旺季前最危险的运营数据，不是缺了一张报表，而是销售、供应链和客服都拿着“订单量”，却分别把支付订单、创建订单和剔除取消后的有效订单当成同一个数。一个口径差异，就可能让备货、排班和预算同时偏离。判断旺季准备是否充分，我会先问：这项指标怎么定义、和谁比较、触发什么动作？
我把旺季数据判断拆成三个问题：业务现在发生了什么，现有资源能否承接，接下来应该采取什么动作。销售额、流量和订单量主要描述已经发生的结果；可售库存、补货周期、排班产能和履约时效，才帮助判断业务能否继续承接需求；触发条件和责任人，则决定数据能否变成行动。
因此，旺季看板不是指标越多越好，而是每一项关键指标都要有明确用途。若一项数字既没有清楚的定义，也无法影响补货、预算、排班或服务承诺，它大概率只是展示信息，不是决策指标。
我的判断顺序是：先统一口径，再确认可比性，然后评估能力约束，最后约定动作。这比先画一张复杂大屏、再临时讨论数字是什么意思更稳妥。
销售额是经营结果，不等于需求全貌，也不等于履约能力。比如，活动当天销售额超过预期，可能是流量增长、客单价上升、促销折扣加大或订单集中提前释放造成的。若只看总额，很难判断到底应加库存、扩投放，还是优先处理履约瓶颈。
我会把指标分成四层：需求信号、转化结果、供给能力和服务风险。需求信号帮助预判可能的业务量；转化结果说明需求是否兑现；供给能力决定能否接单和交付；服务风险用于观察增长是否以超时、取消或售后压力为代价。
这四层不是固定的行业模板，而是一个检查思路。具体到不同业务，指标名称可能不同，但每层都应有证据，否则“旺季准备充分”就只是主观判断。
旺季准备牵涉运营、商品、仓储、客服、财务和渠道团队。每个团队看同一个指标，却可能分别关注订单创建、付款完成、仓库出库或客户签收。若会议中没有先说清统计对象和状态边界，部门之间的争论可能看起来是在讨论趋势，实际讨论的是不同数据。
因此，我建议把关键指标写进口径卡，并在会上展示定义，而不是只展示汇总结果。口径卡至少要说明公式、统计对象、时间窗口、去重和异常处理、数据来源、刷新频率及负责人。只有大家确认这些条件一致，后续的高低变化才有讨论价值。
假设一家线上零售团队正在准备节日促销。运营根据历史活动和近期流量，预计订单会上升；供应链希望提前锁定库存；客服担心咨询和退换货增加；仓库则要求知道订单峰值会落在哪几天、每天能处理多少单。
会议上，运营报出“订单增长约三成”，供应链追问这个数字是否扣除了取消订单，仓库询问订单是在付款时计数还是创建时计数，客服想知道退款和售后咨询是否包括在预测里。此时团队并不是没有数据，而是没有共享的业务定义。
这类场景的关键并非谁算错了，而是每个数字服务于不同的问题。创建订单适合观察下单行为，支付订单更接近成交结果，出库单反映仓储任务，签收单才更接近交付完成。它们之间存在时间差，也可能受取消、拆单、合单和退款影响。
旺季的起止时间不能只按促销日历划定。对部分业务而言，活动预热期的流量和加购已经明显增加；另一些业务的峰值可能发生在活动结束后，因为订单集中支付、履约或售后压力滞后出现。
我通常把观察窗口拆成准备期、峰值期和恢复期。准备期看需求先行信号、库存到货节奏和人员就绪情况；峰值期看订单、产能、时效和异常；恢复期则看退款、退货、结算、库存回补和积压任务。
如果企业只定义“活动当天”，就可能漏掉提前下单和延后履约的压力。相反，窗口拉得过长又会把平日波动混进活动数据，使趋势被稀释。窗口应由业务周期和决策提前量共同确定，并在复盘时保留。
统计窗口回答“我们统计哪段时间发生的业务”，决策提前量回答“我们需要提前多久做准备”。例如，库存补货周期若明显长于活动预热期，团队不能等到订单涨起来才开始补货；客服排班若可在短周期内调整，监控频率就可以更高。
这两个时间概念经常被混在一起。把历史活动的三天数据拿来对比近期七天数据，可能得出错误趋势；用活动后的实际订单决定活动前备货，也无法提供足够的决策提前量。需要比较的数据，应尽量保持窗口和业务阶段可解释。
销售额同时受订单量、客单价、折扣、退款和商品结构影响。金额上涨可能来自高价商品占比提升，而不是需求覆盖面扩大；也可能是促销折扣换来订单增长，但毛利空间变窄。只看销售额增长，不足以单独决定备货和投放。
我会至少把销售额拆为订单数、客单价和商品结构，再与可售库存、毛利、退款和履约能力核对。拆分的目的不是追求指标齐全，而是找出变化来源：如果增长来自高库存风险商品的集中销售，准备策略可能与增长来自稳定复购完全不同。
同样，投放预算不应只依据销售额判断。若新增流量转化质量下降、边际成本上升或履约已接近上限，继续加预算可能扩大后端压力。此时需要把需求端的机会和供给端的约束放在一起讨论。
订单量必须写清状态。创建订单、支付订单、有效订单、发货订单和签收订单，分别服务于不同环节。将它们合并成一个指标，容易让预测和实际发生错位。
比如，活动期间大量订单在付款前取消，创建订单数会高估实际成交；订单支付后被拆成多个包裹，包裹数又不能直接当作订单数；退款在后续发生，若报表没有说明是否回溯扣减，前后期数据会出现口径漂移。
我会为每个状态指定一个业务用途，而不是强行寻找“唯一正确”的订单指标。需求预测可以观察有效支付订单，仓储排产更关注待处理出库任务，客服产能可能还需要咨询量和售后工单量。
同比可以帮助识别季节性，但它不是天然公平的对照。去年活动的促销机制、渠道结构、商品组合、营业时间、数据采集方式或仓配能力，可能与今年不同。若这些差异没有记录，同比增幅只是一个表面相似的数字。
我会在使用历史同期前先列出可比条件：活动机制是否接近、业务范围是否一致、统计窗口是否相同、渠道是否发生变化、商品是否仍在售、异常事件是否需要剔除。不能完全对齐时，可以保留同比，但必须写明不可比部分。
近期趋势也有边界。最近几天流量增长可能是短期投放、内容传播或渠道故障造成的，不一定会延续到旺季。计划目标同样不是预测，目标是希望达到的水平，预测则是依据当前信息推断的结果，两者不能互相替代。
指标字典如果只有字段名和公式，没有责任人、更新频率和触发后的动作，常常会变成维护成本。更糟的是，报表上的红色预警没人负责，团队只能在峰值期间临时找人核对。
我会把每项重点指标写成“指标，条件，动作，负责人，复核时间”。例如，可售库存覆盖不足时，谁确认可调拨库存，谁联系供应商，谁决定限制投放，多久后复核一次。指标只有进入这个闭环，才算真正支持了准备判断。
实时数据看起来更先进，但如果订单状态映射、退款回写或渠道去重还没有统一，实时展示只会更快地传播口径冲突。旺季最重要的不是刷新频率越高越好，而是刷新频率能否匹配决策节奏，且变化能被解释。
需要分钟级响应的场景，可能是库存扣减、履约排队或投放异常；用于月度排班和供应商锁量的判断，通常不必追求秒级刷新。刷新频率应由行动时限决定，同时把延迟、补数和回溯规则写清楚。
我建议旺季准备先选出少量真正影响决策的指标，再为它们建立口径卡。关键不是一次性覆盖所有报表，而是先让各团队在高风险决策上说同一种语言。
| 口径字段 | 需要回答的问题 | 常见遗漏 |
|---|---|---|
| 指标名称与用途 | 这个数字将支持什么决策？ | 只写“订单量”，没有说明用于预测还是仓储排产 |
| 公式和统计对象 | 分子、分母、状态范围分别是什么？ | 同名转化率采用不同分母，或订单状态不一致 |
| 时间窗口 | 按创建时间、支付时间、发货时间还是自然日统计？ | 跨时区、跨日订单被分到不同日期 |
| 去重与异常处理 | 重复记录、取消、退款、测试单如何处理？ | 异常订单保留方式不明，历史结果无法复算 |
| 数据来源与刷新频率 | 来自哪个业务系统，多久更新一次？ | 不同报表使用不同来源，刷新延迟未说明 |
| 负责人和版本 | 谁解释口径，发生变更后如何通知？ | 公式被改过，却没有记录生效日期和影响范围 |
一个常被忽视的细节是口径版本。业务规则变化后，旧报表是否回溯重算，还是只从新日期起采用新规则？两种方式都可能合理，但必须记录生效时间。否则，趋势图中的断点可能被误读为业务变化。
对多数旺季准备项目，我会先检查五类指标：需求、转化、供给、履约和风险。它们不是固定清单，而是帮助团队发现“只盯一个结果数”的盲区。
不必把所有类别都塞进同一张总览页。更实用的做法是让管理层看到关键变化与需要决策的事项，让执行团队看到明细和异常原因。一个页面承担不了所有分析任务，层级清楚比页面拥挤更重要。
指标阈值不应直接从别的企业或行业文章里照搬。阈值需要结合自身历史波动、服务承诺、补货提前期、可调配资源和风险承受能力制定。没有这些背景，所谓“超过某个比例就预警”可能只是一个看起来精确的数字。
我会先定义信号，再写判断条件，最后明确动作。比如，“需求信号连续走强”是信号；“在同类活动、同口径窗口下，预测需求超过可用库存与补货可达量”是判断条件；“复核调拨、补货和投放节奏”才是动作。
| 信号 | 判断条件示例 | 可执行动作 | 需要确认的边界 |
|---|---|---|---|
| 需求信号持续增强 | 与可比活动及近期趋势对照后，预测需求超过原计划区间 | 复核库存、预算和班次；确认信号是否由单一渠道驱动 | 排除短时投放、异常流量和重复计数的影响 |
| 预计需求超过可供数量 | 可售库存加可按期到货量小于预计需求 | 调整补货、商品优先级、调拨或销售承诺 | 核实在途库存、质检状态和供应商交期可信度 |
| 订单增长但处理量未同步 | 待处理任务持续累积，且现有班次无法在承诺时间内消化 | 加班次、调配人员、调整发货承诺或限流 | 区分短时排队和持续超载，确认新增资源到位时间 |
| 成交增长伴随售后恶化 | 取消、退款或投诉变化与商品、渠道或履约环节相关 | 优先排查承诺表达、商品质量、页面信息和履约异常 | 确认售后数据回传延迟，避免未成熟数据被过度解读 |
旺季预测不是单一精确数字。业务团队常把“预测订单为某个数”写进计划，但没有解释假设条件。实际执行时，流量、转化、供货和取消率一旦变化，计划数就会显得像承诺。
更稳妥的表达是给出基准情景、偏高情景和偏低情景，并说明每种情景依赖什么条件。例如，偏高情景可能要求渠道流量维持当前水平、关键商品正常到货且履约能力按计划增加。情景不是为了假装能预测未来，而是帮助团队预先看到不同结果需要哪些资源。
具体区间应来自企业自身历史误差和业务约束。没有足够历史数据时，可以先做情景推演，并明确标注“模拟”或“初步假设”，不要把试算结果写成确定预测。
下面是一个为说明方法而构造的模拟案例，不对应特定企业，也不代表行业基准。设想一家多渠道零售团队准备为期一周的促销，主要商品有多个规格，订单经由线上渠道进入仓库，团队需要决定备货、投放和排班。
这类案例里，最容易被忽略的是不同系统的数据状态并不完全同步：渠道侧记录支付，仓储侧记录出库任务，客服侧记录咨询与售后。为了避免虚构“真实实测结果”，以下数字都标注为情景模拟，只用于展示口径如何影响判断。
团队最初使用“活动订单”作为目标指标，但讨论后发现，运营要预测支付订单，仓储要安排待出库任务，财务关心退款后的净销售，客服则要估算咨询与售后负荷。于是团队没有强行统一成一个数字，而是保留多个指标，并为每个指标指定用途。
预测支付订单时，团队把渠道和商品范围、按支付时间归属的日期、测试单和重复记录处理方式写进口径卡。仓储排班则使用待出库任务，并单独记录拆单造成的包裹数变化。这样做后，各部门仍然看不同数字，但知道它们之间为什么不同。
这一步的价值不在于让所有报表完全相同，而在于不再把不同业务问题误认为数据冲突。真正需要统一的是定义、边界和关系，而不是强迫所有部门使用一个总数。
模拟预测显示，活动周支付订单可能落在1800至2200单之间。团队没有直接按高位备货，而是核对当前可售库存、已确认到货、补货提前期和历史退货影响，再检查仓库同期可处理量。测算发现，即使供货能够覆盖偏高情景，仓库处理能力仍可能低于相应的出库任务量。
于是，备货决策和履约决策被拆开：商品团队先确认关键商品的可售库存与到货时间；仓库团队检查活动高峰期间的班次、波次和异常处理能力；运营团队则准备根据需求信号分批调整投放，而不是一次性把预算全部压在活动首日。
这个过程没有假设“订单涨多少，库存就加多少”。它先区分需求不确定性，再找出库存和处理能力中更可能限制结果的环节。究竟应该加库存还是控节奏，取决于瓶颈在哪里。
为了让计算可复核，假设某商品预计促销期有效需求为600件，活动开始时可售库存为390件，活动前可确认到货120件。若不考虑调拨和其他限制，名义供给为510件，预计差额为90件。
但这仍不是最终采购建议。团队还需确认390件是否包含被锁定、质检中或不可售库存；120件是否能在活动开始前入库并完成质检；600件预测是否已考虑退款、取消和商品替代；补货决策是否会造成活动后积压。
因此，90件是一个需要解释的差额，不是自动生成的采购单。若供应交期不确定、活动后积压代价高，团队可能选择部分补货、跨仓调拨或控制曝光；若商品缺货会造成明显的连带损失，可能接受更高库存风险。数字提供依据，取舍仍需结合业务成本。
在活动执行期间，团队不只盯支付订单总数，而是观察订单进入速度、待出库任务、单位时间处理量和按承诺时效发货情况。假设支付订单增长正常，但待出库任务连续增加，说明问题可能已经从需求不足转为处理能力不足。
此时加投放可能让积压更快扩大。较合适的动作可能是调整班次、优化分波规则、确认外部仓配资源，或对部分商品调整预计发货时间。若积压只是系统回传延迟导致，则应先核查数据链路，避免因为错误预警做出不必要的限流。
这也是口径卡中必须写数据更新时间和来源的原因。运营看到的订单数据可能先于仓库任务刷新；如果两张报表的刷新时点相差较大，直接比较会把时间差误认为产能异常。
促销结束后，复盘不能只对比预测订单与实际订单的误差。还应拆解误差来自哪里：需求假设偏差、渠道结构变化、口径回溯、商品缺货、履约限制，还是临时活动改变了用户行为。
如果预测偏高但实际交付稳定、库存没有明显积压，策略未必失败；如果订单预测准确却造成大量超时，说明需求预测本身可能正确，但承接能力判断不足。把误差归因到具体环节，下一次才能调整相应假设，而不是简单地把预测数字整体调高或调低。
如果订单、库存和履约数据来自多个系统，字段含义还没有统一，不建议先追求全量打通或复杂预测。先选出直接影响旺季决策的少数指标，例如有效支付订单、可售库存、确认到货量、待处理任务和按承诺时效交付情况。
接下来把定义、时间窗口、去重规则和负责人写清楚，用抽样核对验证数据是否能追溯到业务明细。手工表格在短期内可以作为过渡，但必须保留来源、更新时间和修改记录，否则手工汇总很快会变成新的口径分歧。
如果团队借助九数云或其他数据分析平台整理经营看板，应把注意力放在字段映射、刷新规则、权限和异常追踪上。平台能够帮助呈现数据，但不能替代业务团队决定“有效订单”如何定义，也不能自动消除源系统的状态差异。
如果不同部门对关键指标各有算法，第一步不是马上开会争论谁的数据正确，而是列出各版本的计算范围和用途。找到差异来自统计对象、状态过滤、日期归属还是刷新时间后，决定是否统一，或保留为不同业务指标。
需要重算历史趋势时，先评估成本和影响。如果旧数据能按新规则稳定回溯，可以建立统一序列；如果业务规则和历史字段无法还原，就应保留断点并标注口径变化，不要用推测值伪造连续趋势。
短期内可以并行展示旧口径和新口径，注明生效日期及差异原因。待团队完成校验后，再将新口径设为正式版本。并行不是长期方案，但比突然替换定义、让趋势无法解释更安全。
如果需求增长明显，而库存、产能或供应交期已经成为约束，不要默认加大投放是最佳反应。先判断瓶颈属于可快速解除、只能部分解除，还是无法在旺季前解除。
这里的核心取舍是增量收入机会与缺货、超时、取消、售后及品牌信任风险。哪一侧更重要，取决于商品替代性、交付承诺和客户关系成本，不能从一张销售趋势图直接推导。
新业务、新渠道或新商品可能没有足够的可比历史。此时，不应因为缺少历史而停止判断，也不应把少量样本外推成精确预测。可以采用低风险的小规模验证，观察信号质量、转化路径和履约表现，再决定是否扩大。
小规模验证需要明确观察周期、样本范围、成功条件和停止条件。例如，先在有限流量或有限商品范围内测试，重点观察有效需求、取消率、咨询量和处理时间。样本不足时，把结论写成“方向性信号”，并说明不确定性。
若验证期间恰逢节假日、临时投放或供应波动，也应记录这些条件。否则，团队可能把特殊环境下的结果当作长期规律。
准备时间有限时，不是所有决策都应该以同样速度推进。可逆的动作，例如短期调班、分批调整投放或临时转移部分库存，通常可以根据新信号逐步修正；难以撤回的动作，例如大额采购、长期合同或大量提前生产，则需要更充分的条件验证。
我会把决策按成本、可逆性和响应时间分层。若数据还不确定，优先做能快速回退、影响范围可控的动作；对高成本且不可逆的决定，尽量等待关键证据，或者拆成多个阶段执行。
不是每个团队都需要实时大屏或复杂预测。若业务规模不大、决策链路短，可以用一张共享表记录指标定义、当前值、更新时间、判断条件、负责人和下一步动作。重点在于团队能否稳定维护和复核，而不是工具是否复杂。
当数据来源增多、更新频率提高、重复人工汇总已经影响决策时，再考虑自动化。工具升级应由实际工作量和错误风险推动，而不是为了“数字化”而增加新的维护负担。
备货过少可能损失销售、影响服务承诺；备货过多则可能增加资金占用、仓储成本和活动后的积压风险。判断时不能只看预测订单，还要看补货周期、可调拨量、商品替代性、活动后可销售性和供应不确定性。
我会把库存决定拆成“确认可售量、确认可到量、计算缺口、识别滞销代价、确定分批策略”几个步骤。若到货可靠但活动后仍能销售，备货空间可能更大；若商品时效短、款式迭代快或活动后价值快速下降，就应更加重视分批采购和销售节奏。
对高不确定需求，分批补货可能比一次性压满更容易控制风险，但前提是供应商响应速度和物流周期允许。若补货周期远长于活动窗口，分批策略无法解决根本问题，需要提前用情景推演和更保守的承诺来管理。
投放会扩大需求，但需求增长只有在库存、产能和服务承诺能够承接时，才可能变成可持续的经营结果。若支付订单增长而待处理任务持续积累，继续加投放可能扩大超时和取消。
我会把投放扩张设置为有条件的动作：需求端信号成立、转化质量没有明显恶化、库存供给可信、履约压力仍在可控范围，才逐步增加投入。如果任何一项出现明显风险，就先查明原因，再决定是暂缓、换商品、调整渠道，还是限制流量。
这里不是简单地在增长和服务之间二选一。团队可以通过分渠道、分商品、分时段控制增量，把资源优先给履约能力更稳定、库存更充足、毛利更可接受的部分。
订单积压不一定意味着缺人。积压也可能来自波次安排、系统回传、拣货路径、异常订单比例或包装材料短缺。直接加班可能缓解眼前压力，却不一定解决实际瓶颈，还可能增加成本和差错。
因此，我会先看单位时间处理量、各环节排队时间、异常任务占比和班次间的差异。如果某一环节持续成为瓶颈，再考虑调班或增加临时资源；如果任务卡在数据或流程节点，优先修复流程，避免用人力覆盖系统问题。
若数据不足以判断瓶颈，可先进行短周期人工抽样：记录任务从进入到处理完成的时间，按环节标注等待原因。短期样本虽不代表长期规律，但能帮助团队避免盲目扩充资源。
高频监控可以更快发现变化，但数据链路、维护和告警处理也有成本。如果团队每天只在固定时点调整一次排班，分钟级刷新未必带来额外价值；若库存扣减和履约排队需要及时干预，低频报表又可能错过窗口。
我会用“决策最晚时间”来倒推刷新频率。若从发现异常到采取动作需要数小时，数据至少要在这个时间范围内可靠更新；若行动周期按周计算，每日更新或定期复核可能足够。真正要避免的是数据看似实时，实际延迟和回补规则却不清楚。
进入准备期后，先确定关键指标的负责人和业务用途，再抽查数据是否能追溯到订单、商品、渠道或履约明细。发现异常时，记录是源数据缺失、状态映射错误、刷新延迟还是业务规则发生变化。
准备会上应确认几个问题：哪些指标用于预测，哪些用于排班或补货；什么条件触发动作；谁能批准调整；资源需要多久才能到位；数据异常由谁解释。会议的产出不应只有“目标数字”，还应包括决策条件和责任人。
活动执行期间，记录指标变化时同时记录业务事件。比如渠道预算变化、商品临时缺货、供应商延迟、仓库调整班次或活动规则修改。否则，复盘时只看到曲线变化，却不知道变化发生时业务做了什么。
异常告警应分级。需要立即处置的异常与只需观察的波动，不要使用同一套通知方式。每次告警最好包含当前值、对照基准、数据刷新时间、可能原因和建议核查路径，减少团队反复询问“这个数从哪里来”。
活动结束后，复盘建议分三层。第一层评估预测：关键需求和资源估计与实际相差多少，差异来自哪些假设。第二层评估决策：采取的动作是否匹配当时可得的信息，是否有更低风险的选择。第三层评估执行：库存、排班、履约和异常处理是否按计划完成。
不要用最终结果倒推当时的决策一定正确或错误。旺季准备是在不确定条件下做选择，评价时要看决策当时掌握的信息、风险权衡和后续响应速度。结果好不代表方法可靠，结果偏差也不必然说明决策失当。
复盘结论应更新到口径卡和判断规则中。例如，若退款数据回传明显滞后，应在下一次预测中标注数据成熟周期；若某类商品到货不确定性长期存在，应把供应可信度纳入备货情景，而不是继续沿用名义交期。
每次口径改变，都应记录变更字段、旧定义、新定义、生效日期、原因、影响报表和负责人。若涉及历史数据回溯，还要说明从哪一天开始重算、是否保留旧版本以及新旧口径如何对照。
这份记录不一定需要复杂系统。只要团队能在季度或活动复盘时回答“这个指标为什么和上次不一样”，就已经降低了不少解释成本。指标口径的稳定性不是从不变化，而是变化可追溯、影响可说明。
如果这些问题中有多项无法回答，先不要急着增加更多图表。优先选出最影响旺季损失的两三项指标，把定义、来源、责任人和动作补齐，再逐步扩大监控范围。
旺季准备无法消除不确定性。统一口径的价值，也不是让所有预测都变得准确，而是让团队知道当前数字表达什么、不表达什么；让不同部门在同一组定义上讨论需求、供给和风险；让资源调整发生在问题扩大之前。
我更看重指标能否暴露约束，而不只是证明目标正在完成。销售增长之外，要看库存是否可用、产能是否够、承诺是否可兑现、售后压力是否正在积累。一个提前揭示瓶颈的指标，往往比一张漂亮的结果大屏更有决策价值。
现在就可以挑出旺季准备中最关键的五项指标，为每项补齐公式、范围、时间窗口、异常处理、来源和负责人；随后邀请运营、供应链、履约和客服共同核对，确认每项指标对应的判断条件与动作。
再把准备期、峰值期和恢复期分开，确定每个阶段需要看的信号、更新频率和复核人。先用可解释的小范围数据跑通决策闭环，再逐步自动化和扩展看板。
旺季准备不是预测一个完美数字，而是用同一套口径尽早发现“需求、库存、产能和服务承诺”之间的缺口，并在缺口变成损失之前做出有依据的取舍。
读者评论
把创建、支付和有效订单分开看很有必要，尤其备货和仓库排产用的指标并不相同。口径卡如果能明确状态规则，跨部门对数会少很多。
文章把准备期、峰值期和恢复期分开分析，提醒得比较实际。活动结束后退款、售后和库存回补仍有压力，不能只按促销当天安排人手。
同比数据确实容易被直接拿来做预测，但活动机制和渠道结构变了，数字未必可比。建议复盘时同时记录这些变化，避免把表面增幅当成真实需求变化。
看板指标最好能对应负责人和具体动作，这点很关键。否则即使预警及时，也可能没人决定调库存、排班或控制投放。