我最早做商品分析，是拿着一份三十多列的 Excel 报表，把每个 SKU 的销量、毛利、库存从头看到尾，然后写一页结论交上去。那份结论被业务方退回三次，最后一次的批注只有一句话："这些数我们都看得到，你告诉我下个月该停哪个款。"这句批注基本定义了我此后几年对商品分析的理解，用数据复盘解决组合优化问题，重点从来不在"复盘"，而在"组合"和"优化"。复盘只是手段，组合决策才是交付物。
这篇文章不是指标大全，也不打算再给你一份"10 个必看指标"的清单。我想讲清楚一件事：当你把分析的坐标系从"单品"换成"组合"，整个数据复盘的设计逻辑会发生什么变化，以及落到具体动作上，"留、砍、调、补"这四类决策分别该看什么、怕什么、怎么验证。
在展开之前，我把最核心的四个判断放在前面。如果你读完之后只记住四句话，我希望是这四句。
我统计过一个美妆店铺的例子，能说明第一点和第二点的差别。这个店在架 SKU 大约 460 个，近 90 天动销率 78%，看起来是个健康数字。但把毛利贡献拉出来排序后发现，全部毛利的 61% 集中在 9 个 SKU 上。也就是说，另外 71% 曾经"动销过"的 SKU，合计只贡献了不到四成毛利，却占用了超过一半的货架位和拍摄预算。
这就是典型的"指标健康、结构不健康"。如果只看动销率，你甚至会得出"商品结构很均衡"的结论，因为动销率这个指标天然不关心贡献的集中度。
说一个我深度参与过的项目。2023 年上半年，我帮一家女装店做季度复盘陪跑，老板找我时的原话是"数据挺好看的，但总觉得哪里不对"。他给我看的是一张月度战报：月均 GMV 从 286 万涨到 337 万，同比增速两位数，团队士气也不错。
问题出在这个增长是怎么来的。这家店在一年之内把在架 SKU 从 380 个扩到了 1200 个，做法是"每周上新 40 款，能出单就继续追单，出不了单就放着"。而 GMV 的增量，主要来自两场大促期间的冲量，日常动销并没有同步改善。
我拉了三组数据交叉看，结论相当刺眼。第一组是贡献结构：新增的 820 个 SKU 里，只有 141 个曾经进入过月销量的前 30% 分位，新增 SKU 合计贡献了约 19% 的 GMV，但占用了约 43% 的库存资金。第二组是流量份额：随着新品数量暴增，原来三个主力款的曝光份额从 41% 掉到 26%，搜索词下的自然排名也整体后移。第三组是价格带：新品把原本清晰的三段价格带切成了六段，段与段之间的价格差最小只有 12 元，用户根本分不出区别。
老板最初的假设是"季节性波动 + 运营执行不到位"。但从组合视角看，这是三个结构性问题的叠加：SKU 数量超出了团队的运营承载力，价格带细分超出了用户的辨识能力，库存资金被长尾款锁死导致主力款补货不及时。
这三个问题没有一个能靠"运营再努力一点"解决。它们需要通过组合优化解决，也就是砍掉一部分、调整一部分、补齐一部分。
在做复盘陪跑的这几年里，我见过的问题高度重复。以下四个误区出现的频率最高，而且往往同时存在。
我见过最夸张的一个看板有 68 个指标，从 UV 价值到退货原因分布一应俱全，但团队仍然回答不了"下个月该停哪个款"。原因很简单：指标是原料，不是结论。指标越多，注意力越分散，反而越难形成判断。
我的经验法则是：一次组合复盘需要的指标不超过 12 个，其中必须有 3 到 4 个是约束类指标。超过这个数量，通常意味着你在用指标数量掩盖判断能力的缺失。
ABC 分类只用了单一维度，通常是销售额或销量。它能帮你识别"哪些款贡献大"，但完全无法回答"贡献大的款赚不赚钱""赚得多的款压不压货"。
还有一个更容易被忽略的点：80/15/5 这个切分只是帕累托分布的一个经验值，不是定理。我在长尾特征明显的美妆类目见过 70/20/10 更合适的情况，也见过标品家电必须用 85/12/3 才不至于把真正的现金牛误分到 B 类。直接照搬阈值，等于把别人的分布假设套到自己的业务上。
这是最隐蔽的一个。整体毛利率环比持平，看起来一切正常，但拆开看可能是高毛利的主力款下滑了两个百分点，同时低毛利的清仓款放量把整体拉了回来。这就是典型的辛普森悖论在商品分析里的表现。
同样的陷阱还出现在"平均客单价""平均库存周转""平均退货率"上。我的处理方式很粗暴但有效：所有平均值指标，必须同时看它的分布，至少给出 P25、中位数、P75 和头部 10% 的贡献占比。只报平均值的管理层汇报，我基本不认。
"建议优化商品结构""建议加强滞销品清理"，这种句子看起来像结论，其实不是动作。真正的动作长这样：在 3 月 15 日前完成 42 个 SKU 的下架评估，由商品组出清单、运营组确认流量承接方案，4 月 30 日复盘时对比清理前后 90 天库存周转天数与毛利总额的变化。
前者无法被执行，也无法被验证；后者可以。差别就在这里。
很多团队做不好组合优化，根本原因不是不会算，而是从来没意识到两套分析逻辑的目标函数不同。我把它们拆成七个维度对比，你可以拿自己团队的复盘文档逐条对照，看看实际落在哪一边。
| 对比维度 | 单品分析 | 组合分析 |
|---|---|---|
| 分析对象 | 单个 SKU 的生命周期表现 | 一组 SKU 的结构与相互影响 |
| 核心问题 | 这个商品好不好 | 这组商品结构健不健康 |
| 关键指标 | 点击率、转化率、单件毛利、单款退货率 | 毛利贡献集中度、价格带覆盖度、关联购买率、库存资金占用分布 |
| 时间尺度 | 周 / 月，看趋势 | 季度 / 年，看结构迁移 |
| 对约束的处理 | 通常假设约束不存在 | 约束是核心输入，不是背景 |
| 决策输出 | 加投 / 停投 | 留 / 砍 / 调 / 补 |
| 误判代价 | 单款亏损，可快速止损 | 全盘库存与流量效率下降，修复周期以季度计 |
其中最容易被低估的是"对约束的处理"这一行。单品分析里，一个款卖得好就加投，这个逻辑成立的前提是资源无限。但现实中，库存资金是有限的池子，首页流量位是有限的池子，用户对一个价格带的心智容量也是有限的池子。任何一个 SKU 的表现，都是在这个池子里被其他 SKU 挤压之后的结果。
回到前面那家女装店。如果逐个看主力款的转化率，数据都不难看，转化率甚至微涨，因为留下来的流量更精准了。但曝光份额从 41% 掉到 26% 这件事，只有放在组合尺度上才能看见。这就是单品视角的系统性盲区。
说完逻辑，讲操作。一次能产出组合决策的复盘，需要准备六类数据。我按重要性排序，最后一类通常最被忽略，但恰恰是决定决策可行性的那一类。
销量、GMV、UV、转化率、加购率、收藏率。这类数据几乎所有团队都有，通常也不是瓶颈。唯一要提醒的是：表现数据的价值在于建立坐标系，而不在于得出结论。它能告诉你"谁大谁小"，但回答不了"该不该留"。
动销率、售罄率、库存周转天数、售罄周期、缺货天数。这类数据是组合健康度的核心，也是口径最容易乱的地方。我在下一节会专门讲口径陷阱。
贡献毛利、毛利贡献占比、毛利率、复购率、用户生命周期价值。这里有一个关键动作：把毛利贡献占比和 GMV 贡献占比放在同一张表里排序比较。两者排序的差异，就是组合优化的主要线索来源。
我常用的判断是：如果某个 SKU 的 GMV 排名远高于毛利贡献排名，它很可能是"虚胖款"，需要用流量效率而不是销量效率去评估它。
连带率、关联购买矩阵、组合购转化率。这类数据决定了"砍"这个动作的风险边界。一个自身毛利为负但带动了三个高毛利款的 SKU，如果只看单款数据就会被误杀。
曝光份额、搜索词份额、付费流量占比、自然流量占比。流量数据是解释"为什么结构会变"的关键证据。新品上架后主力款曝光下滑，这个因果关系只能靠流量数据建立。
库存资金占用、MOQ（最小起订量）、补货周期、供应商账期、价格带位置、渠道容量上限、拍摄与内容产能。这是六类数据里最常被忽略、但决定决策可行性的那一类。
举个具体例子。你诊断出某个 SKU 应该砍掉，但它的供应商要求 MOQ 300 件起订、账期 90 天，砍掉它就意味着失去这个供应商的另外两款畅销品的供应优先级。这时候"砍"这个动作的成本，远高于它在报表上损失的毛利。约束数据就是用来防止这类"报表上正确、业务上错误"的决策。
下面这张表把六类数据的关键字段和常见口径陷阱整理在一起，可以直接拿去对口径。
| 数据类别 | 典型字段 | 常见口径陷阱 | 是否直接进入决策 |
|---|---|---|---|
| 表现数据 | 销量、GMV、UV、转化率 | 是否含取消订单与退款；UV 是否去重 | 否，作为坐标系 |
| 效率数据 | 动销率、售罄率、周转天数 | 动销率分母是在架 SKU 还是期初库存；统计窗口 30 天还是 90 天；售罄率是否含退货 | 是 |
| 价值数据 | 贡献毛利、毛利贡献占比、复购率 | 毛利是否含平台佣金、尾程运费、广告费分摊、退货损耗 | 是 |
| 关联数据 | 连带率、关联购买、组合购转化 | 关联窗口多长；是否是同一订单口径；是否剔除了促销搭售 | 是 |
| 流量数据 | 曝光份额、搜索词份额、付费占比 | 曝光口径是展现还是有效展现；搜索份额是否含品牌词 | 是，用于归因 |
| 约束数据 | 库存资金占用、MOQ、补货周期、价格带 | 资金占用是否含在途；补货周期是下单到入仓还是到可售 | 是，决定可行性 |
关于口径，我给一个具体的跨境场景提醒。跨境业务里"毛利"这三个字的口径差异极大：平台佣金、FBA 或海外仓费用、头程分摊、尾程派送、广告花费、退货损耗、汇率波动，每一项是否计入、按什么规则分摊，不同团队的做法能差出一倍以上。这也是为什么跨部门复盘经常变成各说各话，大家看的不是同一份数据。
数据准备好之后，诊断的顺序不能乱。我用的固定路径是三步，顺序颠倒会直接导致归因错误。
ABC 分类可以作为起点，但必须叠加第二个维度。我通常用毛利贡献作为主维度，用库存周转天数作为副维度，先做帕累托累计曲线，找出真正的贡献分界点，而不是直接套 80/15/5。
具体做法：把全部 SKU 按贡献毛利降序排列，计算累计占比，找到累计达到 70%、90% 的两个位置，这两个位置就是这家店自己数据分布给出的切分点。然后用同样方法对库存资金占用做一次排序，两张排序的差异会立刻暴露问题。
分层之后，用毛利贡献率和库存周转天数两个轴做散点分布，把 SKU 划成四类角色。这个矩阵比 ABC 更接近"该采取什么动作"这一步。
这是要保住并加投的部分。核心款的判断不能只看毛利总额，还要看它的毛利贡献是否稳定，我会看连续 4 个周期的毛利贡献排名波动，波动小于两个位次才算真正的核心款。
这类款通常客单价高、决策周期长、季节性明显。不要因为周转慢就砍，它的资金占用换来了高毛利密度。处理方向是优化补货节奏和预售策略，而不是下架。
这类款最容易误砍。它们自己赚得少，但可能承担了拉新、带动连带购买、维持店铺权重的作用。判断依据是关联购买数据：如果它带动的连带毛利超过自身毛利的 1.5 倍，就应该保留。
这是淘汰的主要来源，但也不是无脑砍。淘汰前必须过三道检查：是否处于新品观察期、是否有明显季节性、是否与核心款存在供应链绑定。
定位之后，必须搞清楚问题出在哪一层，因为不同层的问题解决成本差一个数量级。我用的判断规则如下。
归因错误的代价很大。把结构问题归因成运营问题，会让运营团队陷入无限优化但没有结果的循环；把供给问题归因成运营问题，会让采购和供应链的责任被长期隐藏。
诊断完之后进入动作环节。我把所有组合优化动作收拢成四类，每一类都绑定前面的诊断结论，避免变成"优化建议大全"。
"留"不是默认动作，而是主动决策。我保留一个 SKU 的条件通常要同时满足三条：连续两个周期毛利贡献位次稳定在前 40%、库存周转快于类目中位数、近 90 天没有出现连续断货。三条缺一条就要降级观察，而不是直接加投。
加投的方式也要有顺序：先加内容投入，再加流量投入，最后才加库存投入。这个顺序的原因是库存投入的沉没成本最高，一旦判断错误很难收回。
淘汰是组合优化里收益最直接、但风险也最高的动作。我用四步流程来控制风险。
一个提醒：淘汰决策最怕的不是砍错，而是不设验证机制。被砍的 SKU 应该在 30 天后回看一次，看它留下的流量是否被其他款承接、整体毛利是否真的改善。没有这一步，你永远不知道自己的淘汰标准是对的还是错的。
"调"是四类动作里性价比最高的一类，因为不涉及库存损失。可调的四个杠杆按见效速度排序是：流量分配、组合位置（搭配位、推荐位）、价格、库存节奏。
流量和位置调整通常一到两周就能看到反馈，价格调整要看价格弹性，库存节奏调整的周期最长。我建议按这个顺序依次试，每一轮只动一个变量，避免多变量同时变化导致无法归因。
"补"最常见的错误是"看别人卖什么好就补什么"。正确的补品逻辑应该来自组合缺口诊断，我通常从三个方向找缺口：价格带断层（比如 199 元和 399 元之间没有承接）、场景覆盖缺失（有通勤但缺度假）、连带链条断裂（有上装但没有可搭配的下装）。
按缺口补品的好处是可验证：新品上架后，直接看它是否填补了那个缺口区间的转化数据，判断周期比"看它自己卖得好不好"短得多。
前面讲的是方法论，这一节讲工具在什么位置能真正起作用。我参与过一个跨境家居团队的项目，他们在 Amazon 美国站、独立站和 TikTok Shop 三个渠道同时卖货，SKU 总量约 640 个。
他们的核心痛点不是不会分析，而是数据根本拼不到一起。三个平台的订单、广告、物流、退货数据格式完全不同，SKU 编码还各自有一套。要做一次 SKU 级利润复盘，三个人的小组要花大约五天：两天半做数据清洗和匹配，一天做口径确认，剩下一天半才能开始看数据。等看清楚问题，大促已经过去了。
后来他们把数据链路迁到了数跨境（https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）。我用它主要做了三件事，这三件事恰好对应前面讲的三个瓶颈。
第一件是多平台 SKU 数据合并。把三个渠道的数据接进来之后，用统一编码做商品主数据映射，原来需要人工匹配的工作变成了规则配置，一次配置完成之后每周自动刷新。
第二件是固化毛利口径。这是我认为最有价值的一点。跨境业务的毛利口径特别复杂，平台佣金、仓储费、头程分摊、广告花费、退货损耗、汇率处理每一项都需要明确规则。以前这些规则散在三个人的脑子里，每次复盘都要重新对齐；现在把规则写成计算逻辑固定下来，所有人的报表里"毛利"都是同一个东西。
第三件是做二维分布看板。用毛利贡献和库存周转天数两个维度做散点分布，每周自动更新。这个看板上线后，团队第一次看清了一个此前完全没意识到的问题：有 87 个 SKU 占用了约 34% 的库存资金，但合计只贡献了约 9% 的毛利。
结果上，复盘周期从 5 天压到约 1.5 天，但我想强调的是另一件事：省下来的时间并没有用来多做分析，而是用来做决策讨论和责任分配。这才是工具真正的价值，它不提升你的判断力，但它把判断力从数据准备里解放出来。
同时我也要说清楚它的边界。工具解决的是数据聚合、口径固化和看板自动化，它不解决"该砍谁"这个问题。前面讲的分层逻辑、四象限判断、归因规则、供应链绑定检查，这些仍然需要人来完成。任何期待买了工具就能自动产出组合决策的想法，最后都会落空。
方法论不能一刀切。我按 SKU 规模和业务复杂度分成五种情况，给出对应的最小可行方案。
这个阶段不需要复杂工具，一张能算清贡献毛利的表就够了。重点做两件事：把毛利口径写下来，以及每周固定看一次"GMV 排名与毛利排名"的差异。SKU 少的时候，组合问题通常表现为价格带断层，而不是长尾泛滥。
这是组合问题最容易爆发的阶段，也是投入产出比最高的阶段。建议建立四象限分布看板，按季度做一次淘汰动作，并把新品观察期明确写进流程。这个阶段最大的风险是"上新速度超过运营承载力"，所以要给上新设置一个与团队产能挂钩的节奏上限。
这个规模下，人工已经无法维护组合结构。建议把 SKU 级利润核算和周转数据做成自动刷新看板，把淘汰动作变成季度例行流程，并建立 SKU 准入标准，也就是"什么样的新品不允许上架"。准入标准比淘汰标准更能控制长尾膨胀。
优先级最高的是统一毛利口径，其次是统一 SKU 主数据。这两件事做完之前，不要急着做组合诊断，否则每个结论都会被"口径不对"推翻。工具层面可以考虑前面提到的那类跨境数据分析方式，重点看它能否支持自定义分摊规则，而不只是给你一个默认的毛利数字。
不要一步跨到工具化。先用两周时间做一件事：把毛利、动销、周转三个指标的口径写成一份文档，明确分子分母和时间窗口。这份文档的价值远高于任何看板，因为它决定了后面所有分析能不能被采信。
组合优化的本质是取舍，不是优化。以下四组取舍是绕不开的，我给出自己的倾向和理由。
淘汰 SKU 一定会带来短期的 GMV 损失。我的倾向是分两批执行：第一批砍掉明确处在四象限淘汰区、且无连带价值的 SKU，观察一个季度；确认库存效率和毛利总额改善后再做第二批。一次性大规模清理很容易造成流量断层。
我见过追求口径完美而三个月不做决策的团队，也见过凭直觉每周砍款的团队。我的判断是：当决策可逆时选速度，当决策不可逆时选精致度。流量分配、组合位置是可逆的，可以快速试；下架、清仓、终止供应商合作是不可逆的，必须等口径清晰。
判断标准是"重复劳动量"。如果每次复盘都要花超过两天在数据清洗和匹配上，工具的投入就划算；如果 SKU 不到 200 个、数据来源单一，人力投入更灵活。不要为了工具而工具。
毛利高度集中是效率的体现，也是风险的来源。我一般建议把头部 SKU 的毛利贡献集中度控制在一个区间内：太低说明结构涣散、资源浪费，太高说明抗风险能力弱。具体区间因类目而异，但方向是明确的，追求效率的同时要留出冗余。
方法论再完整，落不了地也是零。我发现复盘结论无法执行的原因，八成不在分析层面，而在组织层面。以下三件事是我认为必须做的。
口径争议的本质是权责不清。我的建议是每个核心指标指定一个唯一负责人，这个人对口径的定义和变更负责。口径变更必须留版本记录，并同步到所有看板和数据源。没有这个机制，跨部门复盘永远会退化成"你们的数据不对"。
"A 类 SKU 贡献了 83% 的毛利"是数据语言，说了等于没说。"我们建议下架 42 个 SKU，预计释放 118 万元库存资金，短期毛利影响约 -9 万元，两个月内可通过核心款补货节奏优化收回"，这是决策语言。管理层的注意力只会给后者。
多数团队有复盘节奏，没有验证节奏。我建议把验证环节写进流程：每次淘汰动作执行后 30 天做一次快速回看，90 天做一次完整验证，把验证结果记录在案。这样做满一年之后，你会拥有一套属于自己类目的淘汰标准，这比任何通用方法论都值钱。
顺带说一句，前面提到的工具价值也体现在这里：当口径被固化在系统里，验证环节的成本会大幅下降，你才有动力真的去做验证。否则每次验证都要重新对一遍口径，谁都不愿意做。
回到开头那句批注。业务方要的从来不是更完整的报表，而是更明确的动作。数据复盘解决组合优化问题的方式，不是把数据看清楚，而是把选择讲清楚，选择留谁、砍谁、调什么、补哪里，以及每一个选择的依据和风险。
如果你现在就想起步，我建议从最小的一步开始：在下一次复盘的最后，强制加一页"留砍调补"清单，每一类至少写一条，并且必须带责任人和时间点。哪怕这一页写得不完美，哪怕判断有偏差，它也会立刻暴露你的数据缺口和口径问题。这比先花三个月搭指标体系要快得多。
第二步，把毛利贡献排名和 GMV 贡献排名放在同一张表里对比一次。两者的差异会直接指向你组合里最需要处理的那部分 SKU。
第三步，把这次的动作记录下来，30 天后回看。你会得到第一个属于自己业务的、可复用的判断依据。
组合优化没有终点，只有一轮又一轮的校正。真正拉开差距的团队，不是数据最全的那个，而是每一轮都能把结论变成动作、并且真的回头验证的那个。
我之前做商品复盘时，习惯把每个SKU的销量、转化率、毛利拉出来单独排名，卖得好的就加投，卖得差的就砍。但老板总说我看得不够全局，我有点困惑：单品数据都做好了，组合问题不就自然解决了吗？到底什么情况下必须切换到组合视角？
单品分析回答的是“这个商品本身好不好”，判断依据是它自身的销量、转化、毛利、库存周转；组合分析回答的是“这组商品结构健不健康”，判断依据是商品之间的角色分工、价格带覆盖、毛利贡献分布和关联购买关系。
单品优秀不等于组合健康，比如一个爆款贡献了60%的GMV但毛利极低，同时挤压了高毛利商品的流量位，单看每个SKU都合格，组合却在恶化。实操上，建议单品分析用于日常补货和单品优化，组合分析用于月度或大促后的结构复盘，重点看三个信号：头部集中度是否过高、价格带是否有断档、高毛利商品是否缺乏流量支撑。
出现任一信号，就必须从单品视角切换到组合视角。
我们团队每次复盘，运营说的动销率和商品部说的动销率经常对不上，财务又只认自己那套毛利算法。会上光解释口径就花一半时间，结论根本推不下去。我就想知道，这几个核心指标到底有没有一个相对通用的定义方式，能让大家先对齐再讨论？
口径分歧的根源通常在三处：统计周期、统计范围和计算分母。动销率的分子是期间内有销售的商品数，分母是期间内可售商品总数，关键要约定“可售”是否包含期间内下架和新上的商品，建议统一为“期初在库加期内上新”；售罄率等于期间销量除以期初库存加期间入库，要明确是否扣除退货；
毛利贡献度建议用“某商品毛利额除以全组合毛利总额”，而不是用毛利率排名，因为毛利率高但销量极低的商品对组合利润的实际贡献可能很小。落地做法是：复盘前由数据方出一份指标口径卡，写清每个指标的分子、分母、时间窗口、数据来源，各方确认后再开会。
口径不统一时，先对齐口径，再讨论结论，不要在同一场会里既吵口径又吵决策。
我按ABC分类把商品分完层，A类重点保、C类准备砍，但真到执行时又犹豫了：有些C类商品销量低但毛利很高，还有些新品刚上没多久数据还没跑出来。我担心一刀切砍掉之后，后面发现砍错了。有没有更细的判断方法？
ABC分类只是分层起点，不能直接作为砍留依据。建议在ABC之上叠加两个维度：毛利贡献和库存周转，形成四象限。高销高利优先保留并加投；高销低利要评估是否靠它引流，若能带动关联购买可保留但控制库存深度；低销高利不要直接砍，先检查流量入口和陈列位置是否不足，给一个调整周期再判断；
低销低利且周转慢的才进入淘汰候选。对于新品，建议设置保护期，比如上市90天内不参与淘汰评估，但要看加购率、收藏率和复购意向等先行指标。砍之前还要做一次关联购买检查，如果某SKU单独销量低但经常和主力品一起被购买，砍掉可能连带影响主力品转化。判断依据是：淘汰决策要看组合影响，不只看单品表现。
我们复盘报告写得很详细，数据图表也做了不少，但每次开完会大家点点头，后面该怎么做还是怎么做。运营觉得商品部不改结构，商品部觉得运营不给流量，最后复盘等于白做。我就想知道，怎么让复盘结论真正变成可执行的动作？
落不了地的核心原因通常是复盘输出的是“数据描述”而不是“决策语言”。建议把复盘结论强制转成四类动作：留，明确哪些商品继续保留并给出加投的资源量；砍，列出淘汰清单、执行时间和库存清理方式；调，写清调什么，比如价格、库存深度、流量位、组合搭配，并指定责任人；补，基于组合缺口给出新品引入的方向和价格带。
每条动作都要绑定三个要素：判断依据、预期影响、验证时间点。汇报时不要按指标维度讲，而按决策维度讲，先讲结论和动作，再放数据支撑。另外建议建立复盘到验证的闭环，比如动作执行后两周回看关键指标变化，把验证结果带入下一轮复盘。这样复盘才不是一次性报告，而是持续迭代的决策机制。
读者评论
文中把复盘产出定义为决策清单而非报表，这点太戳了。我们团队每月出十几页分析，但很少有明确到SKU的动作和责任人，漏斗图那组流失数据看得人后背发凉。
单品视角和组合视角的七个维度对比很清晰，尤其是库存资金约束这一条。我们做美妆类目，以前总盯着单款点击转化，结果新品把主力款曝光挤没了都没察觉，确实需要重建框架。
六类数据里关联数据和约束数据最容易被忽略，但恰恰决定砍款的可行性。我们曾误砍一个引流款，后来才发现它带动了三款高毛利品，教训很深，这篇把风险边界讲透了。