如何做到“人货合一” ？ 答案是商品画像

给顾客画像、打标签已经老生常谈了，不少零售企业在这方面也做了大量的积累。那么我们所说的做到“人货合一”，则是在顾客画像基础上更进一步，即商品画像。

“推货”思想让多数零售商觉得货就是货卖出去就行，他们没有深究如何在满足消费者需求的思想指引下匹配合适的商品真正做到“人货合一”，没有做到把最合适的商品呈现给最合适的用户。

造成的现象则是爆款总是断货，不好卖的总是呆滞，客户体验差强人意。如何避免这些，就需要对自己的商品有深刻的理解，而商品画像则是解决这个问题的必由之路。

商品画像

如同用户画像一样，可以简单理解成是商品海量数据的标签：根据商品的特征、设计、功能、波段、价位段、流行度、销售状况、促销力度、销售渠道差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名字、特点、场景、统计学要素等描述。

而商品画像的意义则在于可以对商品进行精准的定位，让不同的商品迅速匹配到处在不同地域、时间、偏好、阶层中的消费者，进而去更加优化用户的体验。

同时商品画像给商品所贴上的各种“标签”可以驱动后端供应链的各种的行为，如预测、补货、促销、库存、采购、生产、物流等等都是要和这些标签相匹配，标签不同，数据不同、算法不同、模型不同，流程不同，管理的模式也有所不同，形成了一套组合拳的模式，而且一切都是动态的。

oIBP®FMDS智能商品管理决策支持系统

让众多零售商对“商品画像”重视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，商品自身没有消费者自身“上帝”的地位，场景也没有那么炫目多彩，商品企划人员甚至有时不会和消费者直接发生接触，这是零售商所忽视的地方，也是消费者体验成败与好坏的重要物质基础。

有人说商品画像挺简单的，从销售历史的Top10和Bottom10的商品清单就可以看出好卖还是不好卖，好卖多进货，不好卖少进货不就行了吗。

可是，促销其实也没那么简单。销售排行榜上排名第一的商品由于半价促销，就能说一定比第二名、第三名等没有促销政策的好卖吗。

以时尚类行业为例

该类商品的一个典型特征是销售周期基本上都是在3个月左右。在对商品进行画像的时候，主要从商品的自然属性和销售状况出发，要考虑商品的颜色、面料、尺码、价位段、品类、品类结构比、波段规划、季节性特征、销售渠道、销售区域、门店铺货情况、竞争对手表现、市场容量/占比、产品生命周期趋势、供应商支持情况、整体销售趋势以及天气情况，并且依据分类和聚类的算法模型给不同的商品贴上不同的标签，来综合判定不同的商品会适合于什么类型的消费者，以及商品的畅平滞的情况和原因。

最重要的是，以上维度是要交叉分析的，例如渠道和产品维度、渠道和时间维度、产品和时间维度等进行交叉分析，鉴于这些商品上市的复杂度，就需要借助机器学习的算法来进行分类。在不同的销售渠道里销售的价格未必一样，面向的消费群体未必一样，每家店面铺货的情况未必一样，有的店面甚至不铺，南北方温度带、东西方海拔差的不同导致上市的时间会有所不同，而商品品类的结构在不同的区域也会不同，同时供应商的产能制约更是一个不可忽略的因素，如果竞争对手在忙上添乱，更是会让局势错综复杂，而整体行业数据的分析更是必不可少，所以这时就需要复杂的商品画像，让商品的自然属性和销售状态画像更加清晰的呈现在商品决策者面前。

而在零售便利店业态

虽然和时尚品零售行业不完全一样，但也需要清晰的商品画像，重点考虑的因素包括商品的口味、特征、功能、天气、价格、当时活动、门店位置、竞争对手等因素。

例如晴天将会导致中午气温上升，口味清爽、蛋白质高的便当会好卖，或者阴天将导致气温下降，那么消费者更加偏向口味浓郁、热量足、分量大的便当，所以零售商对便当的口味、分量、价位段、适用人群等要有清楚的认识，同时把便当和天气的外在因素结合在一起，形成一个完整的商品自然属性画像，这样对于目标消费群体更有针对性的销售和备货。

一旦一个商品被贴上“好卖”的标签，那么对于预测要求开始提升，精度一定要高，而库存则要备足，后端的生产、原材料采购也要保证不出事，确保不断货；一旦被贴上“不好卖”的标签，那就赶快清库存找后路，防止库存积压。

商品画像是做到“人货合一”的核心

用户画像是产品的根基，但“商品画像”是产品的外延生命力的象征。好的产品必须是易于在人群中推广，一句话能讲清楚的。

如何让商品和消费者的进行迅速匹配，同时通过商品画像来迅速启动需求链管理流程？

预测、促销、补货、采购、生产、物流、配送等等，让好卖的商品不断货，利润最大化，让不好卖的商品赶紧清仓腾位置，不要形成呆滞库存，这样整个链条从消费者到零售商再到供应商就彻底由商品满意、高效、健康地串联起来。