一文讲清电商商品库存分析!

本文介绍库存管理的核心指标,如库存周转天数、售罄率等,分析库存结构并提供优化建议,探讨二八原则、价格段及SKU分析方法。

来源:数据取经团

大家好,我是小z

本篇文章主要分享商品库存的一些方法,主要按照以下流程进行行文,阅读完本文大概需要15分钟。

  • 库存核心指标

  • 库存结构分析

  • 常见分析方法

  • 特殊库存结构

背景

库存管理,是供应链管理的基础,是一个电商公司的核心能力之一。库存冗余,占用现金流较多,销售不掉会造成亏损。库存匮乏,会容易造成断货,用户就去其他平台购买,造成销售损失和用户流失。在三四年前,互联网有一批电商行业的创业明星,很多都死于了库存管理不当。很多对库存的分析要不是陷入库存结构出不来,要不就是简单粗暴的看一下库存和排行就叫库存分析了,库存分析应该是一个从简单到复杂、从宏观到微观的过程。

核心指标

整体目标:将库存结构优化到最优,并且售罄率和周转天数等指标都控制在合理的范围内

  • 库存周转天数DOH = 出库数量 /((期初库存 + 期末库存)/2)= 销售数量 /((期初库存 + 期末库存)/2)审视过去财务角度审视库存的安全性

  • 库存天期DOS = 期末库存金额 / (某一个销售期的销售金额 / 销售期天数) =  期末库存金额 / 某一周期的日平均销售金额  探究未来,有效衡量库存滚动变化的量化标准,也是用来衡量库存可持续销售时间的追踪指标,判断是否有缺货风险

  • 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) ---期货订货的品类需要看这个指标 可以随时补货的快销品不需看这个指标(注意计算售罄率的时间以及相应口径)

  • 货龄:商品的年龄

  • 折扣率 = 商品实销金额 / 商品吊牌价

  • 动销率 = 某段周期内有销售的SKU数 / (期初有库存的商品SKU数 + 期中新进商品SKU数)

  • 缺货率 = 某一周期内有缺货记录的商品数 / (期初有库存的商品SKU数 + 期中新进商品SKU数)

库存结构分析

下面是一张比较常用的库存报表,通过SKU数、库存数、动销率、售罄率指标,构成一个完整的库存分析报表。通过这一份表格,不仅可以看出店铺的库存结构,而且可以看出每一个品类的销售进度是否符合预期,以此来评估库存风险(譬如表中的当前售罄率和目标售罄率)

库存分析方法

下面主要讲述库存分析的常见方法,在库存分析的时候会经常使用

二八原则

  • 库存前80%的商品的销售情况:观察库销比是否处于失衡状态

  • 销售前80%的商品的库存情况:观察库销比是否处于失衡状态

价格段分析法

  • 不同件单价商品的库存分析:每一个品类/品牌主流价格带商品的库存情况,看下主流价格带的商品是否处于缺货状态,非主流价格带商品处于库存堆积状态

  • 不同吊牌价商品的库存分析:每一个品类/品牌不同吊牌价的库存情况,看下主流价格带的库存是否充裕,非主流价格带的库存是否堆积(件单价还和折扣/毛利有关,吊牌价有时更能更能反应问题)

SKU三度分析

  • 品类广度:采购的商品品类数据是否充足,和行业去进行比较

  • SKU宽度:采购的SKU丰富度如何,非标品的SKU注重宽度,主流的SKU是否采购

  • SKU深度:商品总数量/SKU总数量(各品类/品牌的深度情况),爆款SKU深度是否充足,滞销款SKU是否较浅

合理库存结构分析

  • 头部:爆款,库存可以较深,防止缺货

  • 腰部:丰富SKU的宽度,库存不要太深

  • 尾部:断色断码的商品,或者是一些滞销商品

四象限分析法

将库存天数和库存周转率之间做成四象限图(横坐标是库存天数,纵坐标是库存周转率)。标准库存是30天,标准季度周转率为3次,在这个黄色圆圈内部的SKU基本没有问题,但是在第四象限的SKU(库存天数高,周转率低),可能有高库存的风险。

图片来《数据化管理》

在第二项现场的SKU,是属于库存天数低,周转率高,可能出现断货的风险。

特殊库存分析

  • 零销售但是有库存的商品:需要分析是因为流量没有给还是说有流量没有转化

  • 有销售但是零库存的商品:不会将这部分商品遗漏掉

  • 库存天数异常的商品(包括库存天数异常大或者异常小,或者长期保持不变)

  • 无效库存(包括假库存或者死库存):有库存但是从来没有过销售的库存,以及一些断色断码的库存

  • 季节性库存:尤其是非标品类,需要分析季节性的影响

  • 促销库存:促前/中/后的库存情况,以及相应的售罄率情况

  • 负毛利商品:负毛利商品,看是因为商品过季、断色断码造成的负毛利,还是因为促销力度过大,导致的毛利为负值

以上。




●详解用户流失原因分析该如何入手?●12000+字超详细 SQL 语法速成!
后台回复“入群”即可加入小z干货交流群
dbt(data build tool)是一个专为数据分析师设计的数据转换工具,它允许用户通过编写SQL查询来定义数据转换逻辑,并在数据仓库中执行这些转换。dbt的核心概念包括模型(Models)、测试(Tests)、文档(Documentation)、源数据(Sources)、种子数据(Seeds)以及快照(Snapshots)等。 ### 模型(Models) 模型是dbt中最基本的构建块,它们代表了你想要在数据仓库中创建的表或视图。每个模型都是一个`.sql`文件,其中包含了一个SELECT语句,该语句定义了如何从其他模型或原始数据源生成新的数据集。模型可以被组织成不同的目录结构,以反映业务逻辑的不同部分,并且可以通过配置文件进行参数化设置。 ### 测试(Tests) dbt允许用户对模型中的字段添加数据质量测试,确保数据符合预期的标准。例如,可以验证某个字段是否唯一、非空,或者检查数值范围等。如果测试失败,则表明数据可能存在异常,需要进一步调查。 ### 文档(Documentation) dbt支持自动生成项目文档,这有助于团队成员理解数据模型的意义及其背后的业务逻辑。文档可以通过Docusaurus这样的静态站点生成器来呈现,提供了一个易于导航和搜索的知识库[^2]。 ### 源数据(Sources) 源数据定义了指向外部数据源的指针,比如原始数据库中的表。使用源数据可以帮助明确区分哪些数据是外部的,哪些是由dbt生成的,同时也方便了数据 lineage 的追踪。 ### 种子数据(Seeds) 种子数据是指直接嵌入到dbt项目中的CSV文件,通常用于加载静态数据集,如国家列表、产品分类等。这些数据可以直接在模型中引用并与其他数据结合使用。 ### 快照(Snapshots) 快照功能用于跟踪现有表的变化历史。当基础数据发生变化时,快照可以帮助记录这些变化,从而保持数据的历史状态,这对于审计和分析趋势非常有用。 除了上述核心概念外,dbt还具有以下特性: - **Jinja模板引擎**:dbt利用Jinja宏来增强SQL的功能,使得代码更加灵活和可重用。 - **版本控制集成**:dbt项目可以轻松地与Git等版本控制系统集成,便于协作开发和变更管理。 - **多环境支持**:dbt能够支持多种数据仓库平台,如BigQuery, Snowflake, Redshift等,这意味着可以在不同的环境中一致地应用数据转换逻辑。 - **依赖管理**:dbt自动处理模型之间的依赖关系,确保按照正确的顺序执行转换。 - **部署简单**:dbt可以直接运行在命令行界面,也可以通过CI/CD流程自动化部署。 综上所述,dbt以其简洁的设计理念和强大的功能,简化了数据分析师的工作流程,提高了数据处理的效率和准确性。 ```python # 示例:一个简单的dbt模型可能看起来像这样 SELECT id, name, email FROM {{ source('raw_data', 'users') }} WHERE active = TRUE ``` ```python # 示例:为字段添加唯一性测试 version: 2 models: - name: stg_customers columns: - name: customer_id tests: - unique ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值