从商品销售的角度出发，回归到品类发展建议：即店铺应该销售哪些商品？在哪里销售？

通过积累沉淀的推广渠道数据信息，可以建立商品品类测试方案。首先通过多个渠道进行小范围投放测试，根据跳出率、平均访问量、访问-付费转化率、关联商品购买数据表现，跟原有沉淀数据对比，找到几款当季最适合大推的商品，进行大规模流量推广应用，保证可利用的流量，结合渠道、活动，给商家带来最大化的收益。

据渠道推广效果趋势图，可以看到每次推广，渠道带来商品销量效果的峰值情况。如果峰值持续走高，说明该渠道还有待挖掘；如果峰值开始持续走低，可能是渠道一直在消耗现有用户，增长能力有限，那就考虑是否继续选择，或者在议价能力上，掌握主动权

【应用示例】

销售分析

商品品类+销售表现（销售额、销量、单价），按商品品类（如：衬衫、 T 恤 等）对第三季度销售商品进行分类汇总的，同时每个品类均从 销售金额、 销售数量、 件单价三个指标进行统计，并且为了便于分析， 三个指标都加上了同期数据供参考。

核心指标：销售金额，销售数量，件单价。

涉及维度：品类、渠道、月份交叉分析。

分析方法：主要是看同比，环比。

退货分析

退货会影响实际销售额，且把高退货商品放在主要位置就会转化和销售额。因此退货分析面对的问题就是：高质量商品主要是哪些？

根据品类（如： T 恤、 裙、 毛衣 等）来分类汇总，并且按价格带细分之后统计的销售与退货数据。

核心指标：退货率 在文章里其实用了三个指标：退货率、销量、利润。

利用这三个指标，对商品做了分类，类似用户分析的RFM。每个维度衡量的是一个商品的一个角度表现，比如退货率衡量商品质量，折扣率衡量毛利情况。

在每次看一个商品的情况，使用了单一维度外，还可以结合一些有关系的维度。三个维度其实有一些是有关联的，比如销量和折扣的角度，是一对正向关系的维度，平均折扣衡量的是让利程度，如果折扣高，正常来讲销量占比就应该高。

同时也有些维度要在其他维度的基础上分析才有意义，比如退货率，如果是一款销量仅为个位数的商品，高退货率其实无关紧要。也就是三个维度间也是有轻重缓急的。

分析方法：

一是确认标准：即通常情况下应是怎样的，如果出现了反常就需要分析

二是同类相比：站在商品的角度，取其一个维度上相同的不同产品，对比分析