2026年初，我接手了广州一家日用百货批发商的线上选品工作。面对每月超过5000张供应商图片，传统凭经验“看感觉”选品，导致库存积压率一度高达18%。因此，我决心用数据优化选品流程，目标是将试错成本降低30%。
第一步，我建立了图片的“数据标签”体系。不再只看美观度，而是为每张图片标注5个维度：色彩饱和度（0-100）、构图复杂度（1-5级）、产品占比（%）、场景真实度（如“居家”/“办公”/“户外”）以及历史同类图片的点击率（CTR）。例如，2026年Q1数据显示，色彩饱和度在65-80之间且产品占比超过70%的图片，CTR平均高出42%。这一步骤将主观判断转化为可量化的数字。
第二步，我引入了“AB测试”引擎。每次选品前，我会从候选图片中随机抽取2-3张，投放至10个测试店铺页面，收集24小时内的点击数据。2026年3月的一次测试中，一款厨房收纳盒的图片A（高饱和度+满构图）和图片B（低饱和度+留白构图），测试数据显示B的CTR为3.2%，而A仅为1.8%。依据这些数据，我们果断选择了B方案，最终该单品首月销量突破2000件，退货率控制在5%以下。
最后一步，我建立了“数据回传-模型迭代”机制。将销售数据（如转化率、客单价、退换货率）与图片标签关联，每月更新一次选品模型。到2026年6月，我们的库存积压率已从18%降至11.7%，试错成本直接减少了35%。这套“数据账本”不仅提升了效率，更让日用百货的选品从“玄学”变成了可复用的科学。