电商库存实战复盘：从补货计划验证核心功能效果

补货计划上线后的第三天，系统给一款日均销量只有 18 件的商品生成了 420 件采购建议；同一时间，另一款日均销量超过 100 件的商品却没有触发补货预警。运营人员第一反应是“算法算错了”，但我把库存、在途、锁定、促销和供应商交期逐项拆开后发现，真正的问题并不在公式，而在于系统把一批已被订单锁定的库存当成了可用库存，同时漏掉了一个已经延期 9 天的采购单。

这次复盘让我确认了一件事：补货计划是否有效，不能用“系统有没有算出推荐数量”来判断，而要看数据口径、业务规则、执行流程和最终经营结果能否闭环。如果库存系统只会给出一个数字，却无法解释为什么补、补多少、何时到货、谁修改过，以及执行后是否减少了缺货，那么这个数字再精确，也很难真正帮助企业做决策。

一、先讲结论：补货计划验收不是看公式，而是看闭环

1. 补货建议的正确率，首先取决于库存口径

很多企业在验收补货功能时，第一步就去核对再订货点和推荐采购量，反而忽略了最基础的库存字段。系统中的“库存”至少需要拆分为现有库存、可用库存、锁定库存、在途库存、待入库库存和安全库存。不同字段的含义一旦混用，后面的预测模型和补货算法都会建立在错误输入上。

我在复盘时通常不会先看报表，而是随机挑选 5 到 10 个 SKU，沿着一笔订单、一张采购单和一次入库记录反向核对。只有当系统库存能够与仓库台账、订单系统和采购记录对上，才有必要继续讨论补货公式是否合理。

2. 推荐数量合理，不代表推荐结果可执行

系统可能计算出需要补货 237 件，但供应商的最小起订量是 500 件，包装倍数是 48 件，采购预算又只剩 8,000 元。此时 237 件在数学上可能成立，在采购流程中却无法落地。一个真正可用的补货功能，必须把最小起订量、包装倍数、供应商产能、库容、预算、商品生命周期和预计到货时间纳入判断。

因此，我会把“预测结果”和“执行建议”分成两个层次。前者回答需求可能是多少，后者回答企业现在应该采购多少。二者之间需要经过业务约束校验，而不能直接把预测量当成采购量。

3. 最终效果要同时看缺货和库存占用

只看缺货率，系统很容易通过堆高库存来取得漂亮结果；只看库存金额，系统又可能通过减少采购导致大量缺货。补货计划至少要同时观察缺货率、订单履约率、库存周转天数、库存金额、呆滞 SKU 占比、补货建议采纳率和人工修改率。

在一轮脱敏复盘中，我建议把系统效果拆成三个层面：输入数据是否准确，过程中的推荐和执行是否顺畅，结果上的库存和履约是否改善。只有三个层面都通过，才能说补货功能真正有效。

二、背景和真实场景：为什么一张补货表解决不了问题

1. 复盘对象是一个典型的多渠道电商库存场景

为了避免只讲抽象公式，下面使用一组脱敏后的项目数据进行说明。该项目包含 1,860 个在售 SKU，覆盖自营商城、第三方平台和线下分销渠道，库存分布在华东、华南两个自建仓以及一个平台仓。商品中既有日用品，也有季节性商品和新品，供应商交期从 3 天到 35 天不等。

上线前，采购人员主要依据 Excel 表格和个人经验判断补货。每天需要从多个系统导出销量、库存、采购单和仓库调拨数据，再手工合并。一个采购专员处理 300 个左右的活跃 SKU，通常需要 2 到 4 小时才能完成一次初步筛选。

这种方式并不是完全无效。熟悉业务的采购人员能够识别爆款、季节变化和供应商异常，但经验无法稳定复制，也难以留下完整的修改记录。当人员休假或商品规模扩大时，补货判断就容易出现明显波动。

2. 上线前暴露出三类相互矛盾的问题

• 部分畅销 SKU 频繁缺货：订单高峰期没有及时识别销量变化，采购单下达后又无法准确追踪延期。
• 部分长尾 SKU 库存积压：系统按照历史累计销量排序，却没有识别商品已经进入销售下滑期。
• 仓间库存无法有效利用：一个仓库显示缺货，另一个仓库仍有库存，但系统没有先判断调拨是否比新采购更合适。

这三个问题说明，补货计划并不只是“历史销量乘以天数”。它实际上是一个由需求预测、库存状态、供应链约束和执行反馈共同组成的决策流程。

3. 为什么选择从一个小范围商品组开始

我不建议企业在补货系统刚上线时，直接对全部 SKU 自动生成采购任务。更稳妥的做法是先选择一个包含畅销品、稳定品、季节品和新品的商品组，覆盖 100 到 300 个 SKU，跑完一个完整补货周期，再决定是否扩大范围。

本项目先选取 240 个活跃 SKU，其中 48 个为高销售贡献商品，96 个为稳定销售商品，60 个为低周转商品，36 个为新品或季节性商品。这样做的好处是，系统既能接受常规场景的检验，也会暴露出新品、促销和交期波动等边界问题。

三、常见误区：最容易把补货系统验收做偏的地方

1. 误区一：把预测销量当作真实需求

历史销量只能代表在某些价格、流量、促销和供应条件下已经发生的订单，不等于未来必然发生的需求。某商品在大促期间日均卖出 800 件，如果采购系统把这 800 件直接作为未来 30 天日均销量，得到的补货结果大概率会严重偏高。

我的做法是先对销量做事件标记，把日常销售、促销销售、异常爆单、缺货期间销售和退款订单分开。缺货期间销量尤其容易被误判：商品实际卖不出去，不代表用户没有需求，可能只是库存已经不足，历史订单被供应限制住了。

2. 误区二：只看仓库现货，不看库存状态

“仓库里有 1,000 件”并不能直接说明还有 1,000 件可以销售。如果其中 420 件已经被订单锁定，180 件待质检，200 件属于不可售残次品，真正可用库存可能只有 200 件。

在验收时，我会要求业务方明确每个库存字段的业务动作。例如，可用库存能够参与补货计算，锁定库存只能用于履约，待质检库存不能承诺给客户，不同状态必须在系统中有清晰的流转关系。

3. 误区三：安全库存统一设置为固定天数

“每个 SKU 保留 7 天安全库存”看起来简单，但不同商品的销量波动、毛利、交期和缺货损失差异很大。一个每天卖 2 件、交期稳定的商品，保留 14 天库存可能没有明显风险；一个每天卖 300 件、交期波动 10 天的商品，7 天安全库存却可能远远不够。

安全库存应当被理解为对不确定性的缓冲，而不是固定的库存福利。销量波动大、供应商交期不稳定、缺货损失高的商品，需要更高的缓冲；销售下滑、保质期短或临近下架的商品，则应当降低缓冲。

4. 误区四：推荐数量越接近人工采购量，系统就越准确

人工采购量并不一定是正确答案，它可能包含预算限制、供应商临时承诺、老板要求、仓库容量或采购员的风险偏好。系统如果只是复现过去的人工决策，可能看起来“很像”，却没有真正改善结果。

我更关注推荐数量与实际结果之间的关系。例如，系统建议补 500 件，采购只买了 300 件，最终商品没有缺货且库存周转改善，这不一定表示系统失败，而可能说明系统的目标库存参数偏高，人工判断纠正了过度补货。

5. 误区五：只验收报警有没有弹出，不验证报警是否有用

预警功能可以每天产生大量红色提醒，但如果其中一半是因为在途库存已经覆盖需求，或者商品正在执行清仓，采购人员很快会忽略所有提醒。预警的价值不在数量，而在于它是否能够帮助人优先处理真正有风险的事项。

验收时应该记录预警的触发原因、处理时效、误报率和重复率，并要求系统区分“预计 3 天内缺货”“已低于安全库存”“在途延期”“仓间可调拨”等不同类型。不同类型的预警，对应的动作并不相同。

四、专业判断逻辑：我如何判断一条补货建议是否值得执行

1. 先定义统一的库存计算口径

我在项目中会先写一份库存口径表，并要求产品、仓库、采购和财务共同确认。表中至少包括字段名称、计算方式、更新频率、业务用途、数据来源和异常处理方式。

这里最容易被忽略的是在途库存。若一张采购单预计 5 天后到货，而商品 3 天后就会缺货，那么这批在途库存不能简单地全部从补货量中扣除。系统应按需求发生时间判断它是否能够真正覆盖缺口。

2. 再判断需求预测是否使用了合适的时间窗口

对于销量稳定、价格变化少的商品，可以使用近 30 天或 60 天的加权平均。对于促销频繁的商品，则需要将促销日期、折扣力度和广告投放单独作为影响因素。对于新品，历史销量不足时，应使用相似商品、预售数据或人工设定的初始参数。

我不建议追求一个适用于所有商品的预测算法。实际运营中，更可靠的方式往往是按商品类型设定规则：稳定品使用滚动均值，高波动品使用分位数或区间预测，促销品使用活动计划修正，新品采用人工审核和小批量试采。

3. 用再订货点判断“什么时候补”，用目标库存判断“补多少”

再订货点和目标库存解决的是两个不同问题。简化来看，再订货点可以表示为：交付周期内的预计需求加安全库存。目标库存则通常还要覆盖下一次补货周期或计划周期的需求。

例如，某商品日均销量为 40 件，供应商平均交期为 8 天，安全库存为 120 件，则简化再订货点为 440 件。若当前可用库存为 300 件，且没有可靠的在途库存，系统应触发缺货风险。但最终采购多少，还要结合采购周期、最小起订量、包装倍数和仓库容量判断。

再订货点 = 交付周期内预计需求 + 安全库存
目标库存 = 计划覆盖周期内预计需求 + 安全库存

推荐补货量 = 目标库存 – 可用库存 – 可按时到货的在途库存

最终采购量 = 按最小起订量、包装倍数和预算约束修正后的推荐补货量

这组公式是帮助业务沟通的简化模型，并不是所有企业都必须采用的唯一算法。系统如果使用工作日、预测区间、需求分位数或供应商交期分布，也应该在结果页向使用者解释。

4. 把推荐原因放在结果旁边，而不是藏在参数页面

采购人员通常不会因为系统用了复杂算法就信任它，他们更关心“为什么现在要补”。一个可执行的建议至少应显示当前可用库存、预计日销量、覆盖天数、供应商交期、预计缺货日期、在途数量、推荐采购量和关键触发原因。

例如，“建议采购 480 件”不如显示为：“过去 14 天日均销量 52 件，预计交期 7 天，当前可用库存 210 件，预计 4 天后低于安全库存，在途 0 件，建议按包装倍数采购 480 件。”这类解释能够让运营人员快速判断参数是否可信。

五、以九数云为例：如何把补货复盘做成可追溯的分析过程

1. 工具的价值不在于替代采购，而在于把判断依据放在同一张分析链上

在这类库存复盘中，我会优先考虑使用九数云这类数据分析工具，把订单、库存、采购、入库和仓间调拨数据统一到一个分析模型中。这里需要明确：数据分析工具的作用不是凭空生成供应商承诺，也不是在没有业务规则的情况下自动决定采购，而是帮助团队把分散的数据连接起来，减少人工导表和重复核对。

实际搭建时，我会把分析分成五层：订单事实层、库存状态层、供应链约束层、补货计算层和结果评价层。这样做的好处是，每个推荐结果都能向上追溯输入，向下观察执行结果，避免报表只展示一个孤立的采购数字。

2. 第一层：统一订单和库存数据

订单数据至少要包含订单日期、SKU、渠道、数量、订单状态、退款状态和促销标记。库存数据则要包含仓库、SKU、现有库存、锁定库存、可用库存、不可售库存和更新时间。

如果不同渠道的 SKU 编码不一致，需要先建立商品主数据映射表。不要在报表中直接用商品名称拼接，因为同一商品可能存在规格差异、套装差异和渠道专供包装，名称相同并不代表可以合并计算。

使用九数云进行数据整合时，我会先做一张“数据质量检查表”，而不是直接制作漂亮的看板。重点检查重复订单、缺失仓库、日期格式、负库存、异常销量和 SKU 映射失败等问题。数据质量不通过，后面的图表越精美，误导性越强。

3. 第二层：建立库存覆盖天数和缺货日期

库存覆盖天数是运营人员最容易理解的指标之一，但它的分母必须明确。简单情况下，可以用可用库存除以预测日销量；当存在在途库存时，则需要把在途按预计到货日期拆分，而不是一次性加入当前库存。

例如，当前可用库存 240 件，预测日销量 60 件，表面覆盖天数是 4 天。如果有 300 件在途商品预计 2 天后到货，那么它对第 3 天以后的库存有帮助，却不能解决今天和明天的全部风险。系统应把库存覆盖拆成时间轴，计算每天的预计结余。

4. 第三层：把业务规则转成可观察的字段

补货规则不能只存在于产品经理的说明文档里。为了方便复盘，我通常会把以下字段直接展示在分析表中：

• 预测日销量和预测方法；
• 供应商平均交期和最长交期；
• 安全库存数量及设置依据；
• 当前可用库存；
• 预计按时到货的在途库存；
• 预计缺货日期；
• 目标库存和推荐补货量；
• 最小起订量、包装倍数和预算状态；
• 系统建议、人工修改结果和修改原因。

这些字段的意义在于，团队可以快速定位“建议不合理”的原因。是销量预测偏高，还是交期输入错误？是库存状态没有同步，还是采购规则没有配置？没有过程字段，复盘只能停留在“系统建议不准”的结论上。

5. 第四层：设置补货建议看板，而不是只做库存总览

我会把看板分成四个区域。第一个区域展示整体风险，包括预计 7 天内缺货 SKU、库存覆盖不足 SKU、在途延期采购单和高库存金额 SKU。第二个区域展示待处理任务，包括待采购、待调拨、待确认供应商和待人工审核事项。

第三个区域展示建议质量，例如建议采纳率、人工修改率、建议到采购单的转化率和修改原因分布。第四个区域展示执行结果，例如缺货率、库存周转天数、库存金额和采购加急次数。

这样设计后，管理者看到的就不再是“今天有多少件库存”，而是“哪些风险正在扩大、哪些任务需要处理、系统建议有多可信、执行后有没有改善”。

6. 第五层：用前后对比验证功能效果

在九数云中进行复盘时，我会将上线前 4 周作为基线期，上线后 4 周作为观察期，同时尽可能控制商品范围、仓库范围和促销条件。对于促销期或重大断货期，必须单独标记，否则前后对比容易受到外部事件影响。

表中的数据属于脱敏项目的情景模拟，用于说明验收方式，不应直接视为某个工具或某家企业的公开经营成绩。真正上线评估时，统计周期、SKU 范围、渠道范围、库存金额口径和缺货定义都必须写清楚。

六、具体案例：一条建议为什么从 420 件改成 96 件

1. 系统最初的推荐结果

案例 SKU 为一款标准包装日用品。系统最初给出的参数是：近 30 天日均销量 18 件，预计交期 10 天，安全库存 60 件，当前库存 140 件，推荐采购量 420 件。

如果只看表面公式，推荐量似乎并不离谱。系统把促销期间的 9 天销量纳入平均值，其中 6 天日均销量超过 70 件；同时，当前 140 件库存中有 80 件已被渠道订单锁定，系统却将其作为可用库存的一部分。

2. 人工核对后的数据变化

重新计算后，7 天交期需求量为 77 件，加上 36 件安全库存，目标库存约为 113 件。扣除 60 件可用库存后，基础缺口约为 53 件。考虑包装倍数 24 件，采购量向上取整后为 72 件；由于下一批采购需要覆盖一个额外的促销周末，最终审核为 96 件。

这次调整不是简单地“人工推翻系统”，而是把系统建议拆成输入、计算和约束三个层次。系统真正需要改进的地方，是促销标记没有进入预测口径，锁定库存没有在可用库存中扣除，安全库存也没有与商品风险等级联动。

3. 执行后的结果如何判断

该商品执行 96 件采购后，实际到货时间为 6 天，观察期内没有发生缺货，库存覆盖天数从 19 天降至 14 天，库存金额下降约 18%。如果只看初始推荐量，可能会认为采购不足；如果结合实际履约和库存占用，就能看出修正后的建议更符合业务目标。

我会把这类案例记录为“规则待优化”，而不是简单记为“系统错误”。因为系统已经识别到了补货需求，只是预测和库存口径需要完善。这样的记录能够帮助后续迭代，也能避免采购人员因一次异常而完全失去对系统的信任。

七、核心功能怎么验收：从“能用”到“值得依赖”

1. 补货建议功能

补货建议页面至少要回答五个问题：为什么补、补多少、预计什么时候缺货、库存覆盖多久、哪些因素影响了结果。如果页面只有 SKU、推荐数量和操作按钮，采购人员只能依赖经验二次判断，系统很难真正降低沟通成本。

验收时可以选择 20 个高风险 SKU 和 20 个低风险 SKU，检查推荐结果是否能够解释。对每条建议记录“接受、修改、驳回”三种结果，并要求填写原因。一个月后对修改原因进行归类，通常会发现问题集中在预测偏高、交期不准、库存未同步、活动计划缺失和最小起订量未配置等几个方面。

（1）建议采纳率不宜单独追求越高越好

如果系统建议全部被采纳，可能表示系统非常准确，也可能表示采购人员没有认真审核。相反，采纳率只有 50%，也不一定代表失败，关键要看剩余 50% 是否集中在新品、促销品和交期异常品等本就需要人工判断的场景。

2. 缺货预警功能

预警验收需要进行场景模拟，而不能只等待真实缺货发生。例如，把某个 SKU 的可用库存调整到低于再订货点，观察预警是否触发；再增加一笔预计两天后到货的在途库存，检查系统是否会根据到货时间改变风险等级。

还要测试取消订单、采购延期、部分入库和仓间调拨等状态变化。很多系统第一次预警能够触发，但状态变化后没有重新计算，导致采购人员继续处理已经被解决的风险，或者错过新的缺货风险。

3. 多仓调拨功能

多仓场景不能简单地把所有仓库库存相加。如果华南仓有 500 件，但调到华东仓需要 6 天，而华东仓将在 3 天后缺货，那么这 500 件未必能解决当前订单。系统应当把区域需求、调拨时效、运费和服务承诺放在一起比较。

我通常会设计三种对照方案：直接采购、从最近仓调拨、从库存富余仓调拨。分别计算到货时间、单位成本和缺货风险，最后由业务选择最合适的方案。系统可以推荐，但不能在没有运输成本和服务规则的情况下擅自决定。

4. 采购执行追踪功能

补货建议如果不能转成采购申请，就仍然停留在分析层。采购申请下达后，系统还要记录供应商确认、预计发货、实际发货、部分到货、质检和最终入库等状态。每一次状态变化都应该影响库存覆盖和后续建议。

尤其要注意部分到货。一张采购单计划 1,000 件，实际只到 600 件时，剩余 400 件不能继续按照完整在途库存计算。否则系统会以为库存缺口已经被覆盖，直到商品真正缺货才暴露问题。

5. 人工修改和审计功能

在真实业务中，人工修改并不是系统失败的证据。促销、新品、季节切换和供应商临时产能变化，本来就需要业务人员介入。但修改必须留痕，包括修改前数量、修改后数量、修改人、修改时间和修改原因。

经过一段时间积累后，可以统计哪些人工修改属于合理业务例外，哪些其实是系统规则缺陷。如果大量采购人员都因为“供应商交期不准”而修改建议，就应该改进供应商交期数据，而不是要求采购人员每天重复修正。

八、不同情况下的行动建议：不要用同一套规则管理所有商品

1. 稳定销售、交期稳定的商品

这类商品适合优先使用自动化补货。可以采用滚动销量、固定交期和分层安全库存，降低人工审核频率。重点不是把预测模型做得极其复杂，而是保证销量、库存和采购状态同步。

• 按日或按周自动更新销量和库存；
• 设置明确的再订货点和目标库存；
• 采用包装倍数自动取整；
• 对连续多个周期的实际销量偏差进行参数回调；
• 仅对超出预算、库容或起订量的建议保留人工审核。

2. 高销量、高缺货损失的商品

这类商品不能只用平均销量。应重点观察销量波动、广告投放、活动排期、供应商最长交期和加急采购成本。安全库存可以适当提高，但必须通过缺货损失和库存占用的比较来决定上限。

如果商品缺货一天会造成大量订单取消，那么提高库存缓冲可能是合理的；但若商品毛利很低、仓储成本高，则需要计算每增加一单位库存带来的保障价值，而不是无条件堆货。

3. 新品或历史数据不足的商品

新品不适合直接套用成熟商品的历史预测。更稳妥的方式是小批量试采、设定观察窗口，并根据曝光、加购、预售和首周转化情况动态调整。系统应允许业务人员录入初始预测和预计活动影响，同时记录后续偏差。

• 首次采购量以验证需求为主，不以最大化库存覆盖为目标；
• 设置较短的复盘周期，例如 3 天或 7 天；
• 将新品预测与相似商品进行对照；
• 如果供应商补货周期长，提前锁定产能而不是盲目锁定大量库存；
• 将实际销量、曝光量和转化率同时纳入下一轮判断。

4. 季节性和促销商品

这类商品的核心不是平均销量，而是销售窗口。采购过晚会错过活动，采购过早又会在活动结束后形成积压。补货计划需要明确活动开始日、结束日、预计峰值、活动后残余需求和清仓方案。

对于活动商品，我会设置至少三个时间点：活动前备货截止日、活动中风险检查日和活动后库存处理日。这样系统不只是回答“要不要补货”，还能够提醒“什么时候停止补货”和“什么时候开始去库存”。

5. 交期波动大的供应商商品

平均交期很容易掩盖供应商风险。某供应商 6 次交付分别用了 5 天、6 天、6 天、7 天、14 天和21天，平均交期约为 9.8 天，但用平均值做计划可能低估延期风险。此时应同时观察中位数、最长交期和延期频率。

如果供应商交期波动已经影响履约，行动方案不应只有提高安全库存，还可以包括切换供应商、拆分采购、提前锁定产能、建立替代商品和调整承诺时效。

九、不同情况下的取舍：库存、现金和履约不可能同时无限优化

1. 低库存和高履约之间的取舍

如果企业把缺货率设为唯一目标，系统会倾向于提高目标库存；如果把库存金额压到最低，系统又会降低采购量。正确的做法是先明确不同商品的经营优先级，再为每类商品设定不同目标。

2. 高安全库存和资金占用之间的取舍

安全库存不是免费保障。它占用采购资金、库容和管理精力，也可能在需求下降时变成滞销库存。判断安全库存是否值得，需要估算缺货损失、加急采购成本、仓储成本和库存跌价风险。

例如，一个商品每日缺货可能损失 1,500 元毛利，而增加 10 天库存需要占用 12,000 元资金。如果商品保质期长、周转稳定，增加库存可能合理；如果商品容易过期或销售波动很大，就需要把资金占用和清仓折损纳入计算。

3. 自动化效率和人工可控性之间的取舍

全自动并不等于高级。对于稳定商品，自动生成采购任务可以明显减少重复劳动；对于促销、新品和供应商异常商品，保留人工审核反而更安全。成熟的系统应该允许按商品、仓库、供应商和风险等级设置不同的自动化程度。

我建议将补货任务分成三档：低风险任务自动执行，中风险任务系统推荐、人工确认，高风险任务只提供分析和预警。这样既能释放采购人员的时间，也不会让系统在异常场景下拥有不受约束的决策权。

十、复盘失败案例：系统为什么会在关键时刻失灵

1. 促销计划没有进入补货模型

一次活动中，运营团队在活动开始前修改了商品折扣，但活动计划没有同步到库存分析。系统仍按日常销量预测，导致活动第二天才触发缺货预警。问题不在预警阈值，而在上游没有把活动信息作为需求输入。

改进方式是建立活动主数据，至少包括活动商品、活动时间、预计流量、折扣、预计销量和活动后残余需求。活动信息不能只存在运营人员的聊天记录或单独表格里。

2. 在途库存被当成确定库存

另一个 SKU 有 800 件采购在途，系统因此没有生成补货建议。但供应商实际只发出 300 件，且物流延迟。由于采购单状态没有及时回写，系统仍然把 800 件视为可按时到货，最终导致连续两天缺货。

对于在途库存，至少要设置“已下单、供应商已确认、已发货、运输中、部分到货和延期”几个状态。不同状态对应不同的库存可信度，不能统一按照 100% 计入供应覆盖。

3. 低周转商品因为包装倍数被过量采购

一款低周转商品的基础缺口只有 12 件，但供应商包装倍数为 24 件，系统自动向上取整后建议采购 24 件。采购人员没有进一步检查库存覆盖，执行后商品库存从 48 天增加到 83 天。

包装倍数是执行约束，不应覆盖经营判断。如果向上取整会显著增加库存覆盖天数，系统应提示“包装倍数导致超额采购”，并允许选择延期采购、拆分采购或接受更高单位成本等方案。

4. 多仓库存汇总掩盖区域缺货

项目中有一次全局库存显示充足，但华东仓已经缺货，华南仓库存无法在承诺时间内调到华东。系统只看总库存，导致管理层误以为没有供应风险。

多仓库存分析必须同时具备全局视角和履约视角。全局库存回答“企业总共还有多少货”，区域可履约库存回答“这些货能不能在承诺时间内服务当前订单”。二者不能互相替代。

十一、建议采用的补货计划验收清单

1. 上线前：先确认数据和规则

1. 确认 SKU 主数据、仓库编码和渠道编码是否统一。
2. 确认现有库存、可用库存、锁定库存和不可售库存的定义。
3. 确认订单取消、退款、赠品和异常订单的处理方式。
4. 确认供应商交期使用平均值、中位数还是分位数。
5. 确认最小起订量、包装倍数、采购预算和库容限制。
6. 确认促销、新品、季节性商品的特殊参数。
7. 确认所有关键字段的更新频率和异常责任人。

2. 测试中：用边界场景而不是只测正常场景

• 库存刚好低于再订货点时，是否触发预警。
• 库存高于再订货点但供应商延期时，是否重新计算风险。
• 在途库存部分到货时，剩余数量是否正确保留。
• 订单取消后，锁定库存是否及时释放。
• 仓库 A 缺货、仓库 B 有货时，是否出现调拨建议。
• 新品无历史销量时，是否能够人工录入预测。
• 促销结束后，系统是否停止沿用活动销量。
• 推荐量小于最小起订量或不能满足包装倍数时，是否给出提示。

3. 上线后：观察结果和人工行为

上线后不要只看系统日志，还要观察采购人员如何使用。重点记录哪些建议被接受、哪些建议被修改、修改幅度有多大、修改原因是否集中，以及采购单最终是否按建议到货。

如果人工修改率持续超过 50%，不要急着要求业务人员“多相信系统”。先按原因拆分。如果修改主要来自促销和新品，说明系统需要更多业务输入；如果修改主要来自库存同步和交期错误，说明数据链路还没有达到上线标准。

十二、最后的专业判断：什么时候可以扩大自动化范围

1. 满足四个条件后，再扩大自动执行范围

第一，关键库存字段连续多个周期保持稳定，没有大面积出现负库存、重复库存和状态不同步。第二，建议结果能够解释，采购人员可以在较短时间内判断输入是否可信。第三，人工修改原因已经被归类，系统知道哪些场景必须保留人工审核。第四，执行后缺货率和库存占用至少有一个明确改善，同时没有明显牺牲另一个目标。

如果这四个条件没有满足，就不应该急于把“推荐”改成“自动采购”。自动化的范围应当随着数据质量和规则成熟度逐步扩大，而不是因为系统具备一个自动执行按钮就直接启用。

2. 对不同成熟度企业的建议

如果企业目前还依赖多个 Excel 表格，第一阶段应先统一主数据和库存口径，不要急着上复杂预测模型。只要能够减少重复导表、识别真正可用库存和追踪采购状态，就已经可以产生明显价值。

如果企业已经有稳定的订单、库存和采购系统，第二阶段可以使用九数云等分析工具搭建补货看板，建立缺货日期、库存覆盖、建议采纳率和人工修改原因等指标。此时重点是形成可复盘的业务闭环。

如果企业已经积累了较长时间的高质量数据，第三阶段才适合进一步做商品分层、交期波动建模、促销预测和自动化任务分派。复杂模型必须建立在可信数据之上，否则只会让错误结果看起来更专业。

3. 下一步怎么做：用一个商品组完成小规模验证

1. 选择 100 到 300 个包含多种风险类型的 SKU。
2. 建立库存、销量、在途和供应商交期口径表。
3. 在九数云中搭建数据质量检查和补货分析模型。
4. 连续观察至少一个完整补货周期，最好覆盖一次活动或供应商交付。
5. 逐条记录建议采纳、修改、驳回和实际执行结果。
6. 用缺货率、周转天数、库存金额和采购加急次数进行前后对比。
7. 先修正高频规则问题，再逐步扩大商品范围和自动化程度。

我认为，库存系统真正的竞争力不在于能否输出一个看起来精确的补货数量，而在于能否让团队看清楚这个数量是如何产生的、在哪些条件下会失效，以及执行之后结果是否变好。补货计划不是采购部门的一张清单，而是一套连接需求、库存、供应商、仓库和经营结果的验证机制。

下一步可以从一组商品开始：先核对库存口径，再验证缺货日期和推荐数量，最后把实际采购和到货结果回写到分析模型中。只有经过这样的真实业务循环，企业才能判断某项补货功能究竟是减少了判断成本，还是只是增加了一张需要人工解释的报表。

免费注册

咨询方案

扫码咨询方案