仓库里最容易被误当成“安全库存管理”的动作，是给每个商品设一个固定库存下限：低于下限就补货。问题在于，同一个商品的日需求会波动，供应商交期也会波动；如果只看平均销量和平均交期，库存看起来精简了，缺货却可能集中发生在促销、交期延迟和到货未入账的那几天。补货点不是一个孤立数字，而是需求、交期、服务水平和库存状态共同决定的触发规则。
我在梳理库存规则时，会先把三个概念分开：安全库存回答“额外留多少缓冲”，补货点回答“库存状态到哪里就该触发”，订货量回答“触发后买多少”。这三者如果被混成一个最低库存数字，系统提示、采购动作和仓库实物就很容易彼此对不上。
连续检查、需求与交期相对稳定时，常见的补货点表达式是：补货点 = 平均日需求 × 平均补货提前期 + 安全库存。前一项是正常交期内预计会消耗的数量，后一项是为不确定性预留的缓冲。它是管理模型，不是所有商品都可直接套用的真理。
补货触发时，我更建议判断“库存位置”，而不只看货架上的现存量。库存位置通常可理解为：可用现货 + 已下单未到货数量 − 已承诺未发货数量 − 其他已知占用。已经下单但仍在途的货，不能当成现货；但如果完全不计入，也可能重复下单。
真正能用于决策的补货点，至少需要四类输入：需求均值与波动、采购提前期及其波动、目标服务水平、当前库存位置。商品是否有保质期、供应商最小起订量、运输批次和补货日历，则会改变规则的执行方式。
需求和交期近似稳定时，可以用相对简单的规则起步；两者都有明显波动时，安全库存就不宜只按“多备几天货”估算。更重要的是，公式输入的口径必须先统一，否则计算到小数点后两位也只是制造精确感。
某商品过去一个月日均出库20件，不代表每天都出20件。若大多数日期出库12至16件，少数活动日突然出库60件，单看月均值会抹平峰值。平均值适合描述总体水平，却不能单独解释缺货风险发生在哪些日子。
补货提前期也一样。供应商平均6天到货，可能是多数订单4至5天到达，少数订单拖到10天；也可能每次都稳定在6天。两组数据均值相同，但安全库存不能因此相同。平均交期描述中心位置，交期离散程度才提示额外缓冲需要多大。
因此，我会同时检查均值、标准差、分位数和异常原因。对采购记录来说，交期起点和终点尤其重要：从采购申请审批开始算，还是从订单正式发出开始算？到货签收算结束，还是质检合格并可销售才算结束？口径不同，得到的交期就不是同一个业务过程。
销售出库数据经常被直接当成需求，但断货期间顾客想买而没有买到的数量并未进入销售记录。若商品连续多日缺货，历史销量反而会显得偏低；按偏低销量设置补货点，下一轮缺货可能更早重演。
促销、价格调整、渠道切换、门店开业和新品导入也会改变需求结构。把这些时期与普通销售日简单合并，平均数可能既不像平时，也不能反映活动期间的真实需要。是否要剔除异常值，不能只看它“够不够高”，而要查清是录入错误、一次性项目需求，还是可重复出现的业务峰值。
采购单位可能是箱，销售单位可能是件；供应商一箱装24件，而系统中的采购数量如果被误认为24箱，补货结果会放大24倍。类似问题也会出现在多仓调拨、质量冻结、赠品占用和已分配订单中。
另一个隐蔽风险是“账实一致但状态不一致”：总库存对得上，能够自由销售的库存却少于账面数。对补货判断有用的不是总量本身，而是可用量、在途量、已承诺量及其预计可用时间。要让规则可靠，先把这些状态字段解释清楚。
“多备三天”是容易沟通的经验规则，但它隐含了需求稳定、交期稳定、商品价值相近的假设。对于低波动的常备件，三天可能过多；对高波动、长交期的关键物料，三天又可能明显不足。天数只是单位转换，不是风险模型。
如果企业暂时没有足够数据，用覆盖天数起步并非不可行，但应把它标记为临时策略，并按缺货次数、积压金额和交期偏差定期校准。真正危险的不是暂时采用经验值，而是将经验值写进系统后多年不复核，还把结果当成科学计算。
统一服务水平管理简单，但会将成本差异很大的商品放在同一把尺子上。停线风险高、替代困难的零件，与可快速补货、价值低且替代性强的商品，缺货代价显然不同。统一设到99%，可能造成部分商品资金被过度占用；统一设到90%，又可能让关键商品承担不必要的停供风险。
服务水平应和缺货损失、持有成本、采购条件及业务承诺一起讨论。这里还要区分“周期服务水平”和“满足率”：周期服务水平关注一个补货周期内是否发生过缺货，满足率关注需求数量中有多少被及时满足。目标的定义不一致，部门间拿同一个百分比比较就会产生误解。
如果已经有一批采购订单在途，只看现存量会造成重复补货。相反，若在途订单预计晚于真正需要的时间，即使库存位置看起来高于补货点，也仍然存在短缺风险。补货点是触发规则的一部分，不是脱离订单状态的自动采购指令。
采购还要考虑供应商的最小起订量、整箱倍数、固定订货日和运输安排。计算出来需要补20件，但供应商只接受每批100件时，系统必须给出“触发数量”和“建议采购数量”的区别，不能为了整箱采购把库存规则悄悄改成更高的安全库存。
过去两年的销售数据看起来更充分，却不一定更适合预测未来。如果近期渠道扩张、客户结构变化或商品替代关系改变，旧数据会拖慢规则更新。反过来，仅用最近一周数据又容易把偶然波动当成趋势。
我会先判断业务是否存在结构变化，再选取可比时间窗口。对稳定商品，可用较长历史估计波动；对新品、季节品、活动品，则需要计划、相似品、订单承诺或人工判断补足历史数据。数据窗口没有万能长度，关键是样本所代表的业务状态仍与下一轮补货相关。
若需求稳定、交期稳定，安全库存可以较低，甚至在特定计划补货场景中不单独设置，但前提是业务能够接受这种风险。基础补货点主要由交期内的预计需求构成，计算简单，也便于采购和仓库核验。
实施时不要把“稳定”理解成肉眼看起来差不多。我通常会看一段有代表性的历史：需求是否存在明显季节性、交期是否有长尾、缺货日是否被错误记录为零需求。样本时间过短或异常状态未清理，都可能让稳定性判断过于乐观。
当交期基本固定，日需求有波动时，一种常见近似是：安全库存 = 服务水平系数 × 日需求标准差 × √平均交期。公式假设需求日与日之间大致独立，且波动可以用标准差描述。若促销导致需求集中、间歇性需求很多，直接套正态近似可能不可靠。
对于每周补货或固定周期检查的业务，还要将检查周期纳入保护期。仓库并非每天都下单，商品从本次检查到下一次检查之间也可能继续消耗。因此，连续检查的补货点公式不能直接代替周期检查策略，计算窗口必须覆盖“检查间隔加供应提前期”。
若日需求均值为d、交期均值为L，且需求与交期波动可近似独立，常见近似公式为：安全库存 = z × √(L × σd² + d² × σL²)。其中σd是日需求标准差，σL是交期标准差，z对应目标周期服务水平的分位数。
这条公式的价值，不是让所有企业都计算到很细，而是提醒管理者：交期不稳定本身会消耗库存缓冲。它建立在独立性和近似分布假设上；当需求与供应同时受到同一事件影响，或者交期极端长尾时，公式可能低估尾部风险，应使用分位数分析、情景模拟或人工供应预案进行补充。
低频备件、工程项目料和高价值定制品，可能有大量零需求日，偶尔出现一笔大需求。这类数据的分布通常偏斜，日均值和标准差未必能很好代表未来。更稳妥的做法是检查历史订单间隔、单次需求量、替代方案、停供损失与供应商应急能力。
对这类商品，我会把“统计补货规则”与“业务保障方案”分开：规则负责提醒，保障方案负责说明谁批准备货、能否借调、是否接受延期和需要什么替代料。不是每一种风险都值得用仓库实物库存解决，有时框架协议、供应商寄售、调拨权限或替代设计更经济。
| 需求特征 | 交期特征 | 建议起步方法 | 需要重点核验的边界 |
|---|---|---|---|
| 稳定 | 稳定 | 用交期需求建立基础补货点，按缺货结果校准 | 样本窗口是否具有代表性，是否存在季节性 |
| 波动 | 相对稳定 | 估计需求误差，并结合目标服务水平设置缓冲 | 促销和缺货是否造成销量记录失真 |
| 相对稳定 | 波动 | 在需求缓冲外显式估计交期不确定性 | 交期起止口径、长尾延迟和供应商差异 |
| 间歇或强季节性 | 波动或不稳定 | 按商品特性使用分位数、情景分析和业务审批 | 替代方案、停供损失、库存过期与应急成本 |
下面用一个虚构但可复算的商品演示，不代表任何企业的真实经营数据。假设日均需求24件，日需求标准差8件；平均补货提前期6天，交期标准差2天；目标周期服务水平取95%，对应标准正态分位数约1.645。需求与交期暂按独立近似处理。
如果只考虑需求波动，安全库存约为1.645 × 8 × √6，结果约32件。若交期也有波动，则代入需求与交期共同波动的近似公式：1.645 × √(6 × 8² + 24² × 2²)，结果约52件。交期变异使缓冲比仅看需求时多约20件。
交期内平均需求是24 × 6，即144件。因此，同时考虑需求和交期波动时，补货点约为144 + 52，即196件。这里将计算结果取整到适合采购与仓储的单位，并非意味着精确到每一件就一定更科学；包装倍数和最小起订量还要另行处理。
假设此时仓库现货120件，已下单未到货80件，已承诺客户订单30件，暂不考虑其他冻结。库存位置为120 + 80 − 30 = 170件，低于196件，说明需要触发补货评估。但这不意味着立刻下单26件，因为采购批量、供应商到货日期和需求预测都需要参与订货量计算。
如果那80件在途货预计两天后到达，而当前商品日均需求24件，预计到货前可能消耗约48件。此时应把在途货的预计可用日期纳入短缺判断；简单用170与196比较虽然能触发提醒，却不能说明“是否会在到货前断货”。优秀的规则不只给红灯，还应展示红灯的原因和预计影响。
我会至少测试三种情景：交期均值延长、需求峰值上升、服务水平提高。若只把交期标准差从2天改为3天，其他参数不变，安全库存会进一步增加；若日均需求变化而波动比例不变，交期需求和安全库存都会改变。这样的测试能帮助团队识别真正的风险驱动项。
还应把模型输出与实际缺货记录、紧急采购、调拨和报损放在一起看。模型指出某商品风险高，而实际长期没有缺货，可能是现有缓冲过高，也可能是采购人员频繁手工加单；模型显示风险低但频繁紧急调货，则可能是需求、库存状态或交期数据不完整。
如果仓库已经在多个系统记录销售、库存、采购和到货，我会先明确每张表的颗粒度，而不是急着做一张总览大屏。销售明细至少要能识别商品、仓库、日期、数量和订单状态；采购明细要能连接采购单、供应商、下单时间、预计到货时间和实际可用时间。
库存快照则需要保留日期、仓库、商品、现货、冻结、预留等状态。若只有一个月末库存数，就无法还原月内曾经发生的缺货和补货过程。数据表最好保留原始记录及口径说明，避免清洗时把异常原因一并删掉。
以九数云作为分析载体时，可以围绕库存分析建立可核验的视图：商品日需求及波动、供应商实际交期及分布、库存位置与补货点差额、缺货与紧急采购记录、呆滞和过期风险。数据接入方式、可连接的数据源和具体产品能力，应以九数云当前官方说明及企业实际配置为准。
对我来说，关键不是工具里有没有一张“安全库存报表”，而是分析结果能不能追溯到明细。采购人员点开某个商品，应该能够看到日需求窗口、交期样本、服务水平假设、在途订单和最后一次规则更新时间。若只剩一个自动计算出来的196件，却说不清输入从哪来，业务很难放心采用。
建议每个补货规则至少保留商品与仓库范围、计算周期、需求窗口、交期口径、服务目标、补货点、安全库存、供应商、订货倍数、规则责任人及最后复核日期。若业务采用人工覆盖，还要记录覆盖前数值、覆盖后数值、原因和有效期限。
例如，活动商品临时提高补货点，应设置活动起止日期，活动结束后自动进入复核流程。关键维修件因停机风险上调缓冲，也应记录风险依据和复核责任人。这样才能区分长期规则与临时例外，避免临时判断在系统里变成永久库存。
数据看板的作用是暴露偏差与提供证据，不意味着每条预警都应自动生成采购订单。对于高价值、长交期、易过期或需求间歇的商品，预警后可以进入人工审批；对低价值、稳定消耗、包装规则明确的商品，才更适合逐步自动化。
建立分析时，我会先选一个仓库、一个品类或一批代表性商品试运行，比较新旧规则的预警数量、实际缺货、紧急采购和库存金额。若预警变多但缺货没有减少，可能阈值过敏；若库存减少而紧急采购上升，也不能简单认定优化成功。工具只能帮助串联证据，业务判断仍需负责。
对销量稳定、交期可靠、价值不高的常规商品，可先使用标准补货点和简洁的库存位置检查。重点核实包装倍数、采购周期和在途状态，按月或按季度复核参数。若这些商品每周都需要人工调整，通常说明主数据、供应商履约或批量规则没有处理好。
建议同时观察缺货次数、紧急采购率和平均库存天数。只盯住库存降低，会诱导团队把缓冲压得过低；只盯住缺货率，又可能让库存持续膨胀。每一项规则变更都应说明期望改善哪个结果，以及允许哪个指标承担多少变化。
对长交期商品，应先拆开供应延迟原因：产能不足、排产周期、运输、报关、质检还是内部审批。若可控问题在企业自身流程，单纯增加安全库存只是把流程低效固化成资金占用；若延迟主要来自外部且难以消除，则需要评估缓冲库存、替代供应商、提前锁量和加急运输的成本。
对供应商交期长尾明显的商品，平均交期往往不是最重要的管理值。需要同时看中位数、较高分位数和延期频次，并约定什么条件触发升级。若某供应商的长尾延迟足以造成停产，补货点之外还应有风险处置方案。
这类商品的过量库存代价更突出。补货规则应关注库存金额、库龄、报损、有效期和未来需求承诺，不宜只因为服务水平目标高就不断加缓冲。对可按需采购、可由供应商快速响应的商品，低库存策略可能优于仓内持有，但要验证供货承诺是否可信。
保质期商品需要把先到期先出、批次可用量和预计到货有效期纳入判断。单纯把现货总数加在一起，可能将即将到期的库存当成未来可用库存。订货量还要根据预计消耗速度校验，避免新货到仓后旧货无法及时消化。
活动前不能只用平销期日均需求计算补货点。应将活动排期、历史相似活动、渠道资源、预售订单、供应商备货能力和活动后的需求回落一起评估。活动结束后还要及时撤销临时参数，重新建立平销库存目标。
新品历史短，通常不足以稳定估计需求波动。可以参考相似商品，但必须说明相似性来自规格、价格、客群还是渠道；同时设置人工复核节点和较短的参数有效期。新品需要的是带边界的试运行，而不是把类比数据伪装成精准预测。
| 商品情形 | 优先动作 | 关键观察指标 | 不宜忽视的代价 |
|---|---|---|---|
| 稳定常规品 | 建立基础规则并按周期校准 | 缺货次数、紧急采购率、库存天数 | 包装倍数和在途重复下单 |
| 交期长且波动大 | 分析供应延迟原因并准备备选方案 | 交期分位数、延期频次、到货可用时间 | 单纯加库存掩盖供应问题 |
| 高价值或易过期品 | 加上库龄、有效期和资金占用约束 | 呆滞金额、报损、到期风险 | 服务目标过高导致库存长期沉淀 |
| 促销和新品 | 建立限时参数并设置复核日期 | 活动需求偏差、活动后库存、预测误差 | 临时规则没有及时撤销 |
提高服务水平通常意味着更大的缓冲，但库存持有成本、仓储空间、资金占用和过期风险也可能随之增加。企业真正需要比较的是缺货损失与增加库存的边际成本，而不是把“库存越高越安全”当作唯一目标。
在关键物料上，缺货可能导致停线，较高缓冲可能有充分理由；对易替代、快速补货的商品，过度备货则可能没有经济性。服务目标应按商品群或业务场景设定，且应能解释其代价由谁承担、收益由谁获得。
需求和交期建模越精细，对数据质量、样本量、业务维护和异常解释的要求越高。若企业无法稳定记录订单实际可用时间，却使用复杂模型计算安全库存，输出的精度只是表面精度。模型复杂度要和可获得证据匹配。
实际推进中，可以先用简单规则建立基线，再逐步针对高缺货、高金额、交期长尾或间歇需求商品升级模型。不要一开始就把全部商品都做成复杂算法项目；先解决那些真正影响现金、服务和运营稳定性的商品，通常更容易形成管理闭环。
自动生成建议订单能够减少重复判断，但错误的商品单位、过期参数或漏算承诺量也会被更快放大。自动化之前应定义异常边界：数据缺失、交期突然异常、活动参数过期、补货量超上限、库存金额超过预算时，系统怎样提醒，谁来审批。
对高风险例外保留人工判断，不等于反对数字化。相反，明确哪些情形可自动处理、哪些必须复核，能够让自动化集中处理标准场景，让专业人员把时间用在少数真正复杂的决策上。
试点对象最好覆盖不同类型：稳定常规品、长交期商品、高价值商品和需求波动品。每类选择一批有代表性的商品，记录现行补货点、库存位置、缺货、紧急采购、平均库存和人工调整情况。样本选择要避开只挑“容易改善”的商品，否则试点结果难以推广。
试点前先锁定评价周期和业务口径，例如缺货按未满足的销售需求还是按拣货失败统计，库存按日末金额还是日均金额计算。若新旧规则的统计定义不同，最终对比就无法判断改善来自规则还是口径变化。
补货点调整应记录旧值、新值、调整原因、使用数据窗口、审核人和下次复核日期。若发现某商品销量受断货影响，需要说明如何修正需求；若供应商更换，也要重新估计交期，而不是继续沿用原供应商的参数。
规则并非设定后永久有效。新品转成熟品、促销结束、供应商履约改善、运输方式改变或仓库服务范围变化，都可能使旧参数失去代表性。参数复核的频率应由商品风险和变化速度决定，而非为了统一管理强行规定所有商品同一天重算。
试点结果至少要同时回答三件事：缺货或紧急采购有没有改善，平均库存及资金占用发生了什么变化，采购与仓库的人工处理时间是否合理。某一个指标改善不能自动证明整体收益，例如缺货减少但报损大幅上升，可能只是用一种成本替代另一种成本。
可以设置适合企业自身的观察指标：缺货频次、订单满足率、周期服务水平、紧急采购金额、平均库存金额、库存周转、过期报损、参数覆盖率、人工例外处理时间。指标不必全部塞进一张看板，但每次推广决策都应能解释收益、风险和实施成本。
如果试点期间出现某类商品的缺货显著恶化、库存快速超预算、单位换算错误或在途状态漏算，应暂停自动应用并回到人工复核。提前定义停止条件，比事后争论“这次试点算不算成功”更有价值。
对于符合条件的商品，可以逐步扩展范围；对于结果不稳定的商品，应保留单独策略或继续补齐数据。推广的目标不是让所有商品拥有同一种参数，而是让每种商品都有一套能说明依据、能被复核、出现异常能调整的规则。
先抽取一批商品，确认销量时间窗口、缺货日、促销日、退货和跨仓调拨是否处理正确。计算日均需求之外，也要看波动、峰值和需求间隔。若历史销量被缺货截断，先识别受影响的日期，再决定是否需要修正需求估计。
从真实采购记录抽查下单日期、收货日期、质检完成日期和可用库存日期，明确企业要保护的是哪个业务时间段。区分供应商、运输方式和仓库后，再观察平均交期及延期分布。合同交期可以作为承诺基准，但不能替代履约事实。
选取实际发生过缺货或紧急采购的商品，逐笔核对现货、冻结、预留、在途、已承诺和报损状态。若库存位置无法可靠计算，先修状态逻辑，不急着追求更复杂的安全库存模型。
补货点应能说明输入、假设、责任人、适用期间和执行边界。计算值低于业务底线时要说明如何处理，高于预算或有效期容量时也要有替代方案。需要人工覆盖时记录原因，后续用结果检验覆盖是否带来收益。
我的核心判断是：安全库存管理做得好，不是把仓库塞满，也不是把库存压到最低，而是让每一件缓冲库存都对应一种清楚的风险。补货点的价值在于把“什么时候需要行动”变成可解释的规则；真正的管理能力，则体现在数据出错时能发现、供应变化时能调整、规则失效时能回退。
下一步可以从一个仓库和一组代表性商品开始：统一需求与交期口径，算出库存位置，建立一版可复核的补货点，再用缺货、紧急采购、库存金额和过期风险共同评估。先把少数关键商品做对，再推广到相似商品，比给全仓一次性设定一个看似整齐的安全库存数字更稳妥。
我想给仓库里的常用物料设补货点，但看到有的算法只算平均日用量乘采购周期，有的还要加安全库存。到底该用哪种算法，才能避免既频繁缺货又压太多库存？
补货点不是单纯的“日均用量×采购天数”，而是预计采购到货前会消耗的数量，再加上用来覆盖波动的安全库存。基础公式是：补货点＝平均日需求量×平均采购提前期＋安全库存。举例：某物料日均需求20件，供应商平均交期7天；近一段时间日需求标准差为6件，目标服务水平约95%时，可取系数1.65。
假设交期相对稳定，安全库存约为1.65×6×√7≈26件，补货点就是20×7＋26＝166件，系统可设为约167件。这个数不是永久不变的参数。需求和交期至少按月复核；若促销、季节变化或供应商调整交期，应及时重算，否则看似精确的补货点可能只是过期数据。
我遇到过同一家供应商有时五天到货、有时要十多天，按平均交期设置后还是会断货。我不确定应该单独把安全库存调高，还是要把交期波动也纳入计算，想知道怎么做更稳妥。
交期波动明显时，只用平均交期会低估风险。若日需求与交期近似独立，可用合并波动公式估算：安全库存≈服务水平系数×√（平均交期×日需求方差＋平均日需求²×交期方差）。再将平均日需求×平均交期加上安全库存，得到补货点。
例如日均需求20件、日需求标准差6件，平均交期7天、交期标准差2天，按约95%服务水平取1.65，安全库存约为1.65×√（7×36＋20²×2²）≈71件，补货点约为20×7＋71＝211件。相比忽略交期波动的约166件，差异足以影响是否及时下单。
这个估算依赖分布和独立性假设，适合先做管理基线，不应当成精确承诺。若缺货往往集中在节假日、旺季或特定供应商批次，应分场景统计交期，别让一个全年平均值掩盖高风险时段。
我担心补货点调高以后缺货少了，但库存金额和呆滞料也跟着增加。除了看有没有断货，我还应该跟踪哪些数字，才能分辨这是参数设置有效，还是只是多囤了货？
建议同时观察服务结果与库存代价，而不是只盯缺货次数。至少按物料和月份记录缺货率或满足率、库存周转、平均库存金额、紧急采购次数，以及因过量采购形成的呆滞库存。复盘时要把缺货原因分开：补货点偏低、供应商晚交、需求突然上升、库存账实不符，处理办法并不相同。
若缺货下降但周转显著变慢，先检查交期数据和需求预测是否失真，不要立刻把所有物料的安全库存统一下调。可以先选一组高频、缺货影响大的物料试运行4至8周，对比调整前后的满足率、平均库存和紧急采购次数。试点期间记录每次触发补货的库存位置和实际到货日期，才能判断问题出在参数、执行还是数据。
我发现仓库里还有货时，系统有时已经提示该补货，有时却等到货架快空了才提醒。我想弄清楚在途采购、已分配给订单的货要不要算进去，以及怎么避免重复下单。
补货触发通常应看库存位置，而不只看仓库现有数量。常见口径是：库存位置＝可用现货＋已确认在途量－已分配量；若存在欠交订单或其他预留，应先明确系统如何纳入，避免同一数量被重复计算。
例如补货点为167件，现有可用库存90件，在途采购60件，已分配给订单30件，则库存位置为90＋60－30＝120件，低于补货点，应触发补货评估。若只看现有库存，会误以为缺77件；若把已分配量漏扣，也可能误判暂时不必补货。触发补货不等于立刻按差额下单。
下单量还要结合最小起订量、包装倍数、采购预算和在途是否可靠来定；对交期长或供应商履约不稳的物料，最好把未确认订单与已确认在途分开管理。
读者评论
把补货点和订货量分开讲很实用。我们之前只看现存量，忽略在途订单，结果同一批货重复下单；库存位置口径确实得先统一。
交期起止口径这个细节容易被忽略。若按签收算到货，但质检后还要两天才能销售，补货模型就会低估实际提前期。
服务水平不能只看一个百分比这点认同。关键维修件和普通包装材料的缺货代价不同，统一设高缓冲可能占资金，设低了又有停供风险。