过去三年，中国户外运动市场从”小众专业”走向”全民生活方式”。根据国家体育总局、中国纺织品商业协会户外用品分会等多方数据，户外运动用品市场规模已逼近6000亿元（含服装、鞋履、装备等品类）。骆驼、始祖鸟、北面、凯乐石、探路者等品牌梯队分化加剧，新玩家不断涌入。

 

但增长越快，商品计划的压力就越大——品类在膨胀，渠道在碎片化，价格带在两极拉开。户外品牌增长的难点，不是货够不够，而是商品组合能不能按场景、渠道、门店和价格带精准配置。

 

户外不是卖衣服，是卖场景、功能和信任

 

在谈商品组合计划之前，先理解一个根本区别：户外品牌和常规服装品牌，卖的不是同一种东西。

 

常规服装卖的是款式、搭配、潮流——消费者走进一家快时尚店，看到一件好看的外套，试了合身就买了。决策链很短，感性驱动。

 

户外品牌卖的是场景解决方案。一个人买冲锋衣，不是因为它”好看”，而是因为他周末要去郊野徒步、长假要去川西高原、或者每天骑电动车通勤需要防风防水。他的购买决策背后有一个具体的使用场景，这个场景决定了他对功能（防水指数、透气性、耐磨度）、重量、打包体积和品牌信任度的要求。

 

这意味着两件事：

 

第一，户外品牌的品类结构是按场景和功能组织的，不是按款式。 硬壳、软壳、保暖中层、速干内衣、登山鞋、越野跑鞋——这些不是”不同的款”，而是”不同的功能层级”。它们之间有明确的搭配逻辑和购买顺序：消费者通常先买硬壳，再配保暖中层，最后到鞋履和配件。

 

第二，专业线和生活方式线是完全不同的两种生意。 专业线面向核心户外玩家，决策逻辑是”功能优先、品牌信任驱动”——一次高海拔经历就会形成极强的品牌粘性。商品组合需要品类深度——一个专业线门店的登山鞋可能有8个款色，每个款色覆盖完整尺码，因为客群精准、复购集中在功能升级。

 

生活方式线面向大众消费者，决策逻辑是”设计+品牌+多场景适用”。消费者买一件北面羽绒服可能是为了城市通勤和周末轻户外，价格比专业线低，但购买频次更高、冲动性更强。商品组合需要品类宽度——款式要多、更新要快、价格带要拉得开。

 

同一个品牌旗下，专业线和生活方式线的商品组合逻辑完全不同，要求完全不同的OTB分配方式、品类结构比例和门店组合策略。 如果把两条线混在一起做计划，结果一定是两头不讨好——专业线缺深度导致核心客群流失，生活方式线缺宽度导致大众消费者觉得选择太少。

 

一个增长悖论：卖得越好，库存风险越大

 

某户外品牌2024年全渠道GMV同比增长35%，听起来很漂亮。但季末复盘时，商品总监发现三个数字同时恶化了：

• 正价售罄率从42%跌到33%——更多的货在折扣期才消化
• 库存周转天数从110天拉长到145天——钱压在仓库里的时间更长了
• 清仓出货占比从25%升到34%——正价消化能力在变弱，超过三分之一的货靠折扣出清。清仓不一定意味着亏损（成本线以下才亏损），但毛利率被严重压缩，渠道利润结构在恶化

 

销售额涨了，利润率反而跌了。原因不复杂：品牌在增长预期下大幅扩了品类宽度、加了渠道深度，但商品组合计划的能力没有跟上。户外品牌增长的难点，不是货够不够，而是商品组合能不能按场景、渠道、门店和价格带精准配置。

 

这个现象在户外品牌中并不少见。增长掩盖了计划的粗放，等到增长放缓，问题才集中暴露。

 

户外品牌的商品组合计划，为什么特别难

 

商品组合计划是什么？大多数鞋服人会说”就是选款、定量、分配门”。这个理解没错，但不够准确。

 

商品组合计划是连接”买多少”和”怎么分”的中枢环节。 它上游承接OTB（买货预算）——决定了总盘子有多大、每个品类分多少钱；下游驱动首配、补货和调拨三类执行动作。它和商品企划（决定设计什么）不是一回事，和货控执行（季中怎么管）也不是一回事。

 

具体来说，四个关键动作的职责是分开的：

• OTB：季前制定，决定买货总预算及各品类、各价格带的金额分配——是”做多大盘子”的财务框架
• 商品组合计划：在OTB框架内，决定每个渠道、每个门店放什么品类组合、什么价格带结构、什么款色深度——是”盘子里的菜怎么摆”
• 首配：上市前执行，按商品组合计划把货从总仓发到各门店——是”按方案执行配送”
• 补货和调拨：季中根据售罄情况调整——补货是”从总仓往门店追加”，调拨是”门店之间重新分配”

 

这四件事的专业逻辑不同，用同一套方法管，必然出问题。

 

对所有鞋服品牌来说，商品组合计划都不简单。但户外品牌有几个结构性特征，让难度进一步放大。

 

挑战一：场景×功能×专业度，三维交叉的品类结构

 

一个常规时装品牌的商品结构通常以品类+价格带为主轴——上衣、下装、配饰，每个品类分高中低价位。但户外品牌的品类维度是三维的：

• 按场景分：高山攀登、徒步越野、露营休闲、城市通勤——同一品牌覆盖四个场景，每个场景需要完整的品类组合
• 按功能分：硬壳冲锋衣、软壳外套、保暖中层、速干内衣、登山鞋、越野跑鞋——功能层级决定搭配逻辑和连带率
• 按专业度分：专业线（核心玩家）和生活方式线（大众消费者）——两条线的选款逻辑、深度策略、价格结构、渠道偏好完全不同

 

三个维度一交叉，商品组合计划的复杂度就不是”每个门店配什么款”，而是”专业店需要多少登山鞋款色深度、生活方式店需要多少软壳款色宽度、电商主力价格带应该切在哪一段”。维度一多，传统的Excel+经验判断就失控。

 

挑战二：哑铃型价格带，OTB分配两头难

 

户外市场呈现明显的”哑铃型”增长特征：一头是300-500元的大众价格带，靠性价比和渠道渗透走量；另一头是2000元以上的高端市场（专业硬壳冲锋衣单件动辄3000-8000元），增速显著。

 

对品牌方来说，OTB分配变得更加纠结：

• 高端线毛利高，但产品往往涉及GORE-TEX、Pertex等认证面料和专业供应链，前置周期长、MOQ门槛高，快反追单窗口很窄——这意味着首单判断一旦偏差，补货空间非常有限
• 大众线走量大但毛利薄，首单量判断失误的代价是绝对金额——不是毛利低的问题，是直接压资金
• 中间价格带（500-2000元）最难做——上挤下压，消费者选择余地大，需要更精准的品类宽度来支撑差异化

 

项目经验显示，不少户外品牌在OTB分配上仍依赖”去年占比微调”的方式。但在哑铃型市场结构下，去年的比例今年很可能已经完全不适用了。

 

挑战三：渠道碎片化，同一个款在不同渠道是完全不同的生意

 

户外品牌的渠道结构比常规鞋服更零散：

• 专业户外店：客单价高，专业线为主，客群精准，坪效依赖品类深度而非款色宽度
• 商场专柜/旗舰店：生活方式线占比高，形象款引流、流量款转化，选款逻辑更接近时装品牌
• 电商平台：价格带跨度大，需要兼顾搜索流量和转化效率，爆款集中度高
• 直播/私域：爆款驱动，库存深度要求集中，退货率偏高
• 加盟体系：加盟商订货能力参差不齐，总部需要提供数据化订货建议

 

同一个冲锋衣款色，在专业户外店是利润款（深度备货），在商场专柜是形象款（少量陈列引流），在直播间是爆款（集中库存冲量）。如果商品组合计划没有按渠道维度做差异化，就会出现”专业店缺深度、商场店缺宽度、直播间缺爆款、加盟商缺方向”的全面失配。

 

挑战四：增长压力下的款色膨胀

 

增长预期高的时候，品牌最容易犯的错误是：用加款来对冲不确定性。

 

“多上一些款，总会有几个跑出来。”这个逻辑短期内看似合理，但后果严重：

• 款色宽度膨胀，单个款色的平均深度被稀释，规模效应下降
• 门店陈列压力增大，款色码数量超出陈列容量，陈列资源被稀释，核心款色的曝光度下降
• 首配复杂度指数级上升——款色从200涨到400，首配决策量不是翻倍，而是翻好几倍
• 季末复盘困难——款色太多，根本分不清哪些是计划失误、哪些是市场变化

 

款色膨胀的根源不是”不懂得控制”，而是缺乏数据支撑的品类宽度决策机制。该上多少款、该砍多少款、每个品类该保多大宽度——这些问题靠经验拍，增长期一定失控。

 

传统方法为什么撑不住

 

绝大多数户外品牌的商品计划流程是：

1. 商品企划出季节主题和品类框架
2. 商品部根据历史销售和增长目标，在Excel里做OTB分配和商品组合计划
3. 订货会上，总部和加盟商（或区域经理）一起确认选款和定量
4. 上市后，货控团队跟售罄率，做补货和调拨

 

这个流程在品类少、渠道单一、增长稳定的年代够用。但在户外品牌当前环境下，它有三个结构性短板：

 

第一，计划周期长，响应慢。 商品计划提前6-12个月制定，但户外市场趋势变化远超计划周期。去年冲锋衣卖得好，不代表今年同价位同功能的产品还能卖同样多——竞争格局变了，消费者偏好也变了。

 

第二，维度太多，Excel算不过来。 当场景×功能×专业度×价格带×渠道×门店×季节的交叉维度超过一定数量，Excel模型要么过度简化（丢失关键维度），要么过度复杂（维护成本极高且容易出错）。更关键的是，Excel是静态的——它不能根据实时销售数据动态修正。

 

第三，计划与执行脱节。 订货会上的计划到上市执行阶段往往已经偏离。很多品牌缺乏从”计划→执行→反馈→修正”的闭环，计划做完就放在抽屉里，季末才拿出来对账。

 

AI如何重构商品组合计划

 

AI不是替代商品团队的判断，而是把商品组合计划从”季前定方案、季中靠经验调”的静态过程，转变为”持续监控、动态推演、生成建议”的动态过程。

 

在四个维度上，AI可以提供关键支撑。

 

维度一：品类结构的数据化推演

 

传统的品类结构设计依赖商品企划的经验判断：”今年冲锋衣占比多少、徒步鞋占比多少、露营装备占比多少。”这个判断重要，但缺少数据验证。

 

AI可以做的事情是：基于历史销售数据、品类间关联关系（买了冲锋衣的人还买了什么）、渠道差异、区域差异和趋势因子，对品类结构方案做数据化推演和验证。不是说AI来定品类结构，而是AI帮你回答”如果按这个结构走，在不同市场情景下，正价售罄率、库存周转和毛利率大概是什么水平”。

 

在部分品牌实践中，引入数据化品类推演后，品类结构的合理性显著提升——不是靠多上款对冲风险，而是靠精准的品类配比降低不确定性。

 

维度二：门店级商品组合评分

 

这是商品组合计划中最核心、也最容易被忽视的环节。

 

很多品牌做到”渠道级”或”门店群级”的商品组合就觉得够了。但户外品牌的门店差异极大——一家开在三里屯的生活方式门店和一家开在成都的专业户外店，品类结构、价格带重心、主推场景完全不同。

 

AI的做法是：在历史销售数据充足的前提下，为每个门店的每个款色生成销售潜力评分。 得分高的款色，在对应门店加大配货深度；得分低的，减少甚至不配。评分基于门店历史表现、相似门店表现、区域消费特征、季节因子等多维度数据综合计算。

 

这里需要说明一个边界：新品和没有历史数据的新开门店，AI的评分能力受限于数据基础。 对于全新款色，系统可以借助相似款的历史表现和品类特征做参考推演，但准确性显著低于有销售历史的成熟款色。这是AI不是”万能的”的真实边界——前期越依赖人的经验判断，后期数据积累起来后AI的辅助价值越大。

 

在项目经验中，部分品牌通过门店级商品组合评分，将首配有效销售占比提升到了较高水平——大部分销售来自精准的首配，而不是靠季中大量调拨和补货来弥补。

 

维度三：多版本沙盘模拟

 

订货会前，商品团队通常需要准备几个版本的计划方案——保守版、标准版、激进版。用Excel做三个版本已经够头疼了，更不用说十几个。

 

AI可以做的事情是：在数据打通、规则建模清晰的前提下，快速生成多个计划版本的沙盘推演结果。 每个版本的OTB分配、品类结构、首单比例、价格带布局不同，AI推演出对应的售罄率、库存周转、毛利率预期，供商品团队比较和选择。

 

这不是AI替你做决定，而是AI帮你把”如果这样，会怎样”的问题回答得更充分。商品团队看到多版本推演结果后，结合自己的经验判断和市场洞察，做出最终决策。

 

维度四：动态校准与持续监控

 

计划做完不是终点，而是起点。

 

上市后，AI系统可以根据POS数据的T+1刷新，持续监控每个款色、每个门店、每个渠道的售罄节奏。当某个款色的实际销售偏离预期阈值时，系统主动预警，并生成建议——比如某个户外门店的M码冲锋衣按当前速度还有约6天断货，建议本周补货，前提是该款色在可调拨门店有足够库存且调拨成本合理。

 

这里需要特别说明：AI做的是预测、预警和建议，最终的补货、调拨和降价决策仍然是商品团队来拍板。 系统的价值不在于”替你决策”，而在于”让你比以前更早看到问题、更清楚地知道有哪些选项”。

 

AI生效的前提

 

把AI引入商品组合计划，不是装一套系统就能跑起来。项目经验显示，以下四个前提条件缺一不可：

1. 数据打通。POS、ERP、WMS、财务系统的数据需要T+1贯通，口径一致。如果各系统数据对不上——POS说卖了100件，ERP说出库了80件——AI推演的准确性无从谈起。这是最基础也最耗时的工程。
2. 规则建模。首单比例的上下限、可销周数的安全线、补货触发条件、调拨成本阈值、品类间的关联规则——这些业务规则必须在AI运行前定义清楚。AI在规则框架内做推演，不是无边界地”自由发挥”。规则越清晰，建议越有参考价值。
3. 权限机制。哪些AI建议是通知级（仅告知，不要求行动），哪些是确认级（需人确认后执行），哪些是建议级（仅供参考，由商品团队自行决定是否采纳）——这个分层权限机制必须在系统设计阶段明确。没有权限边界的AI，要么形同虚设，要么越权干预。
4. 业务闭环。AI生成建议→商品团队判断→执行落地→结果数据回流→AI模型自优化。这四个环节必须形成闭环。如果建议生成了但没人看、执行了但结果不回流、数据回流了但模型不更新——系统最终会退化成一个”昂贵的消息推送器”。

从”铺货”到”铺对货”

 

户外品牌的高速增长期，是建立商品计划体系最好的窗口。增长能容错，但也容易掩盖问题。等到增长放缓再来补课，库存包袱已经背上了。

 

回到那个增长35%但利润率反降的案例——问题的根源不在市场，不在渠道，而在商品组合计划的颗粒度不够细。品类结构没有按场景和渠道做差异化，门店组合没有做到款色级评分，首单比例靠经验拍而不是数据推演，季中调整靠人跑而不是系统预警。

 

户外品牌增长的难点，不是货够不够，而是商品组合能不能按场景、渠道、门店和价格带精准配置。 精准配置的前提，是理解户外不是在卖衣服——它卖的是场景解决方案、功能满足和品牌信任。专业线和生活方式线需要完全不同的商品组合策略，OTB、首配、补货和调拨四件事各有各的逻辑，不能一把抓。

 

当然，AI不是万能的。新品冷启动期间、数据积累不足的阶段，人的经验判断仍然不可替代。AI的价值在于——一旦数据地基搭好，商品团队获得的不是一套工具，而是一种全新的工作方式：从”事后反应”到”持续监控、动态推演、提前决策”。

 

户外赛道的竞争正在从”谁抢到更多点位”转向”谁的货品组合更精准”。这场竞争的胜负，不在门店数量上，而在商品组合计划的颗粒度上。

 

本文为第七在线商品经营知识体系系列文章之一。第七在线专注鞋服零售商品管理26年，通过AI+BI+SaaS平台，为品牌提供从商品计划、商品组合计划到配补调的全链路智能决策支撑。关注我们，获取更多鞋服商品经营方法论与AI实践洞察。

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。