去年Q3我接手过一个护肤品牌的商品组合调整项目。品牌方给的需求很明确：把现有87个SKU砍到50个以内，提升整体毛利率。团队花了三天时间拉数据、建模型、算贡献度，做出一份自认为逻辑严密的优化方案。结果呢？方案执行两个月，核心品类销售额下滑23%，两个原本稳定出单的长尾SKU被砍掉后，搜索流量跟着掉了。问题出在哪？后来复盘发现，整个优化过程没有做过一次真正的市场调研，我们看的全是品牌自己的历史销售数据，完全没去看消费者在搜什么、竞品在推什么、渠道的流量结构发生了什么变化。
这件事让我彻底改变了对"组合优化"的认知。今天这篇文章，我想把踩过的坑、后来跑通的逻辑，以及市场调研到底该在组合优化的哪个环节、以什么方式嵌入进去，完整拆解一遍。
大多数人对市场调研在商品分析中的位置理解是这样的：先做市场调研→再做商品分析→然后做组合优化。这是一个线性的、瀑布式的流程。但真实的执行标准不应该是这样。
组合优化的每一个关键决策节点，都需要对应的市场调研来验证或修正。不是做一次调研管三个月，而是在"确定优化目标→筛选调整对象→制定调整方案→评估调整风险"这四个节点上，分别需要不同类型的调研输入。
我后来把这个逻辑总结成一句话：市场调研在组合优化中的角色不是"提供方向"，而是"提供约束条件"。方向可以由经验判断给出，但约束条件必须来自市场。
为什么这么讲？因为组合优化本质上是资源再分配，把流量、库存、陈列位、营销预算从A组商品转移到B组商品。这个再分配的过程，如果没有市场调研提供约束条件，就会变成纯粹的"内部数据游戏"，越算越精确，越精确越脱离市场。
下面这张图，是我对比了三种不同类型的组合优化项目在执行效果上的差异。数据来自我参与的三个项目复盘，样本量不大，但趋势非常明显。
品牌自己的销售数据、库存数据、流量数据，本质上都是"结果数据"。它们记录的是消费者在已经发生的购买行为中留下的痕迹。但组合优化需要回答的是一个前瞻性问题：如果把A商品替换成B商品，会发生什么？
这个问题，内部数据回答不了。因为B商品在当前的组合中可能根本没有上架，或者上架了但没有获得足够的流量来产生有统计意义的数据。
我在2022年做过一个零食品牌的品类优化，当时数据团队建议砍掉一个日销只有个位数的坚果SKU。从内部数据看，这个SKU的坪效、周转率、毛利率全都垫底。但我们后来做了一轮社交媒体关键词调研，发现"每日坚果小包装"的搜索量在那个季度环比增长了67%，而该品牌恰恰缺少这个规格的产品。那个被数据判了"死刑"的SKU，其实是唯一接近这个需求的产品，只是包装规格不对。后来改了小包装重新上架，两个月做到了品类第三。
单品分析可以只盯着自己的数据看，因为单品的优化目标是"把这一件商品做得更好"。但组合优化的目标是"让一组商品在特定市场环境中整体表现最优"。这个目标决定了你必须知道：
这些信息，没有一个是能从内部ERP或BI系统里跑出来的。
| 失败场景 | 典型表现 | 根因 | 后果 |
|---|---|---|---|
| 数据自嗨型 | 模型跑了几十版，精度到小数点后两位，但组合调整后市场无反应 | 建模输入全是内部历史数据，缺失市场维度 | 方案看起来完美，执行后销售额下滑 |
| 竞品跟随型 | 看到竞品砍了某个品类就跟着砍，看到竞品上了新品就跟着上 | 有调研动作但没有调研框架，只是"看"而不是"分析" | 永远慢半拍，组合越来越像竞品但就是卖不过 |
| 调研脱节型 | 调研报告写了几十页，但执行层不知道该怎么把结论变成SKU动作 | 调研结论没有翻译成组合调整语言 | 调研归调研，优化归优化，各做各的 |
这是最常见的误区。打开竞品的天猫店或者京东店，看看它们在卖什么、卖多少钱、销量多少，然后截图存档，认为这就是市场调研了。这只是"竞品观察"，不是调研。
观察是描述性的，调研是解释性的。看到竞品某个组合卖得好是观察；搞清楚它为什么卖得好、这个原因是否可持续、是否适用于自己的品牌，才是调研。
市场调研的结论有保质期。在快消品行业，这个保质期可能只有4-6周；在耐消品行业，可能能延长到3个月。用一次调研管半年，本质上是用过期地图找新路。
我见过一个家居品牌，2023年初做了一轮消费者调研，得出"消费者偏好极简风格"的结论，然后把整个组合往极简方向调整。结果到了下半年，复古风回潮，竞品迅速推出复古系列抢占市场，而这个品牌的组合里全是极简款，整个下半年都在被动挨打。
需求调研和价格调研必须同时做。消费者说"我想要更环保的包装"，但如果这个包装让产品价格从59元涨到79元，同一批消费者可能就不买了。没有价格约束的需求调研，会产生大量无法落地的"伪需求"。
"消费者越来越注重健康"，这是一条调研结论。但它对应什么组合动作？是增加健康类SKU？减少不健康类SKU？调整现有SKU的卖点描述？还是调整组合中健康类和不健康类的陈列比例？如果没有把结论翻译到这个层面，调研就是无效的。
市场调研在组合优化中的正确存在方式，不是"项目制"而是"机制制"。它应该像财务对账一样，定期发生、有固定流程、有明确负责人、有标准输出格式。
接下来这部分是全文的核心。我把组合优化的执行流程拆成四个决策节点，每个节点都需要特定类型的市场调研来提供约束条件。
组合优化的第一步不是"砍SKU"或"加SKU"，而是确定优化的目标到底是什么。是提升毛利率？提升周转率？提升客单价？还是提升新客获取效率？不同的目标对应完全不同的组合调整方向。
而目标怎么定？不能只看内部KPI，还要看外部市场的需求结构。具体要回答三个问题：
在这个环节，我常用的调研工具包括：品类搜索趋势数据、社交媒体关键词热度、电商平台的品类销售排行榜、行业报告的品类增长数据。这些工具的组合使用，能给出一个相对可靠的需求结构快照。
确定了优化目标之后，下一步是筛选出哪些SKU需要调整。这一步最常见的错误是"只看自己的数据排名"，正确的做法是把自己的SKU放到市场价格带中去比较。
具体操作逻辑是这样的：
一个SKU在自己的品牌内部排名靠后，不代表它在市场价格带中没有竞争力。它可能刚好卡在一个竞争不激烈、但有一定需求量的价格带上，只是因为没有获得足够的流量支持而表现不佳。
假设经过前两步，你已经确定了要砍掉3个SKU、新增2个SKU、调整5个SKU的规格或定价。接下来要回答的是：新增的SKU该做成什么样？调整的SKU该往哪个方向调？
这个环节需要的是场景适配调研，核心是搞清楚：目标消费者在什么场景下使用这个品类，不同场景对商品的要求有什么差异。
举个例子。同样是面膜品类，夜间修护场景下的消费者更关注成分浓度和持久度，而妆前急救场景下的消费者更关注即时效果和便携性，运动后补水场景下的消费者更关注清爽感和快速吸收。如果你的组合中所有面膜都是按"夜间修护"的逻辑设计的，那你就自动放弃了另外两个场景的需求。
场景适配调研的产出，应该是一张"场景-SKU属性"的对应表：
| 使用场景 | 核心需求 | 关键SKU属性 | 当前组合是否覆盖 | 建议动作 |
|---|---|---|---|---|
| 夜间修护 | 成分浓度、持久度 | 高浓度精华、大容量 | ✓ 已覆盖（3个SKU） | 保持，优化主图卖点 |
| 妆前急救 | 即时效果、便携 | 独立包装、快速吸收 | ✗ 未覆盖 | 新增1个便携装SKU |
| 运动后补水 | 清爽、快速吸收 | 清爽质地、小规格 | △ 部分覆盖（1个SKU） | 调整现有SKU质地描述 |
| 敏感期维稳 | 温和、无刺激 | 药妆认证、精简成分 | ✗ 未覆盖 | 评估是否引入新线 |
这一步被绝大多数团队跳过，但它是组合优化中最容易被忽视的风险控制环节。你的组合调整方案执行之后，竞品会怎么反应？渠道会怎么反应？消费者会怎么反应？
竞品反应预判调研的核心不是"猜竞品会做什么"，而是评估你的调整方案是否容易被竞品针对性狙击。如果你的方案是"砍掉低价SKU，主推中高价"，那竞品最可能的反应是在低价带加大促销力度，把对价格敏感的用户吸走。你有没有应对预案？
这个环节的调研方式包括：竞品历史行为分析（它过去在类似情况下是怎么反应的）、竞品当前库存和促销节奏监测、渠道流量分配规则变化追踪。
前面讲的是方法论层面的嵌入逻辑。这一部分我用一个具体的工具平台来说明，这些调研嵌入点在实操中是如何落地的。
数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）是九数云旗下的跨境电商数据平台，它的核心能力是聚合多平台、多站点的商品和销售数据。我选择它作为案例，不是因为它能做所有事，而是因为它在"价格带分析"和"竞品组合对标"这两个调研嵌入点上，数据颗粒度和覆盖范围确实解决了我前面说的"内部数据看不到全局"的问题。
具体来说，当我们讲到嵌入点二（筛选调整对象时用价格带与竞品组合调研锁定候选），需要的数据是：品类下所有在售SKU的价格分布、销量分布、竞品组合的品类覆盖情况。这些数据如果靠人工去平台上一个个翻，一个品类至少需要2-3天。而通过数跨境的聚合数据，可以在几个小时内得到一张相对完整的品类价格带分布图。
以下是我使用数跨境数据做组合优化分析时，总结出的三个有代表性的观察。这些观察基于我在2024年上半年做的三个品类分析，样本覆盖了护肤、家居、宠物用品三个类目。
观察一：品类中40%的SKU集中在中间价格带，但只贡献了25%的销售额。
这个数据说明什么？说明中间价格带的竞争已经过度拥挤，大量同质化SKU在争夺有限的需求。在组合优化中，这类SKU应该优先被考虑"调整"而不是"砍掉"，调整方向是把它们往两端价格带迁移，或者赋予它们更明确的使用场景差异。
观察二：头部竞品的组合中，有15%-20%的SKU是"引流款"，定价低于品类均价30%以上，但库存深度通常只有主推款的1/5。
这个观察直接来自数跨境的竞品SKU监测数据。它的意义在于：如果你的组合中完全没有引流款，你在平台的搜索流量分配中会处于劣势；但如果你的引流款库存深度过大，又会严重拖累整体毛利。组合优化时必须把"引流款"作为一个独立的功能位来考虑，而不是简单按销售排名来决定去留。
观察三：品类中新品的存活率（6个月后仍在售）约为35%，但在这35%的存活新品中，有60%是在价格带上与原有SKU形成互补而非重叠的。
这条观察对组合优化的指导意义是：新增SKU的成功率，与其说取决于产品本身好不好，不如说取决于它在组合中是否造成了"内部踩踏"。一个与现有SKU价格带重叠、场景重叠、目标人群重叠的新品，存活率远低于一个填补了组合空白的新品。
需要诚实说明的是，数跨境这类数据平台能解决的主要是"竞品组合对标"和"价格带分析"层面的调研需求，它提供的是公开的、结构化的电商数据。但组合优化中的另外两类调研需求，消费者场景调研和需求趋势调研，仍然需要其他工具来补充。
场景调研通常需要通过消费者访谈、问卷或社交媒体UGC分析来获取；趋势调研需要结合搜索指数、行业报告和社交媒体热点。一个完整的组合优化调研体系，应该是多种数据源的组合使用，而不是依赖单一平台。
不同的团队规模、品类特性和优化目标，对应的调研动作和组合优化策略差异很大。以下按几种典型情况分别给出建议。
对于小团队，最大的约束是时间和人力。不可能同时做四种调研。我的建议是：
中型团队可以建立完整的四节点调研机制，但需要明确责任分工和输出标准：
| 嵌入点 | 责任方 | 输出物 | 频率 | 耗时参考 |
|---|---|---|---|---|
| 需求结构调研 | 数据分析岗 | 品类需求趋势报告（1-2页） | 每季度 | 3-5人天 |
| 价格带与竞品组合调研 | 商品运营岗 | 价格带分布图+竞品组合对照表 | 每月 | 2-3人天 |
| 场景适配调研 | 商品运营岗+客服团队 | 场景-SKU属性对照表 | 每季度 | 3-5人天 |
| 竞品反应预判调研 | 数据分析岗 | 调整方案风险清单 | 每次重大调整前 | 1-2人天 |
大型团队的优势是可以做更系统的调研，但风险是流程过重导致调研结论滞后于市场变化。我的建议是：
快消品、时尚品类，市场变化快，调研频率要高但每次的深度可以浅一些。核心策略是"高频浅调"，每月做一次价格带和竞品组合的快照，每季度做一次稍微深度的场景调研。
耐消品、工业品，市场变化慢，调研频率可以降低但每次要做深。核心策略是"低频深调"，每半年做一次完整的需求结构调研和场景适配调研，但每次调研的样本量和分析深度都要够。
如果只是微调（增减1-2个SKU），调研可以轻量，重点看价格带是否有冲突即可。如果是大幅调整（调整比例超过30%），调研必须覆盖全部四个嵌入点，尤其是竞品反应预判。
我的经验法则是：组合调整幅度每增加10%，调研投入应该增加15%-20%。因为调整幅度越大，不可逆的决策越多，调研的"保险价值"就越高。
有些品类有成熟的第三方数据平台覆盖（如电商护肤品、宠物用品），调研可以更多依赖结构化数据。有些品类数据分散、不透明（如定制家具、B2B工业品），调研就必须更多依赖定性方法，深度访谈、渠道走访、展会观察。
| 情况 | 建议调研方式 | 数据来源优先级 | 建议调研周期 |
|---|---|---|---|
| 快消+数据可得性高 | 高频浅调，量化为主 | 第三方数据平台 > 平台后台 > 问卷 | 月度快照+季度深度 |
| 快消+数据可得性低 | 高频浅调，定性补充 | 社交媒体 > 渠道反馈 > 小样本访谈 | 月度快照+月度定性 |
| 耐消+数据可得性高 | 低频深调，量化为主 | 第三方数据平台 > 行业报告 > 问卷 | 半年深度+季度快照 |
| 耐消+数据可得性低 | 低频深调，定性为主 | 渠道走访 > 用户访谈 > 展会观察 | 半年深度+年度复盘 |
这种情况在实际工作中经常出现。我的判断原则是：
最后给出一份可以直接使用的检查清单。这份清单按照调研前、调研中、调研后三个阶段组织，每个阶段5条，共15条。
回到开头那个护肤品牌的案例。后来我们重新做了那轮组合优化，这次在四个嵌入点上都加入了调研动作。最终砍掉了22个SKU，新增了4个，调整了11个。执行三个月后，整体毛利率提升了3.8个百分点，核心品类销售额持平，没有出现上次那种大幅下滑。
两个版本的区别不在于哪个团队的技能更强，而在于第一个版本把市场调研当成了"有空就做"的可选项，第二个版本把市场调研当成了每个决策节点的必选项。
如果你正在准备做一轮组合优化，我建议你先问自己三个问题：
这三个问题分别对应了需求调研、价格带调研和竞品反应预判。如果有一个答不上来，那说明这一轮的组合优化还缺调研的支撑。不用等到万事俱备再动手，但至少要在这三个问题上有一个相对清晰的判断。
组合优化做得多了会发现，最难的不是算清楚哪些SKU该砍，而是判断哪些SKU看起来该砍、但在市场的某个角落里其实有它不可替代的位置。这个判断力，只能来自持续的市场调研。
我们团队以前做组合优化，基本就是把销售排行榜拉出来，砍掉尾部SKU、加推头部爆款，结果几个季度下来毛利率反而掉了。后来复盘才发现，我们压根没做市场调研，只是在用历史数据做惯性外推。所以我现在特别想知道，到底调研要覆盖哪些问题，才不至于走个形式？
至少要让调研回答四个问题，每个都对应一个明确的SKU动作。第一，需求是否真实存在并可持续，用来判断某个品类或价格带是新增还是替换；第二，价格带是否有空档且能被目标人群接受，用来决定组合的上下限和梯度；第三，竞品组合里哪些位置已被占满、哪些是弱点，用来决定我们是正面跟进还是错位卡位；
第四，不同渠道或人群的组合结构是否存在差异，用来决定是否做分渠道组货。判断合格的标准很简单：每条调研结论后面必须跟一句我们准备增减或替换哪个SKU、调整哪个价格带；如果写不出这句话，这条调研就是无效输入，不能进入优化决策。
我在实际工作里最头疼的不是拿不到数据，而是数据摆了一桌子，最后大家吵一轮还是靠感觉拍板。调研报告写得很漂亮，但一到调组合的会上，就没人知道该动哪个SKU。我特别想要一套能直接照着走的映射关系，而不是又一份看完就归档的分析报告。
可以用三层映射来落地。第一层是调研发现到判断逻辑，比如发现某价格带竞品密集但动销普遍偏慢，判断逻辑就是该价格带供给过剩、需求被高估；第二层是判断逻辑到组合动作，对应就是压缩该价格带SKU数量、保留一到两个高辨识度款做防守；
第三层是组合动作到验证指标，比如调整后观察该价格带动销率、连带率和毛利贡献是否回升。真正要固化成执行标准的是中间这层，它决定了调研能不能变成动作。建议把这三层做成一张固定表格，每次调研填一遍，填不满就说明调研没做到位，不要急着开会决策。
我们公司现在的情况是，大促前临时抱佛脚做一次调研，平时没人管，结果每次都是数据部门临时找人凑数据、运营凭印象解读。我很想知道，这件事到底该按什么频率来做，又该由谁牵头，才能不流于形式？
频率上建议分三层，不要一刀切。常规监控可以按月做，只看价格带、竞品组合结构和渠道动销变化这些高频指标；策略级调研按季度做，用来支撑组合结构的调整，比如增减品类、重设价格梯度；触发式调研则是随时启动的，当出现头部SKU连续下滑、竞品突然上新组合、平台规则变化时立刻做。
责任分工上，数据部门负责数据口径和交叉验证，品类运营负责把结论翻译成SKU动作，最终决策权和拍板责任要落在品类负责人或商品负责人身上。如果让没有决策权的人做调研，结论一定落不了地，这是很多团队踩过的坑。
我参加过不少调研会，PPT做得很精致，但开完会该调什么还是不知道，最后组合照旧。我怀疑我们做的根本不是调研，只是给已经想好的结论找数据背书。想知道有没有一些明确的信号，能帮我们提前识别出这种无效调研。
有三个信号基本可以判定调研不合格。第一，结论里全是趋势描述却没有阈值，比如只说某品类在增长，但没说增长到什么程度才值得加SKU；第二，数据来源单一，只用自家销售数据或只用一个平台的数据，没有竞品、渠道和用户侧的交叉验证；第三，调研结论无法对应到具体SKU和价格带，全是品类层面的泛泛而谈。
纠正做法是给每条结论强制配两个东西，一是判断阈值，比如动销率低于多少就考虑替换；二是责任人和验证时间点，比如调整后多久看什么指标。只要这两样写不出来，这次调研就只能算背景资料，不能作为组合优化的依据。
读者评论
文章把市场调研从‘前置步骤’改成‘嵌入每个判断节点’的验证机制，这个视角很新颖。我之前做商品优化也常犯类似错误，只看内部数据，结果砍掉的SKU其实有市场潜力。
关于调研结论要翻译成SKU动作这一点深有同感。我们团队之前做过消费者调研，报告写得很漂亮，但执行层不知道怎么落地，最后不了了之。文章给出的场景-SKU属性对应表很实用。
作者提到竞品反应预判调研，虽然篇幅不多，但确实被很多团队忽略。组合调整后竞品跟进、渠道变政，都可能让方案失效。要是能再展开讲讲预判方法就更好了。