SKU级利润归因本体 — 从GMV到净利润的全链路成本拆解与Tag驱动的利润诊断
Skill-SKU-Level-Margin-Attribution-Ontology · 24-标签工程
causalexperimentoptimizationragknowledge_graph广告与投放供应链与补货客服与VOC知识图谱与RAG定价与利润风控与合规WF-A 智能补货WF-B 广告优化WF-C 客服分诊WF-D 选品扫描WF-F 动态定价WF-K 全域风险防御
收录于标签工程与本体驱动手册
年化 ROI8-12万元
实现难度⭐⭐⭐☆☆
业务视角
适用角色数据架构师 / 供应链数字化负责人 · CTO · 数据工程师 · 供应链团队
什么情况下用多平台数据孤岛导致断货识别延迟8小时；标签覆盖率不足使AI决策触发率<30%；想实现分析→行动自动闭环但不知从何下手
成功是什么样的统一 Tag Schema + 传播引擎将标签覆盖率从 30% 提升至 97%；Palantir 风格 Object-Action-Writeback 将补货响应从 2 天缩短至 4 小时自动触发
业务痛点
1. 解决的问题
CEO/CFO面临"GMV1000万但不知道哪些SKU在赚钱哪些在亏"——全链路瀑布P&L将亏损SKU(约16%)识别出来，Tag驱动的调价/下架行动直接增加利润3-5%
2. 核心算法逻辑
SKU级利润归因（SKULevel Margin Attribution） 解决的核心问题：GMV 1000万，但净利润到底是多少？哪些SKU在赚钱，哪些在亏钱？
3. 业务应用场景
场景A：500个SKU的利润健康扫描 - 发现： - 80个SKU（16%）净贡献为负（卖一件亏一件） - 主因：高FBA长仓储费（占GMV 8%）+ 高退货率（12%） - 行动：下架20个无法改善的SKU，优化60个（降库存+提价）
**场景B：新品定价决策支持** - 新款辅食机，确定售价前先做反向利润推算： - 目标净贡献率：15% - 已知成本：COGS $25 + FBA $4.5 + 广告预估 $8 - 反推最低售价：$55（当前竞品区间$45-65，可行）
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI预估：发现并处理净贡献为负的SKU（约16%），仅通过提价或下架可直接增加利润约3-5%；优化FBA成本率高的SKU（切换仓储方案），年化节省约8-12万元；广告效率优化（INEFFICIENT→MODERATE），广告ROI提升约25%
- 实施难度：⭐⭐⭐☆☆（数据来源多：需整合Amazon报表+ERP+物流账单，但计算逻辑清晰）
- 优先级评分：⭐⭐⭐⭐⭐（"哪些SKU在赚钱"是CEO/CFO第一问题，SKU级P&L是精细化运营的财务基础）
- 评估依据：母婴跨境品牌调研：70%的品牌不知道单SKU真实利润率，其中20-30%的SKU在亏损销售
7. 代码模板
代码块数量：2 · 路径：未检测到
"""
SKU级利润归因本体
功能：全链路成本拆解 / 净利润计算 / 利润Tag生成 / 利润弹性分析 / 改善建议
输入：SKU销售数据 + 各成本数据
输出：SKU级P&L / 利润Tags / 问题SKU排名 / 改善机会
"""
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings('ignore')
def compute_sku_pnl(sku_data: dict) -> dict:
"""计算SKU完整P&L"""
gmv = sku_data["gmv"]
units = max(1, sku_data["units_sold"])
asp = gmv / units # 平均售价
# 各成本项
platform_fee = gmv * sku_data.get("platform_fee_rate", 0.12)
cogs = units * sku_data.get("unit_cost", asp * 0.40)
fba_fee = units * sku_data.get("fba_fee_per_unit", 3.5)
fba_storage = sku_data.get("fba_monthly_storage_cost", 0)
ad_spend = gmv * sku_data.get("acos", 0.15)
return_cost = units * sku_data.get("return_rate", 0.05) * sku_data.get("return_cost_per_unit", 25)
inbound_logistics = units * sku_data.get("inbound_cost_per_unit", 1.5)
compliance_alloc = sku_data.get("annual_compliance_cost", 0) / 12
# P&L瀑布
nsv = gmv - platform_fee
gross_profit = nsv - cogs
contribution_margin = gross_profit - fba_fee - fba_storage - ad_spend - return_cost - inbound_logistics
net_contribution = contribution_margin - compliance_alloc
gross_margin_rate = gross_profit / max(1, gmv) * 100
contribution_rate = contribution_margin / max(1, gmv) * 100
net_margin_rate = net_contribution / max(1, gmv) * 100
acos_effective = ad_spend / max(1, gmv) * 100
# 利润Tag生成
if net_margin_rate < 0:
margin_tier = "NEGATIVE"
elif net_margin_rate < 8:
margin_tier = "LOW"
elif net_margin_rate < 15:
margin_tier = "MEDIUM"
else:
margin_tier = "HIGH"
fba_cost_rate = (fba_fee + fba_storage) / max(1, gmv) * 100
return_impact = return_cost / max(1, gmv) * 100
ad_efficiency = "EFFICIENT" if acos_effective < 20 else ("MODERATE" if acos_effective < 30 else "INEFFICIENT")
return {
# P&L明细
"gmv": gmv, "platform_fee": platform_fee, "cogs": cogs,
"gross_profit": gross_profit, "fba_cost": fba_fee + fba_storage,
"ad_spend": ad_spend, "return_cost": return_cost,
"contribution_margin": contribution_margin,
"net_contribution": net_contribution,8. 论文来源
- 2308.14923
- 2403.09234