第5章 商品运营分析实战

第5章商品运营分析实战结合真实电商销售榜单数据，深度解析选品逻辑、定价策略与商品生命周期管理。从数据指标拆解到爆款打造，掌握库存优化与品类规划的实战方法论，实现数据驱动下的商品增长闭环。大数据管理与应用专业·电商数据分析核心课程本章内容概览从数据评估到结构优化，本章聚焦商品运营的核心逻辑。通过量化分析商品表现识别机会点，借助结构调整提升货品效率，最终通过实战案例将理论转化为可落地的运营策略，构建系统化的商品操盘思维。01商品绩效评估基于全维数据对商品表现进行量化诊断：

•销售排名：锁定爆款与潜力款，优化资源倾斜

•滞销预警：识别低效商品，制定清理方案

•评价监控：捕捉用户反馈，反哺产品迭代02商品结构优化通过数据洞察重构货品组合竞争力：

•价格带布局：覆盖消费层级，平衡毛利销量

•关联挖掘：挖掘组合机会，拉升连带客单

•退货分析：追溯售后痛点，强化品控选品03实战进阶实训将理论转化为可落地的运营动作：

•案例复盘：拆解标杆店铺的商品运营打法

•场景模拟：针对品类痛点制定优化方案

•效果测算：掌握策略落地的效果评估方法学习导读01数据驱动：电商运营的决策基石商品数据是电商精细化运营的核心引擎。通过对销量、转化率、库存周转等关键指标的多维分析，不仅能透视商品的市场表现，更能为选品迭代、定价策略优化及库存动态调控提供科学依据，从而实现从“经验驱动”向“数据驱动”的转变，提升运营效率与利润空间。02实战赋能：掌握核心分析技能本章将围绕商品全生命周期展开系统解析，从销售排名诊断、滞销品归因、用户评价情感分析，到价格带卡位与关联销售挖掘。结合真实业务场景与Python数据实操，帮助你建立系统化的商品分析思维，掌握从数据洞察到策略落地的实战能力。数据洞察示例：上图展示了不同品牌产品的客单价分布情况。通过此类可视化分析，可快速识别市场价格层级，为商品定价策略、品牌定位及差异化竞争提供直观的数据支撑。学习目标全链路绩效评估深入解析商品绩效评估的核心维度，涵盖销售贡献、毛利表现及用户口碑等关键指标，掌握从数据采集到价值判断的全链路评估逻辑，为商品汰换与迭代提供科学依据。结构优化与组合策略系统学习商品结构优化的底层逻辑，重点掌握价格带分布分析、互补品与替代品的关联挖掘，理解合理的商品组合对提升连带率、优化库存结构及增强市场竞争力的重要意义。Pandas数据实操应用掌握PythonPandas在零售数据处理中的核心应用，包括销售数据的多维度排序、滞销商品的自动化标记、用户评价数据的统计分析及文本特征提取，提升数据处理效率。核心收益：通过理论与实操的深度结合，建立以数据为核心的商品运营思维，能够独立完成商品绩效诊断、结构优化方案设计及数据化运营分析，实现运营效率与业绩的双重提升。015.1商品绩效评估销售排名·滞销识别·评价监控什么是商品绩效评估01/核心定义与价值商品绩效评估是通过量化指标对单品的市场表现、盈利能力及用户口碑进行系统性分析的过程。它不仅是衡量商品价值的标尺，更是企业进行资源分配、制定营销策略、优化库存管理的核心依据。科学的评估体系是实现精细化运营的前提，帮助团队明确目标、快速响应市场动态变化。发现爆款潜力识别销量与利润双领先的明星商品，锁定核心增长极，集中营销资源进行重点扶持，放大头部效应。预警滞销风险实时监测动销率低下、库存周转缓慢的商品，及时清理积压库存，避免仓储浪费与资金占用压力。洞察用户口碑全渠道监控用户评价与满意度，捕捉产品质量反馈与服务短板，为产品迭代和体验优化提供依据。优化商品结构基于数据动态调整品类组合，平衡爆款与长尾商品比例，提升店铺抗风险能力与整体经营稳定性。02/商品价值分层模型核心爆款层(Top20%)高毛利·高复购·高市场需求|核心利润来源潜力商品层(Mid30%)有增长空间·需运营干预|通过优化可提升为爆款基础商品池(Base50%)长尾覆盖·满足多样化需求|补充流量与连带销售5.1.1销售排名分析：四种核心方法销售排名分析是最直接、最有效的商品绩效评估手段，通过对关键数值指标进行排序，将商品的市场表现直观呈现，帮助运营者快速把握商品梯队情况，为选品优化、资源倾斜与库存管理提供坚实的数据支撑。01TOPN商品分析锁定销量与销售额的头部商品，明确核心流量来源，给予优质广告位与库存保障。深度挖掘TOP商品的共性特征（如品类、定价、卖点），提炼可复制的运营策略，实现成功模式的快速复用与放大。02二八效应验证测算头部20%商品的销售额贡献占比。若占比过高，表明过度依赖爆款，需重点维护稳定性并警惕单品风险；若分布相对均衡，则说明商品结构健康，抗市场波动能力强，可进一步丰富长尾品类。03ABC分类分析法基于贡献度分层管理：A类商品（贡献80%）实施精细化运营与重点保供；B类商品（贡献15%）作为稳定利润基石维持常态；C类商品（贡献5%）丰富品类满足长尾需求，实现全品类价值最大化。04动态趋势监控对比周/月/季排名变化，捕捉排名飙升的潜力新品并及时追加推广资源；针对持续下滑的商品，快速诊断衰退原因（如竞品冲击、需求变化），灵活调整营销策略或启动清仓，保持商品梯队活力。案例：服装网店多维度销量排行📝案例背景：“潮流前线”服装网店对10款核心单品进行月度复盘，突破单一销量视角，引入“销售额贡献度”与“综合加权得分”双维度分析，旨在识别真正的店铺明星商品，为库存管理与营销资源倾斜提供决策依据。01销量为王T恤以680件居首，是店铺核心引流款；连衣裙与卫衣构成第二梯队；牛仔裤与休闲鞋紧随其后，共同构建店铺基础流量池。02营收核心连衣裙、运动鞋及休闲鞋贡献了超60%的总销售额。揭示“销量高≠贡献大”的真相，单一销量指标易产生盈利误判。03综合评估连衣裙凭借“高销量+高客单”优势登顶，成为店铺明星商品。唯有结合流量与营收的多维分析，才能还原商品真实价值。💡业务洞察：权重设定需动态调整：新店期侧重“销量权重”以拉升人气与搜索排名；成熟期侧重“利润权重”以优化盈利结构。拒绝单一指标考核，让数据为选品和营销策略精准导航。📊榜单视角：热销榜单直观呈现了市场需求分布，但需结合利润模型核算。建议建立“销量-利润”二维矩阵，将商品分为引流款、利润款、金牛款等，实现货品结构的健康搭配。5.1.2滞销品识别：三种方法对比滞销品是指在一定周期内销量远低于平均水平、动销率低下且长期占用库存的商品，会直接造成仓储成本浪费及资金周转压力。建立科学的滞销品识别机制，是优化库存结构、提升供应链效率的基础。01固定阈值法方法：设定绝对销量及格线（如“月销<100件”），低于即标记。特点：规则简单直观，执行成本极低，无需复杂计算。适配：销量稳定的成熟标品、日用百货等常规品类。02分位数法（相对排名）方法：销量降序排序，将排名后N%（如10%）的商品划为滞销。特点：动态跟随大盘水位，剔除绝对数值干扰，更具市场相对性。适配：新品冷启动期、季节性波动大、竞争激烈的品类。03周期动销对比法方法：连续2个及以上统计周期（月/季）销量为0的“零动销”商品。特点：精准捕捉“沉睡库存”，直接反映商品生命力枯竭。适配：季节性过季品、长尾商品清理、非标品库存盘点。💡进阶动作：库存风险量化与处理识别出滞销品后，建议结合“库存销货比（库销比）”进一步评估风险等级：库销比=期末库存金额/当期销售额。比值越大，代表库存积压越严重、资金占用成本越高，需列为优先处理对象。应对策略：优先通过促销、打折、组合装等方式清仓；对无法挽回的呆滞品，及时申请退货或报废处理，释放仓储资源。库存销货比：风险分级与处理优先级01核心逻辑：从“单一销量”到“库存健康度”仅关注销量会产生认知偏差：销量低若库存也低则风险可控；但若销量低迷伴随高库存，则意味着严重的资金占用与滞销风险。该指标数值越大，滞销风险越高。计算公式：库存销货比=期末库存量÷周期内销售量高风险（首要处理）|比值>5.0表现：按当前速度需超5个月清空。策略：立即降价、组合捆绑或亏本清仓，优先回笼现金流。中风险（重点关注）|2.0<比值≤5.0表现：周转效率下滑。策略：加大流量倾斜、优化陈列位置、搭配赠品营销，观察两周动销趋势。低风险（常规管理）|比值≤2.0表现：库存水位健康。策略：维持现有补货节奏，定期监控，避免因盲目加单导致积压。02实战案例：某电商日化品类库存透视📊数据洞察：洗衣液销货比高达8.2，属于极高风险，需立即启动“买一送一”或折扣清仓；洗发水处于中风险区间，建议通过直播带货或组合装促销提升动销；沐浴露与香皂库存健康，保持正常补货节奏即可。💡决策价值：拒绝“单一指标论”，通过库存销货比进行风险分级，能让运营资源精准投向高风险商品，避免资金沉淀，最大化库存周转效率。5.1.3用户评价监控：三大核心价值在电商生态中，用户评价是连接企业与消费者的重要桥梁，是宝贵的用户生成内容；它不仅是后续消费者购买决策的关键参考，更是企业审视自身商品和服务的“质检报告”，承载着不可忽视的商业价值与改进契机。01衡量商品质量与客户满意度星级评分是用户满意度的直观量化体现，高好评率与高转化率、复购率呈正相关，更是衡量店铺运营健康度的核心指标，直接反映市场口碑的真实反馈。02诊断运营环节的短板中差评蕴含着真实且尖锐的用户声音，通过分析可精准定位根源：是商品质量瑕疵、物流时效滞后，还是客服响应不及时？为运营整改提供靶向指引。03驱动产品迭代与服务优化从好评中提炼核心卖点赋能营销，从差评中捕捉设计缺陷与服务痛点，为产品功能升级、服务流程优化提供真实的一手用户洞察与改进方向。真实电商评价看板示例通过可视化看板直观呈现商品好评率、用户标签分布及评价量级，帮助运营者快速掌握商品口碑现状，为精细化运营与决策提供实时数据支撑。5.1.3评价分析方法与实践01定量统计分析：把握整体基调基于结构化数据计算星级分布、平均分及核心比率，快速筛选出口碑标杆与问题商品，建立基础评价指标体系。核心公式：好评率=(4星+5星)/总数|差评率=(1星+2星)/总数02定性文本挖掘：探究深层动因利用NLP技术穿透评分表象，提取高频关键词、分析情感倾向并聚类差评原因，从“是什么”深入到“为什么”。价值产出：情感极性判定·痛点词云生成·差评主题聚类分析实战案例：数码配件品类口碑画像监测口碑标杆级充电线/平板支架好评率100%，无负面反馈。可作为营销素材重点推广，强化“品质标杆”心智。体验待优化通用款手机壳好评率66.7%，中评集中。需拆解中评内容，针对性优化材质手感或开孔精度。风险预警级数据线收纳包仅1条评价且为3星，样本虽少但需警惕。建议密切追踪后续反馈，排查潜在设计缺陷。紧急整改级某款耳机保护套差评率100%，存在严重质量或设计问题。应立即下架处理，进行彻底的根因分析与迭代。💡效能提升：结合堆叠百分比条形图、情感趋势图等可视化手段，将枯燥的数字转化为直观的决策依据，大幅提升口碑诊断效率。025.2核心模块商品结构优化聚焦价格带梯度布局、爆款与长尾品的关联销售组合，结合退货率数据归因分析，实现商品结构的动态迭代与健康度提升，最大化门店坪效与盈利空间。从单品绩效到结构优化01商品结构的本质店铺内所有商品在价格、品类、功能、利润率等维度的分布与组合逻辑。它是商品运营的骨架，决定了店铺的盈利模型与市场覆盖力，而非简单的商品堆砌。02为何要做结构优化？单品热销≠整体盈利。若结构失衡（如低价扎堆、品类单一），会导致利润微薄、品牌形象扁平。优化后的结构能最大化满足市场多样化需求，平衡销量与利润，是提升店铺经营质量的核心抓手。结构

体系价格梯度覆盖高低价位区间，填补空白带品类组合引流款与利润款的科学配比功能互补满足多场景需求，提升连带率利润结构平衡短期销量与长期盈利目标合理分布价格带避免价格断层与区间拥挤，科学设置引流款、利润款与形象款，覆盖全层级消费需求，提升市场覆盖面。提升客单价与连带率通过互补品组合与场景化搭配，引导用户一站式购齐。利用满减、套装等策略，有效拉升每笔订单的价值。降低退货率与损耗从选品源头精准匹配需求，优化商品详情与规格描述。减少因商品不符预期产生的逆向物流，保障用户体验。核心洞察：结构优化不是追求单个商品的极致表现，而是通过科学的组合效应，构建健康、可持续的商品生态，实现店铺长期的盈利增长。5.2.1价格带分析：三大核心价值价格带是指某一特定价格区间内的商品集合。价格带分析通过将商品按价格分层，统计各层级的商品数、销量、销售额等核心指标，帮助商家清晰洞察不同价格段的市场表现，从而科学优化商品定价体系与品类结构，实现流量与利润的动态平衡。01识别核心价格区间精准定位“流量价格带”（销量贡献主力）与“利润价格带”（销售额核心来源）。这两大区间构成店铺的主力消费基石，是资源投入与货品维护的重中之重。02监测空白带与拥挤带“空白带”揭示未被满足的市场需求，指引新品开发方向；“拥挤带”预警同质化竞争风险，提示需通过差异化定位或优胜劣汰来优化商品结构，避免内耗。03优化促销与定价策略针对不同价格带定制差异化营销方案，提升全价位吸引力；为新品定价提供数据锚点，科学决策是填补市场空白，还是切入高价值黄金价格带。数据洞察：通过可视化图表，直观呈现各价格区间的销售额贡献度。从数据中可快速识别高潜价格段与低效区间，为商品结构的动态调整和定价策略的优化提供强有力的数据支撑。案例：家电品类价格带分析📌分析背景与价格分级为备战“618”大促优化货品结构，将家电按价格划分为四级：入门级(0-500元)、经济级(501-1000元)、品质级(1001-2000元)、高端级(2001-3000元)，重点评估各区间的销量与营收贡献，为大促定价与备货提供依据。01哑铃型结构：销量与利润的两极分化低价带贡献80.54%销量，是流量基石；高端带销量占比仅8.65%，却贡献36.82%销售额，成为利润核心。呈现典型的“两头强、中间弱”特征。02中端塌陷：结构性增长瓶颈501-2000元区间商品供给与用户需求双双遇冷，形成明显市场断层。该结构抗风险能力差，易被竞品利用中端性价比机型实现市场突围。03优化路径：构建健康的纺锤型生态以低价品做引流锚点，高端品保利润；重点补位中端，引入定制款/专供机型填补空白，通过大促资源倾斜培育消费习惯，向均衡结构转型。📊价格带效能模型：从“哑铃”到“纺锤”入门级(0-500元)·流量引擎[销量占比80.54%]承担平台拉新与活跃的核心功能，是“618”大促期间的流量引爆点。通过极致性价比吸引价格敏感型用户，是全平台流量的基础蓄水池。中价位(501-2000元)·价值断层[亟待填补的空白]既缺乏入门款的绝对价格优势，又无高端款的品质溢价支撑。用户在此区间的消费意愿低迷，是提升客单价与用户留存的关键突破口。高端级(2001-3000元)·利润压舱石[营收贡献36.82%]高毛利、高客单的核心来源，依托品牌力与产品力承接消费升级需求。是平衡平台整体利润率、提升经营质量的关键抓手。💡洞察：需通过“618”大促重构价格带，以中端市场的供给侧改革激活消费潜力。5.2.2关联销售挖掘：提升客单价的利器01/什么是关联销售挖掘？通过深度分析交易数据，精准识别“咖啡+蛋糕”“手机+配件”等强关联商品组合。利用捆绑促销、智能推荐与场景化布局，主动引导用户发现潜在需求，从被动满足需求转向主动创造需求，从而直接拉升每笔订单的价值与用户粘性。详情页种草在单品页植入“搭配推荐”或“买了又买”模块，将单一商品转化为场景化解决方案，利用“冲动消费”心理提升加购率。结算前临门一脚利用“凑单”心理，在结算环节推荐互补品（如打印机+墨盒），以满减或折扣形式刺激用户为了优惠而增加购买。存量用户唤醒针对购买过A商品但未买B商品的用户，定向推送B商品的优惠券或组合福利，实现长尾流量的价值挖掘。💡核心价值：从“人找货”到“货找人”，让数据为每一次交易创造增量。购物篮分析：发现隐形的消费关联通过分析海量订单数据，挖掘出商品间“同时被购买”的概率关系。这不仅是简单的商品堆砌，更是对用户生活场景的还原与预判。它帮助商家打破品类壁垒，将看似无关的商品组合成高价值套餐，是实现低成本、高效率提升客单价的关键手段。Apriori算法：三大度量指标关联销售挖掘的核心技术，旨在发现顾客购物篮中不同商品间的潜在关联规则。经典的“啤酒与尿布”案例是其应用典范，揭示了看似无关商品间的强关联；而Apriori算法作为最基础且广泛应用的实现算法，通过逐层迭代挖掘频繁项集，为关联规则的量化评估提供了底层支撑。01支持度(Support)定义：某个商品组合在所有交易记录中出现的概率，反映商品组合的市场流行度与普遍性。公式：Support(X)=Count(X)/N核心价值：衡量商品组合的“普及门槛”。支持度过低的组合，即便关联再强，也因发生频次太少而缺乏规模化的商业推广价值，通常作为筛选规则的第一步。02置信度(Confidence)定义：在购买了商品A的交易中，同时购买商品B的条件概率，体现了规则的预测可靠性。公式：Confidence(A→B)=Support(AUB)/Support(A)核心价值：衡量规则的“预测命中率”，是电商平台进行“购买了A的用户也买了B”这类交叉推荐的直接依据，高置信度意味着推荐的精准度更高。03提升度(Lift)定义：购买A和B的实际联合概率，与假设两者独立时联合概率的比值，是判断关联是否真实的关键。标准：Lift>1正相关/=1无关/<1负相关核心价值：剔除因商品本身热销带来的“伪关联”。例如，可乐本身销量极高，高置信度可能只是假象，提升度能验证二者是否真的存在相互促进的真实关联。公式：Lift(A→B)=Support(AUB)/Support(A)*

Support(B)Apriori算法与零食组合案例01/算法核心逻辑：逐层搜索与剪枝基于“频繁项集的非空子集必频繁”的先验性质，采用自底向上的逐层搜索策略。从1-项集开始，通过“生成候选集-扫描数据集-剪枝非频繁项”的迭代过程，最终挖掘出所有满足最小支持度的高频组合。✅优势：简单可解释原理直观，无需复杂调参，挖掘出的关联规则能直接被业务理解和应用。⚠️局限：性能瓶颈需多次扫描数据库，候选集数量随项数指数级增长，处理海量数据时开销较大。03/实战：便利店零食组合挖掘📊高频项集薯片出现率75%，是核心单品；

“可乐+薯片”与“牛奶+薯片”的共现率均达50%，为强关联组合。🔗强关联规则规则：可乐→薯片

置信度100%，提升度1.333。

意味着买可乐的顾客一定会买薯片，且关联度显著高于随机。🚀营销落地1.推出“薯片+饮品”组合套餐；

2.购物车页推荐互补商品；

3.“买薯片+1元换购可乐”提升连带率。02/算法逐层搜索过程演示Step1:挖掘1-项频繁集(筛选支持度>50%)薯片75%可乐50%牛奶50%饼干25%Step2:生成2-项候选集(剪枝非频繁组合)薯片+可乐50%薯片+牛奶50%可乐+牛奶25%Step3:迭代生成更长项集(直至收敛)薯片+可乐+牛奶25%挖掘停止，无更长的频繁项集可生成S001薯片、可乐S002饼干、牛奶、薯片S003薯片、可乐、牛奶S004蛋糕、咖啡蛋糕25%咖啡25%5.2.3退货原因分析：从数据到改进退货不仅产生逆向物流与仓储损耗成本，更暗藏用户对商品、服务的真实反馈。它是发现商品缺陷、服务短板与信息不对称的“显微镜”。通过科学的分析方法挖掘退货根因，能将被动的售后成本转化为主动的产品与服务优化动力，实现从“处理退货”到“预防退货”的跨越。01指标统计分析：锁定问题“重灾区”计算退货率（退货订单/总订单）并监控波动，对SKU或品类进行退货率排名。快速识别高退货率的异常商品，为后续深入诊断划定目标范围，是数据分析的基础入口。02分类构成分析：拆解结构化原因针对系统预设的退货选项（如“质量问题”“尺码不符”“物流破损”），统计各原因的占比分布。直观判断是商品本身问题、描述不符，还是物流环节导致，为责任界定与改进提供依据。03文本挖掘分析：洞察隐性痛点利用NLP技术分析用户自由填写的退货备注，提取高频关键词、进行情感分析与原因聚类。挖掘数据报表无法体现的深层问题（如“面料粗糙”“做工差”），发现未被预设的潜在缺陷。分析价值总结：退货数据是电商的“体检报告”。从量化指标到定性挖掘，层层递进的分析能帮助企业精准定位病灶，将退货成本转化为产品迭代与服务升级的驱动力，最终提升用户满意度与留存率。中文文本挖掘四步流程与鞋类案例01文本清洗去除标点符号、颜文字、HTML标签等干扰信息，净化原始数据，确保文本数据的纯净度，为后续处理扫清障碍。02中文分词利用Jieba等工具将连续汉字序列切分为独立词语，解决中文无天然分隔符难题，还原文本的基础语义单元。03去除停用词过滤“的、了、很”等高频无实义词，构建专业停用词表，剔除噪音，聚焦真正具有分析价值的核心特征词。04词频与可视化统计词语出现频次，通过词云、柱状图直观呈现高频痛点，让杂乱的用户评价转化为可视化的问题焦点。📊鞋类退货核心归因数据50.0%质量问题鞋面划痕、鞋底脱胶、材质瑕疵是首要诱因，反映生产工艺需优化。40.0%尺码偏差尺码标注不准、版型差异大，缺乏统一的脚型测量与推荐标准。🛠️驱动业务改进的落地方案升级尺码体系上线AI尺码推荐模型，提供脚长测量指南，建立“试穿报告”社区反馈机制。强化供应链质检将高频质量问题纳入供应商考核红线，实施出厂前全检，优化品控流程。价值核心：从“被动接收退货”到“主动优化产品”，文本挖掘让非结构化的用户声音转化为可执行的商业决策依据。应用案例：“豆香咖啡馆”品类优化“豆香咖啡馆”是主打高品质手冲咖啡与精致手工甜点的线上线下一体化品牌，依托私域小程序与外卖平台运营。当前面临“量增利缓”的瓶颈：总销售额持续增长，但利润率提升乏力，客单价长期停滞不前。本次分析旨在通过拆解销售与订单数据，为品类结构优化、定价策略调整及营销方案制定提供数据支撑。01价格定位分析：锁定盈利黄金带聚焦咖啡核心品类，精准测算25-35元“黄金价格区间”的营收贡献与毛利占比；以此为基准锚定新品定价范围，避免价格偏离主流消费需求，从定价端夯实盈利基础。02交叉销售分析：打造爆款组合拳挖掘咖啡与甜点的消费关联度，识别高复购、高毛利的“咖啡+甜点”黄金组合；通过套餐化设计、智能搭配推荐等策略，推动从“卖单品”向“卖组合”转型，有效拉升客单价。核心洞察：销售额增长不等于经营健康，只有持续优化品类结构、提升利润率与客单价，才能摆脱单纯依赖流量的增长陷阱，构建品牌长期盈利的护城河。案例步骤与营销策略建议01价格带洞察：锁定黄金定价区间核心发现：25-35元为品牌黄金价格带，覆盖美式、拿铁等4款核心品，贡献了89.71%的咖啡销量；35元以上高价区占比仅1.16%，溢价空间有限。建议：新品定价锚定30元中枢（如28元特色拿铁/33元精品手冲），紧贴主流消费能力，最大化市场覆盖。02关联挖掘：解码爆款组合逻辑黄金搭档：拿铁+曲奇饼干（提升度Lift=2.5），高频刚需，搭配契合度最高。经典强关联：美式+芝士蛋糕、摩卡+芝士蛋糕等组合置信度均达100%，是用户心中的「默认搭配」，复购潜力巨大，可作为主推连带组合。策略一：打造「午后优选」套餐基于「拿铁+曲奇」的黄金组合，上线专属午后套餐，给予5-8元小额折扣。这不仅能降低用户尝鲜门槛，更能作为门店引流爆款，利用套餐机制拉升整体客单价，实现“以单品带组合”的高效转化。策略二：全链路智能组合推荐在小程序、收银台等触点植入“搭配推荐”：用户选购美式时自动弹窗推荐芝士蛋糕，选购卡布奇诺时推荐提拉米苏。利用高置信度关联，实现被动式连带销售，潜移默化地提升单客消费额。策略三：「咖啡甜点节」主题营销策划月度主题活动，推出“任意咖啡+甜点”立减优惠，强化场景消费认知。结合门店海报、社群推送营造氛围，有效培养用户“咖啡+甜点”的固定消费习惯，进一步提升门店整体坪效与复购率。实训：“烘焙小屋”滞销品处理“烘焙小屋”是一家主营手工面包的线上电商店铺，因商品结构优化需求，需基于周销量与库存数据识别滞销品。本次实训将通过数据清洗、阈值标记、风险建模三步法，为店铺制定科学的滞销品处理清单，助力库存周转与利润提升，实现从数据到决策的落地。01数据筛选与排序利用Pandas加载8款商品的周销量与库存原始数据，完成数据清洗后按销量降序排列，快速识别商品的销售梯队，为后续滞销判定提供基础数据支撑。02标记低销量商品设定“周销量＜100个”为滞销判定阈值，通过创建新的标记列，对商品进行自动化标签分类，精准筛选出需要重点关注的低动销商品清单。03计算库存风险指数构建核心指标：库存风险