错误的产品尺码数据分析会导致库存灾难

服饰零售企业向工厂、批发商、品牌商订货的时候，每个款式必须要具体到尺码。和我们自己买衣服一样，零售商批量下单也讲究尺码合适。

例如本地区人员体型整体偏高大，店铺存货却是一堆XS，S这样的尺码。衣服再好看也没用，销售机会白白流失，畅销款也成滞销款。所以，订单的尺码比例必须要和你的消费者的尺码体型分布基本一致。

整体上尺码呈现中间多两头少的结构。例如服装M，L，XL这样的尺码多订货，XS，3XL这样的极端尺码少订货（鞋子同理）。但是，什么是多，什么是少？这就需要我们对历史数据进行分析。

有些人的做法是，参考前期的尺码销售比例。现在要订春季的产品，直接在ERP中导出去年春季毛衫、长袖衬衫、牛仔长裤等所有类别的销量数据（具体到尺码），然后分别算个占比，作为来年的订单尺码比例。

但是，历史数据往往并不能反映消费者的真实需求，有可能你上一季度的订单尺码比例已经失衡。很多消费者没有找到合适自己的尺码走掉了。这样的机会损失无法在数据中直接体现。

也有人结合售罄率（期货制服饰企业常用的一个指标，公式为销量/进货数量）修正历史数据。比方售罄率作为一个权重指数，对销售数据进行加权。下图是一个虚拟的长袖衬衫订货和销售尺码数据：

售罄率高的尺码赋予更高权重，加大订货比例。本例中L码订量最多，销量也最多，但是XL码售罄率最高。所以下次订货我们应该XL加大剂量，订货占比最高吗？

这是典型的卖家思维。消费者根本不关心你的售罄率。示例中长袖衬衫滞销了，售罄不佳，此时实际销量反而基本能够反映消费者的尺码真实需求，没有断码的机会损失，L码还是应该订量最多。

还有人问了，那我们不加权，也不看累计销售，而是看这个类别售罄大约在50%左右的销量占比，可以吗？这个时候应该也没有断码，销量是真实需求的反映。看下面这个数据：

答案是这样也不行。整体该品类售罄50%，但是2XL这个尺码售罄已经高达83%。很有可能大部分长袖衬衫款式大码已经没有，导致消费需求被抑制。

靠谱的办法是，还原每个款式每个尺码的真实消费需求，作为尺码参考配比。比方货品ID为STY0001这个款式有S-2XL五个尺码，只要其中任何一个尺码没有库存，我们就认为这款货品开始断码，后续的消费需求全部被扭曲。

我们截取断码临界点前一天的该货品有尺码数据作为参考数据。每款货品皆如此，然后汇总形成某个品类，或者某个版型的尺码配比。

以这样的尺码比例去下单，才会相对可靠。下期我们讲解如何在Power BI或者Excel中实操。