2022年第二季度，我接手一个家居出海团队的商品分析工作时，办公桌上摊着17张报表。三个月前这里只有3张。SKU数从1200个扩到2800个，GMV同比涨了62%，毛利额只涨了9%。我们投进去一个季度的分析人力，最后能真正落到决策动作上的结论只有两条。这不是数据不够的问题，是分析对象选错了，所有人都在盯单品，没有人盯单品之间的关系。
后来我复盘这件事，发现问题出在一个顺序上：我们一直在试图先搭一套"系统"，再用系统去做优化。真实顺序恰恰相反。组合优化是因，系统搭建是果。你先把商品之间的关系算清楚、把决策问题问对，系统才有东西可装；反过来，先买工具、先建看板、先定指标，最后大概率得到一堆没人看的图表。
这篇文章会把我这几年的实施路径完整拆开：为什么单品分析有天花板、组合优化到底分析什么、指标口径怎么统一、五个步骤的先后顺序，以及在不同团队规模下该做什么取舍。里面所有数字，标注为"项目经验值"的是我经手项目的真实区间，标注为"示意数据"的是为了说明结构关系做的模拟，不构成行业基准。
我见过太多团队把这两个概念并列来讲。听完一场分享，回去就立项要"搭建商品分析系统"，招标、选型、对接数据源，半年过去，看板上线了，业务侧的使用率不到两成。原因不复杂：系统解决的是"重复计算"的问题，不解决"算什么问题"的问题。
如果你还没搞清哪些商品在互相抢流量、哪些价格带在自我内耗、哪些高毛利款被自己人挤掉了位置，那么你上线系统之后，只是把错误的分析口径自动化了而已。错误的结论批量生产，比没有结论更危险。
单品分析能回答的问题其实很有限：这个商品卖得好不好、库存够不够、毛利正不正常、转化率高不高。这些全是"商品自身的状态描述"。
但业务真正要做的决策，几乎都跨商品：主推哪几款、砍掉哪一批、新品的价格带放在哪里、促销时用谁引流、用谁承接利润。这些问题在单品视角下无解，因为答案取决于商品之间的比较和替代关系，而不是单个商品的绝对表现。
我做过一个粗略统计，在我接触过的六个团队里，商品分析会上超过七成的讨论时间花在单品表现上，但最终需要拍板的决策里，超过六成是组合层面的。这个错配就是效率损失的来源。
第一，组合优化的产出物不是报表，是"关系结论"。比如"这两个价格带在互相蚕食"、"这三个款构成一个完整的引流，承接，利润闭环"。关系结论才能驱动动作。
第二，系统搭建的正确触发点，是你发现"同一个关系结论需要每月重复计算一次"。这时候才值得固化。第一次算的时候用Excel，完全没问题。
第三，指标口径不是技术问题，是治理问题。谁定义、谁解释、谁负责变更，这件事定不下来，系统上线即失控。
我必须说清楚边界。如果你的SKU总数长期低于200个，组合优化的边际收益很低，把单品分析的准确度做扎实就够了，硬套组合框架反而是浪费。
另一种情形是业务模式本身没有组合空间。比如纯定制、纯预售、一单一议的品类，商品之间不存在替代和搭配关系，这时候讨论组合就是在讨论不存在的东西。先判断前置条件，再决定要不要往下走。
我把开头那个案例拆细一点。这是一个做家居收纳品类的出海团队，主战场在亚马逊美国站，2022年初开始铺欧洲和东南亚。品类从6个扩到14个，SKU从1200个扩到2800个。
扩张本身没问题。问题出在扩张之后，团队用的是同一套分析方式：每个品类一张销售表、一张库存表、一张广告表，再加一张汇总。品类从6个变14个，报表从3张变17张。这不是谁偷懒，这是单品分析逻辑的必然结果。
第一周我做的事情很朴素：把过去12个月的销售、库存、广告三份底表拉出来，按SKU汇总，然后按价格带和毛利贡献做了一次二维切分。
结果一出来，会议室安静了几秒。SKU数排在前三的价格带（19.99-29.99美元、29.99-39.99美元、39.99-49.99美元）一共装了1800多个SKU，贡献了大约78%的GMV。但毛利贡献率只有51%，比新增SKU集中度低得多的两个中高价格带还低。
更麻烦的是第二层发现：在Top 20毛利贡献SKU里，有7个的站内流量入口在过去半年被新上架的低毛利款截走了。这两批SKU的价格带高度重叠，广告词也高度重叠。团队不是没做分析，是没做"商品之间"的分析。
我把那次盘点的发现整理成四类，后来在别的项目里反复见到，几乎成了通用模板。
第一类是价格带内耗。同一价格区间内SKU过度密集，彼此争夺相同的搜索词和推荐位，结果是内部竞价抬高广告成本，外部没有新增份额。
第二类是角色缺位。一个健康的品类结构里，应该同时存在引流款、承接款和利润款。很多团队只有引流款和利润款，中间断了，用户被引流进来之后没有合适的过渡，直接跳到利润款导致转化率崩塌，或者直接流失。
第三类是关联断裂。本来应该形成搭配销售的商品，因为上架时间、配件适配、页面推荐位没打通，连带率长期低于合理水平。这一项往往被算成"运营问题"，实际上是分析缺位。
第四类是生命周期错配。新品还在测试期就给大量库存和广告预算，成熟期的现金牛被削减投入，衰退款迟迟不下架占着坑位和仓储费。
因为这四类问题的共同点是：它们在单品报表上全都显示为"正常"。
内耗的两个款各自看，转化率都在类目均值以上；角色缺位的品类看总量，GMV还在涨；关联断裂看单品，每一款的评分都不错；生命周期错配看月度数据，波动也在正常范围内。问题只存在于商品与商品的对照之中，而对照这件事，单品报表天然不做。
这几年我被问得最多的四个问题，背后对应四个误区。我逐个说清楚。
这是最普遍的。逻辑听起来很顺：没有系统，数据都拿不到，怎么优化？
问题在于，"系统"这个词被偷换了。拿数据不需要系统，导出一份CSV就能开始。真正需要系统的是"每月重复同一次计算"，而不是"第一次计算"。
我的建议很直接：第一次做组合分析，用Excel或者一段SQL就够了。如果这一步都跑不出结论，说明你的问题定义有问题，上系统只会把这个错误固化。等到你已经连续三个月重复同一套计算、并且结论确实驱动了动作，再考虑工具化。
"多维度"是个很危险的说法。它听起来专业，实际上什么都没承诺。价格、销量、库存、评价、广告、退货率，维度可以列二十个，但列完之后你还是不知道要做什么。
组合优化和"多维度分析"的区别在于，它必须落到关系判断上。比如"这两款是替代关系，应该合并主推"、"这三款是递进关系，应该做连带"。没有关系判断，就是维度堆砌。
我见过一个团队，为了统一"动销"的定义开了四次会。IT部门想按"近30天有出库记录"算，业务部门坚持按"近30天有正向净销量"算，财务要求剔除退货。
三方的定义各自都合理，但如果不定下来一个并且写清楚适用场景，系统上线之后每个人都按自己的理解看板，会上就会变成口径辩论赛。
我的处理方式是：同一个指标允许存在多个口径，但必须命名不同、标注使用场景、指定唯一的解释责任人。强行统一往往导致某一方的真实需求被掩盖。
这是一个隐蔽但杀伤力很大的误区。组合优化的效果往往表现为"某些单品的指标变差了，但整体变好了"。
典型例子：把一个高毛利款从主推位撤下来，让它专注承接连带，结果是它的独立ROI下降，但整体连带率和客单价上升。如果你拿单品ROI去考核，这个正确的动作会被判定为失败。
组合优化的考核单位是"组"，不是"款"。这一点如果不在考核层面确认，任何组合优化都活不过一个考核周期。
框架我用的是四个维度，但必须强调，这不是一张可以照抄的分类表。每个维度都要给出判断标准，否则就是回到"多维度分析"的老路。
下面每个维度我都会写清楚：看什么、判断标准是什么、什么情况下这个维度可以跳过。
结构维度回答的是"这个品类里，每个商品在扮演什么角色"。
我的判断标准是三个指标的组合：流量贡献占比、毛利贡献占比、转化承接率。流量贡献高、毛利贡献低的是引流款；两者都高的核心款；流量低、毛利高、承接率好的是利润款；三个都低的是待淘汰款。
比较健康的结构，通常是引流款占SKU数20%以内、贡献40%-50%的流量，利润款占SKU数15%-25%、贡献35%-45%的毛利。
如果某个品类引流款占了SKU数的一半以上，那基本可以判断这个品类的定价策略出了问题，不是选品问题。
当你的品类SKU数低于50个，且价格带分布本来就窄的时候，结构分析的信息量很低，直接看单品的角色更高效。
关联维度是组合优化里最被低估的一块。它回答的是"商品之间是什么关系"。
三种关系需要区分清楚。替代关系意味着两款商品在抢同一批用户，处理方式是取舍或者明确分工；搭配关系意味着可以一起买，处理方式是打通推荐位和组合优惠；递进关系意味着用户会先买A再买B，处理方式是按生命周期安排推荐节奏。
判断方法上，替代关系看重叠的搜索词和相似的加购人群；搭配关系看订单层面的共现率；递进关系看同一用户在不同时间段的复购路径。
这里有个常见错误：用类目归属判断关联，而不是用真实订单数据。我见过一个团队把"同属收纳类"当成强关联，结果做了半年组合推荐，连带率没动，因为真实订单里这两批商品几乎不共现。
生命周期维度回答的是"每款商品当前处于哪个阶段，应该配多少资源"。
我做判断时主要看三个信号：上架时长、销量增速的加速度、以及退货率的变化方向。上架90天内、增速为正且加速、退货率稳定的是引入期；增速为正但减速的是成长期末段；增速趋零、退货率上升的是成熟期末段或衰退期。
关键判断在于资源分配。引入期给测试预算但不给大量库存；成长期给库存和广告；成熟期维持并开始榨取利润；衰退期做清仓并释放坑位。
我见过最常见的错误是反过来：引入期给大量库存（因为"看好"），成熟期反而削减广告（因为"已经很稳了"）。这个反向操作在数据上短期内看不出来，三到六个月后集中爆发为库存积压和增长停滞。
效益维度是最终落点，但要小心，它不能单独看。
三个核心指标的平衡关系是这样的：毛利额决定赚钱多少，周转率决定资金效率，动销率决定结构健康度。三者互相牵制，任何单项优化都可能损害另外两项。
比如为了拉升毛利额，砍掉低毛利引流款，短期毛利额上升，但引流断层会导致整体流量下滑，两三个月后总毛利额反而下降。这就是为什么效益维度必须和其他三个维度一起看。
有了关系结论，下一步才是指标。这里我要强调一个顺序：先有结论，再定指标；不是先定一堆指标，再从指标里找结论。后者是绝大多数体系失败的原因。
原则一：指标必须先绑定决策。一个指标如果找不到它会影响哪个具体决策，就不要进指标体系。这条能砍掉六成以上的候选指标。
原则二：允许多口径并存，但必须命名可区分。比如"动销率_近30天净销量口径"和"动销率_近30天出库口径"，两个都可以存在，但看板上必须写清楚。
原则三：每个指标都要有唯一的解释责任人。不是计算责任人，是解释责任人，当这个指标异常时，谁来回答"为什么"。这一条是体系能不能长期运转的关键。
核心指标的数量我建议控制在8到12个之间。低于8个，覆盖不住四个维度；高于12个，会上就会出现"看哪个指标"的争论。
辅助指标的作用是解释，不是决策。它们通常在核心指标异常时被调取，平时不在主看板上出现。这个分工能显著降低看板复杂度。
| 维度 | 核心指标（进主看板） | 辅助指标（异常时调取） |
|---|---|---|
| 结构 | 流量贡献占比、毛利贡献占比、角色分布 | SKU密度、价格带内SKU数、价格带跨度 |
| 关联 | 订单共现率、连带率 | 搜索词重叠度、加购人群相似度、复购间隔 |
| 生命周期 | 销量增速加速度、上架时长分层 | 退货率变化、评价增速、库存周转天数 |
| 效益 | 毛利额、周转率、动销率 | 毛利率、客单价、仓储成本占比 |
第一道，决策淘汰线：这个指标异常时，会不会触发一个具体动作？不会就淘汰。
第二道，口径淘汰线：这个指标的口径能不能在一周内定下来并且无异议？不能就延后，不要为了它拖住整个体系。
第三道，解释淘汰线：有没有人能解释它的异常？没有就淘汰，指标异常但无人能解释，只会制造焦虑。
前面讲的是判断逻辑，这一节讲执行顺序。顺序比内容重要，因为顺序错了会导致返工。
这一步经常被跳过，但它是整条路径的分水岭。
具体做法是：找业务负责人，让他们用一句话写出"下个月要拍板的三件事"。比如"哪些SKU要下架"、"新品定价放在哪个价格带"、"Q3的广告预算怎么分配"。
写不出来，说明问题还没定义清楚，后面所有工作都会变成无目标的数据探索。
这一步的产出物是一张问题清单，不是一份数据需求。输入是业务痛点，动作是书面化，输出是3到5条明确的决策问题。失败信号是：写出来的问题是"我想看看商品表现"这种描述性表述，而不是决策性表述。
带着问题清单，按第四节那四个维度去搭框架。注意不是四个维度全做，而是根据问题选维度。
如果问题是"哪些SKU要下架"，主要用结构维度和效益维度；如果问题是"新品定价放哪里"，主要用结构维度和关联维度；如果问题是"预算怎么分配"，主要用生命周期维度和效益维度。
这一步的产出物是一张关系结论清单，比如"这两款是替代关系"、"这个价格带缺承接款"。失败信号是：产出的是数据汇总表而不是关系判断。
拿着关系结论清单，倒推需要哪些指标。这时候指标是"被结论选出来的"，不是"被列出来的"。
口径定义建议用一段可执行的代码沉淀下来，不要停留在文档里。文档会过期，代码不会。
-- 组合毛利贡献与角色分布口径（示例）
select
category_id,
price_band,
count(distinct sku_id) as sku_cnt,
sum(gmv) as gmv,
sum(gross_profit) as gross_profit,
sum(gross_profit) / sum(gmv) as gp_rate,
sum(units) as units,
sum(gross_profit) / sum(units) as gp_per_unit
from dwd_item_daily
where dt between '2026-01-01' and '2026-03-31'
and channel in ('amazon_us', 'shopee_sg')
group by category_id, price_band这段SQL本身没有价值，有价值的是它被写下来、被版本管理、被指定了解释责任人。口径的稳定性来自工程约束，不来自会议纪要。
第三步跑通之后，你会发现有些计算每个月都要重来一次。这时候要把它固定成节奏。
我的建议是双节奏：周度看异常，月度做组合。周度只看核心指标有没有跳出阈值，不展开分析；月度做完整的四维组合复盘，产出下个月的资源分配建议。
这里有个反直觉的点：周度不要做组合分析。组合结论的变化速度远慢于单周波动，周度做组合只会放大噪音。
这是最后一步，也是唯一一步需要考虑工具选型的。
判定的标准很简单：如果某套计算已经连续三个月重复执行、且结论确实驱动了动作，就值得固化。固化方式可以是配置化的BI、可以是调度脚本、也可以是采购现成产品，取决于团队的技术能力和数据规模。
失败信号是：工具上线后，分析节奏反而变慢了，因为大家都在学工具而不是在分析问题。
前面一直没展开讲工具，因为工具的位置在第五步。这一节我用一个具体的观察来说明工具的正确用法。
跨境场景有个特殊性：同一个商品在亚马逊、Shopee、TikTok Shop上的商品ID体系完全不一样，价格换算涉及多币种，连"一个订单"的定义在不同平台之间都有差异。这种情况下，组合分析的前提，"同一个商品在不同平台上能被认成同一个商品"，就变成了第一个要解决的工程问题。
我在做多平台组合分析时，会用到像数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）这类定位在跨境数据分析的产品做基础层的商品数据归集。它在整个链条里的位置很明确：解决"数据从多个平台汇聚过来、按统一商品维度对齐"这一段。
我实测观察到的价值点主要在两个地方。一是商品主数据对齐，把不同平台的商品按SKU或ASIN映射到同一个商品维度上；二是指标基线的横向可比，让同一个商品在不同站点的表现能放在同一个坐标系里看。这两件事手工做，一个中等规模的店铺一个月要花掉三到五个人天。
但要说清楚边界：它解决的是"数据能不能放在一起看"，不解决"看完之后该做什么决定"。后者依然依赖你自己定义的组合分析框架。我见过有人期待工具直接给出"该砍哪些SKU"的结论，这个预期本身就错了。
| 环节 | 工具擅长 | 工具不擅长 |
|---|---|---|
| 数据归集 | 多平台、多店铺、多币种数据汇聚与对齐 | 业务异常原因的判断 |
| 指标计算 | 口径的稳定执行、批量重算 | 口径本身的定义与争议裁决 |
| 组合分析 | 维度切分、关系可视化、阈值预警 | 关系结论的业务解释与优先级排序 |
| 决策执行 | 执行结果回收与对比 | 资源分配决策、考核口径调整 |
这张表我想强调的是右侧那一列。工具替代的是重复劳动，不是判断。如果你的团队连"替代关系和搭配关系怎么区分"都还没有共识，上任何工具都不会让分析质量提升。
我现在的做法是分三层推进。第一层用工具的原始数据做探索，不建永久看板，专门用来找关系；第二层把已经确认的关系结论固化成指标，进主看板；第三层把主看板的异常拆回原始数据，做归因。
三层之间用同一套商品主数据串起来，这是唯一不能妥协的地方。主数据不统一，后两层全部失效。
同一套路径，不同团队的执行重点完全不同。我按三种典型情况给建议。
这类团队的最大约束是人手，不是数据。建议只做两件事：结构维度和生命周期维度。
结构维度用一张二维表就能做：横轴价格带、纵轴毛利贡献，把SKU点上去，看分布是不是失衡。生命周期维度按上架时长分层，看新老款的资源分配比例是否合理。
关联维度先不做，因为订单量不够，共现率的统计噪音太大，做出来的结论不可靠。
周期上建议月度做一次，一次不超过半天。不要设周度节奏，那会消耗掉本就不多的人力。
这类团队可以做完整的四个维度，但要注意避免"数据团队自嗨"。我的建议是把分析输出的格式固定下来：每条结论必须附带一个建议动作和一个负责人。
没有动作的结论不允许进复盘会。这条规则看起来粗暴，但能砍掉大量无效分析。
节奏上建议双节奏：周度异常扫描由数据团队自动执行，月度组合复盘由业务和数据一起开，时长控制在90分钟以内。
这类场景的第一优先级不是分析，是数据对齐。先解决"同一个商品在多平台能被认成同一个商品"，再谈组合。
建议在正式分析前花两到三周做一次商品主数据映射，把重复上架、同款不同ID、变体拆分这几种情况处理干净。这一步的投入产出比，在整个项目里是最高的。
此外，跨币种比较时要注意，用统一结算币种还是用本地币种，会导致完全不同的组合结论。这个口径必须在分析开始前定死，中途变更会让之前所有结论作废。
取舍比建议更重要。因为资源永远不够，明确"不做什么"才能保证"做什么"能做成。下面三组取舍我按自己的判断给出结论。
判断标准是：你的组合逻辑是不是你的竞争优势。如果是，自研；如果不是，采购。
大部分团队的组合分析逻辑并不特殊，都是结构、关联、生命周期、效益这几件事。这种情况下，采购现成能力做基础层，把自研精力放在业务特有的关系判断上，效率更高。
反过来，如果你的业务模式决定了组合逻辑非常特殊，比如订阅制搭配硬件、或者服务与商品强绑定，那基础层的通用工具帮不了你太多，自研的必要性更高。
我的判断是：第一次做组合分析，选做快；第二次开始，选做深。
第一次的目标是验证方法能不能跑出结论，不是追求结论的精度。用粗口径跑一遍，两周内拿到结果，比用精细口径跑三个月更有价值。等结论方向确认了，再回头做精度。
很多团队反过来，第一次就追求完美的数据质量，结果做到第三个月发现方向错了，全部推倒重来。
选单点试点，而且要选问题最尖锐的那个品类，不是最有代表性的那个。
原因很实际：组合优化的价值需要通过一次成功的决策改变来证明。问题最尖锐的品类，改进空间最大，效果最容易显现，也最容易争取到后续资源。
我见过选"最典型的品类"做试点的，结果那个品类本来就没什么问题，做完之后什么变化都没有，项目自然被砍。
| 取舍场景 | 建议选择 | 判断依据 | 需要放弃的东西 |
|---|---|---|---|
| 自研 vs 采购 | 组合逻辑非核心竞争力时选采购 | 基础层通用能力重复建设收益低 | 放弃部分定制灵活性 |
| 做深 vs 做快 | 首轮选快，次轮选深 | 方向验证优先于精度优化 | 放弃首轮的精细口径 |
| 全品类 vs 试点 | 选单点试点，且选问题最尖锐的品类 | 效果可见性决定资源延续性 | 放弃覆盖面的完整性 |
最后回到最初的问题：怎么判断一套商品分析体系真的搭起来了？我给五条可检验的标准，不达标就说明还在半路上。
第一条，能说出至少五条商品之间的关系结论，且每条都有数据支撑。如果只能说出单品表现，体系没搭起来。
第二条，核心指标不超过12个，且每个指标都有唯一解释责任人。做不到说明还在堆指标阶段。
第三条，月度复盘会上不再讨论口径，只讨论动作。如果每次开会都要先花二十分钟对齐定义，口径治理没完成。
第四条，至少有两次决策明确的组合动作，并且有执行后的复盘记录。这一条最硬，它证明体系真的驱动了业务。
第五条，新来的人能在一周内独立跑完一次月度分析。做不到说明体系还依赖个人经验，没有真正沉淀。
如果你现在正准备启动这件事，我建议的第一步不是选型、不是建看板，而是找业务负责人写出下个月要拍板的三件事。就这一步，一小时内能完成，但它决定了后面所有工作的方向。
第二步，用最粗的数据跑一遍结构维度。找一张表，横轴价格带，纵轴毛利贡献，把SKU点上去。大概率你会看到一些之前没注意到的失衡。这一步不需要任何工具，一天内能出结果。
第三步，把看到的失衡拿去找业务确认。如果业务说"这个我们早就知道了但一直没处理"，恭喜你，你找到了第一个可以推动的组合动作。如果业务说"这个不算问题"，那也是收获，说明你的判断标准需要校准。
系统的搭建，是在你连续三次跑完这套动作之后自然发生的事情，不是它的前提。顺序反过来，投入会翻倍，效果会归零。
回到我开头那张摆了17张报表的桌子。后来我们做的事情，其实不是把17张表合成1张，而是把分析单位从"商品"换成了"商品组合"。SKU数没有减少，报表数量甚至一度变多了两张，但会上讨论的东西完全不一样了，从"这个款卖得怎么样"变成了"这组款之间的分工对不对"。
真正的系统搭建，从来不是把报表合并的过程，而是让关系结论可以被重复验证、重复执行、重复复盘的过程。它需要一个起点，那个起点是组合优化，不是工具。
我们团队去年买了一堆报表工具，老板天天催我把商品分析系统化，我就想着先把看板搭全再说。结果看板做了三个月，品类该砍的还是砍不掉，价格带还是乱。我现在很困惑，是不是一开始的顺序就错了？
顺序确实容易搞反。组合优化是因，系统搭建是果，不是并列的两件事。可执行的做法是先用最小数据集把组合结论跑出来：拿最近12周的SKU级销量、毛利、周转和价格带数据，手工在表格里做一次结构分布和角色分工，先回答三个决策问题，哪些品要淘汰、哪些价格带是空的、哪些品是引流角色不能看毛利。
等你手工跑过两三轮，反复用到的口径和字段自然就浮出来了，这时候再固化成指标和看板，系统才是有根的。反过来先搭系统，你连要看哪些维度都没定，最后只会做出一堆没人看的图表。判断依据很简单：如果现在关掉所有工具，你还能用手工表格讲清楚组合结论，说明该进系统了；讲不清楚，说明还没到搭系统的时候。
我负责一个类目，单品维度上每个品的转化、毛利我都盯得很紧，单看每个品都觉得还行。但老板一问‘整个类目结构健不健康’，我就卡住了，只能说个大概。我很想知道，单品分析到底缺了什么，让我在组合问题上说不清楚？
单品分析的三个天然局限：第一是看不见替代和连带关系，两个单品各自都不错，但它们互相抢客，加起来的增量是负的；第二是看不见结构位置，一个品毛利低不代表它该砍，它可能在补价格带或做引流；第三是看不见生命周期节奏，单看当期数据，你分不出这个品是在成长还是在衰退。
可执行的做法是给每个品补三个标签：角色（引流/利润/形象/防守）、价格带归属、生命周期阶段（引入/成长/成熟/衰退）。判断依据是，当你能用角色和价格带解释‘为什么这个低毛利品要留’，而不是只说‘它销量还行’，就说明你已经从单品视角切到组合视角了。组合结论不要求每个品都好看，要求的是整体结构能打。
我一开始只做了品类和毛利两个维度，被说太粗。后来加到价格带、生命周期、连带率、动销、周转，一下七八个维度，结果团队每次开会都吵口径，谁也说不清结论。我到底该保留几个维度，怎么选？
维度不是越多越全面，超过一定数量反而会互相抵消结论。我的经验是保留四个主干维度：结构维度（品类、价格带、角色分工）、关联维度（搭配、替代、连带）、生命周期维度（引入到衰退的阶段）、效益维度（毛利、周转、动销的组合平衡）。
这四个维度对应四个不同的决策动作，结构决定取舍，关联决定搭配，生命周期决定加推或清退，效益决定优先级。判断标准是每个维度必须能指向一个具体动作，指不出动作的维度就是装饰。七八个维度的真正问题不是信息多，而是它们之间会打架，一个品毛利高但周转慢、生命周期又在衰退，你说留还是砍？
这时候应该是效益维度让位于生命周期维度，衰退期的品无论毛利多好都要先进入观察名单。先把四个主干跑顺，再按业务需要挂辅助维度，别一上来就堆满。
我们断断续续做了一年多组合分析，每次都是项目制，做完一份报告就散，下个季度又要从头拉数据、重新对口径。领导问‘体系搭成了没有’，我答不上来。我很想知道，到底什么样的状态才算真的搭成了，而不是又做了一轮报告？
可以用四个可检验的标准来判断。第一，口径稳定性：连续两个周期，同一个指标（比如动销率）不同人算出来的结果差异不超过1%，说明口径固化了。第二，节奏可预期：分析节奏已经写进日历，比如每周一跑结构分布、每月首周跑生命周期迁移，不需要谁临时想起来才做。
第三，结论可追溯：任何一个组合决策都能回溯到具体指标和具体时点的数据，不是拍脑袋说‘感觉该砍了’。第四，动作有闭环：上一周期的优化动作，在本周期能看到对应的结构变化，比如砍掉的长尾品在下一期价格带分布里确实消失了。四条里能做到三条以上，才算体系成型；只做到第一条，说明还停在报表层。
验收标准不是看板做得多漂亮，而是当负责的人休假两周，这套分析还能照常跑出来。
读者评论
文章对单品分析天花板的剖析很到位，特别是用漏斗图展示指标口径流失，让我意识到团队之前很多分析都卡在口径不一致上。不过对于SKU较少的团队，确实没必要硬套组合框架。
案例中价格带内耗和角色缺位的描述非常真实，我们做家居品类时也遇到过类似问题。但文章建议先跑通关系结论再上系统，实际执行时业务部门往往等不及，需要平衡短期汇报需求和长期优化。
把组合优化和系统搭建的因果关系讲清楚了，尤其是四个误区的返工成本对比很直观。不过口径统一允许不同命名这点，在跨部门协作时容易造成混淆，得有更细的治理规则才可操作。