
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
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23