接着聊尺码。上一文说明了错误的产品尺码数据分析会导致库存灾难，文中列举了三种错误的历史数据使用方法，这三种方法将使得未来确定订单时在尺码这个维度上产生偏差。文末，我给出了一个相对合理的操作方式：

还原每个款式每个尺码的真实消费需求，作为尺码参考配比。比方货品ID为STY0001这个款式有S-2XL五个尺码，只要其中任何一个尺码没有库存，就认为这款货品开始断码，后续的消费需求全部被扭曲。

我们截取断码临界点前的该货品所有尺码数据作为参考数据。每款货品皆如此，然后汇总形成某个品类，或者某个版型的尺码配比。

本文讲解如何在Excel中实操（Power BI操作方式相同）。

1.数据准备

例如准备制作春季服装订单，导出去年同期春季的历史数据。包含订单数据和每一天的销售数据。两份数据都需要具体到每个产品类别的每个货号的每个尺码。

订单数据销售数据

销售数据一般从开季开始导，春季产品可以从上一年12月1日起导出（有提前到货因素），销售截止时间可以截止到当年3月31日。

将两份数据导入Excel Power Pivot，并使用ID(货号+尺码）建立关系。

2.模型搭建

新建列，计算每个货号每个尺码按日期的滚动销量。下图是STY0001这款产品M的滚动计算结果：

ID滚动销量= VAR IDNUM = 销售[ID] VAR Sale_Date = 销售[销售日期] RETURN SUMX ( FILTER ( 销售, 销售[ID] = IDNUM && 销售[销售日期] <= Sale_Date ), 销售[销量] )

接着，将每个货号每个尺码的订量引入销售表，并计算每个尺码的滚动售罄率：

ID订量=RELATED(订单[订单数量]) ID滚动售罄率=DIVIDE(销售[ID滚动销量],销售[ID订量])

这俩公式可合并为一个，但是订量可能有放在一边有查看的需求，因此拆分。

最后是关键的部分，判断每个货号销售数据应该截止到那天。季末的库存状况可能是这个样子的，很多产生了断码：

没有找到合适尺码的顾客没有产生购买，也就没有对应销售数据。因此，只有在尺码还全部在的情况下的销售，才是真实的顾客尺码需求。新建列，计算每个货号的销售截止日期，取截止日期之前的数据进行尺码比例计算：

销售截取日期 = VAR HUOHAO = 销售[货号] VAR MAX_ST_HUOHAO = MAXX ( FILTER ( 销售, 销售[货号] = HUOHAO ), 销售[ID滚动售罄率] ) VAR Last_Day_No_Size_Out_Of_Stock = MINX ( FILTER ( 销售, 销售[货号] = HUOHAO && 销售[ID滚动售罄率] = 1 ), 销售[销售日期] ) RETURN IF ( MAX_ST_HUOHAO < 1, MAX ( 销售[销售日期] ), Last_Day_No_Size_Out_Of_Stock )

以上公式含义为，当该产品没有任何一个尺码售罄率达到百分百，即没有断码，销售截取日期取数据源的最后日期；当该产品有尺码售罄率达到百分百，取第一个售罄达到百分百的尺码的销售日期为截止日期。

下图中，STY0003这款货品，到3月16日第一个尺码（L码）产生了售罄现象，即3月16日之后该货品就会断码，所以，我们取3月16日之前的该货品销售数据，其它款式雷同。

新建列，对选用的数据进行标记：

是否选取=IF(销售[销售日期]<=销售[销售截取日期],"Y","N")

完成所有计算后，生成一个透视表，查看尺码配比。

3.总结

参考历史数据进行未来订单的尺码比例定制时，精细的做法是，还原每个款式每个尺码真实的消费需求，这需要对历史数据进行清洗，每个款式断码后的销售都要剔除，这样生成的尺码比例才是相对可用的。

本例没有考虑折扣因素。在预测订单品类占比时，我们一般会将折扣影响考虑进来，不同折扣将会导致品类销售结构的变化。但是尺码结构需要考虑折扣吗？

不需要。因为一般情况下，顾客不会因为一款货品折扣力度很大而购买不适合自己尺码的产品。

另外需要补充的是，即使你认可这个思路，也不能完全按照这个思路。也许，某个产品线版型完全和去年不一样，导致数据不可用。用刘宝红老师的话说，个人需要以数据开始，以判断结束。