我带过一个家居类目的店铺，最惨的一次是：一款收纳盒上架第 9 天被团队判定为“失败款”，理由是毛利率只有 18%，而店铺成熟款均值是 35%，于是准备清仓。我把它拦下来了，因为这款商品还在新品期，它的收藏加购率是同价位段同阶段基准的 1.7 倍，退货率比类目均值低 4 个百分点，唯一的“问题”是毛利率，而新品期毛利率本来就不该被当成考核目标。三个月后，它成了这个类目第二大的单品，毛利率回到 41%。
这件事让我彻底放弃“一套模板打天下”的思路。商品分析怎么用，真正难的不是会不会算，而是你手上的指标，配不配得上这件商品此刻所处的生命周期阶段。同一列“毛利率”，放在新品期是噪音，放在成熟期是命门；同一个“复购率”，放在成长期毫无意义，放在成熟期却是判断要不要继续投流的第一依据。
这篇文章我不讲“商品分析是什么”，直接讲怎么选：不同阶段选什么指标、用什么模型、避开哪些误用，以及我在实际项目里怎么用数跨境这类跨境数据工具把选型跑通。文末给一张可以直接抄走的四阶段选型表。
如果只让我用一句话回答“商品分析怎么用”，我会说：先确认商品在哪个生命周期阶段，再确定这个阶段唯一的分析目标，然后用“1 个北极星 + 3 个诊断 + 2 个护栏”配指标，最后才选模型和工具。顺序反了，工具越强大，错得越快。
我把这套顺序叫四层匹配法。它的核心不是“多算几个指标”，而是强制你做减法：一个阶段只能有一个主目标，主目标只能对应一个北极星指标。
很多人做商品分析喜欢“全景看板”，点击、加购、转化、复购、毛利、库存、退货全堆在一屏。问题是，当 20 个指标同时摆在你面前，出现“5 个涨 15 个跌”的时候，你是上量还是砍量？没有主目标，看板只会放大犹豫。
四层匹配法的价值在于，它把“看数据”变成了“做决策”：阶段告诉你时间窗，目标告诉你取舍方向，指标告诉你验证标准，模型告诉你怎么区分信号和噪音。
算错数据，最多是返工一天；选错指标，可能是把一个潜力款清仓、把一个衰退款继续加投、把一笔现金压在滞销库存里三个月。
我做过一次粗略复盘，把过去两年带过的项目里“决策后悔”的案例翻出来看，大约七成不是数据质量问题，而是指标与阶段不匹配。数据是准的，结论是错的，因为拿错了尺子。
下面这张图是我当时的复盘对比，用一款真实的新品（脱敏）做例子：同一款商品，用成熟期口径判断和用阶段适配口径判断，结论完全相反。
讲方法论之前，先把场景摆出来。没有场景的选型建议，最后都会变成“看情况”三个字。
我先给一张生命周期位置图，这是我判断商品阶段的底图：横轴是上架时间，纵轴是单位商品贡献毛利，折线下方是现金占用。四个阶段的位置、斜率、现金占用方向都不一样。
就是开头那款收纳盒。团队当时看的三个指标是毛利率、客单价、日销件数，全是成熟期指标。新品期上架 9 天，评价只有 20 条、搜索权重还没起来，日销件数必然低。
我换了一套指标：收藏加购率、主图点击率、首单转化率、退货率。结论立刻反过来，它在“流量进来之后愿不愿意留”这件事上表现极好，只是流量还没进来。
新品期的分析问题不是“它赚不赚钱”，而是“如果给足流量，它接不接得住”。接得住，就值得加投；接不住，再多流量也是浪费。
另一个案例是 3C 配件。成长期店铺总 ROI 看起来是 3.2，非常健康，于是团队持续加预算。但一个月后毛利额反而下降了。
拆开看才发现：总 ROI 里混了大量自然流量和复购流量，真正被广告拉动的那部分增量 ROI 只有 1.1。也就是说，总 ROI 是被自然流量“美化”过的数字，加预算加的是广告，赚的是原本就会成交的自然单。
成长期必须换成边际 ROI，新增花费带来的新增成交额。这个指标很难看，但它才是决策依据。
成熟期最典型的错误是“不敢承认它已经成熟了”。商品还在增长，团队就继续按成长期逻辑备货、投流、冲 GMV。
结果是一个季度后，库存周转天数从 45 天涨到 96 天。GMV 还在涨，但现金全在货里。成熟期的核心矛盾已经从“能不能卖出去”变成了“卖出去赚多少、多久回一次款”。
衰退期最常见的错误是“再等等”。等的原因是：折扣一开，毛利率就不好看了，报表难看。
但衰退期的成本不在报表的毛利率里，而在现金占用和仓储费里。我见过一个服饰款，拖了两个月才清，最后折扣从 7 折打到 3 折，还额外付了两个月的仓储费和二次整理费。衰退期的每一天都在给滞销库存付利息。
上面是结果，下面是原因。我把这两年在项目里反复见到的错误归成七类，每一类都配一个反例。它们不是“偶尔失误”，而是会周期性复发的结构性问题。
反例：用毛利率、复购率、客单价考核上架 15 天的新品。这三个指标在新品期几乎没有统计意义，因为样本还没形成。
修正方式：新品期只考核三类指标，流量承接能力（点击率、停留时长）、意向强度（收藏加购率）、交易健康度（首单转化率、退货率）。毛利率只做“下限护栏”，不做目标。
反例：一款防晒用品在 9 月出现连续三周 GMV 环比下滑，被判为衰退款并清仓。但它其实只是进入了季节性低谷。
修正方式：判断阶段前先做去季节化处理，用同比而不是环比，或者用同类目同期的相对排名来判断。
反例：运营说加购率 12%，数据团队说 7%，商品团队说 5%。差异来自口径：是按 UV 算还是按 PV 算，是否去重，是否含未登录用户，是否剔除加购后立即删除的行为。
修正方式：把口径写进指标字典，落到配置文件里，而不是散在每个人的表格里。口径不统一的杀伤力被严重低估，它会让整个团队在“事实”层面就开始分歧。
反例：新品上架第 2 天，主图 A 的点击率 6%，主图 B 的点击率 2%，直接下架 B。实际上 A 只拿到 50 次曝光，B 只拿到 30 次曝光，这种样本量下波动可以完全覆盖差异。
修正方式：给每个测试设定最小样本量，达不到就不做结论。经验上，主图点击率测试单组至少需要 300 到 500 次曝光，转化率测试单组至少需要 100 到 200 次有效访问。
反例：平台后台首页给的“支付转化率”“商品曝光量”被直接搬进周报，但没有任何一个和“该不该加投”直接相关。
修正方式：平台指标是原料，不是成品。你要先问“这个指标能支持哪个决策”，不能支持决策的指标不进看板。
反例：复购率 18% 到底是好还是差？没有基准就无法判断。同品类同价格带同期均值可能是 25%，也可能是 8%。
修正方式：所有关键指标都要带基准，历史基准、同阶段基准、同类目基准，至少有一个。
反例：店铺整体转化率 3.1%，看起来正常，但拆开发现 80% 的流量集中在 3 个 SKU 上，剩下 200 个 SKU 转化率低于 0.5%。均值把问题盖住了。
修正方式：均值只用于看趋势，判断结构必须看分布。帕累托、分位数、分层拆解，是商品分析的常规动作，不是高级技巧。
误区讲完，讲我的判断逻辑。这部分是全文最“可抄”的部分，你可以直接把它当流程走。
“感觉它还在成长期”是最危险的判断方式。我的做法是给阶段下量化定义，写进规则，让系统自动打标。以下是示意口径，具体阈值必须按你自己的类目节奏调整。
| 阶段 | 时间窗参考 | 量化判定规则（示意） | 判断依据 |
|---|---|---|---|
| 新品期 | 上架 0-30 天 | 累计销量 < 类目爆款门槛线 50%，且评价数 < 50 | 样本尚未形成，只能看意向类指标 |
| 成长期 | 上架 30-90 天 | 连续 3 周 GMV 周环比 > 5%，且流量未触及类目天花板 | 增长来自流量扩张，重点是效率 |
| 成熟期 | 上架 90-270 天 | 连续 4 周 GMV 波动幅度 < 10%，老客占比稳定 | 规模稳定，重点是利润和复购 |
| 衰退期 | 上架 270 天以后 | 连续 3 周 GMV 同比下滑 > 5%，且自然搜索排名持续下降 | 需求或权重衰减，重点是回收现金 |
注意最后一行的时间窗只是参考。快消品类的生命周期可能只有 90 天，家具类目可能长达两年。时间窗是用来参考的，规则是用来执行的，两者不能混。
新品期主目标：验证“流量进来之后接不接得住”。
成长期主目标：验证“每一块钱增量投放能不能带回正毛利”。
成熟期主目标：验证“在不牺牲份额的前提下，能不能守住利润和复购”。
衰退期主目标：验证“多长时间、以多低的折扣把库存变成现金”。
四个阶段的主目标互斥。如果你同时在追“新品上量”和“新品高毛利”，最后大概率两个都做不到。
我的指标配置固定是六个：北极星指标决定方向，诊断指标解释原因，护栏指标防止你把一件事做对的同时把另一件事做坏。
这里有个容易忽略的点：护栏指标不是越低越好，而是不能突破下限或上限。比如新品期退货率，它不是要降到 0，而是不能超过类目均值太多；一旦超过，说明产品与详情页描述出现了偏差，加投就是放大退货。
我不建议一开始就上复杂模型。大部分商品分析问题，用六个基础模型就能覆盖。
| 模型 | 回答什么问题 | 最适合的阶段 | 注意点 |
|---|---|---|---|
| 转化漏斗 | 流量在哪个环节流失 | 新品期 | 必须先统一各环节口径 |
| 边际分析 | 多加一块钱能带回多少 | 成长期 | 必须扣除自然流量贡献 |
| 同期群（Cohort） | 不同批次用户的留存差异 | 成长期、成熟期 | 至少要观察 3 个周期 |
| RFM | 老客分层与运营优先级 | 成熟期 | 阈值要按类目重设，不能套模板 |
| 价格弹性 | 降价能带来多少增量 | 成熟期、衰退期 | 需要多价位历史数据支撑 |
| 帕累托／ABC | 哪些 SKU 在拖后腿 | 衰退期 | 要结合毛利而非只看销量 |
模型选错的典型表现是“答案正确但问题无关”。比如用 RFM 去分析上架 20 天的新品，你会得到一堆“重要价值客户”，但这些客户其实只买过一次，因为新品期根本还没有“频率”这个维度。
把上面四步串起来，我实际的决策链路是这样的。你可以把它当成一张检查清单。
商品分析决策链路（四层匹配法）
│
├─ 第 1 层：阶段识别
│ ├─ 读取商品上架天数 + 累计销量 + 评价数
│ ├─ 判断是否满足阶段量化规则（见表）
│ └─ 输出：新品期 / 成长期 / 成熟期 / 衰退期
│
├─ 第 2 层：目标锁定
│ ├─ 新品期 → 验证承接能力
│ ├─ 成长期 → 验证增量效率
│ ├─ 成熟期 → 验证利润与复购
│ └─ 衰退期 → 验证现金回收速度
│
├─ 第 3 层：指标匹配
│ ├─ 北极星 × 1（决定方向）
│ ├─ 诊断 × 3（解释原因）
│ └─ 护栏 × 2（防止把另一件事做坏）
│
└─ 第 4 层：模型选择
├─ 新品期 → 漏斗分析 + 小流量 A/B
├─ 成长期 → 边际分析 + 渠道对照
├─ 成熟期 → 同期群 + RFM + 价格弹性
└─ 衰退期 → 帕累托/ABC + 折扣敏感度
方法论落地需要工具支撑。我在做跨境项目的时候，主要用数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）来做三件事：多平台店铺数据的汇总、商品维度的自定义看板、以及按阶段给商品打标分群。
需要说明的是，工具解决的是“数据能不能对齐、能不能自动化”的问题，解决不了“该看哪个指标”的问题。选型逻辑在你脑子里，工具只负责把它执行得足够快、足够一致。下面四个案例的数据均为脱敏后的示意数据，用于说明判断路径，不代表任何具体品牌的真实经营结果。
一款家居收纳盒，上架第 12 天，日销 22 件，团队想清仓。我做的第一件事是从数跨境把商品维度的漏斗数据拉出来，按曝光、点击、详情访问、加购、下单五层拆开。
结果是：曝光到点击的转化率 3.1%，明显低于同类目同阶段基准 4.5%；但加购到下单的转化率 41%，高于基准 34%。也就是说，问题不在产品力，而在主图和标题能不能把人“骗”进来。
我们换了主图，第 18 天曝光点击率回到 4.8%，第 30 天日销 96 件。如果当时按毛利率清仓，这个款就没了。
一款 3C 配件进入成长期，后台总 ROI 显示 3.4，团队计划把日预算从 2000 元提到 5000 元。我建议先做一次增量测算。
做法是：在数跨境里把付费流量成交和自然流量成交分开，用“投放期间的成交额减去投放停止后的基线成交额”，得到增量口径。结果边际 ROI 只有 1.2。
进一步拆分发现，付费带来的新客占比只有 31%，其余都是原本就会成交的存量用户被广告“重复收割”。总 ROI 3.4 是自然流量的贡献，边际 ROI 1.2 才是加预算的真实回报。
我们最后只把预算提到 3000 元，并把定向从存量人群转向拉新人群，边际 ROI 回到 2.1。
一款美妆品进入成熟期，整体复购率 22%，团队认为“还不错”。我按首购月份做了同期群拆解，发现结构完全不同。
首购后第 1 个月复购率 14%，第 2 个月 6%，第 3 个月 3%，说明它不是复购型产品，而是靠不断拉新维持规模的“伪成熟品”。这类商品一旦拉新成本上升，规模会立刻塌掉。
对应动作也从“继续投流”改成了“用组合装和会员权益提高第 2 次购买的转化”，三个月后第 2 月复购率提到 11%，拉新依赖度下降。
一款服饰品类进入衰退期，仓里 186 个 SKU，团队打算统一打 5 折清仓。我先按“库存金额 × 滞销天数”排序做帕累托。
结果很集中：前 23 个 SKU 占了 78% 的滞销库存金额。也就是说，全场打折是在为 23 个 SKU 拖累全店的毛利。
最后改成分层处理：前 23 个 SKU 深度折扣快速出清，中间 60 个 SKU 维持原价慢慢消化，剩下的直接下架转入尾货渠道。整体现金回收周期从预估 120 天缩短到 61 天。
口径统一最有效的方式是把它写成配置，而不是写在文档里。下面是我在项目里用的指标配置片段（示意），左边是阶段，右边是这个阶段的指标组合和护栏。
{
"lifecycle_rule": {
"new": { "days_max": 30, "sales_ratio_lt": 0.5, "review_lt": 50 },
"growth": { "days_range": [30, 90], "wow_growth_gt": 0.05, "weeks": 3 },
"mature": { "days_range": [90, 270], "gmv_volatility_lt": 0.10, "weeks": 4 },
"decline": { "days_min": 270, "yoy_growth_lt": -0.05, "weeks": 3 }
},
"metric_set": {
"new": {
"north_star": "add_cart_rate",
"diagnostic": ["impression_ctr", "detail_stay_15s_rate", "first_order_cvr"],
"guardrail": { "return_rate_max": 0.15, "gross_margin_min": 0.10 }
},
"growth": {
"north_star": "marginal_roi",
"diagnostic": ["paid_traffic_share", "cost_per_order", "cost_per_add_cart"],
"guardrail": { "inventory_days_min": 30, "fulfillment_hours_max": 48 }
},
"mature": {
"north_star": "contribution_margin_amount",
"diagnostic": ["repurchase_rate_m2", "aov", "attach_rate"],
"guardrail": { "price_band_drift_max": 0.08, "slow_moving_share_max": 0.20 }
},
"decline": {
"north_star": "clearance_days",
"diagnostic": ["sell_through_rate", "discount_elasticity", "cash_recovery_rate"],
"guardrail": { "brand_price_floor": 0.65, "return_rate_max": 0.20 }
}
}
}这份配置最大的作用不是自动化，而是让所有人对“什么阶段看什么指标”达成一致。当口径写进配置，讨论就从“我觉得”变成了“规则怎么定”，会议效率会明显不一样。
方法论是一样的，但不同规模、不同角色的团队，起点不一样。我按四种常见情况给出建议。
你们最大的风险不是数据不够，而是精力被工具吃掉。我的建议是先不做看板，用一张表格手动维护四个阶段的六个指标。
重点是把“阶段判断”这一步先跑通：每个 SKU 标上阶段，每个阶段只看对应的六个指标。连续做四周，你会发现决策速度比上任何工具都快。
等这件事变成肌肉记忆，再考虑用工具自动化。
你们的典型问题是跨部门口径冲突：运营、商品、数据三方各有各的“转化率”。
先做指标字典，把每个指标的计算口径、数据源、更新频率、责任人写清楚，再上工具。顺序反了，你会得到一个更快产生分歧的系统。
自动化优先级建议：阶段打标 > 指标自动计算 > 看板可视化 > 预警推送。
跨境场景的难点在数据源：平台后台、广告后台、ERP、物流系统各不相同，时间口径和币种口径都可能不一致。
我的做法是先统一三件事：时间口径（按哪个时区结算）、退款口径（按付款日还是退款日归属）、成本口径（是否含头程和尾程）。这三件事对齐之后，用数跨境这类工具做跨平台商品维度的汇总看板才真正有意义。
阶段打标建议放在汇总层之后，而不是在每个平台内部单独做，否则会出现“同一款商品在不同平台被标成不同阶段”的情况。
你们的优势是可以横向对比多个品牌，这个优势应当产品化。建议把四阶段选型表做成标准交付物的一部分，在接手项目第一周就完成阶段打标。
这样做有两个好处：一是快速建立专业信任，二是避免用错指标背锅。很多代运营的“效果不好”，其实是选型阶段就和甲方没对齐目标。
选型的本质是取舍。资源永远是有限的，下面五组取舍我在每个项目里都会遇到。
高精度意味着更完整的归因、更长的观察窗、更多人工核对。但商品分析很多时候需要当天出结论。
我的取舍原则是：新品期的结论可以牺牲精度换时效，成熟期的结论必须牺牲时效换精度。因为新品期错了成本是有限的（大不了重新测款），成熟期错了成本是库存和现金。
全量更准，但处理慢、成本高。抽样更快，但容易出偏差。
我一般在阶段判断和库存决策上用全量，在测试类场景（主图、价格、文案）上用抽样。抽样时务必保证分组随机，并且样本量提前算好，不要边跑边看。
自建灵活，但前期投入大、维护成本高；采购快，但定制化受限。
| 维度 | 自建数据体系 | 采购成熟工具（如数跨境） |
|---|---|---|
| 上线周期 | 通常 2-4 个月，含需求梳理与开发 | 通常 1-2 周，含字段映射与看板配置 |
| 前期投入 | 高，需要数据工程师与持续迭代 | 低，按月或按年付费 |
| 口径灵活性 | 完全自定义，任何指标都能算 | 受工具字段限制，复杂口径需变通 |
| 跨平台汇总 | 需要自己对接每个平台的 API 或报表 | 通常已内置多平台对接与标准化字段 |
| 长期成本 | 人力成本持续存在，随需求增长 | 订阅成本可预期，但随账号或数据量增长 |
| 适合谁 | SKU 规模大、口径高度非标、有数据团队 | SKU 中等规模、口径相对标准、无数据团队 |
我的判断线是：如果商品数量在 500 个以内、平台不超过 5 个，采购成熟工具几乎总是更划算；超过这个规模且口径高度非标，再考虑自建。
每多一个指标，就多一个可能的解释，也多一分犹豫。我的经验值是：看板上的指标不超过 8 个；单个决策用到的不超过 4 个。
超出这个范围，指标之间的冲突会开始消耗决策精力，而不是提供信息。
衰退期最难的取舍是：清得越快，价格体系破坏得越狠；保护价格体系，现金回收就越慢。
我的原则是：品牌型商品守住价格底线，用渠道区隔消化库存；白牌或非品牌商品优先回收现金，价格让位于速度。这条线必须在清仓动作开始之前定好，而不是打到一半再讨论。
最后给一张可以直接抄走的对照表。它是我所有判断的浓缩版本。
| 阶段 | 唯一主目标 | 北极星指标 | 核心诊断指标 | 护栏指标 | 首选模型 |
|---|---|---|---|---|---|
| 新品期 | 验证流量承接能力 | 收藏加购率 | 主图点击率、详情页停留、首单转化率 | 退货率、毛利率下限 | 转化漏斗 + 小流量 A/B |
| 成长期 | 验证增量效率 | 边际 ROI | 流量结构占比、下单成本、加购成本 | 库存可支撑天数、履约时效 | 边际分析 + 渠道对照 |
| 成熟期 | 守住利润与复购 | 贡献毛利额 | 复购率、客单价、连带率 | 价格体系稳定度、滞销占比 | 同期群 + RFM + 价格弹性 |
| 衰退期 | 快速回收现金 | 库存清空周期 | 动销率、折扣敏感度、现金回收率 | 品牌价格底线、老客体验 | 帕累托/ABC + 折扣敏感度 |
这张表我建议打印出来贴在工位上。它不能替你思考，但能在你准备用毛利率去判断一个上架 9 天的新品时，提醒你换一把尺子。
把在售商品全部标上生命周期阶段，用第四节的量化规则，不要凭感觉。标完之后统计一下四个阶段各有多少 SKU。
你大概率会发现一个从来没算过的数字：真正处于成长期、值得加投的商品，可能远少于你的想象。
打开你现在的商品看板，按四阶段选型表逐条对照。凡是“无法支持任何决策”的指标，直接移出主看板，放进二级明细。
这一步做完，你会发现看板变小了，但决策变快了。
至少把收藏加购率、转化率、复购率、退货率这四个高频指标的口径写清楚：分子、分母、去重规则、时间归属。写清楚之后再讨论结论。
我的核心观点只有一句：商品分析不是一套模板走天下，而是四把尺子轮着用。阶段决定你看什么，目标决定你放弃什么，指标决定你相信什么，模型决定你怎么区分信号和噪音。把这四层对齐，商品分析才真正从“看数据”变成“做决策”。
如果你手上正好有一个“判断不了”的商品，先别急着算更多指标，先确认它在哪个阶段，然后问自己：这个阶段的答案，到底该由哪六个指标来给。
我之前做商品分析时一直以为生命周期划分是有一套固定标准的，比如新品30天、成长90天这样。结果和同事对同一个商品的阶段判断完全不同，他认为是成长期，我觉得已经到成熟期了，导致后面选的指标和模型都对不上。我就想知道，行业里到底有没有权威的划分方法？
没有统一的权威划分标准，这也是很多人踩坑的地方。实操中建议按业务自定义，常用两种方式：一是按时间维度，比如新品期定义为上架后0到30天，但这只适合快消品类；二是按数据表现维度，比如用销量增速和复购率两个指标交叉判断，增速高且复购低为新品期，增速放缓但复购稳定为成熟期。
更稳妥的做法是先用时间维度做粗分，再用数据表现做修正，并把划分规则写进团队文档，保证所有人口径一致。品类差异极大，不建议直接套用其他行业的阶段定义。
我们团队之前用毛利率和复购率来考核刚上架的新品，结果所有新品都不达标，运营团队很受打击。后来有人说新品期不该看利润，我一开始不太理解，觉得做生意不看利润看什么。想搞清楚新品期到底该盯哪些指标，背后的逻辑是什么。
新品期的核心目标是验证市场接受度，不是赚钱。这个阶段应该重点看四个指标：点击率判断主图标题是否有吸引力，收藏加购率判断用户有没有购买意向，首单转化率判断详情页和价格是否合理，以及退货率判断商品预期是否匹配。
用利润指标考核新品的问题在于，新品还没跑出量，固定成本摊不下来，毛利天然难看，这属于阶段性正常现象而非商品问题。判断依据是：新品期指标看的是趋势和速度，比如点击率是否在7天内持续上升，而不是看绝对值是否达标。
我在实际工作中发现，同一个商品在成长期和成熟期，用同样的分析模型得出的结论完全不一样，甚至互相矛盾。比如成长期用RFM模型跑出来的高价值用户，到了成熟期再看就变了。我不太确定是模型选错了还是阶段判断错了，想要一个具体的场景对比来理解。
核心区别在于分析目标不同。成长期的目标是放大有效流量，适合用漏斗分析加渠道归因模型，重点看流量结构、转化成本和增速，比如发现某个渠道转化成本低就加大投放。成熟期的目标是守住利润和复购，适合用RFM模型做用户分层，结合复购率和客单价分析，比如识别出高复购低客单的用户群做捆绑销售提客单。
举个场景：一个商品成长期时漏斗分析显示加购到下单转化率只有3%，优化详情页后提升到6%，这就是成长期该做的事；到了成熟期，同样的漏斗数据已经稳定，此时更该关注的是30天复购率是否在下滑，如果下滑就要做老客召回而非继续优化详情页。
我负责的品类里有几个商品销量连续下滑，团队有人说直接打折清仓止损，但我觉得有些可能只是季节性波动，不一定真的进入衰退期。之前有过打折清仓后过了两个月又起量的情况，损失了不少利润。想问问衰退期的判断和操作有没有更科学的依据。
衰退期不能只看销量下滑就下结论，需要三个指标交叉验证：一是动销率是否连续多个周期下降，二是滞销库存占比是否在上升，三是折扣敏感度是否变高，也就是不打折就卖不动。如果三个都成立，大概率是真衰退，建议清仓止损。
如果只有销量下滑但动销率稳定、折扣敏感度没变，很可能是季节性波动或短期流量波动，此时应该先观察一个完整周期再做决定。实操建议是设置一个观察窗口，比如连续两个补货周期都满足衰退条件再启动清仓，避免误杀还有潜力的商品。
读者评论
四层匹配法这个框架确实实用，之前做商品分析最大的问题就是指标堆太多，反而不知道怎么决策。不过实际落地时，小团队可能连基础数据都跑不全，这套方法更适合有一定数据基建的团队。
加购率四种口径差2.5倍这个例子太真实了。我们之前运营和数据团队就因为加购率口径不一致吵了好几次，后来统一写进指标字典才解决。建议再补充一下退货率的口径差异，那个也很容易出分歧。
成长期用边际ROI代替总ROI这个点很关键，但实际操作中边际ROI的归因很难做准，尤其是有自然流量和付费流量混合的时候。希望作者能再展开讲讲具体怎么拆分增量。
衰退期拖着不清导致最后打三折还付仓储费，这个坑我亲身踩过。但说实话，很多时候不是不想清，是清仓审批流程太长，等批下来最佳时机已经过了。方法论之外，组织效率也是关键变量。