典型引流品类，策略是保持宽度、用它带客流，但严格控制库存深度。第四象限是低动销低贡献，这才是真正该淘汰或缩减的品类。
需要标注的是：动销率和贡献度的具体阈值因行业和企业而异，快消品和耐用品差异很大，建议先拉自己企业过去四个季度的数据算出中位数作为分界线，不要直接套用网上\'动销率低于60%就淘汰\'这类断言。
我最头疼的不是分析本身，是分析完了业务方不买账。有一次我花了三天做了一份价格带分析报告，结论是建议砍掉某个价格带的8个SKU，结果采购说\'这几个是供应商捆绑的，砍了拿不到返点\'，运营说\'这几个虽然卖得少但客户复购率高\'。我当时就意识到，分析结论如果没有翻译成业务动作，就是一堆废纸。
核心原则是：每一个分析结论都必须绑定一个具体的业务动作、一个责任方、一个时间节点和一个预期效果。具体做法分三步。第一步，把分析语言翻译成业务语言。不要说\'该价格带动销率仅为32%\',要说\'这个价格带有8个SKU过去90天平均只卖了12件，占用了约15%的货架面积\'。
第二步，给出至少两个可选方案而不是一个结论。比如方案A是直接淘汰，方案B是缩减陈列面积观察一个季度，让业务方做选择题而不是判断题。第三步，提前算好每个方案的影响面。淘汰这8个SKU预计损失多少销售额、释放多少货架、能引入几个新品、新品预估贡献多少。
把这些数据放进一页纸的方案对比里，业务方拿着就能去开会。关键判断依据是：如果业务方看完你的分析后问\'所以我该做什么\',说明你的翻译没做到位。
我见过两种极端，一种是全程Excel，数据量一大就卡死，每次更新要手动复制粘贴；另一种是一上来就搭BI大屏，结果底层数据口径都没理清，大屏上全是错的。我自己是从Excel起步，后来被迫学SQL，再后来才用BI工具，每个阶段踩的坑都不一样。
分阶段来看。Excel适用的是数据量在几万行以内、分析维度不超过五个、且是一次性分析或低频复盘的场景。比如做一次季度品类复盘，拉出200个SKU的动销率和贡献度做二维分组，Excel完全够用，数据透视表加条件格式半小时搞定。
SQL适用的是需要频繁更新、数据量超过Excel处理极限、或者需要跨表关联的场景。比如你要每周自动跑一次价格带分析，源数据分散在订单表、商品表、库存表里，这时候必须用SQL把口径固化下来，写一次查询重复用，避免每次手动拼表出错。BI工具的真正价值不是可视化大屏，而是交互式筛选和钻取。
比如你给业务方看品类结构，他们一定会问\'那这个品类下面具体是哪些SKU拖后腿\',BI工具能让业务方自己点进去筛选，不用你每次跑数。判断标准很简单：一次性分析用Excel，重复性分析用SQL固化口径，需要让业务方自助探索时上BI。
不要跳过SQL直接上BI，底层口径没理清，BI只会把错误放大给更多人看。
读者评论
文章把商品分析从算指标拉回到做决策，这个视角很实在。不过漏斗图里100份报告只产出7份正向影响，这个转化率是不是太悲观了？如果多数团队真这样，那问题可能不止在报告本身，而是组织有没有决策机制。
四步法里“定义问题边界”最戳我。很多分析做不下去就是因为一开始把单品问题和组合问题混在一起，数据口径和后续动作全乱套。先判断是不是多SKU相对关系调整，这个标准简单但有效。
作者批评直接套数学优化框架，我部分同意。但整数规划在约束清晰、SKU量大的场景其实能跑出人想不到的组合，只是输出需要业务语言翻译。把数学当辅助验证没问题，但完全退到经验加权评分也容易漏掉非直观解。
动态三切面的建议很实用，但执行起来对数据基建要求不低。很多公司连近90天动销口径都不统一，更别说去年同期。文章默认分析团队有稳定取数能力，这块前提如果缺失，后面四步法基本落不了地。