商品运营开会的时候，最常听到的一句话是：“这个品卖得好，赶紧补货。”

然后采购补了一批，运营多给了流量，仓库多占了位置，三个月后，这个“卖得好”的商品库存积压了一仓库，毛利被折扣和退货吃掉了大半。

另一个商品在销量榜单上排二十名开外，但毛利贡献排前三，却因为没人注意到，一直没得到应有的资源。

畅销商品分析真正的坑，不是不会分析，而是分析完只得到了一个结论：“它卖得多”。

卖得多不等于赚得多，更不等于值得继续投入。

一个商品销量高：

如果不把“卖得好”拆开看电商数据分析，补货和加资源就是一场赌博。

WorkBuddy解决的就是这个问题，它帮运营把“卖得好”拆成“为什么好”，把“它卖得多”变成“它应不应该继续投”。

一、电商数据分析—畅销商品的真实定义

畅销商品的判断标准不是单一的销量指标，而是四个维度的综合评估。

销量是畅销商品最基础的指标，反映商品被市场接受的程度。

销量高说明商品有市场需求，但单看销量不足以判断商品是否真正“优质”，一个高销量的商品可能同时伴随着高退货、高折扣、低毛利。

流水即销售额，反映商品对整体营收的贡献规模。

一个商品销量不高但单价高，流水贡献可能排在前列，流水规模决定了商品在门店中的资源优先级。

正价率反映商品的定价能力和品牌价值。

正价率高的商品说明用户愿意为这个商品支付标价，品牌有溢价能力；正价率低的商品依赖折扣驱动销售，利润空间被严重压缩。

售罄率=某段时间内的销售数量÷（期初库存数量+期间进货数量）×100%

售罄率反映库存消化效率，一个款能上榜、能长期上榜，不是“价格便宜”或者“刚好流量高”，而是综合质量好、库存结构正确、渠道匹配度高。

真正判断一款畅销商品是否“优质”，销量、流水、正价率、售罄率四个维度缺一不可。

九数云BI免费试用：https://s.fanruan.com/jk3vg

二、电商数据分析—畅销商品分析的五个核心维度

畅销商品分析不能只看一个维度，而要从销售、利润、库存、流量、用户五个维度系统拆解。

第一梯队是销售额、订单量、客单价，这三个指标构成了销售的基本面。

第二梯队是同环比增长率。

销售维度的分析要回答三个问题：畅销商品的销售额规模有多大？增长趋势是上升还是下降？增长来自销量提升还是价格变化？

毛利额、毛利率、净利率是利润维度的核心指标。

一个商品卖得再多，如果毛利率持续走低，就不是真正意义上的“优质畅销品”，利润维度的分析要剔除低毛利的“假爆品”。

库存是商品分析中直接影响现金流的维度，动销率、库存周转天数、可售天数是库存维度的核心指标。

库存维度的分析要回答：畅销商品的库存是否足够支撑销售？是否存在断货风险？库存周转是否在加速？

流量分析回答的是“为什么卖得好或不好”，曝光量、点击率、转化率是流量维度的核心指标。

流量维度的分析要识别“高流量低转化”和“低流量高转化”两类不同问题。

复购率、用户评价、客群画像。

用户维度的分析要回答：畅销商品的复购率是否健康？用户评价集中在哪些正面维度？核心客群是谁？

三、电商数据分析—畅销商品分析的四个核心模型

ABC分析基于帕累托法则（二八定律），将商品按销售额贡献分为A、B、C三类。A类商品占销售额约80%，是核心畅销商品；B类商品占销售额约15%，是潜力商品；C类商品占销售额约5%，是长尾商品。ABC分析的执行步骤：按销售额从高到低排序，计算累计占比，A类为累计占比≤80%，B类为80%-95%，C类为95%-100%。

按销售额和毛利率两个维度交叉，把商品分为四类：

明星商品（高销售额、高毛利率）： 核心畅销商品，贡献销售也贡献利润

问题商品（高销售额、低毛利率）： 卖得多但不赚钱，需要警惕“越卖越亏”

潜力商品（低销售额、高毛利率）： 有利润空间但还没卖起来，需要分析原因

淘汰商品（低销售额、低毛利率）： 既不赚钱又没规模

动销率=有销售的SKU数÷总SKU数×100%

动销率衡量库存结构是否活跃，畅销商品的动销率应该高于品类平均水平，如果整体动销率低，说明大量SKU在“躺平”。

交叉比率=毛利率×库存周转率

交叉比率同时衡量商品的盈利能力和资金使用效率，一个好商品，既要赚得多（高毛利率），又要卖得快（高周转）。交叉比率越高，商品综合价值越高。

四、电商数据分析—WorkBuddy做畅销商品分析的完整流程

WorkBuddy做商品分析，可以拆成一条完整链路：

数据检查→指标计算→商品分层→异常定位→原因分析→动作制定

第一步：数据检查

商品分析最容易犯的错误，是一上来就让AI“分析一下商品销售情况”。

但AI连数据是否完整、SKU是否统一、销售和库存能不能关联都不知道，第一步不是分析，而是先检查数据。

指令示例：

“读取当前工作目录中的销售明细、库存明细和商品主数据。先不要分析经营结果。检查字段、时间范围、数据类型、重复记录、缺失值、异常值，以及SKU编码是否能够正确关联。输出数据质量检查结果，并列出需要修正的问题。”

这一步其实是在建立商品分析的数据底座。

尤其是SKU，销售表可能叫“SP001”，库存表可能叫“001”，商品表又可能写成“苹果手机15”。

如果没有统一编码，后面的销售、库存和毛利很可能无法准确关联，有些企业的做法是构建统一商品编码体系，建立商品唯一码和各版本SKU对照表。

专业商品分析的第一关，不是AI够不够聪明，而是数据口径有没有统一。WorkBuddy支持读取和处理本地文件，这类数据检查、清洗和批量处理可以直接交给它完成。

第二步：看整体结果

第一层先看整体经营结果。

核心指标包括：销售额、销量、毛利额、毛利率、动销率、库存金额、库存周转率、库存周转天数。

不要直接给出原因和建议，先描述结果，先确认发生了什么，之后再来解释为什么。

指令示例：

“汇总销售额、销量、毛利额、毛利率、动销率、库存金额、库存周转率和库存周转天数，与上期进行对比，找出变化明显的指标。先描述结果，不要直接给出原因和建议。”

第三步：看结构

整体结果看完，再拆商品结构，按照品类→价格带→SKU逐层下钻。

按品类分析销售额、销量、毛利额、毛利率和库存金额占比；按价格带拆解销售和毛利结构；最后下钻到SKU，找出核心商品和低效商品。

指令示例：

“按品类分析销售额、销量、毛利额、毛利率和库存金额占比，找出销售贡献最高、毛利贡献最高和库存占用最高的品类。再按照价格带拆解销售和毛利结构，最后下钻到SKU。”

这一层解决的是：到底靠什么商品赚钱？

某品类贡献30%的库存金额却只贡献10%的销售额，就值得重点关注。

商品结构不能只看销售占比，而要同时看销售贡献、毛利贡献和库存占用。

第四步：看效率

把销售表现与库存表现关联分析，对SKU计算销售额、销量、毛利率、库存数量、库存金额、库存周转率。

将商品划分为四类：

核心商品，重点保障供应

销售不错但库存资金压力较大

典型库存风险，需要进一步查库龄

不一定是问题，还要结合生命周期判断

WorkBuddy可以把这四类商品自动分层，生成商品经营矩阵。

第五步：找异常

不要采用单一指标判断，至少结合两个相关指标交叉验证。

更合理的方式是结合同比、环比、目标值、品类平均值、历史区间，这样才能避免把正常波动误判成经营问题。

指令示例：

“对SKU进行异常检测，分别从销售、利润、库存、动销四个维度识别异常。结合同比、环比、品类平均值进行交叉验证，按照影响程度排序。”

第六步：查原因

发现销售下降以后，不能直接写“市场需求下降”。

还要继续拆：销量下降？价格下降？渠道变化？缺货？促销结束？

指令示例：

“对销售下降超过20%的SKU进行原因分析，从销量、售价、渠道、门店、库存和促销维度拆解，判断销售下降究竟来自需求变化、价格变化、渠道变化还是库存供应问题。每个结论必须引用数据证据。”

第七步：定动作

最后，把分析结果变成可执行的动作。

WorkBuddy可以按照问题→数据证据→原因→影响→动作的模式输出结果。

指令示例：

“按照问题→数据证据→原因→影响→动作的结构，输出商品分析结果。每条动作必须对应具体SKU，说明数据依据和优先级。”

写在最后

每周一早上，运营最怕的不是“要开会”，而是“要开会了，还没有数据”。

打开Excel、导销售表、导库存表、VLOOKUP匹配、算动销率和毛利率、分四象限、找异常，一套流程下来两三个小时没了。

等做完这些“准备工作”，留给判断和决策的时间，只剩下不到一个小时。

WorkBuddy改变的，就是这件事。它把畅销商品分析从“每周花半天手动做表”变成了“每周一早上自动出报告”，不是算得更快了，是不用再算了。

运营团队周一早上到岗，打开管理群，上周的畅销商品分析报告已经在群里了：

看到这些数据，团队可以直接开会讨论决策，不需要再花半天时间先“把数据做出来”。

畅销商品分析的价值，不是做出分析报告，而是让运营有时间根据报告做决策。

如果分析本身消耗了运营的大部分精力，留给决策的时间就越少；当分析自动化之后，运营的时间才能回到真正的价值上，不是算数据，而是想策略。

这个逻辑，在任何零售企业都成立。