补货计划最容易被误解成一道算术题：把日均销量乘以采购周期，再加一点安全库存，库存低于这个数字就下单。实际做电商库存管理时，我更常遇到的情况是，公式没有算错，结果却仍然缺货或积压。原因通常不在计算，而在于企业选错了补货方法：稳定标品用了复杂预测，促销商品却仍然沿用固定补货点；仓库明明有货，平台却显示缺货；采购已经下单，系统又把在途库存忽略，导致重复采购。本文要讲清的，正是补货计划如何根据商品特征、供应链条件和管理复杂度进行选型，并进一步判断什么时候继续用表格，什么时候应该借助进销存系统或数据分析工具。
我在梳理补货方案时，通常不会先问“应该用哪个公式”，而是先问四个问题：销量稳定吗？供应周期稳定吗？缺货和积压哪个代价更高？库存数据是否足够完整？这四个问题决定了补货方法的边界。
销量稳定、供应周期清晰的标品，适合从订货点补货开始；采购需要集中下单、SKU 较多的企业，更适合定期补货或目标库存补货；季节性强、活动影响大的商品，需要预测和人工修正结合；没有历史数据的新品，则不应急着做“智能预测”，而应采用小批量试销和高频复盘。
不存在对所有 SKU 都有效的最佳补货方法，只有与商品、供应商和经营节奏匹配的方法。这是补货计划选型最重要的结论。
| 业务特征 | 优先考虑的方法 | 主要原因 | 常见风险 |
|---|---|---|---|
| 销量稳定、交期明确的标品 | 订货点补货 | 参数少、触发逻辑清晰，适合预警 | 活动期间固定参数失真 |
| 多 SKU、固定采购节奏 | 定期补货 | 便于合并采购、控制运费和审批 | 检查周期过长导致缺货 |
| 季节品、活动品 | 预测驱动补货 | 能够纳入季节、促销和渠道计划 | 预测偏差导致积压 |
| 新品或历史数据不足 | 小批量试销 | 用真实销售反馈代替假设 | 初期备货不足或过度乐观 |
| 多平台、多仓、多渠道 | 系统化补货 | 统一可用库存、在途库存和调拨逻辑 | 基础数据不准，系统建议失效 |
最常见的补货点模型是：
补货点 = 补货期间的预计需求量 + 安全库存
在销量相对稳定时，可以进一步写成：
补货点 = 平均日销量 × 供应周期 + 安全库存
这里的“供应周期”不能只理解为供应商生产时间。更稳妥的口径应当包括下单处理、供应商备货、运输、到仓、质检和可售入库所需的完整时间。如果采购下单后平均需要 18 天才能真正变成可售库存，那么用 10 天生产周期来计算，补货点必然偏低。
同时，“平均日销量”也不是随手取一个月总销量除以 30。促销日、断货日、异常退款日和新品爬坡期都可能扭曲平均值。对于需求波动较大的商品，我通常会使用滚动窗口、分时段销量或活动修正，而不是机械使用历史平均数。
只解决“什么时候下单”，只能叫库存预警，不能算完整的补货计划。真正可执行的计划，还要把采购批量、仓容、资金、在途、渠道承诺和供应商交期一起纳入。
这是我认为最值得优先修正的基础问题。很多团队打开库存表，只看到“当前库存 800 件”，于是认为还能卖 800 件。但实际可能有 120 件被售后订单锁定，200 件已经分配给待发订单，100 件因质检不合格暂不可售，另有 300 件在途但尚未入库。
因此，补货判断至少要区分以下库存状态：
我更倾向于用“预计可用库存”来做补货判断，而不是直接用仓库现货。一个简化表达是：
预计可用库存 = 可售库存 + 预计按时到货的在途库存 – 已承诺需求 – 供应周期内预计销售量
如果在途库存的准时到货率只有 70%，就不能把全部在途库存按 100% 计入补货决策。对交期不稳定的供应商，应该按可靠到货数量估计，或者把延误风险转化为额外安全库存。
假设某商品过去 30 天卖出 3,000 件，平均日销量为 100 件。这个数字看起来很清楚，但如果其中 20 天每天卖 60 件，10 天活动期间每天卖 180 件，平均值就没有告诉我们下一批货会面对什么需求。
如果未来供应周期正好覆盖活动期，使用 100 件的日均销量会低估需求；如果活动已经结束，仍然按 180 件计算，又会造成过量采购。补货参数必须和需求阶段对应，而不是永远使用同一个均值。
我在实际分析中，会把销量拆成至少四类：正常销售、活动销售、异常销售和缺货销售。缺货日销量为零，并不代表需求为零，而是代表库存无法满足需求。若把缺货日直接放进平均值，企业会用“卖不出去”的数据来证明商品卖得慢。
安全库存的作用，是覆盖需求波动和供应波动带来的不确定性。它不是“在平均库存上加 10%”这样一个永远不变的比例。
影响安全库存的因素包括需求标准差、供应周期波动、供应商准时交付能力、商品毛利、缺货损失和库存持有成本。高毛利、缺货损失大的核心商品，可以接受更高的服务水平；低毛利、易过期或生命周期短的商品，则不能只为了避免缺货而无限提高库存。
如果暂时没有足够的数据做统计模型，我建议把固定比例仅作为试运行参数，并规定复盘周期。例如先按 7 至 14 天销量设置初始缓冲，连续观察四周，再根据缺货率、库存周转和交期偏差调整，而不是把这个比例当成行业标准。
很多积压并非因为预测完全错误，而是因为目标库存中混入了过多“想象中的需求”：预计活动会爆发、预计供应商会涨价、预计下个月会缺货、预计渠道会追加订单。每个假设单独看都合理，叠加后就可能产生数月库存。
目标库存必须有上限。除了需求和供应周期，还要加入仓容、现金流、商品保质期、退货率和可替代性约束。尤其是服饰、食品、数码配件和有版本更新风险的商品，库存上限往往比补货下限更重要。
订货点补货的逻辑很直观：库存下降到某个阈值，就触发采购或调拨。它适合销量相对稳定、供应周期清晰、SKU 规则不太复杂的商品。
例如，一款日均销售 40 件的标准包装商品，完整供应周期为 12 天，企业希望额外保留 180 件缓冲库存，那么基础订货点就是：
40 × 12 + 180 = 660 件
当预计可用库存降到 660 件附近，就应该触发补货，而不是等到仓库只剩 180 件才下单。后者实际上已经把安全库存消耗掉了，稍有运输延迟就会缺货。
订货点补货的优点是易理解、易执行，也比较容易在库存系统中配置预警。但它有一个明显边界：固定阈值默认未来需求和供应周期不会突然改变。因此，遇到大促、价格调整、渠道上新或供应商产能变化时，阈值必须临时修正。
定期补货不是库存到了某个数才采购，而是在固定日期检查库存。例如每周一统一查看所有 SKU，按目标库存补足。这种方法适合供应商有固定订货窗口、采购需要合并订单、或者单次下单存在运费和最低起订量的业务。
定期补货的关键，不是“每周补一次”这句话本身，而是目标库存必须覆盖“检查周期加供应周期”内的需求。若每 7 天检查一次，供应商平均 14 天到货，那么目标库存至少需要覆盖约 21 天的预计消耗，再加上风险缓冲。
它的优点是采购流程统一，便于审批、排产和供应商协商；缺点是两次检查之间可能出现需求激增。如果商品日销量变化大，固定周检可能不如订货点补货敏捷。
目标库存法的核心是设定一个“希望库存达到的水平”，然后根据当前预计可用库存和采购约束计算补货数量。它比单纯的补货点多考虑了一步：库存触发后究竟补到哪里。
一个简化的补货数量公式可以写成：
建议补货量 = 目标库存 – 预计可用库存 + 预留量
实际执行时，还要向上取整到供应商的箱规、最小起订量或经济采购批量，并检查仓容和预算。如果计算出来需要补 730 件，但供应商按每箱 48 件供货，就不能简单下单 730 件，而要在 720 件和 768 件之间结合资金与缺货风险作选择。
目标库存法适合商品数量较多、采购工作需要批量处理的企业。不过，所有 SKU 使用同一个目标库存周期通常是错误的。高贡献核心 SKU、低频长尾 SKU、季节品和易贬值商品，必须有不同的目标水平。
预测补货适合需求存在明显趋势、季节性或活动波动的商品。它可以使用历史销量、价格、促销日历、投放计划、渠道订单和市场变化等信息，对未来一段时间的需求做估计。
但预测不是自动补货的同义词。预测模型给出的只是需求估计，补货计划还要结合供应周期、采购批量、资金上限和风险偏好。预测每天卖 1,000 件，不代表企业就应该一次采购 30,000 件。
我通常建议先把预测用于“提供参考区间”，而不是直接替代人工审批。连续观察预测误差、活动实际增量和到货偏差，确认数据质量和业务流程稳定后，再逐步增加自动化比例。
新品最大的问题是没有可靠历史数据。此时使用成熟商品的日均销量、季节系数或安全库存比例，很容易产生虚假的精确感。
新品更适合小批量、多批次补货。第一批订单重点验证点击、转化、售罄速度、退货率和评价反馈；第二批再根据实际销售速度修正；只有当需求和供应表现趋于稳定后，才进入固定订货点或目标库存管理。
新品阶段最重要的指标不是“预测得多准”，而是“错误备货的代价是否可控”。这是新品和成熟 SKU 在补货逻辑上的根本区别。
我不建议一开始就给每个 SKU 建一套独立规则，那会迅速把团队拖进参数维护泥潭。更实用的方法是先按贡献度和波动程度分层。
可以用 ABC 识别哪些商品贡献了大部分销售额或毛利，再用 XYZ 观察需求是否稳定。需要特别说明，ABC 的口径必须先说清楚：按销售额分类、按毛利分类、按销量分类和按库存占用分类，得到的结果可能完全不同。
很多补货表只记录“供应周期 15 天”，但同一个供应商可能有的订单 12 天到货，有的订单 23 天才到。平均数只能说明中心水平，不能说明延误风险。
我会同时看平均交期、最长交期、准时交付率和交期波动。如果供应商平均 15 天到货，80% 的订单在 15 天内完成，但 20% 的订单会拖到 25 天，那么安全库存不能只按照 15 天需求计算。
在没有复杂统计模型时，可以把供应商分为稳定、一般和高风险三档，并分别设置不同的缓冲天数。这个做法不如完整概率模型精细，但比所有供应商统一使用一个安全库存比例更接近真实业务。
补货计划本质上是在缺货损失和库存持有成本之间做取舍。缺货不只是少卖一单，还可能导致广告转化下降、店铺排名波动、客户转向竞品；积压也不只是占仓，还会产生折价、过期、返工、调拨和资金占用。
我建议至少估算以下成本：
| 成本类型 | 可观察指标 | 对补货参数的影响 |
|---|---|---|
| 缺货成本 | 缺货天数、损失订单数、毛利损失 | 缺货代价高时，提高服务水平和安全库存 |
| 库存持有成本 | 仓储费、资金成本、保险和管理成本 | 持有成本高时，压缩目标库存和采购批量 |
| 贬值成本 | 折价率、过期率、版本淘汰率 | 限制库存上限，缩短补货周期 |
| 采购交易成本 | 下单次数、运输费、审批耗时 | 交易成本高时，倾向定期补货和合并采购 |
如果企业连可售库存、在途库存和锁定库存都没有统一口径，直接上线预测系统通常不会立刻改善补货。系统只会更快地处理错误数据，并把错误建议自动化。
我更推荐三阶段升级：
自动化的前提不是软件功能多，而是输入数据能被持续维护，输出结果能被业务解释。
一条补货规则如果只有启用条件，没有退出条件，就会在商品生命周期变化后继续制造错误。比如新品从快速增长进入成熟期，促销商品活动结束，供应商由稳定变成频繁延迟，原来的参数都应重新评估。
我会为补货规则设置这些触发器：
下面用一组示例数据说明分析过程。数据为情景模拟，不代表某家企业的真实经营结果，但参数设置参考了中小电商常见的单仓、多平台业务：企业有 240 个在售 SKU，覆盖日用品、活动礼盒和新品三个类别，库存数据来自订单、采购和仓库记录。
原来的做法是每周一导出平台库存，运营人员按销量排序，再凭经验填采购数量。表格能够回答“当前有多少库存”，却无法清楚区分在途、锁定和不可售库存，也无法说明某次采购建议是由销量变化还是供应商延迟造成的。
| 商品类别 | SKU数量 | 销量特征 | 平均供应周期 | 原补货方式 |
|---|---|---|---|---|
| 稳定日用品 | 120 | 日波动较小 | 10至14天 | 每周人工查看 |
| 活动礼盒 | 60 | 活动期销量约为平日2至3倍 | 18至25天 | 按上月均值补货 |
| 新品 | 60 | 历史数据不足 | 12至20天 | 参考相似商品下单 |
在九数云中，可以把销售订单、库存快照、采购订单、入库记录和商品主数据关联起来，建立按 SKU、仓库、日期和渠道的分析视图。这里的价值不只是制作一张漂亮的仪表板，而是让每个补货建议都能追溯到输入条件。
我会优先建立以下字段：
以稳定日用品为例，假设某 SKU 近 30 天正常日均销量为 38 件，完整供应周期为 12 天，安全库存设为 160 件，补货点为 616 件。当前可售库存为 500 件，在途库存为 240 件，但预计只有 85% 能在供应周期内按时到货，则有效在途库存约为 204 件。
如果未来 12 天预计销售 456 件，那么预计可用库存为 500 + 204 – 456 = 248 件，已经低于安全库存。此时不能因为“在途库存还有 240 件”就停止采购，而应进一步判断在途到货时间和下一批采购的到货时间。
这个例子体现了一个常被忽略的差异：补货判断关注的不是库存总量，而是库存能否在需求发生之前成为可售供给。
假设活动礼盒平日每天销售 25 件，活动期间预计每天销售 80 件，活动持续 7 天，供应周期为 21 天。若只用过去 30 天平均销量计算，可能得到约 38 件的日均销量，进而低估活动前需要准备的库存。
更合理的做法是把活动计划作为独立输入，至少拆出活动前备货、活动期消耗和活动后回落三个阶段。活动前关注供给保障，活动期关注实时消耗，活动后则要迅速下调补货参数，避免把短期峰值延续到整个季度。
在九数云的分析页面中，可以把活动标记、日销量和库存曲线放在同一视图中，观察销量峰值是否真正对应活动，而不是把所有异常增长都当成可重复趋势。对运营和采购来说，这种关联比单独看一张销量排行榜更有决策价值。
新品前两周可能因为首发流量、达人推荐或低价促销出现异常高销量。此时如果直接把首周销量年化，建议采购量会被严重放大。
我更建议用批次观察表记录每次补货后的售罄速度、转化率、退货率、评价变化和广告投入。连续两到三个补货周期后，如果销量和退货表现趋于稳定，再把新品转入成熟商品分层。
| 观察周期 | 建议重点看什么 | 补货动作 |
|---|---|---|
| 首批销售1至7天 | 点击、转化、售罄速度和退货原因 | 不因单日爆量大幅追加 |
| 第8至14天 | 日销量中位数、活动增量和供应商反馈 | 决定是否安排第二批小量采购 |
| 第15至30天 | 销量波动、毛利、评价和复购 | 逐步建立订货点或目标库存 |
| 30天以后 | 预测误差、周转和缺货损失 | 纳入常规分类管理 |
补货系统或分析工具输出了多少条建议，不是最重要的结果。真正需要持续观察的是缺货率、库存周转、库存金额、建议采纳率、到货及时率和预测误差。
如果建议数量很多，但采购人员大部分时间都在修改建议，说明规则可能过于敏感或基础数据不完整；如果建议采纳率很高，但库存金额持续上升，说明系统可能偏向“宁可多备货”；如果库存金额下降了，缺货率却明显上升，则不能简单把结果判断为优化成功。
九数云更适合作为补货分析和管理看板的一部分：它可以帮助团队把多来源数据汇总、关联和可视化，再围绕异常做追踪。但它不会自动消除供应商延迟、促销失真或商品生命周期变化。工具能提高数据处理效率，不能替代补货规则本身。
Excel 并不低级。对于 SKU 数量少、单仓运营、供应商不多、补货规则简单的企业，结构清晰的表格完全可以支撑早期管理。关键是表格必须有统一字段、更新时间、责任人和版本控制。
我建议最低限度保留以下字段：SKU、仓库、可售库存、锁定库存、在途库存、近 7 天销量、近 30 天销量、供应周期、安全库存、补货点、建议补货量、采购批量、预计到货日和最后更新时间。
Excel 真正的风险通常不是公式不会写，而是数据源分散、多人复制、版本混乱和责任不清。如果采购使用一版库存，运营使用另一版库存，哪怕每个公式都正确，最终也会得到不同的补货结论。
当企业开始同时管理采购、销售、入库、出库、退货和供应商时，单纯依靠表格会出现大量重复录入。此时进销存系统或 ERP 的主要价值，是统一业务单据和库存口径。
选择这类系统时，我会优先确认它能否处理可售库存、锁定库存、在途库存、调拨库存和采购批量，而不是先看宣传中的功能数量。系统如果只能记录仓库现货，却不能记录订单占用和在途状态，补货模块很可能仍然会给出偏高或偏低的建议。
数据分析平台的价值在于，把分散在电商平台、订单系统、仓库系统、采购表和财务表中的数据关联起来，形成可下钻的分析链路。
例如，一个 SKU 的缺货率上升，分析人员可以继续下钻到缺货日期、对应渠道、当天活动、供应商、采购订单和到货偏差，而不是只看到一张红色预警卡片。九数云这类工具在这里的作用，是帮助企业建立统一分析口径和异常追踪机制。
但分析平台和业务交易系统的职责不同。前者更擅长汇总、分析、可视化和复盘；后者更适合处理采购单、入库单、出库单和审批流。企业不要因为买了分析工具，就认为采购执行已经自动完成。
当 SKU 超过几百个、仓库和渠道不断增加、采购人员每天花大量时间导表和核对，或者促销活动频繁导致参数持续变化时，自动补货系统才有更明显的价值。
不过，上自动化前必须先完成三项准备：
| 检查项 | 需要确认的问题 | 不满足时的风险 |
|---|---|---|
| 库存口径 | 能否区分可售、锁定、在途和不可售库存 | 重复采购或错误停止采购 |
| 供应商管理 | 能否记录实际交期和准时交付率 | 安全库存长期失真 |
| 需求分析 | 能否区分正常销量、活动销量和缺货销量 | 预测被异常数据污染 |
| 补货规则 | 是否支持按商品分类配置不同规则 | 所有 SKU 使用同一套参数 |
| 多仓协同 | 能否进行仓间调拨和渠道库存分配 | 一边积压，一边缺货 |
| 审批追踪 | 是否能记录建议、修改、审批和实际下单量 | 无法复盘判断偏差 |
| 数据分析 | 能否追踪缺货率、周转和库存金额变化 | 只看建议数量，不看经营结果 |
如果企业只有几十个核心 SKU，销量和供应周期都相对稳定，我不会建议立即采购复杂系统。先用一张结构化补货表，建立可售库存、在途库存、补货点和采购批量，再连续复盘四周。
这个阶段的主要取舍是效率和灵活性。表格成本低、修改快，但容易依赖个人经验。只要建立固定更新时间和复核责任人，表格可以是很好的起点。
如果企业有几百个 SKU，供应商要求每周或每月集中下单，应该优先建立目标库存和定期补货机制。不要让采购人员每天逐个判断，否则大量时间会消耗在重复检查上。
这里的取舍是响应速度和采购效率。定期补货便于合并采购、控制运费和统一审批，但要为核心 SKU 设置额外的临时预警，否则检查周期内的突发需求可能被遗漏。
促销商品适合使用历史趋势和活动计划共同预测。活动开始前看备货覆盖，活动进行中看实际消耗，活动结束后看剩余库存和补货参数回落。
这里的取舍是销售保障和积压风险。活动预测偏高可能带来库存压力，偏低又会损失活动机会。我建议设置上限和分批到货，而不是一次性把全部预测需求变成采购订单。
新品补货的行动重点是控制错误成本。首批订单不要只看供应商最低起订量，还要看卖不完时的折价空间、退货成本和替代销售渠道。
这里的取舍是单位采购成本和库存风险。大批量采购可能拿到更低价格，但会放大需求判断错误；多批次采购的单件成本可能更高，却能让企业根据真实销售修正计划。
多平台业务最容易出现“每个平台都显示有库存，但整体已经不够发货”的情况。原因是渠道库存分配、锁定订单、调拨在途和仓库库存没有统一计算。
此时应先建立库存总账和渠道分配规则，再考虑自动补货。系统可以帮助计算和预警，但“库存优先给哪个渠道”仍然是经营决策，不能完全交给默认参数。
库存计划不能只追求服务水平。对于现金流紧张的企业，我会给采购计划增加预算上限，并将商品按毛利、周转和缺货损失分层。核心商品优先保障，低毛利长尾商品延后或采用按需采购。
这里的取舍是销售机会和资金安全。库存越高不代表经营越稳，无法变现的库存反而会限制下一轮采购和营销投入。
固定比例可以帮助新团队快速起步，但不能长期作为统一规则。销量波动、供应周期、毛利和商品生命周期不同，安全库存就应不同。
如果团队暂时没有统计能力，可以先按商品类别设定三档缓冲，再每月查看缺货率和周转天数。关键是建立“参数会变化”的意识。
同样的日均销量，供应商 7 天稳定到货和 20 天上下波动，补货点不可能相同。供应商交期数据必须回写到补货分析中，否则采购计划只是在假设供应商永远准时。
最低库存能减少缺货，却不能防止过量采购。企业还应设置目标库存、库存上限、资金上限和生命周期退出条件。尤其是易贬值商品，库存上限往往比安全库存更能保护利润。
商品缺货时销量为零，并不代表市场没有需求。如果把这些日期纳入平均销量，补货系统会错误地认为商品销售能力下降。
分析时应标记缺货日期，并区分“没有需求”和“有需求但无法供货”。如果有搜索、加购、收藏或取消订单数据，还可以用这些信号辅助判断潜在需求。
人工修改不是系统失败的证明，可能代表活动、渠道政策或供应商谈判等系统尚未纳入的信息。但如果每次修改都没有理由，企业就无法判断是规则问题、数据问题还是业务临时判断。
建议保留修改原因，例如“活动增量”“供应商延期”“预算限制”“仓容不足”“生命周期下调”。连续积累后，这些原因本身就是优化补货模型的重要数据。
库存金额下降当然可能是好事，但如果同时出现缺货率上升、广告转化下降和客户流失，就不能称为真正优化。库存管理应至少同时看服务水平、周转效率和资金占用。
不要一开始就修改所有参数。先确认商品编码、仓库、渠道、可售库存、锁定库存、在途库存和缺货日期是否能够对应起来。
不需要一开始就建立复杂模型。可以先按稳定标品、活动商品、新品、低频长尾品四类分类，再为每类指定默认补货方法和人工复核条件。
分类的目的不是贴标签，而是避免所有商品共享一套参数。分类完成后，团队才能知道哪些 SKU 可以自动处理，哪些 SKU 必须人工判断。
把过去 8 至 12 周的销量和供应周期带入新规则，观察如果当时采用该方法，是否会减少缺货，是否会增加过量库存。回测不等于保证未来准确，但能快速暴露参数是否明显偏离实际。
可以重点观察三个问题：补货点是否经常在缺货后才触发，目标库存是否长期超过销售覆盖，活动结束后参数是否及时回落。
将补货建议、实际采购、实际到货和销售结果放在同一张分析视图中。九数云可用于搭建按商品、仓库、供应商、渠道和日期下钻的补货分析看板，帮助团队从“看预警”转向“追原因、看结果”。
建议每周复盘核心 SKU，每月复盘分类和参数，每季度复盘工具与流程是否仍然适合业务规模。规则不是一次配置永久使用，而是随着销量、供应商和商品生命周期变化不断调整。
我最后想强调一个容易被忽略的判断：补货计划的成熟度，不是看系统能不能自动生成采购建议，而是看团队能不能解释每一个建议为什么出现、为什么被修改，以及修改后经营结果有没有变好。
对于小规模电商，先从统一库存口径和简单订货点开始；对于多 SKU 企业，建立分类、目标库存和定期补货；对于多仓、多平台和强波动业务，再逐步引入数据分析、预测和自动化。工具可以选择九数云等数据分析平台来提高汇总、看板和追踪效率，但工具始终应该服务于补货逻辑，而不是代替补货逻辑。
下一步可以从 20 个核心 SKU 开始：整理 30 天销量、当前可售库存、在途库存、实际供应周期和缺货记录，先算出一版补货点，再用四周结果验证。只有经过这一步，企业才知道自己真正缺的是公式、数据、流程，还是工具。
我现在有几十个 SKU，不同商品的销量波动和供应周期差异很大，但团队一直用同一张表、同一个补货规则。我想知道订货点补货、定期补货、目标库存补货和预测补货到底该怎么选，而不是只看哪个方法听起来更先进。
补货方法的选择，首先看商品的需求稳定性和供应周期，而不是看企业是否已经购买了系统。实际做补货梳理时，我会先把商品按“销量稳定程度、供应周期波动、缺货损失、库存贬值风险”四个维度分类。例如，日均销量约为100件、供应周期稳定在7天以内的标品，通常适合订货点补货；
每周集中向供应商下单、SKU较多但单品波动不大的业务，更适合定期补货或目标库存补货；促销影响明显的季节品，则需要把活动计划和预测销量纳入补货模型。
商品特征优先考虑的方法主要原因需要警惕的问题 销量稳定的标品订货点补货库存降至阈值即可触发采购促销后固定阈值可能失真 多 SKU 集中采购定期补货方便合并订单和统一审核检查周期过长会增加缺货风险 季节品、活动品预测驱动补货能够反映需求高峰和活动增量预测误差可能造成积压 新品小批量分批补货避免没有历史数据却一次性重仓首批订单过小可能错过销售窗口 我的判断是：大多数中小电商不需要一开始就上复杂预测。
先把稳定品用订货点或定期补货管住，再对高价值、高波动和季节性商品单独建立规则，往往比给所有 SKU 套一套“智能补货”参数更可靠。
我看到很多教程都写“补货点=平均日销量×备货时间+安全库存”，但我不确定备货时间到底要不要包含采购、生产、运输、入库和质检。我还担心用过去30天平均销量会掩盖促销高峰，导致公式算得很准，结果却还是缺货。
这个公式适合作为入门模型，但不能把“平均日销量”和“备货时间”当成固定不变的标准答案。更准确的基础表达是：补货点=补货期间的预计需求量+安全库存，其中补货期间应覆盖从下单到库存真正可销售的完整时间。
例如，某商品采购处理需要2天，供应商生产3天，运输5天，入库和质检还要1天，那么补货周期应按11天评估，而不是只看供应商承诺的5天运输时间。若近14天实际日均销量为80件，安全库存设为300件，则基础补货点约为80×11+300=1180件。安全库存也不宜简单按“销量的20%”固定设置。
需求波动、供应商延迟、运输不稳定和缺货损失都会影响安全库存；如果供应商交期从5天到12天不等，安全库存就应覆盖这种交期波动，而不是只覆盖销量波动。
参数常见错误更稳妥的做法 日均销量全年或长期平均值直接套用按近期趋势、活动周期和季节性分别观察 供应周期只计算运输时间包含下单、生产、运输、入库和质检 安全库存所有 SKU 使用同一比例结合波动、交期稳定性和缺货损失调整 库存口径只看仓库现货同时核对可售、锁定、在途和已下单库存 如果促销会让销量从日均80件突然升到250件，就不能只用80件计算活动前补货。
正确做法是把日常需求、活动增量和活动后的回落分别建模，并在活动结束后及时降低补货参数，否则高峰期的参数很容易变成后续积压的来源。
我目前用 Excel 管理库存，SKU 数量还在增长，采购、运营和仓库经常各自维护一份数据。我想知道什么时候必须升级工具，以及选型时除了看有没有“自动补货”功能，还应该重点验证哪些能力。
工具升级的临界点通常不是 SKU 数量本身，而是人工维护已经开始影响决策。例如，同一个 SKU 在多个平台存在不同库存口径，采购人员需要手工合并订单，或者每天花数小时核对在途库存，这些都说明问题已经从“不会算”变成了“数据无法及时流动”。
Excel适合单仓、SKU较少、补货规则简单且由少数人维护的团队。ERP或进销存系统更适合统一采购、销售、入库、出库和供应商数据；自动补货或供应链计划系统，则更适合多平台、多仓库、促销频繁、需要预测和审批协同的业务。
工具阶段适用条件必须具备的能力常见失败原因 Excel少 SKU、单仓、规则稳定库存台账、补货公式、责任人和更新时间版本混乱、数据过期、公式被误改 ERP/进销存采购与库存需要统一订单、入库、出库、供应商和在途管理基础数据不完整，系统上线后仍靠手工补录 自动补货系统多仓、多渠道、波动较大预测、预警、规则、审批和效果复盘把系统建议当成绝对正确，忽略活动和异常 选型时我最建议现场验证七件事：能否区分可售库存与锁定库存，能否纳入在途数量，能否按供应商设置交期，能否按 SKU 设置安全库存，能否处理多仓调拨，能否记录补货建议的依据，以及能否复盘缺货率和库存周转。
如果系统只能展示库存，却不能解释“为什么建议补这么多”，自动化价值会大打折扣。补货建议至少应能追溯到需求数据、供应周期、现有库存、在途库存和目标库存，采购人员才能判断它是合理建议，还是被错误数据驱动的结果。
我曾经遇到过库存看起来不少，但销售端仍然缺货的情况，也遇到过活动结束后仓库积压数月的问题。除了设置补货点，我还想知道应该持续观察哪些指标，才能判断补货计划是真的改善了库存，而不是把问题从缺货转移成积压。
补货计划最常见的错误，是把“补货规则”当成一次性配置。实际上，销量、供应商交期、促销节奏和商品生命周期都会变化，参数必须通过结果持续校正。尤其是活动品，活动期间的销量数据不能直接复制到日常补货阶段。第一个坑是只看现货，不看库存状态。
某商品仓库有1000件，但其中300件已被订单锁定、400件正在调拨，真正可售库存只有300件。如果补货表把1000件都视为可用，就会错误地延后采购。第二个坑是只设置库存下限，不设置库存上限。补货后如果没有目标库存、仓容或资金约束，销量一旦下降，系统仍可能持续按旧参数下单。
对高价值、易过期或生命周期短的商品，库存上限往往和补货点同样重要。
指标观察重点异常信号 缺货率有需求但无法销售的比例补货点过低、交期被低估或库存口径错误 库存周转天数库存可支撑销售的天数补货量过大、需求下滑或库存上限缺失 预测误差预测销量与实际销量的差异活动、季节性或新品参数没有单独处理 供应商准时交付率实际到货是否符合承诺安全库存未覆盖交期波动 我建议至少连续复盘4到8个补货周期，并把商品按稳定品、波动品、季节品和新品分开看。
不能只看整体库存周转率，因为高周转的畅销品可能掩盖长尾品积压，整体平均值反而会让管理者误以为规则运行良好。一套有效的补货计划，应该同时回答三个问题：缺货是否减少，库存资金是否可控，补货建议是否能够被解释和复盘。
如果只能降低缺货率，却让库存周转天数持续上升，就不能称为优化，只能算是用更多库存换取销售稳定。
读者评论
文章把补货方法与商品特征、供应周期和数据完整度联系起来，避免了只套公式的误区。尤其是区分可售、锁定、不可售和在途库存，对多平台经营很有参考价值。
对安全库存不能简单按固定比例增加的分析比较实用。将缺货损失、交期波动、毛利和保质期一起考虑，能帮助企业在缺货与积压之间做更合理的权衡。
订货点、定期补货、目标库存和预测补货的适用边界讲得较清楚。不过实际落地还需要结合系统数据质量，否则自动化建议可能会被错误库存和异常销量带偏。
新品采用小批量试销和高频复盘的思路比较稳妥。相比直接套用成熟商品参数，这种方法更重视真实销售反馈，也能降低首批备货过量的风险。