新品上架常靠拍脑袋，失败率高、试错也贵。把选品、上市前评估、试销、上市后经营和淘汰复盘拆成五类场景，再配六大类指标，上新就能从经验判断变成可复用的数据流程，一次搭好长期可用。

无论是传统的零售门店，亦或者是餐饮门店，都会遇到产品上新的问题。

那么问题来了：产品上新有没有评估模型，能否让“产品上新”从经验判断升级为数据驱动的机会识别，能否建立风险预判与持续淘汰机制？

答案是有的。我们可以借助该模型提升新品成功率、降低试错成本、缩短决策周期，并沉淀可复用的商品经营能力。

1 核心业务场景

在设计这款评估模型的时候，我们首先得梳理该产品的核心业务场景，以及关键用户需要解决的主要问题，初步梳理如下表所示。

通过上表我们不难发现，似乎每个场景的关键问题，都可以通过构建评估指标体系/评估模型来实现。

2 新品评估指标体系

1款产品的指标维度会有很多，无论是餐饮行业还是零售行业，基本上都可以涵盖以下6大类指标和数十个细分指标。

然后可以基于这些维度对产品进行手动评分或者自动评分，再乘以各个指标的权重百分比，最后再相加即可得到其最终评分。

上述有些细分指标比如品牌，我们可以采取1-5分的打分制。

• 如果是全球知名品牌如可口可乐可以拿5分
• 中国驰名品牌如娃哈哈或康师傅可以拿3-4分
• 区域性品牌如峨眉雪/天府可乐可以拿2-3分
• 白牌或品牌定制款(如永辉定制产品)只能拿1-2分

有些细分指标，我们需要渠道原始数据，然后再进行计算。

• 动销率=有销量的门店数÷上架门店数
• 复购用户数÷购买用户数

计算出结果后可以再进行赋分，比如动销率划分为5个区间，≥50%的得满分5分，40%-50%得4分，诸如此类。

最后将每个细分指标的值乘以权重后再相加，根据最终得分给出相应的等级，接着采取相应的动作，对于评级较好的新品我们可以加大推广力度/争取更好的陈列位置。

上面那个细分指标我枚举的有些多，各个餐饮品牌或者零售品牌可以根据自身实际情况来裁剪使用。

3 前端产品呈现

新品评估模型产品包含两大核心应用端：总部采销/供应链工作台与门店店长/加盟商应用端，应用形式可以是小程序或WEB或APP。

总部采销端：新品全局指挥舱

• 试销全景看板：实时监控全网所有试销新品的实时销量、铺货率、转化率分布。
• AI预警中心：自动筛选出上市7天内预测成功率低于 20% 的“高危新品”和大于 80%的“潜在爆款”。
• 品类蚕食分析矩阵：可视化散点图展示“新品毛利额vs老品销量下滑度”，防止无效引进。
• 供应商评估协同：将评估得分归集至供应商档案，作为淘汰供应商或谈判扣点的依据。

门店/加盟商端：智能选品与淘汰助手

• 产品引进指南针：结合本店标签，AI智能推荐最适合本店的S/A级新品。
• 新品动销健康卡：可一键查看本店试销新品在“周边同类型门店”中的排名与差异。
• 淘汰与清仓建议：对D级下架新品，直接生成折扣清仓标签或退货任务单。
• 货架陈列指引书：针对B级潜力品，提示店长“建议从普通货架调整至黄金视线区/端架”。

这样最终会形成一个非常清晰的产品闭环：市场机会 → 商品立项→ 新品预测→ 小范围试销 →上市监测→ 动态评分→ AI诊断→ 继续放量/优化/淘汰。

具体到前端页面设计上，至少应包括以下页面：

• 新品总览：新品数量、平均评分、成功率、预警数、待决策数
• 新品排行榜：按评分、销量、毛利、增长、复购排序
• 新品详情：评分雷达图、趋势、竞品、门店表现、风险项
• 智能决策：给出“为什么”和“下一步做什么”

4.AI能力设计

餐饮门店的新品上市节奏相对舒缓且数量也不会太大，但零售品牌特别是快消行业产品上新频次会比较高且数量大，纯依赖人工效率上有些低，或许我们可以借助于AI。

餐饮或零售品牌可尝试从以下方向来切入AI：

• AI预测：预测未来7/14/30天销量、销售额、毛利及成功概率
• AI归因：自动判断销量异常来自价格、曝光、商品力还是供给
• AI问答：支持“为什么这个新品分数下降？”等自然语言分析
• AI策略：生成调价、促销、陈列、扩店、淘汰等动作建议

最终的AI应用示例大致如下所示。

AI新品结论-建议扩大试销。近7日店均日销较同品类基准高18%，毛利率达到目标，但华东区域复购偏低。主要风险来自价格竞争力不足。建议优先在高转化门店扩大覆盖，同时进行小幅价格/促销AB测试；暂不建议全国铺开。

需要注意的是：AI负责解释、预测和建议，但关键经营动作需要由产品/运营负责人确认。所有AI结论必须能够追溯到指标、样本与规则。

5 落地注意事项

整套评估模型在落地时可以先MVP试跑，先选择几家标杆/典型门店试点，跑通主业务流程后再扩大范围，做指标体系和评分模型的迭代和优化。

整体在落地的时候，需要注意以下几点事项：

• 先规则后模型：先解决业务可用和数据质量，再追求算法复杂度。
• 分品类分店型：不能拿所有SKU共用一个绝对标准。
• 评分可解释：告诉业务“为什么80分”，以及“提升5分应该做什么”。
• 样本置信度：上市2天卖了20件和上市30天卖了3000件，不能拥有相同可信度。
• 防促销干扰：识别促销和推荐等外部变量，避免把流量红利误判成商品力。
• 建立失败标签：新品淘汰不是终点，要沉淀“为什么失败”，让模型越用越准。
• 不可尽信AI：模型提供概率与建议，业务负责人保留最终决策权。