库存报表显示“账面有货”，现场却找不到；系统显示“已经出库”，客户仍在等发货，库存管理系统的数据问题，往往不是少了一个看板，而是库存变化没有和真实业务动作对应起来。判断系统是否落地，我不会先看功能清单或单张库存总表，而会沿着入库、出库、盘点和调整追问：每次数量变化由什么事件触发、由谁确认、能否回到原始单据、前后指标是否使用同一口径。
库存余额回答的是某个时点“系统认为还剩多少”，却不一定能回答“这批货为什么增加或减少”。如果入库、出库、退货、报损和盘点调整只留下一个最终数字，管理者看到的只是结果，无法判断结果是否由正确流程产生。
我判断库存系统是否真正支撑业务，通常先检查一笔变化能不能沿数据链回溯：从商品和仓库，找到对应单据、业务状态、操作时间和责任环节；再从单据反查库存变化，确认数量、单位和方向是否一致。可追溯的库存变动，比一张看起来很完整的库存总表更能说明系统是否落地。
第一道门看流程：收货、验收、上架、拣货、复核、交接、退货和调整等关键动作，是否在系统里有清楚的业务状态。不同企业不一定需要相同的节点，但每个实际改变库存的动作都应该有对应记录。
第二道门看口径：库存准确率、收发差错率、履约及时率等指标，是否写明统计对象、时间范围、计算方式和排除条件。第三道门看闭环：发生差异后，系统记录的是“改了多少”，还是还能留下“为什么差、谁复核、如何处理、是否复发”。
这三道门缺一不可。流程记录完整但口径不统一，前后数据无法比较；指标算得精细但没有原始单据，结果无法复核；账面差异被调整为零但没有原因分析，问题只是被数字遮住。
如果四个问题有两个以上回答不清楚，我通常不会先把问题归结为“系统功能不够”。更需要先查流程是否绕过系统、基础资料是否统一、现场操作是否及时，以及报表是否把不同业务状态混在一起。
采购单上的计划数量、现场签收数量、验收合格数量和最终上架数量，可能彼此不同。若报表只保留一个“入库数量”，管理者就很难知道差异发生在运输、验收还是上架环节。
举例来说，采购单订购100件，现场实际到货98件，其中2件外包装破损、待检；最终可用数量可能是96件。企业是否把待检货、拒收货或待处理货纳入可用库存，应由业务规则明确。关键不是哪一种规则绝对正确，而是系统状态和现场定义一致，报表没有把“已到货”误读为“可拣货”。
销售订单产生需求，仓库进行分配和拣货，复核后可能打包、发运，最后完成承运交接。某些企业将库存扣减放在拣货时，另一些企业可能放在复核或发运节点。只要规则明确且全流程一致，都可以运行；最危险的是业务人员以为“出库”代表货物已交给承运方，报表实际记录的却只是拣货完成。
我建议在复盘时把“系统状态”和“实物状态”并排写出来。例如，系统显示“已出库”，现场可能仍在待复核区；系统显示“已发运”，实际可能只是生成了物流单号。状态名称本身不是证据，状态背后的业务定义才是。
标准流程容易演示，异常流程才检验系统设计是否贴合现场。短收、超收、替代品、拆单、取消订单、退货、跨仓调拨、单位换算错误和临时补录，都会改变库存数据的解释方式。
如果标准入库记录完整，而退货只能靠手工改库存；如果正常出库有单据，取消订单却没有冲销记录，那么系统总量仍可能“对得上”，但数据链已经断裂。检查时，我会先抽异常样本，而不是只挑最顺利的单据演示。
下面的流程节点是分析时可采用的检查清单，不是行业统计。企业可以先抽取一周或一个月的业务单据，逐一核对关键字段是否存在、是否一致，再决定哪些环节需要增加扫描、复核或审批。
期末库存相同，背后的经营情况可能完全不同。一种情况是出入库单据完整、周转正常；另一种情况可能是频繁手工调整、退货未及时入账，最后通过盘点把数字改到一致。只看期末余额，会把两种质量不同的数据状态混为一谈。
因此我会同时看期初、期间入库、期间出库、其他增减和期末余额，并抽查其中的原始单据。最基本的数量关系可以写成：期末账面库存＝期初账面库存＋期间入库－期间出库＋其他增加－其他减少。这只是账面勾稽关系，不代表实际库存已经准确；它的作用是发现数据链中是否存在未解释的增减。
准确率听起来直观，但不同统计单位会得到不同答案。按商品汇总，某商品在一个仓库多10件、另一个仓库少10件，合计可能刚好相等；按商品与库位逐项核对，就会发现两个位置都存在差异。
企业还需要确定是按SKU，仓库、SKU，库位、批次还是序列号核对；是要求数量完全相等，还是允许某个数量或金额容差；是按抽样盘点还是全量盘点。没有这些定义，单独比较“准确率从多少涨到多少”无法支持严肃判断。
补录有时是必要的，例如现场网络中断或紧急发货后补齐记录。但如果补录成为常态，系统时间就不再代表实际业务发生时间，库存可用量、订单承诺和责任追踪都可能被扭曲。
分析时至少要区分业务发生时间、系统录入时间和审批时间。对延迟录入，还要看发生频率、涉及金额或数量、集中在哪些班次和业务类型。只统计“有记录的单据”，却不检查“记录是否及时”，很容易高估系统对现场的支撑程度。
盘点后把账面改成实物数量，账实差异确实会暂时消失，但原因可能仍然未知。如果不区分错发、漏扫、单位换算、退货漏入账和库位错误，下一轮同类差异会继续发生。
我更看重差异处理是否形成闭环：先冻结或标记差异范围，再复核实物和单据，随后确定原因和责任环节，最后调整账面并观察同类问题是否复发。“差异已经调平”是账面结果；“差异原因已经被处理”才是管理结果。
上线期间常常伴随流程重画、岗位调整、培训、条码规范、盘点清理和供应商协同。若准确率或处理时长改善，可能是系统、管理动作和业务变化共同作用的结果。只展示上线前后两个数字，并不能证明改善完全来自系统。
更可信的复盘会列出实施前的问题、同时发生的流程变化、样本范围、统计周期和仍未解决的异常。必要时采用分仓或分业务类型观察，但也要承认不同仓库的商品结构和订单难度未必可比。
做分析前，我会先明确每条记录代表什么：一张单据、一行商品明细、一次扫码，还是一个商品在一个库位的一个时点库存。数据粒度不一致时，汇总很容易重复计数。例如一张出库单包含多个商品行，若把单头金额复制到每一行，再按单据汇总，就可能重复累计。
至少要确认商品编码、仓库、库位、批次或效期（如业务需要）、计量单位、单据编号、业务状态、业务发生时间、系统录入时间和操作人等字段。不是每家企业都需要完整批次追踪，但凡是会影响库存可用性或追责的字段，都应提前决定是否纳入。
我会把每种业务事件写成“事件名称，库存方向，触发条件，确认人，关联单据，允许的异常状态”。例如，采购入库是增加还是先进入待验区；退货是先回待检库存还是直接恢复可用；销售出库在哪个节点扣减；盘点调整是否需要审批。
这张事件表的价值在于发现同名不同义和异名同义。若仓库、财务和销售对“已出库”的理解不同，报表即便计算无误，也会产生错误结论。先统一业务词汇，再谈可视化，是减少争议成本的有效顺序。
库存准确率可以作为内部管理指标，但企业必须说明统计口径。一个可复核的模板是：在指定盘点周期内，按指定粒度核对的对象中，数量差异不超过约定容差的对象数，占本次核对对象总数的比例。这里的“对象”可能是SKU，库位，也可能是SKU，仓库，不能省略。
收发差错率也需要定义差错事件和统计分母。按单据计算和按商品行计算，结果可能不同；一个大订单与一个小订单是否等权，也要事先确定。履约及时率则要讲清承诺时间取自订单、客户约定还是内部排程，取消单和缺货单是否纳入。
| 指标 | 建议先写清的口径 | 不能单独证明的事情 |
|---|---|---|
| 库存准确率 | 核对粒度、容差、盘点范围、盘点日期、抽样或全量方式 | 不能单独证明出入库流程及时、差异原因已解决 |
| 收货差异率 | 按采购单、到货批次或商品行统计；明确短收、超收、拒收的处理规则 | 不能单独判断供应商责任，需结合验收和交接记录 |
| 出库差错率 | 按订单、拣货行或出库件数统计；说明错发、漏发、少发的判定范围 | 不能单独证明订单按承诺时间交付 |
| 订单履约及时率 | 承诺时间、完成节点、取消订单和拆单规则 | 不能单独归因于库存系统，需结合供应、生产和运输情况 |
| 库存周转指标 | 周期、平均库存算法、成本或数量口径、纳入商品范围 | 不能单独说明库存结构是否合理或缺货风险是否可接受 |
当准确率下降，我会先判断是哪些仓库、商品类别、班次或业务事件贡献了差异；当出库及时率上升，则进一步看是订单量减少、缺货改善、拣货流程变化，还是状态定义发生改变。总体指标适合发现方向，分层分析才更接近原因。
涉及金额时，还要区分数量差异和金额差异。低单价耗材的数量偏差可能很大但金额影响有限；高价值商品的少量差异也可能带来明显风险。企业应根据经营目的并行观察数量、金额和业务影响，而不是让一个汇总值覆盖所有管理需要。
我会把结论的证据强度分成三层。第一层是报表能显示结果；第二层是结果可下钻到单据和商品明细；第三层是明细还能与现场记录、审批和实物抽查相互核验。系统落地评估至少应争取达到第二层，对高价值、高风险库存尽量达到第三层。
数据表或看板若不能回答“这条记录从哪里来”，就不适合直接用于奖惩或重大经营决策。先把来源、筛选条件、更新频率和排除规则展示出来，通常比增加更多图表更有价值。
为了展示分析方法，下面构造一家有两个仓库、约2,000个活跃SKU的企业。它的订单量按月波动，部分商品采用整箱采购、拆零销售。案例中的数值均为情景模拟数据，并非真实企业的经营数据、行业平均值或任何产品的效果承诺。
假设企业在复盘前遇到三类反馈：仓库人员经常表示“系统有货，货位找不到”；销售团队认为缺货信息更新慢；财务发现盘点调整数量不小，但原因记录不完整。管理层最初想用库存准确率作为唯一验收指标，我会建议先把业务链拆开，不急着用一个数字盖章。
假设我们抽取一个月的采购入库、销售出库、退货和盘点调整记录，发现部分差异发生在整箱拆零换算，另一部分来自货物已经移位但系统库位未同步。还有一些出库单的系统状态在拣货完成时更新，但实物交接发生得更晚。
这时如果只说“库存不准”，就会把三种不同问题混在一起。单位换算需要修正商品主数据和操作校验；库位错位需要规范移位记录；出库状态不清，则要统一扣减和交接节点的定义。只有先分因，后续改善才知道该改规则、改流程还是补训练。
下面的前后对比仍是模拟。假设企业在改善阶段统一单位换算、要求移位扫码、补充出库交接状态，并对差异调整增加原因分类。比较时保持仓库和商品范围相同，按SKU，库位核对，统计周期各为一个月，准确率使用零容差定义。
| 观察项 | 改善前示意 | 改善后示意 | 判断时的补充问题 |
|---|---|---|---|
| SKU，库位库存准确率 | 92% | 96% | 盘点范围和抽样方法是否相同，是否有新增或停用库位 |
| 出库记录延迟超过当班的比例 | 18% | 7% | 延迟按业务发生时间还是系统录入时间计算，订单量是否相近 |
| 可归类原因的库存差异占比 | 55% | 82% | 原因分类是否稳定，未分类项目是否只是被粗略归入“其他” |
| 月度人工核对耗时 | 约32小时 | 约20小时 | 参与人数、盘点对象和加班时间是否采用同一记录方法 |
这组数据能支持的结论是：在该模拟场景下，流程和记录规则改善后，几个观察指标同时向好。它不能证明某个系统单独带来了这些变化，也不能直接外推到其他企业。要做真实归因，还需检查同期订单量、人员变化、盘点范围和业务结构。
如果盘点差异总量下降，但“其他原因”占比上升，未必意味着管理更好，也可能意味着分类质量变差。相反，差异总量暂时没有明显下降，但可追溯原因增加，可能代表企业开始真实记录过去被隐藏的问题。
因此我会同时看差异数量、影响金额、原因可分类比例和重复发生率。管理者可以优先处理高频且可控的原因，例如单位换算错误；对低频但高价值的差异，则可能需要更严格的复核和权限控制。优先级不应只按次数排序，也要考虑潜在损失和业务中断风险。
如果企业已经通过表格或业务系统沉淀了出入库明细，可以考虑将数据整理到经营分析层，用于统一筛选时间、仓库、商品和业务状态，并下钻查看差异。比如在数据源、权限和字段映射满足要求的前提下，九数云可以作为一种候选的数据分析与展示工具进行评估；是否适合，要以实际连接方式、刷新频率、字段治理和权限需求测试为准。
无论采用哪种分析工具，都要先确认它读到的状态定义与源系统一致。看板能够把“出库延迟”画成趋势，并不会自动判断延迟是由漏扫、排队、复核还是承运交接造成。若业务事件没有记录，新增一层分析通常只会更快地展示不完整的数据。
评估时可先用一份脱敏样例数据做小范围验证：检查商品编码能否统一，退货是否被识别为逆向事件，历史补录是否按正确时间归属，权限是否能控制到合适范围。工具选择应服从问题定义，而不是先选工具再让业务迁就报表。
把问题按仓库、商品、单位、库位和业务类型切分，优先抽查高频差异及高价值商品。核对商品编码是否重复，基本单位与采购、销售单位换算是否一致，仓库和库位是否存在停用后仍被使用的情况。
如果差异集中在少数商品或某一类操作，就不必先做全公司范围的大改造。先修正主数据，明确入库、移位、拣货和退货的记录责任，再观察一个完整业务周期，确认同类差异是否减少。
将库存按仓库、库位、批次或状态拆开，区分可用、待检、冻结、待上架和预留等业务状态。总量正确，不代表可用量正确；可用量正确，也不代表货物在系统登记的位置能被现场找到。
对经常移位的区域，可以设定临时库位或移位记录规则；对待检和冻结库存，则要确认订单分配逻辑不会把它们当成可承诺库存。重点是让现场操作与系统状态同步，而不是简单增加更多库存字段。
把订单从承诺、分配、拣货、复核到交接的时间戳串起来，再按缺货、拣货等待、复核积压和承运交接等原因分类。不要只看“出库单完成时间”，因为它可能既不代表拣货开始，也不代表货物真正交接。
如果延迟主要发生在缺货环节，要检查库存可用状态和采购补货；如果集中在拣货或复核环节，应观察作业波峰、库位布局和人员排班；如果货物已备好但交接延迟，则应和运输安排一起分析。系统只是链条的一部分，原因定位不能止于仓库报表。
选型演示不要只看录入和查询速度。建议准备一条真实业务样例：采购收货出现短收，其中部分待检；随后发生库位移动、销售拆单、拣货缺货、订单取消或客户退货，最后再进行盘点调整。
让候选方案现场展示每一步的状态、库存方向、关联单据、异常处理、权限和追溯路径。尤其观察业务中断、重复提交、补录和撤销时，系统是否保留原始记录并明确谁有权修正。标准流程看起来顺畅，不足以证明复杂场景适配。
选择一个仓库、一个业务周期和一组有代表性的商品，抽取入库、出库、退货及盘点调整记录。核对单据完整性、商品与单位一致性、录入时效、差异原因和状态定义，再决定需要改报表、改流程还是改基础数据。
体检结论最好写成“发现，证据，影响，责任环节，下一步验证”，不要只写“数据质量待提升”。例如，发现某仓库移位后仍沿用旧库位，证据是抽查单据和实物不符，影响是拣货定位失败，下一步则是试行移位确认并复查重复差异。
全量扫描更有利于形成连续记录，但会增加设备、标签、培训和操作时间；重点扫描更容易快速落地，却可能漏掉未被选中的高风险区域。商品数量多、波次密集的企业，不一定一开始就适合所有节点全部扫码；高价值、批次敏感或追溯要求高的商品，则可能需要更细的记录。
我的建议是按风险分层：先覆盖高价值、高差异率和高频流转的商品，再评估扩展范围。衡量时同时看差异发生率、操作耗时、漏扫率和异常处理成本。只追求记录完整，可能让现场绕流程；只追求操作快，则可能把后续核对成本转移给财务和管理人员。
越早扣减库存，系统可用量更新越快，但若后续拣货失败或订单取消，必须有清晰的释放和回滚机制。越晚扣减，系统账面可能更接近已交接的实物状态，但在拣货过程中容易出现重复分配或超卖风险。
不存在对所有企业都适用的唯一节点。高频电商和低频项目型业务，订单节奏与履约结构不同；整件出库与拆零拣货的错误风险也不同。关键是选定库存预留、实际扣减和异常释放的规则，并让销售、仓库和财务都按同一含义使用相关状态。
按仓库、库位、批次、班次、人员和商品类别切分数据，确实能更快发现问题，但维度越多，主数据维护和解释成本也越高。如果组织没有人持续维护字段，细化后的报表可能很快出现大量空值和错误分类。
先围绕一个明确决策建立最小指标集，例如减少某仓高频漏拣，或缩短盘点差异处理时间。只有当某个维度能改变责任判断或行动安排时，才值得长期维护。管理数据的目标不是把所有事情都量化，而是让关键决策有更可靠的证据。
自动化适合重复、规则明确且数据字段稳定的检查，例如未关联单据的库存调整、长时间未完成的出库状态或单位换算异常。对于高价值库存、争议性差异和需要判断现场情境的事件，人工复核仍有必要。
更稳妥的做法不是在自动化和人工之间二选一，而是先由规则筛查，再由责任人处理例外。规则需要有版本和变更记录，人工复核也要留下结论。否则自动化可能高速重复错误，人工则可能依赖个人经验而无法复盘。
业务系统负责承接订单、库存事件、权限和操作状态；分析工具侧重整合、展示、筛选和比较数据。若源系统没有记录实际移位，分析工具无法凭空还原；若源系统记录充分但管理者无法快速发现重复差异，分析层可能帮助提高观察效率。
因此评估前先确认瓶颈属于哪一层：是现场没有执行记录、源系统缺少业务状态、数据定义不统一，还是跨仓汇总和复盘困难。把问题层级辨清后，再比较系统配置、流程治理和分析工具的投入，避免用看板项目替代流程整改，也避免要求业务系统承担所有管理分析需求。
在项目验收或系统复盘前，先写明商品、仓库、库位、批次、单位和单据的定义；明确入库、出库、退货、调整各自在哪个节点影响可用库存；补充每项指标的分母、统计周期、容差和排除条件。
口径表不需要一开始就很复杂，但要让业务、仓库、财务和管理者能够对同一个数字给出相同解释。遇到定义分歧时先记录差异，再决定采用哪一种口径，而不是默认报表字段名称已经代表统一共识。
正常样本可以从采购入库走到可用库存，再走到销售出库和实物交接；异常样本则可以选短收、退货、取消、移位或盘点调整。沿途记录每个节点的单据、状态、数量、时间、操作人和审批依据。
如果某一步只能依靠员工口头解释，或需要在多个表格中人工拼接，说明追溯链还有断点。先明确断点影响哪些决策，再安排补字段、改流程或增加复核，不必为了追求“系统里什么都有”而无限增加录入动作。
单次盘点结果容易受到盘点范围、人员安排和临时清理影响。建议在口径相同的前提下连续观察多个业务周期，并同步记录订单量、SKU结构、仓库变化和流程调整。若数据改善只出现一次，仍需确认它是否能在日常作业中维持。
也要给问题保留空间：系统上线后发现更多差异，不一定代表管理退步，有时只是记录覆盖变完整。判断时应区分“实际差异变多”和“被发现的差异变多”，否则团队可能因为担心指标变差而减少上报或调整分类。
每个落地案例至少记录实施前的问题、改动的流程、采集的数据、统计范围、指标公式、前后结果、同期业务变化和仍未解决的问题。案例卡片的价值不在于包装一个漂亮数字，而在于让另一家企业能够判断：相似条件是否存在，结果是否可迁移，风险是否可接受。
库存管理系统落地，最终不是看报表上有没有一个准确率，而是看每次库存变化有没有业务依据、每个关键状态有没有共同定义、每项改善能不能回到原始记录复核。下一步可以先挑一个仓库和一个业务周期，按“事件，单据，状态，指标，差异原因”走完一次数据体检，再决定应该优先改流程、补数据、调整系统规则，还是增加分析能力。
判断库存系统是否有效，最有力的证据不是它展示了多少数字，而是它能否解释数字为何变化，并让下一次异常更早被发现、更容易被处理。
我在看库存系统效果时，最困惑的是报表里只有一个“准确率”，却没说怎么算。同样是盘点，按商品、按库位还是按数量判断，结果可能差很多；我应该用哪个口径来比较上线前后？
先把统计单位和“准确”的定义写清楚，再看百分比。一个便于复核的口径是：抽盘的 SKU，库位组合中，账面数量与实盘数量完全一致的组合数 ÷ 抽盘组合总数。若抽查 100 个组合，其中 94 个完全一致，准确率就是 94%；这个结果不代表金额误差也只有 6%。
建议同时记录数量差异率或差异金额，并注明盘点日期、仓库范围、抽样方法和容差规则。比如，有些企业把数量相差 1 件也计为不一致，有些会设定容差；口径不同，数字就不能直接横向比较。上线前后对比时，尽量保持同一仓库、相近 SKU 范围、相同抽样规则和相似业务周期。
否则准确率上升，可能来自样本变简单或盘点范围缩小，而不一定是系统带来的改善。
我担心系统里的库存数看起来完整，现场却仍然靠补录、口头交接或表格纠错。采购收货、上架、拣货、发货几个环节里，我该追哪些记录，才能判断库存变化确实对应了业务动作？
可以选一笔具体业务，从源单据一路追到库存变化，而不是只看结存报表。入库至少核对采购或调拨单、实际收货数量、验收结果、上架仓库与库位，以及每一步的操作时间；计划到货、实际收货和验收通过是不同状态，不能混为一谈。出库则从客户订单追到分配、拣货、复核和交接记录。
系统显示“已出库”不一定等于货物已经交给承运方，企业应先明确该状态对应的现场节点；退货、撤单和冲销也要能关联原单，避免库存被重复加回或扣减。实操检查时，可各抽取一笔正常单和一笔异常单，例如短收、缺货或退货，核对单据编号、商品、数量、仓库、操作人和时间是否能串起来。
若差异只能靠口头解释，或最终库存有记录但异常过程无从追溯，数据链就还不完整。
我看到一些案例会说上线后差错减少、效率提高，但没有交代统计范围和计算方式。我想知道，除了前后两个百分比，还要问清哪些条件，才能判断结果能不能参考到自己的企业？
先核对前后对比是否使用同一口径：统计周期、仓库数量、SKU 范围、订单量、差错定义和数据来源都应尽量一致。比如旺季订单量翻倍时，处理时长或差错数的变化不能脱离业务量单独解读。再区分系统上线与同期改变。
若项目同时调整了收货规则、增加复核岗位并培训员工，最终改善更可能是多项措施共同作用，不能把全部结果归给软件。可以要求案例说明实施前的问题、改了哪些流程、系统采集什么数据，以及仍未解决的环节。
例如，某演示案例若称抽盘准确率由 92% 变为 97%，还应说明两次是否抽查同一仓库、相近 SKU 数量、相同判定标准，以及抽盘结果能否追到原始记录。没有这些信息，这组数字只能作为线索，不能直接当作选型承诺或收益预测。
我不想验收时只确认功能菜单能打开，也不希望把指标定得很多却没人能解释。我应该先选哪些流程和指标，才能在有限时间里发现系统是否真正适配仓库作业？
先选高频且影响库存变化的流程做端到端验收，例如采购收货到上架、订单拣货到交接、退货回库和盘点调整。每条流程都检查正常路径与异常路径，并确认单据、商品、数量、仓库、操作人和时间能关联。指标不必一开始铺得很广，可先定库存准确率、收发差错率和订单按时完成率。
每个指标都写明公式、统计对象、时间范围、数据来源和责任人；周转率、缺货率等结果还会受到采购、销售和季节变化影响，适合结合业务背景分析，不宜单独用来判定系统成败。验收时可准备一张记录表，列出流程步骤、预期数据、实际结果、异常处理、证据位置和未解决问题。
若操作必须频繁线下补录，或调整库存后查不到原因与审批记录，应先修正流程和规则，再讨论指标是否达标。
读者评论
文章把库存余额和库存变动证据区分开来很实用，沿单据核对数量、状态和责任人，确实比只看总表更容易定位问题。
库存准确率的统计粒度和容差会影响结果，文中提醒先明确分母与盘点范围，这一点对跨仓库比较尤其重要。
异常单据和人工补录值得重点抽查；如果盘点只把账调平、不分析原因，同类差异仍可能反复出现。