仓库安全库存看起来只是一条公式，真正落地时却常出现两种相反结果：该备的货没备，缺货照旧；不该备的货越堆越多，现金被库存占住。关键不在于把安全库存统一设成“几天销量”，而在于把需求波动、供应周期、服务目标和补货动作放进同一套可复核的规则。下面我用公式、情景模拟案例和数据落地方法，说明如何从一个库存数字走到一套能持续运行的管理机制。
安全库存不是“多备一点总没错”，而是为了应对补货周期内需求高于预期、供应晚于预期等不确定因素，提前准备的缓冲量。它解决的是：在约定的服务水平下，企业愿意为多大的波动风险付出多少库存成本。
这意味着，安全库存必须和补货点、采购周期、服务水平一起设计。单独给 SKU 填一个“安全库存数量”，却没有说明适用周期、计算口径和例外条件，这个数字很快就会失去意义。
这里的库存位置，通常要按“现有可用库存＋在途量－已分配量－欠交量”计算，而不是只看货架上的实物数量。否则在途货物已经算进补货判断，或者被订单占用的库存仍被当成可用量，都可能使系统过早或过晚发出采购建议。
我判断一个方案是否能落地，通常不先看公式有多复杂，而先看它有没有回答四个问题：哪些 SKU 值得精细计算；需求数据是否可信；供应周期是否按真实到货记录计算；建议数量是否能进入采购或补货动作。
如果这四个问题没有解决，再精确的统计公式也会把错误输入包装成精确数字。安全库存管理的本质，是把风险规则转成可执行、可追踪、可定期复核的补货政策。
一种常见现象是：月报显示某物料月均销量稳定，仓库也有库存，但销售旺季或供应延迟时依然断货。原因往往是月度平均值掩盖了日内、周内和订单批次的波动。采购决策真正面对的不是“这个月平均卖多少”，而是“下一次补货到达之前可能会消耗多少”。
例如，一个零件每月平均销售 720 件，粗略日均为 24 件。若补货周期为 8 天，平均周期需求约 192 件。但如果需求有明显波动，或者供应商经常晚到，仓库只按 192 件设补货点，就等于假设未来需求和交期完全确定。现实里，这个假设通常不成立。
合同写 7 天，不代表实际交期就是 7 天。要判断交期风险，应从历史采购单中取“下单到验收入库”的实际天数，并区分供应商、物料、运输方式和特殊时期。把采购审批等待时间、供应商生产时间、运输时间和收货质检时间混为一个模糊数字，会让责任边界难以定位。
我建议至少保留三个交期字段：承诺交期、实际到货交期、可用入库交期。若物料到仓后还需检验或加工，真正影响可用库存的，是它何时可以被拣货或领用，而不只是卡车何时到仓。
销售部门可能按下单时间统计需求，仓库按出库时间记录，采购按下单时间计算交期，财务则按入库单日期确认成本。遇到月底跨期、退货、补录单据或订单拆分时，同一件货在不同报表里可能落在不同日期。
因此，正式建模前要定义需求日期、取消订单、退货、赠品、内部领用、缺货未满足需求的处理办法。如果缺货期间没有销量记录，系统会把“想买但没有货”的需求误认为零需求，越缺货，预测需求反而越低。这是库存模型里很容易被忽略的反馈偏差。
一个可操作的起点是抽取最近 6 至 12 个月的订单、出库、采购和入库明细，检查日期缺失、重复单据、负数冲销、单位换算和异常大单。对季节性明显的物料，数据周期要覆盖完整季节；对新品或低频物料，不能简单依赖短期均值，需要增加人工判断和供应风险标记。
建议先计算几个基线指标：需求均值、需求标准差、实际交期均值、交期标准差、缺货次数、欠交天数和库存金额。它们不是为了做一张漂亮仪表盘，而是为了知道波动从哪里来、哪些参数可信、哪些 SKU 不适合直接套公式。
“所有物料备 7 天”操作简单，便于沟通，却把不同销量、不同交期和不同供应风险压成同一个规则。高周转物料可能因此缺货，低周转物料则可能积压。固定天数可以作为短期过渡或数据不足时的临时约束，但不应被误认为是风险模型。
如果企业确实需要先用天数制，至少应按物料类别、供应方式、服务目标和库存价值设定不同档位，并定期用实际缺货与库存金额检验。更重要的是明确这是“建议基准”，而不是精确计算结果。
有些表格把“日均销量乘以若干天”直接命名为安全库存。这个数量更接近周期需求或覆盖天数，不包含需求标准差，也没有说明服务水平。如果某 SKU 日均需求 24 件，按 3 天备货就是 72 件，但这 72 件能覆盖多大概率的波动，无法从这个算法中得出。
覆盖天数适合做业务沟通，例如“可覆盖几天需求”；安全库存公式则用于估计缓冲风险。两者可以同时存在，但字段名称和管理用途必须分开。
如果交期很稳定，需求波动可能是主要缓冲来源；如果需求稳定但供应商交期忽长忽短，交期风险可能更重要。只把需求标准差放进公式，会低估交期不稳定带来的风险；只把供应商最长交期当作常态，又可能过度囤货。
在数据允许时，应把需求和交期的实际分布分别分析。对供应商偶发的极端迟延，还应先判断它是可重复的经营风险，还是一次性事件。将一次重大事故永久写入日常参数，可能把短期应急措施变成长期库存负担。
发生缺货时，已出库数量并不等于真实需求。被拒绝的订单、延迟交付、客户改买替代品以及内部领用排队，都可能没有进入销量数据。如果直接用出库记录计算均值，需求被压低后，系统会给出更低的安全库存，形成“越缺货，算出来越不需要备货”的错误循环。
可行做法是增加缺货需求记录，例如未满足订单量、客户取消量、欠交量和替代品转单量。数据不完整时，明确标记估算方法，并把这类 SKU 列为人工复核对象，不要假装计算结果足够精确。
服务水平越高，通常需要越多缓冲库存；但额外的库存金额、仓储空间、过期风险和资金成本也会增长。并非每个 SKU 都值得追求同样的服务目标。关键物料、停线风险件、合同承诺件和可快速替代的常规件，缺货后果并不相同。
服务水平不是单纯的仓库指标，而是业务部门对缺货代价和库存代价的共同选择。如果采购、销售、生产和财务没有参与设定，仓库往往会被要求同时做到“不缺货”和“少库存”，但没有得到可执行的优先级。
需求结构、供应商、运输方式、包装规格和促销计划都会变化。安全库存如果一年只算一次，可能很快失真。反过来，频繁自动调整也会造成参数抖动，采购人员难以判断库存变化到底是业务变化还是模型噪声。
比较稳妥的做法是给不同物料设复核频率：高价值、高风险或高波动物料按月复核；稳定常规料按季度或半年复核；新品、供应商变更和重大促销则触发事件复核。复核不是盲目重算，而是检查数据和规则是否仍然成立。
若每天需求近似独立、波动相对稳定，补货交期固定为 L 天，可用下式估算安全库存：
安全库存 SS = z × σd × √L
再订货点为：ROP = 平均日需求 × 平均交期 + 安全库存。例如，日均需求为 24 件，日需求标准差为 6 件，交期为 8 天，目标服务水平为 95%，则安全库存约为 1.645 × 6 × √8 = 27.9 件，实务中可按包装单位向上取整为 28 件。再订货点约为 24 × 8 + 28 = 220 件。
这个公式假设交期固定、需求波动可以由标准差描述，并且观察期内分布没有严重结构变化。它不是所有品类的通用真理。需求间存在明显相关性、长周期季节性或大量零需求时，直接套用正态近似要谨慎。
如果日需求和交期均存在波动，并假设两者相互独立，补货周期总需求的方差可以近似写为：
σLT = √(L̄ × σd
2 + d̄2 × σL
2)
其中，L̄ 是平均交期，σL 是交期标准差，d̄ 是平均日需求。随后计算：SS = z × σLT
。使用前要确认需求单位、交期单位一致，并检查需求与交期是否相关。若供应商在旺季迟延时恰逢需求高峰，独立假设会低估风险。
有些企业不是每天监控库存并即时下单，而是每周或每月固定开一次采购计划。此时需要覆盖的不仅是采购交期，还要覆盖“距离下次检查的等待时间”。如果检查周期为 R，交期为 L，保护期大致为 R + L。
在需求标准差近似稳定的情况下，可按保护期需求波动计算缓冲：SS = z × σd × √(R + L)。定期检查制若仍使用只覆盖交期 L 的安全库存，容易在检查间隔里消耗掉缓冲。检查周期越长，补货批次越集中，库存峰谷也通常越明显。
“95% 服务水平”并不总是同一个概念。周期服务水平表示一个补货周期内不发生缺货的概率；满足率则表示需求数量中有多少比例能够及时满足。两者的计算方式和库存结果并不等价。企业必须先确认自己关注的是“每个订单周期是否缺货”，还是“总需求有多少件按时满足”。
在常规库存模型中，z 值常与周期服务水平对应。若业务考核的是满足率，尤其面对大订单和批量需求，应结合订货批量、缺货成本和订单结构评估，不能直接把满足率百分比当作 z 值查表。
备件、售后件和项目物料可能长期没有需求，偶尔一次需求几十件。此时平均值和标准差容易受到少数订单影响，正态模型可能得出不稳定甚至不合常理的库存量。
对此可以按物料特征采用不同办法：关键备件使用故障影响和采购周期做风险分级；低频常规件考虑集中库存或供应商寄售；可替代件优先管理替代关系；项目件按项目计划和交付承诺配置，而不是把项目峰值当成长期常态需求。
| 需求与供应特征 | 建议方法 | 重点检查 | 不宜做法 |
|---|---|---|---|
| 需求稳定、交期稳定 | 固定交期基础公式 | 包装倍数、服务水平和库存位置 | 为追求复杂而频繁重算 |
| 需求波动、交期稳定 | 需求波动模型并识别促销与大单 | 异常订单、季节性和缺货需求 | 将一次性大单永久计入均值 |
| 需求稳定、交期波动 | 需求与交期联合估计 | 供应商实际交期和迟延分布 | 只用合同交期代替实际交期 |
| 低频、间歇性需求 | 风险分级、替代方案或集中库存 | 缺货后果、维修时限和可替代性 | 不加判断地套用正态公式 |
为了展示计算和落地路径，下面采用一家工业备件分销商的情景模拟。假设企业有 1,200 个活跃 SKU，数据取最近 12 个月的出库和采购记录；其中 300 个 SKU 占库存金额的 72%，缺货影响差异很大。以下数字均为演示计算，不代表任何企业公开经营结果或行业统计。
这个案例的目标不是证明某个软件能自动解决库存问题，而是展示如何把数据整理、风险分层、参数计算和执行复盘连接起来。尤其要注意，模型输入仍需业务确认；分析平台可以减少取数和复算工作，但不能代替服务策略决策。
模拟 SKU A 为常用轴承，日均需求 24 件，日需求标准差 6 件，平均实际交期 8 天，交期标准差 2 天。先用固定交期简化计算，95% 服务水平下安全库存约 28 件，再订货点约 220 件。
但该物料交期实际存在波动。若将交期标准差也纳入，并假设需求与交期独立，补货周期需求标准差约为 √(8 × 6² + 24² × 2²) = √1440 ≈ 37.9 件。95% 服务水平的安全库存约为 1.645 × 37.9 ≈ 62 件；再订货点约为 24 × 8 + 62 = 254 件。
从 220 件到 254 件的差异，不是公式变复杂后“多备一点”，而是过去的模型忽略了交期波动。若供应商的实际交期并不稳定，继续按固定交期计算，就会系统性低估保护需求。另一方面，若这两天的标准差主要由一个偶发事件造成，应先调查原因，不宜机械地把异常永久写入库存政策。
| 模拟物料 | 需求与供应特征 | 建议关注点 | 策略方向 |
|---|---|---|---|
| SKU A：常用轴承 | 日均 24 件，需求持续；交期均值 8 天、标准差 2 天 | 交期波动会显著抬高补货周期风险 | 联合估计需求与交期，按库存位置触发补货 |
| SKU B：设备维修备件 | 多数月份无需求，偶尔一次需求 10 至 20 件；交期较长 | 缺货可能影响维修时限，但均值容易被少量订单扭曲 | 按关键程度、替代性和停机损失分级，不只看平均销量 |
| SKU C：季节性包装材料 | 旺季需求集中，淡季需求低；供应周期相对稳定 | 年度均值会掩盖旺季峰值，备货窗口有限 | 按季节计划与促销预估设置阶段性参数，到期复位 |
SKU B 若只按日均需求乘交期计算，可能得到接近零的库存；但如果缺货会导致关键设备停机，零库存并不代表低风险。反过来，盲目多备也可能在需求长期不发生时形成呆滞。因此，关键备件的合理策略可能是区域共享、供应商快速响应、替代件认证或设置少量战略库存，而不只是把公式算得更精细。
继续用模拟数据说明组合效果。假设复核 300 个高影响 SKU 后，发现其中一部分高风险物料缓冲不足，另一部分长尾物料因历史经验规则而超额持有。调整后，对高风险物料新增目标库存约 96,000 元，对确认过量且可替代的物料减少约 220,000 元，组合净释放库存资金约 124,000 元。
这不是“所有 SKU 都降库存”的故事，而是把库存从风险低、替代性强、需求过期的物料，转移到缺货代价高、交期波动大、实际需求存在的物料。是否能实现这些金额，取决于采购批量、最小订货量、呆滞处置能力和供应商条件，不能仅凭模型数值承诺。
企业还需把服务结果一起观察。例如调整后库存金额下降，但欠交天数、紧急运输费用和停线次数上升，就不是成功；相反，库存略增但关键客户满足率改善，可能符合业务目标。库存金额与服务指标必须成对复盘。
以九数云作为分析示例，企业可以围绕库存、出库、采购和入库明细搭建分析视图。产品能力、数据连接方式和版本功能可能随时间变化，实施前应以其官网说明和实际试用验证为准。官网入口：九数云。
在实际规划中，我会先把它定位为数据整理与分析层，而不是自动替企业决定库存政策的“黑箱”。先验证数据能否按 SKU、仓库、供应商、日期和单据状态关联；再看是否能保留计算口径、参数版本和异常说明；最后才评估自动刷新、权限和审批流程是否满足日常使用。
建议把分析页面拆成四层。第一层是数据质量：需求日期缺失率、采购单匹配率、单位换算异常数。第二层是风险识别：需求变异系数、交期变异系数、缺货次数和欠交天数。第三层是策略参数：服务等级、缓冲量、再订货点、最小订货量。第四层是执行结果：建议触发次数、实际下单时间、实际到货时间和补货后缺货情况。
最重要的是把每个参数的来源说清楚。例如“交期 8 天”应能追溯到实际到货记录的统计区间；“需求标准差 6 件”应能看到被纳入的日期范围和异常处理规则；“服务水平 95%”则应能说明是业务批准的目标，而不是模型自行生成。这样采购人员才能质疑、复核和解释建议。
如果企业目前没有稳定的日需求记录或实际交期数据，不建议一开始就批量上线复杂公式。先统一物料编码、计量单位和业务日期，拉出最近 3 至 6 个月数据做抽样核对；对关键供应商建立实际交期台账，对缺货未满足需求做人工登记。
过渡期可以使用按物料类别分档的覆盖天数，但必须标注为临时规则、设置复核日期，并记录每次人工调整的原因。这样至少能把经验从个人脑中变成可以检查的政策，而不是让一个未经验证的公式制造虚假精确感。
对长期稳定、供应交期波动小、缺货后果可控的常规物料，基础公式通常足够。重点反而是库存位置是否准确、包装倍数是否正确、采购最小量是否约束补货数量，以及系统触发后是否有人及时处理。
若需求波动已经很小，再不断调整服务等级的小数点或高频重算，可能只增加解释成本。对这类 SKU，建议按季度抽检参数、按月观察缺货和积压即可，把管理精力留给真正高风险的品项。
促销、季节活动、客户项目和集中采购会改变需求结构。可在常态需求模型之外，单独建立事件计划：记录开始日期、预计增量、订单确认度和结束后的参数恢复时间。不要把一次促销销量永久写进普通日需求的均值或标准差。
若促销计划频繁变更，应建立滚动复核机制，例如每周更新未来 4 至 8 周计划，并把已确认订单、预测订单和不确定机会单分开。库存负责人需要看到预测的不确定区间，而不只是一个看似确定的点估计。
对长交期、高迟延的物料，增加安全库存有时是必要的，但不应成为唯一答案。先拆解迟延发生在哪个环节：审批等待、供应商排产、出口运输、清关、收货检验还是质量返工。找到可控环节后，缩短周期或提高交期可见性，可能比长期多占库存更划算。
如果短期无法改善供应，可考虑双供应源、替代料认证、供应商安全库存、分批交付或运输方式切换。每一种措施都有成本和约束，应把增加库存与供应改善的成本放在同一张决策表里比较。
关键备件的需求概率可能低，但缺货后果极高。评估时应同时看故障概率、停机影响、维修时限、可替代性、供应周期和集中库存可行性。对于少数关键设备，保留一个实体备件可能比复杂地估计需求标准差更有价值。
如果多个仓库服务同一地区，可以比较每个仓库独立备货与区域集中备货。集中库存可能降低总量，但会增加调拨时间；当停机响应要求极短时，网络层面的库存位置比总库存数字更重要。
新品缺少历史记录，应以类似物料、客户计划、试销数据和供应商保障能力作为先验判断，并设置较短复核周期。新品刚上市时的需求增速不能直接按成熟期外推，首批订单也可能含有一次性铺货。
生命周期末期物料则要同时考虑未来需求下降、售后承诺和采购最小量。安全库存不能只根据过去的高销量计算，否则产品停售后会积累过期库存。应明确最后采购时间、替代件方案和售后保障期限。
从 90% 提升到 95%，再从 95% 提升到 99%，所需安全库存通常不是线性增加。越接近极高服务水平，往往需要为少数极端波动准备更多库存。若客户缺货损失有限、可以接受替代或延期，追求极高周期服务水平可能不经济。
反过来，对停线物料或有严格交付罚则的品项，较高服务目标可能合理，但需要由业务负责人明确批准，并接受相应资金成本。不要让仓库在没有授权的情况下承担“所有物料都必须 99% 服务”的隐性承诺。
| 决策方向 | 主要收益 | 主要代价 | 更适合的场景 |
|---|---|---|---|
| 增加安全库存 | 对需求或交期波动提供直接缓冲 | 占用资金、仓位和保质期额度 | 风险明确、短期供应改善不可行、缺货损失较大 |
| 缩短内部采购周期 | 减少保护期需求，可能降低补货点 | 需要流程协调、审批权限和执行纪律 | 内部等待时间长于实际供应时间的物料 |
| 优化供应商交付 | 降低平均交期或交期波动 | 可能需要价格谈判、计划共享或供应商投入 | 迟延原因明确且供应商具备改善空间 |
| 替代料或双供应源 | 降低单点断供风险，增加供应弹性 | 认证、质量和管理成本上升 | 关键物料、单一供应源风险高、替代可验证 |
| 区域共享库存 | 减少多个仓库重复设置缓冲 | 调拨时效可能增加，库存归属更复杂 | 需求地理分散、可接受调拨时间、网络管理成熟 |
统一规则更容易培训、维护和审计，适合 SKU 少、风险相近或数据基础较弱的组织。分层规则能更精确地配置资源，但需要维护分类、参数权限、例外记录和复核机制。若分类一旦建立就无人维护，复杂方案会逐渐变成一堆过期标签。
我的建议不是一上来为每个 SKU 单独设计公式，而是采用“少量标准策略＋少数例外策略”。例如先分成常规稳定、需求波动、供应波动、低频关键、季节性和新品六类，再根据实际表现决定是否继续细分。
自动化适合重复、规则明确、数据质量稳定的物料，可以降低手工筛选和计算时间；人工判断适合低频、关键、促销、替代和供应异常等特殊情形。成熟的管理不是“全部自动”，而是清楚规定哪些可以自动执行、哪些只能建议、哪些必须审批。
建议为人工覆盖设置原因代码，例如客户项目、供应商事故、质量冻结、促销活动、替代料切换和生命周期变更。每次覆盖都记录生效期限和复核人，避免临时措施悄悄变成永久参数。
项目开始前先写清楚目标：是减少关键物料缺货、降低库存资金、减少紧急采购，还是提升库存参数透明度。通常这些目标会冲突，因此要排出优先顺序，并规定观察周期。否则试点结束时，任何一方都可能用自己关心的单一指标宣布成功或失败。
同时确定决策边界：哪些物料可以自动调整参数，哪些只生成建议；谁批准服务等级；谁处理异常数据；采购最小量和包装倍数如何纳入；库存金额下降到什么程度可能触发服务风险预警。
至少要建立统一的 SKU、仓库、供应商、日期、数量和单据状态口径。处理重复记录、取消订单、退货、单位换算、赠品、跨仓调拨和缺货未满足需求。不要只保存最终结果，还要保留原始数据来源、清洗规则和参数计算日期。
数据清洗的一个实用做法是按金额与风险抽样，而不是随机检查几个容易的 SKU。优先核对高金额、高缺货、高交期波动和低频关键物料，因为这些物料的口径错误会造成更大的决策影响。
试点不宜只挑数据最完整的 SKU，否则无法检验模型的适用边界；也不宜直接覆盖所有物料，否则问题难以定位。可选择 50 至 150 个 SKU，涵盖稳定高周转、供应波动、低频关键、季节性和新品等类型，并保留一组相似 SKU 作为对照。
试点范围还应覆盖不同供应商和仓库，才能发现交期数据、补货周期和库存位置的实际差异。若企业 SKU 数量很少，可直接覆盖全量，但仍要对不同风险类型分别分析，而不是只看整体平均数。
在上线前用历史数据回测：把每个时间点能知道的信息固定下来，模拟当时的库存位置、补货触发和实际到货。注意不能使用未来数据计算过去的参数，否则回测会过于乐观。比较不同策略下的缺货天数、订单满足率、平均库存和紧急采购次数。
回测结果不是上线承诺。历史供应商、促销或市场环境可能与未来不同，回测的主要价值是发现明显的逻辑错误、参数敏感性和异常 SKU，并帮助确定试点范围。
试点初期，系统或分析表输出建议补货点与建议数量，由采购、仓库和业务人员复核。复核时记录接受、修改或拒绝的原因，尤其要查明是否涉及在途未录入、需求计划变化、供应商限量、最小订货量或质量冻结。
当数据稳定、规则被验证后，再把适合的 SKU 转成自动预警或自动生成采购申请。即使实现自动化，也应保留异常拦截、权限控制和人工暂停机制。高额采购、长交期变更和新品首次补货不宜仅靠一个库存阈值自动放行。
不要单独用“库存下降百分比”评估方案，也不要单独用“缺货次数下降”证明投资合理。建议按月看运营趋势，按季度复核参数和分类；遇到供应商变更、促销计划或关键客户要求变化时，触发专项复核。
每次缺货或积压都要追溯原因：是预测偏差、交期延迟、数据漏记、参数错误、审批滞后、最小订货量约束，还是业务计划临时变更。只把缺货归因于“安全库存不够”，通常会导致一轮普遍加库存，却没有修复真正的流程问题。
复盘后应明确动作负责人和完成期限。例如，供应商实际交期数据由采购更新，缺货需求登记由销售或计划补录，单位换算由主数据责任人处理，参数策略由库存负责人批准。若没有责任人，所谓动态安全库存就只是每月刷新的一张报表。
仓库安全库存管理最容易走偏的地方，是把“公式算出一个数”当成项目完成。公式只能回答特定假设下需要多少缓冲，不能替企业决定哪些客户值得优先保障、哪些供应风险该通过库存承担、哪些风险应通过供应商改善或替代方案处理。
我的独特判断是：安全库存不是仓库多放的货，而是企业对不确定性作出的资金配置决定。当需求、交期、服务目标和缺货代价被放进同一套可复核的规则，库存才能从经验数字变成可以解释的经营选择。
下一步可以先选 50 至 150 个代表性 SKU，统一需求和交期口径，计算基础安全库存与再订货点，区分固定交期、交期波动和低频关键品项，再用历史数据做回测。试点期间同时观察缺货、库存金额、紧急采购和人工覆盖原因，按月复盘。等数据可信、策略被业务接受、执行链路跑通后，再逐步扩大范围。
如果已经在使用九数云或其他分析平台，可以先验证数据关联、计算口径追溯和权限流程是否满足需要；如果数据还不完整，就先修数据与补录机制。先让少数关键 SKU 的规则可解释、可执行，再追求全仓自动化，通常比一次性给所有物料套同一公式更稳妥。
读者评论
把库存位置按可用库存、在途量、已分配量和欠交量一起算，这点很实用。我们之前只看货架现货，采购建议经常重复下单。
文章提醒缺货会让历史销量变低，这个问题容易被忽略。若未满足订单没有单独记录，公式算得再细也可能低估真实需求。
服务水平不宜所有物料统一设高。关键停线件和容易替代的常规件，缺货影响不同，分层设目标比统一加库存更合理。