2024年9月中旬，一个做家居收纳品类的跨境卖家找到我。他们年销大约8000万人民币，主力市场是美国和德国，SKU不到600个。当时他们的库存系统给所有SKU打了一个”周转健康度”分数，其中一款旺季爆款被标成红色预警，周转天数98天，远超他们设定的60天阈值。运营总监据此把这款产品的黑五备货量砍掉了40%。
结果黑五当周，这款产品在11月24日断货，断货持续9天。它原本稳定在亚马逊类目BSR第7名，断货后掉到第40名开外，广告ACOS从18%飙到52%，直到第二年3月才重新爬回前15。粗算下来，这次”系统建议的理性决策”直接损失了约260万人民币的毛利，外加5个月的排名重建成本。
问题出在哪？那套系统算周转天数用的是过去90天的平均日销，而这款产品的旺季系数是3.2倍。系统没有错，它只是把一个平季模型套在旺季场景上。这就是我想在这篇文章里讲清楚的核心问题：库存计划的自动化，难点从来不在”能不能自动算”，而在于”自动算的东西有没有资格被信任”。
在展开细节之前，我先把这几年做下来最硬的三个结论摆出来。如果你只读一段，读这段。
很多人把库存计划自动化理解成”用算法替代人的判断”。这个理解是反的。真正被自动化释放出来的，是决策频率。
我见过一个年销3亿的卖家，他们的补货决策原本是”每周三运营开会定”。600个活跃SKU，一次会2.5小时，平均每个SKU的决策时间不到15秒。15秒里要判断销量趋势、在途、平台仓容限制、供应商MOQ、汇率、清关时效，这不可能。
上自动化之后，他们的决策变成”每天跑一次，人工只处理异常项”。异常项大约占全部SKU的8%到12%。决策频率从每周1次变成每天1次，人工介入比例从100%降到10%左右，而单次决策的质量反而因为有了足够时间看异常项而提升。
所以我的判断是：先量化你的”决策频率缺口”，再谈模型精度。一天做一次的粗糙决策，长期收益远大于一周做一次的精细决策。
顺序错了会付出很大代价。我见过至少5个团队，先花4到6个月上了一套补货工作流引擎，把审批、采购单生成、在途跟踪全打通了，结果发现底层需求预测还是Excel里拍的数。自动化流程跑得飞快，但跑的是错的数，只是让错误更快地到达了采购端。
正确的顺序是：先把SKU按”可预测性”分层，对每一层用不同的预测方法，再把这套分层预测接进自动化流程。可预测性高的SKU（比如稳定复购的消耗品）用统计模型；可预测性低的（比如跟风爆款）用规则加人工兜底。
正常路径好做：销量平稳、供应稳定、物流准时，任何一套系统都能算对。真正决定系统能不能活下来的，是它遇到异常时怎么表现。
2023年红海危机期间，我服务的一个卖家有一批货绕行好望角，海运时效从32天变成51天。他们的库存系统完全没有”时效漂移”这个变量，导致到货前两周出现了系统认为”库存充足”、实际已经断货的情况。
一套没有异常检测能力的库存计划系统，在平稳期是效率工具，在动荡期是风险放大器。这是我在选型和设计时排在第一位的判断标准。
国内电商和跨境电商做库存计划，看起来是同一件事，实际难度差了一个量级。我做过两边的项目，差异主要来自四个结构性因素，它们互相叠加而非独立存在。
国内电商补货，工厂到仓通常3到7天，最慢15天。跨境电商的海运是25到45天，快船18到25天，铁路35天左右，空运5到8天但成本是海运的6到10倍。加上供应商生产周期15到30天、国内头程3到5天、清关3到10天、尾程入仓3到7天，一个完整的补货周期通常在50到90天之间。
这意味着什么？你今天做出的补货决策，要到两个月后才能生效。而两个月后市场需求可能已经完全变了。跨境库存计划的本质不是”预测销量”，而是”预测两个月后的销量加上两个月内的波动区间”。这个区别非常关键，很多团队栽在这里。
国内电商大部分情况下一两条线就够了。跨境卖家至少有四条：平台FBA仓（或在当地平台仓）、第三方海外仓、海运/空运在途、供应商工厂待发。这四条线的数据通常分散在四个不同的系统或表格里。
我在2023年帮一个卖家做诊断时发现，他们的”可用库存”口径居然有三种算法，财务用采购入库减销售、运营用平台后台可售、供应链用自己维护的表格。三个数在同一个时点分别是18400件、16200件、21000件。
库存计划自动化的第一个技术难题不是算法，是口径统一。口径不统一，任何预测模型都是沙上建塔。
亚马逊有IPI分数和仓储容量限制，旺季前容量可能被砍30%到50%。沃尔玛、Shopee、TikTok Shop各有自己的入仓时效和罚款规则。这些约束会直接影响”能不能补、补多少、什么时候补”，但它们往往不在库存系统里建模。
我见过一个卖家在10月规划了12月的补货，计划得很漂亮，结果11月1日收到的仓储容量比预期少了42%，只能临时改发第三方海外仓，尾程成本从每件2.1美元涨到4.7美元。不考虑平台容量约束的补货计划，执行阶段一定会变形。
这些因素不影响”要不要补”，但强烈影响”补多少更划算”。比如某类产品在某个时段汇率有利，多备一点相当于锁定了更低的采购成本。反过来，如果某国关税政策在窗口期内可能调整，就需要压低在途量。
成熟的做法是把这些因素转换成”持有成本系数”和”缺货成本系数”，让库存模型自己去权衡。不成熟的做法是靠老板拍板。
回到开头那个卖家的案例，我把时间线完整拆一下，因为它的连锁反应比表面看起来严重得多。
| 时间 | 事件 | 直接数据变化 |
|---|---|---|
| 2024-09-16 | 系统按90天均值给出周转98天红色预警 | 运营决策砍备货40%，从12000件降至7200件 |
| 2024-11-24 | 库存售罄，listing转为不可售 | 断货持续9天，日均损失约29万元销售额 |
| 2024-11-26 | BSR排名开始下滑 | 从第7名跌至第40名，自然流量下降约63% |
| 2024-12-03 | 补货到仓恢复销售 | 广告ACOS从18%上升至52%，日广告花费增加3.1倍 |
| 2025-01-15 | 竞品占据类目前排位置 | 自然转化率从9.2%降至5.4% |
| 2025-03-20 | 排名基本恢复 | BSR回到前15，累计恢复成本约260万元毛利 |
这里最值得警惕的是：系统给出的信号在平季是完全正确的，只有在这个特定时间窗口内才是错的。这就是为什么”季节性识别”必须是库存计划自动化的标配能力，而不是加分项。
下面这五个误区，我在不同项目里反复见到。它们往往不是能力问题，而是认知起点错了。
ERP解决的是”记录已经发生的事”，库存计划解决的是”决定还没发生的事”。这两个是不同的问题。ERP里有采购单、入库单、出库单，它能告诉你历史发生了什么，但它默认不会告诉你”接下来60天应该补多少”。
我见过不少团队花大价钱上ERP，然后期望从ERP报表里看出补货建议。ERP的库存周转报表是后视镜，不是前照灯。它可以在你补货之后评价你补得好不好，但不能在补货之前告诉你应该补多少。
当然，反过来也不成立：计划系统不能替代ERP。两者是分层关系，计划系统需要ERP提供干净的库存和交易数据作为输入。
这是我见过代价最高的误区之一。团队花3个月调出一个整体准确率看起来不错的模型，MAE（平均绝对误差）在15%左右。但拆开看会发现：占SKU数量20%的稳定品，模型误差只有6%；占数量60%的腰部产品，误差18%；占数量20%的长尾新品和爆款，误差超过45%。
一个整体MAE 15%的模型，在真正决定利润的20%SKU上误差可能是45%。整体指标掩盖了结构性缺陷。正确做法是分层：
“我们安全库存统一设30天”，这句话我在至少20个团队听过。固定天数的安全库存等于假设所有SKU的需求波动和供应波动都一样，这显然不成立。
安全库存的数学基础是：需求波动的标准差、供应提前期的标准差，以及你愿意承受的服务水平。一个日均销量200件、波动系数0.2的产品，和一个日均销量30件、波动系数0.9的产品，即使平均销量差不多，需要的安全库存可能相差3倍以上。
下面是我在实际项目里用的一段安全库存计算逻辑，简化后的版本：
# 安全库存计算（简化示意）
SS = Z * sqrt( LT * sigma_d^2 + d_avg^2 * sigma_LT^2 )
def safety_stock(service_level, lt_days, sigma_d, d_avg, sigma_lt):
"""
service_level: 目标服务水平，如 0.95
lt_days: 平均补货提前期（天）
sigma_d: 日需求标准差
d_avg: 日均需求
sigma_lt: 提前期标准差（天）
"""
Z = norm_ppf(service_level) # 95% -> 1.645
demand_var = lt_days * (sigma_d ** 2) # 需求波动贡献
leadtime_var = (d_avg 2) * (sigma_lt 2) # 提前期波动贡献
return Z * math.sqrt(demand_var + leadtime_var)
示例对比
SKU-A：日均200件，日标准差40，LT=60天，LT标准差4天
SS_A = 1.645 * sqrt(60*1600 + 200^2*16) = 1.645 * sqrt(96000+640000) ≈ 1413件
SKU-B：日均180件，日标准差150，LT=60天，LT标准差15天
SS_B = 1.645 * sqrt(60*22500 + 180^2*225) = 1.645 * sqrt(1,350,000+7,290,000) ≈ 4826件
两个SKU日均销量只差10%，安全库存差了3.4倍。这就是为什么固定天数一定出问题。跨境场景下 sigma_LT（提前期标准差）通常是国内电商的3到5倍，这一项对安全库存的贡献往往超过需求波动本身。
我见过一个团队，上线自动化后设定了”全自动下单，人工不干预”，结果第一个月就出了事故：某个SKU因为一次站外促销带来单日1200件的异常销量，系统把它当成趋势，自动下了8倍于正常量的采购单。等人工发现时货已经在海上了。
成熟的自动化设计里，”人工介入”不是失败，而是系统的一部分。关键是定义清楚三件事：哪些情况必须人工确认、确认的时限是多少、不确认时的默认动作是什么。
我的经验值是把人工介入阈值设在10%到15%之间。低于10%说明规则太紧，可能漏掉真正的风险；高于20%说明规则太松或者基础数据质量有问题。
缺货率是一个容易让人上瘾的指标，因为它下降起来很快，多备货就行了。但多备货的代价是资金占用、仓储费、滞销风险和过期损耗。
我在2024年做过一个诊断：一个卖家把缺货率从12%压到3%，看起来是巨大胜利。但同期他们的平均库存金额从1800万涨到3400万，仓储费从每月28万涨到51万，季末滞销清理折价损失增加约190万。缺货率改善9个百分点，付出的代价是每年多花约900万的资金和仓储成本。
正确的做法是看组合指标：缺货率、库存周转天数、资金占用、滞销占比，四个指标一起看，而且要给它们设置”可接受的区间”而不是单点目标。
下面这套四层架构是我在多个项目里逐步收敛出来的，从数据层到执行层，每一层解决一个特定问题，不能跳层。
这一层要做三件事。第一是定义唯一的”可用库存”口径，写成文档，所有系统对齐。第二是打通四条库存线：平台仓可售、海外仓可发、在途在到、工厂待发。第三是建立SKU主数据，包括补货周期、MOQ、装箱数、供应商、物流方式、目的国。
我的建议是：数据层不追求实时，追求一致。每天凌晨同步一次，全公司看同一个数，远比每5分钟更新但三个部门三个数要好。
第一，SKU映射是否唯一，同一个产品在不同平台的编码是否指向同一个主SKU。第二，历史退货是否已经冲减，很多团队只看销量不看退货，导致需求被高估15%到30%。第三，促销活动是否被标记，没有标记促销的历史数据会把异常峰值当成常态趋势。
前面讲了SKU分层。这里补充一个关键操作细节：不要用一个误差指标管理所有层。
| SKU层级 | 推荐方法 | 可接受误差（MAPE） | 主要风险 |
|---|---|---|---|
| 稳定复购层 | 移动平均 + 季节因子 | ≤12% | 趋势拐点未识别 |
| 趋势层 | 带趋势的时间序列模型 | ≤20% | 增长见顶后继续外推 |
| 季节层 | 季节性分解 + 节日系数表 | ≤25% | 节日日期漂移（如复活节） |
| 新品长尾层 | 类目类比 + 人工设定 | 不设硬指标 | 类比类目选错 |
新品长尾层故意不设误差指标，因为这个阶段的目的不是预测准，而是快速获得真实反馈。对这些SKU，正确的做法是小批量高频补货，用实际销售数据快速校准，而不是纠结模型准不准。
很多人把补货理解成”算一个数”，实际上是”在一个约束空间里找最优解”。约束包括：
忽略约束的补货建议，执行率通常低于50%。我在一个项目里统计过，未考虑箱规的建议有37%需要人工调整，考虑箱规后这个比例降到6%。
决策层还要输出”为什么”：为什么建议补800件而不是1200件，是因为资金约束、容量约束还是预测下调。没有解释的自动化建议，运营不会信，最终会被绕过。
建议按金额和风险分级：低于某个金额（比如5万元）且预测置信度高的，直接自动下单；5万到20万的，运营确认；超过20万或置信度低的，供应链负责人确认。这个阈值应该每季度复检一次。
至少要覆盖五类异常：单日销量偏离预测超过3倍标准差、提前期比P90还长、平台仓容量突然下降、库存可售天数低于安全阈值、在途货物超过预计到仓日7天未更新。
每月做一次”预测偏差归因”，把偏差拆成预测误差、执行误差、外部冲击三类。如果预测误差占比超过60%，说明模型或分层有问题；如果执行误差超过40%，说明流程或供应商管理有问题。不归因的复盘等于没复盘。
这一年我在三个项目里用「数跨境」作为数据底座来搭库存计划，这里把其中一个讲清楚。官网是 https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys，感兴趣的可以自己去看能力清单。
卖家A，主营厨房小家电，2024年销售额约1.1亿人民币。销售渠道包括亚马逊美国站、亚马逊德国站、沃尔玛、TikTok Shop美国站，以及自建Shopify站。SKU数量480个，活跃SKU约320个。供应商集中在广东和浙江，海运为主，旺季部分空运。团队结构是运营6人、供应链3人、财务2人。
他们当时的核心痛点是三个：一是库存数据分散在5个地方，每周要花2个人天做对账；二是补货靠经验，旺季容易出问题；三是老板看不到全局资金占用，经常临时砍单。
我们把四个平台的后台数据、海外仓WMS数据、以及他们自己的采购表格全部接入「数跨境」，先做SKU主数据映射。这一步花了整整一周多，因为同一款产品在亚马逊美国站的ASIN、德国站的ASIN、沃尔玛的Item ID、Shopify的SKU编码完全不一样。
映射完成后，我们定义了统一口径的”全球可用库存”和”全球在途库存”。这一步做完，对账时间从每周2个人天降到每周不到2小时，而且数字唯一了。
在「数跨境」上建了一个库存健康度看板，包含四个核心指标：各SKU可售天数、库存周转天数（按渠道分开算）、滞销库存占比、以及预计断货日期。这个看板每天自动更新，运营早上第一件事就是看它。
这里有个我用下来觉得特别关键的细节：看板上要显示”预计断货日期”而不是”剩余库存天数”。剩余天数需要人脑换算，而具体日期可以直接和补货周期对比，判断能不能赶上。改了这个显示方式之后，运营发现问题的速度明显变快。
把320个活跃SKU分成四层。稳定复购层98个，趋势层112个，季节层64个，新品长尾层46个。对前三层分别配置了不同的预测方法和安全库存参数，第四层用类目类比加人工设定。
安全库存按前面那个公式配置，同时根据「数跨境」里的历史时效数据算出每个物流方式的提前期P50和P90。这里我们发现一个之前完全没意识到的问题：他们不同货代的提前期标准差差异达到3倍以上。走得稳的货代P90比P50多8天，走得急的货代P90比P50多23天。之前他们只用平均时效做计划，这是断货频发的一个隐性原因。
系统每天输出补货建议，包含建议数量、建议发货方式、预计到仓日期、以及建议理由。金额低于8万元的自动通过，8万到25万元运营确认，超过25万元供应链负责人确认。
这里踩了一个坑：最初我们按”补货金额”设阈值，结果发现旺季一个爆款的建议金额经常超过阈值，导致大量建议需要人工确认，效率反而下降。后来改成”按金额和置信度双维度”分级，置信度高的放宽金额阈值，人工处理量才降到合理水平。
上线运行了6个月，我把关键指标的前后对比列出来。需要说明的是，这6个月正赶上旺季，外部环境本身有波动，所以我尽量选受外部影响较小的指标。
| 指标 | 上线前（2024年5-7月均值） | 上线后（2024年11月-2025年1月均值） | 变化 |
|---|---|---|---|
| 缺货率（按SKU天数计） | 10.8% | 3.9% | -6.9pp |
| 库存周转天数 | 86天 | 67天 | -19天 |
| 平均库存金额 | 2340万元 | 2180万元 | -160万元 |
| 滞销库存占比 | 14.2% | 8.6% | -5.6pp |
| 月度库存对账耗时 | 8人天 | 0.6人天 | -92% |
| 补货建议人工调整率 | 100%（全人工） | 13.4% | ， |
| 旺季断货SKU数 | 17个 | 4个 | -76% |
最值得说的是最后一行。2024年旺季他们只出现了4个SKU断货，其中3个是供应商延期导致，1个是新品的爆发式增长超出所有预期。而上一年同期是17个SKU断货。
缺货率降了6.9个百分点，同时库存金额还降了160万元，这说明优化不是靠多备货实现的，而是靠错配减少实现的。这一点很关键，它区分了”有效的库存优化”和”用钱堆出来的缺货率改善”。
上线第二个月，一个新品被归入”趋势层”，系统根据前3周的快速增长外推，建议备货量是实际需求的2.8倍。后来我们加了规则：上架不足60天的SKU一律归入长尾层，采用小批量高频补货，不管它增长多快。
有一个稳定品的销量在某周突然涨了4倍，原因是参加了一次站内秒杀，但这次活动没有在系统里标记。系统把它当成需求上移，提高了后续预测基数，导致连续两个月备货偏多。促销数据缺失是库存预测中最常见也最容易修补的漏洞。
旺季时单笔补货金额普遍上升，原来设定的25万阈值导致审批量暴增，供应链负责人一周要处理60多单，反而成了瓶颈。后来改成旺季自动上浮阈值，或者改用”周累计金额”而不是单笔金额作为阈值依据。
库存计划自动化不是一个一次性的项目，而是随着规模演进的。下面按三个阶段给出具体建议，每个阶段的关键动作不同，提前做下一阶段的事往往是浪费。
这个阶段不要碰复杂的预测模型，也不要买重型系统。核心动作只有三个。
这个阶段的目标是把”凭感觉补货”变成”看数据补货”，不需要算法，只需要一致的数。我见过太多起步期团队一开始就上系统，结果基础数据没理清，系统跑出来的东西没人信，半年后弃用。
这个阶段必须做分层，也必须上工具。核心动作有四个。
这个阶段的瓶颈通常不在预测，而在协同。核心动作有三个。
库存计划没有”最优解”，只有”在给定约束下的合理取舍”。下面四组取舍是我在实际项目里最常被问到的。
提高预测精度意味着更复杂的模型、更多的数据、更长的迭代周期。提高响应速度意味着更短的决策周期、更频繁的人工介入。
我的判断是：在补货周期超过45天的场景下，应该优先投响应速度。因为当你的决策要两个月后才生效时，提高5%的预测精度带来的收益，远不如把决策频率从每周提到每天、把异常响应从5天缩到半天。
反过来，如果补货周期在20天以内（比如用空运或海外仓备货），预测精度的重要性会显著上升，因为决策和结果之间的时间差短，预测误差来不及被后续调整吸收。
这两个指标本质上是同一枚硬币的两面。周转快意味着库存少，库存少意味着更容易缺货。关键不是选一个，而是找到适合你品类的平衡点。
| 品类特征 | 建议倾向 | 理由 |
|---|---|---|
| 高毛利、低复购、强季节 | 偏向保供应 | 断货一次可能损失整季，且排名恢复成本高 |
| 低毛利、高复购、弱季节 | 偏向控库存 | 复购能自然回补，断货影响相对可控 |
| 体积大、仓储费高 | 偏向控库存 | 仓储成本会吃掉毛利，尤其是长期仓储附加费 |
| 有保质期或快速迭代 | 强偏向控库存 | 滞销即报废，损失是100%而非折价 |
| 供应商交期不稳定 | 偏向保供应 | 提前期波动会放大断货风险，需要额外缓冲 |
自动化程度越高，人力成本越低，但异常场景的处理能力越弱。我的经验是分三档设计：
这三档的比例不是固定的，应该随着模型置信度的提升逐步向下调整。每季度评估一次”全自动档”的实际准确率，如果某类SKU连续两个月准确率低于85%，就应该降档。
这个问题我被问过很多次。我的判断框架是三个问题：
我见过的现实分布是：年销1亿以下的卖家，90%以上应该采购；年销1亿到10亿的，多数用”采购数据平台 + 自制计划逻辑”的混合模式；年销10亿以上的，自建的比例才明显上升。你的业务逻辑特殊性和规模，决定了这个比例。
我想把整篇文章的核心观点收一下。
库存计划自动化的本质，不是让算法替人做决定，而是让人只在真正需要判断的地方做决定。它把90%的常规决策变成可重复、可追溯、可审计的流程，把人的注意力集中到那10%真正重要的异常上。
这个过程中，最容易被低估的是数据口径统一，最容易被高估的是预测算法，最容易出事故的是异常处理，最容易被忽略的是复盘归因。我在不同项目里看到的问题，绝大多数不出在算法上，而是出在这四个环节的某一个。
还有一个反常识的观察：库存计划做得好不好，往往不取决于你预测得多准，而取决于你对”预测错了会怎样”准备得多充分。你的安全库存设置、你的异常响应速度、你的供应商备选方案、你的清仓处理能力，才决定了系统在动荡期的生存能力。
具体到行动，我建议按这个顺序推进：
如果你现在负责的是一个多平台、多仓、多物流方式的跨境业务，数据聚合本身就是第一道门槛，用现成的跨境数据平台把这一层打通，比自建要现实得多。把数跨境的官网链接放在这里 https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys，可以先看它支持哪些平台和仓，再判断能不能覆盖你的数据面。
最后说一句我的真实感受：库存计划自动化这件事，最难的从来不是技术，而是让组织相信数字、用数字、并且愿意在数字不对的时候回头改数据。技术上能解决的问题都不算大问题，愿意持续改进数据质量，才是这件事能不能做成的分水岭。
我们团队从铺货转精品后，SKU 从 200 涨到 2000，靠 Excel 每天对库存，经常一边断货一边压货。我最纠结的是，到底先花钱买预测系统，还是先把补货规则跑通？如果顺序错了，是不是会白折腾？
先做补货规则，再叠预测。我的判断依据是，库存计划的核心不是预测得多准，而是形成可执行的闭环：可用库存口径、补货点、补货量、审批和到货跟踪。可售库存要统一为本地仓可用加海外仓可用加在途已清关，减去渠道预留、安全库存和未发货订单。
按 SKU 分层，A 类高销 SKU 用 7 天、14 天、30 天加权预测，B 类用 30 天移动平均，C 类用固定覆盖天数。先手动跑 2 个补货周期，让系统只给建议不自动下单，补货建议采纳率超过 70% 再切自动执行。这样即使预测有偏差，也不会把错误直接变成采购单。
我同时做亚马逊、独立站和 TikTok Shop，同一批货可能在 FBA、第三方海外仓和国内仓之间调拨。每次大促前最怕独立站卖了 FBA 的货，或者海外仓显示有货实际已经被预留。我不想靠运营每天手工改库存，但系统又不能乱同步。
核心是把库存拆成三层：物理库存、逻辑库存、渠道可售库存。物理库存按仓库和批次记账，逻辑库存加入在途、调拨、退货和破损冻结，渠道可售库存等于逻辑可用减渠道预留减超卖缓冲。
同步策略用事件驱动加定时校准：订单支付、发货、取消、退货事件实时扣减，API 每 5 到 15 分钟做一次全量对账，大促时缩短到 1 到 3 分钟，并设置 3% 到 5% 的超卖缓冲，大促可提到 8% 到 10%。所有同步接口做幂等和限流，避免重复扣减。
判断是否合格看三个口径：库存一致率、超卖订单占比、人工干预次数。库存一致率低于 99% 或超卖订单占比超过 0.5%，就不要开自动同步。
我以前设安全库存就是拍 30 天销量，结果旺季断货、淡季压死，海外仓仓储费还照付。我想知道有没有一套能落地的公式，能按 SKU 和物流时效自动算出来。尤其头程有时 20 天、有时 45 天，根本不敢信一个固定数。
用公式打底，再用分层和人工规则修正。补货点等于日均需求乘补货周期，加安全库存。安全库存等于服务水平系数乘需求与交期波动的综合标准差，简单落地可以用服务水平系数乘日均需求乘交期波动天数。补货量等于目标覆盖天数乘日均需求，减可用库存，减在途，加渠道预留。
数据口径上，日均需求不要用自然月，用最近 30 天、60 天、90 天加权，剔除缺货日和一次性促销日；交期用最近 10 批头程的实际签收天数，取 P50 和 P90 两档。A 类 SKU 用 95% 服务水平，B 类用 90%，C 类用 85% 或直接按最小起订量补。
每两周回看一次预测偏差，MAPE 超过 35% 的 SKU 先降级为人工审核。
我们上线补货自动化后，老板只问库存降了没，但运营觉得缺货变多了。我也想知道到底该看哪些指标，才能证明方案不是把积压换成了断货。如果只看库存周转天数，会不会越看越偏？
不要看单一指标，用一组互相制衡的指标做影子运行。上线前 2 到 4 周，让系统每天出补货建议但不下单，记录建议量和人工最终量的差异，补货建议采纳率超过 70% 才说明规则可用。核心看五组：库存周转天数、缺货率、订单满足率、滞销库存占比、现金占用。
缺货率要按可售 SKU 数和销量加权两个口径看，避免只被长尾 SKU 拉低；滞销库存用超过 90 天无销量的库存金额占比，而不是件数。评估时至少对比一个完整补货周期，并剔除大促月，否则季节因素会把结论带偏。如果库存周转改善但缺货率上升超过 2 个百分点，就说明安全库存或补货点太激进，需要先回调参数。
读者评论
我们也是做美国站的，看完那个90天均值砍备货的案例挺有共鸣。后来我们把季节系数单独拉出来维护成一张表，旺季前每周人工过一遍，比让系统自己识别稳。但说实话，旺季系数本身还是靠人拍，等于把不确定性换了个地方放，并没有真正消失。
四条库存线口径统一这句说到点上了，但实操里最难的不是算法是时间戳。海外仓签收和FBA上架经常差一两天，在途数量就跟着飘。我们后来放弃追求实时同步，改成T+1快照加人工标注例外，反而比天天对账稳定，代价是当天突发的异常只能靠人盯。
决策频率那部分我持保留意见。日频对稳定品确实有用，但像我们这种供应商MOQ大、下单后不能改的品类，一天跑一次意义有限，因为跑完也动不了。频率能提上去的前提是供应链有弹性，不然只是把焦虑提前了，该断的还是断。