品类商品结构分析

概述

本技能融合两套互补的零售知识体系：①「零售学堂」提供的思维框架（商品配置论、零售の数学、品类管理方法论、去魅批判）——告诉你「怎么想」；②「零售数据化企划/零售老刘」提供的量化建模（品类建模系列、双ABC、价格带分析、度量指标体系）——告诉你「怎么算」。两套体系的融合核心：将零售学堂的定性框架用零售老刘的数据方法落地为可执行的分析工作流。

涵盖：门店业态确认、科脉御商+数据提取、条形码验证、市场行情与马上赢对照、八大分析阶段、十项核心工具、生鲜专项（猪肉/水果/蔬菜）、完整指标体系和去魅方法论。

核心信条：任何品类结构一定是一种需求结构，也必须是一种需求结构。选品即定价、定价即成本、成本即战略。 分析不能闭门造车——必须结合外部市场行情与内部数据，在明确门店业态的前提下做出诊断。

触发条件

当用户提出以下需求时加载本技能：

• "分析品类结构" / "商品结构诊断"
• "做ABC分析" / "ABC分类" / "双ABC"
• "品类商品配置" / "选品策略"
• "价格结构分析" / "价格带分析" / "IPC"
• "品种结构" / "HS矩阵"
• "品类角色定位" / "品类评估"
• "促销选品" / "购物篮分析"
• 其他超市/零售品类商品结构分析相关请求

理论基础：商品配置论与零售の数学

在执行分析前，必须理解以下核心理念（来源于零售学堂）：

第一性原理：选品即定价

选品 → 选目标顾客 → 选价格带 → 定价 → 成本控制 → 战略选择

• 零售商没有定价权：价格由市场（完全竞争）决定，你能控制的只是价格带内部的商品数量结构
• 售价逆减-定价法：市场售价→反推可承受成本→要求供应链（颠覆「成本+利润=售价」的思维）
• 选品先选人：先确定目标顾客是谁，再决定为该人群选什么品、舍弃什么品

三神器：商品配置的核心工具

三神器工作流（新开店：CDT→HS→IPC；既存店改进：IPC→HS→CDT）。CDT + HS + IPC = 商品配置全表。

零售の数学核心公式

品类管理核心框架

四种品类角色（零售学堂版，比零售老刘的三线分类更侧重消费者心理）：
- Destination（目的性）：顾客专程来买的理由 → 品种齐全、价格有竞争力
- Preferred（推荐性）：顾客优先选择的品类 → 品质领先、差异化
- Routine（常规性）：日常消费基本盘 → 方便快捷、不缺货
- Occasional/Seasonal（偶然/季节性）：特定时节 → 适时登场、快速周转

品类管理八步法：品类定义→品类角色→品类评估→品类评估表→品类战略→品类战术→品类执行→品类回顾。但实战中不必死守八步法——真正有普遍实用价值的核心工具是CDT。

Gap分析：通用的诊断思维

任何经营问题 = 「实际 vs 目标」的差距。区分两种Gap：
- 业绩差距：执行者技能/努力程度导致的差距 → 管理改善
- 机会差距：经营者认知/资源配置导致的差距 → 战略调整

4S原则与连锁业态选择

连锁经营从差异化(Specialization)→明确化(Specific)→简单化(Simplification)→标准化(Standard)逐步进化。根据商圈×复购频率选择业态：高频实用品×小商圈→Dry（集中）经营法（密集开店、总成本领先），最适合社区超市。

融合核心：从思维框架到数据落地

零售学堂的每一个概念都可以在零售老刘的体系中找到数据化落点：
- CDT → 语义化标签（品类建模）
- ABC分析 → 双ABC/多维ABC
- IPC → 价格带定量分析
- 品类角色 → 度量指标体系（可量化的KPI）
- 单品管理PDCA → 数据化业务驱动模式
- 52周MD → 周系数数据回测

分析流程

按以下八大阶段执行品类商品结构分析：

前置步骤：确认门店业态（必须先完成）

在任何数据分析之前，必须先确认门店的具体业态类型。 不同业态的品类策略、SKU数期望、ABC结构标准、价格带定位完全不同。

常见零售业态及分析差异

确认方式

如果用户未提供门店业态信息，必须在分析前主动询问：

1. 门店是什么业态？（便利店 / 社区超市 / 标准超市 / 大卖场 / 折扣店 / 会员店 / 其他）
2. 门店大致面积和SKU总数？
3. 门店所在商圈特征？（社区/商业街/交通枢纽/购物中心/乡镇等）
4. 核心客群画像？（年龄层/消费力/到店频率）

这些信息将直接影响后续所有分析的基准值设定和结论方向。

用户门店业态参数速查

当前用户经营三家门店，分析时按以下参数设定基准：

业态差异化分析基准：

注意：三家店均经营生鲜（猪肉、水果、蔬菜），民生刚需属性强。分析结论必须按门店分别输出，不可笼统合并。不同门店对同一品类的策略可能完全不同（例：同一款饮料在果陇店可能是C类结构品，在西陇店可能是A类核心品）。

连锁经营战略参考（零售学堂 4S原则）：三家店的共性客群（中老年、宝妈、务工人员）决定了适用 Dry（集中）经营法——密集开店、总成本领先、MASS化（做普罗大众的生意：Popular = Everybody + Everyday goods）。4S路径：差异化(Specialization：生鲜特色)→明确化(Specific：品类指标)→简单化(Simplification：精选SKU)→标准化(Standard：可复制模式)。

阶段一：数据准备

• 确认可用数据源：商品主数据（分类层级、属性、价格）、POS销售明细（单品级）、库存数据、会员数据
• 确认分析周期（建议3-12个月，便利店可缩短至1-3个月）
• 建立"维度 + 度量"双轮数据模型
• 根据门店业态设定分析参数基准（ABC分界点、SKU数期望、价格带区间等）

科脉御商+ ERP 数据提取指引

用户使用科脉御商+ ERP 系统，本地存储数据。提取品类分析所需数据时，遵循以下流程：

核心数据表（参考结构）：

数据提取流程：

1. 确认数据库连接：确认数据库类型（SQL Server / MySQL / Access 等）和连接方式
2. 分类层级导出：先从商品分类表导出完整分类树（部门→大类→中类→小类→细类），确保层级完整
3. 商品主数据导出：导出商品档案，条形码匹配分类编码，确认每个SKU的分类归属
4. 销售数据导出：按门店、按分析周期导出POS销售流水（单品×日期粒度）
5. 库存快照：导出分析周期末的库存数据

SQL 查询模板参考：

-- 1. 商品分类层级树（科脉御商+）
SELECT 
    dept_code, dept_name,
    cat1_code, cat1_name,
    cat2_code, cat2_name,
    cat3_code, cat3_name,
    cat4_code, cat4_name
FROM t_category
ORDER BY dept_code, cat1_code, cat2_code, cat3_code, cat4_code;

-- 2. 商品主数据 + 分类归属
SELECT 
    i.item_code AS 条码,
    i.item_name AS 品名,
    i.cat4_code AS 细类编码,
    c.cat4_name AS 细类,
    c.cat3_name AS 小类,
    c.cat2_name AS 中类,
    c.cat1_name AS 大类,
    c.dept_name AS 部门,
    i.brand AS 品牌,
    i.spec AS 规格,
    i.sale_price AS 售价,
    i.cost_price AS 进价
FROM t_item_info i
LEFT JOIN t_category c ON i.cat4_code = c.cat4_code
WHERE i.status = '正常';

-- 3. POS销售明细（按门店+周期）
SELECT 
    s.shop_code,
    s.sale_date,
    s.item_code,
    s.ticket_no,
    SUM(s.sale_qty) AS 销售数量,
    SUM(s.sale_amt) AS 销售金额,
    SUM(s.gross_profit) AS 毛利额
FROM t_pos_sale_flow s
WHERE s.sale_date BETWEEN '{start_date}' AND '{end_date}'
  AND s.shop_code IN ('果陇店编码', '马栅店编码', '西陇店编码')
GROUP BY s.shop_code, s.sale_date, s.item_code, s.ticket_no;

数据清洗检查清单：
- [ ] 分类层级是否完整（无断链：某小类无中类归属等）
- [ ] 条形码是否唯一且非空
- [ ] 价格字段是否为数值、无负数
- [ ] 销售日期格式是否统一
- [ ] 门店编码是否与用户门店对应

⚠️ 条形码分类验证（必须在分析前执行）

对任何从数据库读取的条形码，必须先验证其商品分类是否正确，确认无误后再继续分析。 错误的分类归属会导致后续所有分析结论偏差。

验证步骤：

1. 条形码→分类追溯：读取数据库中的条码后，沿分类树追溯确认其部门→大类→中类→小类→细类的完整路径
2. 分类合理性检查：
   - 该条码的小类归属是否与其实际商品属性一致？（如：可口可乐不应归入"白酒"小类）
   - 该小类的中类归属是否合理？（如："洗发水"小类不应挂在"调味品"中类下）
   - 是否存在"其他/杂项"类别中商品过多的情况？（>5%的总SKU需关注）
3. 交叉验证：抽取至少5%的SKU（至少50个），用商品名称+规格与分类名进行语义匹配校验
4. 异常处理：
   - 发现分类异常的条码 → 标注为"分类存疑"，记录实际应属类别
   - 批量分类错误（>10个SKU在同一错误类别）→ 通知用户修正ERP分类后再分析
   - 少量分类错误 → 在分析中手动修正归属后继续
5. 输出验证报告：简要说明验证结果——抽检SKU数、异常数、处理方式

常见分类问题预警：
- 季节性商品被归入"常规"类而非"季节性"类
- 散装/称重商品与包装商品混在同一细类
- 促销装/组合装未单独分类
- 新品未及时归入正确的细类
- 生鲜品类中，不同部位/等级的猪肉被笼统归为同一小类（应细分：五花肉、排骨、瘦肉等）

重要：分类验证未通过，不得进入后续的ABC/双ABC/HS矩阵等分析环节。

阶段二：品类定义与结构搭建

• 梳理完整分类层级树：部门 → 大类 → 中类 → 小类 → 细类 → 单品(SKU)
• 从三线交叉定义：商品线（零售商，定编）→ 制造线（供应商，定品）→ 需求线（消费者，定需）
• 将小类分解为需求单元（需求点），同一需求单元内单品应具有相同/相近/相关联的属性

阶段三：品类角色定位

• 为每个品类（到小类层级）赋予四大角色之一：
• 目标性(Destination)：让顾客专门来店的理由
• 常规性(Routine)：日常需求基本盘
• 时令季节性(Seasonal)：特定时段主力
• 便利性(Convenience)：补充需求

阶段四：数据化评估与诊断（核心）

在开始内部数据分析前，先搜索融合最新的品类市场行情作为外部参照。

市场行情调研（前置）

使用 WebSearch 工具搜索当前品类的市场动态，获取外部参照系，避免"闭门造车"：

必须搜索的内容：
1. 该品类当前的市场规模与增长趋势（同比/环比增长率）
2. 该品类的头部品牌/产品变化（哪些品牌在上升/下降）
3. 该品类的价格带趋势（消费升级还是降级）
4. 该品类的渠道变化（线上渗透率、新兴渠道影响）
5. 该品类的消费趋势关键词（健康化、便利化、国潮等）
6. 该品类的最新政策/行业事件（如有）

搜索格式参考：

"2025 2026 [品类名] 市场趋势 市场规模 消费趋势"
"[品类名] 零售 渠道变化 品牌格局"
"[品类名] 价格趋势 消费升级 降级"

搜索完成后，将市场行情与内部数据进行对比：
- 内部增长 vs 市场增长 → 判断品类竞争力
- 内部品牌结构 vs 市场头部品牌 → 发现品牌缺失
- 内部价格带 vs 市场消费趋势 → 判断价格定位是否匹配
- 内部品种结构 vs 市场新趋势 → 发现品类机会缺口

注意：
- 搜索关键词要结合品类名称，不要泛泛搜索
- 优先使用中文数据源，关注行业权威报告
- 将市场调研结论作为后续分析的重要参考而非唯一标准
- 如果是便利店等小业态，搜索时加入"便利店"限定词

马上赢行业数据对照（高阶）

用户可通过马上赢平台下载同区域、同业态的行业数据，与内部数据进行结构化对标。这是比 WebSearch 更精准的外部参照系。

数据对照流程：

1. 下载行业数据：登录马上赢平台，按以下维度筛选下载：
   - 区域：广东 / 粤东（与门店所在地匹配）
   - 业态：便利店 / 社区超市 / 生鲜超市（与具体门店业态匹配）
   - 时间周期：与内部分析周期一致
   - 品类：目标分析品类（到大类或中类层级）

2. 数据内容：行业数据通常包含：
   - 品类层级的销售额/销售量及增长率
   - 价格带分布（各价格区间的SKU数和销售占比）
   - 品牌份额排行（TOP10/TOP20品牌集中度）
   - 单品渗透率（该品类在行业中的消费者覆盖度）

3. 对标分析矩阵：

4. 输出对照结论：
   - 与行业一致的部分 → 常规策略维持
   - 优于行业的部分 → 竞争优势，分析原因并放大
   - 弱于行业的部分 → 竞争短板，重点优化方向

行业数据对照注意事项：
- 行业数据为"平均值"参照，不代表最优值——需结合门店业态和目标客群判断
- 区域差异很重要：广东普宁（县级市）的行业数据若不可得，可用"下沉市场"数据作为近似替代
- 行业数据更新频率需关注——优先使用同期数据，跨期对比需注明时间差异
- 发现行业数据与内部数据显著偏离（>50%差异）时，优先检查数据口径是否一致（如是否含税、是否含散装称重等）

然后按以下顺序执行内部数据分析：

1. ABC分析（单维度）
- 按销售额/数量/毛利额排序，计算单品构成比和累计构成比
- 标准划分：A类10%→50% / B类30%→40% / C类60%→10%
- 分界点：累计0-75%为A，75-90%为B，90-100%为C，零销售为Z
- 关键认知（零售学堂）：A类和Z类都是问题商品——A类需验证是「我们想要的好卖」还是「无意中选了个爆品」；Z类需区分是「结构性商品（虽卖不动但因顾客期待不能缺）」还是「真正的死货」

2. 双ABC分析（时间维度）
- 当期ABC × 历史同期ABC，生成九宫格矩阵：
- AA（明星）→ 优先资源
- AB/BA（成长/上升）→ 重点关注
- BB（稳定）→ 常规维护
- AC/BC/Cx（下降）→ 观察或汰换
- B类中的"_B"（上年无今年B）是最值得关注的新品区间

3. 结构比与层级占比分析
- 对标标准比例 20:80 或 30:70
- 逐层下钻（部门→大类→中类→小类），层级越小分析越精细
- 诊断异常：10:90（过度依赖）、50:50（缺乏重点）

4. IPC价格结构分析
- 确定P域（高周转）和M域（高毛利）分界点
- 对低价品类用 X÷ln(X) 修正，高价品类用 X×ln(X) 修正
- 进行价格带分析，对比"信息表价格带"与"实际价格带"，发现价格带缺失
- 定价本质（零售学堂）：零售商只有选品权没有定价权——价格由市场客观决定。定价真正要考虑的是「价格对周转天数的影响」（TF函数）。二八法则：20%的低价KVI决定80%的顾客价格印象
- Popular vs Moderate：Popular是企业活在当下的底气（现金流），Moderate是企业面对未来的勇气（毛利率+趋势）

5. HS品种矩阵分析
- 构建制造线×需求线属性交叉表
- 计算差异值 = 收益占比 ÷ SKU数占比
- 差异小于1 → SKU过多，应减少
- 差异大于1 → SKU高效，应增加

6. 交叉分析
- ABC × 陈列矩阵 → 发现资源错配
- ABC × 损耗率矩阵 → 识别问题商品
- ABC × HS矩阵 → 验证选品方向

阶段五：品类战略与战术

• 基于评估差距(Gap)制定品类战略
• 按4P框架（Product/Price/Place/Promotion）制定具体战术
• 促销选品优先从B类中挖掘（约6-20%的B类SKU有2-3倍销售效率）
• KVC/KVI 价格印象管理（零售学堂）：通过顾客调查找出左右全店价格印象的品类(KVC)和单品(KVI)，利用扩大低价KVI饰面数影响顾客的价格认知——顾客只用他们记住的极少数商品来判断你的价格水平
• KVC/KVI 价格印象管理：通过顾客调查找出左右全店价格印象的品类(KVC)和单品(KVI)，利用扩大低价KVI饰面数影响顾客的价格认知——顾客只用他们记住的极少数商品来判断你的价格水平

52周MD方法论

52周MD（Merchandising）的本质：不是以自身经营需要为中心，而是以目标顾客的需求周期为中心。零售不应是一成不变的日常运营，而应像续写一场有起承转合的话剧，每周都有新的主题和重点商品来吸引顾客。

周维度体系

1. 顾客购买周期

消费者生活由周期性规律驱动（周一至周五工作日/周末休息日，全年重复52次）。不同的发薪日、平日与周末、普通日子与节日，购物需求截然不同——商品计划、价格、陈列、促销方式都应随之改变。

2. 自然节律（日历周）

以52个自然周为时间轴，统一的公平尺度：
- 足够精细：洞悉并利用消费趋势变化（计划层）
- 足够宏观：便于MD主题策划和库存准备（执行层）

3. 社会节律（节日与事件）

将固定法定节日、社会习俗、季节变化嵌入对应周次。典型周次划分：

4. 起承转合剧本结构

52周MD的本质是将一年52周编排为连续的营销剧本：

5. 不同品类的周频次

• 食品课（快消）：每周2次MD → 实际为104周（52×2）
• 非食品：每2周1次 → 实际为26周（52÷2）
• MD的核心是"动态"而非"52"这个数字——重点在于营销方式的周期性改变，而非死守每周一次

6. 周维度标签

建模分析时需构建多套周维度字段：
- 标准周标签：年周编号（如202401）、星期几（1-7）
- 是否工作日标记
- 节假日标签（关联节假日日历表）
- 农历节气标签

7. 52周MD联动品类分析

用「时需矩阵（时间×需求类型）」筛选重点商品（≠主力商品，重点是「有爆发力」的单品——平时一般，给资源后销量猛增）。结合「周系数」做数据回测：周系数 = 该周历史销售额 ÷ 全年周均销售额。

阶段六：选品配置与执行

• 先需求后选品：在需求单元框架下确定品项配置
• 按必需品/首选品/必选品/待选品四类属性配置
• 基于价格带、销售表现、品类角色综合确定合理SKU数

阶段七：动态回顾与持续优化

• 建立PDCA循环（计划→执行→回顾→对策）
• 定期回顾关键指标：品类层级占比、适销率(大于90%)、引进率(1-5%/月)、淘汰率、毛利率、周转天数、到货率(85-95%)
• 重点关注B类商品变化
• 定期更新市场行情参照：每季度重新搜索品类市场趋势，对照内部变化调整策略方向

生鲜品类专项分析

用户三家门店均经营生鲜（猪肉、水果、蔬菜），民生刚需属性强。生鲜品类与标品有本质差异，需采用专门的指标体系和分析方法。

生鲜品类的特殊性

猪肉品类分析要点

猪肉是广东普宁地区民生刚需中的刚需，客群价格敏感度高。

需求单元细分：
- 按部位：五花肉、排骨、瘦肉(前腿/后腿/里脊)、猪蹄、猪杂等
- 按品质等级：普通、土猪/黑猪、品牌猪肉
- 按加工方式：鲜肉、冰鲜、冷冻、半成品(腌制/调好味)

专项分析指标：

分析注意事项：
- 猪肉价格日波动，定量(进价/售价)分析须按日加权，不可取月均
- 损耗率须按部位分别统计，五花肉/排骨类损耗通常低于内脏类
- 果陇店位于菜市场内，猪肉价格竞争力直接决定客流——须与菜市场摊贩对标
- 马栅/西陇店可适当溢价（便利性优势），但溢价空间有限（客群价格敏感）
- 节假日（春节、中秋）猪肉需求暴增，备货须考虑季节性波动

水果品类分析要点

水果品类季节性强、品种迭代快、损耗控制是核心。

需求单元细分：
- 按品类：苹果/梨、柑橘类、热带水果、浆果类、瓜类等
- 按价格带：引流款（低价高频）、利润款（中价差异化）、形象款（高价精品）
- 按上架方式：散装称重、包装份、礼盒装

专项分析指标：

分析注意事项：
- 水果须按季节日历分析，非应季品种无销售不一定是问题（如西瓜在冬季）
- 水果损耗受陈列方式影响大——堆头陈列损耗通常高于货架陈列
- 果陇店水果与菜市场水果摊有直接竞争关系，品相/价格/品种丰富度缺一不可
- 西陇店（便利店）水果应精选高频品种（香蕉、苹果等），深加工品种可减

蔬菜品类分析要点

蔬菜是最高频的生鲜品类，对客流拉动效应最强。

需求单元细分：
- 按大类：叶菜类、根茎类、瓜果类、菌菇类、豆类、调味菜类
- 按功能：家常基础菜（土豆、白菜）、时令鲜菜（春季野菜、秋冬萝卜）、调味配菜（葱姜蒜辣椒）

专项分析指标：

分析注意事项：
- 蔬菜ABC分析与生鲜的特性矛盾：蔬菜单品单价低、A类过于集中（白菜、土豆等）——建议按"大类"而非"单品"做ABC
- 果陇店的蔬菜品类竞争力必须在早市时段评估，而非全日平均
- 损耗控制是蔬菜品类的"命门"：叶菜类损耗>10%须立即排查（采购量/陈列/保鲜）
- 蔬菜的季节性替换速度极快，品种结构须每月回顾

生鲜品类通用分析原则

1. 损耗就是成本：生鲜的报表毛利率不等于实际毛利率，必须用"实毛利=毛利额-损耗金额"重新计算
2. LOSS双重结构（零售学堂）：LOSS = 实质损失（降价+报废）+ 机会损失（销售损失+丢失）。两个损失成反比——降低报废会导致缺货增加。实验结论：宁可折扣决不作废（30%→24.6%） vs 宁可报废决不折扣（30%→2%）
3. 最佳实践：当日货当日卖空；折扣起点选在全天最后个客流高峰到来前夕
4. 周转速度优先：宁可少赚、不可慢转。滞销生鲜的损失远超标品
5. 品类角色差异：
   - 猪肉/蔬菜 → 目标性品类（果陇/马栅）、常规性品类（西陇）
   - 水果 → 常规性+季节性混合
6. 价格对标：生鲜品类必须与周边竞争对手（尤其是菜市场）进行价格对标，价格竞争力直接影响客流
7. 时段分析：生鲜销售有极强的时段性（早市高峰），整日平均数据可能掩盖问题
8. 散装称重数据口径：确保散装称重商品的销售数据已正确归入对应条码/品类，避免因称重码混乱导致品类分析失真

生鲜 vs 标品工具适配

生鲜宽类窄品模型

"宽类窄品"模型在生鲜品类中的运用与标品有本质差异：

生鲜宽类管环境：冷冻冷藏规则、先进先出、每日检查烂果、时段折扣、报损灭失等。

生鲜窄品管动作：采购验收、库存损耗管理、定价促销、陈列与消费者引导。基于窄品看每个单品的销售表现（如分析西瓜销量并依据气温决定次日订货量），损耗数据向上汇总优化采购策略。

实战判断：做得好的店，类很清晰但每个类里的选择不多（宽类窄品做得好）；做得累的店，货架塞满但顾客找不到想要的东西（类离顾客心中的类越来越远）。

生鲜烟火气：目标顾客心中的"类"

烟火气不是现场点个火、搞几个加工品就成功了，本质上是门店经营的"类"与目标顾客心中的"类"之间的距离。

• 烟火气 = 极致关系：是目标顾客心目中的"宽类"——中国人基因里最朴素、最普遍、最被感动的"家的感觉"
• 落地关键：先用宽类窄品模型确定目标顾客是谁、他们心中的"类"是什么，再用"窄品"去满足——而非自以为是地堆砌现场加工
• 五感体验：视觉、触觉、嗅觉、味觉、听觉的综合感官体验，涵盖灯光、氛围、陈列、加工、互动、品质、售后全链条
• 前置条件：烟火气先落在"有人气"的门店——在做烟火气之前先评估门店是否够格

选品配置：SKU约束与计算

确定合理SKU数时需考虑 7大内部约束：

1. 需求约束：需求单元内必须满足的最小单品数
2. 空间约束：货架/冷柜/堆头的物理陈列容量（饰面数）
3. 资金约束：库存周转资金上限
4. 供应链约束：供应商最低起订量/配送频次
5. 损耗约束（生鲜特有）：保质期内可承受的最大损耗率
6. 人力约束：补货/理货/称重的人力配置上限
7. 品类角色约束：目的性品类需宽而全，便利性品类需窄而精

核心原则：最合理的需求SKU数，本质上是"刚刚满足需求"的单品数——既不多余也不缺失，是时刻保持优化以满足顾客需求的最适配单品数。

关键判定标准

• 业态决定标准：便利店的"正常"在商超可能是"异常"，反之亦然。所有判断必须以门店业态为参照系
• 判断调整成功与否，不看单个品类毛利率升降，而看整体（上层结构）贡献率是否提升
• 层级越大（部门），占比参考意义越小；层级越小（小类），分析越精细
• C类商品不都是淘汰对象——可能是价格/品牌/规格结构品，需结合HS矩阵判断
• Z类（零销售）≠ 必须删除——新品有成长周期，季节性商品非旺季无销售属正常
• 内部数据反映"过去"，市场行情反映"现在和未来"，两者结合才是完整诊断
• 相乘积诊断原则（零售学堂）：整体毛利率下降时，拆成每个品类的「占比×毛利率」找拖后腿的。改善两条路：①提高低毛利品类的毛利率 ②提高高毛利品类的销售占比。通常后者更容易见效
• 饰面数调控（零售学堂）：周转率过高→缩小饰面数；周转率过低→扩大饰面数。不必追求每个单品精确，某组货架整体趋近目标即可。店铺约3-5年改装一次的根本原因：利用周转率停滞期主动调整结构
• 计划的哲学（零售学堂）：计划的「过程」无价——达成共识、统一思想；计划的「本身」无用——实战一定会有突发状况。有了共识，遇突发事件才能以不变应万变

工具选择指导

输出规范

• 分析报告开头必须包含「门店业态与基本信息」小节，说明业态类型、SKU总数、分析周期
• 多门店须分开输出：三家门店（果陇/马栅/西陇）的分析结论各自独立，不可合并
• 如同时分析多门店，末尾附「三店对比总览」表，横向对比各门店品类表现差异
• 市场行情调研结果独立成节，包含搜索来源和关键发现摘要
• 若使用了马上赢行业数据，内部分析 vs 行业数据的对照结论须以表格形式呈现
• 分析结论须有数据支撑
• 逐层下钻诊断，从小类层输出最详细信息
• ABC结果须列出具体SKU数和销售额分布
• 价格带分析给出具体区间和对应SKU数
• 优化建议具体到单品/价格带/货位层面
• 优化建议须体现门店业态特征（便利店精简 vs 商超丰富）
• 生鲜品类分析须额外输出：损耗率、实毛利率（扣除损耗后）、与菜市场/行业的价格对标
• 分类验证结果须在数据准备阶段简要说明：抽检SKU数、异常数、处理方式

方法论哲学：去魅与迭代

去魅三境界（零售学堂）

任何方法论的使用都会经历三个阶段：
1. 看山是山：刚学到一个方法，觉得它无所不能
2. 看山不是山：实战碰壁，觉得理论无用
3. 看山还是山：知道什么有用、什么没用，用其所长、避其所短

核心原则：
- 品类管理八步法里真有用的可能只有CDT——不要做本本主义者
- 在街上打架，不是见招拆招、哪招好用就用哪招吗？
- 重要的不是理论本身，而是理论背后的思维方式
- 数据统计仅提供线索，不是目的也不是终点：不能在没有数据时下结论，也不能盲目相信数据而下结论
- 卖劣质低价品 = 慢性自杀；好品质 = 够用（相对于目标顾客所在地区的经济水平）

迭代思维（零售老刘）

• 指标是迭代出来的：v1.0→跑一个月→v2.0→跑一季→v3.0。不要试图一开始就完美
• 标签是生长出来的：从基础属性开始，随着理解加深逐步加标签
• 模型有边界：不是每个品类都需要建模——高周转/高损耗品类优先；稳定利润品类简化处理
• 工具即思维：Excel透视表适合二维分析(HS矩阵)，Power BI适合多维分析(多维ABC)——选工具就是选你能看多少个面

分析者的自我修养

1. 从简到繁，再从繁到简：先用CDT+HS+IPC看全局 → 再用双ABC+价格带深挖 → 最后回到3-5个关键指标做日常管理
2. 聚焦核心品类：生鲜(高周转/高损耗)→重点建模；日用品(稳定)→ABC分级即可
3. 每年迭代：年初修正周系数和价格带边界，年中刷新ABC分级，年末复盘品类角色
4. 不被方法论绑架：任何品类分析方法论——无非是解决「如何抓主要矛盾」的无数种思考方法中的一种。用其所长，不为其所困

需求与熵增：零售的底层逻辑

来自品类建模(120)，将热力学第二定律的熵增概念引入零售管理，作为贯通所有维度和度量体系的"万能框架"。

核心类比：麦克斯韦妖与零售管理

• 熵增定律：任何系统都自发趋向混乱度增加（房子不整理就会乱，手机不清理就会卡，企业不管理就会衰退）
• 麦克斯韦妖：一个能通过信息探测和控制分子运动的假想精灵——它在获取信息时本身也会产生熵增
• 零售中的"妖"：管理者就是零售系统的"麦克斯韦妖"——我们通过获取信息（数据分析）来对抗经营中的熵增
• 关键洞察：信息处理本身也伴随能量消耗（管理成本）——过度管理本身就是一种熵增

零售经营中的熵增表现

90%以上的零售企业80%的精力都花在"如何让业绩增长"上，却很少思考"为什么会衰退"。从开业到倒闭，熵增贯穿零售经营的所有环节：

• 品类层面：不主动管理的品类会自然地向"杂"和"乱"演进——SKU膨胀、分类混乱、价格带错位
• 数据层面：不持续维护的分类树会自然腐败——条形码错配、新品未归位、旧品未清理
• 顾客层面：不用心经营的顾客关系会自然疏远——品类配置离顾客需求越来越远

降熵策略

1. 信息驱动降熵：持续的数据分析就是获取"分子信息"来对抗混沌——但不追求完美数据，够用即可
2. 宽类窄品降熵：类清晰（宽类管环境）+品精炼（窄品管动作）= 从结构层面降低系统复杂度
3. 周期性降熵：52周MD的周维度滚动、"每年迭代"的节奏，本质上是定期清理系统熵增
4. 警惕过度管理：管理的"妖"本身也消耗能量——不要为了降熵而制造更大的熵增（过度分析、过度开会、过度调整）

参考资料

完整方法论详见 references/methodology.md，包含：
- 七大阶段详细操作指南
- 十项核心工具详解（ABC/双ABC/XYZ/IPC/HS/波士顿矩阵/GE矩阵/购物篮分析等）
- 完整指标体系（销售类/效率类/结构类/购物篮类）
- 从0到1实施路线图
- 172篇原文知识库的精华提炼

融合知识源：
- 零售学堂（~120篇）：商品配置论、零售の数学、品类管理、单品管理、52周MD、店铺LAYOUT、去魅
- 零售数据化企划/零售老刘（~350篇）：品类建模系列、分析建模、数据驱动、度量指标、实践笔记
- 2026-07-21 更新：新增52周MD周维度体系（起承转合/自然节律/社会节律）、生鲜宽类窄品模型与烟火气概念、SKU约束计算7大约束、需求与熵增底层逻辑框架
- 融合产物见 outputs/零售知识体系_融合版.md 和 outputs/融合方法论.md