作者介绍
@Snowki
前数据分析师，现某大厂产品经理，
擅长将两种职业思维结合。
喜欢从数据中探索答案，量化即正义。
01选品的场景
又见面了，我是热情依旧但一不小心就拖稿的Snowki。
这次想和大家聊聊选品，选品其实是一个“宝藏”话题，你深入探索后会发现需要学习的东西越来越多，应接不暇。我仅能在有限的认知下，说说自己的理解，供大家开拓思路，或者娱乐也行。
选品包含了很多大的场景，常见的有以下：
电商平台选品推荐。
根据商品画像和用户画像做千人千面推荐
电商小B型商家选品。
这在网上能找到很多相关信息，教大家如何根据市场热度、用户需求和心智，再结合一些分析套路选对热品，“发家致富”。
例如亚马逊上火了的中国痰盂-老外尊享水壶（虽然好笑但很成功的例子）
新零售选品。
新零售概念很抽象，炒的也热（题外话，对新零售概念感兴趣的同学可以读读刘润老师写的《新零售：
低价高效的数据赋能之路》，算比较通俗易懂的），比较主流的模式为线上线下一体化，选出的商品大多同时满足线上和线下场景的售卖，同质同价，比如盒马、便利蜂，售卖生鲜日百等生活相关的商品，并有线下本地商超。
不同场景的选品策略、限制条件、影响因素等都大相径庭，需要细化场景，分开详述。本篇选品策略适用于有本地商超的大B商家，并在线上售卖日常消费品的新零售场景。
02案例和基础概念
新晋产品汪Snowki进入商品管理部门后，老板给了她首个任务：现有一个大卖场和一个便利店，线上线下销售表现均不理想，看看能否通过选品策略结合算法，调整品类结构，选出优质单品，牛转乾坤。
品类？单品？大卖场和便利店又有什么区别？又如何量化复杂的业务场景？别急，我们结合案例往下看。
单品
也可以理解为SKU，即可售卖/库存的最小标准单位，选品也以此为单位。它和商品不太一样，举个例子，农夫山泉纯净水是商品，它下面有不同规格属性，通过属性确认唯一单品，一瓶农夫山泉纯净水1.5L即是一个单品。
品类
零售管理的核心，它不是按照商品原材料归类，而是将满足用户相似需求的商品逐级分类，这样能更有效、灵活地做出调整，顺应市场需求。例如，婴儿用品传统上分散于食品、服装、纸品等品类，但随着这部分商品销售贡献越来越庞大，逐步形成了新品类-孕婴童。
大卖场
可以理解为大型综合超市，占地面积很大，有2、3层购物空间的线下实体店，靠近生活区，有可能坐落郊区，常见的有沃尔玛、家乐福，经营商品基本满足用户全部所需，可售上万不同的单品。
便利店
面积小，经营小规格酒水饮料零食等便民商品，靠近学校、CBD、小区等人流量大的地方，开店密度高，常见的有711、全家、便利蜂。
03解析案例，明确策略产品的核心价值
案例中涉及到4个选品场景，大卖场线下、线上分别售卖什么？便利店的线上、线下分别售卖什么？需要根据不同场景选出建议售卖的商品清单。我作为一个不会复杂建模的“低配版”策略产品，与算法工程师的分工大致如下：
而策略产品最核心作用便是对业务的深度理解，如何将抽象的业务场景量化为可供算法工程师参考的选品逻辑框架。
04初识零售选品
传统的零售选品，大多依靠人为经验判断，数据在其中至多起到辅助作用。例如日本的711便利店，定期会举办选品大会，品类部门选出主营商品供同台竞技，对于自有品牌的快餐鲜食，高级主管们会亲自参与品尝，如有异议，品类部门再拿出历史或市场数据作为佐证。这样选品存在的问题很明显：
耗时耗人，每次选品大会前1个月品类部门便开始准备商品清单，往往选品大会一开就是一天，遇到换季或市场变动大时甚至需要一周
按照人的经验判断存在主观性和信息滞后，可能会疏忽市场最新变化，错失商机
算法选品，则是数据先行，人工审核为辅。将限制条件、内&外部影响因素、商品标签等相关参数投喂给模型，让模型给出推荐方案。目前做算法选品极具代表性的是便利蜂，通过算法模型推荐上架商品，店长只需要听从系统指示，执行物理操作既可。（题外话，便利蜂不仅用算法选品，还用算法为便利店选址、商品动态调价，面试还有可能考挺难的数学题哦~）
算法选品的解决了传统选品存在的诟病，虽然初期模型计算结果不太稳定，但随着机器不断学习和数据训练，选品效果不会差于选品专家，长远来看它的优势不容小觑：
节省人力成本，缩减选品耗时，品类部门可以从重复的选品低效劳动中释放出来
不依赖于人的经验判断，减少出错率
05
构建选品策略
便于理解，我画了一个简单的选品逻辑示意图，实际算法会比这个更复杂，需要结合很多业务细节。
商品库
B端商家有渠道、可采购的商品总池，不一定正常在售，甚至不一定经营过的新品，作为基础数据供算法处理、选择。
限制条件
在选品前，需要明确一些业务限制或要求作为前置条件，不满足这些条件的单品或品类不会进入后续的选品。常见限制条件有：
单品数上限：
影响算法选品的单品总数。
线下选品数有门店物理空间、货架数限制，大卖场一般上万个单品，例如沃尔玛大卖场经营3~5W个单品；
便利店由于面积狭小，一般上架2000-3000个单品；
而线上选品虽然没有空间和货架限制，但是考虑用户在手机上选购时商品曝光率和配送成本问题，一般单品数控制在1500-5000
品类覆盖率：
大卖场线下基本要求品类全覆盖，应有尽有；
便利店线下的品类基本覆盖在休闲食品、酒水饮料，而大型电器、衣服鞋帽等无需经营覆盖
规格带覆盖：
大卖场售卖规格繁多，基本没有限制；
便利店受面积和用户需求影响，售卖规格小；
线上选品大规格的单品更受青睐
价格带覆盖：
受商家定位影响，例如山姆超市定位高端，进口商品多，价格带偏高；
物美超市主打中低端价格敏感用户，因而价格带偏低
影响选品因素
影响选品的因素有很多，且不同品类受到影响程度不同，例如冰淇淋受季节影响大，但卫生纸则不受季节影响。因此在用影响因素搭建选品模型时，需先将品类分为几类角色（或者可以理解为商品标签）再进行不同策略的选品：
季节品：
供需受季节强影响，最具代表性的：
生鲜果蔬
节日品：
用户需求受节日强影响，具代表性：
巧克力、红酒、计生用品（咳，情人节）
核心热卖品：
一年四季均可上架，为品类贡献80%的销售，具有市场竞争力，甚至代表商家形象，例如：
盒马的海鲜
新品：
之前没有售卖，但是市场数据或需求趋势表明可以带来一定价值
必备品：
商品销售表现不一定优异，甚至垫底，但不能不选，因为缺少了会给客户带来在架物品不全的印象，例如牙签
品牌感知度高品：
在购买时用户决策树受品牌影响，例如，饮用水用户倾向选择农夫山泉、怡宝等知名大品牌
根据这几大类再去做影响因子的权重配比（根据商家要求及关注度、业务实际场景考虑），常见几种会影响选品决策的因子：
从商品维度：
既往销售指标：
针对已经营过商品的销售量、销售额、毛利、销售增长、动效率...
投入产出比指标：
投入多少促销力度、陈列资源，获得多少销售反馈。
例如盒马将线上和线下表现合在一起创造坪效奇迹
市场调研、舆情数据：
这个主要针对于新品的挖掘，通过外部舆情分析获得市场最新变化趋势，结合竞争对手热卖，对新品选择策略的影响权重高。
例一些网红商品
商圈表现：
这个主要针对线下选品，根据门店所处位置强化某品类的单品配比，例如位于学校附近的门店售卖文具较多，CBD附近的门店售卖加工熟食、快餐较多
从用户行为表现维度：
关联购买：
通过用户经常一起购买商品选出组合销售或关联陈列的商品，尿布和啤酒的经典案例不用我说啦。
线上有很好的优势，例如我们逛某品A的时候，下面会有推荐文案：
xx%的用户也会购买B。
提醒我们买全商品，并带来更多付费
复购数据：
从用户的复购行为、购买频率，得到高复购、高频购买商品，商家喜欢这样的商品，可以为他们重复制造价值
用户近期线上搜索行为数据：
即代表近期用户需求、市场热度趋势，又能强关联影响线上选品。
例如热搜（疫情期间口罩、消毒酒精）、搜索无果（代表当前选品未满足用户所需）、搜索增长（代表市场变化趋势，可提早警觉）
用户近期线上点击行为数据：
这部分数据可以用于调试模型，增加算法逻辑及参数。
这个理解稍微困难些，举个例子说明，如果用户在洗发品类下更多倾向于点击功效（防脱、柔顺、去屑等）进行选择，其次品牌、规格，那在选品时，洗发品类的影响因子权重会调整为：
功效>品牌>规格
建议售卖商品
如何通过选品决策和算法模型得到建议售卖的商品清单。通俗来说，通过一些前置条件进行选品限制，再结合不同业务场景、不同商品属性标签，在多种影响因子作用下，从商品库中选出建议上架商品，并获得更高收益。
06效果复盘，数据反哺
完成选品决策后，很关键也很容易被忽略的一步便是对选品效果复盘，可参考销售增长表现，并将表现差强人意的品类拿出来，单独下钻具体单品数据，根据失败数据调整模型，并将反哺更多数据便于机器学习。
一个数据人的自留地是一个助力数据人成长的大家庭，帮助对数据感兴趣的伙伴们明确学习方向、精准提升技能。关注我，带你探索数据的神奇奥秘
1、回“数据产品”，获取<大厂数据产品面试题>
2、回“数据中台”，获取<大厂数据中台资料>
3、回“商业分析”，获取<大厂商业分析面试题>；
4、回“交个朋友”，进交流群，认识更多的数据小伙伴。