品类管理和品类分析都要首先解决一个问题——哪些单品是重要的？然后才能进行下一步工作。在汽车后市场里，采购零部件之前，分析一个品类中哪些型号是重点型号非常重要。以下结合工作中的实例，分享一下车后市场选品的思路。
在本例中，我们要处理的是一个有3700多个型号的品类，我们拥有这些型号的年销量、价格、退货率、产品生命周期和毛利率等数据。需要识别出其中的重点型号，进行技术验证，以确保尽快上架销售。
划定分析范围——“主要型号”
首先我们对这3700个型号进行一次初筛，分析各型号年销量的直方图可知有大量型号的年销量是少于100个的。这里面有些是实际销量不佳，有些是特殊情况导致的伪数据。无论怎样，这些型号都不具备分析的价值。所以先筛去年销量小于100的型号，此时剩下672个型号，我们可以定义这些型号为“主要型号”。后续所有的运算和分析都将在“主要型号”的范畴内进行。对于年销售量小于100的型号我们将会留在最后做特别的处理，或者不处理。
由于资源限制，我们一次无法完成过多型号的技术验证，估计一次可以完成250个型号。据此限制我们计划将3700度个型号分为四个大阶段：
- 第一阶段，解决重点型号，确保规避到绝大多数的风险。验证数量控制在250~300个之间。
- 第二和第三阶段，每次验证250个左右。
- 第四阶段，大约还有3000个非常次要的型号。由于主要风险已经控制住，此时可以将这些型号划分为十几个小阶段，用较长的时间解决。也可以豁免一部分型号的验证，或者采用比较便利的手法（例如图纸和照片对照）进行验证。这一阶段的型号影响和风险很低，可以便宜从事。
按照以上计划，做饼图试算。可以看到第一阶段可以覆盖76%的型号，第二阶段可以覆盖12%的型号。则两次技术验证之后，近90%的销量都可以被覆盖。所以上述计划基本是合理的。
合理缩小了分析范围之后，我们就可以在这些“主要型号”中按指标重要性依次展开筛选分析。
第一步 定大局——按销量筛选
首先，计算出“主要型号”销量的平均值和中值。一般来说，销量从高到低会呈现为一个下凹的指数函数曲线，各个单品销量的平均值应该大于中值，平均值与中值的差值越大，则型号销量的二八分化（即帕累托分布）越明显，也就暗示着我们将资源集中在少部分型号上即可覆盖大部分销量。本例中的平均值是中值的两倍多（如下图），所以我们先考虑如果选择年销量大于平均值的“主要型号”结果会怎么样。如图，年销量大于892的单品有169个，只占672个“主要型号”的四分之一。但是其总销量却占了“主要型号”的73%，即使放到所有3700多个型号的品类总销量中去看，也可以占到67%。考虑到希望每次验证的型号数不超过250个，我们可以在第一阶段验证前169个，在第二阶段再验证到第337个，则两次可以覆盖近90%的“主要型号”销量。
第二步 擒贼王——按照退货率筛选
退货率是产品质量的重要指标，虽然有些退货原因与质量关联不大，但统计学上这些因素并不会影响指标的相对真实性。在零售业，退货基本上时无法避免的，退货率相对高的单品可以被认为其质量或设计存在问题，所以在车后市场零部件技术验证时要优先验证那些退货率相对高的型号。
计算并对比“主要型号“退货率的平均值、中值及其分布范围，我们发现，数据中应该包含有极少数高退货率的型号，大部分型号的退货率应该比较低。对于退货率，我认为不应该设定一个绝对的值去区分好与不好，而是应该定义一个动态调整的年度KPI去不断管控，所以不同公司，不同产品，不同时间，对于退货率高或低的判定标准都应该是变化的，所以这里我们也没有一个设定好的“阈值”来帮我们筛选单品。一般来说，像这种没有标准值的情况下，我们可以借助二阶导数法确定退货率曲线的拐点，也可以使用一种更加简便的方法——拍脑袋。当然，拍脑袋也不能盲目地拍，而是要尽可能地用可靠的方法缩小结果的范围，当这个范围缩小到无论选择区域内哪个值，最终结果都相差不多时，我们就可以“拍脑袋”在这个范围内任选一个了。
我们将“主要型号”按退货率从高到低一字排开，得到一个头部有尖峰、后续平缓下降的曲线，鉴于图形后半部分非常平缓，差别不大，我们放大曲线，只观察其头部部分。我们发现曲线有意义的转折，即“拐点”出现在10%-5%的区间上，而从第二十几个型号开始，退货率就都小于5%。我们试算一下，如果设定筛选条件为退货率大于5%，发现只有19个型号符合条件，加入验证清单后工作量增加的不多，所以在10-5%的区间上我们取较为严格的5%作为筛选阈值。且基于我们对这一类产品的了解，5%是比较能被接受的退货率水平。基于以上几个判断，我们最终确定退货率筛选条件为5%。这样既能覆盖高退货率的型号，工作量也适宜。
第三步 募精英——按照价格筛选
高价单品往往有更好的毛利率，更高的坪销。同时对于同类产品中较高价格的单品，消费者对其性能和质量也往往有更高的心理期待。也即一旦此类产品发生问题，对品牌的形象和盈利都会造成更大的损失。
价格带分析是常用的零售分析方法。我们这次在其上增加一项“价格区间的型号数量”来帮助我们筛选需要进入验证名单的型号。按价格带分析方法，将价格划分为数个区间，统计各个价位上的销量和单品数量，发现销量与价格的乖离率很低，价格均值与加权均值的差值不大也体现出这一点，大部分单品的价格和销量集中在5-15元之间，这一点与平均值基本一致。所以本品类中高价产品不多，集中在15元以上。考虑到工作量的关系，我们最后选择20元以上作为筛选条件，筛选出19个型号进入第一阶段验证清单。
第四步 养人才——按照产品生命周期(PLC)筛选
产品生命周期(PLC)是汽车零配件非常重要的市场属性，因为一个零配件的市场容量是由存量车辆数量决定的。在新车刚刚推向市场时，相关零配件的销售开始出现，当此车型销售达到峰值之后，各种零部件也将陆续迎来其销售顶点，而随着存量车逐渐被报废淘汰，相关零配件的销售也会逐渐萎缩消失。按此顺序可将汽车配件的生命周期划分为数个阶段，我比较习惯划分为6个阶段。一般来说，对于处在产品生命周期早期阶段而且其未来潜力很大的型号，我们希望优先进行技术验证，以免影响销售。对于型号的发展潜力，并没有固定的模型来测定，大多数情况下只能基于市场分析做出判断。
在本例中，PLC=3-4-5中较为重要的单品应该已经被销量筛选和退货筛选过程覆盖住，没有处在PLC=1的型号，PLC=2的型号有43个，则我们先考虑在这43个型号中根据相关车型近期的销售情况，选出5个比较有潜力的型号。
朋友们可以自己尝试将单品的市场潜力分析结果融合到这个过程中来。关于如何划分零部件的生命周期，以后再另写文章介绍。
第五步 不拘一格——使用其他指标查缺补漏
最后，我们在选择“重要单品”的时候，还应该考虑更多的因素，例如毛利，浏览量，周转率，转化率。以毛利举例来说，毛利能够体现一个单品对整个品类的贡献，虽然上述的四个过程基本可以覆盖大部分高毛利单品，但不排除有漏网之鱼。所以需要将毛利非常高的单品复核一遍。
将各个单品的毛利率从大到小排列成图，可见毛利曲线的“拐点”在55%-53%之间，由于只需要筛选毛利特别高的单品，所以条件向上靠拢取55%。此时有56个单品符合条件，其中大部分应该已经包含在前面销量和价格筛选出的清单中。
综上所述，我们首先按年销量有效缩小了分析的范围，然后按年销量筛选出了大部分重要单品。随后依次补充了高退货率的单品，高价单品，高潜力单品和高毛利单品。最终经过交叉计算，满足以上筛选条件的型号共有263个，第一阶段验证的型号可以覆盖89%销量，在工作量（即一次验证250-300个单品）范围内，可以顺利完成。
