安全库存设得太低，缺货会把销售损失、加急运输和客户流失一起带进来；设得太高，现金又被压在货架上。仓库安全库存管理真正要回答的，不是“多备几件才安心”，而是某个 SKU 的缺货概率、缺货后果和多备一件的成本，是否值得承担。本文用一套可复算的示意数据，拆解怎样让缺货风险成为成本控制判断的依据。
我在分析库存策略时，会先把库存拆成两部分：覆盖正常需求和正常补货周期的周期库存，以及用来吸收需求、交期波动的安全库存。前者主要由平均消耗和补货批量决定，后者则是为了降低特定缺货风险而持有的缓冲。
这一区分很重要。若把所有库存都叫作安全库存，仓库看起来似乎“留了很多缓冲”，实际上可能只是订货批量过大、补货频率过低，或者采购周期没有优化。把原因混在一起，管理者就无法判断应增加库存、缩短交期，还是调整采购方式。
安全库存应当是有明确风险目标的缓冲，而不是凭经验加出来的固定比例。它需要跟服务水平、需求波动、供应交期、库存成本和缺货损失一起讨论。
把缺货率降到零，通常意味着要为极少发生的极端需求准备大量库存。对于低毛利、低价值、可替代的商品，这样做可能不划算；对于停线会造成大额损失的关键备件，同样一件库存却可能非常便宜。
我更愿意用“总成本”而不是“库存金额”判断策略。一个简化的决策框架是：持有库存的成本，加上缺货后产生的损失，再加上订货、运输和过期报废等成本。安全库存的作用，是在这些成本之间寻找可解释、可复核的平衡点。
因此，同一家企业不同 SKU 的服务目标不应机械地设成同一个百分比。销售贡献、供应不确定性、替代可能、缺货后果和保质期，都应该进入判断。
“这款商品容易缺货”不是足够具体的判断。我会继续追问：是每天需求波动大，还是供应商交期不稳定？缺货发生时，是延迟交付、丢失订单，还是生产线停工？一年发生几次，每次影响多少销售或工时？
只有把风险表达成可观察的指标，库存动作才有比较基础。常见指标包括缺货发生率、订单满足率、需求预测误差、交期均值与标准差、库存覆盖天数、超储金额，以及单位缺货的平均损失。
一个常见场景是：仓库总库存金额看起来偏高，销售仍不断反馈缺货。进一步拆到 SKU，会发现慢动销商品占着库位和资金，热销商品却因为补货时间偏长、预测更新不及时而断供。总量指标把两种问题平均掉了，不能直接指导具体行动。
另一种情况是账面库存充足，但其中部分商品已被订单占用、处于质检状态、在途未入库，或因批次、保质期限制无法满足当前需求。如果决策只看“现存数量”，就可能把不可用库存误当成安全缓冲。
所以我通常先区分现存量、可用量、在途量、已分配量和待检量，再看库存位置。可用库存不是简单的仓内数量，而是能够在需求发生时实际用于履约的数量。
消费品短缺，可能导致客户改买替代品；生产备件短缺，可能造成设备等待；食品或医药类商品备多了，又可能在有效期内无法消化。即使它们的需求波动相同，缺货损失和超储风险也完全不同。
我会把缺货后果拆成直接损失和间接损失。直接损失包括未成交的毛利、退款、加急运费和临时采购溢价。间接损失可能包括客户转单、生产停线、服务承诺违约和后续需求流失。间接损失难以精确估值时，应明确采用的估算假设，不要把估计值包装成已发生的财务事实。
若供应交期完全稳定，安全库存的计算相对直接：主要考虑补货期间需求会怎样波动。但现实中，交期也会变化。供应商可能因为排产、运输、报关、质检或入库安排发生延误；当需求和交期同时波动时，风险会叠加。
例如，某商品每天平均需求为20件，但有时一天只卖12件，有时会卖到32件。若平均交期为8天，且每批到货时间都很稳定，库存缓冲主要吸收需求起伏；如果交期还会从6天延长到12天，原有缓冲可能就不够。
这也是为什么只用“月销量平均值乘一个安全系数”经常失灵：它把短期波动压平，也忽略了交期变化。
完整的判断路径应从数据输入开始，经过需求和交期风险估算，再连接到缺货概率、库存资金和缺货损失，最后回到补货动作。只展示安全库存建议值而不展示计算依据，仓库和采购往往无法判断这个值是否可信。
更有用的看板不仅回答“建议备多少”，还应让人看到“为什么变了”：需求波动上升、供应商交期拉长、目标服务水平改变，还是库存记录出现异常。能解释变化，才有机会持续改进。
“在平均库存上增加10%”操作方便，却没有说明这10%对应什么风险。对稳定消耗的常规商品，10%可能过多；对需求尖峰明显、供应不稳的关键物料，10%又可能远远不够。
固定比例还会把需求单位和交期差异藏起来。一个每天出库2件、交期3天的 SKU，与一个每天出库200件、交期30天的 SKU，不可能仅凭相同百分比获得同等保护。
月均值适合做粗略计划，不一定适合设置安全库存。平均值会抹掉周内节奏、季节变化、促销峰值和断货造成的销量缺失。如果商品在月初集中销售，或每周只在固定几天出库，直接除以30可能偏离真实补货期需求。
我会先确认数据粒度是否匹配补货节奏。补货以天为单位，就优先检查日需求；需求高度不规则时，也可以按周或订单周期建模，但需要说明聚合后会损失哪些信息。
周期服务水平通常描述一个补货周期内没有发生缺货的概率；订单满足率则关注需求数量中有多少能够即时满足。两者相关，但不是同一个指标。一个周期里偶尔缺少几件，可能仍有较高的订单满足率，却已经降低了周期服务水平。
若团队没有先约定口径，销售可能用订单满足率评价，供应链却用周期内是否缺货评价，财务再用库存金额评价，最后各方都认为自己的数字正确。制定目标前，应把统计对象、时间范围、分母和是否包含取消订单写清楚。
缺货不一定全部等于丢单。客户可能等待补货、换成替代品，或把订单转到其他渠道；生产现场可能暂缓开工，也可能通过调拨解决。直接用缺货数量乘售价，通常会高估损失；只用缺货数量乘毛利，又可能漏掉停线、罚款或加急运输成本。
比较稳妥的做法，是建立几类损失口径，并标明证据等级。例如，财务可确认的退款和加急费属于已记录成本；未成交订单的潜在毛利属于估算；客户长期流失则需要单独建模，不能随意并入一个“缺货损失单价”。
月末盘点只能说明某个时点的存量，无法还原月内曾经发生的缺货和超储。若补货到货集中在月底，期末库存可能很好看，但月中已经有多次断货；反过来，期末库存较高，也可能是为了即将到来的旺季提前备货。
分析至少应观察一段时间内的库存轨迹和缺货事件。对波动较大的品类，可以按日记录可用库存、需求、在途量和补货时间；否则，单一时点数据很容易让人误判安全库存是否合理。
理论补货点到了，但采购申请两天后才提交，供应商又要八天生产和运输，真正的补货周期就不是八天，而是十天甚至更长。若计算只用供应商承诺交期，就漏掉内部审批、排单和收货时间。
我会把“供应商交期”和“端到端补货周期”分开记录。后者从触发补货到库存可销售为止，包含内部处理、生产、运输、收货和质检。补货流程可缩短时，减少流程等待有时比提高安全库存更便宜。
在计算前，先确定需求按出库、销售订单还是生产领料统计，并明确退货、赠品、样品和取消订单如何处理。若直接拿销售出库量作为需求，历史断货期间的出库会偏低，模型可能误以为需求下降。
然后计算库存位置。一个便于实务沟通的定义是：库存位置等于可用现存量加确认在途量，再减去已分配但尚未出库的数量。对于在途状态不可靠、供应商确认常变的企业，可以按到货可信度给在途量折扣，而不是把每张采购单都当成确定供应。
设日需求的均值为 \(d\)，日需求标准差为 \(\sigma_d\)，平均交期为 \(L\)，交期标准差为 \(\sigma_L\)。当需求和交期存在波动，且可用正态近似时，补货周期需求的标准差可用下式近似：
补货周期需求标准差 ≈ √(L × σd
2 + d2 × σL
2)
安全库存可以进一步估为服务系数 \(z\) 乘以该标准差；再订货点则约为平均需求乘平均交期，加上安全库存。这个方法适合需求分布相对平稳、数据质量尚可的场景，是解释风险的起点，不是所有商品都适用的精确答案。
若需求间歇、单次需求量大、促销尖峰明显，或交期分布长尾，正态假设可能失真。此时应考虑需求分位数、经验分布、情景模拟或按季节分段计算，并用历史回测检查缺货与库存成本表现。
在正态近似下，服务系数 \(z\) 可以映射到一个周期内不缺货的目标概率。例如，95%的周期服务目标常用约1.645作为系数，99%约用2.326。这个对应关系建立在假设条件成立的基础上，不能被理解成所有企业都能稳定达到该服务水平。
目标服务水平应分层。关键备件、不可替代且停线后果高的物料，可以考虑更高保护；可替代、短期延期可接受、毛利有限的商品，可以接受较低目标。目标还应由负责人批准，并定期检查是否与客户承诺和预算一致。
安全库存的直接持有成本，可用“平均额外库存数量 × 单位成本 × 年持有成本率”估算。持有成本率可以纳入资金机会成本、仓储作业、保险、损耗和过期风险；企业如果有财务口径，应优先使用内部确认的参数。
缺货成本则需要按业务类型拆分。例如，未成交订单可按可证实的毛利损失估算；加急采购按额外采购和运输费用计算；停线损失则需要生产部门提供停机时间、产能和恢复成本。无法量化的风险可以单列，不必为了算出一个总数而给出虚假的精确值。
判断核心不是“库存有没有增加”，而是增加的持有成本是否换来更值得的风险下降。若多备10件每年增加1200元持有成本，却能避免经常发生的高额加急；可能合理。若它保护的是低概率、低损失事件，且商品易过期，增加库存则未必划算。
当库存位置低于再订货点时，应触发补货。但补多少还要看最小起订量、包装规格、供应商折扣、仓容、现金预算和保质期。补货点和补货数量是两个不同问题，不能因为算出一个安全库存就认为策略已经完整。
若企业按固定周期检查库存，补货规则还要覆盖“检查间隔内的需求”。这种情况下，保护期通常不只是供应商交期，还包括下一次检查等待时间。把定期盘点场景套用连续监控的公式，会系统性低估需求覆盖范围。
实际运行中，我会同时保留建议值和人工覆盖原因。紧急项目、促销活动、供应商停产或新品上市可能需要临时调整，但每次覆盖都应该记录起止时间、责任人和恢复条件，避免一次性例外永久变成新规则。
下面用一款普通零件做情景推演：日均需求20件，日需求标准差6件，平均补货交期8天，交期标准差2天，单位成本80元，年持有成本率按24%示意。上述参数均为用于讲解的假设值，不是某家企业的实际运营数据，也不代表行业平均水平。
我设置这组数据，是因为它能呈现一个容易被忽略的差异：如果只考虑需求波动，安全库存会比同时考虑交期波动时小得多。案例的目的不是给读者提供可直接照抄的标准答案，而是展示每个输入如何改变决策。
需求与交期都存在波动时，补货周期需求标准差约为√(8×6²＋20²×2²)，即√1888，约43.45件。若以95%周期服务水平做示意，取 \(z=1.645\)，安全库存约为43.45×1.645，约72件。
平均交期需求为20×8，即160件。再订货点约为160＋72，等于232件。这里的232件是触发补货的库存位置，不是仓库必须额外常备232件；其中160件覆盖平均交期需求，约72件用于吸收波动。
如果误把交期当成固定8天，安全库存会算成1.645×6×√8，约28件。相较同时考虑交期波动的72件，少了约44件。差额不一定意味着企业必须立刻增加44件，而是说明原有计算漏掉了一个风险来源，需要进一步验证实际交期分布和缺货后果。
若额外持有72件，单位成本80元，年持有成本率按24%假设，额外库存的年持有成本约为72×80×24%，即1382.4元。若将服务目标提高到99%，安全库存约为43.45×2.326，约101件，对应年持有成本约1939.2元。
从95%提高到99%，库存缓冲增加约29件，年化持有成本增加约556.8元。是否值得，不能只看这556.8元，还要比较额外保护能够避免的缺货损失。例如该零件停线一天的真实损失若明显高于此数，较高库存可能合理；若缺货可由替代件解决，且过期风险高，提升目标未必合算。
需要特别说明：这只是持有成本的简化估算，没有纳入订货批量、仓容阶梯成本、折扣、报废、缺货概率曲线和税务影响。正式决策应使用企业核实后的参数，并把年度成本口径保持一致。
以九数云为例，可以把分析设计成从业务明细到决策看板的链路：先整理销售或领料、库存快照、采购订单、供应商实际到货日期、商品成本和缺货记录，再按 SKU 与时间粒度统一字段，最后输出需求波动、交期波动、再订货点、库存金额和异常原因。
具体能否直接连接某类业务系统、使用哪些组件或实现何种自动更新，要以企业当前产品版本、数据源权限和实施配置为准。我不会在没有核实环境的情况下，承诺某个具体接口或自动化能力。对多数团队而言，先把字段口径、刷新频率和责任人定下来，比先追求复杂建模更重要。
看板可以分成三层。管理层看高风险 SKU 数量、缺货损失估值和库存资金；采购与计划人员看供应商交期、建议补货点和待处理订单；仓库人员看可用库存、批次状态、待检数量和临近缺货清单。不同角色看到同一套口径下的不同行动信息，避免一个总览页面塞入过多字段。
在九数云中搭建分析时，我会优先保留可追溯的明细层和计算层：明细层记录每次需求、库存变动及到货时间；计算层保存均值、波动、目标服务水平、公式版本和参数；展示层呈现风险排序和行动清单。若只留最后的建议数字，后续很难解释为什么策略发生变化。
数据源和产品能力应以九数云官网当前说明及企业实际测试为准。本文引用该平台只是作为数据分析与呈现的应用示例，不表示本文使用了其系统进行真实企业测试，也不构成对具体功能、效果或接口的保证。
上线前，我会抽取一组 SKU 做手工复算，确认需求口径、交期计算、库存位置和单位成本一致。再用历史数据做回测：如果当时按新策略执行，缺货次数、库存峰值和缺货损失估值会怎样变化？回测结果不是未来保证，但能发现明显错误。
上线后应按固定周期检查参数漂移。促销季、产品换代、供应商变更、起订量调整和仓库布局变化，都可能使历史均值失去代表性。系统可以提示异常，但参数调整仍需由业务负责人确认，特别是当模型建议会显著增加库存资金时。
如果某类商品需求和交期都较稳定，缺货却仍然发生，我会先检查再订货点是否及时触发、采购申请是否延误、在途数量是否可信，以及可用库存是否扣除了已分配订单。此时，单纯增加安全库存可能只是掩盖执行问题。
对这类商品，可以先用较简单的统计周期计算安全缓冲，并定期复核。在需求节奏没有明显变化时，方法的可解释性往往比模型复杂度更重要。持续记录触发时间、下单时间和入库时间，能帮助判断真正的周期是不是比系统配置更长。
如果主要问题是供应商延迟，企业可以比较两种动作：增加库存缓冲，或通过交期承诺、供应商备货、分批交付、备用供应源和采购提前期管理来降低交期波动。哪个动作便宜，应由交期延误造成的缺货损失和新增持有成本共同决定。
当单个 SKU 价值很高、需求频率低时，用较大的安全库存覆盖极端交期并不经济。此时，与供应商约定关键物料保障、准备替代件，或者建立跨仓调拨机制，可能比在每个仓都囤货更有效。
需求突然增加，不一定都是随机波动。新品上市、节日促销、大客户订单和价格调整属于可识别事件，应尽量单独进入计划，而不是全都交给安全库存吸收。如果一场促销让需求翻倍，事后将其纳入常态平均值，可能抬高长期库存；如果完全忽略，又会造成活动期间缺货。
我会将常规需求预测与已知事件需求分开记录，再针对事件设定临时备货计划、结束日期和库存回落方案。对需求间歇的零件，应检查非零需求间隔和单次需求量，避免用平滑后的月均值掩盖“长时间无需求、偶尔集中领用”的特点。
当两种波动同时明显时，先检查数据覆盖是否足够、是否有缺货导致的需求截断、供应商到货日期是否真实，再选择适合分布的算法。对历史样本较少的新品，不宜把几周数据算出的标准差当成长期规律，可结合相似 SKU、供应商承诺和人工情景判断。
极端值需要调查，而不是一律删除。某次交期延长30天，可能是录入错误，也可能反映真实的供应中断风险。若这类事件虽少但后果严重，可以单列风险情景，不一定直接把它混进常规标准差。
保质期短的商品不能只看缺货风险，还要看剩余货架期和需求消化速度。对这类 SKU，即便模型建议增加库存，也需要验证新增数量是否能在有效期内售出。必要时采用更频繁的小批量补货、供应商寄售、缩短生产批次或分仓调拨。
有最小起订量的商品则要比较订货频率与批量。安全库存算出20件，不代表每次就能采购20件；若供应商要求每次订购500件，问题可能在采购条件、合同结构和供应商协商，而不只是库存参数。
多仓场景下，每个仓都单独保留完整安全库存，可能使总库存重复膨胀。若商品可以及时调拨、运输时间短且调拨成本可控，可以评估区域共享库存或中心仓策略；如果需求地理分散、调拨时间长，集中库存则可能无法及时保护末端客户。
不要只比较全网库存总额，还要比较地点、调拨时效、订单截单时间和服务承诺。中心仓降低总库存的同时，也可能增加末端运输成本和响应时间。合理策略取决于缺货发生在哪里，而不是仓库数量本身。
库存分类不能只按销售金额排序。高销售额商品不必然是最高风险商品，低金额备件也可能造成重大停产损失。我会同时看年度消耗价值、需求波动、交期波动、缺货后果、可替代性和保质期，形成一张决策矩阵。
对高价值、稳定需求的商品，重点可以放在采购频率、批量和资金效率；对低价值但关键性高的备件，可接受较高缓冲，但要记录停线风险依据；对高波动且易过期的商品，则需要更频繁复核、活动预测和清货机制。
较高服务目标意味着更大的缓冲，但边际库存增加通常不线性。把目标从90%提高到95%，与从97%提高到99%，所需额外库存未必相同。决策者需要比较每一档服务目标对应的库存金额、预期缺货损失和执行难度。
如果缺货成本无法精确估算，可以先用分档规则做试点：高损失商品采用较高目标，中等影响商品采用基准目标，可替代且低损失商品接受较低目标。试点期间记录真实缺货事件和实际处理成本，再逐步校准，而不是一次性将模型覆盖所有 SKU。
库存和供应改善是两种不同的风险控制手段。库存能够缩短当前需求的响应时间，却需要占用资金和仓容；供应改善可能降低长期缓冲，但需要谈判、备选供应商、质量验证或流程投入。
若供应商波动源于内部订单确认慢，库存未必是最好的补救；若商品生产周期长且外部原因难以消除，适当缓冲可能更实际。可以把“减少交期标准差”和“增加安全库存”设成两个方案，分别估算一年成本和预期风险变化，再由采购、财务与业务共同确认。
数据缺字段、库存状态不一致、交期历史缺失时，复杂模型会给人一种精确的错觉。此时应先建立最小可行的指标体系：需求记录完整率、库存账实差异、实际交期可追溯率、缺货事件记录率。数据质量达到可解释水平后，再增加预测和优化方法。
如果数据质量良好、商品数量多、业务规则复杂，自动化分析才更有价值。以九数云作为分析呈现示例时，重点是将指标定义、明细追溯和异常提示组织起来；具体建模是否适合当前团队，应通过小范围验证，而不是只看页面是否丰富。
成熟、稳定商品可以按月或按季度复核；季节商品在旺季前应提前校准；新品上市初期则要更频繁结合订单和渠道反馈调整。统一按季度更新所有 SKU，看似公平，实际可能让高变化商品反应太慢，让稳定商品承受不必要的维护成本。
参数更新也不应只看新均值。若需求均值下降、波动反而增加，简单下调安全库存可能增加尾部缺货风险；若均值上升但交期缩短，库存需求也未必同比上升。每次调整都应说明变化来自需求、交期、目标服务水平还是业务约束。
安全库存分析常用的基础数据包括：SKU 编码与单位、日需求或出库明细、可用库存快照、库存变动记录、采购下单日期、承诺交期、实际可用入库日期、单位成本、最小起订量、保质期和缺货事件。
每个字段都需要定义来源和负责人。比如“实际到货日期”是车辆到仓时间、完成收货时间，还是质检放行时间？如果目标是估算商品何时可用，通常应记录库存真正可用于履约的时间。口径不统一，会让同一供应商的交期在不同报表里得出不同结论。
上线前要检查重复订单、负数库存、单位换算、日期缺失、退货反向记录和无效 SKU。需求出现长时间为零时，需要判断是商品没有需求、已经停售，还是系统漏记；库存骤降时，则要确认是业务事件还是录入错误。
我会把数据检查结果单独展示，而不是悄悄修正后只保留最终数值。缺失率、重复率、库存账实差异和交期记录覆盖率，都可以作为模型可信度的前置条件。若输入不可靠，系统应提示“需人工确认”，而不是继续输出看似精确的补货建议。
历史回测的基本思路，是选定过去一段时间，在每个补货时点只使用当时能够知道的信息，计算建议库存，再观察实际需求和到货情况。不能把未来数据泄露到过去的计算里，否则回测效果会过于乐观。
回测至少比较缺货次数、订单满足率、平均库存、库存峰值、加急采购和报废金额。还要观察不同商品类别的表现，避免总指标改善，却让关键备件的缺货变严重。回测结果是筛选方案的证据，不是对未来表现的承诺。
可先选取一组有代表性的 SKU：稳定商品、季节商品、交期波动商品和关键备件都应有样本。试点前确定观察周期、服务口径、库存上限和异常处理规则，并保留原策略作为对照。
成功条件不能只有“缺货下降”。如果缺货下降但库存资金大幅增加，或报废金额上升，策略可能并不成功。可以预先约定：缺货成本下降到何种程度、库存资金允许增加多少、报废率不能超过多少，再根据试点结果调整参数。
促销、供应中断、重大客户项目和新品上市需要临时处理，但临时参数必须有有效期限。建议保留原始值、调整后值、调整理由、审批人和复核日期，超期后自动提醒回归常态策略或重新审批。
若模型出现异常输出，例如建议库存骤增数倍、再订货点低于日常需求，或建议数量超过仓容与保质期限制，应暂停自动执行并复核输入。对库存资金影响较大的动作，先由计划人员审核再生成采购建议，通常比直接全自动下单更稳妥。
日常清单可以优先展示库存位置低于再订货点、未来交期覆盖不足、供应商交期异常、缺货损失高和即将过期的商品。每条记录应有建议动作、责任人、截止时间和异常说明，避免管理者看到红色预警后仍需手工寻找订单与库存明细。
管理层视图则应回答趋势问题：安全库存资金是否增加、缺货损失是否下降、供应商交期是否改善、库存结构是否从慢动销转向关键 SKU。通过固定口径持续观察，才能判断策略是改善了风险，还是把风险从缺货转移到了积压、加急或报废。
安全库存管理的关键，不是找一个对所有 SKU 都正确的公式，而是先说明风险来自哪里，再说明增加库存能够降低哪一种风险，最后比较降低风险的代价。需求波动、交期波动、缺货损失和持有成本必须在同一套口径下讨论，任何单一库存数字都不足以支撑决策。
公式可以帮助管理者发现盲区，但不能代替业务判断。需求分布、供应商行为、可替代性、保质期和客户承诺决定了模型边界。数值算得越精细，不代表输入越可靠；能解释假设、检查误差并根据结果修正，才是专业分析的价值。
如果现在要启动这项工作，我建议先挑选20至50个有代表性的 SKU，核对需求、可用库存和实际交期口径；再区分需求波动、交期波动和执行延迟；随后设定分层服务目标，计算库存成本与缺货损失，最后用历史回测和小范围试点验证。
用九数云或企业现有的数据分析工具整理这条链路时，优先确保明细可追溯、指标口径一致、参数变化有记录，再逐步增加自动预警和补货建议。第一阶段不必追求覆盖全部商品，也不必承诺立刻降低所有缺货；先把一项库存决策做得可解释、可复算、可复盘，才有基础扩展到更多 SKU。
仓库安全库存不是“多备一些以防万一”，而是用明确的成本为明确的风险买保护。当企业能回答“为什么备、备多少、保护什么、代价是多少、何时复核”，安全库存才真正从经验数字变成成本控制工具。
读者评论
把缺货原因拆成需求、交期、库存记录和流程延误这点很实用。若账面库存和可用库存不一致，直接调高安全库存反而可能把数据问题掩盖掉。
文中区分周期服务水平和订单满足率很有必要，实际复盘时两种口径确实容易混用。建议看板同时标明分母和统计周期，不然不同部门很难对齐。
公式适合作为平稳需求的起点，但促销或间歇性需求下，正态假设可能不成立。用历史数据回测缺货次数和持有成本，再调整参数，会比照搬服务系数更稳妥。