企业采购的商品畅销才能带来更多的利润。产品部门对历史销售数据进行分析，提炼畅销品，洞察消费者需求，为订货做参考。不少企业在分析畅销款时，只按销售数量或销售金额进行倒序排序确定畅销品。这样可能带来极大的财务风险。本文提供一种相对合理的分析方式，并用Power BI构建模型对畅销品进行提炼。
一、畅销款的业务逻辑
(资料图片仅供参考)
1. 售罄率高并不代表畅销
售罄率是期货制企业常用的商品指标，用来表示某产品卖出的百分比。
售罄率=某段时间销售数量/订货数量*100%
有人说，在相同的时间范围内，售罄率越高代表越畅销，其实不然。例如某款衣服进货两件，卖了两件，售罄率为100%，这个售罄率对企业没有太多意义。即使卖完了，由于盘子太小，也没赚什么钱。我们首先要考虑的是企业的绝对利润值，而不是一个比例，上面这个例子就是如此，即使100%售罄，创造毛利太有限。所以进货的绝对值和销售的绝对值很重要。采购进货的目的是创造足够多的利润，而不是卖完。
部分企业使用金额定义售罄率，从大盘的角度与数量定义的售罄率偏差应该不大，细节到单款可能会有差异。不同的定义方式没有优劣，按需选择即可。
2. 销售数量高也不代表畅销
销售数量越高，能否说明该商品越畅销？也不能。
假设某服装零售商A商品进货100件，10天销售50件；B商品进货50件，10天销售40件。在相同的时间内A商品比B商品多卖了10件，是否表明A比B畅销？并不能。因为B商品总共只进货50件，很有可能该商品在卖到30件的时候已经断码了，影响了成交率，后期的销售数据并不能真实反映消费者的购物需求。此时，如果把A当成畅销品，有可能造成追加式订货的恶劣后果导致采购了一堆消费者不是最需要的商品。
那么销售数量和售罄率综合考虑能否说明该商品畅销？
30天后，A商品总共销售了98件，售罄率为98%；B商品销售了49件，售罄率也是98%。如同销售10天时，B商品的销售数据已无法真实反映消费者需求，销售30天时A商品和B商品的售罄率也全部无法反映真实情况。当货品卖到50%～70%时，可能断码现象已产生了。A商品在10天后的销售也被抑制，比真实值偏低。
所以销售数量和售罄率结合也无法反映商品是否畅销。
3. 结合时间因素判断商品是否畅销
通过以上两个例子我们可以得出结论，判断商品畅销与否需要引入时间因素。在越短的时间内销量越高（本例假设商品为新品，不考虑折扣因素），则商品越畅销。
当商品被充分供应时（即尺码齐全，比方售罄率还未达到50%），销售数据能够反映消费者的真实需求。因此我们可以做出判断：某商品售罄率越快达到50%，并且该期间销量越高，则越畅销。通过计算达到售罄50%之前平均每天的销量进行排名，即可判断什么是真正的畅销品。
达到售罄50%平均每天销量=达到50%售罄时的销量/达到50%售罄时销售天数*100%
当商品到截止日期仍未达到50%的售罄，可以认定该商品被一直充分供应，公式中的销售天数为截止日期减去该商品的到货日期。
该思路综合考虑了销量、售罄率、时间三个因素，下一节以此为逻辑对畅销品分析模型进行构建。
二、 构建畅销品分析模型
图1是虚拟的某服饰企业订单即销售数据，各数据源之间按照货号建立关联，作为建立模型的基础。
1. 计算达到50%售罄时的销售天数
要计算某产品什么时候售罄达到50%，首先要计算该产品的滚动累计销量，然后滚动销量与订单总数做对比，当达到50%时停止进行计算。
在“销售明细表”中完成对以下计算列的添加。
（1）计算滚动销量
对每一个产品的销售数量按日期进行滚动累加，以便与订单数量对比，查看什么日期可以达到50%售罄：内部的FLITER对表格进行截取，同一个货号内构成一个虚拟表；外部的FILTER在上述虚拟表的基础上，按照销售日期进行滚动累加；SUMX对虚拟表条件下的销量进行求和。
（2）计算售罄率
使用RELATED对订单中的订单数量进行调用，与上一步算出的滚动销量相除，计算滚动的售罄率。
（3）计算售罄率大于50%的最小销售日期
该公式分为两个部分：当该商品售罄一直未达到50%时，返回最后一个销售日期。FILTER筛选相同货号，MAXX判断该货号的最大售罄率，MAX提取最大销售日期；当该商品最终售罄率在50%以上时，提取该商品达到50%的最近的日期。内层FILTER构建相同货号的虚拟表，外层FILTER截取该虚拟表售罄率大于50%的部分，MINX返回该虚拟表当中的最小日期。
（4）引入上市日期
使用RELATED将上市日期引入销售明细数据中。
（5）计算达到50%售罄时销售天数
DATEDIFF判断两个日期之间的差值。
2. 计算达到50%售罄时的销量
内层FILTER构建相同货号的虚拟表，外层FILTER对虚拟表截取达到50%售罄之前的销售，SUMX在以上嵌套FILTER构建的虚拟表条件下，对销量进行求和。
3. 统计畅销款
越快达到50%售罄的产品越畅销，在达到50%售罄之前，该产品不受断码等因素影响，可以反映真实的销售状况，使用该期间的销售数量可以倒推出该产品的理想销售数量，从而进行畅销款排名。
（1）新建表，将销售明细表中需要的字段汇总，如图2所示。
使用SUMMARIZE构建虚拟表，截取需要的字段，并对销量进行汇总求和。
（2）引入订单数量到畅销款表中
（3）计算累计售罄率
（4）计算理想平均周销量
达到50%售罄时的销量为真实反映顾客需求的销量，换算成周便于比较。
（5）计算排名
使用ALL函数确保排名范围为全部产品，RANKX选取不同排名字段。
（6）制作排名表
选取表格，将畅销款数据中的所有字段添加入表中，如图3所示。
视觉筛选器中，货号筛选器类型选择“前N个”，显示项目为最小的10个，按照修正排名进行显示，如图4所示。
通过以上操作，即完成了整个模型的搭建，输出结果如图5所示。
三、 总结
畅销款分析首要在于理清什么是畅销，对销售数据的准确性进行判断，结合销量、售罄率、时间因素进行综合考虑。在实际搭建模型过程中，灵活使用FILTER+EARLIER对表的范围进行截取，与SUMX、MINX、MAXX配合计算不同范围的和、最小值、最大值。
从图5中可以看到：
（1）累计售罄率高的产品不一定排名靠前，因为该“售罄”已失真。
（2）按销量排名和按照修正排名也有很大的不同，因为销量受订量影响，订单数量很小会抑制销量。
（3）修正排名是相对准确的畅销款排名，可作为后期订货参考。该案例畅销排名与订单前十的重合度只有50%，说明订单下单不是很准确。
需要注意的是，不能只看数据，需要结合现场业务进行评估。比如STY1484这款产品排名第一，在上市的第一天就卖断码了。需要查看是真实零售销售还是团购因素，分析中需要排除干扰。
本案例为全部产品排名，读者可设置不同切片器，查看不同品类产品的排名状况。Power BI支持图片显示，可以准备相应的图片资料，将字段设置为图像URL，畅销显示更直观，如图6所示。
以上内容选自本人著作《Power BI商业数据分析项目实战》
关键词：
