很多电商团队以为补货计划的核心是“把卖得快的商品多买一点”，但我在实际复盘中看到，真正造成断货和积压的，往往不是采购人员不够勤快，而是企业把销售总量误当成了可补货需求。某家居用品商家只看全店销量，连续两个月库存金额上升约24%，核心商品却仍有近9%的商品日处于缺货状态。电商库存工作指南真正要解决的，不是做一张更漂亮的采购表，而是让每个SKU在正确的时间、正确的仓库，拥有足够但不过量的库存。
电商库存工作指南：用落地案例解决补货计划问题
补货计划最容易犯的错误，是直接把过去7天销量乘以一个天数，再减去现有库存。这种算法看起来简单，却忽略了在途采购、已分配库存、退货、促销、交付周期和仓库之间的可调拨库存。
我通常把补货决策拆成四个连续问题：未来一段时间会卖多少；供应商多久能交货；为了达到目标履约率需要承担多少波动；当前库存中有多少真正可用。只有这四个问题都回答清楚，采购数量才有意义。
更准确的库存位置应当是：库存位置 = 可用现货 + 有效在途库存 + 可调拨库存 – 已分配库存 – 未完成订单需求。如果把已经被订单锁定的商品也当作可售库存，补货计划会系统性偏小；如果把没有确认交期的采购单全部计入在途，计划又会系统性偏大。
对于大多数电商团队，我建议先建立“再订货点”和“订货上限”两个数，而不是一开始就追求复杂的人工智能预测。再订货点解决“什么时候买”，订货上限解决“买到多少”。
在需求和交期相对稳定时，可以使用以下基础模型。这里的标准差是日需求波动，交期假定相对固定，且每天需求近似独立。
交付周期需求 = 平均日需求 × 平均交付天数
安全库存 = 服务水平系数 × 日需求标准差 × √平均交付天数
再订货点 = 交付周期需求 + 安全库存
建议采购量 = 订货上限 – 库存位置
但这个公式不能机械套用。若供应商交期本身波动很大，应同时考虑需求波动和交期波动；若商品正在参加大促，历史平均销量也不能直接代表未来需求。模型的价值不在于公式看起来专业，而在于它能把每一个假设暴露出来。
我见过一些团队花数月开发预测模型，却无法回答采购人员最关心的三个问题：为什么今天建议采购；建议数量比上周多在哪里；如果预算只能满足一半，应该保哪一批商品。
因此，我更看重补货结果的可解释性。每一条建议至少应该能追溯到销量基线、促销修正、库存位置、供应商交期、服务水平目标和资金约束。采购人员不一定需要看到所有算法细节，但必须能够判断这条建议是否符合业务现场。
下面的案例来自我参与过的一次库存复盘。为了保护企业信息，商家、商品名称和金额均已脱敏，但订单结构、计算过程和问题表现保持原始业务逻辑。该商家经营收纳用品、厨房小工具和清洁用品，拥有3个区域仓、31家供应商和约412个活跃SKU。
企业当时的管理习惯是每周一由采购人员导出一张销售排名表，再根据“近7天销量乘以14天”估算采购量。表格里有销量、库存和供应商名称，却没有稳定的在途库存口径，也没有区分活动日和普通日。
结果是，头部商品缺货时，采购人员会紧急追加；长尾商品卖不动时，却因为前期的整箱起订量不断占用仓位。连续8周复盘显示，库存金额增加约18%，但核心SKU的订单满足率没有改善，某些高峰日甚至出现了同一商品东仓缺货、西仓积压的情况。
第一个事实是，销售数据不是完整需求。商品缺货后，消费者可能会退出、改买替代品，或者延迟购买。系统只记录了成交订单，却不会自动记录那些没有发生的需求。
第二个事实是，仓库库存不是全网库存。电商企业常常把所有仓库的现货加总后做补货，但远距离调拨可能需要4天，调拨费用还可能高于一次正常采购。对华东消费者有需求的商品，放在西南仓并不等同于“有货”。
第三个事实是，促销期间的销量不能直接当作长期基线。某款折叠收纳箱在活动周卖出平时的3.6倍，如果把这7天平均销量直接用于未来30天，采购计划会在活动结束后制造明显积压。
我在项目启动时没有马上调整安全库存参数，而是先做库存账的对账。因为如果可用库存定义错误，预测再精确也只是在错误的输入上进行计算。
| 检查项目 | 现场常见口径 | 调整后的判断口径 | 为什么影响补货 |
|---|---|---|---|
| 现货库存 | 仓库系统显示库存 | 现货减去质检、锁定、残损和不可售库存 | 避免把不可售商品误当作可交付库存 |
| 在途库存 | 采购单已创建就计入 | 按供应商确认、发货、物流节点分层计入 | 避免虚假在途导致延迟采购 |
| 销售需求 | 直接使用支付订单量 | 拆分正常需求、活动需求、退款和异常订单 | 避免促销峰值污染日常基线 |
| 退货商品 | 退款完成即回到库存 | 按质检状态和可二次销售状态计入 | 避免账面有货、实际不可售 |
| 仓间库存 | 全仓合计库存 | 按区域需求和调拨时效计算可服务库存 | 避免一地积压、一地断货 |
这一步看似不涉及预测，却往往比换一个预测算法更快产生效果。我的经验是，库存项目的第一周应该花在定义“什么算可用”上，而不是急着讨论模型名称。
近7天销量适合做快速观察，不适合直接作为所有SKU的需求预测。它对新品、活动商品和季节商品非常敏感，也会被断货日拉低。一个商品连续两天缺货，近7天销量看起来下降，系统反而可能建议少买，形成“越缺货，预测越低”的循环。
更稳妥的做法是同时保留三个口径：正常日基线、活动增量和异常修正。正常日基线可以用剔除大促日后的滚动均值；活动增量要基于同类活动的实际提升；异常修正则处理断货、平台流量突变、价格变化和集中退款。
“统一备货15天”在表格里很整齐，在业务上却很危险。高销量、低毛利、交期短的商品，可能更适合高频小批量补货；高毛利、交期长、需求波动大的商品，则需要更高的安全库存；低销量且供应商可快速响应的商品，可能只适合按单采购。
库存天数还会掩盖商品销量规模。日销10件和日销1,000件都设置15天，资金占用完全不是一个量级。更合理的做法是按需求稳定性、供应风险、毛利贡献和生命周期分层，而不是给所有SKU一个看似公平的天数。
安全库存不是采购人员凭经验加出的缓冲数，而是为了应对需求和交期不确定性所支付的成本。服务水平从95%提高到98%，通常意味着安全库存明显上升，并不只是增加3%的库存。
如果一个商品毛利很低、缺货后容易被替代，就不一定值得追求极高服务水平；如果商品是店铺引流款，缺货会导致连带商品订单减少，那么它的缺货成本可能远高于自身利润。服务水平必须和缺货损失、库存资金成本一起判断。
供应商平均交期12天，不代表每次都在12天到货。有些供应商可能8天到货，也可能26天到货。只使用平均值，会低估交期尾部风险，尤其是在节假日、原料紧张和跨境运输场景下。
我更建议同时跟踪平均交期、中位数交期、交期标准差和准时交付率。供应商A平均12天但波动很小，供应商B平均10天却经常延迟，实际补货策略可能应该优先选择A，而不是只看平均天数。
看板能让数据更容易被看见，但不会自动修正错误的商品编码、重复订单、仓库映射和退货状态。如果采购人员每天打开看板后，还要手工复制多个表格、判断哪些在途有效，那么系统只是把原来的混乱换了一个界面。
真正有效的可视化应该直接输出“需要处理的例外事项”，而不是只展示库存总额。比如某SKU预计5天后断货、供应商交期连续两周偏长、活动需求高于预估40%、某仓库存足够但目标区域无法及时调拨，这些信息才会推动行动。
我通常把需求拆成四层，而不是让一个数字承担所有解释。第一层是正常需求，代表商品在没有大促和异常的情况下自然产生的销售；第二层是趋势，反映商品正在增长还是衰退；第三层是活动增量，单独处理促销、直播、站内资源位和价格变动；第四层是损失需求，用于估算缺货期间没有成交但可能存在的需求。
对于稳定商品，可以使用加权移动平均。越靠近当前时间的数据权重越高，但要先排除明显活动日。对于季节性商品，应采用同比或同季节基线；对于新品，则要借助相似商品、曝光量、转化率和供应商交期，而不是假装拥有完整历史数据。
一个可执行的需求基线可以写成：
预测日需求 = 正常日基线 × 趋势系数
+ 活动增量 × 活动兑现系数
+ 缺货修正需求
其中“活动兑现系数”非常重要。计划中的曝光不一定全部实现，活动力度、库存位置、价格竞争和平台流量都会影响最终销量。如果过去五次同类活动的计划销量兑现率只有68%，就不应把本次活动目标100%塞进采购模型。
需求波动与供应波动需要不同的处理方式。需求波动通常通过安全库存和服务水平解决；供应波动则可以通过提前下单、备选供应商、缩短采购批次、调整交期承诺或增加供应商准时率权重来解决。
当交期也存在明显波动时，可以使用更完整的安全库存思路。假设日需求均值为d，日需求标准差为σd，平均交期为L，交期标准差为σL，那么安全库存可近似表示为：
安全库存 = 服务水平系数 × √(L × σd² + d² × σL²)
这个公式的管理含义很直接：如果商品每天卖得多，即使需求很稳定，交期波动也会产生较大影响；如果交期很稳定，但销量每天变化很大，仍然需要需求安全库存。两种风险不应该用同一个模糊的“多备几天”处理。
ABC可以按销售额、毛利额或订单贡献进行分类；XYZ则按需求变异系数、断货频率或预测误差衡量稳定性。两者结合后，才能区分“重要且稳定”“重要但波动大”“金额低但难预测”等不同商品。
| 组合 | 典型特征 | 补货方式 | 管理重点 |
|---|---|---|---|
| A-X | 贡献高、需求稳定 | 连续盘点，较高服务水平，小批量高频补货 | 避免断货，关注供应商准时率 |
| A-Z | 贡献高、波动明显 | 活动拆分预测，人工复核关键订单 | 避免把活动峰值当长期需求 |
| B-Y | 贡献中等、存在季节变化 | 滚动预测，按季节调整库存上限 | 关注趋势和库存结构 |
| C-X | 贡献低、需求稳定 | 按固定周期批量补货 | 降低采购和管理频次 |
| C-Z | 贡献低、需求不稳定 | 小批量、按单采购或设置清仓规则 | 控制库龄和资金占用 |
我不建议把ABC与XYZ做成一次性分类。商品分类应该按月或按活动周期更新，因为一个新品可能从C类迅速进入A类，一个曾经热销的商品也可能因生命周期衰退转为长尾库存。
采购人员不应该只看到“建议采购1,860件”，还应该看到这条建议的触发原因。例如“未来9天预计断货”“供应商平均交期增加4天”“活动增量未完全兑现”“现有库存集中在非目标仓”“近14天预测误差超过30%”。
标签越接近行动，越容易减少无效沟通。相比“库存低于阈值”这种技术提示，“华东仓预计周五断货，西南仓可调拨320件，供应商最早周三发货”更适合直接进入采购和仓配协同流程。
在上述家居用品项目中，我们选择九数云作为数据分析和可视化承载工具，重点不是做一个展示型大屏，而是把订单、库存、采购、仓配和商品主数据放到同一个补货逻辑下。工具官网为九数云。
项目的实际目标被限定为四项：降低核心SKU缺货率；减少90天以上库存；缩短每周补货表整理时间；让采购、运营和仓配对同一条补货建议使用相同口径。我们没有把“预测准确率提升多少”作为唯一目标，因为预测变准但采购无法执行，最终也不会改善库存结果。
我把数据拆成五类事实表和三类维度表。事实表包括订单明细、每日库存快照、采购入库、退货记录和促销计划；维度表包括商品、仓库和供应商。每张表必须有明确的时间字段、SKU字段和仓库字段，否则后续无法做日级库存位置计算。
| 数据表 | 关键字段 | 更新频率 | 用于解决的问题 |
|---|---|---|---|
| 订单明细 | 订单日期、SKU、仓库、数量、实付金额、退款状态 | 每日或小时级 | 还原成交需求和退款影响 |
| 库存快照 | 日期、SKU、仓库、现货、锁定、质检、残损 | 每日 | 计算真实可售库存和库存库龄 |
| 采购明细 | 采购单、供应商、下单日、承诺到货日、实到日、数量 | 每日 | 计算有效在途和交期波动 |
| 促销计划 | 活动类型、开始结束时间、折扣、资源位、目标销量 | 按活动更新 | 分离活动增量和日常基线 |
| 商品主数据 | 品类、规格、生命周期、箱规、起订量、毛利 | 变更时更新 | 把采购约束纳入建议数量 |
数据接入后，我会先建立一张“SKU-仓库-日期”粒度的库存事实表。所有需求、可用库存、在途、缺货、库龄和补货建议都尽量落在这一粒度上。这样做的好处是，任何一个总数都能向下钻取到具体商品、具体仓库和具体日期。
项目中最终保留了四个主要页面，而不是把所有指标堆在首页。首页看经营风险，补货页看待处理事项，SKU页看单品证据，供应商页看交期和履约。不同角色看到的不是同一张表，而是同一个数据模型下的不同决策视图。
最关键的改变，是把“库存低于阈值”升级为“在预计到货前是否会断货”。一个商品现在库存较低，不代表马上需要采购；如果供应商明天到货，可能无需动作。相反，一个库存看起来还不少的商品，如果订单分配已占用大半，也可能已经处于高风险状态。
在九数云中，我会将订单、库存、采购和商品主数据按统一字段关联，再把补货所需的计算字段集中管理。这样可以让采购人员按仓库、品类、供应商、风险等级和预计断货日期筛选，而不需要重新拼接多张表。
对于企业来说，工具选型的重点不只是能否连接数据，还包括业务人员能否自己追溯和调整。比如活动后发现某品类的兑现系数偏低，采购负责人应该可以定位到活动批次、查看实际销量和预测差异，再决定是否修改参数，而不是每次都等待技术人员改程序。
我建议在看板上保留“计算口径说明”。例如将可用库存定义为“现货减锁定、质检和残损”，将有效在途定义为“供应商已确认或物流已有节点”，并在字段旁边标注更新时间。库存看板最怕的不是没有数字，而是不同部门看到同一个字段却有不同解释。
经过8周试点，核心SKU-仓库组合的日缺货率从8.7%下降到3.2%，订单满足率从91.3%提升到96.8%，90天以上库存占比从31%下降到19%，人工整理补货表的时间从每周约46小时降到18小时。预测平均绝对百分比误差从42%下降到25%，但并不是每个品类都同样改善。
改善最明显的是历史数据完整、需求相对稳定、供应商交期可追踪的A-X和B-Y商品。新品、直播专供商品和频繁换包装的商品仍然需要人工判断。这个结果说明，补货系统的第一阶段应该优先治理高价值且数据稳定的商品，而不是试图一次覆盖所有SKU。
这组数据是脱敏项目的试点观察，不是所有电商企业都能直接复制的承诺。试点期间没有发生大型年中促销，且供应商没有出现大规模停产，所以结果不能直接外推到极端活动和重大供应链中断场景。
稳定畅销商品通常有较好的历史数据，预测误差相对可控，断货会直接影响销售和店铺体验。对于这类商品，我建议采用连续盘点或高频滚动检查，每天更新库存位置，每周复核交期和安全库存。
这类商品最常见的错误，是因为销量稳定而放松对供应风险的管理。销量越稳定，断货造成的损失越容易被准确估算，也越值得投入精细管理。
活动商品的补货计划必须至少拆成活动前、活动中和活动后三个阶段。活动前关注可售库存和活动兑现风险；活动中关注实时消耗、补货是否还能赶上；活动后关注剩余库存的去化路径。
我建议为活动商品建立三套数量：活动承诺量、保守需求量和上限需求量。采购和运营先用保守需求判断基本库存，再根据资源位、价格和历史兑现率决定是否接近上限，而不是直接按一个拍脑袋的活动目标采购。
| 活动阶段 | 重点指标 | 建议动作 | 不建议做法 |
|---|---|---|---|
| 活动前 | 预计日需求、活动兑现率、有效库存、到货倒计时 | 确认可售库存、锁定在途、设置断货预警 | 只按活动目标销量一次性采购 |
| 活动中 | 小时销量、转化率、库存消耗速度、剩余活动时长 | 动态调整资源位、库存分配和配送承诺 | 看到销量高就无限追加采购 |
| 活动后 | 活动剩余库存、库龄、自然销量恢复速度 | 制定去化、换仓、组合销售或价格策略 | 把活动高销量继续沿用到日常预测 |
新品没有足够历史销量时，所谓精确预测通常只是精确地表达不确定性。我更倾向于采用小批量试采、快速补单和明确的观察窗口，先验证曝光、点击、加购、转化和退款，再逐步提高库存上限。
新品可以从相似商品借用初始参数，但要标记为“类比预测”，不能与成熟商品使用同样的置信度。相似商品需要至少在价格区间、规格、消费场景、供应商交期和渠道流量上具有可比性，否则类比结果会产生虚假安全感。
长尾商品的缺货成本往往低于库存占用成本。对这类商品，企业应明确“可接受等待时间”和“停止补货条件”。如果供应商可以快速小批量供货，可以降低现货要求；如果起订量很大，就要评估一次采购是否会产生长期积压。
我通常会为长尾商品增加库龄分层：30天、60天、90天和180天。每跨过一个节点，就触发不同动作，包括换仓、组合销售、渠道转售、降价清仓或停止采购。库存管理不是只讨论“什么时候补”，也要规定“什么时候永远不再补”。
高退货商品不能只按发货量预测。若一款商品发出1,000件，退回180件，其中100件可重新销售，实际可服务库存和净需求会与普通商品完全不同。
我会将退货拆成可二次销售、待质检、残损和供应商责任四类，并分别计算回流时间。退货回流需要7天的商品，不能在今天的补货计划里把全部退货都当作明天可用库存。
当预算只能覆盖建议采购量的60%时，不应该简单地把每个SKU的采购量都打六折。更合理的做法是先给A类商品保留最低服务水平，再根据缺货损失、毛利、替代性和到货时效分配剩余预算。
我会把商品分成“必须保”“可以延后”“可以放弃”三组。必须保通常包括核心引流品、搭配销售中的关键商品和缺货会造成店铺转化下降的商品；可以延后包括有替代品且供应商交期短的商品；可以放弃则包括低贡献、低转化和高库存风险商品。
仓容约束与资金约束不是一回事。有些商品金额不高，却占用大量库位和拣选空间。仓容不足时，应将体积、箱规、周转速度和利润贡献一起纳入决策。
供应商常用更低单价换取更高起订量，但采购价格下降不等于总成本下降。多出来的库存会产生仓储费、资金占用、损耗、过季和清仓折价，甚至影响其他高周转商品的仓位。
我建议用总持有成本比较两个方案：小批量高单价与大批量低单价。总持有成本至少包括采购金额、仓储费用、资金成本、预计损耗和清仓折价。若大批量方案只有采购单价优势，却带来明显库龄风险，就不应只看供应商报价。
当供应商延迟交付导致缺货时，增加安全库存是最快的办法，却可能把供应链问题永久化。若延迟是偶发且成本低，可以通过安全库存吸收；若延迟长期存在，就应评估替代供应商、分散采购、调整承诺交期或改变商品规格。
一个实用判断方法是比较“额外安全库存的年度成本”和“供应商改善或替换成本”。如果为了弥补交期波动需要长期多压20万元库存，而更换供应商只增加3%的采购单价，后者可能更划算。
并不是所有商品都值得追求99%的现货率。服务水平越高，安全库存和资金占用通常越大。对于有强替代品、低毛利和低复购的商品，过高服务水平可能带来负收益。
但对于引流商品、核心配件和会影响整套订单的商品，缺货可能导致连带损失。此时要把被取消订单、搭配商品损失、广告浪费和客户体验影响一起估算。服务水平应该是利润和履约体验之间的选择，而不是采购部门单独决定的指标。
第一周不建议急着下结论。先盘点数据源、字段、更新时间和责任人，找出订单、库存、采购和退货之间的主键关系。最重要的成果，是形成一页纸的库存口径说明。
如果第一周无法回答“库存快照每天几点更新”“在途何时算有效”“退款商品何时回到可售库存”，就不应直接进入自动化补货阶段。
试点不宜覆盖全部商品。我通常选择50至100个SKU，满足三个条件：销售贡献较高、历史数据相对完整、供应商交期可追踪。这样既能产生业务价值，也便于快速发现模型错误。
试点期间要提前约定基线，包括缺货率、订单满足率、库存金额、库存周转、库龄结构、预测误差和人工耗时。没有基线，项目结束后很容易陷入“看起来改善了，但到底改善多少”的争议。
这一周重点是把公式转成可筛选的业务字段。除了再订货点和建议采购量，还要输出预计断货日期、最晚下单日期、预计到货日期、库存覆盖天数、有效在途量和采购风险等级。
异常清单应该分为紧急、高、中、观察四级。紧急不代表一定要下单，而是需要当天处理；高风险可能需要采购或调拨；中风险可以纳入本周采购；观察项则进入趋势跟踪。
补货建议不能停在看板里。需要明确谁确认需求，谁确认预算，谁确认供应商交期，谁负责处理采购后偏差。每周复盘时，不要只看“买没买”，还要看建议是否准确、实际到货是否准时、需求是否发生变化。
我建议建立一个补货偏差表，至少记录建议日期、建议量、实际采购量、实际销量、到货日期、断货天数、剩余库存和偏差原因。偏差原因要区分预测错误、库存数据错误、供应商延迟、活动变化和执行延误，否则参数调整会失去方向。
每周补货复盘顺序：
库存工具最先要解决的是数据分散和口径不一致，而不是界面是否炫。企业应验证工具能否连接订单、库存、采购、退货和商品主数据，能否保留日期、SKU、仓库和供应商的关联关系。
如果工具只能展示汇总值，无法追溯到明细，采购人员仍要回到表格核对；如果工具能看明细但无法保存计算逻辑，团队又会反复手工重做。选型时应让实际使用者拿一周真实数据做试算，而不是只看演示数据。
这四个场景比单纯测试“能不能生成报表”更有价值，因为它们正是补货错误最常见的来源。工具如果无法解释这些异常，就不应直接用于自动下单。
自动化的目标是减少重复工作，不是取消业务判断。对成熟稳定的商品，可以自动生成采购建议；对新品、活动商品和高金额异常商品，应保留人工复核。理想状态是让人处理少量高价值例外，而不是让人重新检查全部数据。
我会将自动化程度分成三层：第一层自动更新数据和指标；第二层自动生成补货建议并标注原因；第三层才是自动提交采购。大多数企业在前两层稳定运行一段时间后，再决定是否开放第三层。
只看人工耗时，可能得到一个很快但缺货严重的系统；只看库存金额，可能得到一个库存很低但订单满足率差的系统。至少要同时观察履约、资金、预测和执行四类指标。
| 指标类别 | 建议指标 | 判断方向 | 避免的误判 |
|---|---|---|---|
| 履约 | 订单满足率、SKU日缺货率、预计断货金额 | 满足率上升，缺货风险下降 | 库存减少不等于经营变好 |
| 资金 | 平均库存金额、周转次数、90天以上库存占比 | 占用下降，周转改善 | 库存金额下降可能是核心商品断货 |
| 预测 | 预测误差、活动兑现率、缺货修正需求 | 误差下降，预测原因可解释 | 成交量下降可能来自缺货而非需求下降 |
| 执行 | 建议采纳率、人工处理时长、采购按时到货率 | 处理更快，建议更可信 | 看板使用率高不等于采购动作正确 |
可以，但要降低预测结果的自动化等级。数据较少时，优先使用相似商品、供应商交期、有效流量和转化率建立初始区间，再用小批量采购验证。不要把短历史预测包装成高确定性的精确数字。
如果商品有明显季节性，几个月数据可能无法覆盖完整周期，更应该采用区间预测和人工复核。预测结果可以输出保守、中性和积极三种情景，让采购结合预算和风险选择，而不是只接受一个数字。
通常不应该。促销销量应先拆解资源位、折扣、流量和转化的贡献，再判断哪些增量可以持续。活动结束后，应逐步降低活动权重，并观察自然销量是否恢复。
如果促销是周期性发生的，可以为相似活动建立独立基线；如果是一次性事件，则应将其作为单独需求，不要污染日常预测。
这通常是库存结构问题，而不是总量不足。先按SKU、仓库、规格和可售状态拆分库存，检查是否存在一地积压、一地缺货，或者大规格有货、小规格缺货。再检查是否有大量锁定、质检和残损库存。
如果是仓间分布问题，优先评估调拨时效和调拨成本；如果是规格结构问题，应调整采购组合；如果是可售状态问题，应改进质检和退货回流流程。
不存在适用于所有商品的统一天数。安全库存应该由需求波动、交期波动、目标服务水平和缺货成本共同决定。稳定且交期短的商品可能只需要较少缓冲，活动强、交期长、缺货损失大的商品则需要更高缓冲。
如果暂时没有足够数据，可以用一个临时基准启动，但必须标注为“过渡参数”，并在至少4至8周的实际数据后重新估计。过渡参数不能永久存在，否则经验值会变成新的错误规则。
不建议一开始就全部自动化。首先自动化数据更新、库存计算和异常排序，再自动生成建议，最后才考虑自动提交采购。对于高金额、高波动、新品和活动商品，应保留人工审核。
自动化的底线是：任何采购建议都能追溯到输入数据和计算原因，并且在数据缺失、供应商异常或活动标签错误时能够阻止自动执行。没有这层保护，自动化会把偶发错误迅速放大。
电商补货的核心，不是找到一个永远准确的销量预测，而是建立一套能够持续修正的决策机制。销量会变，活动会变，供应商会延迟，仓库会受限，退货也会改变可售库存。真正成熟的库存体系，不会假设环境稳定，而是把变化显式地放进模型和流程。
我最看重的三个能力分别是：能够识别缺货造成的需求低估；能够区分真实可用库存和账面库存；能够把补货建议解释成采购、仓配和运营都能执行的行动。只要这三点建立起来，后续再优化预测算法、库存分层和自动化程度，才有坚实基础。
补货计划的终点不是一张自动生成的采购单，而是让每一次采购都能回答“为什么现在买、买多少、放在哪个仓、如果预算不足先保什么”。如果一个系统能把这些问题变成清晰、可追溯、可复盘的决策，库存就不再只是仓库里的数量，而会成为可管理的经营变量。
我以前做补货时，习惯用过去30天的平均销量直接推算下次采购量，结果平销期看起来很准，一到活动周就频繁缺货。现在我最想弄清楚的是，历史销量、趋势变化和促销因素，应该怎样放进同一个补货判断里？
日均销量只能回答商品过去卖了多少，不能直接回答未来需要备多少。实际执行中，我会把补货预测拆成基础需求、趋势修正和活动增量三部分，而不是用一个平均数覆盖所有场景。我曾复盘过一款售价39.9元的家居收纳盒。它过去8周的周销量分别为420、460、450、510、570、620、590和640件。
如果只取最近30天平均值，日均销量约为20件；但把数据按周观察，会发现商品已经从每周450件左右增长到每周600件以上，继续使用静态平均值会系统性低估需求。
预测方式预测日销量实际活动前需求偏差 过去30天简单平均20件约28件低估约29% 最近4周加权平均24件约28件低估约14% 加权平均加趋势修正27件约28件低估约4% 我的常用公式是：基础日需求＝最近4周日销量按3、2、1、1加权；预测日需求＝基础日需求×趋势系数＋活动日增量。
趋势系数不建议凭感觉填写，可以用最近4周销量与前4周销量的比值计算，再设置上限，例如最高只允许修正到1.3，避免一次异常爆单把后续库存全部推高。还要把缺货日从历史数据中剔除。某商品如果有3天库存为零，这3天的销量并不是需求为零，而是没有机会成交；直接纳入平均值，会把真实需求压低。
更稳妥的做法是用缺货前后相邻正常日期的销量均值估算丢失需求，并单独标记为缺货修正数据。因此，补货表至少要保留四列：正常销售量、缺货修正量、活动增量和趋势系数。只有这样，采购人员才能看懂系统为什么给出这个数量，也能在供应商交期、仓容或现金流发生变化时主动调整，而不是机械接受一个看似精确的数字。
我发现很多团队把安全库存直接设成7天或15天，仓库人员觉得简单，财务却经常发现库存周转变慢。我想知道安全库存到底应该由哪些变量决定，以及在供应商交期不稳定时，怎样判断多备的库存是否值得？
安全库存不是固定天数，而是为需求波动和交期波动付费。判断它是否合理，不能只看有没有缺货，还要同时看库存资金占用、临期或滞销损失，以及缺货造成的广告浪费和排名损失。在一次日用品项目中，某SKU日均销量为32件，日需求标准差约为9件，供应商平均交期5天，交期标准差为2天。
团队最初按7天安全库存设置，得到224件，但这个数字没有使用任何波动数据。经过复盘，发现交期最长时达到9天，7天安全库存仍然挡不住波动。在需求与交期相对独立的情况下，我更常用这个近似公式：安全库存＝服务水平系数×√（平均交期×需求波动²＋日均需求²×交期波动²）。
如果目标服务水平为95%，系数约取1.65，代入上面的数据后，安全库存约为137件，而不是简单按7天设置的224件。
参数数值管理含义 日均需求32件决定交期内的基础消耗 日需求标准差9件反映销量起伏 平均交期5天决定在途等待时间 交期标准差2天反映供应商稳定性 建议安全库存约137件对应约95%服务水平 补货点则应写成：补货点＝预测日需求×平均交期＋安全库存。按这个案例计算，补货点约为297件。
库存位置低于297件时触发采购，而不是等仓库现货低于某个整数天数才下单。库存位置要包含现货、已下单未到货和可取消的预留库存，否则容易重复采购。我建议每月做一次安全库存复盘，重点检查三个指标：缺货率、库存周转天数和超储金额。
如果缺货率没有下降，但安全库存连续增加，通常不是库存少，而是预测偏差、采购交期录入错误或仓库账实不一致。单纯继续加库存，往往只是把流程问题变成资金问题。
我参与过一次大促备货，活动当天销售额达标，但活动结束后留下了近两个月的库存，后续只能通过降价清仓。我现在更关心的是，大促备货量应该怎样分层计算，怎样给不确定的活动流量留出回撤空间？
大促备货最容易犯的错误，是把平台预估销量当成确定需求，再一次性把全部货物发到仓库。更稳妥的做法是采用分批到货和动态补货，让库存跟着真实转化率移动，而不是在活动开始前把判断一次性锁死。我复盘过一款售价129元的厨房小电器。
平台预估活动销量为6000台，团队直接按预估量加20%安全余量备货7200台，最终实际只卖出4380台，活动后剩余库存2820台。后来重新拆解发现，预估销量对应的是曝光目标，并没有把点击率、加购率、支付转化率和退款率逐层折算。
预测环节数量或比例说明 预计曝光180万次不是订单量 预计点击率2.4%约4.32万次点击 预计支付转化率4.5%约1944单 多渠道订单修正×2.4折算直播、搜索和老客渠道 退款及取消修正−8%得到约4292台净销量 第二次备货时，我把库存拆成三层：首批保障库存按保守销量准备，第二批作为活动中段补货，第三批只保留供应商产能，不提前全部入仓。
假设保守销量为4500台，首批准备3600台，第二批准备1200台，并要求供应商预留1800台产能。这样即使活动表现不及预期，也不会把全部现金压在仓库里。活动开始后不要只看销售额，要看每6小时的支付订单、广告流量占比、自然流量占比、退款率和单件毛利。
如果支付转化率达到预估的120%以上且库存覆盖天数低于安全线，才释放第二批；如果转化率低于预估的70%，就暂停追加，并检查是否需要调整素材、价格或投放人群。还有一个常被忽略的变量是活动后的销售衰减。活动库存不能按大促日销量直接外推，通常要建立活动后第1周、第2周和第3周的衰减系数。
对非刚需商品，我会把活动后首周销量按活动日的35%到50%估算，再结合自然搜索趋势决定是否继续补货，这比用活动峰值维持采购计划安全得多。
我所在的团队已经使用表格管理库存，但采购、运营和仓库经常各自维护一份数据，月底对不上，出了缺货问题也找不到责任环节。我在考虑是否引入某项目管理平台，但担心买了之后只是把原来的表格搬到另一个页面，实际效率并没有提升。
库存工具值不值得买，不取决于功能列表有多长，而取决于它能否把补货决策链条闭环：谁提出需求、依据什么数据、谁审批、何时下单、供应商承诺哪天到货、到货后是否核销。只做看板展示而不改变责任和数据口径，通常不会带来明显收益。我建议先用一张补货任务表跑两周，再决定是否采购系统。
最少需要记录SKU、可售库存、在途库存、预测日需求、补货点、建议采购量、供应商交期、预计到货日、责任人和异常原因。某团队试运行后发现，真正影响效率的不是录入速度，而是有18%的采购单没有更新预计到货日期，导致库存计划一直基于过期信息。
指标上线前流程优化后判断价值 库存数据对账时间每周约6小时约1.5小时是否减少重复维护 采购逾期单占比18%7%是否能追踪承诺日期 缺货订单占比6.2%3.8%是否改善补货响应 补货建议确认周期2.5天0.8天是否缩短决策链 选择某项目管理工具时，我会优先验证四个场景，而不是先看演示页面。
第一，能否把库存低于补货点自动生成待办；第二，采购延期时能否自动通知运营和仓库；第三，是否保留数量变更、审批和到货核销记录；第四，能否按SKU、供应商和负责人导出异常数据。对于SKU少于300个、供应商较稳定的小团队，结构清晰的表格加固定复盘机制可能已经够用。
对于SKU超过1000个、多个仓库并行、每天需要处理大量采购异常的团队，系统化平台的价值主要体现在减少信息延迟和责任丢失，而不是替代预测模型。采购前一定要做一次真实数据压力测试：拿过去3个月的订单、退货、缺货和采购记录导入，要求供应商现场展示从一次缺货预警到采购完成的完整过程。
如果只能展示静态报表，无法解释为什么生成某个补货量，或者无法追踪修改记录，就算功能很多，也不适合承担核心库存流程。
读者评论
这篇文章最有价值的地方，是把“库存有多少”和“真正能服务多少订单”区分开了。尤其是已分配、质检、残损和不可信在途库存，如果不先清理口径，后面的预测模型再复杂也会失真。
文中提到用近7天销量补货的问题很典型，缺货会让销量数据反而变低，形成越缺货越少买的循环。不过实际执行时，流量、转化率和替代品购买数据是否能稳定获取，会决定需求修正的准确度。
按SKU和仓库分别计算库存，比全仓汇总更接近电商现场。只是区域调拨还要结合运费、时效和订单承诺，否则账面上能调拨的库存，未必真的值得调过去。