給顧客畫像、打標簽已經老生常談了，不少零售企業在這方面也做了大量的積累。那么我們所說的做到“人貨合一”，則是在顧客畫像基礎上更進一步，即商品畫像。

“推貨”思想讓多數零售商覺得貨就是貨賣出去就行，他們沒有深究如何在滿足消費者需求的思想指引下匹配合適的商品真正做到“人貨合一”，沒有做到把最合適的商品呈現給最合適的用戶。

造成的現象則是爆款總是斷貨，不好賣的總是呆滯，客戶體驗差強人意。如何避免這些，就需要對自己的商品有深刻的理解，而商品畫像則是解決這個問題的必由之路。

商品畫像

如同用戶畫像一樣，可以簡單理解成是商品海量數據的標簽：根據商品的特征、設計、功能、波段、價位段、流行度、銷售狀況、促銷力度、銷售渠道差異，將他們區分為不同的類型，然后每種類型中抽取出典型特征，賦予名字、特點、場景、統計學要素等描述。

而商品畫像的意義則在于可以對商品進行精準的定位，讓不同的商品迅速匹配到處在不同地域、時間、偏好、階層中的消費者，進而去更加優化用戶的體驗。

同時商品畫像給商品所貼上的各種“標簽”可以驅動后端供應鏈的各種的行為，如預測、補貨、促銷、庫存、采購、生產、物流等等都是要和這些標簽相匹配，標簽不同，數據不同、算法不同、模型不同，流程不同，管理的模式也有所不同，形成了一套組合拳的模式，而且一切都是動態的。

oIBP?FMDS智能商品管理決策支持系統

讓眾多零售商對“商品畫像”重視程度不足的原因主要是商品的管理往往扮演的是“幕后英雄”的角色，商品自身沒有消費者自身“上帝”的地位，場景也沒有那么炫目多彩，商品企劃人員甚至有時不會和消費者直接發生接觸，這是零售商所忽視的地方，也是消費者體驗成敗與好壞的重要物質基礎。

有人說商品畫像挺簡單的，從銷售歷史的Top10和Bottom10的商品清單就可以看出好賣還是不好賣，好賣多進貨，不好賣少進貨不就行了嗎。

可是，促銷其實也沒那么簡單。銷售排行榜上排名第一的商品由于半價促銷，就能說一定比第二名、第三名等沒有促銷政策的好賣嗎。

以時尚類行業為例

該類商品的一個典型特征是銷售周期基本上都是在3個月左右。在對商品進行畫像的時候，主要從商品的自然屬性和銷售狀況出發，要考慮商品的顏色、面料、尺碼、價位段、品類、品類結構比、波段規劃、季節性特征、銷售渠道、銷售區域、門店鋪貨情況、競爭對手表現、市場容量/占比、產品生命周期趨勢、供應商支持情況、整體銷售趨勢以及天氣情況，并且依據分類和聚類的算法模型給不同的商品貼上不同的標簽，來綜合判定不同的商品會適合于什么類型的消費者，以及商品的暢平滯的情況和原因。

最重要的是，以上維度是要交叉分析的，例如渠道和產品維度、渠道和時間維度、產品和時間維度等進行交叉分析，鑒于這些商品上市的復雜度，就需要借助機器學習的算法來進行分類。在不同的銷售渠道里銷售的價格未必一樣，面向的消費群體未必一樣，每家店面鋪貨的情況未必一樣，有的店面甚至不鋪，南北方溫度帶、東西方海拔差的不同導致上市的時間會有所不同，而商品品類的結構在不同的區域也會不同，同時供應商的產能制約更是一個不可忽略的因素，如果競爭對手在忙上添亂，更是會讓局勢錯綜復雜，而整體行業數據的分析更是必不可少，所以這時就需要復雜的商品畫像，讓商品的自然屬性和銷售狀態畫像更加清晰的呈現在商品決策者面前。

而在零售便利店業態

雖然和時尚品零售行業不完全一樣，但也需要清晰的商品畫像，重點考慮的因素包括商品的口味、特征、功能、天氣、價格、當時活動、門店位置、競爭對手等因素。

例如晴天將會導致中午氣溫上升，口味清爽、蛋白質高的便當會好賣，或者陰天將導致氣溫下降，那么消費者更加偏向口味濃郁、熱量足、分量大的便當，所以零售商對便當的口味、分量、價位段、適用人群等要有清楚的認識，同時把便當和天氣的外在因素結合在一起，形成一個完整的商品自然屬性畫像，這樣對于目標消費群體更有針對性的銷售和備貨。

一旦一個商品被貼上“好賣”的標簽，那么對于預測要求開始提升，精度一定要高，而庫存則要備足，后端的生產、原材料采購也要保證不出事，確保不斷貨；一旦被貼上“不好賣”的標簽，那就趕快清庫存找后路，防止庫存積壓。

商品畫像是做到“人貨合一”的核心

用戶畫像是產品的根基，但“商品畫像”是產品的外延生命力的象征。好的產品必須是易于在人群中推廣，一句話能講清楚的。

如何讓商品和消費者的進行迅速匹配，同時通過商品畫像來迅速啟動需求鏈管理流程？

預測、促銷、補貨、采購、生產、物流、配送等等，讓好賣的商品不斷貨，利潤最大化，讓不好賣的商品趕緊清倉騰位置，不要形成呆滯庫存，這樣整個鏈條從消費者到零售商再到供應商就徹底由商品滿意、高效、健康地串聯起來。