一文看懂:商品分析如何做?

简介: 今天分享的是商品分析。在过去,商品分析曾经是最重要的分析内容,但现在已经让位给推广分析了,一起来看下吧。

一、商品分析,在分析啥?


商品分析,指的是分析在售商品的进货、销售、存货情况。大部分企业都是靠销售商品赚取利润,因此要及时掌握:


  • 有多少商品在售
  • 一定时间内,能卖出多少
  • 仓库里,还剩多少


掌握情况以后,就能进一步决定:


  • 卖得好的话,要不要进货
  • 卖得差的话,要不要清货
  • 这一批卖完了,还要不要进下一批


那么,商品分析该怎么做呢?一起来看一下

二、商品分析基本逻辑


对单件商品而言,最主要的指标就是:


  • 销量:最近1周/1个月销售件数
  • 库存:当前库存商品件数
  • 周转时间:预计库存还能用多久?
  • 进货时间:预计进货需要多久?


看个简单的例子(如下图)


image.png


这么看,似乎商品分析很简单,不过现实很麻烦,因为很少有商品的销量是一条直线,上周500件,本周还是500件。商品销量不确定性,导致了分析很麻烦。


三、商品销量的波动


商品销量有三种典型正常波动


1、生命周期波动。常见于科技产品(手机、电脑)、时尚产品(服装、装饰),从商品上市,到商品退市,有明显的波动(如下图)。


image.png


2、季节性波动。很多商品有季节性,比如冷饮、雪糕、电扇夏天卖得好,涮肉、手套、暖宝宝冬天卖得好。这样随着时间变化,有明显差异(如下图)。



image.png


3、周/月波动。有的商品每个季节都有,是人们固定需要的,但是消费者并非每时每刻都会来采购,因此会产生周/月波动。比如快消品一般周末卖得好,人们放假了才有空买东西。toB类采购,则是工作日卖得好,周末没人加班搞采购流程(如下图)。



image.png


这些波动都是正常的,还有不正常的,比如:


  • 因为天气异常,没客人到店
  • 因为天气太冷,夏季产品比预计的差
  • 上市前以为很畅销的新品,上市后无人问津


以上所有问题,都会导致商品销售数据波动巨大。销售数据波动巨大,自然会导致库存积压,周转减慢,进一步影响到后边的清仓、补货节奏。这时候就得关注商品库存。

四、商品库存分析

商品库存,主要关注:是否会因为长期保存而导致损失。



比如生鲜产品:


放久了不新鲜,卖不上价(跌价损失)。


放久会腐烂,彻底不能卖了(超龄损失)。


电子产品、汽车、时尚产品也类似,上市的时候,功能新颖,设计独特,能卖上好价钱。但时间久了,对手也出了同样产品,就会跌价。等这个设计、功能已经成土老帽了,就彻底卖不出去了。


因此,一般商品会统计:库龄(入库多久)指标。在清货的时候,优先清理库龄较久的商品。同时,还会监控市场价格与对手产品。如果对手推出同级别产品,且市场上同级别产品价格已经下降,就开始产生跌价损失,需要及时调整价格了(如下图)。


image.png


五、商品分析的难点

综合来看,商品分析难点,不是计算过去销量,而是预测未来走势。且影响商品销量的因素,总是相互叠加的,想计算清楚会很麻烦,甚至成为一个玄学问题(到底能卖多久!!!)。


对于入门级小伙伴,能做到下面几点就已经合格了:


  • 做出商品进、销、存报表
  • 识别商品各种正常走势
  • 做出商品库存、库龄、市场价报表


如果真要做预测,就基于大的商品生命周期/自然周期+最近2周的销量,拍脑袋拍一个下周的量出来吧。


image.png


六、为啥商品分析提的人少


在过去实体店年代,商品分析很重要。因为一个店开起来不容易,不能轻易换,只能可劲折腾商品。现在互联网推广流程,商品的重要性大大降低了。在互联网上卖货,更讲究爆款,销售的商品数量、品种也大大减少。各大电商平台、社群、裂变、分销、直播、短视频各种玩法,使得选择好渠道才是更重要的。


相关文章
|
SQL HIVE
【Hive SQL 每日一题】环比增长率、环比增长率、复合增长率
该文介绍了环比增长率、同比增长率和复合增长率的概念及计算公式,并提供了SQL代码示例来计算商品的月度增长率。环比增长率是相邻两期数据的增长率,同比增长率是与去年同期相比的增长率,复合增长率则是连续时间段内平均增长的速率。文章还包含了一组销售数据用于演示如何运用这些增长率进行计算。
1510 4
|
分布式计算 Java Hadoop
16 HDFS的java操作
16 HDFS的java操作
226 0
|
算法 JavaScript 前端开发
彩票中奖率的真相:用 JavaScript 看透彩票背后的随机算法(下)
至于分发?我们可以参考一下市面上已有的一些概念做一下对比,下面是笼统的一个网络服务器的TPS预估值,也就是说彩票服务器在1秒内可以处理的最大请求数:
|
11月前
|
人工智能 NoSQL 测试技术
Apipost 与 Apifox:全栈工程师视角下的 API 工具抉择
本文对比了Apipost与Apifox两款API工具在AI能力、数据一致性管理、自动化测试、团队协作、协议支持、数据库支持及离线可用性等多个核心维度的表现。Apipost凭借AI智能化、数据自动同步、全面协议支持及离线功能等优势,在大型项目、高安全场景及多协议调试中表现更出色。而Apifox适合预算有限、小型团队及纯HTTP项目。
280 0
|
10月前
|
传感器 安全 机器人
5G+远程手术:当“低延迟”成为一把手术刀
5G+远程手术:当“低延迟”成为一把手术刀
382 3
|
10月前
|
缓存 IDE 开发工具
重装系统的成本有多高?不仅是时间,还有这些隐藏代价
重装系统看似简单,实则隐藏诸多成本。除了耗费大量时间进行安装、备份和配置,还可能因数据丢失、软件授权问题、硬件兼容风险等带来额外损失。本文详解重装系统的六大成本:时间、数据、授权、配置、风险及潜在支出,并提供实用建议,助你避免“重装陷阱”。
|
11月前
|
机器学习/深度学习 搜索推荐 数据挖掘
朋友圈点赞也能造假?社交媒体数据欺诈识别的那些事
朋友圈点赞也能造假?社交媒体数据欺诈识别的那些事
484 0
|
存储 数据可视化 搜索推荐
数据可视化实战:如何采集并分析马蜂窝上的热门旅游信息?
通过自动化工具抓取马蜂窝旅游数据,分析杭州热门景点与用户关注焦点,生成排行榜和词云图。项目采用低成本方案,结合Playwright模拟浏览器行为采集信息,并用Python处理数据、绘制图表。结果显示西湖、灵隐寺等为热门景点,游客多关注门票、交通等问题。此方法简单高效,适合个性化旅行攻略分析。
868 8
数据可视化实战:如何采集并分析马蜂窝上的热门旅游信息?
|
人工智能 前端开发 JavaScript
在线课堂|基于Springboot+Vue实现在线学习平台
本项目基于Springboot和Vue开发实现了一个大学生在线课程学习平台。平台用户有三类:学生、教师、管理员。学生注册登录后可以查看相关课堂,在线播放课程视频进行学习,并可以购买课程,完成课程交易,对课程进行评价,添加学习记录进行记录,在线咨询留言等。教师账户由管理员分配,登录后可以添加课程,添加课程对应的学习视频,查询课程评价并进行回复,查看学生的学习记录,回复学生咨询信息等。管理员主要对平台的所有信息进行相应的管理,包含学生管理、教师管理、课程管理、分类管理、视频管理、咨询管理、学习记录管理、轮播图管理、友情链接管理等,并包含了课程销售的图形报表统计,采用Echart来进行实现。具体见下
1334 0