更深入，更懂客户，而零售商有客户的购物数据，两者合作发觉客户购物特点，挖掘客户需求，提供以客户需求为中心的快速响应的零售模式，也被称为ECR（effective cosumer respose）。

对于聚焦品类零售商，比如服装零售更多的是围绕服装的主题，比如春装、套装、系列等开展具体的货品陈列，并且要考虑视觉搭配、款式组合的因素；零食、面包零售商则更多地以商品的毛利、销售速度来决定哪种商品放在货架的哪个位置，同时把最重要（销量大或销售额高）的商品放在最中间的位置。

B.陈列面分配

定好了哪种商品放在哪个位置，还需要决定放几个陈列面。我们去超市会发现，同一种商品可能会有多个陈列面，而有的商品就只有一个陈列面。陈列面多的商品曝光的程度大，销售的速度会比曝光小的商品来得快。但货架的长度是有限的，某个商品占据了更多的陈列面，就必须牺牲同品类内的其他商品，它们得少放一点，这一多一少就是取舍的选择，选择的逻辑是销售或者毛利的最大化，即如何在有限的空间里，组合出能最大化销售或者毛利的商品。

然而实践中，国内有不少商超零售商对陈列面的分配是由供应商推动的，比如供应商多付点上架费，就有机会获得更多的陈列位置。欧美的实践中，更多的是从对客户需求的满足程度以及经济性的角度来考量，确保分配完之后能带来更多的客户满意进而带来更多的回报。以最大化销售额为例，给商品分配的陈列面的大小与商品的销售额之间是有弹性关系的，这也称为空间销售额弹性。简单来讲，它的更深入，更懂客户，而零售商有客户的购物数据，两者合作发觉客户购物特点，挖掘客户需求，提供以客户需求为中心的快速响应的零售模式，也被称为ECR（effective cosumer respose）。

对于聚焦品类零售商，比如服装零售更多的是围绕服装的主题，比如春装、套装、系列等开展具体的货品陈列，并且要考虑视觉搭配、款式组合的因素；零食、面包零售商则更多地以商品的毛利、销售速度来决定哪种商品放在货架的哪个位置，同时把最重要（销量大或销售额高）的商品放在最中间的位置。

B.陈列面分配

定好了哪种商品放在哪个位置，还需要决定放几个陈列面。我们去超市会发现，同一种商品可能会有多个陈列面，而有的商品就只有一个陈列面。陈列面多的商品曝光的程度大，销售的速度会比曝光小的商品来得快。但货架的长度是有限的，某个商品占据了更多的陈列面，就必须牺牲同品类内的其他商品，它们得少放一点，这一多一少就是取舍的选择，选择的逻辑是销售或者毛利的最大化，即如何在有限的空间里，组合出能最大化销售或者毛利的商品。

然而实践中，国内有不少商超零售商对陈列面的分配是由供应商推动的，比如供应商多付点上架费，就有机会获得更多的陈列位置。欧美的实践中，更多的是从对客户需求的满足程度以及经济性的角度来考量，确保分配完之后能带来更多的客户满意进而带来更多的回报。以最大化销售额为例，给商品分配的陈列面的大小与商品的销售额之间是有弹性关系的，这也称为空间销售额弹性。简单来讲，它的计算方法是用销售额的增量除以空间长度的增量，它反映的是长度增大后带来的销售额的增量，弹性越大说明增大长度后带来的增量销售额越大，弹性越小说明增大长度后带来的增量销售额越小。在做长度分配决策时，想要最大化销售额，那就需要把额外增加的货架长度给那些弹性更大的商品。但这种弹性随着货架长度的增加会递减，因为客户需要某种商品的数量总量是有限的，否则超市里只卖最好卖的一种商品就是了。为此还需要找到弹性衰减的点，在这个点之前，可以通过增加长度获得额外的销售，但过了这个点，再增加长度就没用了。为了最大化销售额，就需要计算众多商品的空间销售额弹性系数，接着根据弹性系数来组合商品，找到那个能带来最大销售额的组合，这是一个典型的运筹优化问题，即在众多的选择中找到最优的那个组合。现实中的情况还会更复杂，因为货架本身的位置和分配给商品的位置是不平等的，比如一排货架的两头和货架中间的位置是不同的。为此就需要把货架单位细化，同时计算弹性时要考虑不同货架位置上的长度的差异。

举一个简单的例子，假设货架长度为10米，该货架对商品1的空间销售额弹性系数是5，对商品2的空间销售额弹性系数是4，对商品3的空间销售额弹性系数是3，要求是这三种商品每种至少要摆放一个，那么如何排列组合才能够达到最大的销售？很显然商品1的空间销售额弹性系数最大，它应该被摆放得多一点，而2和3按照最小量摆放即可，最终商品2、商品3各摆放1个，剩下的空间都摆放商品1是最优的组合。假设把商品的长度以及空间销售额弹性系数随着空间变大效应递减考虑进去，问题会变复杂，需要借助专业的工具来完成测算。计算方法是用销售额的增量除以空间长度的增量，它反映的是长度增大后带来的销售额的增量，弹性越大说明增大长度后带来的增量销售额越大，弹性越小说明增大长度后带来的增量销售额越小。在做长度分配决策时，想要最大化销售额，那就需要把额外增加的货架长度给那些弹性更大的商品。但这种弹性随着货架长度的增加会递减，因为客户需要某种商品的数量总量是有限的，否则超市里只卖最好卖的一种商品就是了。为此还需要找到弹性衰减的点，在这个点之前，可以通过增加长度获得额外的销售，但过了这个点，再增加长度就没用了。为了最大化销售额，就需要计算众多商品的空间销售额弹性系数，接着根据弹性系数来组合商品，找到那个能带来最大销售额的组合，这是一个典型的运筹优化问题，即在众多的选择中找到最优的那个组合。现实中的情况还会更复杂，因为货架本身的位置和分配给商品的位置是不平等的，比如一排货架的两头和货架中间的位置是不同的。为此就需要把货架单位细化，同时计算弹性时要考虑不同货架位置上的长度的差异。

举一个简单的例子，假设货架长度为10米，该货架对商品1的空间销售额弹性系数是5，对商品2的空间销售额弹性系数是4，对商品3的空间销售额弹性系数是3，要求是这三种商品每种至少要摆放一个，那么如何排列组合才能够达到最大的销售？很显然商品1的空间销售额弹性系数最大，它应该被摆放得多一点，而2和3按照最小量摆放即可，最终商品2、商品3各摆放1个，剩下的空间都摆放商品1是最优的组合。假设把商品的长度以及空间销售额弹性系数随着空间变大效应递减考虑进去，问题会变复杂，需要借助专业的工具来完成测算。3.在什么时间经营作为消费者，我们都有感受，在商店里售卖的商品，有些一年四季都能买到，有些只有特定时间才能买到。商品可以售卖的时间与商品本身的特性息息相关，比如牙膏、牙刷与季节、气温关系不大，但花露水、风油精则与季节息息相关。

实践中零售商会根据商品的特性，制订上市计划，根据季节、气温、时间的变化，将商品推向市场。

4.线上零售的角度对于线上零售商而言，如果是在平台型电商上开展经营，其客户与商品接触的方式有两种。一是搜索。这时商品组合要解决的是如何让客户方便地搜索到商品，比如通过诸如搜索优化、关键词优化的方式，扩大商品的曝光。二是进入数字化店铺，看到商品目录、排序。这时可以通过分析排序与流量、销量的弹性关系，结合商品的毛利、库存深度，来决定怎么对目录和排序进行调整。比如库存比较多的商品，可以放到类目排名靠前的位置。

线上零售看起来货架空间是无限的，但由于关键词和搜索结果以及客户的注意力是稀缺资源，因此商品越多未必越好。电商流行打造爆款，原因之一是爆款能够带来大量的客流和搜索排名靠前，搜索越靠前曝光就越广泛，销售量就越大，形成优势富集效应。

如果是自己搭建微信上的微商城，自建在线商城（网页版+App），那么商品组合要关注的除了排序就是千人千面。通过推荐引擎计算和展示每个客户感兴趣的商品，让每个客户看到的数字化门店3.在什么时间经营作为消费者，我们都有感受，在商店里售卖的商品，有些一年四季都能买到，有些只有特定时间才能买到。商品可以售卖的时间与商品本身的特性息息相关，比如牙膏、牙刷与季节、气温关系不大，但花露水、风油精则与季节息息相关。

实践中零售商会根据商品的特性，制订上市计划，根据季节、气温、时间的变化，将商品推向市场。

4.线上零售的角度对于线上零售商而言，如果是在平台型电商上开展经营，其客户与商品接触的方式有两种。一是搜索。这时商品组合要解决的是如何让客户方便地搜索到商品，比如通过诸如搜索优化、关键词优化的方式，扩大商品的曝光。二是进入数字化店铺，看到商品目录、排序。这时可以通过分析排序与流量、销量的弹性关系，结合商品的毛利、库存深度，来决定怎么对目录和排序进行调整。比如库存比较多的商品，可以放到类目排名靠前的位置。

线上零售看起来货架空间是无限的，但由于关键词和搜索结果以及客户的注意力是稀缺资源，因此商品越多未必越好。电商流行打造爆款，原因之一是爆款能够带来大量的客流和搜索排名靠前，搜索越靠前曝光就越广泛，销售量就越大，形成优势富集效应。

如果是自己搭建微信上的微商城，自建在线商城（网页版+App），那么商品组合要关注的除了排序就是千人千面。通过推荐引擎计算和展示每个客户感兴趣的商品，让每个客户看到的数字化门店因为个人的偏好不同而不同，并且能够不断根据客户与商城互动的方式（浏览、点击、加购、付款、发货）来了解每个客户的喜好，不断调整商品展示方式，针对性地组合和展示出客户可能喜欢的商品。

5.全渠道零售的视角对于全渠道零售商，在商品组合问题上所面临的选择变多了。首先要选择的是线上和线下是否用同样的商品来服务客户，以及价格体系要不要一致。这是两个非常关键的问题，如果是真正的全渠道，商品和价格应该是线上线下统一的。同时线上和线下可以联动，发挥线上消费者行为数据实时性的特点，分析和挖掘客户行为数据来获取他们浏览、关注、收藏、购买的商品，指导线下的商品陈列。比如发现线上有卖得好的商品，在线下也可以进行主推，放到显著的位置。同理，如果发现线下有好卖的商品，线上也可以进行排序优先、个性化推荐。要充分发挥线上线下业务融合、数据融合的优势。

但如果线上和线下面对的客群不同，重叠度不高，那就变成了多渠道而不是真正的全渠道。多渠道的情况下，其实线上和线下是孤立的，可以分别进行商品组合管理。因为个人的偏好不同而不同，并且能够不断根据客户与商城互动的方式（浏览、点击、加购、付款、发货）来了解每个客户的喜好，不断调整商品展示方式，针对性地组合和展示出客户可能喜欢的商品。

5.全渠道零售的视角对于全渠道零售商，在商品组合问题上所面临的选择变多了。首先要选择的是线上和线下是否用同样的商品来服务客户，以及价格体系要不要一致。这是两个非常关键的问题，如果是真正的全渠道，商品和价格应该是线上线下统一的。同时线上和线下可以联动，发挥线上消费者行为数据实时性的特点，分析和挖掘客户行为数据来获取他们浏览、关注、收藏、购买的商品，指导线下的商品陈列。比如发现线上有卖得好的商品，在线下也可以进行主推，放到显著的位置。同理，如果发现线下有好卖的商品，线上也可以进行排序优先、个性化推荐。要充分发挥线上线下业务融合、数据融合的优势。

但如果线上和线下面对的客群不同，重叠度不高，那就变成了多渠道而不是真正的全渠道。多渠道的情况下，其实线上和线下是孤立的，可以分别进行商品组合管理。渠道商的角度：商品组合管理

渠道商在做商品组合选择时，主要考虑在有限的资金、仓储空间下，找到零售商需要并且有品牌商供应的商品。一般渠道商与品牌商或品牌商的总代理、区域总代理等合作，经销其产品。对于所经营的商品品类单一的渠道商，商品组合主要是在销售速度快和慢的商品之间做组合，重点是要与零售商即自己的客户保持密切的合作，看他们的什么东西好卖，确保自己所经销的商品有市场，同时观察同品类内市场上有什么好卖的商品，考虑对现有不好卖的商品进行更换。对于经营多品类商品的渠道商，商品组合首先是品类的组合，接着是品类内商品的组合，这与零售商的商品组合逻辑类似，只不过渠道商最终组合到所覆盖的区域，而不用到门店、货架。

渠道商做生意所能投入的资金和仓库空间是有限的，得在做商品组合时考虑这些制约，并寻找最优的组合，这就离不开对商品未来销量的预估，在此基础上通过分析不同商品组合所带来的销售额、毛利，进而找到那个最优的组合。举一个简单的例子，不同商品的采购价格、单件商品所占空间、预期毛利、预期周均需求量如表4-11所示。依据这些数据可以测算出预期周均毛利、毛利率、空间贡献率（毛利除以空间）。在做商品组合时，优先把资源分给空间贡献率高、毛利率高的商品。通过优化算法，测算资金、空间在不同的商品上分配所能产生的销售额、毛利额，进而找出最优的组合。

表4-11　商品的采购价格等数据渠道商的角度：商品组合管理

渠道商在做商品组合选择时，主要考虑在有限的资金、仓储空间下，找到零售商需要并且有品牌商供应的商品。一般渠道商与品牌商或品牌商的总代理、区域总代理等合作，经销其产品。对于所经营的商品品类单一的渠道商，商品组合主要是在销售速度快和慢的商品之间做组合，重点是要与零售商即自己的客户保持密切的合作，看他们的什么东西好卖，确保自己所经销的商品有市场，同时观察同品类内市场上有什么好卖的商品，考虑对现有不好卖的商品进行更换。对于经营多品类商品的渠道商，商品组合首先是品类的组合，接着是品类内商品的组合，这与零售商的商品组合逻辑类似，只不过渠道商最终组合到所覆盖的区域，而不用到门店、货架。

渠道商做生意所能投入的资金和仓库空间是有限的，得在做商品组合时考虑这些制约，并寻找最优的组合，这就离不开对商品未来销量的预估，在此基础上通过分析不同商品组合所带来的销售额、毛利，进而找到那个最优的组合。举一个简单的例子，不同商品的采购价格、单件商品所占空间、预期毛利、预期周均需求量如表4-11所示。依据这些数据可以测算出预期周均毛利、毛利率、空间贡献率（毛利除以空间）。在做商品组合时，优先把资源分给空间贡献率高、毛利率高的商品。通过优化算法，测算资金、空间在不同的商品上分配所能产生的销售额、毛利额，进而找出最优的组合。

表4-11　商品的采购价格等数据