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。