干货中的干货：买手如何测算商品的宽度

这篇文章看懂不难，难得是要变成自己的东西去应用。

---

业务场景和【CIB】系统解决方案

在服装商品订货的过程中。商品企划通常是第一环节，这个环节除了要解决客群，定位，方向等战略问题，同时也要对战略规划进行具体的执行落地部署，内容包括销售计划、订货总量、类别占比、款式宽度、款式深度、尺码占比等主要维度，以及上市波段、价格结构、款色结构、款式搭配等辅助维度。这些统称为订货结构。

订货结构的合理性和选款的准确率，直接影响商品对销售的支撑能力，可能产生的库存风险，统称为订货风险

在不改变期货比例的前提下，依照【CIB】系统解决方案（约束、提升、缓冲），想要约束选款风险，就要提升买手能力。同时以适当钝化深度作为技术缓冲。同样，想要约束住订货总量，就要提升选款能力和订货结构的质量，同时以新品售罄计划，和新旧品占比作为技术缓冲。

对于【宽度】测算的认知

这里，我们强调的是订货结构的一个重要分支，就是【宽度】和【深度】的计算。【宽度】要求我们制定合理的品类规划，直接影响买手的选款范围；【深度】则是对商品SABC的阶梯部署，影响畅销款的销售支撑和平销款的合理库存。用公式表述的话：品类总量=订货【宽度】×平均【深度】。

总量不变的前提下，【平均深度】和【品类宽度】是反比关系，在这里，我们从【平均深度】的角度分析，首先会发现2个问题：

1、平均深度较小：【宽度】放大，有利于销售增长；同时，单款风险减小；但是，铺场库存占比增大，售罄率能力减小，不利于盈利

2、平均深度较大：【宽度】缩小，不利于销售增长；同时，单款风险增大；但是，铺场库存占比减小，售罄率能力增大，有利于盈利

所以，设置合理的宽度和深度关系，是在商品企划过程中，平衡【利润】和【风险】的重要手段。（同时，满足客户的选择范围也是有尺度的，这是一个专属话题）

下面用数据【实例】说明：

1、这个是某品牌某季所有新品的销售数据（加工后），从数字上看我们不难看出，大的趋势上，销量大的品类，提供的SKU会多，但是同时也存在一定的问题，比如【DDS】和【CS】，销售数量及其接近，SKU差别却非常大；再比如【HQ】和【SY】，同样的SKU，销售的差异也非常大

用散点图，加上最大单款后，问题会清晰很多

2、【DDS】和【CS】：同样的销售量需要不同的宽度支撑，原因是CS的单款销售能力弱。DDS的主配款结构分布清晰，峰值较高；而CS则单款峰值较低，宽度较宽

3、【HQ】和【SY】：虽然QH的峰值较高，但是HQ的主配款结构中，存在明显的SA和BC级商品比差不足的问题

4、怎么看出【比差】不足的差异的呢？我们看一下下面2张图的对比，通过平均值我们可以明显看出，SY的【SA级款式】和【B级款式】的比差更更大，没有无效款式，而HQ的比差明显小很多，同时存在无效款式（应该是干扰数据）

综合上面的数据图表我们不难归纳出以下几点

1、【外因】销量大的品类原则上需要较多的款式，用于对铺场形象和用户筛选形成足够的支撑

2、【内因】宽度受【品类特性】影响较大，不同的品类销售深度会有差异，包含了平均单价，搭配几率，购买频次，销售能力等因素

3、【关系】反比关系，同等销量下，单款销售能力越大，则需要的SKU越少

4、【宽度溢出】时，SA款和BC款之间的比差会被缩小，具体表现为峰值不明显，无效款式过多，品类售罄率难以抬升

5、【宽度不足】时，SA款和BC款之间的比差会被放大，SA级款式的SKU占比减小，销售总量会被抑制（原因可以是挑选空间和铺场形象与销量不成正比）

《郑氏宽度测算法》

下面我将阐述一套吧标准模型带入历史数据的算法。揭示如何通过【宽度】和【深度】的关系模型，计算并调整订货宽度

一、首先我们来看一下我们要用到的标准模型。简称《商品SABC模型》，也可以称之为《品类WD模型》或者《品类盈利模型》，关于盈利模型的注解，笔者后文会做解释

二、由于考虑到选款难度的问题，所以我们需要将模型进行钝化处理，将S级商品和A级商品合并。也就是说，实际的S级商品通过补货或者追单形成，当然，前提是需要从订货中减掉这部分的量，约10%左右。

这里我们通过合计计算出模型最终要形成的售罄率为65.5%。当然这个值并不重要，原因是这个值可以用过总订货核算，或者大类订货核算进行调整，也就是产销关系，这里我们关注的是模型形成的【宽度】和【深度】的比值关系。

三、接下来，我们要开始计算这个模型形成的销售结果，并测算销售中【宽度】和【深度】的比值关系，原因是我们的数据源是销售数据。

1. 销售结果=投入占比×产销比，也就是说投入100个单位，要销售出去65.5个单位的货品，用于计算各级商品的销售占比

2. 销售占比=各级商品销售/销售合计，可以解释为各级商品的销售贡献率。（这里会有一个很有意思的发现，几乎是很鲜明的2/8比例。只是款式占比为30%）

3. 销售比差=B级和C级商品销售占比/SA级商品销售占比×1，相当于把SA级商品设置成为单位1，计算每卖出1个SA级商品，应该销售出的B级和C级商品，以及对应的总量1.26

4. 用同样的方式计算款式占比的比差，相当于计算出，没投入1个SA级款式，就需要配套投入1.67个B级款式，0.67个C级款式，对应的总量为3.33

5. 计算到这一步，假设我们可以从历史销售数据中计算一个相对合理的SA级商品的【平均销量】，我们就可以通过【销售总量】计算出具有参考意义的SKU数量。

6. 假设我们已知SA级商品的平均销量，我们可以通过销售比差算出，每卖出一款A级商品，应该总共售出多少个商品，以此为一个【基本组】。
   SA级平均销量×1.26=基本组【销量】

7. 有了1个基本组的销量之后，我们可以计算出正常的模型下，目前的销售总量应该包含多少个【基本组】。
   销售总量/基本组销量=基本组【数量】

8. 已知每个【基本组】里包含1个SA级款，也就是说每个基本组应该包含3.33个SKU，最终计算出合理SKU总量，基本组数量×3.33=SKU【总量】

9. 最后一步，我们需要根据已知的销售数据，测算出SA商品的平均销量，这是此命题解题的第二个关键点（第一个关键点是模型中提取【基本组】的算法），笔者提供几种方式供大家选择

1. 销售前30%的款式，计算平均值

2. 最大单款销量×0.6

3. （最大单款销量+平均单款销量）/2
   

笔者采用的是第三种算法。因为这个值包含了实际销售过程中诸多因素对数字产生的影响，所以不是一个确切值，暂且称之为【现象值】。

10.至此整个的计算过程就完成了，接下来我们将公式完整的展开，并进行简化。

【展开】：

SKU总量=基本组数量×3.33=销售总量/基本组销量×3.33=销售总量/ （SA级平均销量×1.26）×3.33=销售总量/ （SA级平均销量×1.26）×3.33

【简化】：

宽度=销售总量×2.65/SA级平均销量，或者=（销售总量×2.65）/（（最大单款销量+平均单款销量）/2）

这就是《郑氏宽度测算法》的完整演算逻辑，当然这个演算中，因为引入了【现象值】，并参照模型进行推演，所以不能做到100%的严谨。但是经过笔者大量的数据验证，认为这套算法，至少可以为订货宽度给出方向性指导，所以分享出来与行业工作人员共同进步。

最后我们通过示例解读一下这个算法的作用和价值。

接下来问题就出现了，为什么CS和DDS近似销量的情况下，一个宽度宽，一个宽度窄。得到的答案却是类似的呢（都是增加宽度）？

其实答案很简单。模型带入的算法，实际上包含了2个因素：1、SA和BC级商品的比差，2、单款销售能力和销售总量的关系。（SA平均深度的【现象值】，包含了搭配几率，购买频次等因素，甚至包含品类在客层定位、产品风格等方面存在的问题，以及门店的销售能力和地区的接受能力。）

以CS为例，销售总量已知的情况下，单品销售能力不高，在不损失整体销售份额的前提下，应该如何订货才能更好的平衡风险？答案肯定会趋向于扁平。同时，后期数据一旦SA深度出现了变化，出现了较大深度的可能性，计算结果就会倾向于减少宽度。

在商品企划过程中，之所以采用标准模型，其主要原因是：不能一味的迁就销售现象，而是应该把【WD模型】导向更有利于盈利的模式，同时保障销售和库存的合理关系。

所以《商品SABC模型》，也可以理解为《品类WD模型》，或者《品类盈利模型》。其价值在于：基于单款销售能力，提供适合的总量和WD的关系，并通过这个关系实现较为有利的品类盈利模式。

结束语
《郑氏宽度测算法》也可以简称为《“2.65”宽度测算法》，在实际应用过程中，《郑氏宽度测算法》的价值如下：

1. 更有利于品类盈利模式，使计算结果倾向于标准模型，从而实现可持续调整

2. 通过先宽度（W）、后深度（D）的算法，避免了先深后宽的算法中，干扰数据对结果的影响，以及大量的人工判定

3. 订货过程中，对于选款环节采用S+A合并订货的模式，可有效降低选款风险（S级商品依据爆单测算，靠追单或补货形成）

4. 订货过程中，简化了订货结构分解的工作，为实现【智能订货】提供数据基础。

最后补充一点：《郑氏宽度测算法》是在总量不变的情况下，对宽度的权衡取值（利润和风险），在平衡状态下，如果需要增大品类总量，建议先从增加宽度入手，同样，如果减少总量，建议先从深度入手。以此平衡风险。

特别声明：无私分享的目的在于增进行业交流，促进数字化管理发展。如用于商业用途，请注明【作者】和出处，对于欺世盗名的行为，必究！