当店铺只有8个商品时，可以在Excel中进行分类，并凭“感觉”解决任何问题。当商品达到30个时，直觉开始出现偏差；而当达到100个时，直觉甚至会带来风险：哪些商品该保留、哪些该下架、广告预算该投向何处——所有这些问题都无法再得到明确的答案。ABC和XYZ方法则能给出量化答案。 这一方法历史悠久，已有100多年，但在2026年，它依然是电商卖家优化商品结构的主要工具。
让我们分步解析：数据、公式、9大类别的汇总表、针对每类商品的决策以及重新计算的频率。
为何需要分析
这是对同一店铺的两个独立维度。第一个回答“每件商品能带来多少收益”，第二个回答“这些收益有多稳定”。单独来看，两者都有用；结合起来，则能呈现全貌。
- 缺乏ABC分析。卖家对占销售额25%的旗舰商品与仅占0.3%的商品投入同等关注。广告资源被分散，商品详情页更新按顺序进行，核心商品因缺乏聚焦而受损。
- 缺乏XYZ。补货计划基于周期平均值，未考虑波动。季节性商品在销售高峰期缺货，淡季又滞留在仓库。FBO的仓储成本蚕食利润。
- 结合两种方法。每个品类有两个坐标：对营业额的贡献（A、B、C）和可预测性（X、Y、Z）。关于广告、供货、停产的决策基于具体的象限，而非凭感觉。
通过定期年度核算，商店能将平均利润率提升15%-30%，因为C类商品不再拖累预算，而顶级品类的广告则发挥了最大效用。关于结构管理的更多细节请参见产品组合矩阵，财务方面则在单位经济中进行了详细解析。
ABC：帕累托法则
该方法基于维尔弗雷多·帕累托的观察：20%的原因产生80%的结果。在卖家的产品线中，这一法则几乎总是成立：少数商品贡献了绝大多数的销售额。其余商品要么追赶，要么拖累整体表现。
- A类。排名前20%的商品，贡献了店铺80%的销售额。这些是旗舰商品和主力商品的一部分。首要原则：未经测算切勿调整。任何图片、描述或价格的修改都必须经过测试，因为一个失误就可能导致半个月的收入蒸发。
- B类。占30%的商品，贡献15%的营业额。属于稳定的主力商品。这是进行实验的区域：尝试新的商品图片角度、A/B测试、广告形式。如果实验在此取得成功，就会将其推广到A类。
- C类。剩余50%的商品，各占5%的份额。待评估候选商品。部分商品将归档，部分尝试通过降价或促销提升销量，部分在优化商品详情页后转为主力商品。
80/15/5的标准划分适用于大多数卖家。 对于垂直类卖家（单一品牌、单一产品线），分配比例通常为70/20/10。而对于“家居全品类”综合店铺，该比例接近90/8/2，这表明收入高度集中于少数几款旗舰商品，且C类商品中存在大量“冗余库存”。
如何计算ABC
对于不超过200个SKU的产品线，计算耗时15-30分钟。可在Excel或Google Sheets中完成，无需专用工具。
- 步骤1. 从各电商平台的后台导出过去30-90天的销售额数据。数据列包括：商品编号、商品名称、卢布金额。若在多个平台销售，需将同一商品编号的销售额合并计算。
- 步骤2. 按降序排序。销量最高的商品排在最前面。
- 步骤3. “占比（%）”列：将该行的销售额除以店铺总销售额，再乘以100。
- 步骤 4. “累计占比”列：第一行等于其自身值，后续每行均累加前几行的占比。
- 步骤 5. A 类包含累计占比不超过 80% 的所有商品。B 类为 80% 至 95%。C 类为 95% 至 100%。
示例。一家拥有50个商品编码的商店，60天总营业额为4 200 000 ₽。 经过分类和累计计算后发现：9个品项累计占比为80.2%（即A类），接下来的14个品项累计占比为95.1%（即B类），剩余的27个品项累计占比为100%（即C类）。 最终比例为A类18%、B类28%、C类54%，这接近经典的20/30/50比例。
如果最高类别中出现单个商品份额超过30%，这表明对单一商品的依赖度过高。一旦发生供货中断、负面评价或下架，整个店铺都将遭受重创。此时，在应用该方法的同时，必须寻找替代品，或加速在同一细分市场推出新商品。
XYZ：需求稳定性
第一种方法关注“数量”，第二种关注“稳定性”。计算基于该期间的销售变异系数。
- X类。变异系数≤10%。每周销量保持平稳。需求可预测，按平均值规划供货。此类商品为日常用品：家居用品、消耗品、中性色基础款服装。
- 类别Y。系数10%-25%。波动适中。包括季节性商品及受广告热潮影响的品类。在销售高峰期，供货需准备相当于平均值1.5-2倍的库存。
- Z类。系数超过25%。销量不可预测。包括热门商品、潮流单品以及处于市场试水阶段的新品。几乎无法进行供货规划，缺货和库存积压的风险很高。
对于2026年的电商平台卖家，典型分布为：15-25%的品类属于X类，40-55%属于Y类，25-40%属于Z类。Z类占比高通常见于季节性服装、配饰及礼品类。 而拥有多年产品线的成熟品牌，Z类商品占比通常较低（低于15%）。
如何计算XYZ
该计算比前一种更复杂，因为需要8-12周的按周数据。仅截取一个周期的数据无法有效计算：变异系数需要一系列观测数据。
- 步骤1. 导出按周细分的实物销量报告。至少8周，最佳为12周。列名：商品编号、w1、w2、...、w12。
- 步骤2. 计算每行数据在该时段内的平均值。Excel公式
=AVERAGE(B2:M2). - 步骤 3. 计算同一行数据的均方差：
=STDEV(B2:M2). - 步骤 4. 变异系数 = 标准差除以平均值，再乘以 100。公式：
=STDEV(B2:M2)/AVERAGE(B2:M2)*100. - 步骤 5. 分类 X 对应 10% 以下，Y 对应 10% 至 25%，Z 对应 25% 以上。字母列使用 IF 函数填充。
示例。某商品周一的销量分别为12、14、11、13、12、14、13、12件。平均值为12.6，标准差为1.06，变异系数为8.4%。这属于X类，需求稳定。
另一项数据：5、30、8、12、4、25、7、18。平均值为13.6，标准差为9.8，波动率为72%。这是Z型，销售额波动幅度超过平均值的3倍。 库存规划较为困难，建议采用小批量供货。关于该方法与供货的关联，请参阅需求预测的相关资料。
9组矩阵
将两种方法结合，形成3×3的矩阵，包含九种组合。每种组合都有其对应的策略。
- AX。高周转率且稳定。理想商品。保持30-45天的安全库存，广告投入保持恒定。
- AY. 高周转率，季节性。提前为高峰期做准备：在旺季前4-6周安排供货，在需求启动前两周提高预算。
- AZ. 顶尖周转率，不稳定性。最危险的组合。一次供货中断或一波负面评价就可能让一半收入归零。需紧急寻找备选方案或实现产品线多元化。
- BX。中等周转率，稳定性高。作为主力产品，用于测试新的广告形式和商品详情页更新。
- BY。中等销量，波动适中。产品线的主力军，需要定期关注并进行季节性价格调整。
- BZ. 中等周转率，不可预测。需优化或下架的候选商品。需经过2-3个季度的观察后做出决策。
- CX。低销量，稳定性强。通常是主商品的“耗材”或配套产品。保留这些商品有助于提高平均客单价。
- CY. 低周转率，波动适中。需分析其增长潜力：若在旺季出现强劲销售高峰，可通过广告将其提升至B类。
- CZ. 低周转率，不稳定。首批待下架候选商品。存放在FBO会蚕食利润率，广告投入无法收回成本，更新商品卡片毫无意义。
现实目标：60-70%的销售额应集中在AX、AY、BX类别。这意味着店铺运营可预测，供货可规划，广告预算能产生明确成效。若该比例低于50%，则商品线中Z类商品占比过高，需进行清理。
按商品组分类的解决方案
针对每种组合的现成操作规则，按优先级汇总。
- 广告。主要预算分配给AX和BX。AY和BY在旺季前增加投入。AZ需要单独的预算用于测试和寻找稳定的销售渠道。底层（C）不投放广告，除非是单次促销活动。
- 供货。AX和BX按平均销量加20%的保险库存。AY和BY按季节性公式计算，并预测峰值。AZ按小批量发货，保持2-3周库存。底层（C）按实际需求：仅当库存接近零且可见稳定需求时补货。
- 价格。顶部行未经A/B测试前不得调整。B类可测试5-15%的季节性折扣。C类允许进行20-40%的激进清仓促销以消化库存。
- 商品详情页。AX和AY至少每季度更新一次：更换主图、增加多角度展示、更新产品参数。B类每半年更新一次。C类仅在升级至更高层级或准备清仓时更新。
- 产品下架。CZ类商品优先下架，BZ类商品在观察2-3个季度后下架，CY类商品若具备季节性潜力则保留。
这些规则并非教条。处于更新速度较快的细分市场（电子产品、时尚）的店铺，可能比处于稳定细分市场（家居用品、工具）的店铺更快下架C类商品。但方向是一致的：关注度和预算流向网格的左上角，商品流出则来自右下角。
数据来源
三大平台均在卖家后台提供数据源，无需额外软件。
- Wildberries。进入“分析”板块，查看“销售”报告。可按选定时间段导出Excel数据，并按商品编码分类。第二种方法需选择不少于12周的时间段，并按周进行分组。
- Ozon。进入“分析”栏目，选择“订单”报告。采用类似的导出方式，通过时间段筛选并按商品编号分组。若需按周细分，请使用按天细分的详细报告，随后将其折叠汇总。
- Yandex Market。进入“分析”栏目，选择“销售”报表。导出结构类似的Excel文件。计算营业额时需将数量乘以销售单价，因为原始报表中通常仅显示件数。
如果店铺在两个或三个平台上运营，则每个平台需分别计算数据。仅在公司层面的总体分析中合并不同渠道的数据才有意义；而在商品卡片管理方面，每个平台需单独分析：由于受众群体和排序逻辑不同，同一商品在某个平台可能是AX，而在另一个平台同一商品编号却可能是CY。 关于启动阶段的渠道筛选与对比，详见 WB 和 Ozon 的对比分析。
常见错误与频率
卖家在分析中容易陷入的典型误区。
- 周期过短。仅计算10天会因广告投放高峰导致数据呈现随机截面。第一种方法至少需30天，第二种方法至少需8周。
- 忽视季节性因素。若计算周期恰逢促销活动（黑色星期五、双11），会扭曲整体数据。建议选择促销活动之间的间隔期，或覆盖完整的季节性周期。
- 仅按件数分析。按件数排序不等同于按销售额排序。廉价配件每月销量100件，但贡献率仅2%；而昂贵的旗舰产品虽仅售出30件，却贡献了25%的销售额。计算时应始终以销售额为基准。
- 单一商品占据顶级品类。如果数据表显示某款SKU贡献了35%的销售额，这并非值得庆贺的理由。这实为风险因素：一旦该商品断货，将导致店铺业绩崩盘。需紧急寻找替代品。
- 忽视毛利率。某商品虽在销售额榜单中名列前茅，但在扣除佣金和物流成本后仍可能亏损。计算完成后务必核对每项商品的毛利率。
- 仅每年核算一次。产品线变化速度远快于此。对于活跃店铺，至少应每季度核算一次，最佳频率为每月一次。
重新核算的频率取决于产品线规模和变化速度。30个以下商品，季度审核即可。30至100个商品，建议每月审核。 超过100个SKU时，每周对前15名进行核算，每月核算完整商品矩阵。每次大型促销活动（黑色星期五、新年大促）结束后，应在活动结束2-3周内进行一次计划外核算，因为促销后的商品构成往往发生变化。
检查清单
十项设置与执行要点。
- 数据周期已确定：按销售额计算为30-90天，按件数计算为8-12周。
- 从各平台后台导出按商品分类的销售额报告。
- 按降序排序，计算累计份额。
- 商品分类为A类（80%以下）、B类（80%-95%）、C类（95%-100%）。
- 导出了8-12周内按周统计的按件销售报告。
- 已针对每行计算变异系数。
- 商品分类为X（低于10%）、Y（10%-25%）、Z（高于25%）。
- 每个商品编码被分配了一组由9个单元格组成的组合：AX、AY、AZ、BX、BY、BZ、CX、CY、CZ。
- 已识别潜在风险：顶部存在单一商品，Z类商品在周转率中所占比例过高。
- 针对每个单元格制定了具体方案：广告、供货、定价、商品卡片更新、退出产品线。
定期重新计算将产品线管理从“凭直觉”模式转变为“数据驱动”模式。在一年内，这将体现在平均毛利率、库存周转率的提升以及仓储成本的降低上。 核心效益：预算和精力不再分散，而是集中于真正能带来成效的商品。首次实施所需的一周时间，将在1-2个月内通过节省的广告预算和清空的冗余库存得到回报。
想要针对您的货架布局进行个性化分析，并针对每个货架单元获得解决方案吗？请提交审核申请，我们将为您提供针对您产品线的下一步建议。