Shopee铺货工具能铺出规模：这套账怎么算

铺货规模的三项代价

第一项是工具与订阅的支出。这一项的特点是固定，一个月几十到几百的档位，不管铺十条还是铺三百条都是这个数。因为它固定，摊到每条上会随条数变多而变薄，规模化看起来就很划算。

第二项是铺开占用的时间。这一项包含了整理清单、准备素材、提交、提交后核对这些具体动作。它随条数线性上涨，涨得比较老实，而且其中的提交那一段能被工具压掉一部分，所以它的增长曲线比条数要平一些。

第三项是逐条筛选的力气。铺出去的每一条都要有人看一眼、比一比、下一个结论。这一项最容易被漏算，因为它不在设备清单上，也不在任何一张支出记录里，但它实实在在占着时间，而且不随规模变薄。

三项摆在一起，形状就清楚了：第一项是平的，第二项是斜着往上的直线，第三项不仅斜着往上，坡度还更陡。规模能不能站住，取决于第三这个陡坡爬不爬得上去，而不是第一项省了多少。

这个判断很实用。当有人问铺货值不值得放大，可以先问一句：筛选用的是什么标准、一批能处理多少条。答得清楚，说明第三项是被想过的；答不上来，说明看到的只是第一项很便宜这一面。

举一个可以把三项代价摆平的例子。一家店把一个类目的铺货量从一批十条提到一批三十条。工具费没变。铺开的时间从每天一小时变成两小时多。筛选用掉的时间从半小时变成两个多小时，而且最后十条往往是草草看过。

这三组数摆在一起，能看出放大的收益与放大的代价分别落在哪。工具费那一栏是平的，省不出更多；铺开那一栏涨了一倍多但还能承受；筛选那一栏涨得最多，而且质量在下降，这一栏就是这次放大真正的成本。

如果这时候继续往上提到一批五十条，筛选那一栏不会只是再涨一点，它会出现明显的质量塌陷：前面的看得还行，后面的完全凭印象。这就是涨得比条数快的实际表现，也是量不能一直加的原因。

所以判断一批的条数上限，比较实际的依据是倒数第几条开始看不进去。如果一批三十条里最后五条已经草率，那这一批的上限大概在二十五条左右。这个数从实际处理中就能观察到。

把这个观察记下来做几批，每个类目的合理条数就找出来了。它的确定过程很朴素，就是看自己能认真看完多少条。奇怪的是，这个最朴素的办法给出的数，往往比各种估算都更接近实际情况。

有一个边界要注意，三项代价的相对大小跟类目有关。有的类目单条判断很容易，属性少、卖点集中，筛选这一项的坡度就比较平，规模可以放得比较大。有的类目每条都要单独想，筛选这一项就陡得多。

所以三项代价的账要按类目分别算，不要给全店算一个总的。同一个店里，有的类目放到一批五十条还能收得住，有的类目放到二十条就已经吃力了。用同一个条数去管这两类，总有一类不合适。

分开算之后，全店的铺货量就不是一个数，而是几个数加起来。每一类的条数各自定在它的筛选坡度过得去的位置上。这样全店的量看起来不整齐，但每一类都在自己的合理规模里运行。

记录上也相应分开。每个类目记自己的条数、铺货日期、处理完日期，几批之后每类的合理条数就清楚了。这张按类目分的表一旦建立起来，维护成本很低，半年看一次基本就够用。

这个做法的好处是它承认了类目之间的差别。铺货规模这件事没有一个通用的答案，有的类目天生适合铺宽，有的天生适合做深，硬要统一就只能在两类里都做出妥协。分开算就没有这个问题。

前三项都算过，第四步的对账才有意义

铺货成本不只是软件费

软件费之所以容易成为全部的印象，是因为它是一张有数字的账单。每个月扣一笔，数字明确，看得见。而铺开占用的时间、逐条筛选的力气都没有账单，它们只体现在一天怎么过，很容易被当成理所当然。

不算进去的成本会以另一形式出现。时间被占满之后，原本该做的判断没有做，该维护的老链接没有维护，该回复的咨询回复得晚了。这些损失不会在某一天集中爆出来，它们分散在每一天里，很难归因到铺货这件事上。

把这一项显性化有一个简单的办法，按小时折算。给自己一天的注意力定一个价，然后记下这一批货占用了多少小时，乘起来就是这一批的真实成本里属于时间的那一块。这个数往往比软件费高出不少。

折算出来的数不一定精确，但它能让三件事可比。不同批次之间可比，不同类目之间可比，加量与不加量之间也可比。有了可比性，决定加不加量就不再依赖感觉，而是有一个大致的方向可以对着看。

这里有一个提醒，就是这个折算不要用来算自己该拿多少工资，它本来就不是这个用途。它的用途只有一个，就是让看不见的成本变得看得见，进而在做规模决定的时候被一并考虑进去，不要再被漏掉。

有一个记录方法可以把隐形成本显出来，就是给每一批记三个字段。第一个字段是这一批的条数，第二个字段是从整理到提交完花掉的时长，第三个字段是这批货被处理完的日期。三条记在一行里。

第三个字段的用处最大。条数与铺货日期之间的天数差，就是这批货积压的时长。积压时长越长，说明筛选这一头越跟不上，隐形成本也越大。这个数不需要额外记什么，只要在批次后面填一个日期。

几批之后会看到积压时长的变化。如果一开始是两三天，后来慢慢变成一周、两周，说明铺入量一直在超过处理能力。这个趋势比任何单批的数字都更能说明问题，因为它是一段时间的走向。

看到这个趋势之后可以做的事很具体：把下一批的条数砍回到能在一周之内处理完的量。这个调整不看别的指标，只看积压时长有没有回到自己设定的那个区间里，回到了就说明规模又匹配上了。

这个办法的优点是它不需要知道每一项成本精确是多少，也不需要给时间定价格。它只用一个日期差，就把隐形的筛选成本换算成了一个能看的数，对不想做题的人来说比较好上手。

有一个容易被忽略的成本项是改动。铺出去的链接不是挂上就不动了，价格要跟活动调、属性要按新规补、描述要按反馈改。这些改动按条数发生，条数越多改动总量越大，它同样不在账单上。

改动这一项的成本特点是比较零散。一条改动可能只要两分钟，三十条加起来就是一个小时。而且改动往往有截止时间，比如活动开始之前必须改完，这种有截止时间的活会挤占其他安排。

记录改动成本的办法是在改动发生时记一行：改了什么、涉及几条、花了多久。几批之后能看到改动这一项每个月占掉多少时间。这个数往往比预想的大，因为它平时分散在各处，不集中。

看到这个数之后，有一个调整方向是把改动的频次降下来。比如把价格变动集中在固定的时间点处理，而不是随时发现有变动就去改。集中处理比零散处理省时间，因为检索和确认的成本被摊薄了。

另一个方向是在铺之前就为改动留出余地。比如价位定在一个不需要频繁调整的档位上，属性按最完整的口径写。事先留余地，后面要改的次数就少，这一项成本自然也跟着降下来。

涨得最温和的是软件费，涨得最凶的是筛选

时间成本是铺货里最贵的一项

时间成本里最贵的那一小块，是整块时间的占用而不是零碎时间。整理清单这类工作可以塞进零碎时间，二十分钟挤一挤也能做。而逐条判断这类工作必须要有一段不被打断的时间，被打断就做不下去。

整块时间的稀缺程度远高于零碎时间。一天里可能有很多个五分钟，却只有一两个可以连续两小时不被打扰的时段。铺货规模放大的时候，占用的正是这种稀缺的整块时间，代价比看起来大得多。

这也解释了为什么量加上去之后容易失控。铺开那一头可以用零碎时间慢慢填，看上去还能应付；筛选那一头要整块时间，整块时间用完了就做不了。两头的时间需求不一样，一头加量，另一头先崩。

所以安排铺货规模的时候，可以先把每天能拿出来的整块时间算清楚。比如每天有一小时，一条判断平均五分钟，那天花板就是十二条。这个天花板跟工具的性能无关，跟手上候选的多少也无关。

按这个算法定条数，会发现规模的上限比预想的低不少。这个数不好看，但它可靠。可靠的意思是照着它做，每天都能把当批处理完，长期下来累积的量反而比一次次加量然后烂尾要多。

有一个具体的观察办法可以把整块时间的稀缺程度测出来。连续一周记录自己每天有哪几段时间是能连续一小时以上不被打断的，把起止时间记下来。一周之后看这份记录，多数人会发现这样的时段一天只有一两个。

这一两个时段就是筛选工作的真实产能来源。把它们用在铺货筛选上，就不能同时用在选品、看需求、处理售后这些同样需要整块时间的事情上。这些事互相之间是在抢同一份资源。

看清这一点之后，铺货规模的决定就不只是「能处理多少条」，而是「在整块时间有限的前提下，把多少比例分给筛选」。分得多了，选品与看需求就少了，而后者恰恰决定铺什么，不是可以省的部分。

所以一个比较稳的分配是先给选品与看需求留出固定的整块时段，剩下的再给筛选。这样铺货量自然被约束在一个不会挤掉前置判断的范围里，规模与判断这两头都保得住，不至于顾了一头丢一头。

这个顺序守住了，铺货规模的增长就会比较慢，但每一步都踩在实处。反之，把整块时间几乎全给了筛选，前置判断被挤到零碎时间里去做，铺出去的东西方向就容易偏，量再大也难有效果。

有一个边界是人的状态。同样是一小时的整块时间，状态好的时候能处理的数量和状态差的时候差得比较远。判断类的工作对状态很敏感，累的时候做判断，出错的比例会明显上升。

所以安排筛选这件事的时候，除了看有没有整块时间，还要看这段时间是不是自己状态的高点。把筛选放在一天里状态最清醒的那一两个小时，跟放在临睡前，处理出来的结果是两个水平。

常见的做法是把状态最高的那一段时间固定给最吃判断的活，比如筛选项或者看需求信号，剩下的时间留给操作性的事。这样安排之后，同样是一天，产出的判断质量会明显不同，差的活也不会挤掉好的活。

记录上可以标一栏处理时的时段，比如上午还是晚上。几批之后对照看找出错的比例，能看出自己在什么时段判断比较准。这个规律是自己的，比任何通用的效率建议都更贴合实际。

把时段这个变量管住之后，时间成本这一项的可控性会提高不少。同样是每天两小时，用在高点跟用在低点，效果差别很大。安排得当，等于在同样的时间里多处理出一些有效的判断。

铺货越多筛选成本涨得越快

涨得更快有两层原因。第一层是前面提到的注意力摊薄，条数越多每条能分到的越少，总力气却在增加。这一层让单条的筛选成本不降反升，跟软件费那种越摊越薄的走向完全相反。

第二层是错误比例上升带来的连带。条数多了判断变粗，错的比例上去，该砍的没砍、该留的没留。没砍的要继续占库存、继续产生咨询，没留的则失去了本来的机会，两边的损失都要算进筛选这件事的成本里。

第二层往往比第一层更贵，而它完全不在直觉里。人们算筛选成本时通常只想到「看一遍要多久」，想不到「看漏了会怎样」。后者不出现在动作耗时上，只出现在一段时间之后的结果上。

所以筛选成本这一段可以分两块来记。一块是看的时间，可以直接计时；另一块是看漏之后的连带，可以记这一批里事后被证明判断错了的条数。两块合起来，才是筛选这件事真实的成本形状。

两块都记之后会发现，条数少的时候第二块几乎为零，因为看得细、判断准；条数多了之后第二块会明显起来。这个变化正是筛选成本涨得比条数快的原因，也是规模上限的真实来源。

举一个可以自己验证的例子。同一类商品分两批铺，一批二十条，一批六十条，都用同一套标准去筛。二十条那一批，筛完平均每条花的时间假设是一分半；六十条那一批，平均每条很可能会超过两分。

之所以会超过，是因为条数多了之后标准在实际执行中变模糊了。看到第二十几条的时候，前面看过的印象还在起作用，判断还准；看到第四十几条，前面的印象已经淡了，判断靠的就更接近直觉。

这个变化带来的直接后果是错的比例上升。二十条那批里被证明判断错了的可能只有一两条，六十条那批里可能到五六条。这些错条的处理成本要算进筛选这一项里，加起来就超过了多出来的那些条数本身的成本。

所以筛选成本这一项在条数上升时是非线性增长的，而这个非线性主要来自判断质量的下降，不来自动作本身变慢。这个机理说清楚了，应对的方向也就清楚了：要么把标准做细，要么把条数降下来。

两个方向可以一起用。把标准做成一张能照着比的小表，能明显减缓质量下滑的速度；同时把条数定在标准还能有效执行的范围里，不让它滑到靠直觉的程度。两条一起做，规模才撑得住。

有一个边界是类目的整齐程度。如果一批里绝大多数条都是同一个款的延伸，只是颜色或者规格不同，那判断起来很快，因为判断的框架完全一样。这种情况下条数上升对筛选成本的影响比较小。

反过来，如果一批里每一条都是不同的款，每条都要重新想一遍该看什么、什么样的算好，那筛选成本的坡度就很陡。条数一上去，判断立刻变得吃力。两种批次的成本形状完全不同。

所以定条数的时候可以先看这一批的整齐程度。以款延伸为主的批次可以把条数定得大一些，以全新款为主的批次就要定得小一些。这个区分不需要复杂的计算，看一眼候选名单就能判断。

记录上可以加一栏「批次整齐度」，简单标成整齐或者混杂两种就够了。几批之后对照条数与处理时间，能看出两种批次各自的合理条数落在哪里。这个发现会直接影响后面每一批的定法。

这一层判断也影响候选的组织方式。把同一个款的延伸放在同一批里，把全新的款单独凑成一批，两类分开来铺。这样每一批的整齐度都比较一致，条数也就能各自定得比较准，判断的负担也分得开。

铺货工具把固定成本压低但变动成本还在

工具压的是固定成本那一头里的动作部分。它把提交、套字段、同步这些重复动作一次性去掉，等于把这一部分的单位成本压得很低。这一块压得越好，摊到每条上的支出就越薄，规模看起来越划算。

变动成本那一头它动不了。逐条的判断、库存的占用、错铺之后的收尾，这三样都按条数走，跟工具的性能没有关系。工具能把提交一条的时间从几分钟压到几秒，却不能让判断一条的时间也这样压。

这个性质决定了规模化的算法。用工具省下来的那一部分是可以放大的，放大它确实能摊薄支出；但方便放大的同时，变动成本也跟着放大了，而且它放大得更快。两头的速度不一样，是这件事的关键。

一个形象的说法是，工具让前半段变得很轻，于是人容易在不知不觉中把后半段也加得很重。真正的做法是让放大的节奏跟着变动成本走，而不是跟着工具的效率走。工具快，不代表可以按它的速度加量。

具体做法也简单，把每一批的条数定在变动成本吃得消的范围内，不要定在工具吃得消的范围内。这两个数往往是前者小很多。定在小的那一个上，规模才会一年一年稳稳地往上走。

有一个能说明这层关系的场景。同一家店用工具铺一批三十条，提交本身花掉的时间很短，几乎可以忽略。但这一批从整理清单到全部筛完，跨了将近三周。这三周里做的主要不是提交，是整理与筛选。

这个例子说明工具压掉的那一段在整件事里占比不大。它把提交从半天压到半小时，省下了不少，但整件事的时间从来就不主要在提交上。真正占时间的是整理与筛选，这两段它动不了。

所以工具的价值要放在正确的位子上。它不是把一个贵的东西变便宜了，而是把一个本来就不算最贵的东西变得更便宜。这个区分很重要，它决定了装工具之后该把省下来的时间用在哪里。

把省下来的时间投到整理与筛选上，是一个比较自然的用法。整理做得好，提交时返工少；筛选做得细，下一批的方向更清楚。两端都受益，工具的价值就被接续下去了，而不是停在提交那一步。

如果省下来的时间被用来铺更多条，情况就不一样了。整理与筛选这两段的工作量会跟着条数一起涨，而这两段本来就是最花时间的地方。所以省下的时间要往这两段投，不要往条数上投。

有一个边界是工具的接入成本。工具本身价格不高，但把它接进现有流程要用掉一些时间：整理一份能喂给它的资料模板、把字段对应关系调好、跑一两批验证结果对不对。这一段成本是前置的，只付一次。

这一段前置成本的存在意味着一个判断：如果接下来打算铺的量不大，接工具这件事本身可能就不划算，因为前置成本摊不开。铺十来条的话，手工做几次也就过去了，不值得花时间去接。

反过来说，如果接下来要持续铺一段时间，或者打算放大规模，那这一笔前置成本很快就被摊掉了。判断接不接工具，看的是接下来这一段时间的计划量，而不是当下这一批的条数。

把前置成本记下来也有用处，记录里加一行「接入与调试花掉的时长」。这个数在复盘的时候能帮人看清，规模还小的时候接工具到底值不值。下一次遇到同类的判断，手上就有一份参照了。

这一层算清楚之后，工具在整件事里的位置就更明确了：它压住的是铺开这一段，付出的是一次性的接入成本，换来的是长期的动作时间下降。算不算得过来，取决于后面铺多久、铺多少。

按条数涨的那几项才是规模化的真实门槛

铺货规模与回报周期怎么对上

对账的办法是把放大前后的两个数拿出来比。一个是单条摊到的支出，一个是单条摊到的筛选力气。放大之后，第一个数一般是往下走的，第二个数往往是往上走的，两条线的走向相反。

回报周期就是看第一条线下降多少、多长时间能覆盖掉第二条线上升带来的负担。如果第一条线下降得很有限，第二条线上升得很快，那放大这一档的回报周期会被拉得很长，甚至永远对不上。

对不上的时候不必立刻判断规模化这件事不行，可以换个方向看：是不是筛选的标准还不够清楚。标准清楚之后，单条筛选的力气会降下来，第二条线的坡度就平了，对账自然也就对得上。

所以对账这个动作有一个直接作用，就是把问题从「要不要放大」转成「先解决哪一头」。多数对不上账的情况，问题在筛选这一头，而不在工具或候选那一头。找到这一头，改进的方向也就有了。

对完账之后再看要不要放大，决定就有依据了。账对得上就放大一档，对不上就先稳在当前的规模，把筛选那一头理清。这个循环走几轮之后，规模是一档一档上来的，每一档都站得住。

有一个具体的对账做法。放大之前先记下当前规模下的两个数：一批铺多少条、从铺出去到全部筛完要多少天。放大一档之后再记一次同样的两个数。两组数放在一起，能看到周期变长了多少。

周期变长的幅度就是放大的直接代价。如果放大一档之后，筛完的时间从五天变成十五天，那这一档放大带来的收益就要在十五天才开始兑现，而且这十五天里还有新的批次在往架上加。

判断这一档值不值，就看这十五天里积压的总量有没有超过自己能处理的范围。如果积压持续扩大，那这一档放大的实际效果是把问题往后推，而不是把规模做上去。这时候应该退回上一档。

退回不是失败，它只是一种调整。退回之后把筛选标准理一遍，把单条判断的时间压下来一些，再往上试这一档。用这种方式，规模是一步一步试探着上来的，每一步都有可以对照的依据。

这种试探的方式比一次定一个大目标更适合铺货这件事，因为它的不确定性比较高，需求什么时候起来、哪一类会跑出来，都不是事先能算准的。一步一步试，错了退回的成本也小。

有一个边界是对账的频率。刚开始放大规模的时候，账要对得勤一点，一批一批地看；规模稳定下来之后，可以对得稀一些，比如每季度看一次。对账本身也要花时间，频率太高会变成负担。

对账用的数据可以很简单，就是两个日期之间的天数差，以及这一段时间里铺出去的总条数。这两个数一除，得到的是这段时间平均每天的积压量。看这个数的走向比看单批的数字更准。

对账的结果有三种：积压量在缩小，说明当前规模还能消化，可以再往上试一档；积压量持平，说明刚好到了顶上，稳在当前这一档；积压量在扩大，说明超了，该退回一档并把筛选标准理一理。

三种结果对应三种动作，判断上不会有什么歧义。这套做法不需要复杂的计算，也不需要精确的成本数据，它靠的只是积压这个看得见的现象。对日常这些要不要加量的决定来说，这样一个朴素的信号已经够用，不需要再引入别的指标。

这个循环走几轮之后，规模会稳定在一个自己能持续消化的位置上。这个位置也许比一开始设想的要小不少，但它站得住，可以一直用下去，还能往上试多少空间也是清楚的，不用再靠猜。

摊薄的只有支出，筛选那一头是越摊越厚的

什么样的卖家适合放大规模

第一个特征是判断标准已经清楚。这一类商品该看哪几个信号、什么位子算好、什么位子该收，都能说出来。标准清楚，单条的筛选力气就低，第二项成本上升得慢，规模就有放大的空间。

第二个特征是需求信号比较持续。这一类商品的搜索需求不是短期爆一下就没的，而是有一个稳定的量在那里。需求持续的类目，铺出去的链接有足够的时间被看到，铺开的价值才能兑现。

第三个特征跟货源有关。手上有一批还没铺过的候选，或者能持续拿到新的款。没有新的候选，放大就只是把同一批货重复铺出去，覆盖面没有扩大，而条数带来的成本却是实打实要付的。

三个特征齐了，放大这件事就值得做。只有一两个特征齐的时候，更适合先去解决缺的那一个：标准不清楚就去把标准理清，需求信号看不明白就去看信号，候选不够就去扩货源，补哪一样动手哪一样。

这里要说明一点，这三个特征都不是靠工具能解决的。工具能帮着把铺开这一步做快，但标准、需求、货源这三样都在它之前。先看清这三样，再决定放不放大，顺序上会顺很多，也不会白费力气。

有一个可以自测的问法，问自己能不能用三句话说清这一类商品该看哪几个信号。说得出来而且三句话之间不矛盾，说明标准已经比较清楚，筛选项里的判断难度就低，放大的阻力小。

第二个自测是需求信号的持续性。找这一类里卖得比较稳的几条，看它们的时间分布是不是均匀的，还是一阵一阵的。分布均匀说明需求持续，铺出去有稳定的机会；一阵一阵说明吃的是短期的量，铺开之后窗口可能就过了。

第三个自测是货源。数一下手上还有多少个没铺过的款，再数一下每个月大概能新拿到多少个。这两个数决定了放大的空间有多大。没有新的款，放大就只是在同一批货上反复加链接而已。

三个自测做完，结果如果都比较顺，那就可以考虑放大。其中有一个明显不顺的，就先把那一个补上再说。补的过程本身也是在为放大做准备，补完之后再放，站得会比直接放大稳得多。

需要说明的是，这三个自测都不依赖工具的性能，也不依赖候选有多少条。它们问的是自己对这一类的了解程度、需求的走向、以及货源能不能持续供上。这三样决定了规模能走多远。

有一个边界情况是刚起步的店。刚起步的时候标准往往还不清楚，需求信号也看不明白，货源更是有限。三个自测里可能一个都不顺，这时候放大规模反而会把问题放大，不是好时机。

对起步阶段的店来说更合适的做法是先把规模压小，用小的批次把标准试出来。比如每批十来条，走上几批，看哪些判断是稳的、哪些还在摇摆。等标准稳下来之后，再谈放大这件事。

另一个边界是已经在做多个类目的店。这类店手上资源分散，每个类目分到的整块时间都不多。这种情况下放大应该一类一类来，先把其中一类的规模做稳，再动第二类，不要同时加。

同时加量的风险是资源被摊得太薄，每一类的筛选都做不扎实，结果哪一类的结论都读不出来。一类一类来虽然看着慢一些，但是每一类都能拿到清楚的结论，几类加起来反而更快。

这两个边界的共同点是都指向同一件事：放大的前提是前面那几样已经稳住了。标准、需求、货源这三样里只要有一样还没稳，放大就不是在放大优势，而是在把不确定也一起放大。

常见问题（FAQ）