去年第四季度，我帮一个区域连锁便利店品牌做商品结构复盘。他们有 217 家门店，横跨三个省、六种商圈类型。我原本以为最大的问题是 SKU 太多，平均单店在售 2800 个 SKU,按理说该做减法。但把数据拆到门店级之后，真正的问题暴露出来了：同一款畅销商品在 A 类商圈门店的周动销是 42 件，在 C 类社区店只有 6 件，但采购端依然按统一配额铺货，导致前者频繁缺货、后者持续压库。总部认为"这款商品卖得好",门店认为"这款商品根本卖不动"，两边说的都对，因为他们在看两个不同的世界。
这件事让我彻底改变了对"商品分析"的理解。它从来不是把销售数据拉出来排个序、看谁卖得好谁卖得差，而是要在组合层面回答三个问题：这个商品在这个门店、这个价格带、这个场景里，到底承担什么角色？它的角色是否可以被替代？如果替换它，整个组合的效率是升还是降？这三个问题，没有一个能靠单品排名回答。下面我把这套以组合优化为核心、以本地化适配为约束的分析方法完整拆开讲。
我见过太多团队把商品分析做成了"销售排行榜+滞销清单"。月度会议上一堆人围着 Excel 吵架：采购说这个品是战略品不能砍，运营说这个品占着货架不产出，店长说这个品在我店里压根没人问。吵到最后往往按"谁嗓门大"决策，或者干脆一刀切，全国统一汰换 TOP 20 滞销品。
这种做法的根本缺陷在于：它假设商品的价值是绝对的，而实际上商品的价值是相对的、场景化的、组合化的。一个商品值不值得留，不取决于它自己卖了多少，而取决于它在所属品类组合里是否不可替代、在所属价格带里是否卡住了关键位置、在所属门店场景里是否匹配真实需求。
我把商品组合的评估拆成四个维度，任何一个维度失衡，整个组合都会出问题。
| 维度 | 核心问题 | 典型失衡信号 | 观察周期 |
|---|---|---|---|
| 品类结构 | 各品类占比是否符合门店场景需求 | 某品类 SKU 数占比 30%,销售占比仅 12% | 月 |
| 价格带 | 主力价格带是否有足够选择密度 | 核心价格带只有 2 个 SKU,边缘价格带堆了 15 个 | 月/季 |
| 毛利贡献 | 毛利是否集中在少数商品，结构是否健康 | TOP 5 SKU 贡献 60% 毛利，抗风险能力弱 | 季 |
| 场景适配 | 商品与门店商圈、客群、时段是否匹配 | 办公商圈店卖大包装家庭装，动销极低 | 月 |
四个维度的权重不是固定的。便利店场景适配权重要高，标品电商价格带权重要高，生鲜品类毛利结构权重要高。一上来就套模板、四个维度平均用力，是做不好组合优化的。
很多方案把"本地化"写成一个"我们也支持区域定制"的功能点。但在我看来，本地化不是可选项，而是约束条件，它限定了你的组合优化方案能走多远、能以多快的速度落地、能承受多高的执行成本。
举个具体的：总部如果决定全国统一汰换 30 个 SKU,看起来动作很干脆，但落到 217 家门店，可能只有 60 家真的该汰换，另外 40 家汰换后会造成结构性缺品，剩下 117 家汰换与否影响不大。这 40 家"误伤"门店带来的销售损失，往往会吃掉整个汰换项目节省的成本。
组合优化必须在一开始就把本地化当作硬约束来设计：哪些决策总部定、哪些区域定、哪些门店定，必须在分析框架里就写清楚，而不是等分析完了再来协调。
这句话我要反复强调：组合优化的目标是整体效率最优，不是每个单品都盈利。组合里必须有引流品、有利润品、有形象品、有防守品。一个引流品毛利可能是负的，但它带动的关联购买让整个篮子盈利，你把它砍了，篮子就塌了。
反过来，一个单品毛利率 35% 看起来很漂亮，但如果它占用了本该给高频刚需品的货架资源，导致主力商品缺货，它对组合的贡献其实是负的。判断商品价值，永远要看它拿走了什么资源、创造了什么连带价值，而不是看它自己的账面数字。
方法论讲完，讲我实际做过的项目。这三个案例分别代表三种典型的商品管理困境，也对应三种不同的组合优化切入点。
前面提到的 217 家门店品牌，SKU 从两年前的 1900 涨到 2800。表面上每个人都在喊"SKU 太多了要砍",但我把数据拆开后发现，真正多出来的 SKU 集中在两类：
真正的痛点不是总数多，而是该密的价格带不够密（比如 5-8 元刚需价格带只有 3 个选择），不该密的挤成一团（12-15 元价格带堆了 18 个选择）。最后我们砍了约 380 个 SKU,但同时新引入 120 个填补价格带空缺，净减 260 个。
第二个项目是某快消品牌在华东的区域适配。他们总部有一套"黄金 30 SKU"清单，要求所有区域重点铺货。我先做了个简单分层：把区域门店按住户收入水平分成三档，再对比这 30 个 SKU 的动销表现。
| 门店分档 | 黄金 30 SKU 平均动销 | 本档 TOP 30 SKU 平均动销 | 差距 |
|---|---|---|---|
| 高收入商圈店 | 28 件/周 | 31 件/周 | -10% |
| 中等收入社区店 | 17 件/周 | 24 件/周 | -29% |
| 低收入远郊店 | 9 件/周 | 19 件/周 | -53% |
结论很直接：统一铺货清单在高收入门店几乎无损，但在低收入门店损失过半的动销机会。总部那套"黄金 30",本质上只对一类门店是黄金。
第三个项目最棘手。总部坚持统采统配，认为这是品控和议价能力的保证；区域经理坚持自主权，认为总部不懂本地需求。两边都有道理，问题是没人能说清楚"哪些该统、哪些该放"。
我提出的解法是把商品按两层属性打标：一层是供应链属性（是否可以统采降本），一层是需求本地化属性（本地需求差异有多大）。两两交叉，得出四种商品类型，对应四种权责安排。这个框架后面会详细讲。
动销率是最被滥用的指标。一个高价低频的形象品动销率天然就低，一个低价高频的引流品动销率天然就高，把它们的动销率放一起比较毫无意义。动销率的高低必须放在品类内部、价格带内部比较，跨品类比较会得出完全错误的结论。
很多团队每年搞一次"商品结构优化"运动式行动，砍一批、引一批，然后半年不动。但商品组合是动态的，季节变了、竞品变了、客群变了、供应链变了，组合就该跟着调。一次性汰换项目的最大副作用，是让团队误以为"商品管理做完了",从而失去持续迭代的意识。
我见过一个零售团队花了八个月上线一套 BI 系统，做了一堆华丽的报表，结果因为没人清楚"看到问题后该怎么决策",报表沦为月度汇报的装饰。商品分析的价值不在报表本身，而在报表触发的决策动作。没有预设决策规则的报表，就是高级噪音。
集权过度和放任过度都是病。集权过度的典型表现是门店连调整陈列位置的权限都没有，导致本地需求无法响应；放任过度的典型表现是每个区域各玩各的，采购规模优势丧失、品控参差不齐。健康的权责结构不是"集权 vs 放权"的二选一，而是按商品属性分类授权。
一个商品卖得好不好只是硬币的一面，另一面是它占用了多少陈列资源、多少库存资金、多少供应链复杂度。一个销售额中等的商品，如果占用陈列面积是同类商品的 2 倍，它的真实效率可能垫底。很多团队做商品分析从来不看货架产出，这是巨大的盲区。
讲完误区，讲我的判断逻辑。这套框架我在三个行业、七八个项目里反复调试过，核心是四步：分类打标、分层诊断、分区策略、分级执行。
我通常用两个维度给商品打标：对组合的贡献类型和需求本地化程度。
贡献类型我分四类：引流品（拉客流）、利润品（拉毛利）、连带品（提篮效率）、防守品（卡竞品位置）。每类商品的评估指标完全不同。
| 商品角色 | 核心指标 | 可接受的特征 | 不能出现的特征 |
|---|---|---|---|
| 引流品 | 客流量、复购率 | 毛利低甚至为零、价格敏感、高频 | 连带率极低、无稳定客流 |
| 利润品 | 毛利率、毛利额、坪效 | 周转中低速、价格不敏感 | 毛利高但严重滞销、无可替代性 |
| 连带品 | 篮子件数、关联购买率 | 单品毛利一般、单价低 | 无人买、连带无实际数据支撑 |
| 防守品 | 价格带卡位、竞品对标 | 动销平稳、价格紧跟竞品 | 价格带已被其他品替代、无防守价值 |
商品角色不是永久标签。一个引流品如果半年内客流贡献持续下滑，它就该被重新评估甚至降级；一个利润品如果毛利结构被新的替代品覆盖，也该让位。角色是动态的。
不同层级看的数据颗粒度和决策范围完全不同。混着看就会得出错误结论。
常见错误是总部看门店层数据做全国决策，或者门店看总部层数据判断自己该卖什么。颗粒度错位，是商品分析失败的高频原因。
本地化的核心是分区策略。我一般按商圈类型 + 客群画像做二维分区，商圈分办公、社区、交通枢纽、学校、医院、混合六类，客群分价格敏感型、品质导向型、便利导向型三类。
| 商圈类型 | 组合优先级 | 价格带重心 | 典型 SKU 策略 |
|---|---|---|---|
| 办公商圈 | 即食、饮品、便利食品 | 中高价格带 | 小包装、高频补货、季节敏感 |
| 社区店 | 家庭装、日常刚需、生鲜 | 中低价格带 | 大包装、价格竞争、周末敏感 |
| 交通枢纽 | 即食、应急品、旅行用品 | 中高价格带 | 小包装、抗压性强、动销快 |
| 学校周边 | 零食、饮品、文具、玩具 | 低价格带 | 价格极敏感、流行品更新快 |
| 医院周边 | 便利食品、日用品、健康品 | 中价格带 | 动销稳定、品项集中 |
| 混合商圈 | 复合组合、灵活配置 | 全价格带覆盖 | 按实际客群动态调整 |
不要照抄这张表。它只是一个起始框架，真正有效的分区策略必须结合你自己的客群数据和实际动销验证过。我每次做项目都会用本地数据重新校准这张表，校准的结果往往和通用框架差很远。
这是前面第三个项目里我提出的框架。按供应链属性和需求本地化属性做二维交叉，得出四种商品类型，对应四种权责安排。
| 商品类型 | 供应链属性 | 本地化属性 | 权责安排 |
|---|---|---|---|
| A 类：核心统采 | 高（可统采降本） | 低（需求全国一致） | 总部全权决策，门店执行 |
| B 类：统采区域配 | 高 | 高（需求区域差异大） | 总部定品类，区域定品项与配额 |
| C 类：区域自主 | 低（本地供应商即可） | 高 | 区域全权决策，总部监督 |
| D 类：门店微调 | 低 | 低（通用小商品） | 门店可按陈列和客群微调 |
这个框架最大的价值不是分类本身，而是让权责争论有了共同语言。以前总部说"这个品该统",区域说"这个品该放",谁也说服不了谁；现在两边一起看两个属性打分，分类清楚了，权责自然清楚了。
讲完框架讲落地。上面这套组合优化逻辑，如果只靠 Excel 手工做，217 家门店、2800 个 SKU、6 个商圈维度的交叉分析，一个人要做两周以上，而且每次调整都要重来。组合优化的落地瓶颈，往往不是方法论，而是能不能把"门店×品类×价格带×场景"这个多维组合快速拉平来看。
我在几个项目里试过不同工具路径，其中数跨境（官网 https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys ）是我觉得比较贴合本地化组合优化场景的一类工具。它把跨境和本地化的多维数据整合做成了可下钻的组合视角，尤其适合处理"不同区域、不同门店、不同品类同时看"这种传统 BI 做起来很别扭的场景。
我在一个区域连锁项目里跑过这样一条链路，分享给需要动手的人：
这条链路最省时间的地方在第 5 步。以前做汰换模拟，要么不敢做（怕砍错），要么拍脑袋做（凭经验），现在能把不同汰换方案对组合结构的影响快速跑一遍，决策质量完全不一样。
某区域连锁在 5-10 元价格带的商品组合，我用数跨境把价格带细分到 1 元一档，做了密度和效率对比：
| 价格带 | SKU 数 | 销售占比 | 销售密度 | 判断 |
|---|---|---|---|---|
| 5-6 元 | 8 | 4.2% | 低 | 选择偏少，可补充 |
| 6-7 元 | 12 | 6.8% | 中 | 相对健康 |
| 7-8 元 | 26 | 11.5% | 中高 | 主力价格带，合理 |
| 8-9 元 | 34 | 9.2% | 低 | 过度拥挤，需精简 |
| 9-10 元 | 29 | 7.6% | 低 | 过度拥挤，需精简 |
这张表最有价值的发现是：8-10 元价格带挤了 63 个 SKU,贡献销售只有 16.8%,而 5-7 元刚需价格带只有 20 个 SKU。直觉上大家会盯着"哪个品卖得差"砍，但真正的组合问题是"价格带密度错配"，砍掉 8-10 元的重复品、补上 5-7 元的选择，比直接砍滞销品更有效。
这类分析以前要手工做透视表，现在在数跨境的组合视图里能实时下钻。工具本身不是护城河，但它让"价格带密度"这种过去容易被忽略的组合维度变得可见、可讨论、可决策，这就足够了。
我在三个项目里跟踪过组合优化前后的核心指标变化，虽然项目不同，但改善的方向和量级有一定规律。以下数据来自脱敏样本，仅作方向性参考：
| 指标 | 优化前 | 优化后（6个月） | 变化幅度 |
|---|---|---|---|
| 单店在售 SKU 数 | 2800 | 2540 | -9.3% |
| 刚需价格带 SKU 数（5-7元） | 20 | 31 | +55% |
| 库存周转天数 | 42 天 | 33 天 | -21.4% |
| 缺货率（核心品类） | 7.8% | 3.1% | -60.3% |
| 整体毛利率 | 22.4% | 24.1% | +1.7pp |
这组数据里最值得注意的不是"毛利率涨了 1.7 个点",而是SKU 只减了 9.3%,但缺货率砍掉了六成、周转快了 21%。这说明组合优化的价值不在"砍 SKU",而在"把对的选择密度做上来、把错误的选择密度降下去"。SKU 总数变化很小，但结构彻底不一样了。
不同规模、不同阶段的企业，组合优化的切入点和节奏完全不同。我把常见四种情况拆开讲。
如果诊断结果是"总量多但结构没大问题",行动重点就是聚焦长尾汰换、控制新增节奏。做法是：
这种情况最忌讳大动干戈搞全品类重构。结构没问题，动得越多越乱。
这是我在多数项目里遇到的真实情况。行动重点是先修价格带密度，再动品类结构。因为价格带问题比品类问题更直接、更容易量化、更容易验证。
具体做法是把每个品类按价格带细分到 1-2 元一档，算出每档的 SKU 密度和销售密度比，把"密度高、产出低"的档位标出来精简，把"密度低、产出高"的档位标出来补充。一轮下来，往往不用大改品类，组合效率就能明显改善。
这种情况必须做权责重构。行动顺序是：
权责重构最怕"一步到位"。我见过有团队直接说"以后区域全自主",结果三个月后全国品控崩溃、采购议价能力丧失。分阶段下放、边放边建能力，才是稳妥路径。
如果连基础的商品数据都拉不全、门店属性标签都没打，那么任何高级方法都是空中楼阁。行动重点是先补数据基础，再谈组合优化。
优先级建议：先补门店主数据和品类主数据，再补销售流水的颗粒度（至少到 SKU×门店×日），最后补库存快照。这三项补齐后，再考虑引入组合分析工具。没有数据基础就上 BI,是把错误的方法用高科技包装了一遍，问题只会更隐蔽。
做任何商品决策都是取舍。这里我把几组最常遇到的取舍讲清楚，帮你在真实场景里做判断。
总部集权提高效率、降低成本，但牺牲本地响应速度；区域放权提高灵活性，但牺牲规模效应和品控一致性。这不是是非题，而是程度题。我的经验法则是：标准化商品倾向集权，本地化商品倾向放权，灰色地带用"总部定规则、区域定参数"的方式折中。
砍掉低毛利商品能立即改善毛利率，但可能损害客流和连带。反过来，保留引流品拉客流会短期拉低毛利率，但长期可能撑起整体篮子。判断标准是看这个商品在组合里的时间尺度：如果它的价值体现在三个月以上的复购和客流带动，就不要用一个月的数据决定它的生死。
精简能提升货架效率、降库存，但过度精简会让顾客觉得"想买的没有",损害体验。我通常按品类设定"最低选择密度"：刚需品类保证一定选择密度，长尾品类允许精简到最小可行组合。精简的目标是"每减少一个 SKU 都不伤害核心选择体验",而不是"减得越多越好"。
标准化带来品控、采购、培训的一致性和效率，本地化带来更贴合的需求响应。我的建议是按品类画一条"本地化收益曲线"：本地化收益越高的品类越该放权，收益越低越该标准化。不要一刀切，也不要凭感觉，把这条曲线画出来，取舍就清楚了。
写完这么多，如果只留一句话，我会说：商品分析管理的不是商品，而是"商品之间、商品与场景之间、总部与区域之间"的动态平衡。没有哪个组合是永久最优的，只有持续适配的组合。
这套方法我在项目里反复用，也反复修。最初我以为核心是数据、是工具、是模型，后来发现真正难的是把"组合视角"变成团队的共同语言，让采购、运营、区域经理、店长在看同一个组合、用同一套指标、讨论同一类问题。语言统一了，工具和数据才用得上；语言不统一，再好的报表也只是摆设。
如果你现在正被商品管理的问题困扰，我的下一步建议很简单，分三步走：
三步走完，你会得到一张属于自己的商品组合地图。它不会告诉你"该砍哪 10 个 SKU",但会告诉你"该按什么逻辑做决策"。这比任何一份现成的汰换清单都有价值，因为它是你团队自己的判断力，别人拿不走。
我之前一直按单品做商品分析，每个 SKU 单独看销量、看毛利，结果发现砍掉一个低毛利单品后整体利润反而下降了。后来才意识到可能是商品之间的关联在起作用，但不确定该不该把分析单位从单品换成组合，换了之后具体怎么操作也没头绪。
单品分析适合判断一个商品自身的效率，但决定商品结构是否健康的是组合。判断依据很简单：如果你砍掉某单品后，它带动的关联销售、价格锚定效应或品类完整性受损，导致整体毛利下降，就说明必须按组合管。
可执行做法是，先按品类、价格带、毛利贡献三个维度把商品分成引流款、利润款、形象款、补充款四类，再以品类为单位看组合效率，而不是以 SKU 为单位看单点效率。频率上，单品效率月度复盘即可，组合结构建议季度调整一次。
我们公司总部要求所有门店统一商品结构，但一线门店经常反馈某些商品在本地根本卖不动、有些本地畅销品总部又不给上。我夹在中间很难做，想知道到底哪些商品该总部统采、哪些该放给区域自主，有没有一个可操作的划分标准。
建议按商品的角色属性来划分权责，而不是按金额大小或品类名称。具体来说，引流款和形象款由总部统采，因为这两类承担的是品牌一致性和流量入口功能，区域自主容易失控；利润款和补充款放给区域，因为这两类高度依赖本地消费能力和商圈特征。判断依据是：如果某商品的销售差异主要由城市层级或商圈类型解释，就归区域；
如果差异主要由品牌认知或供应链规模解释，就归总部。考核上，总部考核组合整体毛利和品类完整性，区域考核动销率和本地售罄率，避免用同一套指标考两拨人。
我们做商品汰换的时候经常遇到一个两难：有些商品动销率很高但毛利很薄，有些商品毛利很高但一个月卖不了几件。领导说要提高动销率，但财务又说毛利不能降。我到底该用哪个指标做优先级，有没有一个判断框架。
这两个指标不是二选一的关系，而是看你在组合的哪个位置用它们。引流款优先保动销率，毛利率可以低甚至为零，因为它的任务是带来客流和关联销售；利润款优先保毛利率，动销率只要达到品类基准线即可，不必追求高动销。
判断框架是：先算每个商品的毛利额贡献（不是毛利率），再算它的关联带动系数，两者相乘得出综合贡献值，按综合贡献值排序做汰换。如果某个商品动销高、毛利低、关联带动也弱，那它就是伪引流款，应该汰换。数据口径上，动销率建议用滚动 90 天口径避免季节性误判，毛利率用扣除促销折让后的实收毛利率。
我们之前做了一次大规模商品结构优化，一次性换了将近三成的 SKU，结果门店执行混乱、老顾客流失、供应链也跟不上。现在想建立一个持续迭代的机制，但不确定频率多高合适、每次调多少比例才不会出问题。
迭代频率建议按三层节奏走：月度做微调，调整幅度控制在 SKU 总数的 3% 到 5%，主要是汰换明显低效的单品和补充缺位价格带；季度做结构调优，调整幅度 8% 到 12%，涉及品类内价格带和角色配比的重新平衡；
年度做组合重构，调整幅度可以到 15% 到 20%，但必须先在 3 到 5 家代表性门店试点至少一个完整销售周期再全面推广。判断调整幅度是否合理的依据是：如果调整后第一个月内门店缺货率上升超过 2 个百分点，或者老客复购率下降超过 3 个百分点，说明幅度过大或节奏太快。
关键是每次调整都要保留上一轮的数据基线，否则无法归因。
读者评论
文章把商品价值定义为组合角色而非单品排名，这个视角很关键。很多团队确实困在销售排行榜里吵架，缺少对资源占用和连带价值的量化。四步框架给了可落地的抓手。
本地化作为约束条件而非加分项这个提法很务实。案例里统一汰换30个SKU误伤40家门店的估算，说明总部决策必须考虑执行成本，否则省下的钱会被销售损失吃掉。
五个误区里‘动销率一刀切’和‘工具先行策略滞后’最扎心。我们上线BI半年，报表很全但没人知道看到异常后该做什么，决策规则确实比数据本身重要。