
选品研究,B2C商品品类管理完全解析
一.公司对产品部考核指标和管理办法 :
电子商务公司产品部考核办法
品类管理职责
1、 对公司及门店商品品类进行总体的规划与设置。
2、总体分析品类在提升业绩上发挥的功能及作用。
3、对各品类的业绩及利润做出总体预算建议,并对所管品类负责。
4、主导周期性促销,分析促销效果,并对促销活动做出销售、毛利要求。
5、对品类商品展示和陈列做出总体布局方案。
6、根据品类分析提出新品引进、旧品淘汰的建议。
7、拟定市场调查方案(包括价格、消费趋势、竞争对手情况等等)并亲自参与市调,总结调查结果,提出合理建议。
8、针对季节变化,对应季品类商品做出更替建议。
9、根据分析确定各小类商品价格带。
10、供应商管理。
三. 品类专员工作方法和工作工具
A.工作方法:
1.对公司及门店商品品类进行总体的规划与设置。
对公司现有资源和品类进行分析和归类,针对公司现状通过网络调查问卷(调查派)进行品类规划的数据收集,通过分析制定适合自己的品类发展策略:(要什么样的品类,哪些品类会成为我们的识别品类,每个品类的职责和预期是怎么样的状况;不同分类的渗透率如何做起;品牌和价格,库存如何平衡。。。)规划公司本年度发展目标,合理设置品类需求,建立品类需求分析树。
2.总体分析品类在提升业绩上发挥的功能及作用。
具体到现有不同品类的销售贡献和毛利贡献,对不同品类属性和功能做清晰的定位。使用工具(品 类 分 析)进行各品类分析。
3.对各品类的业绩及利润做出总体预算建议,并对所管品类负责。
根据现有情况,结合公司发展规划,对品类的业绩及利润做出详细的预算建议,并有权力调整商品价格和要求采购调低进价(谈判),对所辖品类的价格策略有整体规划。使用工具4价格带分析。
4.对品类商品展示和陈列做出总体布局方案。
产品部门决定品类的划分和商品促销,用什么样的主题和方式由产品,市场和网站3各部门讨论决定,网站负责制作线上内容,市场负责推广和其他渠道的相关广告投放。该项工作必须在促销活动开档前一周五前完成。
5.制定促销方案,分析促销效果,并对促销活动做出销售、毛利要求。
促销原则上每14天为一档,周六---隔周周五(如2.26-3.12),同时在开档前一周五前提交经过审核的促销方案给网站部和市场部,以便及时做出促销推广。
结束后根据档期促销实施结果(销售、毛利,其他),对该档期促销做出总结并归档;产品部在结束当周二做好档期总结。
6.根据品类分析提出新品引进、旧品淘汰的建议。
主要是根据目标顾客的需求,对单品进行优胜劣汰,剔除同质化单品(使用工具2品类商品合并),优化品种和数量,引进多样化商品,(使用工具1确认各品类的品项数)从而降低系统成本,最终提高效率,获得合理利润。高效率的货品管理是优化库存结构和提升利润的第一步,通过产品分级(一般分ABCD进行系统化配置)来优化产品库存结构。
7.拟定市场调查方案(包括价格、消费趋势、竞争店情况等等)并亲自参与市调,总结调查结果,提出合理建议。
主要通过定性研究和定量研究进行:定性主要是通过内部座谈会,一对一访问,商店访问和陪伴购物进行;定量研究通过定点访问,网上调研,线上数据分析等进行。保持每周市调,每月提交竞争对手状况报告,详见表四。
8针对季节变化,对应季品类做出促销建议。
品类经理根据季节性,特别是B2C的几个关键节日(五一,国庆,圣诞节,光棍节,元旦)对产品做出促销建议;并结合时尚潮流对新品和常列商品的更替做出建议。
9.根据分析确定各小类商品价格带。
结合竞争对手和市场,供应商供价的实际情况,对每个小品类做出价格带的分析,并严格执行所制定的商品价格带策略。详见工具4价格带分析
10.供应商管理。
品类经理在确定好品类策略后,协同采购一起确定新的供应商,由采购负责询价,谈判到产品入库,品类经理协助采购新品的引进到上线,可以给采购建议新供应商的开发。
B.工作工具
1.确认各品类的品项数
上下限理论值 = 各品类的首选品项数/结构因子。
公式中,结构因子指的是下限因子和上限因子。结构因子如何计算呢?还是要遵循二八比例,根据第一步的数据表可分析得出,80%的销售额由多少比例的单品贡献而来。这个比例数,我们称之为a因子。当这个比例数低于20%时,a因子为上限因子,下限因子则为20%;当这个比例数高于20%时,a因子为下限因子,上限因子则为20%。
例一:某品类16%的品项数贡献了80%的销售额(这表明该门店低效商品数偏多),A品类的首选品项数为20个。那么,该门店A品类的品项数下限为20/20%=100,上限为20/16%=125。也就是说,我们将通过对各品类的商品数上限的控制,使贡献80%销售的商品数比例不断向上趋近于20%。
例二:某品类25%的品项数贡献了80%的销售额(这表明该门店商品的丰富度不够),A品类的首选品项数为20个,那么,该门店A品类的品项数下限为20/25%=80,上限为20/20%=100。也就是说,我们将通过对各品类的商品数下限的调整,使贡献80%销售的商品数比例不断向下趋近于20%。
在实际的工作中,仅仅理论地计算各品类的上下限数值是不完全科学的,有几种状况是需要对这个理论值进行调整的。基本原则是:品类中的必售品项数低于下限的,以计算的上下限理论值为准;必售品品项数高于下限低于上限的,以必售品品项数为下限;必售品品项数高于上限的,则上下限均为必售品品项数
2.品类商品合并。
在我们得出首选品类和必售品类(包含必售品,但没有首选品的品类)的品项数上下限;然后再对剩余的品类进行个别分析,保留部分结构性品类和结构性商品;最后将所有品类的品项数的上限和下限分别合并,形成完整的商品结构总表。
选择品=下限-A类品,这是相对稳定的补充性品项。
新品空间=上限-下限,这是根据各品类的上限减下限后得出的数值,这一区间的商品是有试销期的,一般涵盖一个完整的销售季度,最多不超过6个月。但凡商品季度销售排序在某个品类的这个区间里,且试销期超过3个月以上,将被列为待淘汰商品,一旦该品类在新品引进的过程中,突破上限,待淘汰商品将被优先淘汰。当新品在试销期中的季度销售排序,“突破下限”,将转型为相对稳定的补充性品项,给予相对稳定的陈列资源和促销资源。
3.必选商品的确定
将某时间段的商品销售,按照单品的销售额和销售量,由低至高依此排序。
排序后,我们将由高到低累计达成80%销售额的商品品项形成集合S1,将由高到低累计达成80%销售量的商品品项形成集合S2;然后将S1和 S2相交得出交集品项集合A1,这意味着A1范畴内的商品,销售额和销售量均在前80%的排序范围;再将S1和 S2相并后减去交集品项集合A1,得到品项集合A2,A2范畴内的商品,销售额或销售量有且仅有一项落入前80%的排序范围内。如下图所示:
我们将A1和A2统称为A类品。A类品是并集品项,是S1和S2的并集。A类品也称之为“必售品”,用数学语言来说,必售品是销售额或者销售量至少有一项进入排名前80%的商品。这是每个品类均必须备有并确保安全库存的商品品项。
把A1定义为首选品,这是销售额和销售量均进入排名前80%的商品,是每个品类必须重点监控和关注的商品。
4.价格带分析
价格段分析:将某类商品按照其价格带进行分析,以确定其准确的价格区间和该品类的价格策略,其中包括竞争策略和发展策略。
如情趣品类最低价为7元,最高价为299,故Q=(299-7)/4=73,则Q1-7-80,Q2 -81-154,Q3-155-228,Q4-229-299。通过统计得到Q1销售占比为Q1 61.4%,Q2 33.5%,Q3 5% ,Q4 0.13%,所以我们觉得该品类应该主推Q1,Q2.同时提升Q3,Q4的销售,可以很快的拉升客单价,并建立高品质的品牌形象。(跟踪表格见附表3情趣类现状分析)。
总之,品类管理是一个系统性工程,也是商业的核心,当然B2C的品类管理有其特殊性,要考虑自己的网站主要是哪些人群在消费,他们的喜欢在哪里,包括我们的产品(品牌,表现,价格,展示。。。)每个单品的PV,转化率是什么样的情况,为什么每个品类的PV 相差如此悬殊。。。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13