周二下午三点，华东某饮料企业的销售总监在周例会上拍了桌子。大屏幕上的BI看板明明显示核心单品终端铺货率达到87%，但上个星期他亲自巡店时，在三个地级市一共走了47家门店，货架上能找到这个单品的不到一半。数据部门说系统计算逻辑没问题，销售部门说门店实况就是这样，两边各执一词。问题的根结不在数据真假，而在铺货率分析底层字段设计从一开始就走偏了。那87%统计的是经销商仓出库推送到终端的数量，不是消费者在货架上实际能拿到的数量。这套字段体系在快消品BI平台里已经跑了快两年，养成了惯性，谁也没意识到它描述的是一张错误的渠道地图。
这件事最后倒逼我们花了一个半月，把铺货率分析底层的维度字段全部推倒重来。这篇文章不是产品功能清单，也不是行业通用白皮书，而是基于这次实战重构过程的完整记录。我会逐一说明每一个必须入表的维度字段长什么样、为什么必须加、加上之后能解决哪些业务误判，也会讲清楚哪些看似合理的高大上字段实际上可以果断砍掉。
先说结论，再展开论证。在快消品BI平台里做渠道铺货率分析，字段设计必须遵循三条硬原则，缺任何一条都会让后续所有分析结论的可靠性大打折扣。
第一，必须区分“货在渠道”与“货在货架”。任何只统计经销商库存、批发商库存或终端门店进货记录，而不核实货架实际陈列状态的铺货率指标，都是自欺欺人的数字游戏。这不是危言耸听，在后面拆解误区的部分我会用具体场景和数据把这件事说透。
第二，铺货率必须是可拆分的，不能只有一个总数值。一个BI看板上只挂一个“整体铺货率87%”的指标卡片，对业务决策几乎没有任何指导意义。它必须能按区域、渠道类型、门店业态、SKU层级、价格带、时间周期任意下钻拆分。这就要求底层字段设计时，每一个事实记录都必须同时带上完整的多维度标签。
第三，铺货率的定义必须在字段层面就被统一，不能留给BI看板层面临时拼凑。很多BI平台的问题是，数据源接入时字段定义模糊，到了指标计算环节，不同分析师对同一字段的理解不一样，导致同一个词算出来的结果天差地别。字段设计阶段就锁定口径，是后续一切分析的基础。
这三条原则贯穿了接下来要讲的所有具体字段。如果你现在正在做或者准备做快消品渠道铺货率BI看板，建议先把这三条原则贴在设计文档第一页，后面的每一个字段都回来对一遍。
先还原一个标准的快消品企业渠道管理场景。某品牌在华东区域约有1200家签约终端门店，覆盖KA卖场、连锁便利店、传统食杂店、校园特通渠道四种业态。渠道管理部每个季度制定一轮铺货目标，比如“新品A在KA渠道铺货率达到80%以上，在便利店渠道铺货率达到60%以上”。区域销售团队按照目标执行，每个月出一轮铺货率报告，汇报给总部。总部根据铺货率数据决定下一轮的市场资源投放策路，包括费用补贴、陈列奖励、促销物料分配。
在这个场景里，铺货率分析承载的功能至少有三层：第一层是监测，新品的渠道渗透进度到底走到了什么程度；第二层是诊断，哪些区域、哪些渠道拖了后腿，原因是什么；第三层是决策，资源优先投向哪里。这三层功能对底层字段设计的精度要求是完全不同的。监测只需要知道“有”还是“没有”，诊断需要知道“缺在哪里、缺多少”，决策需要知道“为什么缺、什么方式解决最快”。
回到文章开头那个案例。那个87%铺货率的BI看板，底层字段只有四条：经销商代码、SKU代码、出货日期、出货数量。它只能支撑到监测这个层面，而且是一个被严重高估的监测结果。往上走到诊断和决策层，这套字段体系完全是失能的。
在工业品或者耐消品行业，渠道层级相对简单，往往就是厂商-经销商-终端三层，甚至两层。但快消品的渠道生态要复杂得多。一个区域市场里可能同时存在一级经销商、二级批发商、批发市场的炒货商、B2B平台的区域前置仓、社区团购的中心仓网格站等多种中间环节。货从品牌方仓库出去之后，经过的每一层都有截留库存、跨区域窜货、回流仓库的可能。
这意味着，快消品的铺货率分析不能简单地把“经销商出货”等同于“终端到货”，更不能把“终端进货”等同于“货架上架”。每一个转化节点都是一个独立的事实，需要独立的字段去记录。少一个节点字段，就丢失一个环节的真实度。
以一家做调味品的企业为例，它的渠道链条可以清晰拆成五个物理节点：品牌方成品仓→一级经销商仓库→二级批发商仓库→终端门店仓库→终端门店货架。我们后来在设计BI字段时，给这五个节点分别设置了状态字段和时间戳字段，任何一个节点的数据缺失都会在BI系统中标记为“数据不完整”，不参与铺货率计算。这个设计在后面我们会详细展开，这里先抛出这个五节点模型作为后续讨论的参照框架。
这是快消品行业BI铺货率分析中最常见、代价最高的错误，没有之一。在很多企业的ERP或者DMS系统中，经销商向品牌方下单并完成出库，这笔流水就会被打上“铺货”的标签。但问题在于，经销商下单的驱动力往往不是终端的真实需求，而是品牌方的季度压货政策、返利门槛、促销囤货激励。
我说一个极端但高频发生的情况。某品牌推出新品，给经销商设置了一个季度拿货8万元可享受额外3%返利的政策。一个大商为了吃返利，在一季度末集中下单，新品库存被压进了自己仓库里。但终端的实际动销还没有启动，这批货根本没有推送到门店。BI系统里看到的铺货率数据一路走高，品牌方市场部据此判断“新品上市铺货进展顺利”，开始筹备第二波广告投放。但实际上，货全部堆在经销商仓库里，有些甚至在第二季度被退了回来。这种数据链路从头错到尾的情况，根源就是字段设计阶段没有区分“经销商仓出库”和“终端门店入库”这两个事实。
正确的做法是，在数据源接入时把这两类记录分别存入不同的字段组。经销商的出库记录进一张表，终端的入库确认记录进另一张表，铺货率计算以终端入库确认为准，经销商出货只能作为参考性的“渠道库存水位”指标使用，绝不能参与铺货率的分子统计。
快消品企业的SKU管理体系本身就是一套复杂的层级结构。以饮料行业为例，从粗到细可能是：品牌→系列→品类→规格→口味→包装形式。比如“某品牌-气泡水系列-果味气泡水-500ml-白桃味-罐装”，这是一个原子SKU。
铺货率分析时，到底统计哪个层级？如果底层字段只维护了“SKU代码”这一个维度，没有同时打上系列、品类、包装形式的标签，那么不同业务部门就会按照各自的理解去勾选SKU做统计，出来的铺货率数据完全没有可比性。品牌部按“气泡水系列”统计铺货率，销售部按“500ml罐装”统计铺货率，两个人说的根本不是一个统计口径，但在BI看板上看起来都叫“新品铺货率”。
这个问题的解决方式是在主数据管理阶段就把SKU的层级标签字段做全。每一个原子SKU代码在入表时，必须同时带上品牌字段、系列字段、品类字段、规格字段、包装字段。BI平台在计算铺货率时，展示层可以灵活切换统计层级，底层统计逻辑始终是同一套。
很多BI系统中的终端门店主数据是静态的，一年更新一次，甚至两年不更新。但在快消品行业，终端门店的生命周期非常活跃。便利店今天开业下个月关店、食杂店换了老板换了招牌、KA卖场装修临时停业三个月，这些情况每天都在发生。
如果渠道铺货率分析中，分母是“公司主数据中登记的所有终端门店”，而分子是“在某个时间点有进货记录的门店”，那么得出铺货率数据就可能被两条力量同时扭曲：一是已关店但仍在主数据中的门店拉低了分母，有人可能会错误地认为销售团队执行不力；二是进货记录没有区分“新店首次铺货”和“老店日常补货”，前者贡献了大量一次性铺货记录但没有持续动销。
因此，在字段设计中必须包含门店状态字段和时间有效性字段。门店状态字段至少包含“正常营业、暂停营业、永久关闭、装修中”几个枚举值。时间有效性字段记录门店主数据的生效起止时间，用于BI平台在计算某个时间截面的铺货率时，自动过滤掉在该时段内已经失效的门店。
这是一个极其隐蔽但影响深远的错误。很多BI看板里，铺货率分析和库存分析是分开的两个模块，由不同的分析师维护，字段设计也相互独立。这就导致了一个经典困境：BI系统显示某门店已经铺货了某SKU，但库存分析模块显示该SKU在该门店的库存量是零。数据都是对的，但合在一起就是矛盾的。
矛盾的原因在于，中间的库存状态变化没有被捕捉。铺货记录显示两个月前有一批货送到了门店，库存记录显示这批货在45天内就卖完了且没有补货，门店目前处于“曾经铺过货但现在是零库存”的状态。如果铺货率只看历史记录不看当前库存状态，这个门店依然被计入铺货率分子，但实际上货架上已经看不到这个产品了。
所以，铺货率分析底层字段必须关联一个库存快照字段，记录每一次统计时间点的门店库存量。或者，更精细的做法是设置一个布尔型字段“当前是否在架可售”，由库存状态和最后补货日期联合计算得出。铺货率统计的分子条件应该是“铺货记录存在且当前库存大于零”，而不是简单的铺货记录存在。
多数快消品企业的渠道铺货率分析做到了“省-市”两级拆分，再往下就不拆了。但真实的业务执行颗粒度在区县甚至街道。一个城市的渠道铺货率可能看起来不错，但贡献集中在新城区，老城区严重滞后，这两个事实被“市”级别的汇总值完美掩盖了。
另外，快消品渠道管理中有一类高频场景是按“商圈”或“网格”来分配销售团队和考核铺货目标。如果底层字段只有行政区域划分，缺少商圈网格标识，BI平台就无法按照业务真实执行口径来拆分铺货率。所以地理维度字段至少要设计到区县级，同时增加一个用户自定义的“业务网格”字段，让一线管理者可以灵活划定统计范围。
讲完误区，现在进入核心部分：到底哪些维度字段必须进入BI平台的铺货率分析底层表。下面我用一个完整的字段清单来呈现，每一项都会解释为什么必须加、字段类型和枚举值该怎么设计、以及这个字段在BI分析链路中承担什么角色。为了方便理解和使用，我把这些字段分成六个类别：核心事实字段、渠道维度字段、产品维度字段、地理维度字段、门店维度字段、数据质量字段。
核心事实字段是铺货率分析的数据底座，每一条记录代表一个确切的“某SKU在某门店在某时间点发生了铺货”的事实。以下字段是必须的，缺一个都意味着数据质量有瑕疵。
（1）铺货事实ID。唯一标识一条铺货记录的系统生成字段，VARCHAR或BIGINT类型。这个字段不为业务分析直接服务，但它是数据追溯、去重、异常定位的基础。必须加。
（2）SKU代码。与主数据系统中的原子SKU代码保持一致，VARCHAR类型，通常为字母数字组合。这是连接铺货事实与产品维度的纽带。注意这里必须是原子SKU代码，不能是系列码或品牌码，否则后续拆分层级时无法灵活聚合。
（3）门店代码。与主数据系统中的终端门店代码一致，同样是VARCHAR类型。不要使用门店名称作为主键，因为门店改名、重名的情况在快消品终端极其普遍。
（4）铺货日期。记录铺货事实发生的准确日期，DATE类型，精确到日。不要用年月格式存储，否则后续按周、按旬分析时无法灵活截取。
（5）铺货数量。DECIMAL类型，记录该次铺货的单品数量。必须是实际送达门店并完成验收的数量，不能是发货计划数量或下单数量。
（6）铺货类型。枚举字段，区分“首次铺货”和“补货”两类。这是后续分析中区分“新品渗透进度”和“日常补货频次”的关键字段。首次铺货代表渠道拓展能力，补货频次代表终端动销健康度。不加这个字段，两个能力就被混在一起了。
（7）库存快照数量。DECIMAL类型，记录本次铺货完成后该SKU在该门店的实时库存量。如果不做实时的库存快照，也至少要保留最近一次盘点日的库存记录作为关联字段。如前所述，没有库存状态，铺货率就是空中楼阁。
渠道维度字段的作用是记录货从品牌方仓库到终端货架的每一层经过的中间节点。如前所述，快消品渠道的多层级特性决定了通道字段必须设计得足够精细。
（1）经销商代码。VARCHAR，与经销商主数据一致。铺货记录必须关联到负责该门店的经销商，用于后续的经销商铺货达成率考核。
（2）经销商仓储状态。枚举，记录该SKU在该经销商仓库中的库存水平快照，取值可为“充足、偏低、缺货”。这个字段不直接参与铺货率计算，但在诊断“为什么终端铺货率下降”时能快速定位是经销商断供还是门店端的问题。
（3）二级批发商代码。VARCHAR，可空。适用于存在二批渠道的行业和区域，如果公司渠道模式以直供终端为主，这个字段可以为空。但字段本身必须保留在表结构中，避免后续渠道模式变化时需要改表结构。
（4）终端门店物理状态。枚举，取值“已送达(在门店仓库)、已陈列(在门店货架)、已售罄、已退货”。这个字段是我们在项目重构时新增的，目的是严格按照“货在货架”原则来定义铺货率。只有状态值为“已陈列”的记录，才计入铺货率分子。
（5）最后陈列确认日期。DATE类型，由门店巡检人员或图像识别系统回传的最近一次确认货架有货的日期。如果这个日期距离统计日期超过预设阈值（比如7天），则该SKU的铺货状态自动降级为“待确认”，不计入铺货率分子。
如前所述，SKU层级不同导致的铺货率口径混乱，根源在于产品维度标签的不完整。以下产品维度字段必须作为铺货记录表的关联字段存在，或者通过SKU代码关联到产品主数据表。
（1）品牌。VARCHAR，品牌层面的唯一标识。
（2）系列/子品牌。VARCHAR，部分企业有子品牌结构。
（3）品类。VARCHAR，对于跨品类经营的快消品企业尤其重要，比如同时做饮料和休闲食品的企业。
（4）规格。VARCHAR，记录容量或重量，如“500ml”、“120g”。
（5）包装形式。枚举，如“罐装、瓶装、袋装、盒装、散装”。
（6）价格带。VARCHAR，按企业定价策路划分，如“5元以下、5-10元、10-20元、20元以上”。这个字段对于后续分析不同价格带产品的铺货策略差异很有价值。
（7）是否新品。布尔型，标识该SKU是否处于新品上市期内。新品铺货率是老品铺货率的补充指标，不能混为一谈。
地理维度字段设计的关键是颗粒度要够细，层级要够全。一套完整的快消品BI地理字段至少包含以下五个层级。
（1）省份。VARCHAR。
（2）城市。VARCHAR。
（3）区县。VARCHAR。
（4）街道/镇。VARCHAR。
（5）业务网格。VARCHAR，用户自定义字段，由一线销售管理者按照市场执行单位划定。这个字段是连接BI数据与一线业务执行的最小地理单元。
此外，建议增加一个经纬度坐标字段，DECIMAL类型，用于BI看板中的地理热力图展示和门店分布分析。这个字段可以从门店主数据中关联获取，不需要在铺货事实表中存储，但必须保证关联关系存在。
门店维度的字段决定了渠道铺货率可以按哪些门店属性进行拆分和对比。
（1）门店类型。枚举，如“KA卖场、连锁超市、连锁便利店、传统食杂店、校园店、交通枢纽店、餐饮门店、特通渠道”。这个分类必须与企业的渠道分类标准严格一致。
（2）门店面积区间。VARCHAR，如“30平以下、30-80平、80-200平、200平以上”。门店面积直接影响货架资源总量和可陈列SKU数量。
（3）门店等级。VARCHAR，由企业根据销售额、客流量等综合评定，如“A类、B类、C类、D类”。门店等级不同，铺货目标和铺货策略也应该有所区分。
（4）是否连锁。布尔型，连锁门店和独立门店在铺货执行路径上存在本质差异。
（5）门店开业日期。DATE，用于区分新店和老店。
（6）最近一次拜访日期。DATE，由销售自动化系统回传，用于评估门店活跃度和业务覆盖情况。
这是很多BI团队容易忽略但对最终分析质量影响极大的一类字段。没有数据质量字段，你永远不知道眼前的铺货率数据中掺杂了多少无效记录。
（1）数据来源。枚举，取值可为“经销商系统、业务员填报、第三方稽核、图像识别、门店POS回传”。不同来源的数据可信度不同，在分析时需要区别对待。
（2）数据录入时间。TIMESTAMP，记录这条数据实际进入系统的时间，用于评估数据时效性。
（3）是否经过稽核。布尔型，标识该铺货记录是否已经过第三方或督导的现场核实。
（4）异常标记。枚举，系统自动检测出的数据异常类型，如“数量超出门店历史均值3倍、铺货日期早于门店开业日期、SKU代码不存在”。这些标记帮助分析师在汇总前过滤掉明显有问题的记录。
概念讲得再多都不如看一组前后对比数据来得直观。下面是我们在华东某饮料企业的项目实践中，字段体系重构前后的BI铺货率看板指标变化情况。
旧系统使用的是经销商DMS直出数据，底层铺货事实表的字段总数只有11个，大部分维度和状态判断都在BI前端用计算公式拼凑，数据质量堪忧。旧系统连续三个月输出核心单品终端铺货率数据如下：4月86.2%，5月88.7%，6月91.3%。如果只看这三条曲线，渠道表现非常漂亮，稳步上涨，似乎新品上市推广一切顺利。
但真实情况是，我们在6月中旬派出了一支8人的巡店小组，按照分层抽样在华东三省12个城市实地走访了319家门店。结果触目惊心：实际货架有货的门店占比仅为58.7%，与BI系统的91.3%之间存在32.6个百分点的巨大落差。进一步拆解发现，这91.3%中至少有23个百分点是被“经销商已出库但终端未到货”的记录贡献的，另外约9个百分点是被“曾经铺过货但已经卖完且未补货”的历史记录贡献的。
新系统上线后，铺货事实表字段数量扩大到34个，严格区分了“经销商出库”和“终端上架”，新增了库存快照、陈列状态、最后确认日期、数据来源等字段。新系统运行三个月后，同一核心单品的终端实铺率数据分别为：8月61.4%，9月63.8%，10月67.1%。
新数据虽然看起来不如旧数据漂亮，但它第一次准确地反映了真实的渠道铺货水平。而且更重要的是，新系统把各地区、各渠道类型的实铺率差异非常清晰地暴露了出来。
| 渠道类型 | 旧系统铺货率 | 新系统实铺率 | 落差 |
|---|---|---|---|
| KA卖场 | 94.1% | 89.7% | -4.4% |
| 连锁便利店 | 89.5% | 71.2% | -18.3% |
| 传统食杂店 | 85.8% | 48.5% | -37.3% |
| 校园特通 | 79.6% | 62.1% | -17.5% |
传统食杂店渠道的实铺率仅有48.5%，与旧系统相比落差高达37.3个百分点。这个数字直接把问题摆到了桌面上：产品在传统渠道的实际渗透存在严重的结构性障碍，可能跟门店面积小、货架资源紧张、经销商对小型终端的服务频次不足等多方面因素有关。但这些原因过去被一个虚高的91.3%完全掩盖掉了。
新字段体系不只是修正了一个数字，它直接驱动了后续三个具体的业务决策。
第一，传统食杂店渠道的铺货政策从“全面铺开”调整为“重点城市保量、外围城市收缩”，将有限的渠道资源集中投放在实铺率有提升潜力的区域。
第二，BI看板上新增了“铺货但零库存门店清单”的自动推送功能，由销售督导每周跟进这些门店的补货情况。上线第一个月，补货响应速度比之前快了整整5天。
第三，数据来源字段的引入让我们能够区分“业务员自己填报”和“第三方稽核确认”两类铺货记录。在连续三个月的对比中，业务员自填报的铺货率平均比稽核确认的铺货率高8到10个百分点，这个偏差数值后来被直接纳入了区域销售负责人的考核项。
前面给出的34个字段是一个相对完整的参考标准，但实际落地时不可能要求每家企业一开始就全部铺开。资源有限、系统能力有限、一线执行习惯改变需要时间，这些都是现实约束。所以最后一节来聊聊，在不同阶段、不同条件下，这些字段应该怎么取舍。
如果你的企业目前处于渠道数据建设初期，经销商系统、SFA系统、主数据管理都还不够完善，建议不要追求34个字段全部到位，而应优先确保核心事实字段的准确性。具体来说，先集中精力把以下7个字段做到位：铺货事实ID、SKU代码、门店代码、铺货日期、铺货数量、铺货类型、门店物理状态。
这7个字段中，门店物理状态是执行难度最大的，因为它要求一线人员或系统有能力区分“货在门店仓库”和“货在门店货架”。如果暂时做不到自动化采集，可以先采用业务员巡店时手动勾选的方式来过渡，但必须保证这个字段在系统里有值，不能为空。
产品维度、地理维度、门店维度的标签字段可以通过后续的主数据关联逐步补全，不必在第一步就追求完美。但数据质量字段中的“数据来源”和“异常标记”建议从第一天就加上，否则后续清理历史数据的工作量会大得让人崩溃。
当核心事实字段跑通、数据采集流程基本稳定之后，第二步的重点是把诊断层需要的维度全部补齐。这个阶段必须完成的工作包括：产品维度全层级标签、地理维度到区县级、门店类型和门店等级字段、库存快照字段、经销商代码和仓储状态字段。
这个阶段最容易犯的错误是只关注铺货率本身，忽略库存快照的关联。再次强调，没有库存状态的铺货率是自欺欺人的。宁愿少做几张BI看板，也要先把库存快照这条链路打通。
对于渠道数据基础已经很扎实的企业，字段优化的重点转向数据质量管理和自动化。这个阶段可以全面铺开数据质量字段，引入图像识别、第三方稽核等数据来源，并建立自动化的异常检测规则。同时，把业务网格、经纬度坐标等精细化地理字段加入进来，支撑更精准的区域资源决策。
还有一个进阶建议：在这个阶段可以开始建设渠道铺货率的预测模型，把铺货率分析从“事后监测”升级为“事前预测”。不过这已经超出了字段设计的范畴，就不在这里展开了。
快消品行业内部差异巨大，不同品类的渠道结构不同，字段设计也要相应调整。
对于饮料行业，自动售货机和智能冰柜是一类重要的特殊终端。针对这类终端，需要在门店维度中增加“终端设备类型”字段，以及“IoT设备在线状态”字段，用于判断数据回传的可靠性。
对于日化行业，CS渠道有其独特的管理逻辑，门店维度中可以考虑增加“是否品牌专卖、是否连锁加盟”等字段。
对于冷链食品，保质期和温度控制是绕不开的因素，产品维度中需要增加“保质期剩余天数”字段，门店维度中需要增加“冷链设备完好状态”字段。铺货率分析如果不考虑这些品类特性，标准字段强行套用反而会得出不符合行业实际的结论。
总结一下，这篇文章的核心观点其实就三句话。第一，铺货率分析的底层字段设计决定了后续所有BI看板的质量天花板，这个阶段偷的懒会在后面以倍数级别的错误代价偿还。第二，区分“货在渠道”和“货在货架”是一切字段设计的逻辑起点，任何绕过这个起点的方案都是舍本逐末。第三，字段设计不存在绝对的标准答案，但存在清晰的取舍逻辑和方法论，企业应根据自身的数据成熟度和渠道特点来做阶段性推进。
如果你的团队正在搭建或优化快消品渠道铺货率BI看板，建议拿这篇文章里的清单做一次自查，把缺失的字段记录下来，排入下一阶段的迭代计划。不需要一口吃成胖子，但一定要知道目前的字段盲区在哪里，以及这些盲区可能导致什么样的决策误判。
数据不会说谎，但错误设计的字段会让数据说出来的话完全不可信。确保每一行铺货记录背后都有可核查、可拆分、可关联的维度字段支撑，这是快消品BI团队不可外包的专业责任。
我是一家快消品公司的数据分析师，最近在搭建BI渠道看板。我发现公司现有的报表把经销商仓库的库存也算作铺货，导致铺货率虚高。但实际上很多货压在经销商手里，终端根本没上架。我想知道到底应该怎么定义铺货率？必须包含哪些维度字段才能反映真实情况？
必须严格区分。我在为一家饮料企业做BI咨询时，他们最初的报表只有一个字段「是否有货」，结果总铺货率显示85%，但实际终端货架上只有45%的门店有货。我们拆解后发现：经销商仓库库存占40%，终端库房有货但未上架占15%，真正陈列在货架仅45%。
所以字段设计至少要包含两层维度： 1. 库存层级字段：细分「经销商仓库」「终端库房」「货架陈列」「缺货」。2. 上架状态字段：枚举「正常陈列」「有货未上架」「缺货待补」。
具体操作时，我在BI数据模型里增加了两个字段：location_type（经销商/终端库房/货架）和 shelf_status（陈列/未上架/缺货），并在ETL阶段将业务员PDA上报数据和经销商WMS数据做关联。
上线后，某区域经理发现一款新品在传统渠道的「货架上架率」只有20%，而总铺货率（含经销商库存）是65%。于是立刻调整补货策略，安排理货员专门负责拆箱上架，两周后上架率升到55%。所以，你的BI报表如果混为一谈，等于在欺骗管理层，建议加上这两个字段，并默认优先展示「终端货架上架率」作为核心KPI。
我在做月度铺货率报表，但业务总监说数据太滞后，想要周度甚至日度的。我担心频率太高数据波动大，反而看不清趋势。到底该选什么时间颗粒度？不同时间维度下铺货率字段设计需要注意什么？
时间颗粒度的选择取决于你的业务场景。我经历过一次踩坑：某快消品牌用月度铺货率分析，结果发现某区域夏季饮料铺货率从60%降到50%，但等到月底报表出来时，黄金销售期已经过了两周。
改为周度后，我们设置了三个关键字段： – 统计周期结束日期（周日的日期） – 数据采集日期（业务员实际拜访日） – 库存周转天数（当前库存÷日均销量） 通过这些字段，我们发现了问题：该区域经销商在第二周出现断货，但出货系统有延迟，导致周度铺货率骤降10%。
我们立即加了「断货预警」逻辑：当库存周转天数<3天且铺货率下降>5%时自动产生告警。对比不同时间颗粒度的结果：月度铺货率往往掩盖了短期波动，特别是促销活动期（比如周末买赠活动后铺货率可能骤升骤降）。我建议在BI系统中同时保留周度和旬度的汇总字段，并让用户通过筛选器自由切换。
对于旺季产品（如饮料、冰淇淋），必须包含日度采集数据（字段daily_flag），否则无法捕捉峰谷。此外，字段设计中要加入「更新时间戳」，方便追溯数据不一致的原因。
我们公司的铺货率数据来源混乱，有经销商自己报的，有业务员PDA采集的，还有第三方监控的。三个数据经常打架，导致报表没人信。我想知道在BI字段设计时，能不能加上一些校验字段来识别数据质量？具体应该加哪些？
这个问题我深有同感。两年前给一家乳企做BI项目时，他们三个数据源对同一家门店的铺货率数据相差高达40个百分点。后来我们在数据模型中强制内置了四个校验字段： 1. data_source：枚举「经销商系统」「业务员PDA」「第三方巡检」「智能冰柜IOT」。
上线后，我们发现一个典型案例：经销商系统显示A门店铺货率100%（有库存），但业务员PDA当天采集显示该门店货架上缺货。通过anomaly_flag标记后，发现经销商系统延迟了3天，且未剔除退货数据。
于是我们改写了ETL规则：以业务员PDA数据为主表，经销商数据只做参考，并增加source_priority字段（1-5级）。现在月度会议上，老板再也不会因为数据打架而拍桌子了。你的BI系统中，没有这几个校验字段，相当于在拿不可信的数据做决策。
建议至少加上data_source和anomaly_flag，并在看板上展示「数据健康度」指标。
我做的BI报表显示某产品铺货率已经达到80%，但销售增长很慢。区域经理反馈说“货是铺了，但卖不动”。我想在BI里加一些字段来分析到底是铺到了无效终端还是陈列不好？具体应该怎么设计？
我曾在某休闲食品品牌遇到完全一样的情况：全渠道铺货率78%，但月度动销率仅10%。我们通过增加三个维度字段找出了真相： 1. shelf_position：枚举「端架」「主货架黄金层」「主货架非黄金层」「角落」「未上架」。
store_grade：A类大卖场 / B类超市 / C类便利店 / D类夫妻店。3. display_share_ratio：该SKU陈列面占比（该品类总排面数÷本品排面数）。
分析发现：铺货率看似高，但80%的铺货集中在D类夫妻店，且其中70%的产品被放在角落或底层货架，陈列面占比不到5%。动销率只有3%。而在A类卖场，陈列面占比20%，动销率28%。
于是我们新增了「陈列质量评分」字段（基于陈列位置和占比加权计算），并设置最低阈值：对于C/D类门店，如果陈列面占比<10%且位置是角落，则标记为「无效铺货」。后来我们调整了业务员考核指标：从只考核「铺货率」改为考核「有效铺货率」（铺货且陈列位置达标+陈列面占比≥10%）。
三个月后，虽然总铺货率微降至72%，但有效铺货率从20%升至55%，动销率翻倍到22%。所以，你的BI分析必须跳出「有没有」，深入「在哪、占多大、旁边是谁」。字段设计上，一定要有陈列位置、陈列面积占比、门店等级这三个字段，缺一不可。
读者评论
文章把经销商出货和终端实铺的差异讲透了，87%的铺货率实际上只有43%的货架上能看到，这个44个百分点的差距正是很多企业决策失误的根源。作为销售管理者，我深有体会，只看系统数据不巡店，资源投下去全是浪费。建议每个做快消品渠道的朋友先把这一条啃透。
作为数据分析师，最怕的就是字段定义模糊导致口径不一致。文中提出的五节点模型和SKU层级标签设计很实用，尤其是区分经销商出库和终端入库两张表，以及库存状态字段的布尔型判断，这才是真正能落地的字段体系。比那些只讲概念的文章强太多。
文中提到的门店状态字段缺失导致虚增铺货，我自己踩过这个坑。主数据一年不更新，关店的门店还在分母里算，铺货率被被动拉低。加上时间有效性字段后，看板才反应真实情况。建议所有BI项目在初始化阶段就把这五个常见误区逐项排查一遍，能省很多后期返工的功夫。