电商库存配置指南：补货计划需要哪些落地案例设置
我处理过一类很容易被误判的库存问题：仓库账面上还有 1,200 件，运营却说“再不补货就会断”；另一款近 30 天卖了 2,000 件，采购建议继续下单，结果大促后剩下半年都卖不完。两种判断都可能成立，因为补货计划真正要看的不是一个“库存总数”，而是可售库存、库存消耗速度、供应周期、活动变化和在途库存是否能够及时到货。
电商库存配置的核心，不是把某个安全库存比例填进系统，而是为不同商品建立可执行的补货规则。稳定畅销品、新品、大促商品、季节品和滞销品，不能共用一套参数。本文将用一套可计算的示例数据，拆解补货计划需要设置哪些字段、如何在九数云中组织分析视图、哪些库存应该抵扣、什么情况下应该补货，以及什么情况下即使库存低也不应继续采购。
很多企业把补货计划简化为“库存低于多少就买多少”。这实际上只回答了半个问题。一个完整的补货计划至少要回答：什么时候触发补货，以及触发后补多少。
“什么时候补”通常由再订货点决定。再订货点需要覆盖从采购下单到商品真正可售之间的需求，包括审批、生产、运输、入仓、质检和上架。如果供应商说交期 7 天，但实际从提出采购申请到商品可销售需要 12 天，那么系统里填 7 天，结果大概率会持续缺货。
“补多少”则要看目标库存、活动计划、最小起订量、采购倍数和有效在途库存。即使系统算出需要补 137 件，供应商规定每箱 48 件，实际采购量也可能是 144 件，而不是机械地填写 137 件。
我建议企业在配置任何补货规则前，先把库存拆成不同状态。至少要区分可售库存、订单锁定库存、残次库存、退货待检库存、采购在途库存、调拨在途库存和已到仓但尚未上架的库存。
一个实用的“可抵扣库存”口径可以表示为：
可抵扣库存 = 可售库存 – 已锁定库存 + 可在需求周期内到货的有效在途库存
这里的“有效在途库存”不是所有采购单的总和。预计 20 天后到货的货物，如果商品只能支撑未来 10 天的销售，就不应该在当前补货决策中完全抵扣。尤其是海运、定制生产和经常延期的供应商，账面在途数量很容易制造虚假的安全感。
固定增加 20% 或 30% 的方法，适合做早期试运行，但不适合长期管理所有 SKU。销量稳定、供应商可靠的商品，安全库存可能不需要很高；销量波动大、交期经常延误的商品，即使日均销量不高，也需要更大的缓冲。
我更关注安全库存背后的两个变量：需求波动和供应风险。前者可以通过近 7 天、近 30 天销量的离散程度观察，后者可以通过供应商实际交期与承诺交期的偏差观察。只有把这两类波动分开，库存配置才不会变成拍脑袋。
一家多平台销售家居用品的店铺，曾经遇到过这样的情况：仓库可售库存 800 件，采购在途 1,000 件，系统显示库存总量 1,800 件。采购因此暂停下单，但物流通知在途货物还要 18 天才能入仓，而该商品当时日均销量约 95 件。
如果不考虑促销变化，18 天的基础需求就约为 1,710 件。再扣除当前库存后，实际可用缓冲几乎为零。也就是说，系统看起来“库存很多”，但按照到货时间计算，仍然可能在下一批货入仓前缺货。
另一款商品的情况相反。它在直播活动中 3 天卖出 1,500 件，活动结束后日均销量只剩 18 件。采购按照活动期间的平均销量继续下单，导致库存快速积压。活动销量是一次性需求，不应该直接当作长期基础销量，这是库存预测中最常见、也最昂贵的错误之一。
我通常会把补货数据分成五组，而不是把所有字段塞进一张没有口径说明的表里。这样做的好处是，运营、采购和仓储可以快速定位问题到底来自销量、库存、供应商还是业务计划。
如果某个 SKU 连续 5 天没有库存，系统中的销量通常也是 0。把这 5 天直接纳入 30 天平均销量，会把真实需求压低。这个问题在爆款、平台活动品和搜索排名较高的商品上尤其明显。
处理断货数据时，我会先标记缺货日期，再用断货前后的正常销量估算需求，或者参考同类 SKU 的同期变化。没有必要追求复杂模型，但一定要让报表知道“0 销量”究竟代表没人买，还是没有货可卖。
在实际工作中，我更倾向于先用九数云搭建一个补货分析看板，而不是立即改造整个 ERP。九数云官网地址为 https://www.jiushuyun.com/。它适合用来连接和整理销售、库存、采购、活动等多源数据，再通过筛选、汇总和可视化，形成 SKU、仓库、供应商和时间维度的分析视图。
这里需要强调，工具不会自动替企业决定安全库存。它能解决的是数据分散、口径不一致、人工反复汇总和异常难追踪，而补货规则仍然需要业务人员定义。
我建议先做四个基础视图：
这样配置的价值在于，采购看到的不是一个孤立的“建议采购量”，而是能够追溯到销量趋势、库存状态和供应商履约记录的完整判断链。
“预计销量减当前库存”看起来简单，但它忽略了供应周期。如果当前库存还能卖 10 天，而供应商需要 15 天才能交货，补货触发点就已经晚了。
更合理的判断顺序是：先计算在供应周期内会消耗多少，再加上安全库存，形成再订货点；当有效库存低于再订货点时，才进入补货判断。
示意公式如下：
再订货点 = 日均需求 × 有效补货周期 + 安全库存
建议补货量 = 目标库存 – 可售库存 – 已确认且能及时到货的在途库存
如果建议补货量小于 0，通常不需要补货；如果结果为正，还要经过最小起订量和采购倍数修正。
一个日均销量 200 件、供应周期 3 天的稳定日用品，和一个日均销量 10 件、供应周期 30 天且经常延期的定制品，使用同样的 30% 安全库存比例，结果一定不合理。
前者需要关注仓储占用和周转效率，后者更需要防止长交期造成的断货。安全库存必须放在商品场景中解释，而不是脱离交期、波动和缺货成本单独设定。
在途库存最容易造成重复补货。采购订单可能还没有供应商确认，调拨货物可能还在干线运输，已到仓货物可能正在质检。把这些数量全部从补货需求中扣除，相当于默认它们会准时、足量且合格地到货。
我建议给在途库存增加三个字段：预计到货日期、到货可信度和可售日期。只有可售日期落在需求覆盖区间内，才将其作为有效抵扣项。
活动数据不能简单删除，也不能直接平均。正确做法是给活动销量单独打标，并拆分为基础销量和活动增量。例如某商品平时日均 40 件，活动期间日均 180 件，活动增量是 140 件，而不是把 180 件作为未来每一天的预测基准。
活动结束后还要设置回落观察期。活动带来的自然搜索、评价增长和复购可能让销量短期高于活动前，但通常不会长期维持活动峰值。
低库存只是一个状态，不是一个结论。生命周期末期商品、评价持续下降的商品、即将被替代的旧款商品，低库存可能是好事。此时继续补货，会把本来可以通过清仓解决的问题，变成长期资金占用。
销售额高的商品不一定最值得备货。低毛利、退货率高、体积大的商品，库存多一周带来的仓储和现金压力可能超过销售增长的价值。
我通常会同时看四个维度：销售贡献、毛利贡献、缺货损失和库存资金占用。只有把这四项放在一起，才能判断库存目标应该偏向“不断货”还是“少占钱”。
生命周期决定了预测可信度和库存容错边界。成熟商品可以依赖较稳定的历史数据；新品需要用相似品、试销和广告计划辅助判断；衰退品则要优先控制新增库存。
| 商品阶段 | 主要数据依据 | 库存策略 | 主要风险 |
|---|---|---|---|
| 新品期 | 相似品、试销销量、投放计划 | 小批量、多频次验证 | 预测失准导致积压 |
| 成长期 | 近期销量、增长率、渠道扩张 | 提高补货频率，动态上调目标库存 | 增长过快造成断货 |
| 成熟期 | 滚动平均、季节因素、稳定交期 | 以周转和服务水平平衡 | 安全库存过高 |
| 衰退期 | 销量下降、评价变化、替代品表现 | 暂停自动补货，优先消化库存 | 继续采购造成积压 |
基础需求可以从近 7 天、近 30 天和近 90 天数据开始。短周期更敏感，适合成长期和活动后商品；长周期更稳定，适合成熟商品。不能要求所有品类使用同一个窗口。
如果近 7 天日均销量为 80 件，近 30 天日均销量为 60 件，近 90 天日均销量为 52 件，我不会直接采用 80 件，也不会机械地使用 52 件。需要先检查这 7 天是否包含活动、直播、断货恢复或大额团购。
一种容易落地的加权方法是：
基础日需求 = 近 7 天日均销量 × 50% + 近 30 天日均销量 × 30% + 近 90 天日均销量 × 20%
这不是行业唯一标准，而是适合早期配置的起点。运行几个补货周期后，再用实际偏差调整权重。
我会把在途库存分为三档：
例如采购在途 500 件，A 类 200 件，B 类 200 件，C 类 100 件。如果企业把 B 类按 50% 抵扣，那么有效在途库存只有 300 件，而不是 500 件。这个差异可能直接决定本周是否需要追加采购。
安全库存不是越高越好。缺货可能损失广告转化、自然排名和客户信任；库存过高则占用现金、仓容和周转能力。两种成本需要放在同一张决策表里比较。
| 决策方向 | 适合场景 | 可以接受的代价 | 不适合场景 |
|---|---|---|---|
| 提高库存保障 | 高毛利爆款、核心引流品、补货周期长 | 资金占用和仓储成本增加 | 需求快速下滑、季末商品 |
| 降低库存保障 | 低毛利、易过季、可快速采购 | 偶发缺货和销售损失 | 不可替代的核心 SKU |
| 分阶段采购 | 新品、活动不确定商品 | 采购频次增加，管理成本上升 | 交期长且无法快速追加的商品 |
业务计算出的 137 件，不代表采购订单就应该写 137 件。如果 MOQ 是 300 件，或者每箱 24 件，就要把业务缺口和采购约束分开。否则，系统可能持续生成无法执行的采购建议。
当建议采购量低于 MOQ 时，我会增加一个人工审核条件：判断该商品未来一个周期的需求是否足以消化 MOQ。如果不能，就需要和供应商协商拆单、改包装，或者选择暂缓采购并接受一定缺货风险。
假设某厨房耗材 SKU 近 30 天日均销量 60 件，近 7 天日均销量 64 件，供应商从下单到可售平均需要 8 天，最近 3 个月实际交期波动约 2 天。企业希望至少覆盖 3 天的安全缓冲。
为了便于执行，先采用示意口径：
当前库存和有效在途合计 780 件，低于再订货点 682 件这一判断需要特别谨慎：如果用“可售加在途”作为当前可用量，实际上高于再订货点；但如果 240 件在途预计在 10 天后才可售，就不能用于覆盖前 8 天的需求。由此可见，再订货点计算必须加入时间条件。
在此场景下，我会把采购建议拆成两步：先确认在途货物是否能在第 8 天前上架；如果不能，则按前 8 天缺口采购，而不是直接因为系统显示有 240 件在途就停止补货。
某家居收纳新品没有长期历史销量，但有一款外观和价格接近的老品。老品上市前两周日均销量约 22 件，广告预算比新品低 30%，新品预计在首周获得更多曝光。
我不会把老品 22 件直接复制过来，而会建立一个试销区间：
如果首批采购最小量为 300 件，基准情景下 13 天需求约为 325 件，首批采购量可以接受；如果最小量是 1,000 件，就需要重新评估仓储和退市风险。新品的关键不是算出一个看似精确的数字，而是把错误预测的损失限制在可承受范围内。
在九数云中，可以为新品增加“相似 SKU”“试销阶段”“广告投放状态”和“预测情景”字段，并把实际日销量与三种情景线放在同一视图里。这样，采购每天看到的不是一条静态建议，而是实际销量正在靠近哪个情景。
某服饰配件平日每天销售 45 件，活动预热 5 天达到 70 件，活动主周期 3 天达到 260 件，活动结束后一周回落到每天 58 件。若直接用主周期的 260 件作为未来日需求，补货结果必然严重偏高。
我会把活动需求拆为三个阶段：
| 阶段 | 日均销量 | 持续天数 | 库存配置重点 |
|---|---|---|---|
| 活动前预热 | 70件 | 5天 | 提前确认库存位置和履约能力 |
| 活动主周期 | 260件 | 3天 | 按活动计划备货，不作为长期基准 |
| 活动后回落 | 58件 | 7天观察 | 决定是否保留短期增量 |
活动总需求约为 5 × 70 + 3 × 260 + 7 × 58 = 1,756 件。如果再加 10% 的售后和临时波动缓冲，计划量约为 1,932 件。但这只是活动周期计划，还要扣除活动前可售库存、已经锁定的预售订单和确定会在活动前到货的采购。
活动后，我会设置一个“回落系数”，而不是立即把活动增量清零。比如活动后第一周按 58 件观察，第二周如果下降到 50 件，就把新的基础需求逐步修正。这个方法比“永远按峰值补”或“活动一结束就按平日补”都更稳妥。
某保温用品每年 10 月至次年 1 月销售较好，供应商平均交期 20 天。过去的做法是每周看到库存下降就补货，结果 2 月仍然有大量库存，只能降价处理。
季节品需要先确定销售窗口，再倒推采购截止日期。假设高峰期剩余 45 天，供应周期 20 天，入仓和质检需要 4 天，那么最后一批货至少要在销售窗口结束前 24 天完成下单。超过这个时间再补货，货物可能刚上架就进入淡季。
季节品的目标库存不应只看“能不能卖完”，还要看“卖不完时损失多少”。我会同时设置两个预警：
在九数云中，可以将月份、季节阶段、预计销售截止日和预计到货日放在同一分析视图。采购人员可以直接查看“到货后还能销售多少天”，而不是只看库存数量。
某数码配件 SKU 月初库存 420 件，近 30 天只卖出 36 件，近 7 天销量为 4 件，供应商还提供了 300 件的低价采购方案。表面上看，采购价格很有吸引力，但按当前速度，现有库存已经足够销售一年左右。
我会先排查三个问题：销量下降是因为曝光减少、价格不具竞争力，还是产品本身正在被替代。如果是曝光减少，可以调整运营策略；如果是价格问题，可以测算降价清仓；如果是替代品出现，就应该停止自动补货。
滞销品的处理顺序通常是：暂停采购、确认是否可退供、调整渠道、组合销售、分级促销、转仓或清仓。只有在明确销量恢复且库存消化周期可控时，才重新打开补货规则。
商品基础字段解决“这是什么货”的问题。除了 SKU 和商品名称，还要增加生命周期、供应商、采购单位、装箱规格和是否季节品等字段。
销售字段必须带有时间范围，否则“日均销量”没有意义。近 7 天、近 30 天和近 90 天应分别保留，并注明是否排除断货日、活动日和异常订单。
库存字段是补货准确性的关键。建议不要把所有状态合并为“库存数量”，而是保留原始状态和计算后的有效库存两个层级。
| 字段 | 是否直接抵扣 | 处理建议 |
|---|---|---|
| 可售库存 | 是 | 直接纳入当前可用量 |
| 已锁定库存 | 否 | 从可售库存中扣除，避免重复承诺 |
| 残次库存 | 否 | 根据维修或翻新结果重新判断 |
| 退货待检库存 | 通常否 | 通过质检后再转入可售库存 |
| 采购在途 | 有条件抵扣 | 依据预计可售日期和供应商履约率处理 |
| 调拨在途 | 有条件抵扣 | 确认运输节点和目标仓入库时间 |
如果表格只有计算字段，没有责任字段，补货建议很容易停在报表里。每一条建议都应该有状态、审核人、采购负责人、预计到货日期和异常原因。
如果用九数云承载补货分析，我建议首页不要堆满几十个数字，而是只展示几个需要行动的指标：未来补货周期内可能缺货的 SKU 数量、建议采购金额、有效在途金额、超过目标周转天数的库存金额、供应商延期订单数，以及活动后仍未完成回落的 SKU 数量。
第二层再下钻到 SKU，展示销量趋势、库存状态和建议原因。第三层展示采购单和供应商交付节点。这样，管理层看风险总览，采购看待办清单，运营看销量变化，仓储看可售状态，各角色都能使用同一套数据口径。
这类商品适合使用滚动平均、再订货点和目标库存。每天或每周更新销量和库存，每周复盘安全库存是否过高。
成长期商品最容易因为使用滞后的历史平均值而缺货。近 7 天销量增长明显时，应结合流量、转化率、广告预算和渠道扩张判断增长是否具有持续性。
如果增长来自一次性达人曝光，不能直接外推；如果增长同时出现在自然搜索、加购率和复购率中，才更适合逐步提高目标库存。
新品应设置库存上限、试销截止日和暂停补货条件。只要实际销量没有达到预设基准，就不要因为“预计会爆”而连续追加。
新品采购可以采用“小单快返”，但要提前确认供应商是否真的能快速返单。如果返单仍需 30 天，小批量策略可能导致活动期间断货，此时应使用情景预测决定首批库存，而不能盲目压低库存。
活动前至少要完成三项校验：活动需求是否有明确来源、活动库存是否与日常库存隔离、活动后库存由谁负责消化。
季节品的关键参数不是普通的再订货点，而是销售窗口、最后采购日和过季处理成本。库存决策需要从“现在缺不缺货”转向“这批货到货后还有多少销售机会”。
如果商品过季后只能按 6 折销售，就应该把折价损失加入补货成本。很多看似有利润的采购订单，在加入季末清仓后并不划算。
这类商品应默认关闭自动补货，除非有明确的销售恢复证据。采购前先检查现有库存的可消化周期、渠道转移空间和退供条件。
如果供应商以低价推动采购，我会把“采购单价更低”与“库存总成本更低”分开计算。低价采购导致库存多占用 6 个月，可能比高价小批量采购更贵。
多仓环境下，不能只看总库存。一个仓库存过剩，另一个仓已经断货，合计库存仍然可能很好看。补货计划需要设置仓库级需求、仓间调拨时间和渠道分配优先级。
如果调拨比供应商采购更快，应先判断能否调拨；如果调拨会造成另一个高贡献仓缺货，则不能只按照仓库库存高低机械调拨。
高库存保障方案适合核心爆款、缺货后排名损失明显的商品，也适合供应周期长且无法快速补单的商品。它的优点是履约稳定，缺点是资金和仓容占用更高。
采用这种方案前，应先确认商品毛利是否足以覆盖库存持有成本。高库存不是运营能力强的标志，如果商品本身正在衰退，库存越高，风险越大。
低库存高频补货适合供应商稳定、交期短、需求相对可预测的商品。它能减少库存资金占用，但会提高采购频次、沟通成本和运输成本。
如果供应商经常延期，低库存策略会把所有风险推给销售端。此时即使账面周转率很好，实际缺货率也可能不断上升。
分阶段补货适合新品、活动不确定商品和需求波动较大的商品。它的最大价值是限制预测错误的损失，代价是采购和监控工作更多。
分阶段补货必须建立明确的复盘节点，否则小批量采购只会变成频繁救火。每一次补货都应记录实际销量、预测偏差、供应商交期和库存消化速度。
自动补货适合规则稳定、数据完整、供应商履约可预测的 SKU。人工审核则适合新品、季节品、活动品、滞销品和供应异常商品。
| 商品类型 | 自动化程度建议 | 必须人工确认的事项 |
|---|---|---|
| 成熟日用品 | 高 | 异常销量和交期变化 |
| 新品 | 低至中 | 试销表现、库存上限和返单能力 |
| 活动商品 | 中 | 活动增量、活动后回落和清库存计划 |
| 季节商品 | 中 | 采购截止日和过季折损 |
| 滞销商品 | 低 | 是否停采、退供、转仓或清仓 |
统计模型可以处理复杂波动，但需要稳定、连续且口径一致的数据。业务规则更容易解释和落地，却可能无法及时反映需求变化。
对多数中小电商团队，我建议先从透明的规则开始，例如滚动平均、再订货点、有效在途和活动修正。等数据质量和复盘机制稳定后，再逐步引入更复杂的预测方法。一个采购人员能理解并愿意修正的模型，通常比一个无法解释的高阶模型更容易长期运行。
抽取 20 到 50 个销售贡献较高的 SKU，逐条核对系统库存、仓库实盘、订单锁定、采购在途和可售状态。不要一开始就把全量 SKU 接入自动补货，否则口径错误会被放大。
重点核对以下问题：
我建议至少保留 2 至 4 个补货周期的“影子运行期”。系统生成建议，但采购仍然人工审核，并记录“采纳、修改或拒绝”的原因。
如果采购频繁修改建议，说明模型参数或数据口径仍有问题。比如建议经常被人为下调，可能代表安全库存过高；建议经常被上调，可能代表活动、断货或供应商延期没有被模型识别。
预测准确率是重要指标，但不是唯一指标。不同指标反映不同问题：
预测指标还要说明计算口径。比如断货日是否排除、活动日是否单独计算、按 SKU 平均还是按销售额加权，都会改变结果。没有口径说明的“预测准确率 90%”，对采购决策的帮助非常有限。
补货系统最有价值的地方，不是每天自动生成一张采购表，而是能够尽早发现异常。异常至少包括销量突然下降、销量突然上升、供应商延期、退货率异常、库存长时间不动和预测偏差连续扩大。
每个异常都需要有负责人、处理时限和关闭条件。例如供应商延期异常，负责人可能是采购，处理时限为 24 小时，关闭条件是更新预计可售日期并重新计算补货建议。这样，异常才能从提示变成动作。
先把销售、库存、采购、供应商和活动数据整理为统一字段。不要急着做复杂仪表盘，先确保 SKU 编码、仓库编码、日期、订单状态和采购单状态可以关联。
如果不同平台使用不同 SKU 编码，应先建立商品映射表。否则，一个实际商品可能在报表里被识别成多个商品，导致销量、库存和在途数量无法正确合并。
在九数云中，先观察而不是控制。建议用趋势图查看销量，用堆叠图查看库存状态，用筛选器切换平台、仓库、品类和供应商。
此阶段要回答三个问题：哪些 SKU 即将缺货、哪些 SKU 账面库存高但可售库存低、哪些 SKU 销量已经下降却仍在持续采购。只有这三个问题能稳定回答，才适合继续做自动化规则。
把基础日需求、有效补货周期、安全库存、再订货点、目标库存和有效在途库存加入补货分析表。每个计算字段都要保留来源和更新时间，避免采购人员看到数字却不知道它是如何产生的。
可以根据不同生命周期建立规则标签，例如“稳定畅销规则”“新品试销规则”“活动规则”“季节规则”和“暂停补货规则”。标签的作用不是增加复杂度，而是防止所有 SKU 落入同一个计算逻辑。
行动看板需要优先显示待处理事项，而不是展示所有可以展示的指标。建议按照风险分层：
每条风险都应能下钻到 SKU 明细和原因。比如“缺货风险高”不能只显示红色，还应展示日均需求、库存耗尽日期、预计到货日期、有效在途数量和供应商历史准时率。
不要一开始就对所有商品启用补货规则。建议先选择销售额或订单量贡献较高的 SKU，同时覆盖稳定畅销、新品、活动、季节和滞销五类场景。
试运行 2 至 4 个周期后，比较规则建议与人工判断的差异，并把差异原因分类。只有当库存口径、供应商交期和活动数据都比较稳定时，才逐步扩展到长尾 SKU。
补货计划最容易陷入一个误区：团队花很多时间讨论应该采用哪种预测公式，却没有先确认库存总数里包含了什么、在途什么时候能卖、断货期间的销量是否真实、活动峰值是否会回落。
我的判断是，库存口径错误造成的损失，往往比预测算法不够复杂造成的损失更大。一个使用透明规则、能够追溯数据来源、允许采购人员修正异常的补货方案，通常比一个看起来精密但无法解释的模型更适合日常经营。
如果现在就要开始落地，可以按以下顺序行动：
最终要配置的不是“每个 SKU 多少库存”，而是什么商品在什么阶段、按照什么库存口径、由哪些数据触发、在什么时间由谁做出补货或停采决定。当这条决策链能够被看见、被复盘、被持续修正，补货计划才算真正落地。
我以前一直按库存总数做补货，直到一次系统显示还有860件，商品却在两天后断货。后来我才发现，其中有220件已被订单锁定，180件还在质检，真正能马上卖的库存只有460件。到底应该怎样拆分这些库存状态？
补货计算的第一步不是套公式，而是统一库存口径。建议至少拆分为可售库存、订单锁定库存、采购在途、调拨在途、待检库存、残次库存和退货库存。总库存适合盘点，不适合直接决定采购量。我在做库存规则测试时，通常先建立一个可抵扣库存字段：可抵扣库存=可售库存+预计在补货周期内到货、且能及时上架的在途库存。
已锁定库存不能重复满足新订单，待检和退货库存也只有完成质检后才能计入。
库存类型是否直接抵扣需求处理建议 可售库存是直接纳入补货计算 订单锁定否避免与新需求重复计算 采购在途有条件确认到货和上架时间后再抵扣 待检库存通常否扣除质检和上架周期 残次库存否转入损耗或处理计划 如果只能在系统里保留一个库存字段，至少要把可售库存和在途库存分开。
很多补货失误不是预测错了，而是把账面库存误当成了能立即销售的库存。
我尝试过用近30天销量减去当前库存来计算补货量，结果销量稳定的商品仍然频繁缺货。后来发现，供应商交期从承诺的7天变成了10至14天，单看销量根本覆盖不了这段波动。安全库存和再订货点到底该怎样配合使用？
再订货点解决的是何时启动采购，安全库存解决的是如何应对需求和交期波动。一个实用的简化公式是：再订货点=日均需求×补货周期+安全库存；建议补货量=目标库存-可抵扣库存，最后还要按最小起订量和采购倍数取整。
下面是一组稳定畅销品的演练数据：日均销量40件，正常补货周期10天，安全库存120件，可抵扣库存260件，目标覆盖周期为25天。再订货点为520件，当前库存低于该点就应启动采购；目标库存为1000件，建议补货量为740件，若采购倍数为100，则应下单800件。
参数数值判断 日均销量40件建议剔除断货日 补货周期10天包含运输、入仓和上架 安全库存120件覆盖波动和延迟 再订货点520件低于此值触发采购 目标库存1000件覆盖25天需求 安全库存不建议所有SKU都按固定比例设置。供应商稳定、销量平滑的商品可以较低；
交期经常延迟、缺货损失高的商品应提高安全库存。更重要的是，每月比较实际交期和实际销量波动，持续修正参数。
我曾经把大促期间的日销量直接并入近30天平均值，活动结束后系统连续几周建议补货，最后留下大量库存。新品没有历史数据，季节品又有明显的销售窗口，这三类商品到底应该怎样分别设置？
新品、大促品和季节品不能共用成熟商品的平均销量规则，因为它们的需求曲线不同。成熟品可以看稳定趋势；新品要看试销反馈；大促品要拆分活动增量；季节品则要围绕销售窗口和采购截止日做计划。新品建议采用小批量验证。
先参考相似SKU设定首批库存，例如预计试销14天、日均目标销量20件，再额外预留20%的不确定性，首批数量可控制在336件左右。连续观察点击、转化、退款和实际销量后，再决定是否扩大采购，而不是一开始按全年预测下单。大促场景应把日常需求和活动增量分开。
假设日常日销量40件，活动持续3天，预计活动期间每天增加160件，活动前还需覆盖10天正常销售，那么基础需求为400件，活动增量为480件，再叠加安全余量后形成活动备货量。活动结束后必须恢复常态预测，不能让活动峰值污染未来30天均值。
商品场景核心计算依据最容易踩的坑 新品相似品、试销周期、分批补货一次性按乐观预测大量采购 大促品基础销量+活动增量把活动峰值当长期销量 季节品历史同期、销售窗口、采购截止日旺季后仍按日常规则自动补货 我的判断是，特殊场景最重要的不是把预测做得特别复杂，而是给系统增加场景标签、开始日期和结束日期。
只要能让活动销量在结束后自动退出基础模型，补货质量通常就会明显改善。
我以前只看库存周转天数，周转变快就认为补货策略成功，但后来发现有些SKU是因为缺货才没有库存，数据看起来反而很好。除了周转天数，补货计划还应该怎样测试和复盘，才能区分真正优化与被动缺货？
补货规则不能只看一个指标，至少要同时观察缺货率、库存周转、补货及时率、预测偏差、库存准确率和滞销库存占比。单看周转天数很容易误判，因为缺货会压低库存，却同时损失销售。建议先选取销售贡献较高的20至50个SKU做小范围试运行，连续观察2至4个补货周期。
每周记录一次建议补货量、实际下单量、实际到货时间和缺货天数，并把促销、供应商延期、系统盘点差异单独标记。
指标观察重点异常时的判断方向 缺货率需求是否被库存覆盖检查安全库存和交期 预测偏差预测与实际销量差异检查断货和活动数据 补货及时率到货是否早于缺货点检查审批、运输和供应商执行 库存准确率系统与实盘是否一致检查出入库和盘点流程 滞销库存占比资金是否被低效SKU占用暂停自动补货并评估清仓 复盘时要特别区分“库存不足”和“商品不值得补货”。
例如某SKU库存低于再订货点，但近30天销量下降50%、退货率升高，继续补货可能只是把问题推迟。此时应先检查价格、评价、曝光和商品生命周期，再决定是否采购。实际落地时，建议给每条补货建议保留人工调整原因，例如活动取消、供应商延期、商品降价或库存盘亏。
两三个周期后，你会发现哪些参数总被人工改动，这些地方往往才是规则真正需要优化的地方。
读者评论
把在途库存按“预计可售日期”而不是采购单总量计算，这一点很实用。很多缺货并不是库存不足，而是货还没到、没检完或无法及时上架。建议再增加供应商历史准时到货率，补货判断会更接近实际。
活动峰值和日常销量分开处理很有必要。我曾经按大促期间的日均销量备货，活动结束后库存积压了几个月。文中提到设置活动后回落观察期，比简单删除活动数据更合理。
文章对低库存不一定要补货的提醒比较客观。实际采购还应结合毛利、退货率、生命周期和仓储成本，否则只看销量或库存水位，容易把衰退款越补越多。