类似款到底该怎么选？

相似款分析最常见的错误，是从外观最接近的商品中挑一款，然后直接复制销量。

对新品需求预测而言，相似款不是“看起来像”的商品，而是在需求形成机制上具有可比性的历史商品。版型相似但价格带、上市时间和铺货范围不同，销量未必可比；外观存在差异，但消费场景、目标人群和商品角色一致，反而可能更有参考价值。

先明确相似款用来解决什么问题

相似款选择需要服从具体决策。预测新品总需求时，应重点比较品类、价格、波段和铺货范围；规划尺码配比时，应优先比较版型、楦型、人群和历史断码；制定首配深度时，还要考虑门店覆盖、陈列容量和补货周期。

方法一：先定义预测对象、统计周期和决策层级，再寻找相似款。

用硬条件建立候选池

先排除明显不可比的商品。鞋服品牌可从以下条件建立候选池：

• 同一品类或相近使用场景；
• 相同目标人群；
• 接近的上市季节和波段；
• 相近的吊牌价与预计成交价；
• 相似的渠道、店群和铺货规模；
• 一致或可比较的商品角色。

硬条件不宜设置过多，否则可能找不到足够样本。创新程度较高的新品，可从同子类逐级扩大到同大类、相同场景或价格带，并记录放宽了哪些条件。

再按需求驱动属性评分

候选池建立后，可对影响需求的属性设置权重：

权重不是行业标准，应通过历史回测确定。若价格变化对销量影响最大，价格带权重应更高；如果目的是预测尺码，楦型、版型和目标人群应获得更高权重。各属性需要使用统一评分尺度，权重之和保持一致，才能比较候选款。

方法二：硬条件负责排除不可比商品，评分模型负责在候选款中排序。

不要直接复制相似款累计销量

累计销量受到铺货门店数、在店天数、断货、折扣和活动资源影响。更适合比较的口径包括：

• 有货门店单店日均销量；
• 正价窗口内的销售速度；
• 有货门店动销覆盖；
• 尺码相对完整期间的销售结构；
• 扣除异常活动后的需求表现。

相似款长期断码时，应修正需求截断；依赖大幅折扣销售时，应区分正价与促销需求；新品铺货范围不同时，应按可比店群重新计算。

采用多款加权，不押注单一参照

单一相似款容易受到偶然因素影响。商品团队可选择若干高匹配历史款，按相似度、数据完整性和时间接近程度加权，形成需求区间。

相似款表现差异较大时，不宜强行取平均值。可以建立保守、中性和积极情景，再根据首批库存风险、供应弹性和销售窗口选择投入方案。

方法三：用多款加权形成预测区间，再通过新品上市数据逐步替换历史参照。

上线前做一次反向验证

品牌可用已上市商品模拟“新品”，只使用其上市前可获得的信息选择相似款，再比较预测与实际需求。如果模型总为畅销款匹配到普通款，可能缺少营销资源或商品角色字段；如果尺码预测反复失真，应检查断码修正和版型属性。

回测时不能使用新品上市后的销量、售罄等结果参与相似款选择，否则会产生信息泄漏，使历史测试看似准确，却无法在真正上市前复现。

第七在线可将商品属性、价格、波段、门店覆盖、有货销售和断码记录纳入相似款匹配，输出参照商品、匹配依据和需求建议。商品团队能够审核候选款与权重，并用上市后的实际表现继续校准。

FAQ

相似款选几款比较合适？

没有固定数量。样本应足以降低单款偶然性，同时保持业务可比性。先建立候选池，再按匹配得分和数据质量保留少量高相关商品，比机械规定数量更可靠。

去年的同款一定是最佳相似款吗？

不一定。去年同款在版型上接近，但价格、渠道、活动资源和上市时间可能已经变化。应先验证需求条件是否仍然可比，再决定其权重。