仓库里最容易被误判的库存，不是明显过多的滞销品，而是“平均每天卖得不多、偶尔却突然断货”的商品。只按平均销量乘交期补货，可能在促销、客户集中下单或供应延迟时连续缺货；把安全库存统一设成两周销量，又可能让慢动品长期占用资金。安全库存的关键不是多备一点，而是识别需求和交期各自有多不稳定，再决定愿意为多高的服务水平承担多少库存成本。

一、先讲核心结论：安全库存不是固定天数，而是波动的缓冲

1. 安全库存要回答三个问题

我会先把安全库存问题拆成三个决策，而不是直接问“每个 SKU 备几天”。第一，补货周期内需求会怎样波动；第二，供应商交期是否稳定；第三，缺货的损失有多大。只有把这三件事放在一起，库存数字才有业务含义。

安全库存是用于覆盖不确定性的缓冲量，不等于正常销售所需的周转库存。再订货点通常由“交期内平均需求”和“安全库存”构成：当可用库存降到再订货点时，触发补货。若忽略在途量、已分配量或待检量，再精细的公式也会得出错误的触发时机。

核心判断是：需求波动决定“消耗侧风险”，交期波动决定“补货侧风险”，服务目标决定企业愿意为降低缺货风险付出多少库存。三者不可用一个固定比例替代。

2. 先区分再订货点、订货量与安全库存

这三个概念经常在同一张库存表里被混用。再订货点解决“什么时候下单”；订货量解决“每次下多少”；安全库存解决“为了覆盖不确定性，额外留多少”。补货批量很大，不代表安全库存就高；安全库存高，也不代表每次补货量必须高。

3. 公式是起点，不是答案

在需求和交期相对稳定、需求近似连续且波动不大的情况下，可以用统计方法估算缓冲量。若交期固定，只考虑每日需求波动，常用思路是“目标服务水平对应的系数 × 交期内需求标准差”。若交期也会变化，交期内需求的波动就要同时计入需求和供应两个来源。

一种常见的近似写法是：当每日需求波动和交期波动相互独立时，交期内需求标准差约为“交期均值乘每日需求方差”与“每日需求均值平方乘交期方差”之和的平方根。安全库存再乘以与服务目标对应的系数。它是有前提的近似模型，不适合不加判断地套用到所有商品。

固定交期、仅需求波动：
安全库存 = 服务水平系数 × 每日需求标准差 × √交期天数

需求与交期均波动，且近似独立：

交期内需求标准差

= √(平均交期 × 每日需求方差 + 每日平均需求² × 交期方差)

安全库存 = 服务水平系数 × 交期内需求标准差

再订货点 = 每日平均需求 × 平均交期 + 安全库存

公式中的服务水平系数不是企业服务水平的同义词。统计模型中的系数通常关联“一个补货周期内不缺货的概率”，而填充率关注客户需求量有多少被即时满足。两种口径回答的问题不同，企业在设定目标前必须先确认自己管理的是哪一种。

二、背景和真实场景：为什么“平均销量够用”仍会断货

1. 平均值会掩盖需求发生的时间形状

同样是日均40件，连续每天销售35至45件，与多数日子零销售、少数日子集中出货，库存风险完全不同。平均数保留了总量，却丢掉了需求发生的节奏。前一种商品可以用常规波动模型起步；后一种商品更可能受到订单批次、项目交付或促销节点影响。

这也是仓库常见的反常识现象：月度总销量没有显著变化，缺货却变多了。原因可能不是需求总量上升，而是销量集中到了少数日期；也可能是大客户订单更集中、供应商交期更不稳定，或者缺货期间的销售数据被系统记成零，导致预测反而低估需求。

2. 同一个 SKU，需求变化也可能来自不同机制

我在诊断库存时，会把“需求波动”进一步拆成可解释的来源。波动不一定意味着需求不可预测；如果能识别出促销、季节、客户项目或补货周期，它就可能从随机噪声变成可规划的事件。

• 自然波动：日常订单的小幅起伏，适合用历史分布和滚动统计观察。
• 季节波动：节假日、天气、开学季等带来的规律变化，需与去年同期或季节因素对照。
• 活动波动：促销、价格调整、渠道活动造成的短期跃升，应单独标记活动日，不宜直接当作常态需求。
• 客户集中波动：少数客户的大额订单改变需求形状，需按客户和订单批次分析。
• 数据记录波动：漏单、退货冲销、单位换算错误或缺货限售，会使账面销量偏离真实需求。

3. 从仓库现场看，断货往往不是单点故障

一条典型的断货链路可能是：业务预测以月度平均数为基础，采购按固定周期下单，供应商交期从“承诺日期”取数，仓库报表只展示账面库存。等到系统显示库存不足时，实际可用量已经被订单分配，或部分库存仍在质检区，补货决策自然落后于需求。

因此，我不会只看某天的库存快照，而会追问库存状态的口径：现存、可用、已分配、在途、待检、退货待处理分别是什么。尤其要确认再订货点比较的是哪个库存位置。把“现存库存”直接当成“可供订单使用的库存”，是很多库存预警失真的源头。

三、拆解常见误区：看起来保守的做法，可能更危险

1. 误区一：所有商品统一备七天或十四天

统一天数容易执行，却把差异最大的变量都抹平了。低波动、高频补货的标准品可能被过度保护；需求间歇、交期长且不可替代的关键件，七天缓冲又可能远远不够。统一天数可以作为数据不足时的临时规则，但必须设定复核期限和退出条件。

如果企业暂时没有完整的日级历史数据，我会先按商品类别设定临时天数，而不是假装每个 SKU 都有精确统计结果。比如按高、中、低需求波动及交期稳定性分层，再用近几个月的缺货和积压结果校正。临时规则的价值在于可追踪、可修正，不在于看起来精确。

2. 误区二：把平均交期当作稳定交期

供应商平均十天到货，不代表每次都是十天。若多数批次八天到货、少数批次二十天到货，平均值可能仍接近十天，但尾部风险会明显影响关键物料。只记录采购单的承诺交期而不记录实际收货日期，还会把供应商履约波动从分析中抹掉。

交期建议从有效采购下单日计算到可用入库日，提前定义是否包含供应商备货、运输、清关、收货和质检。若只算运输天数，仓库会低估真正的补货周期；若把采购审批等待也混进供应商交期，却不区分环节，改善责任又会被错误归因。

3. 误区三：看到缺货就加大安全库存

缺货可能由需求低估、采购审批延迟、供应商延期、库存账实不符、库位不可拣或订单分配规则造成。若根因是库存数据不准，盲目加缓冲只是把错误藏在更多库存里；若根因是采购下单晚，安全库存可能短期兜底，却没有修复流程。

每次缺货复盘，我会至少记录缺货开始和结束时间、未满足需求量、当时可用库存、在途状态、补货下单时间、供应商承诺及实收日期。缺少这些字段，团队只能讨论“要不要加库存”，无法判断该加在哪里、加多少或是否应该改流程。

4. 误区四：把高服务水平当成所有 SKU 的共同目标

库存目标要与缺货后果匹配。关键零部件断货可能导致产线停工；低价值、容易替代的辅料缺货，影响可能有限。对所有商品设定同样的服务水平，表面上公平，实质上可能把资金投向低风险品，把重要资源留给了不需要高缓冲的商品。

此外，目标服务水平提高会让安全库存非线性增加。把周期不缺货概率从常规水平往更高水平推，往往需要承担显著增加的库存，而不是简单多加几个百分点的数量。设目标前，应把增量库存成本与减少的缺货损失放在同一张决策表里。

5. 误区五：用缺货后的销量评估真实需求

商品缺货时，系统销售量可能下降为零，但未被满足的需求并不会自动出现在销售记录里。若预测模型把缺货日当作“没有需求”，就会形成“缺货，销量变低，预测下调，再次缺货”的循环。对有明确订单、询价或缺货记录的场景，应尽量保留未满足需求信息。

四、专业判断逻辑：从数据清洗到补货参数

1. 先明确口径，再讨论算法

安全库存计算的第一步不是选公式，而是统一数据口径。需求应使用实际消耗、销售出库还是客户下单量？退货如何处理？促销日是否保留？交期从哪一天开始，到哪个状态结束？在途库存何时计入可供量？这些定义不一致，跨部门看到的就不是同一个库存问题。

我建议先建立一份字段字典，写明字段来源、单位、更新时间、责任人和异常处理方式。尤其要统一计量单位，避免采购按箱、销售按件、库存按托之间发生换算误差。一个看似合理的安全库存，若基础数量单位错了，最终会被放大成实物差异。

2. 再判断需求属于哪一种统计形态

日需求较连续、样本充足的商品，可以先用滚动均值和标准差估算；季节性明显的商品，需要先识别季节，再看同一季节中的残差波动；间歇性需求商品，则不能简单把大量零销量日纳入普通正态假设后直接乘服务系数。

对订单驱动或项目型物料，我更愿意从已知项目计划、客户订单和里程碑做需求情景，而不是把过去的随机波动当作未来。历史销售适合回答“过去发生过什么”，但对尚未交付的大项目，订单和工程计划可能比历史日均值更有解释力。

3. 服务目标要结合缺货损失和持有成本

安全库存不是越高越好。提高目标服务水平通常会降低断货概率，但同时增加资金占用、仓储空间、过期和跌价风险。对高毛利、缺货损失高、替代性低的商品，较高服务目标可能合理；对低毛利、易替代或生命周期短的商品，过高目标可能把风险从缺货转成呆滞。

比较时不要只报一个“服务率”。至少同时看周期服务水平、订单满足率、缺货次数、缺货数量、平均库存和库存周转。不同指标可能给出不同方向：缺货次数下降，不代表未满足总量同比例下降；平均库存上升，也不一定意味着库存结构变差。

4. 再订货点必须使用库存位置，而非只看现存量

在持续复核的补货策略中，常用库存位置来判断是否触发补货。可按企业业务定义，将可用现存、确认在途、已分配需求和欠交订单综合起来。关键不是照抄某一个公式，而是确保库存位置真实反映“未来能够用来满足需求的量”。

如果在途订单延迟、采购单已取消或供应商只确认部分数量，系统却仍把整单当作有效在途，那么库存位置会虚高，补货信号就会滞后。建议定期对账采购状态与实际到货，给超期在途设置提醒，并区分已发运、待发运和待确认状态。

5. 设置参数后，要用滚动回测验证

模型上线前，我会用过去一段时间做模拟：在当时可见的信息下，按规则触发补货，再检查缺货、库存和订单满足结果。回测必须避免把未来信息带入过去，例如用后来才知道的实际交期来假设当时已经知道，或用整段期间的平均值回算每一个历史日期。

回测窗口可根据需求季节性和数据可得性调整。较短窗口更贴近近期变化，但可能被偶发事件主导；较长窗口覆盖更多周期，却可能把已经失效的经营模式带进参数。对于季节商品，应至少覆盖具有代表性的完整季节；对于新商品，则要明确标注样本不足。

五、具体案例：用一组可复算的数据把方法走完

1. 案例边界与数据假设

下面用一个虚构但可复算的常用零件 SKU-A 演示流程。它不是某家企业的真实经营数据，也不是行业统计。假设仓库有120天的有效日需求记录，日均需求40件，日需求标准差12件；采购到可用入库的平均交期为10天，交期标准差为2天。

业务希望先按95%的周期服务目标做方案比较。演示中采用正态近似系数约1.645，并假设需求与交期波动相互独立。实际应用需要检查分布形态、异常订单、交期样本和服务水平定义，不能因为样本数字齐全就默认这些前提一定成立。

2. 只考虑需求波动，会低估风险

如果假设交期固定为10天，交期内平均需求是40×10，也就是400件。需求标准差为12件时，交期内需求标准差约为12×√10，约38件；以1.645倍作为缓冲，安全库存约62件，再订货点约为462件。

这个算法适合交期几乎固定、且需求波动是主要不确定性的情况。但案例中的交期标准差达到2天，不能把它忽略。按需求与交期共同波动的近似模型，交期内需求标准差约为√(10×12²＋40²×2²)，约88.5件，安全库存约146件，再订货点约546件。

在这组假设下，只考虑需求波动会把安全库存算成约62件，而同时计入交期波动后约为146件。差距不是公式“更保守”这么简单，而是交期不稳定被量化进了风险。若供应链团队能把交期标准差从2天降到1天，模型可能比单纯增加缓冲更有改善空间。

3. 计算结果要转换成仓库能执行的动作

再订货点约546件，不意味着仓库必须始终存有546件现货。它表示库存位置触及这一水平时，应检查并触发补货。实际执行还要校验包装倍数、最小订货量、供应商交货节奏、有效期和库容限制。

如果系统目前只支持按包装单位下单，安全库存和再订货点需要区分“理论值”与“执行值”。例如采购整箱、每箱24件，系统触发点可按业务规则处理，但不应把取整带来的额外数量误称为安全库存。应单独记录由包装约束产生的增量。

4. 用方案比较，而不是只看一个计算值

下面的方案表用于说明决策方式，结果是情景模拟，不是历史绩效或对外承诺。假设使用同一条需求序列、同一组交期样本做90天回测；“缺货日”指可用库存无法满足当日需求的日期。“平均库存”按日均可用库存计算。

方案C在模拟中减少了缺货日，但并不自动意味着它就是最佳方案。若 SKU-A 低毛利、可替代、缺货损失较低，增加库存的代价可能超过收益；若它是停线关键件，缺货一天的损失很高，较高缓冲可能更合理。必须把缺货损失估值和持有成本补上，才能完成经济性判断。

5. 数据分析平台在案例里应承担什么角色

在这类项目中，我会把九数云作为一个数据分析平台的使用示例：先梳理订单明细、出入库记录、采购订单、实际收货日期、商品主数据和库存快照，再通过统一 SKU、仓库、日期和单位口径，观察需求分布、交期分布及缺货结果。九数云官网可作为产品信息入口，具体连接方式、数据权限和功能范围应以企业当前版本及官方说明为准，不能预设每种数据源都能无改造接入。

平台本身不会替企业判断哪个客户订单是异常，也不会自动知道“缺货日销量为零”代表无需求还是无法供货。分析结果仍需要业务人员核对订单、仓库作业和供应商履约。工具更适合把分散数据组织成可复核的指标视图，让异常更早暴露，而不是替代需求计划、采购判断和现场核实。

建议先做一个小范围验证：选取20至50个有代表性的 SKU，覆盖连续需求、间歇需求、长交期和高缺货影响几类。若数据连不齐，就先把缺失字段和责任人列清；若模型算出来的结果与现场经验差距很大，优先检查口径和异常数据，不要急着归因于算法不准。

六、不同情况下的行动建议：先按风险类型分层处理

1. 需求稳定、交期稳定的常规品

这类 SKU 可以从固定复核周期或再订货点策略入手。以日级需求计算滚动均值和标准差，检查异常日之后设置合理的补货触发点，并按月或按季度复核。若数据稳定、缺货损失可接受，不必为了追求复杂模型引入难以维护的参数。

行动上建议先把库存位置、在途和已分配需求纳入预警，再观察预警提前量是否足够。若补货信号发出后，采购和入库仍需额外时间，就应把这段内部处理时间纳入总补货周期，而不是只用供应商运输天数。

2. 需求波动大、供应交期相对稳定的商品

先识别波动来源，再判断是随机波动还是可预测事件。若由活动、季节和客户订单驱动，优先把已知事件加入计划；若主要是随机波动，再通过需求标准差、分位数或情景模拟确定缓冲。不能把促销峰值和常态销量混在一个平均数里。

这类商品应增加异常需求审批或大单预警。销售部门若能提前提供客户项目、活动计划和预估数量，企业可能用计划协同降低安全库存，而不是让仓库单独承担全部不确定性。

3. 需求稳定、供应交期波动大的商品

优先管理交期，而不是只加库存。按供应商、物料和采购方式拆分实际交期分布，区分备货、运输、清关、收货和质检环节，找出波动最大的节点。若延期集中在某一供应商或某一物流路线，改善交期稳定性可能比普遍提高库存更省钱。

对于关键物料，可考虑供应商交期承诺、分批交付、替代供应源或提前锁定产能。安全库存可以作为短期保护，但长期目标应是减少交期方差，让缓冲回到与真实风险相匹配的水平。

4. 需求和交期同时波动的关键商品

这类商品需要联合看需求和供应风险，尤其要关注高需求恰好遇到长交期的情况。如果两者并非独立，例如旺季期间供应商也更拥堵，简单独立假设可能低估风险。应按旺季、供应商状态或需求场景分层统计，必要时做压力测试。

关键商品还应设置人工例外机制：预计大项目启动、供应商停产、质量冻结或物流中断时，系统参数不应成为唯一依据。风险事件发生后，应记录临时调整量、原因、审批人和到期复核时间，避免临时缓冲永久化。

5. 间歇性需求、长尾或新上市商品

对于长时间没有需求、偶尔出现大单的商品，普通均值和标准差可能被大量零值扭曲。可以按订单间隔和单次需求量分别观察，采用间歇需求预测思路，或直接结合客户合同、最低供应量和替代方案决策。若没有足够样本，应明确“数据不足”，不要给出伪精确的安全库存。

新上市商品没有可靠历史时，可用相似商品、首批订单、市场计划和供应商最小批量构建情景范围。上线后尽快建立真实销量和缺货标记，逐步替换假设。早期参数应设定更频繁的复核，而非等到库存积压或断货后才调整。

• 先按缺货影响、需求波动、交期波动和数据可信度划分 SKU 类别。
• 对高影响、高波动商品安排人工复核和例外审批。
• 对稳定常规品优先自动化，减少重复手工计算。
• 对新商品和间歇需求品保留情景区间，不强行给出单一精确值。
• 对供应商交期异常品，推动供应侧改善并单独记录临时缓冲。

七、不同情况下的取舍：服务、资金与管理复杂度不能同时无限优化

1. 库存多一点，是否值得，取决于缺货损失

库存决策实质上是在缺货成本和持有成本之间做权衡。缺货成本可以包括失销毛利、加急运输、产线停工、客户罚款和客户流失风险；持有成本则包括资金成本、仓储、损耗、过期、跌价及盘点管理。很多企业只看采购金额，没有把缺货的间接影响算进去，也有企业只强调服务率，却忽略库存老化。

若缺货损失难以精确估值，可先分成高、中、低三个等级，并要求每个等级说明依据。例如关键设备停线、合同罚款或客户替代性较低，可以支撑较高保护水平；一般可替代耗材则未必需要同等库存。分级不是精确经济模型，但比全品类“一刀切”更能支持资源配置。

2. 增加缓冲与改善供应之间的取舍

当交期波动贡献主要风险时，企业面临两种方向：增加安全库存，或投入管理资源降低交期波动。前者见效快、较容易操作，但持续占用资金；后者可能需要供应商协同、采购流程调整、物流优化或双供安排，改善周期更长，但可能同时降低库存和紧急采购。

我会把两条路径放进同一张评估表：当前交期标准差、降低到目标所需的行动、行动成本、预计库存变化以及断货风险变化。若供应商问题短期无法解决，适度缓冲有合理性；若延期源于内部审批等待，继续加安全库存反而会掩盖流程浪费。

3. 简单规则与精细模型的取舍

模型越细，理论上越能体现 SKU 差异，但数据维护和执行成本也越高。若商品数量巨大、历史数据质量一般，按若干风险层级设参数，可能比为每个 SKU 建立复杂模型更可靠。精细化应建立在数据质量、责任机制和复核能力之上，不是把更多小数位写进报表。

适合用复杂模型的场景通常有共同特征：缺货或库存成本足够高；需求和交期数据可追溯；业务人员能够解释异常；企业有能力按规则更新并监控参数。反之，若主数据混乱、采购订单状态不准、缺货需求不可见，先修数据基础通常比更换预测算法收益更大。

4. 设定复核频率时，要考虑变化速度

稳定商品可以按月或季度复核；旺季商品、短生命周期商品或供应商频繁变化的商品，需要更高频的观察。高频更新也不等于每天手工改参数，可以让系统持续监测异常，再由责任人按预设条件复核。关键是把“什么情况下调整”和“调整后何时回看”写清楚。

建议设置明确的触发条件，例如近四周需求均值偏离基准超过一定比例、交期连续多批超出承诺、缺货频次越过阈值、库存覆盖天数持续上升。阈值应结合业务波动设定，并通过历史数据回放验证，不能把示例阈值直接当作行业通用标准。

八、落地与复盘：把一次计算变成持续管理机制

1. 用小范围试点验证规则

试点不宜一开始覆盖所有仓库和全部 SKU。可以选择一组代表性商品，确保其中既有稳定需求，也有波动需求；既有固定交期，也有延期记录。先保留原有策略作为对照，再用新规则做并行计算，比较触发时间、预计库存和缺货风险，确认参数不会产生明显的执行冲突。

试点过程中要明确责任边界：计划负责需求假设，采购负责交期和在途状态，仓库负责库存状态与收货时间，财务或业务部门参与库存成本和缺货损失估值。没有责任分工，数据异常就会变成“报表问题”；参数上线之后也没人知道谁应该处理预警。

2. 建立可以复核的指标，不只看安全库存件数

上线后，至少追踪缺货频次、未满足需求量、订单满足率、平均库存、库存周转、超期在途比例和参数变更次数。若安全库存上升而缺货没有改善，应检查需求预测、在途准确性、补货执行和库存账实差异；若缺货下降但库存快速增长，则需要看服务收益是否值得。

指标口径应固定。例如“缺货次数”是缺货 SKU 天数、缺货订单数还是缺货事件数，结论会差很多；“平均库存”是数量、金额还是按日均金额计算，也要说明。指标口径稳定，跨月比较才有意义。

3. 设定参数的审批与到期机制

临时加库存常常没有撤销日期。建议每次人工调整都记录原值、新值、影响 SKU、调整原因、批准人、风险事件和复核日期。供应中断结束后，责任人应评估是否恢复常规参数，避免应急措施长期变成库存基线。

对于系统自动计算的参数，也要保留版本和变更日志。需求窗口、异常值规则、目标服务水平或供应商交期样本一旦改变，参数变化应可追溯。这样出现异常时，团队能够回答“什么时候变了、为什么变、影响了哪些商品”，而不是只看到当前数字。

4. 一个可执行的四周启动安排

1. 第一周：统一数据。核对 SKU、单位、销售出库、订单分配、采购下单、收货和库存状态字段，列出缺失项与责任人。
2. 第二周：分层诊断。按需求波动、交期波动、缺货影响和样本质量给试点 SKU 分类，标记促销、缺货和异常订单。
3. 第三周：并行计算。对照现行规则与候选方案，计算安全库存、再订货点、预计库存和历史缺货表现，不直接覆盖生产参数。
4. 第四周：业务评审。让计划、采购、仓库和财务共同核对结果，确认服务目标、成本边界、执行约束和人工例外机制。

四周安排是启动节奏的建议，不是所有企业都能在一个月内完成的数据治理承诺。如果采购历史缺失、库存状态不一致或需求有大量缺货截尾，应该先解决关键数据问题，再扩大试点范围。快速上线但无法解释的数据，不会带来可靠决策。

5. 最终复盘要看“风险是否被正确转移”

安全库存降低缺货，不代表供应链风险已经消失；风险可能只是转移成了更多资金占用、过期库存或仓库空间压力。相反，库存下降也不一定说明管理更好，若缺货损失和加急采购同步上升，企业只是把成本从资产端转到了运营端。

因此，复盘至少同时观察服务结果、库存结果和过程结果。服务结果看满足需求的能力；库存结果看资金与周转；过程结果看交期、数据准确率和补货执行。只有三类指标一起改善，才能说明安全库存策略真正提高了运营质量。

九、结语：安全库存的价值，在于让不确定性变得可管理

1. 从“多备一点”转向“知道为什么备”

安全库存不是仓库的免责额度，也不是采购的统一天数。它应该对应某种明确的不确定性：需求突然放大、交期容易延迟、关键订单不可替代，或缺货代价特别高。说不清缓冲量在保护什么，就很难判断它该不该增加、何时该减少。

我的判断是，企业提升库存管理水平的顺序通常不是先追求更复杂的算法，而是先把需求、交期、库存状态和缺货结果连接起来，再确定服务目标，最后用回测与复盘修正参数。好的安全库存策略不承诺永不缺货，而是让缺货风险、资金占用和改善责任都能被看见。

2. 下一步先做三件事

• 选取一批有代表性的 SKU，拉齐日级需求、实际交期、库存状态和缺货记录。
• 把需求波动与交期波动分开测量，先识别风险来源，再决定使用何种缓冲规则。
• 用历史回测和小范围试点比较缺货、库存与成本，再逐步扩大应用范围。

如果只能先做一件事，我会先核实“缺货日是否被错误记录为零需求”。这个问题会同时污染预测、服务水平评估和安全库存计算。把这个入口数据修正后，再讨论模型和参数，才更有机会把库存从经验数字变成能解释、能执行、能复盘的经营决策。

免费注册

咨询方案

扫码咨询方案