2024 年 8 月，我陪一家做家居收纳的工厂去拜访他们最大的一个客户。对方老板在会议室里把 GMV 曲线投在墙上，过去 12 个月从 380 万涨到 1100 万，增长接近 190%，团队一片叫好。但我翻完他们的补货台账之后，给工厂的建议是：把这家客户从 A 类调成 B 类，账期从 45 天收到 30 天，同时把两个爆款 SKU 的备货上限锁死。三个月后，这家客户在旺季前压了 420 万元的货，主推款断货 11 天，长尾款滞销清仓，最终把工厂的货款拖了 70 天。
GMV 曲线会骗人，库存计划不会。一家中小跨境商家的真实经营质量，藏在它的补货节奏、备货深度、SKU 结构和滞销处理里，而不是藏在后台的销售大屏里。这篇文章我想把这套我在过去两年里反复使用的“库存计划体检法”完整拆开：怎么取数、看哪几个指标、阈值怎么定、不同角色该怎么用、以及它在哪里会失效。
先把结论放在最前面，省得你看到一半才发现方向不对。我用一句话概括：库存计划能力，是中小跨境商家少数无法短期伪装的能力。销售额可以靠投流堆出来，评价可以靠服务团队拉起来，价格可以靠补贴砸下去，但补货节奏的稳定性需要至少 3 到 6 个月的持续执行才能形成，压货结构需要真实的现金流支撑，滞销处理需要付真金白银的代价。
我评估过 30 多家中小跨境商家，横跨家居、宠物、户外、3C 配件四个类目。这中间最大的体会是：GMV、DSR 评分、店铺粉丝数这些指标，都是“可被优化的结果”。商家想让你看到什么，就能让你看到什么。
但库存计划是一组“过程数据”，它由大量日常决策构成，什么时候补、补多少、补哪个 SKU、补到哪个仓、卖不动怎么办。这些决策分散在采购、运营、仓管、财务四个角色手里，短期内没人能把它统一美化。一个商家可以在一个月内把详情页改得漂亮，但没办法在一个月内把补货间隔标准差从 12 天降到 3 天。
第二层原因是，库存计划直接对应现金。中小商家最脆弱的不是流量，是现金流。库存压着的每一块钱，都是从下一轮备货里抽走的。所以看库存，本质上是在看这家企业的“造血能力”和“抗压能力”。
如果你只有半小时，没法做完整评估，我建议先看这三个信号，它们的信息密度最高：
这三个信号加起来，大概 60 分钟就能从一份补货台账和一份库存明细里算出来。我自己在项目里做过对比，只看 GMV 判断错的中小商家，比用这三项指标判断错的明显更多。
我不想把话说得太满。库存计划体检法在三种情况下会明显失效，你要提前知道：
所以这套方法更适合用来评估“已经跑起来、SKU 数量在 50 到 2000 之间、有明显复购或持续上新”的中小商家。这也是最需要被甄别的那一批。
这套方法不是坐在办公室里想出来的，是被一次事故逼出来的。我觉得有必要把过程讲清楚，因为你怎么得到结论，比结论本身更能说明它的可信度。
2023 年 9 月，我给一家户外用品商家做旺季前的供应链复盘。他们的备货逻辑是典型的“拍脑袋 + 看去年”：去年卖了 8 万件帐篷灯，今年预估增长 40%，直接按 11.2 万件下单。结果 10 月平台流量结构变了，主推的白色款卖爆，深绿色款几乎不动。
到了 11 月中旬，白色款断货 9 天，深绿色款积压 2.7 万件，占用了将近 180 万元现金。最要命的不是压货本身，而是压货发生在断货的同一个月。同一家公司，同一个旺季，一边缺钱，一边缺货。
那次之后我意识到，判断一家商家的质量，不能看它“卖了多少”，而要看它在需求波动下“怎么分配有限的现金和库存”。库存计划就是这个分配过程的直接记录。
我后来把这个问题想得更深了一层。库存计划表面上是数字，实际上是决策链条的映射：
一家商家的库存计划水平，等于它的组织决策水平。没有需求预测，说明没有数据积累；补货时间飘忽，说明没有固定流程；舍不得砍 SKU，说明没有财务纪律。这三个问题，任何一个都会在库存数据上留下明显痕迹。
我接触过三类角色，他们嘴上问的问题完全不同，但底层关心的是同一件事：
| 角色 | 表面问的问题 | 真实关心的库存信号 |
|---|---|---|
| 供应商/工厂 | 这家客户能不能放大单、能不能给账期 | 断货率、补货节奏、现金转换周期 |
| 平台招商/类目运营 | 这个商家能不能给流量、能不能扛住大促 | 库存深度、履约稳定性、滞销资金占比 |
| 投资/并购/放账期 | 增长是真的还是买的 | GMROI、DIO 变化、SKU 结构健康度 |
这三类角色的共同点是：他们都要为“看错人”付出代价。而库存计划，恰好是纠错成本最低、验证速度最快的一个切入点。
在讲具体方法之前，我想先拆掉几个我见过最多的误区。这些误区不只是“看错指标”，更麻烦的是它们会让人得出完全相反的结论。
GMV 是结果，不是能力。一个商家可以用“低价 + 高投放”把 GMV 在三个月内拉高 150%，代价是毛利从 32% 掉到 14%，库存周转从 45 天拉长到 90 天。这种情况下，增长越快，现金窟窿越大。
我做过一个粗略统计：在我接触过的样本里，GMV 增速超过 100% 的商家中，有接近一半的库存周转天数同比是变差的。也就是说，它们的增长是用库存堆出来的，不是用效率换来的。
周转天数低一定好吗？不一定。我见过一家商家周转天数只有 28 天，看起来非常健康，但它的断货率高达 14%。因为它几乎是“卖完再补”，安全库存形同虚设。这种商家在大促期间会失去全部的流量权重，因为平台不会给一个频繁缺货的店铺流量。
周转天数和断货率必须成对看。单看一个，你分不清它是“效率高”还是“太保守”，也分不清它是“备货足”还是“压货重”。
两个商家库存都是 300 万元，结构可能完全不同。一个是 200 万元在 12 个主销款上，100 万元在 60 个长尾款上；另一个是 90 万元在主销款上，210 万元压在 180 个长尾款上。第一个商家能扛住旺季，第二个商家会在旺季前缺钱。
所以我从来不看库存总额，我看的是“库存金额在 SKU 分层上的分布”。这个分布，比总额重要十倍。
这是我见过最危险的一个误判。缺货有两种性质完全相反的原因：一种是需求真的超出预期，另一种是补货计划失控。前者是好事，后者是灾难。
怎么区分？看断货前 30 天的动销趋势和补货是否已经在途。如果断货前销量平稳、也没有已下的采购单，那就是计划失控；如果销量突然跳升、采购单已经在路上，那才是真的卖爆了。同样一个“断货 8 天”，可能是能力问题，也可能是机会问题，结论天差地别。
下面是我实际使用的一套五层框架。它的设计逻辑是“从外到内、从易到难”：前两层用数据就能判断，后三层需要结合访谈和制度文件。你可以按顺序逐层筛，任何一层不过关，后面的判断都要打折。
这一层只看一个数：同一主销 SKU 相邻两次到货间隔的标准差。把控口径说清楚一点：以 SKU 为单位，取最近 6 个月所有到货记录的日期差，算标准差，再对主销 SKU 求中位数。
我的经验阈值是：
为什么这个指标有效？因为补货间隔稳定意味着两件事：一是商家有可预测的销量估算，二是它有稳定的供应商配合。能做到这两点的中小商家，通常内部已经有基础的数据意识和流程意识。
备货深度我用的口径是“库存覆盖天数”：(在手库存 + 在途库存) ÷ 近 30 天日均销量。这个数字反映的是“如果明天断供，你能撑多久”。
但单纯的覆盖天数还是不够，必须结合补货提前期一起看。一个实用判断是：覆盖天数应该大致等于“补货提前期 + 安全缓冲”。如果提前期是 25 天，覆盖天数只有 22 天，那它在补货到货前必然断货，无论它的周转率多漂亮。
我见过最典型的错误是：商家为了追求好看的周转天数，把覆盖天数压到略低于提前期。财务报表漂亮了，但每个 SKU 每个月都会缺货几天。这种商家拿到大流量资源后，崩得非常快。
这一层要看的是结构。我一般要求商家把 SKU 分成四层，并且给出每层的库存金额占比：
| 分层 | 定义 | 健康资金占比参考 | 异常信号 |
|---|---|---|---|
| 主销款 | 贡献 70% 销量的头部 SKU | 35% – 50% | 低于 30%，说明压货在别处 |
| 常规款 | 稳定出单的腰部 SKU | 20% – 30% | 超过 40%，结构臃肿 |
| 长尾款 | 偶发出单的尾部 SKU | 10% – 20% | 超过 25%，动销率会拖垮现金 |
| 清仓款 | 90 天以上无销量 | 低于 8% | 超过 15%，说明没有淘汰机制 |
这里的关键不是数字本身，而是商家有没有能力解释自己的结构。如果一个商家看到自己的清仓款占了 22% 的资金，却说不出打算怎么处理，那它的库存管理基本处于失控状态。
这一层是财务视角，我主要看三个指标：
我见过一家 GMV 年增 160% 的商家，GMROI 只有 1.4。它的增长完全靠“多压货、多铺 SKU”实现，每多卖一块钱，就要多压两块钱的货。这种增长模式在流量成本上升的时候会立刻断链。
最后一层是软性但最关键的：当出现滞销、退货、断货时，商家多久能做出反应？我的判断方式是问三个具体问题，并且要看记录：
能拿出记录回答这三个问题的商家，不到我接触样本的三分之一。但也正是这三分之一，在旺季的表现明显更稳。
框架讲完了，接下来是我实际怎么落地的。这里我会以数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）作为数据底座来说明，原因很直接：库存计划体检需要把多平台的销量、库存、在途、采购记录放在同一张表里算，手工对齐 SKU 和仓库的成本太高。
在动手之前，我会先把口径固定下来，因为同一组数据用不同口径算，结论可能完全相反。我固定的是这六个字段：
用数跨境的场景是，它能把多个平台的销量和库存数据归集到同一个 SKU 维度上，省掉了我过去用 Excel 手工 VLOOKUP 对齐的时间。我自己的体感是，一个 800 SKU 的商家，用统一数据源做一次完整体检大概 2 到 3 小时，靠手工对表大概要 2 到 3 天，而且容易出错。
下面是我常用的计算脚本，逻辑很简单，你可以直接改字段名复用：
import pandas as pd
df = pd.read_csv("inventory_detail.csv", parse_dates=["arrival_date", "order_date"])
1) 补货间隔稳定性：同一 SKU 相邻到货日期间隔的标准差
df = df.sort_values(["sku", "arrival_date"])
df["gap_days"] = df.groupby("sku")["arrival_date"].diff().dt.days
gap_std_median = df.groupby("sku")["gap_days"].std().median()
2) 断货率：SKU-天口径
stockout_rate = df["stockout_days"].sum() / df["listed_days"].sum()
3) 库存覆盖天数：在手 + 在途 / 近30天日均销量
df["coverage_days"] = (df["on_hand_qty"] + df["in_transit_qty"]) / df["avg_daily_sales_30d"]
4) 滞销资金占比：90 天以上无销量 SKU
dead_capital_ratio = (
df.loc[df["no_sales_days"] >= 90, "inventory_cost"].sum()
/ df["inventory_cost"].sum()
)
print(round(gap_std_median, 2), round(stockout_rate, 4),
round(df["coverage_days"].median(), 1), round(dead_capital_ratio, 4))
商家 A 做小家电配件，2024 年 Q2 到 Q3，GMV 从 38 万涨到 92 万，增速 142%。表面看是标准的“高增长优质客户”。我把它的台账拉出来算完之后，给出的评级是“高风险”。
核心数据是这样的：
它的增长是怎么来的？新开了 140 多个 SKU，靠铺量把 GMV 堆上去，同时用降价换动销。但补货依然按“感觉”走，爆的款没跟上，不动的款还在补。这不是增长，这是把现金换成了货架上的库存。
到了 Q4，它没有现金备旺季的货，只能低价清仓，毛利率从 31% 掉到 18%。如果当时只看 GMV，你会把它当成最好的客户。
商家 B 做宠物用品，同期 GMV 从 26 万涨到 34 万，增速只有 31%。但它的数据是这样的：
它做的事并不复杂：把 120 个 SKU 砍到 74 个，主销款固定每 14 天补一次货，安全库存按提前期加 7 天缓冲设定，每月做一次滞销淘汰。它的增长数字不好看，但每一块钱增长都是靠效率换来的。
结果在 Q4，它有现金、有库存深度、有稳定的补货节奏，旺季单月增长 80%，而且毛利率基本没掉。
| 评估维度 | 商家 A | 商家 B | 判断含义 |
|---|---|---|---|
| GMV 增速 | 142% | 31% | GMV 与实际质量方向相反 |
| 补货间隔标准差 | 11.4 天 | 3.2 天 | A 为救火式补货 |
| 主销款断货率 | 8.9% | 2.1% | A 的履约稳定性差 |
| 滞销资金占比 | 23.0% | 6.4% | A 有大额资金被锁死 |
| 库存周转天数 | 96 天 | 51 天 | A 的资金效率持续恶化 |
| GMROI | 1.5 | 3.4 | A 的库存几乎不产生有效毛利 |
这张表我用了很多次。它的价值在于，当所有人都盯着第一行的时候，后面五行给出了完全相反的答案。而后面五行，才决定了这家商家明年还能不能继续下单。
同样的库存数据，不同角色该做的事完全不同。下面我按四类角色分别给出可执行的动作，你可以直接对号入座。
你的核心风险是账期和产能排期。我建议按这个顺序做：
一个实用动作是：把客户的库存结构数据，变成你给它的 MOQ 和账期分档依据。库存计划好的客户，可以给更优条件；库存计划差的客户，条件要更严，因为它一定会把压力传导给你。
你关心的是履约稳定性和大促承接能力。我会优先看两个数：库存覆盖天数是否大于补货提前期，以及近 6 个月有没有明显的断货集中期。
如果一家商家在大促前 30 天库存覆盖天数低于提前期，说明它没有为活动做备货准备，给它大量流量等于浪费资源。流量应该给那些能接住流量的商家，而能不能接住，看库存深度比看报名表可靠得多。
这一层的动作要更结构化，我会要求做三件事：
这三件事做完，基本能判断这家商家是“真的在赚钱”还是“在用库存换规模”。
给自己做体检，最重要的一条是：不要只看毛利率，要看 GMROI。毛利率高不代表这门生意健康，如果库存效率低，高毛利也会被资金成本吃掉。
我会建议每周固定看三张表：补货计划执行表、滞销 SKU 预警表、库存覆盖天数表。这三张表每周花 40 分钟，比每月做一次大盘复盘有效得多。
写到这里，我必须承认一件事：库存计划没有标准答案。所有的指标合理区间，都取决于你处在什么阶段、做什么类目、能承受多大风险。下面是我认为最需要提前想清楚的三组取舍。
追求周转快，就要接受更高的断货风险；追求不缺货，就要接受更长的周转天数和更大的资金占用。这个取舍的本质是：你愿不愿意用现金换履约确定性。
我的经验判断是：新店期、流量不稳定期，应该偏稳，优先保不断货；成熟期、流量稳定期，应该偏快，优先保现金效率。反过来的商家，通常在两个阶段都吃亏。
是集中资源做 20 个 SKU 的深度，还是铺 200 个 SKU 的宽度？从库存计划的角度，宽度的成本远高于大多数人的预期。每增加一个 SKU，你就多了一份滞销风险、一份预测成本、一份仓储成本。
我见过的最健康的商家，主销款不超过 15 个，SKU 总数控制在 80 以内，滞销资金占比长期低于 7%。它们增长的来源是单品深度，不是品类宽度。
做完整五层评估需要完整台账，但很多中小商家给不出这种颗粒度的数据。这时候不要因为数据不全就放弃判断，而要退回到可得数据的下限。
如果只能拿到月度库存金额和销量，那就看周转天数的趋势和滞销资金的变动方向；如果连月度明细都没有，只看采购记录的到货日期，也能算出补货节奏稳定性。关键在于：宁可少算几个指标，也不要因为追求完整而放弃判断。
最后给一组区间参考，这些数字来自我对样本商家的观察，不同类目差异很大，不要机械套用：
| 类目 | 合理周转天数参考 | 合理覆盖天数参考 | 滞销资金占比警戒线 |
|---|---|---|---|
| 家居收纳 | 45 – 70 天 | 35 – 55 天 | 12% |
| 宠物用品 | 40 – 60 天 | 30 – 50 天 | 10% |
| 户外装备 | 55 – 90 天 | 45 – 75 天 | 15% |
| 3C 配件 | 30 – 50 天 | 25 – 45 天 | 10% |
注意，这些区间的前提是“有稳定复购或持续上新”。如果你的类目是强季节性或者一次性消费，这些区间需要整体上浮 30% 到 50%。
最后，我想把整套方法收成一个可执行的闭环。如果你只记住一件事，我希望是这个独特观点：评估中小商家的质量，不要看它卖了多少，要看它在需求波动面前，怎么分配有限的现金和库存。GMV 告诉你它过去做对了什么，库存计划告诉你它未来还能不能做对。
我自己的落地清单是这样的，你可以直接抄：
如果你现在手上有几个候选商家，我建议你先挑 3 个出来做一次对比体检，用统一口径跑一遍上面五个步骤。做之前和做之后，你对“谁是好商家”的判断大概率会发生变化。
至于数据底座，如果你手上是多平台经营、SKU 数量超过 200，手工对表基本不可行，可以试着用数跨境（https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）先把 SKU 维度打通，再做上面的计算。工具解决的是效率问题，真正决定判断质量的，是你选择看哪些指标、以及你愿不愿意在数据不好看的时候承认它不好看。
这两件事，谁也替不了你。
我自己带过几年店铺，也帮朋友做过供应链尽调，一开始只看 GMV 和增长率，觉得数据好看就行。后来吃过亏：一个看起来月销几十万的商家，旺季前库存计划一塌糊涂，断货三周，店铺权重直接掉下去。所以我特别想知道，库存计划到底能看出什么销售额看不出来的东西？
销售额是结果，库存计划是决策过程。结果可以靠一次爆款或一次清仓撑起来，过程骗不了人。具体看三件事：一是补货触发点是否明确，靠谱的商家会写清可售天数低于多少天触发补货，而不是拍脑袋；二是计划与实际的偏差，把过去 6 个月的预测备货量和实际出货量拉出来比，偏差率长期超过 40% 说明计划能力弱；
三是断货与滞销是否同时存在，如果既有热销款断货、又有一堆 90 天以上不动销的 SKU，说明它不是在管库存，只是被订单推着走。口径建议统一按可售天数算：现有库存除以近 30 天日均销量。别看绝对库存金额，金额随客单价和品类变化，跨商家没有可比性。
网上讲库存周转率的文章一堆，但都是越高越好这种废话。我真正困惑的是，跨境电商和国内电商完全不是一回事，海运 30 到 45 天、空运贵、海外仓还要压货，硬套国内那套周转率标准肯定不对。我到底该盯哪几个数，健康区间是多少？
我用四个指标，全部按 SKU 级别算。第一是可售天数，现有库存除以近 30 天日均销量，海运为主的商家健康区间是 45 到 75 天，低于 30 天有断货风险，高于 120 天就是资金压在货上；空运或海外仓快反模式可以压到 25 到 45 天。
第二是动销率，近 90 天有出货的 SKU 数除以总 SKU 数，中小商家能到 60% 以上算合格，低于 40% 基本是在用长尾 SKU 撑数量。第三是滞销占比，超过 90 天未动销的库存金额除以总库存金额，超过 15% 要警惕，超过 25% 说明选品或补货判断有问题。
第四是缺货率，缺货 SKU 数除以应售 SKU 数，持续高于 5% 会直接伤店铺权重。这四个数要放一起看，单独看任何一个都容易被误导，比如动销率很高但可售天数只有 20 天，那不是效率高，是在裸奔。
我做过一段时间的供应链对接，最现实的困难不是不会算，而是拿不到数。对方要么只给一个总数，要么说系统里导不出来。我也想过自己爬平台数据，但只有销量没有库存，算不出可售天数。这种情况到底怎么破？
分三层拿数据，不要一上来就要全量明细。第一层要周维度的总量表，字段只要五个：SKU 编码、期末库存数量、近 7 天出货量、在途数量、预计到仓日期，这五个字段足够算出可售天数和在途覆盖，而且大部分商家用 Excel 就能给，不会觉得被扒光。
第二层做抽样明细，指定 10 到 15 个占销售额 60% 以上的核心 SKU 要明细，范围小、目的明确，配合度高很多。第三层是交叉验证，拿平台端销量趋势、评价增长速度、发货时效去对，如果商家说可售天数 60 天，但你看到他近 30 天销量涨了 3 倍，真实可售天数可能只剩 20 天。
如果对方连第一层的五个字段都不给，这本身就是强信号，不是数据能力差就是数据不好看。这种情况我会把结论写成数据不可验证，而不是默认数据正常。
我踩过这个坑。去年看一个商家，给的库存计划表特别规整，备货节奏、安全库存、补货点都写了，我差点就签了。后来才知道那是为了拿融资临时请人做的，旺季一过又回到拍脑袋。所以我现在特别警惕，一张漂亮的表怎么分辨是真能力还是一次性表演？
看连续性和异常处理，不看单张表。三个动作：一是要连续 6 到 12 个月的备货记录，按周排开，看补货是否稳定发生、节奏是否随销量变化调整，真做计划的商家数据是连续的、有小幅波动，临时做的表往往只有最近一两个月的漂亮数据，往前是空白或断层。
二是问一次具体的失误，比如上一次大断货是什么时候、怎么处理的，真有经验的人会讲得出触发原因、补救动作和之后改了什么规则，表演型的人只讲结果不讲过程。三是看计划外动作的占比，如果大部分补货都是临时加急空运，说明计划没起作用，只是在事后救火。
可量化的判断标准是：连续 6 个月的预测偏差率在 30% 以内、且没有单月超过 60%，基本可以认作稳定的计划能力；如果前几个月偏差都在 80% 以上、只有最近一个月突然掉到 20%，那要非常谨慎，大概率是为了这次评估专门整理出来的。
读者评论
作为做过跨境运营的人，补货间隔标准差确实能看出问题，但中小商家很多用表格管库存，在途和在手经常对不上，算出来的覆盖天数误差不小。真要做体检，可能得先要求对方能给出一份可追溯的到货记录，否则指标再对也落不了地。
从工厂角度，把客户从A调B、收紧账期我能理解，但文章里那个案例更像平台流量结构突变导致的，不完全是商家库存计划差。旺季前压货有时是平台活动锁库存逼的。建议评估时把平台规则和活动节奏也作为变量，不然容易把敢备货的客户误判成风险客户。
这套框架对投资判断有启发，但30多家样本、四个类目，阈值直接拿来用还是有点悬。比如周转天数52天和96天的中位数差异，可能被类目和客单价影响。若能把GMROI、现金转换周期和断货率放一起做交叉验证，结论会更稳，单看库存计划也容易漏掉真实增长。