天猫数据分析——吃透这4个商品分析模型，你的货品管理能力直接碾压同行！ | 帆软九数云
三个月后，仓库里还堆着200件；利润表上，毛利掉了两个点。
另一头，B款外套卖了不到200件，但毛利贡献排前三。
没人注意它，因为销量榜单上，它永远在十名开外。
销量排名让你看见“谁卖得多”，但不告诉你“谁在替你赚钱”。
商品分析的第一课不是“看数字”，是选对角度。从结构入手，你才有可能回答那个最基本的问题：你货架上的东西，哪些在替你赚钱，哪些在替你赔钱。
下面把这套分析逻辑从结构到单品拆开讲。
一、天猫数据分析——先看结构
其实商品分析的问题往往不在单品，在结构本身。如果结构本身就是错的，做任何动作都是治标不治本。
商品结构，是指一个销售体系中商品在类别、价格带、生命周期、动销表现等多个维度的组合分布。
结构分析主要看四个维度：
01 品类结构
每个企业的品类结构往往呈现“一超多强”的特征：某个品类撑着40%的销售额，某些品类做规模，某些品类做利润。
品类贡献度 = 某品类销售额 ÷ 总销售额 × 100%
判断逻辑：
一个品类占比过高（超过50%），意味着风险集中，一旦这个品类出问题，整体业绩会崩；占比过低，说明投入不足，可能错失增长机会。
02 价格带结构
价位段占比 = 某价格段销售额 ÷ 总销售额 × 100%
判断逻辑：
价格带断层说明品类覆盖不全，可能流失客户；某个价格带堆了太多SKU但销量很低，说明结构冗余。
03 利润结构
哪些品类在贡献毛利、哪些在拉低整体利润。
一个常见陷阱是“高销量低利润”的结构风险，卖得热闹但不赚钱。销售涨了但利润没涨，很可能是品类结构偏向“高销低利”。
04 生命周期结构
有没有新品断层或老品积压问题。
新品占比过低（低于10%）说明选品或上新节奏有问题；滞销品占比过高说明汰换不及时。
二、天猫数据分析——再看单品
结构看完了，接下来落到单品层面。结构告诉你盘子长什么样，但生意最终是靠单品跑出来的。
单品分析的核心，是盯住两类商品：新品（未来）和重点品（基本盘） 。
01 畅销品
畅销榜不能只看“卖得多”，要同时看四个维度：
- 销量
市场接受度强不强
- 流水
整体贡献值高不高
- 正价率
是正价卖出去的还是打折甩出去的
售罄率 = 某一周期内已销售数量 ÷ 该周期内总进货数量 × 100%
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。
02 滞销品
滞销不只影响现金周转，还影响利润结构、仓储成本、陈列空间甚至未来配货策略。
滞销Top10通常结合三个维度判断：
- 当前库存量是否异常高
- 售罄率是否持续低
- 在同类产品中是否明显偏差
看到榜单后，做三件事：
查问题来源（错误配货、SKU结构不合理、陈列没跟上）→ 判断是否需要提前折扣清理 → 总结经验用于下一季计划，避免再犯同样的结构错误。
三、天猫数据分析——常用分析模型
商品分析不是拍脑袋，是有成熟的方法论可以套用的。下面这四个模型，覆盖了零售商品分析最核心的场景。
01 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三类：
- A类
数量少但价值高（通常贡献前80%销售额）。重点管理，保证库存充足，投入更多营销资源
- B类
贡献居中，利润的稳定来源，维持正常管理
- C类
数量多但价值低。简化管理或优化淘汰，减少库存积压和资源浪费
ABC分析的价值在于把有限的资源集中在“关键的少数”上，而不是平均用力。
02 波士顿矩阵（BCG）
通过“市场增长率”和“相对市场份额”两个维度，将商品分为四类：
- 明星产品（高增长、高份额）
前景广阔，需要持续投入资源扩大优势
- 金牛产品（低增长、高份额）
市场成熟，能带来稳定现金流，维持现状即可
- 问题产品（高增长、低份额）
有潜力但也有风险，审慎评估是否值得投入
- 瘦狗产品（低增长、低份额）
增长慢、竞争力弱，考虑缩减或淘汰
波士顿矩阵的价值在于让资源投入有方向，知道哪些该投、哪些该收、哪些该砍。需要定期复盘，因为产品在矩阵里的位置不是一成不变的，会随着市场变化而移动。
03 购物篮分析
通过分析用户的购买记录，发现哪些商品经常被一起购买，找出商品间的关联规则。核心是通过计算销售数据中的三个指标来找顾客的天然购买组合。
购物篮分析的价值在于让企业从“单品管理”走向“组合管理”，提升客单价与购物深度。
典型应用场景包括：捆绑销售、商品陈列优化、精准推荐。
04 TGI分析
同一款商品在不同地区销量差异很大，到底是市场偏好不同，还是人口基数差异导致的？
TGI分析（目标群体指数）能帮你找出哪些群体或区域对某商品最感兴趣。
- TGI > 100
目标群体更偏好该特征
- TGI = 100
和整体市场无差别
- TGI < 100
偏好低于平均水平
TGI分析的价值在于让商品销量数据背后的“人群偏好”更清晰，让每一次推广和商品布局更精准。
03 购物篮分析
通过分析用户的购买记录，发现哪些商品经常被一起购买，找出商品间的关联规则。核心是通过计算销售数据中的三个指标来找顾客的天然购买组合。
购物篮分析的价值在于让企业从“单品管理”走向“组合管理”，提升客单价与购物深度。
典型应用场景包括：捆绑销售、商品陈列优化、精准推荐。
04 TGI分析
同一款商品在不同地区销量差异很大，到底是市场偏好不同，还是人口基数差异导致的？
TGI分析（目标群体指数）能帮你找出哪些群体或区域对某商品最感兴趣。
- TGI > 100
目标群体更偏好该特征
- TGI = 100
和整体市场无差别
- TGI < 100
偏好低于平均水平
TGI分析的价值在于让商品销量数据背后的“人群偏好”更清晰，让每一次推广和商品布局更精准。
热门产品推荐
在当今数据驱动的时代，数据分析常用的工具有哪些是每个企业和个人都应该了解的。选择合适的工具，能够帮助我们从海量数据中提取有价值的信息，从而做出更明智的决策。本文将对市面上主流的数据分析工具进行盘点，助你找到最适合自己的利器。
九数云 | | 2025-09-16
在数据爆炸的时代，我们每天都面临着海量的信息。如何从这些复杂的数据中提取有价值的知识，成为各行各业都需要解决的关键问题。多元统计分析正是一种强大的工具，它可以帮助我们理解多变量之间的关系，揭示数据背后的模式，从而做出更明智的决策。
九数云 | | 2025-08-28
数据爆炸的时代，如何让信息更直观、更容易理解？答案就是可视化图表怎么做。一份好的可视化图表，能将复杂的数据转化为清晰的洞察，帮助我们发现趋势、做出决策。本文将带你从入门到精通，掌握可视化图表怎么做的全流程，让你也能轻松驾驭数据，玩转图表。
九数云 | | 2025-08-20
在日常办公中，经常需要在Excel、Word等软件中处理表格。为了保证表格的美观性和可读性，统一表格中每一个格的大小显得尤为重要。怎么把表格每一个格都一样大小，是许多人在编辑表格时遇到的常见问题。本文将介绍在不同软件中快速设置统一单元格大小的方法，帮助你轻松解决这一难题。
九数云 | | 2025-12-22
在当今这个数据驱动的时代，海量数据无处不在。如何从这些数据中提取有价值的信息，成为了企业和组织面临的重要挑战。大数据可视化分析技术应运而生，它将复杂的数据转化为易于理解的图形和图表，帮助决策者更好地理解数据，从而做出更明智的决策。本文将深入探讨大数据可视化分析技术的定义、应用以及未来的发展趋势。
九数云 | | 2025-08-20
在当今数据驱动的世界中，数据处理分析已成为各行各业不可或缺的关键环节。它不仅能帮助企业从海量数据中提取有价值的信息，还能为决策提供科学依据，从而优化运营、提升效率并增强竞争力。本文将深入探讨数据处理分析的概念、流程、方法和实践应用，助力读者全面理解并掌握这一重要技能。
九数云 | | 2025-09-16
