shopee选品公式

下面给你一个直接可用的“Shopee 选品公式”，聚焦六大维度的加权评分，并给出在 Excel/Sheets 中的实现思路与公式示例，便于按表格自动计算并筛选优SKU。

一、核心公式（加权求和）

final_score = 0.30demand_norm + 0.15momentum_norm + 0.25margin_norm + 0.15quality_norm + 0.10compliance_norm + 0.10supply_norm

demand_norm、momentum_norm、margin_norm、quality_norm、compliance_norm、supply_norm 都是各维度的归一化分值，范围在0–1之间。

归一化方法有两种，推荐简单易用的 Min-Max 归一化：

某维度的 norm = (value - min_value) / (max_value - min_value)

其中 min_value、max_value 是该维度在当前数据集中的最小值和最大值。

二、六大维度及归一化要点

- Demand（需求信号）0.30权重

- 数据源示例：站内热销/新番榜、收藏/转化信号、外部趋势（站外热度）等的综合评分，归一化后使用。

- Momentum（动量）0.15权重

- 数据源示例：最近7–14天的销售增速、最近新增收藏/加购的变化率等，归一化后使用。

- Margin（毛利潜力）0.25权重

- 计算方式：毛利率 = (list_price - cost_price) / list_price，或按利润/售价比率的归一化值。

- Quality（Listing 质量信号）0.15权重

- 数据源示例：标题长度、描述完整性、要点数量、主图质量、图片数量等的综合评分，归一化后使用。

- Compliance（合规与风险）0.10权重

- 数据源示例：品牌授权状态、商标/版权风险、区域法规限制等，越高越安全，归一化后使用。

- Supply（供应稳定性）0.10权重

- 数据源示例：MOQ、Lead Time、现货/备货情况、是否多源供应，归一化后使用。

三、在表格中的实现模板（Excel/Sheets 逐步）

1) 数据列示例（假设在 A–G 列有原始分值）

- A列：SKU

- B列：demand_raw（0–100）

- C列：momentum_raw（0–100）

- D列：margin_raw（0–100，表示毛利的百分比乘100，如 25% -> 25）

- E列：quality_raw（0–100）

- F列：compliance_raw（0–100）

- G列：supply_raw（0–100）

2) 归一化计算（Min-Max 归一化，放在对应列）

- H列：demand_norm = (B2 - MIN($B$2:$B$100)) / (MAX($B$2:$B$100) - MIN($B$2:$B$100))

- I列：momentum_norm = (C2 - MIN($C$2:$C$100)) / (MAX($C$2:$C$100) - MIN($C$2:$C$100))

- J列：margin_norm = (D2 - MIN($D$2:$D$100)) / (MAX($D$2:$D$100) - MIN($D$2:$D$100))

- K列：quality_norm = (E2 - MIN($E$2:$E$100)) / (MAX($E$2:$E$100) - MIN($E$2:$E$100))

- L列：compliance_norm = (F2 - MIN($F$2:$F$100)) / (MAX($F$2:$F$100) - MIN($F$2:$F$100))

- M列：supply_norm = (G2 - MIN($G$2:$G$100)) / (MAX($G$2:$G$100) - MIN($G$2:$G$100))

3) 最终得分与决策

- N列：final_score

- N2 = 0.30H2 + 0.15I2 + 0.25J2 + 0.15K2 + 0.10L2 + 0.10M2

- O列：Decision

- O2 = IF(N2 >= 0.60, "SELECT", "REVIEW")

4) 复制填充

- 将上述公式向下填充到所有 SKU 行，即可得到每个 SKU 的最终分值和初步筛选结果。

四、实际使用的注意点

- 数据范围要统一：MIN()/MAX() 的范围应覆盖当前正在分析的 SKU 集合，必要时用动态命名区域或表格引用（如使用 Excel 的表格功能）。

- 分值的单位一致性：确保六个原始分值都以同一尺度（如 0–100），便于后续归一化。

- 权重可按品类调整：服装类可能更看重 Margin 与 Quality，家居类可能对 Supply 与 Compliance 更敏感，按品类调整权重更贴合实际。

- 阈值可调整：初期 0.60 作为进入测试的门槛，后续可根据数据反馈调整到 0.65–0.70，或改成分位数筛选（例如前 20%）。

- 额外策略：可以把 final_score 与历史转化率、点击率等数据结合成综合 KPI，用于更稳健的决策。

五、一个简化的示例（假设归一化值已给出）

- SKU A：demand_norm=0.75、momentum_norm=0.60、margin_norm=0.70、quality_norm=0.85、compliance_norm=0.90、supply_norm=0.80

- final_score = 0.300.75 + 0.150.60 + 0.250.70 + 0.150.85 + 0.100.90 + 0.100.80

- = 0.225 + 0.090 + 0.175 + 0.1275 + 0.09 + 0.08

- = 0.7875

- 结论：SELECT

- SKU B：demand_norm=0.40、momentum_norm=0.50、margin_norm=0.55、quality_norm=0.60、compliance_norm=0.70、supply_norm=0.65

- final_score ≈ 0.300.40 + 0.150.50 + 0.250.55 + 0.150.60 + 0.100.70 + 0.100.65

- ≈ 0.12 + 0.075 + 0.1375 + 0.09 + 0.07 + 0.065

- ≈ 0.5575

- 结论：REVIEW

六、进阶变体

- 动态权重：根据品类或阶段调整权重，例如新上新阶段提高 Momentum 与 Demand 权重，成熟阶段提高 Margin 与 Quality 权重。

- 风险调整：在 final_score 基础上扣减一个风险系数，例如 final_score_adjusted = max(0, final_score - risk_penalty)。风险点可以来自版权、区域法规等。

- 采用分位排名代替绝对阈值：对每一轮选品，给 final_score 做分位排名，选取前N名进入下一步，减小数据分布波动的影响。

- 使用 z-score 归一化或对数归一化，防止极端值对归一化结果产生过大影响（适用于数据波动较大场景）。

七、如果你需要，我可以把公式做成“可直接粘贴的 Sheets/Excel 模板”

- 包含数据区、归一化区、最终分数区、决策区的完整公式。

- 也可以按你的品类和数据源（站内信号、站外趋势、成本价/售价、库存等）定制权重和字段名称。

如果你愿意，请告诉我：

- 你打算覆盖的品类和站点（如 Shopee 全球、某个国家站点等）

- 你可用的数据源（站内信号、外部趋势、成本价、库存等）

- 你偏好的归一化方式（Min-Max 还是 Z-score）与阈值

- 是否需要我给出一个可直接拷贝到 Sheet/Excel 的模板文件结构和公式清单

给出这些信息后，我可以给你一份可直接落地的“Shopee 选品公式 + 表格模板”以及示例数据。