商品人基本都有一个共识：一批货卖不动，大多数时候确实是款的问题。但在实际销售中，还有一种情况经常被忽略——同一款商品，在不同门店的表现差异很大：有的店很快就断了核心尺码，有的店却一直在压库存。

 

比如，M码一早卖空，L、XL还在堆；42码不断补货，41、43却越积越多；同一款在不同区域，有的卖得很快，有的却动得很慢。这类货，很难简单归为“好卖”或“不好卖”。问题不完全在款，而在于尺码没有跟着门店人群走。

 

当尺码配比没有匹配真实人群时，就会出现一种典型现象：一边缺货，一边积压。很多时候，真正被浪费掉的，不只是滞销库存，还有那些本来可以卖，但因为尺码没配对而没卖出去的机会。

 

一、尺码管理的三重困境

 

困境一：尺码断货与积压并存

大多数零售商的尺码备货逻辑，仍然依赖「经验均码」——即参考历史平均比例分配各尺码数量。但问题在于：平均往往掩盖了真实需求，尤其是不同人群之间的差异。

以女裤为例，行业常见的尺码分布是：S/M/L/XL = 20%/35%/30%/15%。但实际操作中，只要款式稍有变化，这个比例就会明显偏掉。比如偏轻熟女风格的款式，M码可能接近甚至超过40%，而S码明显偏低。用一套通用比例去配货，结果通常都差不多：核心尺码提前卖空，非核心尺码慢慢积压。账面上看整体售罄率还可以，但拆到尺码层面，问题其实已经很明显。

 

困境二：区域差异让「经验尺码」失效

中国市场的人群结构差异，比很多品牌最初预估的要大得多。同一款商品，在不同区域的尺码分布往往是稳定偏移的：北方与南方，一线与下沉市场，甚至同城不同商圈，都会带来差异。如果全国用同一套尺码结构去备货，本质上就是用一个平均值去覆盖一组分布差异，结果自然是偏的。这类问题，通常不是门店执行问题，而是前端在分配时没有考虑人群差异。

 

困境三：尺码退换的隐性成本被低估

尺码问题带来的，不只是卖不掉。很多品牌在复盘时会发现，尺码相关的退换一直占着不小比例。但更麻烦的是，这类问题的成本不止一层——退回、复检、再上架、再分配，每一步都会增加额外消耗。还有一个更容易被忽略的点是体验。尺码不合适，用户很少会把它当作“正常情况”，更容易直接流失。

 

二、尺码优化的本质：需求预测的精细化

很多时候，尺码问题会被归结于结构偏差。但从结果往回看，更多还是对单款的需求预测拆解不到尺码。尺码这件事，本质上还是商品规划问题，只不过粒度更细。

 

传统做法一般是：历史销售占比 → 均码分配 → 全国统一备货

 

优化做法：款式预测 × 尺码结构模型 × 区域体形画像 → 差异化尺码备货

 

更有效的方式，会把尺码单独拆出来看：款式卖多少、尺码怎么分、不同区域怎么铺，这几件事本来就不是一个维度。三层预测叠加，才是完整的尺码优化逻辑。缺少任何一个环节，尺码结构就会出现偏差。

 

三、尺码优化的四个关键动作

 

动作1：建立尺码维度的历史数据基座

很多品牌不是没有数据，而是数据用不起来。

常见问题包括：SKU编码不统一、尺码字段混乱、颜色混乱、历史数据不连续。结果就是，到了分析阶段，很难把数据按尺码维度拆清楚。
所以第一步往往不是建模型，而是把基础数据先整理干净。只有“款式 × 尺码 × 区域 × 渠道”这几个维度能对齐，后面的分析才有意义。

 

动作2：提炼区域体形画像

区域差异不是感觉问题，是可以从数据里看出来的。

通过历史销售数据，基本可以沉淀出各区域相对稳定的尺码分布。但在实际操作中，还需要注意几个细节：
· 门店分层是否合理（商圈、客群、价格带）
· 数据周期是否覆盖完整销售周期
· 不同品类是否分开看

这些如果处理不好，画像本身也会有偏差。

 

动作3：季中动态调整尺码结构

尺码优化不是一次定完的事。

季中根据动销去做调拨，本身是行业里的常规动作。但真正执行起来，问题往往出在“跟不上”：
· 门店不太愿意调货
· 决策慢，错过销售窗口
· 系统和实际库存对不上

所以关键不只是“有没有数据”，而是整个组织能不能跟上节奏。

 

动作4：建立尺码效率评估体系

只看整体售罄率，很容易把问题掩盖掉。

更有参考价值的是，看不同尺码之间的差距——也就是各尺码售罄率是不是均衡。

一般会关注几类指标：
① 核心尺码有没有经常断货
② 各尺码之间的售罄差距
③ 尺码相关的退换情况
这些指标，能更直观地反映结构问题。

 

四、第七在线如何实现尺码精准优化

 

尺码这件事，方法本身不复杂，难的是在实际业务里长期稳定执行。当SKU数量、门店规模、区域差异叠加之后，单靠人工基本很难同时兼顾这么多变量。这也是为什么很多品牌会引入系统来辅助决策。

 

第七在线商品管理系统，在尺码维度主要做了三件事：

 

① 季前尺码结构规划引擎
在订货前，系统会基于历史销售，把「款式 × 尺码 × 门店 × 渠道」拆开来看，而不是只看整体销量。

实际带来的变化是：

· 不再用一套均码覆盖全国，而是不同区域有不同尺码结构
· 可以提前看到：某款在华北、华南的尺码占比差异
· 避免核心尺码一开始就配少
这一层的价值不在“算得更复杂”，而在于把原本看不见的结构差异提前暴露出来。

 

② 区域差异化配置
在实际铺货时，系统支持按区域、门店分组去做尺码分配，而不是统一比例下发。
和传统方式的区别在于：
· 不是简单“调比例”，而是结合历史动销做分配
· 可以做到同一款，在不同城市甚至不同店群，尺码结构不同
· 避免“某些门店永远缺码，某些门店一直压码”的情况反复出现
在此基础上，系统可以进一步细化到单店 × 单款色维度进行尺码配置，让尺码结构更贴近实际人群。

 

③ 季中动态调拨与追单
进入销售周期后，尺码结构一定会出现偏差，关键在于能不能及时调整。
系统会持续跟踪各区域、各尺码的动销与库存变化，帮助识别：
· 哪些尺码已经开始缺货
· 哪些尺码在局部区域出现积压
· 是否值得调拨，还是需要补单

相比人工判断，最大的差异在于：
可以在全局范围内同时看库存和需求，而不是只看单店或单区域
这一步的意义，是尽量把“已经发生的结构偏差”拉回来，而不是等到季末才暴露问题。

系统能解决的，是“算清楚”和“看得更早”；
真正把结果做出来，还需要商品、供应链和终端一起配合。
但在今天的业务复杂度下，如果没有系统做底层支撑，很多结构性问题，其实很难被真正看见。

 

【尺码优化的利润账】

 

尺码优化的投入回报是直接的：断货损失每降低1%，对应的是直接的销售增长；退货率每下降1%，对应的是运营成本的结构性节约；库存周转每加快一天，对应的是资金效率的实质提升。

 

综合来看，系统化的尺码优化能力，可帮助品牌商提升2-4个百分点的利润。这不是锦上添花，而是商品管理精细化的「基本功分红」。

写在最后

 

尺码优化不是一个新概念，但却是大多数品牌「知道但没做到」的领域。它卡的往往不是认知，而是基础能力——数据是否清晰、方法是否稳定、执行是否跟得上。

 

系统能放大这些能力，但前提是这些能力本身存在。

 

当一个品牌能够把「尺码」这个最小颗粒度的管理做到精准，它的上游供应链响应、下游客户体验、以及库存周转效率，都会随之提升。尺码，是商品管理精细化的起点。

免责声明：

本文转自 [7thonline]，版权归原作者所有。文中图片源自网络，仅为辅助说明文章观点，其版权归原作者所有。如涉及侵权，请联系我们删除。