一、从最基础的进销存开始
商品运作，简单说就是：进货→卖货→再进货。只不过这里有两条隐藏要求：
在商品卖光以前，有新的货进来，不能断货
在商品过期以前，把它卖掉，不要烂仓库
因此在看商品数据的时候，需要把库存、日/周/月销售、商品采购周期、商品保质期四个指标一起看。举个简单的例子，假设我们有100件新到货的商品A，每周固定销售30件，采购周期1周，保质期2周，那么数据情况就如下图所示：
实际上，很多商品报表只有库存和销售额两个指标，这是因为商品主管对采购周期、保质期自己心里有数，并且这俩数据一般也不在交易表里，导致数据分析师取数的时候没有包含这俩数据。这种基础信息缺失情况，在商品分析里很常见，也是导致数据分析师不明白这些零散报表有啥用的重要原因。
二、商品&价格弹性关系
还是开头的例子，如果真发现进货进多了，除了痛骂商品主管XX以外，还得赶紧考虑清货。清货最常用的手段就是打折，打折情况下，销量就会比正常水平有提升，这个此消彼长的关系被称为：价格弹性。经济学/财务的教材，都会假设价格弹性是一条直线，但现实中很难实现动态价格变化（价码牌不能每分钟变），因此，经常表现为阶梯式变化（如下图）：
除了降价，还有很多商品促销能让利顾客，提升销量。比如：买3件赠1件，买本品1件送赠品/小样，买满100元减30元。想要充分了解价格弹性，就得收集业务部门每次促销行动方式，用活动标签描述形式，统一折算活动优惠力度。这样通过对比，既能找出每一类活动提升效果，又能发现那些对价格很敏感的商品，一举两得。
很多公司没有统一整理活动资料，也没有建相应标签库，即使有活动复盘，也是每次活动单独做。这样就导致没法沉淀分析经验，也没法清晰商品和价格的关系。
三、商品周期性规律
还是开头的例子，我们假设每周常规销量是固定的，实际上即使没有促销活动，商品也会天然有波动。其中有2种波动是和商品本身属性密切相关的：
季节性波动：比如夏季降温、冬季保暖有一大堆相关商品
生命周期：比如时尚、科技型产品，上市时新鲜，过气了就凉了
（如下图）
这种周期性，使得销售数据不是平稳的，商品运作的节奏也有快慢区别。想要认识周期性，就得对一款商品做持续追踪，先从历史数据里总结经验：
起点在何时开始，受哪些因素影响
上升期大概有多少周，每周递增销量是XX
稳定期（没有大幅度降价）大概有多少周
拐点在XX周出现（本篇销量大跌，竞品大幅度打折）
虽然不同年份受气候、研发进度、上市计划影响，数据有波动，但大体上是有范围的。
通过历史数据分析，有了初步认识以后，就可以更细致管理：
在旺季来临之前提前铺货
上升期每次补货量更多
稳定期密切监控竞品价格/本品销量
如果商品前期表现不好，后期清货得更果断
当然，这些判断经常是商品主管们下的，到了数据分析师这里，又变成了一张孤零零的报表，很有可能是很简单每日销量。如果不认真理解商品特点，结合历史走势思考，是没法读出背后含义的。
四、商品组合策略
还是开头的例子，我们只看了一款商品，实际上即使同样品类，也会安排至少高中低3个价位的商品，以满足高中低端用户的需求，这样就形成了最简单的组合策略：价格策略。
要注意的是，价格组合，经常是和销售渠道一起考虑的。线下店铺货架数量是有限的，每一种店铺对应高中低端用户数量不一样，因此要交叉起来看才行。而且此时要考虑的，是整个店铺的销量最大化，而非单品的销量最大化。看数据的时候，一般先找标杆门店，再看标杆门店的商品组合。
线上则有另一种思路：先用低价商品，把大量用户引进来，再推高价格的商品，寻找重度用户。此时商品就有引流品/利润品区别。除此以外，还有推高客单价的搭配款，防止产品线空缺而流失用户的防御款，整个商品组合逻辑如下图所示。
这些组合逻辑，直接对应业务行动策略。作为数据分析师，得先搞清楚自己公司的商品策略是啥，才好综合评估其效益。有些公司处理得很简单粗暴，不做商品分类，也不做策略。结果就是同一个价格区间，自己都摆了好几款类似的商品；缺少专门的引流品，销售盲目打折；低价的卖得多，高价的卖不动……这些都是不做策略的代价。
五、商品固定搭配
一提到商品搭配，很多人脑子里第一时间蹦出来：啤酒与尿布。实际上即使不用数据去算，商品之间固定搭配。就像比起啤酒配尿布，啤酒配鸡爪，啤酒配花生米，啤酒配小龙虾更常见一样。
这种搭配，往往和用户需求有关，比如：
耐用品：厨房全套（燃气灶、抽油烟机、锅具）、卧室全套（床、床头柜）
快消品：酒水+小菜、火锅锅底料+蔬菜+涮肉、快乐水+薯条/零食
因此在做商品管理的时候，经常将有固定组合的品类，结合日期做联合推广。比如9月份开学季（文具、图书、衣服）、贴秋膘（食材、啤酒）、安居节（楼市素来有金九银十说法，相应的家居、家装需求），此时应该把关联品类打包，观察活动期推广效果。单独看一件商品，很难解释其同期销量波动。
以上是商品分析的基础逻辑。可以看到：一个商品编码数字背后，有很深的业务背景和固定的业务策略。作为数据分析师，如果不结合业务考虑，只是单纯的看销售数字，很难读懂数字背后含义，也没法进一步地服务。
