上个月月底，我陪一家做家居收纳的店铺做季度复盘。会上运营同学打开报表，指着一款亚克力收纳盒说：“连续三周销量掉了37%，转化率掉了22%，建议直接砍掉。”会议室里没人反对，因为数字就摆在那儿。我当时多问了一句：这款商品上个月有没有断过货？仓库的人翻了十分钟记录，说月中因为供应商模具维修，主推色断货11天。这个商品后来没有砍，补货加了一轮站内投放，第七周销量回到原来的91%。
如果那天没多问这一句，一个处在成熟期的商品会被当成衰退品处理掉。
类似的场景我见过太多次。商品分析决策指南这类内容网上很多，但大部分停留在“要关注销量、转化率、复购率”的层面，讲的是该看哪些指标，不讲判断顺序、判断窗口和冲突处理。而真正让团队踩坑的，恰恰是后者。
这篇文章我想把整条链路拆开：数据复盘怎么读、生命周期怎么定、去留怎么决策、不同约束下怎么取舍。文中的数据和场景来自我自己经手的复盘项目，涉及具体商家时做了脱敏，纯推演的部分我会明确标注“示意数据”，你可以直接对照自己的报表套用。
绝大多数人学商品生命周期，第一件事是背那条S形曲线：导入、成长、成熟、衰退。背完之后发现，真实业务里几乎没法用，因为你手里的商品不会在图上标好自己现在在哪一段，你看到的只有一堆上下跳动的数字。
我做了几年商品复盘后，得出一个和主流说法不太一样的结论：生命周期判断不是一个“归类问题”，而是一个“排序问题”。你不需要先确定商品处在哪一段，你只需要按固定顺序回答四个问题，答案组合起来自然会指向某一个阶段。
结论一：判断顺序错了，指标再多也没用。我见过把17个指标堆在一张看板上的团队，复盘会开了三个小时，最后结论是“再观察一周”。指标不是越多越准，而是越有顺序越准。先看方向对不对，再看效率高不高，然后看商品健康不健康，最后看你还撑不撑得住。这个顺序不能乱，因为后一层的解读依赖前一层的结论。
结论二：单周波动没有信息量，四周才勉强构成趋势。我用同一批商品做过回溯测试：只看一周数据做去留判断，误判率大约在四成；拉到四周，误判率降到两成上下；拉到八周并把库存因素排除后，误判率降到一成以内。这个数字不一定适用于所有品类，但方向是稳定的，判断窗口太短，你判断的其实是噪声。
结论三：最贵的错误不是砍错，而是砍完之后没人复盘。很多团队误砍一个商品，损失的是这个商品未来几个月的销售额；但如果没人记录这次误判的原因，同样的错误会在下一个季度重演。复盘的价值有一半在于修正动作，另一半在于修正判断标准。
用一个具体例子说明。假设某商品最近四周销量下滑20%、转化率下滑18%、复购率持平、库存周转天数从35天降到12天。
如果按“指标越多越好”的思路，你很可能会得出“销量和转化双降，判断为衰退”的结论。但按顺序读：方向确实在向下；效率也在下降；可商品健康度（复购）没有恶化；而库存压力指向另一个解释，周转天数骤降往往意味着货不够卖，而不是卖不动。这时候正确的第一个动作是查缺货记录，而不是降价清仓。
同样的四个数字，顺序不同，结论完全相反。这也是为什么我一直建议团队把复盘模板从“指标清单”改成“问题清单”。
上面那个收纳盒的例子值得展开讲，因为它几乎包含了所有典型误判要素。我把当时的数据和后续动作完整还原一遍，你可以对照自己遇到过的类似情况。
这款亚克力收纳盒是2023年夏天上的，客单价89元，主要走站内搜索和短视频挂车两条流量。上市第4周到第11周是它的高光期，周均销量在1200件左右，稳定贡献店铺12%左右的GMV。第12周开始，数据往下走。
第12周销量980件，第13周810件，第14周756件。三周累计下滑37%。同期转化率从4.8%掉到3.7%，UV价值从4.3元掉到3.1元。运营同学看到这三组数字，第一反应是“竞品上新了，我们的价格没优势”，建议直接砍掉进入清仓。
我把那三周的数据拆得更细，发现三件事和“衰退”这个假设冲突。
第一件，复购率没有恶化。老客30天复购率维持在11.2%，和前八周基本持平。真正的衰退品通常伴随复购下滑，因为用户用过之后不再回来；复购稳定说明产品本身没问题。
第二件，退货率反而下降了。从6.1%降到4.9%。如果是质量或体验问题导致的销量下滑，退货率一般会先升后降，这里没有出现这个特征。
第三件，库存周转天数异常缩短。从原来的38天掉到9天，而同期采购在途数量为0。这几乎是在明说：不是卖不动，是没货可卖。
补货之后，这款商品第17周销量回到1090件，第18周回到1180件，接近高光期的水平。事后我们复盘这场会，发现问题不在运营同学的能力，而在流程：复盘会上没有人负责提出“反向假设”。
所有人都默认“销量下滑=商品衰退”这一个方向，于是所有的数据解读都在为这个结论找证据。这是典型的确认偏误。后来我们改了一个小规则：任何去留提案，提案人必须同时写出“如果我的判断是错的，最可能的原因是什么”，并列出对应的验证方法。这个规则听起来简单，但它把误判率压下去了不少。
在讲正确的判断逻辑之前，我想先把坑挖出来。下面这四个误区，我在不同规模、不同类目的团队里都见过，而且它们经常同时出现，互相强化。
最典型的表现是：大促后的第一周数据暴跌，团队立刻判定商品进入衰退期。但大促本身会透支后续需求，也会把用户的购买节奏整体前移，节后两周的低迷几乎是必然的。
更麻烦的是，单周数据的波动幅度往往比趋势变化更大。一个商品如果周销量在800到1300之间正常波动，你随机抽两周做对比，很容易得出“下滑40%”的结论，这个40%不是趋势，是方差。
我的修正方法很简单：任何去留决策都必须基于至少连续四周的数据，且这四周里不能包含大促周。如果非要用更短的窗口，那就必须配合跨商品对比，看同一周期内同类目其他商品的表现，如果大家都在跌，那大概率是流量大盘的问题。
竞品降价、竞品上新、竞品投了一大波内容，这些都会让你的商品数据变差，但它们不代表你的商品生命周期进入了衰退期。这两件事的处理方式完全不同：前者需要你调整竞争策略，后者需要你调整商品策略。
区分方法我通常用两个信号：一是价格敏感度，二是自然流量占比。如果销量下滑主要集中在价格敏感人群（表现为加购后未支付率上升、搜索关键词中价格类词占比上升），那多半是竞争问题；如果你的自然搜索排名和曝光量本身就在下降，那才更可能是商品层面的问题。
这是前面那个收纳盒案例的核心。前台销量是结果，库存和供应链是原因之一，但绝大多数复盘模板里根本没有库存字段。库存数据往往在另一个系统、另一个部门手里，复盘的人拿不到，也就不看了。
我建议至少在复盘表里加三个字段：期末可售库存、在途数量、缺货天数。有这三个字段，你能排除掉相当一部分“假衰退”。缺货天数尤其重要，它往往能解释掉一半以上的异常波动。
“该商品进入衰退期”，这不是结论，这是分类。真正的结论必须包含动作、责任人、时间点和验证方式。
我见过很多复盘文档，写得非常完整，指标齐全、图表精美，但通篇没有一句“谁在什么时候做什么”。这种复盘本质上是一次数据展示，不是一次决策。判断生命周期只是中间产物，最终要落到动作上。
把误区排除之后，接下来是我实际在用的判断框架。它的核心思想是：每一层数据只回答一个问题，回答完就不再纠缠，进入下一层。层与层之间有顺序，顺序本身就是逻辑。
看销量不是看绝对值，是看方向和加速度。我通常用四周滚动均值来平滑波动，同时看两个东西：滚动均值的斜率，以及最新一周相对滚动均值的位置。
如果滚动均值连续四周向下，且最新一周低于均值，方向判定为“向下”；如果滚动均值走平但单周突然跌破，方向判定为“待观察”；如果滚动均值向上，方向判定为“向上”。
这一层刻意做得宽松，因为它只负责排除掉四成左右的商品，剩下的都要进入下一层。不要在这一层做决策，只做筛选。
销量下滑有两种解释：来的人少了，或者来的人买了但买得少了。转化率区分这两种情况。
如果销量下滑但转化率稳定，说明是流量端的问题，商品本身的吸引力没变，这时候要查的是流量结构和投放策略。如果销量下滑同时转化率下滑，说明商品在同样流量下的说服力变弱了，这才是商品层面的信号。
UV价值是转化率和客单价的乘积，它能帮你判断“少赚了多少”。我一般把UV价值作为退出的核心门槛指标，因为它直接对应单位流量的产出效率，比单纯看销量更接近经营本质。
这一层的价值在于区分“暂时卖不好”和“商品本身不行了”。复购率稳定甚至上升，说明老客还认这个商品；退货率上升，说明新客体验出了问题。
需要提醒的是，复购率的口径必须先统一。是按订单算还是按用户算？窗口是30天、60天还是90天？不同口径算出来的数字可能差一倍。我见过两个团队因为口径不同，在复盘会上争论了四十分钟，最后发现两个人说的根本不是同一件事。
这一层最容易被忽略，但它往往直接决定动作。同样判定为衰退的商品，如果库存只有200件，处理方式是自然售罄；如果有8000件，处理方式就必须是主动清仓，甚至要提前规划清仓渠道。
我通常看三个数：可售库存天数、在途数量、库龄结构。库龄超过180天的部分要单独看，因为它对应的资金占用和减值风险是另一套逻辑。
现实里经常出现层级之间打架的情况，比如方向向下、效率稳定、健康度好、库存压力大。这时候按下面的顺序处理。
四层读完，你会得到一组信号组合。下面这张表是我实际在用的对照表，左边是信号组合，右边是建议动作和验证方式。
| 信号组合 | 阶段判断 | 建议动作 | 验证方式 |
|---|---|---|---|
| 方向向上 + 效率上升 + 健康度好 | 成长期 | 加投，扩渠道，追加备货 | 两周内UV价值是否继续上升 |
| 方向走平 + 效率高位稳定 + 健康度好 | 成熟期 | 维稳为主，拓客单价或组合销售 | 毛利率是否守住，复购是否维持 |
| 方向向下 + 效率稳定 + 健康度好 | 流量端问题 | 暂不调整商品，查流量结构 | 自然搜索曝光是否恢复 |
| 方向向下 + 效率下降 + 健康度恶化 | 衰退期 | 进入清仓或迭代，停止加投 | 清仓周转是否按计划推进 |
| 方向向下 + 效率下降 + 库存异常 | 伪衰退 | 先解决供给问题，再重新观察四周 | 补货后销量是否回正 |
| 方向向下 + 效率下降 + 退货率上升 | 质量或体验问题 | 暂停投放，优先处理差评与售后 | 退货率是否回落至基线 |
伪衰退是这篇文章里我最想强调的部分。所谓伪衰退，是指商品数据表现像衰退，但根本原因不在商品本身。如果按真衰退处理，你砍掉的可能是一个还能再卖一年的商品。
下面六个体征，是我在做复盘时必查的清单。任何一个命中，都要暂停去留决策。
最容易被忽略也最常见。表现是销量下滑、转化率下滑、库存周转天数缩短。查法很简单：拉出这段时间的每日可售库存，看有没有低于安全库存的天数。
我建议把“缺货天数占比”作为一个固定指标放进复盘表。经验上，缺货天数超过统计周期的15%，就足以解释掉大部分数据下滑。
表现是销量下滑、退货率上升、转化率下降。区分点是退货原因分类：如果是同一类原因集中出现（比如某批次色差、某批次尺寸偏差），那是批次质量问题，处理批次即可，商品本身没问题。
表现是销量下滑但复购稳定，加购后未支付率上升。这时候要查的是竞品价格变动和你的价格带位置。如果竞品只是短期促销，通常不需要跟进；如果是长期降价，那要考虑的是定价策略，而不是商品生命周期。
表现是整体销量下滑，但拆到渠道维度，某个渠道其实还在增长，是另一个渠道塌了。常见原因是推荐算法调整、某个内容素材失效、某个达人合作结束。
这类情况的处理方式是重建流量，而不是砍商品。判断方法是对比各渠道的曝光量和点击率，看是量的问题还是率的问题。
主图换了、详情页改了、价格调了、赠品取消了，任何一个动作都可能带来短期数据波动。复盘时要把这些动作的时间点和数据拐点对齐，看是否重合。
我要求团队维护一份“运营动作日历”，每次复盘先对齐日历再看数据。这个习惯帮我们避免了很多次误判。
季节性品类最容易踩这个坑。一款夏季商品在秋天数据下滑，这不叫衰退，叫季节。处理方式是看同比而不是环比。
平台规则变化同样如此，比如评价展示规则、搜索权重规则的调整，会整体影响一批商品。判断方法是看同类目其他商品是否同步下滑。
很多团队判断失误，不是逻辑错了，是窗口和基线选错了。同一个商品，用四周窗口看是下滑，用八周窗口看是平稳，用同比看是增长。这三种结论都“对”，取决于你要回答什么问题。
我的建议是按品类周转速度来定，而不是拍一个统一数字。
三种粒度不是互相替代，是分工不同。日粒度用来看异常和拐点，周粒度用来看趋势，月粒度用来看结构和同比。
我的习惯用法是：先用月粒度确认商品所在的整体位置，再用周粒度看最近八周的趋势形态，最后用日粒度定位拐点出现在哪一天、是否和某个运营动作或供给事件重合。三层粒度叠起来，误判率会比单用一层低很多。
环比适合判断短期变化，缺点是受季节和促销影响大。同比适合判断长期位置，缺点是对新品无效。目标值适合判断达成情况，缺点是目标本身可能定得不合理。
我的建议是三者同时看，但明确各自的用途：环比用来触发预警，同比用来判断阶段，目标值用来决定资源分配优先级。三个基线指向同一个结论时，判断可信度最高；指向不同结论时，需要回到四层漏斗重新读一遍数据。
网上很多文章会告诉你“复购率低于8%就该淘汰”，这类阈值基本不能直接用。合理的阈值应该从你自己的历史数据里算出来。
具体做法是：把过去一年被淘汰的商品拉出来，看它们在被淘汰前12周的指标分布，取第25百分位作为预警线，第10百分位作为决策线。这样算出来的阈值是和你自己的经营水平匹配的，比任何通用数字都可靠。
我把这套流程做成了一个可复用的脚本，用来批量计算每个品类的预警阈值。下面是一个简化版本的伪代码，供参考。
输入：品类内过去12个月被淘汰的商品列表（数量 N >= 30）
输出：该品类的三档阈值（预警线、观察线、决策线）
for 每个指标 in [销量四周变化率, UV价值, 复购率, 退货率, 可售库存天数]:
取每个商品被淘汰前第12周的指标值，组成序列 S
预警线 = S 的第 75 百分位（对负向指标取反向）
观察线 = S 的第 50 百分位
决策线 = S 的第 25 百分位
校验：用上季度的实际淘汰动作回测，若预警线触发的商品中有超过40%
最终没有进入淘汰，则说明预警线过松，需要上调。
注意：样本量少于30个商品时不要计算阈值，结果不可靠。
新品类前6个月采用人工判断，不要套用其他品类的阈值。
前面讲的都是判断逻辑，但逻辑要落地，绕不开一个现实问题：数据散在多个系统里，复盘的人拿不全。这个环节我踩过不少坑，后来在一家做跨境家居的店铺里，我们用数跨境做了一次完整改造，过程值得讲一讲。
这家店铺在三个平台有店，商品数大约480个。改造前的复盘流程是这样的：运营从各平台后台导出销量和流量数据，仓库从ERP导出库存数据，财务从另一个系统导出成本数据，三个Excel在复盘会前一天合并。
听上去还行，实际问题很多。三个Excel的SKU编码不统一，每次合并都要人工映射；库存数据是当天快照，没有历史，所以看不到“缺货天数”这个指标；合并后的表要手工算变化率，一个人做一次大约要3.5小时。
结果就是复盘会一月开一次，而且讨论的往往是“数据对不对”而不是“商品该不该留”。
我们最开始的想法是赶紧把数据接进来，但做完第一版就发现不对，接进来的数据还是各说各话。于是掉头先做口径定义，这件事花了整整一周。
具体定义了四件事：SKU主键怎么映射、统计周期是自然周还是滚动周、复购按用户还是按订单、库存口径含不含在途。每一项都写成文档，双方签字确认。
这一周看起来没产出任何图表，但它决定了后面所有数据的可用性。我后来在别的项目里也坚持先做这一步，能省掉后面大量的返工和争论。
口径统一之后，我们把四层漏斗做成了看板，每周一自动刷新。下面是一次真实的判断过程，商品是一款折叠式晾衣架。
第一层，销量四周滚动变化率 -19%，进入下一层。第二层，转化率相对基线 -11%，UV价值从3.8元降到3.0元，继续往下。第三层，复购率稳定在9.7%，退货率从5.2%微升到5.8%，健康度尚可。第四层，可售库存天数从42天降到16天，期间缺货天数4天，在途数量0。
四层信号组合起来，指向的是供给端问题而非商品衰退。动作是：紧急补货，同时暂停降价计划。补货到位后第三周，销量恢复到基线的94%。
如果没有库存历史数据，这次大概率会被判定为衰退并进入清仓，按当时的库存量估算，损失大约在9万元左右。
第一，先定口径，再谈看板。顺序反了，做出来的东西迟早要推翻。第二，库存历史数据的价值被严重低估。大部分团队只有当天快照，导致伪衰退无法识别。第三，把决策落地率当成复盘的核心KPI。复盘会开得再漂亮，动作没执行就等于没开。
判断出阶段之后，动作要跟着变。下面按五个阶段给出我认为最关键的几个动作，以及容易被忽略的细节。
导入期的销量参考价值很低，因为流量基数太小。这个阶段我只看两个指标：退货率有没有超过品类均值，以及内容素材的完播率和点击率是否达到及格线。
退货率反映产品是否成立，内容指标反映传播是否成立。这两件事都过关，才值得继续投入。这个阶段不要急着看ROI，样本量不够，ROI波动会非常大。
成长期最容易犯的错是只看销量增长不看毛利结构。加投会拉高流量成本，如果客单价和毛利率没跟上，很可能出现“越卖越亏”的情况。
我的建议是给成长期商品设一个毛利下限，低于这个线就停止加投，先优化货品组合或价格结构。增长质量比增长速度重要。
成熟期的核心是吃透存量。拉新成本在这个阶段往往已经很高，继续加大拉新投入的边际收益在下降。更有效的方式是组合销售、升级款、会员专享，把同一个用户的客单价做上去。
同时要注意成熟期的库存管理，这个阶段最容易因为惯性备货造成积压。
衰退期分两种。主动收是指你主动减少投入、逐步退出，节奏可控；被动退是指数据先崩了你才反应，通常伴随库存积压和价格战。
两者的处理方式完全不同。主动收可以规划清仓节奏，保住毛利；被动退往往只能亏本出清。判断这两种情况的关键指标是库存周转天数和库龄结构。
淘汰不是终点。我要求每次淘汰商品都要写一份简短的退出复盘：为什么进、为什么退、如果重来一次会在哪个节点做不同决策。这些记录积累起来，就是下一批商品的判断依据。
判断逻辑清楚之后，真正的难题是取舍。同样的商品、同样的阶段判断，在不同约束下应该有不同的动作。下面四组取舍是我在实际决策中最常遇到的。
现金流紧张时，决策的第一原则是回款速度优先于毛利水平。这时候即使判定为成长期，也要控制备货规模，宁可接受阶段性断货，也不要压资金。
现金流宽裕时，可以做逆向操作：在别人清仓时低价接货，或者在某个商品的衰退期提前布局迭代款。同一个商品在不同现金流状态下的最优动作可能是相反的。
单品视角看，一个商品判定衰退就该退出。但放到品类视角，它可能是整个价格带里唯一的价格锚点，撤掉之后会连带影响同品类其他商品的转化。
我的处理方式是：单品决策前先看它在品类中的角色。如果它是引流款、锚点款或者组合必备款，那么退出的标准要比普通商品高一些，可能需要接受更低的毛利。
标品的生命周期判断相对容易，因为可比性强，同比和环比都有意义。非标品则麻烦得多，尤其是设计驱动的品类，销量波动可能来自款式偏好变化，很难用通用指标判断。
对非标品，我更多依赖两个信号：同系列其他款的连带表现，以及老客的复购集中度。如果老客还在持续回购某些款，说明这个设计方向没有失效，可能只是主推款选错了。
自营的库存风险由自己承担，所以判断会更保守；代销模式下库存风险由供应商承担，可以更激进地测试更多SKU。
但代销也有隐性成本，比如供应链响应速度和品质稳定性，这两个因素会直接影响退货率和复购率。做代销选品时，我会把供应商稳定性作为一个独立的评估维度，而不是只看商品数据。
最后讲落地。判断逻辑再严密，没有机制支撑也会退化回拍脑袋。我现在推进复盘体系，通常按下面的节奏来搭。
周度预警会，30分钟。只看异常，不做决策。触发条件是任意一层漏斗指标突破预警线。参与者是运营和供应链，产出是异常清单。
月度决策会，90分钟。处理已经持续两周以上的异常，做去留判断。参与者增加财务和商品企划，产出是动作清单，每条动作必须有责任人和截止时间。
季度校准会，半天。回看本季度所有去留决策的结果，修正阈值和判断规则。这个会是最容易被砍掉的，但它的长期价值最高。
任何去留决策的文档，我要求必须包含三个字段，缺一不可。
决策做完之后，很少有人回来填结果。但恰恰是这些结果数据，是你计算自己品类阈值的最好素材。我一般要求每条决策在30天后回填一次实际结果，简单到只需要填三个字段：动作是否执行、执行后的指标变化、判断是否正确。
积累一年之后，你会拥有一份完全属于自己的判断基准，比任何通用方法论都更贴合你的业务。这才是数据复盘真正的复利。
关于工具，我的判断标准只有三条：能不能保留历史快照（尤其是库存）、能不能自定义口径、能不能把决策和结果关联起来。三条都满足的工具其实不多，很多工具强在可视化，弱在历史数据和决策闭环。
选型时建议先用真实数据做一次小范围验证，重点看它能不能算清“缺货天数”和“库龄结构”这两个指标。这两个指标算不出来，工具再漂亮也解决不了伪衰退误判的问题。
回到最开始那个收纳盒的例子。那次复盘会之后，我们把“库存历史”和“反向假设”两条加进了流程。半年下来，误砍商品的数量从每季度7个降到了2个。
生命周期判断这件事，说到底不是让你更准确地给商品贴标签，而是让你在信息不完整的时候，还能做出可以承受、可以修正的决策。下一步你可以做三件具体的事：
这三件事做完，你会发现自己的判断标准已经和大多数人不在一个水平线上了。因为大多数人还在纠结“该看哪些指标”，而你要解决的是“按什么顺序看、看多长、冲突时听谁的”。
我之前带过一个家居类目，商品前两周卖得挺好，第三周突然掉了一半，老板直接问我要不要下架。我当时只看了三周数据就慌了，后来才发现是那周平台改了流量分配规则，跟我商品本身没关系。所以我现在特别想知道，到底看多长时间的数据才能真正判断一个商品是不是进入衰退期。
建议按品类动销节奏分档设定观察窗口：快消、零食、日用品这类动销快的品类，至少看连续8周（约2个月）的周粒度数据；家电、家具、数码这类决策周期长的耐消品，建议看12周甚至一个完整季度。
核心判断标准不是绝对值，而是滑动趋势的方向：用最近4周均值对比前4周均值，跌幅超过20%且连续3周无回升，才具备'趋势性下滑'的定性资格。另外必须做一层排除：把大促周、平台改规则周、缺货周单独标注出来，这些周的数据不能直接进趋势线，否则很容易把外部扰动误判成商品衰退。
粒度上，周数据比日数据更抗噪，月数据又太粗容易掩盖拐点，周粒度是多数品类的最优解。
我之前一直以为销量是滞后指标，等它掉下来再反应就晚了。有次一个爆款突然不行了，我复盘才发现加购率和详情页停留时长早在两周前就开始往下走了，但我当时根本没看这些。我想知道到底该盯哪些先行指标，才能提前一两周就闻到不对劲的味道。
把指标按'先行，同步，滞后'分三层来看。先行指标包括：加购率、收藏率、详情页停留时长、搜索曝光点击率（CTR），这些反映用户兴趣，通常比销量提前1-2周变化；同步指标是转化率、UV价值、客单价，跟销量同步波动；滞后指标是复购率、退货率、库存周转天数，反映的是已经发生的结果。
实操上建议设一条'先行指标预警线'：当加购率连续两周环比下降超过15%，同时详情页停留时长下降超过20%，就要启动排查，不用等销量掉。但要注意，单看一个先行指标容易误判，最好是两到三个先行指标同时走弱，才构成有效预警信号。
我们店铺有个SKU，上个月销量突然腰斩，运营团队准备清仓，结果我一看后台发现是那段时间仓库缺货导致断货了十天，补货之后销量立刻恢复。这件事让我意识到，很多所谓的'衰退'其实是自己内部问题造成的。我想知道有没有一套判断流程，能帮我把真衰退和假衰退分开。
建立一份'伪衰退排查清单'，按顺序过一遍：第一，查库存和供应链，有没有断货、缺货、发货延迟、品质批次问题；第二，查流量结构，搜索流量、推荐流量、付费流量各自的变化，是不是平台流量分配变了或者广告预算砍了；第三，查竞品动作，同价格带有没有新品上市、大力度降价、网红带货截流；
第四，查评价和口碑，差评率、退货原因有没有突然恶化；第五，查运营动作，有没有改价、改主图、改详情页、调SKU结构。这五项全部排除后，如果销量和核心先行指标依然持续走弱，才判定为真衰退。实操建议是把这个排查做成一张表，每次数据异常先填表再下结论，避免团队凭直觉拍板。
我最头疼的就是这个环节，知道商品不行了，但到底该救还是该砍，团队里每个人意见都不一样。运营说再投点广告试试，采购说库存还有一大堆，老板说直接下架换新品。我想知道有没有一套相对客观的决策标准，能让大家按同一套逻辑做判断，而不是靠嗓门大小。
用'剩余价值+迭代成本+库存压力'三个维度交叉判断。第一种情况：衰退主因是流量或运营问题（比如主图老化、关键词没更新），商品本身的复购率、退货率、评价依然健康，且库存周转天数在可接受范围内，这类适合迭代，改造主图、优化详情、调整投放策略，给4周观察期。
第二种情况：衰退主因是产品力本身落后（功能被竞品超越、差评集中指向产品缺陷），且迭代需要重新开模或改供应链，成本高周期长，这类果断淘汰，把资源让给新品。第三种情况：产品还有需求但利润已被挤压到临界点，同时库存积压严重，这类走清仓，设定明确清仓周期（比如4周），到点没清完就捆绑销售或走特卖渠道。
判断时建议拉一个简单打分表：复购率、退货率、毛利率、库存天数、改造成本各打分，加权后决定去向，这样团队讨论时有共同依据，不用互相说服。
读者评论
看完那个收纳盒的案例很有感触，我们店也差点因为断货把一款爆款砍掉，后来补货后销量确实回来了，库存字段真的应该加到复盘模板里。
四周滚动均值这个做法很实用，之前我们就是看单周数据波动就急着做决定，结果误判了好几次，后来拉长到一个月才看清趋势。
确认偏误那段说得太对了，复盘会上一旦有人先定了调，后面所有人都在找证据支持，提案人写反向假设这个规则值得试试。