仓库里最容易被误判的缺货，不一定是供应商交期太长，也可能是补货点仍按去年销量设定：新品增长、促销节奏和渠道结构已经改变，系统却还在用旧的日均销量计算。安全库存因此不是一个“多备几箱”的静态数字，而是增长策略、需求波动和补货能力共同作用的结果。本文从补货点的计算、数据诊断、情景测算到落地复盘，给出一套能随业务变化而调整的工作方法；文中的企业与数字案例为情景模拟，不代表任何企业的真实经营数据。
我判断补货规则是否靠谱，首先会把两个概念拆开。补货点回答“库存降到什么位置就要下单”，安全库存回答“为抵御需求或交期的不确定性，额外保留多少”。在连续检查库存的常见模型中，补货点通常由采购提前期内的预期需求与安全库存相加得到。
补货点 = 采购提前期内的预期需求 + 安全库存。如果每日需求大致稳定，提前期也相对固定，安全库存可以较简单地按“日均需求 × 缓冲天数”估算；但当销量、交期都在波动时，这个简化算法容易把真正的风险来源藏起来。
这也是我不建议直接问“安全库存应该设几天”的原因。相同的 7 天覆盖量，对稳定销售的日用品可能过高，对促销期需求陡增且交期不稳的商品则可能不足。天数只是表达方式，背后的需求分布、补货方式和缺货代价才是决策依据。
新品上市、渠道扩张、促销活动和价格调整，都会改变需求的水平或波动。若销售团队预计某款商品下月销量翻倍，而补货参数仍取过去 90 天的日均销量，那么库存模型并没有“看到”增长计划。反过来，若活动延期或渠道目标未兑现，按目标销量备货又可能造成积压。
因此，我会把增长计划当作一个有条件的需求输入，而不是自动等同于实际销量。计划应注明适用商品、起止日期、渠道、目标销量、置信程度和复核日期；再用历史相似活动、已确认订单、流量变化或试销结果判断计划可信度。预测可以反映增长，但安全库存不能替代预测。
缺货可能源于需求超出预期，也可能源于采购延迟、库存账实不符、批次冻结、拣货遗漏或补货审批滞后。每一种原因对应的处理动作不同：需求冲击要校准预测，交期波动要调整供应策略，账实偏差要修复库存准确率，执行延迟则要缩短流程时间。
把所有缺货都转成“提高安全库存”，短期看似能缓解问题，长期却会把流程问题固化成库存成本。我的核心判断是：只有无法以合理成本消除的随机波动，才适合主要靠安全库存吸收。
设想一家多渠道经营的零售企业，某款商品过去 90 天日均销量为 40 件，采购平均需要 5 天。若只看均值，提前期内需求约为 200 件。但这 40 件可能来自每天稳定卖出 38 至 42 件，也可能是平日卖出 15 件、活动日卖出 150 件后平均得出。两种情况的均值相同，库存风险却截然不同。
如果商品即将进入大促，过去 90 天的均值可能低估短期需求；如果大促刚结束，近期销量也可能高于常态，直接外推会造成过量采购。增长型业务尤其容易出现“均值看起来合理、分布已经变了”的问题，必须同时检查趋势、波动和业务事件。
采购合同写 5 天，不代表每一批货都在 5 天内可用。真实的可用时间可能包括下单审批、供应商备货、运输、收货检验、上架和系统过账。若团队只记录供应商发货到仓库的时间，却漏掉内部审批和质检，测得的提前期会系统性偏短。
我建议把“下单至可销售库存”的时间作为主要口径，并保留各阶段时间戳。对进口、定制、需检验或跨仓调拨商品，还要区分正常交期和异常交期。否则，模型可能看起来精确，实际上输入口径不完整。
扩渠道或上新时，销量增长通常集中在少数商品、区域或规格。把总销售额增长率统一套给全部 SKU，会让慢销品也被加库存，同时仍然漏掉真正的爆发款。增长计划需要落到“商品，渠道，仓库，时间”这一层，至少要能识别哪些需求会由当前仓库履约。
另外，销量不是需求的完整记录。商品缺货时，系统记下来的销售量往往低于消费者原本想买的数量。若不标注缺货时段，再拿实际出库量训练预测，模型会把供应不足误认成需求变弱，形成“缺货导致销量低、销量低又导致补货更少”的循环。
补货计算通常依赖库存位置，而不是简单读取货架上的账面数量。库存位置常见口径为：可用现货 + 已确认在途 − 已分配订单 − 质量冻结量。不同企业还会对调拨、退货、待检库存设置专门规则，关键不是套一个公式，而是让所有环节使用一致口径。
若系统显示 300 件，但其中 70 件已分配、30 件待检，决策者真正能依赖的可用库存并不是 300 件。此时增加安全库存可能只是掩盖库存状态数据不清的问题。建议先对账，再谈参数优化。
“所有商品都备 14 天”易于执行，却忽略了商品价值、波动、交期和缺货代价差异。快消品的短保商品即使缺货损失较高，也不能不计报废风险地无限加库存；低频高价值备件则可能需要较长保护期，但销量均值并不适合作为唯一依据。
覆盖天数适合用作运营预警或初始分层，不宜当成不变的科学答案。若企业只能从简单规则起步，可以先按商品特征分组设定不同覆盖天数，再逐步用需求与交期数据替换经验参数，并记录每次调整后的结果。
服务水平至少要讲清指标定义。周期服务水平通常表示一个补货周期内不发生缺货的概率；满足率则关注需求数量中有多少能即时满足。两者不是一回事：即使某个周期发生一次缺货，也可能只短缺很少数量；反之，一次缺货也可能影响大量订单。
正态分布近似下，常用安全系数 z 对应周期服务水平目标。例如约 90%、95%、97.5%、99% 分别对应不同的 z 值，具体使用时要核对模型假设。提高服务水平通常意味着更高的缓冲库存，但库存增加幅度取决于需求波动、提前期和商品结构，并非统一比例增长。
销售出库是供应和需求共同作用后的结果，不总等于真实需求。若缺货期间页面显示无货，销量数据会被截断；促销期间则可能混入一次性需求冲击。把两类数据都视作普通日期，模型就会学到错误的“常态”。
可操作的做法是建立事件标记：促销、价格调整、断货、渠道上线、商品换代、供应异常分别记录。短期促销可单独预测或做活动增量估算；长期渠道扩张应通过实际订单和转化逐步修正，而不是永久抬高基础销量。
假设供应商经常晚交 2 天，企业可以暂时增加库存保护，但还要追问迟交是否集中在某个供应商、路线、季节或审批节点。如果延误是可治理的流程问题，持续堆库存会使资金占用和仓储压力长期化。
我通常将缺货原因按“需求、供给、数据、执行”分类，分别统计频率和影响数量。先处理高频且可控的原因，再对剩余不确定性配置缓冲。这样做比每次缺货后统一上调参数，更容易找到成本与服务的平衡点。
临时大促、供应商停产或新品冷启动，确实可能需要阶段性提高库存。但如果没有结束日期和回滚条件，临时参数会变成永久参数。每次调整至少应记录原因、范围、生效时间、负责人、复核日期和撤销条件。
复盘不能只问“有没有缺货”，还要看库存老化、滞销、加急采购、订单满足率和资金占用。若服务改善不明显而库存显著上升，说明调整方向可能不对，或问题根本不在安全库存。
我会先明确这次参数对应哪一个 SKU、仓库、渠道和补货周期。一个商品在不同仓库的交期、需求波动和调拨能力可能不同，把它们合并计算会掩盖局部风险。若库存可跨仓共享，还要明确哪些库存可在缺货前及时调入。
其次确认库存位置口径、需求日期口径和交期起止点。需求最好按实际发生日期归集，交期则按“采购下单至可销售”统一计算。若数据无法满足这些定义，先修口径通常比立刻换复杂模型更重要。
我会把历史需求按周或日绘制趋势，检查趋势、季节性、促销尖峰、断货截断和结构变化。短期内销量持续增长时，历史均值会滞后；如果销量只有少量零散订单，标准差和正态假设也可能不可靠。
对于增长型商品，可以把需求拆成基础需求和事件增量：基础需求由常态销售估计，事件增量由促销计划、渠道目标和相似活动校准。活动结束后应及时回归基础预测，不能将一次性峰值永久写入安全库存。
在需求和交期相互独立、日需求近似稳定、交期以天计且各日需求方差相同的简化条件下，提前期需求的标准差可近似写为：提前期需求标准差 = √（平均交期 × 日需求方差 + 日均需求² × 交期方差）。再乘以与目标周期服务水平相对应的 z 值，得到安全库存估算。
以日均需求 40 件、日需求标准差 12 件、平均交期 5 天、交期标准差 1.2 天为例，提前期需求标准差约为 √（5×12² + 40²×1.2²），即约 55 件。若采用约 95%的周期服务水平，z 约为 1.645，则安全库存约 91 件；补货点约为 40×5 + 91，即 291 件。
这个结果是简化模型的情景推演，不是所有 SKU 的直接答案。若需求高度偏态、促销集中、交期有长尾、供应商经常分批到货，或需求与交期存在关联，就应使用分位数模拟、经验分布或更细的事件模型，并将模型结果与实际缺货记录比较。
服务目标不应只由销售部门单独提出。我会同时看缺货损失、毛利、客户重要性、替代品、商品生命周期和持有成本。高毛利、难替代、缺货会影响整单的商品，通常值得更高的保障；低毛利、易替代、过季风险高的商品，则需谨慎提高目标。
可先做 ABC-XYZ 分层：ABC 用销售额、毛利或缺货损失衡量经营重要性；XYZ 用需求稳定程度衡量波动。高重要且稳定的商品可以较容易建立明确参数；高重要又高波动的商品，需要更频繁复核；低重要且不稳定的长尾品，可能更适合按单采购或接受较低现货服务水平。
数据量少、商品稳定、供应节奏简单时，固定覆盖天数或“日均需求 × 缓冲天数”可以作为起点。数据较完整且需求、交期波动明显时，可采用服务水平模型。活动频繁、需求长尾或交期分布偏斜时，基于历史分布的模拟通常更能反映尾部风险。
模型升级的门槛不只是算法效果，还包括数据维护成本、参数解释能力和采购团队能否执行。若模型每天输出新参数，但采购无法判断变化原因，最终容易被人工覆盖。能解释、能复核、能执行的模型，通常比无人理解的精细模型更有价值。
下面以“晨光滤芯”这一虚构商品演示，不对应任何真实企业或商品。假设企业通过电商和直营网点销售，过去 90 天日均销量 40 件，日需求标准差 12 件，平均采购提前期 5 天，提前期标准差 1.2 天。销售团队计划在下月开展 7 天活动，目标日销量 75 件。
我不会直接把 75 件作为整月日均需求，也不会把过去 40 件原样沿用。首先确认活动渠道是否由该仓履约、目标是否有历史活动支撑、活动库存是否能按期到仓；然后把活动周与普通周分开估算。若活动预测可信度尚低，采用分批到货、活动前复核和供应商预留产能，可能比一次性把全部预测量压成安全库存更稳妥。
按前述简化公式，日均需求 40 件、平均交期 5 天，提前期基础需求为 200 件。需求和交期合并后的标准差约 55 件；以约 95%周期服务水平估算，安全库存约 91 件，补货点约 291 件。
如果系统中的库存位置降到 291 件附近，通常意味着应触发补货评估，但还要结合最小起订量、包装倍数、采购预算、在途货物和促销时间判断订货量。补货点决定“何时触发”，并不自动回答“订多少”。若采用固定订货量，订货量可能与补货点分开设定；若采用定期复核，保护期还要覆盖复核间隔。
假设活动 7 天的目标日销量为 75 件，而普通日基线为 40 件，则活动期相对基线的增量为每天 35 件，7 天合计约 245 件。这个 245 件是活动增量的情景估算，不是安全库存本身。实际需要采购多少，还要扣除活动期可用库存、确认在途、可替代商品和活动前的正常销售。
若活动目标来自尚未验证的新渠道，我会给预测设置情景区间，例如保守、基准和进取三档，并提前约定触发条件。达到预售或流量门槛后再释放追加采购；若数据没有达到门槛，则不按进取情景备货。这样把增长机会与库存风险挂钩，避免“目标就是订单”的误读。
再假设该商品单位采购成本为 80 元，安全库存 91 件对应约 7,280 元的商品资金占用，尚未计入仓储、资金成本、损耗和过季风险。若为活动额外准备 245 件增量库存，按同一采购成本估算，额外货值约 19,600 元。这里的金额均为模拟计算，作用是提醒团队将库存量翻译为资金和风险。
如果活动新增库存有明确的活动后销售方案，且缺货会造成较大毛利损失，提前备货可能合理；若商品保质期短、活动取消概率高、供应商可快速补货，则优先谈分批交货或预留产能，可能比一次买足更划算。判断不是“库存越少越好”，而是增量库存能否带来高于其持有与滞销成本的预期收益。
以九数云为例，可以把补货分析设计成一条从原始记录到行动复盘的链路：按 SKU、仓库和日期整理销量、库存、采购订单、实际到货、促销标记与缺货时段；再制作需求趋势、交期分布、库存位置和缺货原因的分析视图。这里的重点不是某一个图表功能，而是让业务人员能从“参数变了”追溯到“哪些输入发生了变化”。
在选择或配置工具前，我会先核对当前产品的公开说明、数据连接方式、权限和更新频率，再用一组样例 SKU 做小范围验证。九数云官网可作为了解产品信息的入口：九数云官网。不要仅凭产品介绍推定某项能力已经适配本企业的数据结构；字段、刷新时效、计算口径和维护责任，都应在试用或实施阶段逐项确认。
我建议先做一张 SKU 补货诊断表，至少包含：日均需求、需求标准差、缺货天数、平均交期、交期标准差、可用库存、在途量、库存位置、目标服务水平、安全库存、补货点、缺货原因和参数复核日期。用这张表筛出“高缺货且高库存”的矛盾商品，往往比先做复杂看板更能推动决策。
拉取至少覆盖一个完整季节周期的销量与库存记录；若商品生命周期较短，则明确可用历史范围。标注促销、缺货、断货、价格变化、上新、退货和异常订单。采购交期要保留每一单的下单、确认、发货、到仓、质检完成和可销售时间。
数据清洗不等于删除异常值。突然的大单可能是企业团购，也可能是录入错误；延迟到货可能是极端事件，也可能反映真实供应风险。应先分类并保留原因，决定是否用于常态估计，而不是仅因数字“看起来不正常”就删掉。
把商品按重要性、波动、交期、保质期和替代性分组。高销售价值但需求平稳的商品，与低频高价值备件的库存策略不同；同一 SKU 在直营仓和偏远仓的服务目标也可能不同。分组的目的是减少规则数量，同时保留足以影响决策的差异。
初期可从少量重点 SKU 开始，例如覆盖主要销售额、近期缺货损失较大或活动增速明显的商品。先验证数据和流程，再扩展到全部商品。若一开始就为数万 SKU 配置精细参数，维护负担可能超过收益。
服务目标需要有业务解释。例如目标从 95%提高到 98%，预期能减少多少缺货、增加多少库存、会不会加大过期和积压风险。若只写“核心商品服务水平 98%”，却没有成本估算和负责人，执行中很容易成为不可挑战的口号。
建议采购、销售、财务和仓储共同确认指标口径。销售关注可售率和客户影响，财务关注资金占用，采购关注供应弹性，仓储关注库容与作业量。各方使用同一份商品分层和参数变更记录，减少部门间对“库存够不够”的争论。
可选取一组风险特征相近的 SKU 进行试点，同时留出未调整商品作为参考。试点前记录至少一个合理观察周期的缺货率、订单满足率、库存金额、周转天数、加急采购次数和呆滞库存；调整后使用相同定义比较。
若商品季节性很强，简单比较上线前后可能把旺季效应误认为模型效果。应尽量进行同期对照，或按相同促销阶段、相近商品和相似供应条件比较。样本少时，结果要标注不确定性，不能把短期改善夸大成普遍规律。
参数自动计算后，应定义哪些情况必须人工复核：预测突然上升、交期显著延长、库存位置异常、供应商停产、商品即将换代或活动计划发生变化。例外处理不意味着模型失效，而是承认经营信息有时领先于历史数据。
每次人工覆盖都要留下理由和有效期。比如“为某渠道上线临时加量，复核日期为活动结束后两周”，比“安全库存加 100 件”更容易审计和撤销。超过复核日期的临时参数应自动提示，不应默认永久有效。
快销品、活动品和高缺货商品可以更频繁复核；稳定长尾品可以按月或按季度检查。复核频率应与需求变化速度和补货周期匹配，不必让所有 SKU 每天重新计算后都触发人工审批。
复盘结果要回答三个问题：服务是否改善、资金与仓储成本是否可接受、缺货原因是否发生变化。若缺货从需求不足转为收货延迟，下一轮优化重点应转向供应流程，而不是继续上调补货点。
这类商品适合用固定周期复核或基础服务水平模型，不必频繁追逐小幅波动。关注库存准确率、供应商准时率和需求趋势即可。若长期没有缺货、库存也未明显超标，可以维持简化规则，并在季节变化、价格调整或渠道变化时重新测算。
行动重点是减少不必要的参数复杂度。若模型增加的管理成本大于它带来的缺货改善，保留透明、稳定、可解释的规则更合适。
需求波动主要来自促销、内容流量、新渠道或客户项目时，应将事件日历纳入计划，区分常态需求和活动增量。对活动明确的商品，提早确认销售计划和活动库存；对突发流量商品，可以采用短周期监控、分批追加和快速补货。
不要把每次活动峰值都加进长期安全库存。活动前增加临时库存，活动结束后及时恢复参数；若活动经常发生，再评估是否应该把它纳入季节性或周期性需求模型。
若销量可预测而到货不稳定，先拆解交期阶段。供应商备货慢、运输不稳、质检排队和采购审批都可能是原因。与供应商协商交期承诺、分批交付、备选来源或寄售方案，往往能降低对缓冲库存的依赖。
若短期内无法改变供应，安全库存可以承担一部分交期风险，但要按实际交期分布而非合同承诺估算，并设置供应异常触发机制。对于关键物料，还应评估停供时替代方案与最大可接受风险。
双高波动商品最不适合“一刀切”。优先判断该商品是否真的需要常备库存；可按单采购、客户预订、替代销售或多供应商分担的商品，不一定需要承担高水平现货保障。若商品重要且难替代，则应同时配置需求监控、供应预留、库存缓冲和管理升级机制。
这类商品可采用情景模拟评估保守、基准和进取方案：比较缺货概率、预期缺货数量、资金占用和滞销风险。不要只看一个目标服务率，因为它可能掩盖极端尾部需求下的缺货规模。
新品缺乏稳定历史，应依靠相似品、预售、渠道计划和阶段性复核逐步校准。初期可以设置较短的评估周期和明确的补货触发条件，随着实际销售积累再调整，而不是把预测偏差全部交给高安全库存承担。
退市品应把停止采购日期、替代关系、尾货清理计划与补货规则联动；短保品则要同时计算缺货损失与报废风险。对生命周期快速变化的商品，库存的可回收价值和退出速度，常常比目标服务水平更重要。
企业常希望缺货少、库存低、交期短、采购成本低四者同时实现，但现实中它们存在约束。若供应商不能快速响应、需求又高度不确定，想在不增加任何缓冲的情况下提升服务水平，通常不现实。要么增加库存，要么提高预测质量、缩短交期、建立替代供给，或接受部分缺货。
因此，谈安全库存时应同时讨论可改变的结构性条件。供应商交期缩短一天，可能比提升某个 SKU 的预测精度更直接；库存准确率提高，也可能释放原本被错误计入风险缓冲的数量。决策要比较完整方案，而不是只比较库存参数。
资金受限时，不建议对全部商品等比例削减库存。先识别缺货会造成较大毛利损失、客户流失或生产中断的商品，再评估是否有替代品、快速补货或跨仓调拨。对于低贡献、易替代、需求不稳定的商品，可以降低现货保障或转为按单采购。
这类取舍要公开记录服务风险，避免“库存减少”被误认为纯效率改善。若某类商品的缺货率提高但库存资金显著下降，管理层需要判断释放的资金是否足以补偿销售、客户体验或生产风险。
供应商交期波动较大时，单靠安全库存可能会掩盖长期供给质量问题，但在改善完成前也不能忽视业务连续性。可先为关键商品设置临时缓冲，同时制定供应商改善期限、替代来源评估和阶段性降库存目标。
临时库存应有退出机制。例如连续若干批次达到交期目标后，逐步将交期波动参数下调；若供应持续恶化，则触发升级或切换来源。这样能够避免“临时保护”永久化，也避免在供应尚未稳定时过早减库存。
没有足够历史数据时，强行估计高精度分布会制造虚假的确定性。可以先使用相似商品、供应商承诺和业务计划做有标记的临时估算，同时缩短复核周期、保留人工审批，并明确数据不足的范围。
更重要的是从第一天开始积累有效记录：实际需求、缺货时段、下单和可销售日期、异常原因、人工调整原因。数据质量改善后再升级模型。初期规则是否“简单”并不是问题，无法解释且无法撤回才是问题。
补货点管理不应只盯库存周转率或缺货率。至少要同时看订单满足率、缺货天数、库存金额、超龄库存比例、加急采购次数、供应商准时交付率和库存准确率。单独看库存下降，可能意味着效率提升，也可能意味着风险转移给了销售和客户。
指标口径要明确。例如缺货率按 SKU 天数、订单行数还是需求数量计算，结论会不同；满足率是即时满足还是最终履约，也需要区分。团队应固定分母、统计周期和数据来源，避免每次复盘临时换口径。
如果总体库存金额高，同时关键商品仍频繁缺货，通常不是库存总量不足，而是库存结构错配：慢销品占用资金、热销品缺货；库存分散在错误仓库；在途和可用状态不清；或补货批量不匹配需求节奏。
此时应先做 SKU，仓库层级的库存与缺货交叉分析，再检查调拨能力和商品替代关系。只看总库存可能让团队误以为已经准备充分，实际却无法满足高价值需求。
需求或交期每天都会变化，若任何小幅波动都触发预警，采购团队会逐渐忽略告警。可以针对各商品分层设置阈值，例如预测误差连续超限、交期分位数明显上升、库存位置低于补货点且在途不足，或缺货风险超过经营容忍范围时再升级处理。
阈值应根据数据质量和人员容量逐步校准。试运行期间记录误报、漏报和处理时长，再调整规则。告警最终要指向负责人和动作，只有提醒没有处置路径的系统信息，很难转化为经营改善。
增长计划应有兑现率复盘：预测销量与实际销量差多少，误差来自流量、转化、供货、价格还是活动执行。若连续多个周期实际需求低于计划，下一轮应下调计划置信度；若实际持续超预期，则需要检查是否出现结构性增长，而非把每次偏差都归因于随机波动。
预测偏差复盘能帮助企业区分“需要更多安全库存”和“增长假设不准确”。前者调整风险缓冲，后者修正预测输入。两者混在一起，会导致参数不断上升，却没有解决增长计划与真实需求脱节的问题。
选取近期缺货、库存偏高和即将增长的商品，逐项核对需求日期、缺货记录、可用库存、在途、采购交期和活动计划。先明确当前补货点是怎么来的，哪些参数长期未更新，哪些数据存在缺口。
不要一开始就把所有商品纳入全面改造。先找出“缺货与高库存并存”“活动增长但参数未变”“合同交期与实际交期差异大”这类可验证的问题，形成优先处理清单。
为试点商品计算当前服务指标、库存成本和缺货原因，区分需求风险、供应风险、数据风险和执行风险。为每类商品选择一种清楚可解释的处理动作，并预先设定观察周期、成功标准和回滚条件。
如果工具用于汇总和分析，可以先用一组字段搭建最小可行视图，再核验数据刷新、权限、口径和计算结果。以九数云等数据分析产品为例，是否适用应由实际数据接入、团队使用方式和维护成本决定，而不是由功能清单单独决定。
补货点不是永久参数。增长计划兑现、供应商交期改善、商品进入成熟期或生命周期变化，都可能改变需求风险。每次调整都应说明为什么变、预期改善什么、由谁复核，以及什么条件下恢复原值。
本文的独特判断是：安全库存的管理质量，不取决于库存数字看起来多精确，而取决于企业能否把增长假设、真实需求、供应波动和缺货成本放在同一张决策桌上。下一步可以先挑选 20 至 30 个有代表性的 SKU，核对库存位置与实际交期，建立基线后做小范围试点；当服务、资金和执行指标同时可复核，再逐步扩大。
我现在按月均销量设库存线，但有时货还没到，货架就已经空了。我不确定问题出在安全库存太低，还是补货周期估错了；如果需求和供应时间都会波动，补货点该怎么算？
先分清两个数：补货点回答“什么时候下单”，安全库存回答“为了应对波动，多留多少”。连续盘点时，可用补货点＝日均需求×平均交期＋安全库存；判断是否下单应看库存位置，即现有库存＋在途库存－欠交量，而不是只看货架上的现货。
举个可复核的示例：日均需求20件、日需求标准差6件，平均交期8天、交期标准差2天，目标服务水平约95%时取系数1.65。假设需求与交期相互独立，安全库存约为1.65×√（8×6²＋20²×2²）≈72件，补货点约为20×8＋72＝232件。
这个算法的关键不在小数点，而在数据口径：交期应从采购下单算到可用入库，不能只记供应商发货时间；需求要按实际出库记录计算，并识别促销、缺货造成的销量失真。若商品间歇性需求明显，直接用正态分布公式可能高估或低估，应改用按交期需求分位数设线，并用历史缺货回测。不要把补货点当作固定不变的“安全数字”。
至少按月检查需求和交期是否偏离设定值；若实际交期持续从8天变成11天，应先更新交期参数，再判断是否需要提高安全库存。
我预计接下来几个季度销量会增长，直觉上想把所有商品的库存线统一上调30%。但我担心增长预测落空后库存积压，也不知道新品、老品和季节性商品是否应该用同一种调法。
不建议把预计增长比例直接乘到所有安全库存上。增长预期应先进入需求基线，安全库存则主要补偿预测误差和供应波动；把两者混在一起，容易把“预计会卖得更多”误当成“需求更不确定”，造成重复加库存。例如某商品当前日均需求20件，未来两个月预计稳定增长35%，则计划需求可先按27件/日评估；
若交期仍为8天，基础交期需求就是216件。之后再根据新预测的误差、供应商交期波动和目标服务水平计算缓冲，而不是把旧补货点整体乘1.35。对新品或刚进入增长期的商品，预测误差往往比成熟品更大。可先用小批量、多频次补货，按周更新滚动预测；连续两到三个周期实际销量高于预测且渠道库存健康，再逐步上调基线。
若增长只发生在促销周或单一区域，应单独拆分，而不要把短期峰值扩散到全年。判断增长策略是否奏效，要同时看缺货率和库存老化。若销量预测上调后，缺货减少但超过设定库龄的库存明显增加，说明增长假设或补货批量可能过于激进；应先核对订单、出库和渠道库存，再调整需求基线，而不是继续加安全库存。
我仓库里既有稳定畅销品，也有销量忽高忽低的零件，还有单价高、周转慢的商品。目前统一按覆盖天数设线，结果有的经常断货，有的压了几个月都卖不掉。应该怎么分组才更合理？
统一覆盖天数很容易掩盖差异：同样覆盖20天，稳定日销商品可能只是常规周转，间歇性需求商品却可能积压许久。建议至少按年度消耗金额、需求稳定性、缺货影响和供应交期分层；金额分类能管资金，需求分类能管预测难度，缺货影响则决定服务优先级。
商品特征补货策略优先检查项 高消耗、需求稳定较高服务目标，按交期需求动态补货交期和预测误差 低频、需求波动大审查最小订货量，避免机械设高库存缺货代价与替代品 低金额但停线影响大按业务影响保底，不只看金额排序断供后果和替代周期 例如，低金额的关键维修件可能在缺货时导致整条产线停机，单看消耗金额会被归入低优先级；
反过来，高金额但容易快速采购、且有替代品的商品，也未必值得储备很高的安全库存。分类结果要与使用后果一起评估。分层后先给每类设规则，而非逐个商品凭经验拍数。比如对稳定畅销品按交期需求和服务水平计算，对间歇性商品采用需求分位数或逐单采购评估，对关键备件明确最低保障量和审批人。
每季度复核一次分类，避免商品生命周期变化后仍沿用旧政策。
我准备调整补货规则，但上线后担心只看到库存变多，无法判断缺货有没有真正改善。应该先在哪些商品上试行、观察多久，又该用什么指标决定扩大实施还是回滚？
先挑一组有代表性的商品做试点，不要一上来全仓改线。可以选择约20至50个SKU，覆盖稳定畅销、波动需求和长交期商品；另找需求规模、供应条件相近的商品作为对照。试点前记录至少一个完整补货周期的数据，避免把季节变化误认为规则效果。观察时间应覆盖至少两个补货周期；若交期很长，试点可能需要更久。
建议同步记录订单满足率、缺货天数、平均库存金额、紧急采购次数、超龄库存比例和预测误差。只看缺货减少不够，因为通过大幅加库存也能做到，但未必符合现金和仓储约束。可以预先约定判断门槛，例如在订单满足率不下降的前提下，缺货天数或紧急采购次数下降，同时平均库存金额不超过设定上限；
具体阈值应按企业成本和服务承诺确定，不宜照搬固定行业数字。若库存明显上升但缺货变化不大，优先检查交期数据、最小订货量和预测偏差。试点结束后，把参数变更、负责人和复核日期写进补货规则。供应商交期连续偏差、需求结构改变、促销计划落地或商品进入衰退期，都应触发复核；
这样增长期的库存策略才是可调整的管理机制，而不是一次性提高库存上限。
读者评论
把交期定义为“下单到可销售”这点很实用，审批和质检经常被漏算。若只拿供应商承诺天数做参数，补货点确实容易偏低。
文中提醒促销销量不能直接当成常态需求很关键。建议活动结束后对比预测和实际订单，并及时撤回临时增量，避免峰值变成长期库存。
缺货不一定靠加安全库存解决，先区分需求、供给、数据和执行问题，这个思路更利于控制库存成本。复盘时同时看满足率和滞销情况也比较全面。