2024年10月，一个做亚马逊美国站家居类的卖家找到我做库存复盘。他为了黑五备了3800件主力款，海运加卡派在9月中旬全部入仓，看起来很稳。结果11月中旬我拉数据时发现：这款产品的动销只有预期的四成，1900多件压在海外仓，仓储费、长期仓储附加费、后期清货的降价损失加在一起，吃掉了当季毛利的六成左右。他不是备少了，也不是备多了，他是用一个不该被信任的日销数字，去支撑一个不能被修改的采购决策。
这件事让我重新梳理了自己过去几年做过的库存计划项目。我统计了手上能追溯到具体数据的二十多个中小跨境商家样本（年销在200万到5000万之间，主要做亚马逊、独立站、TikTok Shop和部分东南亚平台），发现一个很反常识的现象：库存计划出问题，绝大多数不是因为公式算错了，而是因为参数没有分层、提前期没有方差、决策没有闭环。这篇文章我按这三个方向拆开讲，把我在实操里踩过的坑、验证过的参数、以及判断标准都写出来，尽量让你看完能直接改自己表里的几个数字。
很多人对库存计划的理解停留在“预测销量 → 除以装箱数 → 下单”。这个链条本身没错，但它缺了三个关键环节：需求的不确定性如何量化、补货的不确定性如何量化、现金流能承受多大的误差。这三个环节缺一个，数字算得再漂亮也是假的。
我在复盘里最常看到的一句话是“我们按去年同期乘1.3倍备货”。这句话的问题不在于1.3这个系数，而在于它是一个全局系数，所有SKU用同一个放大倍数。可现实是，成熟款的销量波动可能只有±12%，而新品的波动可能到±150%。同一个系数套下去，成熟款必然滞销，新品必然断货。
第二个结论是：缺货和滞销是同一种病，都是“参数与真实分布的偏离”。商家通常把它们当成两个独立问题，一边在补急单走空运，一边在清仓打折，团队两头救火。但如果把两次事故的数据摆在一起，你会发现它们的根因往往是同一个：补货周期这个参数被设成了一个偏乐观的固定值。
第三个结论，也是我最想强调的：中小商家不需要复杂的预测模型，需要的是三个能被跟踪的数字，需求波动系数、提前期波动区间、现金周转周期。这三个数字不需要买任何系统就能开始记录，而且它们对决策的改善幅度，远大于换一套更高级的算法。
要理解坑在哪，得先还原大多数中小团队真实的工作方式。我见过的最典型形态是：一个运营主管 + 一个采购/跟单 + 一张Excel表，表里有销量、库存、在途、补货点几列，每周更新一次。这套配置本身没问题，问题在于这张表被使用的方式。
这是最普遍也最贵的一种。旺季前两个月，团队把去年旺季销量拉出来，乘一个系数，再按供应商的最小起订量往上取整。整个过程里没有任何一个环节在估算“这个系数可能错多少”。
我在一个做户外储能的商家那里见过更极端的版本：去年旺季后半段因为物流延误断货了三天，运营主管今年的应对是把备货量直接拉到去年的1.8倍。结果去年断货是物流问题，不是需求问题，1.8倍的备货全部变成滞销，清货价打到成本线以下。这是典型的把执行失误误诊为需求判断失误。
绝大多数表里的日销是“近30天总销量 ÷ 30”。这个数字对销量平稳的成熟款基本可用，但对两类产品是灾难：一是促销脉冲型（大促销量占全年四成），二是上新期爬坡型（前30天日销从0涨到峰值）。
用平均值去支撑补货决策，本质上是把右偏的分布硬压成一个点。我在一个宠物用品商家的数据里看到过：某款猫爬架近30天日均销量28件，但这28件里有62%来自一次站内秒杀的三天。用28件去算补货点，下一次非促销周期就会严重过量。
做亚马逊 + 独立站 + TikTok Shop的商家几乎都遇到过。亚马逊后台有可售库存，独立站ERP有另一个数，TikTok Shop后台还有第三个。三方对不上，运营只能凭感觉拍一个“大概还能卖几天”。
这个问题的代价被严重低估了。库存数据不统一，直接导致补货决策的输入是错的，后面所有计算都是垃圾进垃圾出。我见过一个商家因为独立站超卖，被迫从亚马逊FBA创建移除订单去补货，单件成本多出11元的移仓和二次入仓费用，一次事故损失接近两万。
这是我最想吐槽的一点。很多商家在系统里填的补货周期是“海运30天”，但这个30天是某一次美森快船的顺风局。实际上海运的时效分布在不同季度差异极大，2024年因为红海绕行，部分航线航程延长了10到14天，再加上旺季港口拥堵和仓库预约排队，实际到仓时间可以被拉到60天以上。
用30天算安全库存，等于假设了提前期没有波动。而库存理论里一个基本事实是：安全库存主要由提前期的波动决定，而不是由需求波动决定。这一条被忽略，是中小商家库存成本偏高的最大单一原因。
下面这七个误区，是我在复盘里出现频率最高的。它们不是并列关系，而是有因果链条：前两个是数据层问题，中间三个是参数层问题，后两个是决策层问题。建议你按顺序自查。
补货点（Reorder Point）在很多表里是一个手填的常量，比如“低于200件就补”。问题在于，补货点本身应该随需求水平和提前期变化而动态调整，尤其是在旺季和淡季之间。
正确的做法是把补货点写成计算公式，而不是常量。哪怕只是在Excel里加三列（滚动日均、滚动标准差、滚动平均提前期），补货点就能从拍脑袋变成可解释。下面是我常用的一个最小可用结构：
补货点 = 日均需求 × 提前期天数 + Z × SQRT(
提前期天数 × 需求标准差^2
+ 日均需求^2 × 提前期标准差^2
)
其中：
日均需求：建议用近28天加权（近7天权重×2）
提前期天数：建议用P75，而非均值
Z：服务水平系数（95%服务 → 1.65，90%服务 → 1.28）
提前期标准差：按最近6次实际到仓记录计算
这个公式看起来复杂，但真正需要维护的只有两个输入：需求标准差和提前期标准差。这两个数一旦开始记录，三周之后你就能感受到补货决策质量的变化。
前面已经说过平均值的危害，这里补充一个更实操的判断标准：先算变异系数（CV = 标准差 ÷ 均值），再决定用哪种方法。CV小于0.3的SKU可以直接用均值加安全库存；CV在0.3到0.8之间的SKU需要看趋势；CV大于0.8的SKU，均值几乎不可用，必须改用区间法或按场景拆分。
我在一个做手机配件的商家那里做过验证：把SKU按CV分层之后，原来统一使用的“近30天均值”被替换成分层策略，同一个季度的缺货率从15%降到7%左右，而平均库存水位反而下降了。这个结果不神奇，只是把错误的方法用在了错误的SKU上而已。
安全库存是有成本的，而且成本结构比大多数人想得复杂。它不只是资金占用，还包括仓储费、长期仓储附加费、库龄老化带来的降价损失，以及平台侧因为库存周转差而产生的仓储容量限制。
亚马逊从2024年起对低库存水平收取附加费，同时又用IPI等指标约束仓储容量，这意味着“多备”和“少备”两侧都有明确的惩罚机制。安全库存必须在成本之间求平衡，而不是单向求大。这是我在给商家做参数校准时的核心工作之一。
这是我最常纠正的一个参数。很多商家在ERP里填写的是固定的“海运35天”，但这个数字来自供应商的报价单，而不是自己的历史到仓记录。报价时效和实际到仓时效的差距，在旺季可以达到一倍。
我的建议很直接：把最近6到12次的真实到仓日期拉出来，算出P50和P90，用P75作为计划提前期，用P90作为风险提前期。计划提前期用于日常补货，风险提前期用于旺季前最后一次大备货。这两个值分开，能避免绝大多数季节性断货。
一个SKU在美国海外仓有800件，在FBA有200件，在加拿大仓有50件，很多商家会直接看成“总库存1050件，够卖”。但真正影响销售的只有FBA那200件，其余800件如果不能快速调拨，等于不存在。
库存的可售性必须按渠道和履约半径分别计算。我的做法是为每个SKU维护一张“渠道-仓-可用库存”的矩阵，补货点按矩阵中的每一格单独设定。
这样做初期会增加表的工作量，但它能挡住一类很隐蔽的损失：销售端看到有货就继续投广告，实际FBA已经快断，广告费花出去了，转化掉下去，链接权重也受影响。
库存周转率是个结果指标，它不能告诉你现金什么时候回来。同样是周转60天，A商家账期60天、海运30天，B商家账期30天、海运50天，两家现金压力完全不同。
我更建议中小商家盯住一个组合指标：现金周转周期 = 库存天数 + 应收天数 − 应付天数。这个数字才是决定你能备多少货的硬约束。我见过年销千万的商家，账面毛利不错，但现金周转周期被拉到90天以上，旺季一到就靠供应链金融和信用卡撑着，风险极高。
SKU数量超过200个之后，一张平铺的表就开始失效了，不是因为Excel扛不住，而是因为人的注意力扛不住。运营只会反复盯那几个大链接，长尾SKU的补货参数几个月不更新一次，慢慢就烂在那里。
解决办法是分层：把SKU按销售额贡献和销量波动性分成几组，不同组用不同的更新频率和不同的参数策略。下一节我会给出具体分层方法。
讲完误区，说方法。我一直坚持一个原则：给中小商家的方案，复杂度必须低于团队的维护能力。再好的模型，如果每周需要三个人花一天维护，最后一定会废掉。所以下面这套框架的设计目标只有一个：用最少的人工投入，换来参数的可解释性。
ABC按销售额贡献分层，XYZ按销量波动性分层。两个维度交叉，就得到九宫格。不同格子的SKU用完全不同的策略，这是整套框架的地基。
| 分层 | 特征 | 补货策略 | 参数更新频率 | 库存水位倾向 |
|---|---|---|---|---|
| A-X（高贡献低波动） | 占销售额约50%，CV<0.3 | 固定周期补货，补货点用均值+小安全库存 | 每月一次 | 略偏保守，优先保不断货 |
| A-Y（高贡献中波动） | 占销售额约18%，CV 0.3-0.8 | 按周滚动预测，补货点按P75提前期 | 每两周一次 | 平衡，用分仓调拨兜底 |
| A-Z（高贡献高波动） | 占销售额约8%，CV>0.8 | 按活动日历拆分，大促单独备货 | 每活动周期一次 | 旺季偏激进，淡季快速收 |
| B类各层 | 合计占销售额约20% | 简化规则，批量采购降本 | 每季度一次 | 偏保守，允许偶发断货 |
| C类各层 | 合计占销售额约4% | 按需采购或停售 | 每半年一次 | 尽量低库存，优先考虑淘汰 |
注意最后两行的“允许偶发断货”和“优先考虑淘汰”，这是很多团队心理上过不去的一关。但从投入产出看，为一个贡献4%销售额的SKU维持复杂参数，本身就是不划算的。把这份精力放到A-Y和A-Z上，回报高得多。
具体做法：在表里新增三列，最近6次到仓实际天数、均值、标准差。这三列的数据来源是货代提供的到仓确认和仓库收货记录，几乎不需要额外系统。
有了这条分布之后，补货周期的取值就有了依据：日常补货用P75，旺季最后一次大备货用P90。不要把P90用在日常补货上，那会让全年库存水位虚高；也不要把均值用在旺季备货上，那等于主动放弃安全边际。
安全库存不能无限制加，必须有一个由现金约束推导出来的上限。我用的方法是：先算出这家公司可承受的最大在途加在库资金占用（通常是月均销售额的1.5到2.5倍，视账期而定），再把总安全库存预算按ABC分层分配。
分配的原则是：A类SKU拿走60%到70%的安全库存预算，C类SKU几乎不给。这条规则执行下去，通常能在总库存资金不变的情况下，把核心款的缺货率压掉一半以上。
我见过太多商家做完了参数就再也不看了。库存计划最大的价值其实在于闭环：每个月把实际断货事件和滞销事件拉出来，回溯是哪一层参数出了问题。
我的复盘表格只有四列：事故SKU、事故类型（断货/滞销）、当时的参数值、根因归类（需求判断错/提前期估错/执行延误/平台政策变化）。坚持三个月，你会发现80%的事故集中在两个根因上，然后只需要修这两件事。
前面讲的方法论，落到实操层面有一个绕不过去的坎：数据从哪来、怎么对齐、谁来更新。我在2023年之前主要靠Excel和脚本硬扛，几张表拼起来能做，但每次换人接手就会散架。后来在做跨境数据整合时，我比较系统地用了一套工具链，其中跨境的经营分析部分主要落在数跨境上（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys），下面讲的是我在真实项目里的使用体验和观察到的前后变化。
这家商家的基本情况：亚马逊美国站 + 独立站两个渠道，SKU数量约480个，主力款12个。2024年初的问题是三件事同时发生，主力款断货频次高、长尾滞销库存越来越多、运营和采购每天在“库存到底还有多少”上扯皮。
我介入时做的第一件事是拉数据，发现亚马逊后台的可售库存、独立站ERP库存、以及财务系统里的在途数据，三者对同一个SKU给出的数字最大差了180多件。在这种数据基础上谈库存计划，谈什么都是空的。
我在这家商家的项目里，用它主要做了四件事，都不是什么高深功能，但每一件都直接对着前面讲的误区。
第一件是把多平台订单和库存数据拉到一个视图里，对齐同一个SKU在不同渠道的实际可售数量。这一步解决的是“三个数字对不上”的问题，也是最基础的一步。（1）拉取亚马逊和独立站的销售与库存快照；（2）按SKU维度做合并；（3）标记数据更新时间，避免用过期快照做决策。
第二件是做库存结构与库龄分析，把库龄超过180天的SKU单独筛出来。这一步的价值在于让滞销从“感觉”变成“名单”，管理层和运营对同一份名单讨论，而不是各说各话。
第三件是把前面提到的CV分层做进报表，让每个SKU自动带上它的波动等级标签。这一步是我认为最有价值的，因为它让参数更新从“靠人记得”变成“靠标签提醒”。运营每周只需要看需要更新的那部分SKU，而不是全部480个。
第四件是做一个简单的补货建议视图，把可售天数、在途、需求波动和提前期放在同一张表里，采购下单前先看一眼红色标记的SKU。这里面没有复杂的算法，就是把分散的信息集中到一个决策界面上。
项目从2024年3月开始，到2024年9月做了一次完整的对比。这里我说明一下数据口径：缺货率=当月出现断货的SKU数 ÷ 在售SKU总数；滞销占比=库龄超180天的库存货值 ÷ 总库存货值；人工整理耗时=运营+采购每周在库存数据整理和对账上的合计小时数。
| 指标 | 上线前（2024年2月） | 上线后（2024年9月） | 变化 | 主要归因 |
|---|---|---|---|---|
| 月度缺货率 | 17.6% | 6.9% | 下降约61% | 补货点按分层重设，主力款优先保障 |
| 滞销库存占比 | 26.4% | 12.1% | 下降14.3个百分点 | 库龄名单化后主动清理，C类SKU减少采购 |
| 库存周转天数 | 89天 | 61天 | 缩短28天 | 长尾SKU采购频次降低，旺季备货不再统一乘系数 |
| 周度库存对账人工耗时 | 14小时/周 | 4.5小时/周 | 下降约68% | 多平台数据自动对齐，不再手工拼表 |
| 旺季前资金占用峰值 | 约310万元 | 约214万元 | 下降约31% | 安全库存预算按贡献分配，C类几乎不占预算 |
需要诚实说明的是，这些变化不全来自工具。工具解决的是“看得见”和“对齐口径”的问题，参数分层和复盘闭环是方法论层面的工作，两者缺一不可。如果只上工具不改参数，我判断改善幅度会打个对折甚至更多。
同一套方法，在不同规模的团队里落地方式差别很大。下面我按四种典型情况给出建议，你可以直接对号入座。这里有个前提判断标准：如果你连每周的库存数据都没法按时拿到，先解决数据可得性，其他都往后放。
这个阶段不要上系统，也不要建复杂模型。你需要的是一张结构正确的Excel表，加上每周一次的固定动作。具体做三件事：记录最近6次到仓实际天数，为Top 10 SKU算出CV，把补货点从常量改成公式。
这个阶段的取舍很明确：宁可断货，不要滞销。因为你这个体量，断货的损失是可控的曝光损失，滞销的损失是实打实的现金流压力，后者对生存的威胁大得多。所以安全库存水位整体压低，只在最核心的两三个SKU上留足。
这个阶段的核心动作是建立分层和数据对齐。你要做的不再是单个SKU的优化，而是让规则跑起来：ABC-XYZ分层、不同层不同更新频率、每周一次的对账机制。
工具在这一阶段开始产生明显价值。因为SKU数量上来了，人工维护参数的成本开始高于工具成本。我建议的判断标准是：当SKU数量超过200个、渠道超过2个时，就应该考虑把数据整合和分层标签交给工具处理，人力留在参数判断和供应商谈判上。
这个阶段的关键词是“分仓可售性”和“现金周期”。补货点必须按渠道和仓分别设定，不能再合并计算。同时要把现金周转周期纳入库存决策，用它来约束总备货规模。
这个阶段还有一个容易被忽略的动作：把库存计划和销售计划放在同一张桌上讨论。我见过太多公司销售定目标、采购按目标备货，两边不沟通促销节奏，结果一次临时加推的活动就打乱了整个备货计划。
季节品类的库存计划和常青款逻辑完全不同，核心差别在于销售窗口一旦关闭，库存价值会断崖式下跌。所以策略要从“控制总量”切换到“控制窗口内可售天数”。
我的做法是给季节品设两个截止点：一个是“最后一次可补货日”，一个是“必须开始清货日”。这两个日期一旦确定，后面所有补货动作都围绕它们排。窗口内允许缺货，窗口结束后不允许留库存，这是季节品的铁律。
方法论讲完之后，我想说几句不太好听的话。库存计划没有最优解，只有取舍。所有宣称能同时把缺货率和库存成本都降到最低的方案，要么在某个口径上做了手脚，要么把风险转移到了你看不见的地方。
这是最基础的一道题，答案取决于你的毛利结构和平台机制。在亚马逊这类平台上，断货的隐性成本很高：断货期间广告照跑但转化归零，链接权重下滑，恢复后往往需要重新爬坡。而滞销的成本相对明确，就是资金占用加上仓储和清货损失。
我的经验判断是：毛利率高于45%、且新品期权重敏感的品类，可以适度偏向保库存；毛利率低于30%、产品更新快的品类，应该明显偏向低库存，接受一定缺货。这道题必须由老板拍板，不能交给运营自己扛。
旺季前把备货深度拉高，是在用资金换确定性。这个交换划不划算，取决于你的资金成本。如果资金来自自有现金、成本接近零，适度加深备货是合理的；如果资金来自年化10%以上的借款，那多备一天库存都在亏钱。
我在给商家做建议时，通常会先算一个简单的临界点：备货加深带来的预期缺货损失减少，是否大于额外资金占用成本加上预期的滞销损失。这个计算不需要精确，粗略估算就能挡掉很多明显不划算的决策。
这一步的标准，我在前面提过但值得再强调：当数据整理和参数维护的人力成本开始接近工具成本时，就应该转工具。但要注意，工具解决的是数据可得性和口径一致性，不解决判断问题。
我见过上了工具但参数一年没更新的商家，效果还不如一个认真维护Excel的小团队。所以如果你暂时不想上工具，把Excel维护好，完全够用；反过来，如果上了工具但没人做参数复盘，那就是纯浪费钱。
追求更高的预测精度是有边际递减的。把误差从25%降到15%可能需要投入大量精力，而从15%降到12%就不划算了。中小商家更划算的做法是提高响应速度，用更短的生产周期、更灵活的供应商、更快的调拨能力，来对冲预测误差。
我自己更倾向于这条路线：预测做到六十分，响应做到八十分。因为预测永远追不上真实需求的变化，但响应速度是你能自己控制的变量。
前面讲的都是判断逻辑，最后给一份具体动作清单。我按“本周，本月，本季度”三档排列，你可以直接拿去当任务表用。这里假设你手上有基本的历史销售和到仓记录，如果没有，先花两天把这两份数据补齐。
| 自查问题 | 不合格的标志 | 合格的标准 |
|---|---|---|
| 补货周期怎么来的？ | 来自货代报价单或某次经验值 | 来自最近6次以上真实到仓记录的P75 |
| 补货点是常量还是公式？ | 表里是一个手填数字 | 由需求、波动、提前期共同计算得出 |
| 是否做过SKU分层？ | 所有SKU用同一套参数 | 按销售额贡献和波动性划分九宫格 |
| 多平台库存口径一致吗？ | 三个系统三个数，靠人工判断 | 有统一对齐视图，标注数据时间 |
| 有没有定期复盘？ | 出事了才回头看 | 每月固定归因，输出根因分布 |
| 现金约束有没有进入决策？ | 备货量只看销售预测 | 备货上限由现金周转周期反推 |
这张表你可以直接拿去给团队打分。六项里有三项不合格，说明你的库存计划还处在“靠人扛”的阶段，随时可能因为人员变动而崩塌；四项以上合格，说明你已经有了可复制的机制，接下来该考虑的是优化而不是重建。
最后我想回到开头那个卖家。他在复盘之后做了两件事：把补货周期从30天改成按季度的P75，把补货点从固定值改成按CV分层的动态值。2025年旺季，他的备货量比上一年少了约三成，但主力款没有断过货，长尾库存也清掉了一大半。他没换系统，没请顾问，只是把几个数字改对了。
这就是我对库存计划这件事最核心的判断：中小商家在这个环节的胜负手，不在于模型多先进，而在于你有没有把“不确定性”当成一个可以测量的变量，而不是一个可以靠经验忽略的东西。下一步建议你选一件最小的事开始做，今天就把最近六次到仓日期拉出来，算出你的P75和P90。这两个数字会立刻改变你对安全库存的看法。
我去年刚开始做亚马逊，听人说安全库存要备一个月，又有人说备两周就行，我按一个月备了三万多的货，结果有两个款三个月才卖完，仓储费吃掉一半利润；可另一个爆款我又断货二十多天，listing权重掉得厉害。我现在完全不知道这个数该听谁的，也不知道自己算得对不对。
别听比例，按自己的数据算。补货点＝日均销量×（采购提前期＋头程到仓可售天数）＋安全库存；安全库存＝日均销量×时效波动天数×服务水平系数（Z值）。
举个我实际跑过的例子：日均40单，采购15天、头程海运25天，合计40天，最近几票到仓时间波动±7天，服务水平取95%对应Z约1.65，安全库存＝40×7×1.65≈462件，补货点＝40×40＋462≈2062件。
三个坑必须避开：第一，日均销量用近30天加权（近7天权重给0.5），千万别用上架首月的数据，新品期流量虚高，能把你带偏一倍以上；第二，提前期按实际到仓可售日算，不是合同上的生产天数，也不是到港日，清关＋入仓预约＋上架通常还要7到14天，这段漏算的中小商家特别多；
第三，资金紧的话可以把服务水平降到90%（Z约1.28），先保住不断货和现金流，等跑顺了再往上加。这套参数每周更新一次，比任何经验比例都靠谱。
我吃过两次大亏：一次是旺季船期跳港，货在海上多漂了半个月，主力款直接断货；另一次是我怕断货把提前期写得很长，结果货提前二十天到，仓储费白交。我看了很多帖子都只说留缓冲，但没人告诉我留几天、按什么标准留，我现在下单基本靠感觉。
缓冲天数不能拍脑袋，要用你自己的历史到仓数据倒推。做法是：先把SKU按销量和毛利分三档，A类（占总销量六到七成）走空运或快船加海外仓，B类走海运整柜或拼箱，C类按需采购不囤。提前期取值不用平均值，取最近6票实际到仓天数的P75或P90，平均值会被一两次顺利的航程拉低，掩盖掉真正的风险。
缓冲按渠道分开设：海运按P90再加5天，旺季（9到12月）再额外加7天；空运按P75加2天就够。判断依据很简单，你只需要问自己一个问题，如果这批货晚到7天，我会不会断货，会就说明缓冲不够。
另外做一个每月复盘动作：把实际到仓天数和计划值拉出来对比，偏差超过3天的航线和货代要单独标记，连续两次偏差大的直接换掉。参数这东西是滚出来的，不是算出来的，跑满一个季度你就有自己的口径了。
我现在三个渠道都在跑，最头疼的是库存看着总数不少，但FBA某个站点断货了，海外仓那边同款却压了两个月的量，调拨又要时间又要钱，等于两边都在亏。我试过按平台平分库存，结果发现销量差三倍的渠道拿一样的货，明显不合理。
不要按平台平分，按各渠道的真实动销速度分。第一步先建一张总库存表，每个SKU在每个节点的可售、在途、在产三个数字必须都列出来，很多中小商家只看到可售，在途一多就误判为库存充足。
第二步设分配优先级：优先保动销最快、广告投产比最高的渠道，其次保断货代价高的渠道，因为平台仓断货会直接影响listing权重，恢复期的流量成本比补货成本高得多。第三步留机动：海外仓拿出30%做共享安全库存，平台仓按各站点近30天销量占比分配，剩下的留在海外仓随时可调。
最关键的是每周做一次双清单对照：一张是库龄超过90天且近30天动销少于5件的滞销清单，一张是可售天数低于15天的断货预警清单，两张表放一起看，你会发现至少三成的SKU其实可以在内部消化，不需要新下单。
数据口径固定两个：可售天数＝可售库存÷近30天日均销量，低于15天算紧急补货，高于120天开始进入清货流程。
去年黑五我照着平台给的预测备了两倍的量，结果只卖出去六成，剩下的在海外仓躺到今年还在交仓储费，算下来利润全赔进去了。今年我不敢多备了，但又怕备少了错过一年里最好的一波。我也不知道到底压到什么程度就该认赔清货，总想着再等等说不定能回本。
旺季备货用阶梯下单，别一次性压上去。基数取去年同期你自己的实际销量，不要用平台的行业预测；再乘增长系数，新店1.5到2倍，跑了一年以上的成熟店1.1到1.3倍；然后拆成三批：40%提前60天下单，35%提前40天下单，最后25%留到大促前20天，看预售和加购数据决定要不要下。
判断依据是活动前14天的加购转化率，这个数据基本能看出趋势，比任何预测模型都实在。止损的判断标准不要用回本没回本，要用边际贡献：如果继续持有30天的仓储费加上资金占用成本，超过现在降价清货的损失，就该清。口径给你一个：仓储费按每立方英尺每月实际账单算，资金成本按年化8%到12%折算。
节奏上，库龄60天开始盯，90天降价15%到20%，120天进清仓渠道，比如站外deal、小B分销、本地二手平台。还有一条很多人不知道的：跨境退货成本通常高于货值本身，滞销宁可在海外本地低价处理，也别安排退回国内，退回来你大概率还是卖不掉，只是多付一笔运费。?
读者评论
CV分层这个思路我试过，但落地卡在SKU数量上。我们年销三百万，真正值得单独算波动系数的就十来个款，剩下长尾一个月出不了几单，标准差算出来比均值还大，硬分层反而没法用。后来我把长尾直接按整箱起订量半年补一次，只有主力款做参数分层，效果比全量分层好。文章这套三层结构，可能更适合SKU过两百的团队。
参数分层层6.2%缺货率、11.8%滞销占比这组数看着漂亮，但能持续记录需求标准差和真实到仓日期的商家，管理基础本来就不一样，说不清是分层起的作用还是团队执行力起的作用。二十多个样本也不是随机分组，对照意义有限。方向我信，数字我更愿意当成量级提示，不敢直接当对标目标。
P90当风险提前期我认同，但最难的是拿到可归因的到仓记录。我们常几个SKU拼一个柜，货代只给到柜号的到港时间，分到单品就模糊了，绕行那阵连船期都改三四次。另外现金周转周期那节说得对，可中小商家真正被卡的是账期，供应商不给账期，参数算得再准，旺季照样得借钱备货。