2024年7月底，我陪一个做户外家具的卖家做旺季复盘。前一年旺季，他把一款折叠露营桌备了12000件，8月销量确实冲上去了，9月中旬平台仓开始限制入仓，10月他被迫以成本价六折清货，年底算账，这一款单品的全年毛利被仓储费、长期仓储费和降价清货吃掉将近四成。同期他另一款便携气炉因为只备了3000件，8月第二周就断货，眼看广告ACOS降到12%，却没有库存可卖，白白丢掉大概六周的流量窗口。
这两件事放在一起看，问题不是”备多了”或者”备少了”，而是他把旺季准备理解成了”猜一个数字”，而真正的库存计划是一套按时间轴排布的资源配置方案。这也是我写这篇文章的起点：跨境电商的旺季准备，必须围绕库存计划来拆解，而库存计划的核心不是数量，是节奏、口径和约束条件。
我做过一个粗略统计，在我经手或深度参与复盘的三十多个跨境团队里，旺季出现”缺货和滞销同时发生”的比例超过七成。这个数字听起来矛盾，但在跨境场景里非常正常：一个店铺里A款断货、B款积压，是完全可以在同一周发生的。原因几乎都不是预测模型不够高级，而是计划的时间结构错位了。
很多运营做备货计划时，表格的第一列是SKU，第二列是备货数量。这个结构从一开始就丢掉了三个维度。同一个SKU在美国站和德国站的销售速度可能差三倍；同一个SKU在平台仓和第三方海外仓的补货周期可能差四周；同一个SKU在8月第一周和11月第四周的日均销量可能差五倍。
只要你的计划表里没有这四个维度，后面所有计算都会变成”平均值幻觉”。我见过最典型的案例是一个做宠物用品的卖家，全年平均日销80件，于是按80件×90天备了7200件。但这款产品在10月到12月的日销峰值是340件，在3月到5月只有25件。结果就是旺季第二周断货，淡季压了四千多件库存，仓储费按旺季峰值体积计费，两头挨打。
绝大多数卖家的旺季不是没有预算，而是预算被锁死了。钱变成了8月发出的、10月才入仓的货；货变成了还没有上架的库存；库存变成了要等两个月才能回款的应收账款。整条链路上，资金一直在”在途”状态，而广告投放、活动报名、站外推广这些真正需要现金的环节反而没钱了。
所以我判断一个卖家的旺季准备是否成熟，不看他备了多少货，而看他能不能画出未来180天的资金占用曲线和库存水位曲线。这两条线如果不同步，旺季一定出问题。
我最常纠正的一个认知是：大家都在追求预测更准，但预测永远不可能准。真正决定库存计划质量的是提前期（Lead Time）的稳定性和颗粒度。你的海运头程是30天还是45天，是稳定的35天还是波动在28到60天之间，对安全库存的影响远大于把预测误差从25%降到18%。
一个提前期波动±20天的供应商，需要你付出比稳定供应商多一倍以上的安全库存。所以旺季准备的第一件事，往往不是调预测模型，而是把过去12个月每一批货的”下单日，出厂日，开船日，到港日，清关日，入仓日，上架日”这七个节点全部记录下来。
讲方法论之前，我想先把旺季失速的真实场景摆出来。下面是过去三年我反复见到的六类问题，按发生频率排序。你会发现它们几乎都和”库存计划”有关，但表现形式五花八门。
旺季备货的决策点通常比旺季本身早3到5个月。也就是说，当你在7月决定11月备多少货时，你手上最新最可靠的完整数据其实是5月。很多卖家直接用”去年旺季销量×1.5″来做决策，问题在于去年的旺季结构、今年的竞品格局、今年的平台流量分配规则，都已经变了。
更麻烦的是，很多团队在7月做完决策之后，直到10月才第一次复查。中间三个月没有任何触发机制，错过了所有调整窗口。
我在2023年跟踪过一条美西海运线路的入仓周期，同一家货代、同一类产品，全年最快的一批从开船到上架用了29天，最慢的一批用了61天。如果计划里只写”45天”，那么所有依赖这个数字的补货点计算都会在极端批次上失效。
这个问题的代价在旺季被放大，因为旺季港口拥堵、卡车运力紧张、平台仓入库排队都会同步恶化，提前期的尾部风险会集中爆发。
这是我最常见的发现。很多运营每天早上打开后台看可售库存，低于某个数就下单补货。但后台的可售库存只是整个库存金字塔的塔尖，下面还有在途、在产、待质检、待贴标、待入仓。如果这些看不见，补货决策就会重复下单。
我见过一个团队同时下了三批货，因为三个运营分别看到可售库存低，各自下了单，最后货到了三批，只能低价清库存。这不是人的问题，是数据口径的问题。
平台仓的容量限制、库存绩效指标、长期仓储费阶梯、超容费，这些规则每年旺季前后都可能调整。这些规则直接影响你的”经济备货上限”，但在很多库存计划表里，它们完全没有体现。
一个很现实的场景：你的模型算出应该备2万件，但平台仓给你的容量上限只允许1.4万件。剩下的6000件要么放第三方海外仓（成本+8%到15%），要么分批发（时效风险+断货风险）。这个约束如果不进模型，算出来的数字就是空想。
服装、鞋类、3C配件这些品类的旺季退货率可以达到15%到30%。退货商品如果还能二次销售，实质上是一部分”补货”。很多卖家的库存计划里完全没有这一项，导致旺季中后期过度补货。
我服务过的一个服装卖家，把可二次销售的退货纳入库存池之后，旺季补货量下调了11%，而缺货率没有上升。这就是口径带来的直接收益。
旺季最贵的错误之一，是广告在冲，库存快没了。投放在旺季的边际成本是上升的，如果库存只能支撑十天，那么后十天的广告预算基本是浪费的。反过来，如果货已经到仓但广告没起量，库存就会在11月底变成滞销。
所以库存计划和广告计划必须共用同一个时间轴。这也是我为什么强调”围绕库存计划拆解旺季准备”，库存计划是主干，广告、供应链、财务、客服都是挂在主干上的分支。
下面这八个误区，我按”踩坑频率”排序。它们中的大多数看起来都很合理，甚至在一些培训材料里被当作标准做法，这才是最危险的地方。
这个方法的致命缺陷是它把增长当成均匀的。事实上旺季增长从来不是均匀的：它集中在活动的几天、集中在大促前后的流量脉冲里。用总量增长推算，会导致你在大促周缺货，在平销周积压。
更合理的做法是把旺季拆成”平销期+预热期+大促期+返场期+尾货期”五段，每段单独估算日均销量和波动率。同一个SKU在这五段的日均销量差异可以达到5到10倍。
“我一般留30天安全库存”，这句话几乎没有信息量。安全库存应该由需求波动率、提前期波动率和目标服务水平共同决定。一个日销波动很大的SKU和一个日销极稳的SKU，用同样的30天安全库存，前者一定断货，后者一定积压。
采购计划回答”买多少、什么时候买”，库存计划回答”在任何时间点上，货应该在哪、有多少、能不能卖”。前者是动作，后者是状态。只做采购计划，你永远无法回答”11月第三周，美国站还有多少可售库存”这个问题。
这不是工具问题，是口径问题。运营的表里”库存”指可售库存，供应链的表里”库存”指已下单未到货，财务的表里”库存”指已付款的货值。三个部门开会讨论库存，其实在说三件不同的事。这种会议一年要开几十次，每次都吵不出结果。
库存计划是一个滚动过程。我建议的节奏是：旺季前90天做一次大计划，之后每14天复查一次，并且在三个条件触发时立即重算：日销连续7天偏离预测超过30%、提前期实际值偏离计划超过25%、平台规则发生重大变化。
平台仓、第三方海外仓、自发货三种方式的补货周期、容量约束、成本结构完全不同。把它们混在一张表里做总量平衡，会掩盖真正的瓶颈。正确做法是按履约仓分别做平衡，然后在资金层面合并看。
成熟的库存计划在制定时就已经包含了退出路径：如果11月底库存超过多少件，就以什么价格、走什么渠道、在多长时间内清掉。没有退出路径的计划，最后的处理方式一定是恐慌性降价。
两个SKU：A款毛利率45%，周转90天；B款毛利率28%，周转30天。直觉上选A，但B款的年化资金回报率明显更高。旺季资金紧张的时候，这个判断会直接决定你能否抓住整个旺季的机会。
这一节是全文的核心。我把自己在实战中用的库存计划框架拆成四层，从需求到资金，每一层都有可计算的输入输出。这套框架不依赖复杂算法，用表格工具也能落地，但接入数据平台后效率会高一个量级。
我把旺季需求拆成三个成分：基线需求、趋势增量、活动脉冲。基线需求用近8周加权日均销量（近4周权重0.6，前4周权重0.4）；趋势增量来自品类大盘和搜索趋势；活动脉冲按活动类型给系数。
这里有一个容易被忽略的细节：基线要用”已剔除断货影响的销量”。如果某个SKU过去4周有10天是断货状态，那么它的历史销量是被低估的，直接拿来当基线会导致你永远补不够。
我一般的修正方式是把断货日的销量用同期同类目均值补齐，再计算加权日均。这个动作看起来简单，但对预测准确度的影响通常在10个百分点以上。
提前期不是一个数字，是七个节点的加总：下单到工厂确认、生产周期、质检与贴标、头程运输、清关、港口到仓、入仓上架。每个节点都要记录均值和标准差。
我的经验值是：生产周期和头程运输这两个节点的波动最大，通常贡献了全部提前期方差的70%以上。所以优化资源应该优先投入这两个环节，比如给核心SKU锁定产能、给核心批次锁定舱位。
基础公式并不复杂，难的是参数取值和口径统一。下面这段SQL是我常用的库存覆盖视图，把可售、在途、在产放在同一个SKU×站点×履约仓的粒度上计算覆盖天数。
-- 统一口径：SKU × 站点 × 履约仓 × 日期 WITH stock AS ( SELECT sku_id, site, warehouse, stat_date, SUM(CASE WHEN stock_type = 'available' THEN qty ELSE 0 END) AS qty_available, SUM(CASE WHEN stock_type = 'inbound' THEN qty ELSE 0 END) AS qty_inbound, SUM(CASE WHEN stock_type = 'in_production' THEN qty ELSE 0 END) AS qty_in_production, SUM(CASE WHEN stock_type = 'returned_resalable' THEN qty ELSE 0 END) AS qty_return_resalable FROM dwd_inventory_snapshot WHERE stat_date = DATE '2024-09-01' GROUP BY sku_id, site, warehouse, stat_date ), sales AS ( SELECT sku_id, site, AVG(qty_sold_adj) AS avg_daily_sales, -- 已剔除断货影响的修正销量 STDDEV_SAMP(qty_sold_adj) AS sd_daily_sales FROM dws_sku_daily_sales WHERE stat_date BETWEEN DATE '2024-08-01' AND DATE '2024-08-31' GROUP BY sku_id, site ), leadtime AS ( SELECT sku_id, site, AVG(total_lead_time_days) AS avg_lt, STDDEV_SAMP(total_lead_time_days) AS sd_lt FROM dws_leadtime_history WHERE order_date >= DATE '2023-09-01' GROUP BY sku_id, site ) SELECT s.sku_id, s.site, s.warehouse, s.qty_available, s.qty_inbound, s.qty_in_production, s.qty_return_resalable, ROUND((s.qty_available + s.qty_inbound + s.qty_in_production + s.qty_return_resalable) / NULLIF(k.avg_daily_sales, 0), 1) AS cover_days, -- 目标服务水平 95% 对应 Z = 1.65 ROUND(1.65 * SQRT( l.avg_lt * POWER(k.sd_daily_sales, 2) + POWER(k.avg_daily_sales, 2) * POWER(l.sd_lt, 2) ), 0) AS safety_stock, ROUND(k.avg_daily_sales * l.avg_lt + 1.65 * SQRT( l.avg_lt * POWER(k.sd_daily_sales, 2) + POWER(k.avg_daily_sales, 2) * POWER(l.sd_lt, 2) ), 0) AS reorder_point FROM stock s JOIN sales k ON s.sku_id = k.sku_id AND s.site = k.site JOIN leadtime l ON s.sku_id = l.sku_id AND s.site = l.site ORDER BY cover_days ASC;
这段代码有三个关键点值得强调。第一，qty_sold_adj是修正后的销量，不是平台后台的原始销量。第二，安全库存同时考虑需求波动和提前期波动，而不是简单地取”日均×固定天数”。第三，服务水平Z值要按SKU分层设置，A类SKU用1.65（95%），C类SKU用1.28（90%）即可。
前三层算出来的是”理想库存”。第四层要做的是把它压缩到资金约束内，并且决定压缩哪些SKU。我的做法是用”毛利率×周转次数”排序，优先保障年化资金回报高的SKU，对低回报SKU主动降低服务水平。
具体一点：把SKU按毛利率和周转速度分成四象限。高毛利高周转的A类，服务水平定95%以上，允许空运补急单；高毛利低周转的B类，服务水平定90%，只走海运；低毛利高周转的C类，服务水平定90%，靠高频小批量补货；低毛利低周转的D类，旺季直接不备货或只备最低量。
前面四层框架，用Excel也能做，但一旦SKU数量超过300个、站点超过3个、履约仓超过2个，手工维护的成本就会指数上升。我在这类团队里通常会建议先把”数据口径”这件事用工具固定下来。
我评估过不少方案，最后比较务实的路径是：用一套跨境电商经营分析平台统一数据接入、指标计算和看板呈现，把库存、销售、广告、财务的指标口径写死在平台里，而不是散落在每个人的表格里。数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）就是这一类工具，它的定位是把多平台、多店铺的订单、库存、广告和财务数据拉到同一套指标口径下，供运营和供应链共用。
我强调”口径”这两个字，是因为它解决的不是效率问题，而是决策一致性问题。当运营、供应链、财务三个人看的是同一个数字时，旺季的会议时间可以缩短一半以上。
这个卖家在2024年旺季前接入了统一的数据口径，主打美国站和德国站，活跃SKU大约420个，两个平台仓加一个第三方海外仓。项目从6月中旬启动，7月完成口径对齐，8月开始用新的库存计划节奏运行。
变化一：库存覆盖天数从”三个数”变成”一个数”。接入之前，运营看的覆盖天数是47天，供应链看的是62天，财务看的是81天。接入之后统一为54天（含在途和在产，并按已剔除断货影响的销量计算）。数字本身没有对错，但统一之后，补货决策的争议消失了。
变化二：补货触发从”人盯”变成”规则触发”。他们设了三条规则：覆盖天数低于提前期的1.2倍时触发补货建议；日销连续7天偏离预测超过30%时触发重算；平台仓容量使用率超过85%时触发分流建议。旺季期间总共触发了63次补货建议，其中58次被执行。
变化三：旺季结束后的滞销库存下降。2023年旺季结束后，超过90天库龄的库存占比是23%；2024年同期降到13%。同时缺货天数从上一年的平均11天降到6天。这两个数字同时改善，说明优化不是简单地”多备或少备”。
很多人以为数据平台的价值在于”算出更好的答案”，但我观察到的主要价值在于”减少重复劳动和口径争议”。下面这组数据来自上述项目在2024年8月到11月的记录。
我见过一些团队买了工具之后期待”系统告诉我备多少”。这是误解。数据平台能做的是：把口径统一、把计算自动化、把异常暴露出来、把时间序列可视化。但以下三件事只能由人来判断：今年要不要押注这个品类、平台规则变化怎么应对、资金不够时砍哪个SKU。
所以我的建议是：工具负责”算得准、看得快”，人负责”决定押什么、放弃什么”。把这两件事混在一起，要么工具被当摆设，要么人被工具绑架。
下面这张清单是我在不同类型团队里实际用过的，按团队规模和模式区分。你可以直接对照自己的情况取用，不必全做。
这个阶段的重点不是精细计算，而是不要犯结构性错误。我建议做四件事：只给Top 10 SKU做库存计划；把提前期按最慢批次计算，不打折；旺季备货量控制在资金可承受范围内，宁缺勿压；必须留出15%的现金做应急补货。
不要在这个阶段上复杂系统，一张结构清晰的表就够。但结构要对：SKU、站点、履约仓、提前期、日均销量、安全库存、补货点、在途、在产、覆盖天数，十个字段缺一不可。
这个阶段的核心矛盾是口径不一致导致的内耗。行动优先级：先统一库存口径（建议用分析平台落地），再做ABC分层，然后按履约仓分别做平衡，最后才做资金层面的优化。
这个阶段我强烈建议把补货决策从”人盯”改成”规则触发”。哪怕规则很简单，比如”覆盖天数低于提前期1.3倍时生成补货建议”，效率提升也是显著的。
这个阶段的重点是跨站点的库存调配和产能锁定。要做的三件事：给核心SKU锁定工厂产能窗口；建立跨站点调拨的评估机制（比较调拨成本和新备货成本）；把旺季产能、舱位、仓储容量当作硬约束写进计划模型。
这个阶段还需要关注一个容易被忽略的指标：各站点的库存健康度差异。同样一个SKU，美国站周转40天，德国站周转95天，这本身就是调拨信号。
这种情况的策略完全不同：不要追求单SKU的精细化，要追求组合层面的效率。核心动作是批量设定服务水平、批量设置清货规则、用统一规则做上新淘汰。
对这类卖家，长期仓储费是最大的利润杀手。我会建议设一条硬规则：库龄超过120天的SKU，无论毛利多少，进入强制清货流程。
| 卖家类型 | 旺季库存计划重点 | 建议服务水平 | 最容易踩的坑 | 优先上系统还是先改流程 |
|---|---|---|---|---|
| 新卖家 / 小卖家 | 控制总量，保住现金，规避结构性错误 | A类90%，其余不设 | 用增长率盲目押注单一爆款 | 先改流程，工具用表格即可 |
| 多平台中腰部 | 统一口径，规则触发补货 | A类95%，B类92%，C类88% | 多版本Excel导致重复下单 | 先拉通口径，再上分析平台 |
| 多站点品牌卖家 | 产能与容量锁定，跨站点调拨 | A类98%，B类95% | 忽略平台仓容量上限导致爆仓 | 流程与系统并行，工具前置 |
| 铺货型卖家 | 批量规则化管理，强制清货 | 统一85%-90% | 长期仓储费吞噬全年利润 | 先上规则引擎，再考虑系统 |
库存计划做到最后，剩下的全是取舍。我把最常见的五组取舍列出来，每组给出我的判断依据。
这是最根本的取舍。我的判断依据是年化资金回报率，不是毛利率。一个毛利率45%、年周转3次的SKU，年化回报约等于毛利率×周转相关净额；另一个毛利率22%、年周转10次的SKU，往往更值得把旺季资金压上去。
具体一点的算法：用”毛利率 ÷ 平均库存天数 × 365″做粗略排序，取前60%的SKU给足备货，后40%主动压缩。这个方法很粗糙，但在资金紧张时比凭感觉分配要可靠得多。
空运的成本通常是海运的4到6倍。判断标准不是成本倍数，而是断货损失是否超过空运溢价。如果一款SKU断货一周会损失相当于三个月销量的排名权重和广告积累，那么空运往往是划算的。
我的经验规则是：只有A类SKU、且预计断货时间超过10天的情况下，才考虑空运补急单。B类和C类SKU一律接受缺货，用其他SKU填补流量。
集中备货的优点是单件物流成本低、谈判空间大；缺点是资金占用集中、一旦预测偏差损失大。分批补货相反。我倾向于核心SKU集中一次+两次小批量补给的结构：第一批覆盖旺季需求的60%，第二批在9月中旬根据实际动销补25%，第三批在10月下旬补15%。
这个结构的本质是”用两次额外的物流成本，换一次纠错机会”。旺季的不确定性越高，纠错机会越值钱。
平台仓的优势是流量倾斜和配送时效，劣势是容量约束、超容费和长期仓储费；第三方海外仓的优势是容量灵活、成本可控，劣势是配送时效和转化率略低。
我的判断逻辑是：畅销SKU放平台仓，长尾和波动大的SKU放第三方仓。另外，旺季期间把超出平台仓容量上限的部分提前分流到第三方仓，比事后补超容费要划算得多。
这个取舍的判断标准很简单：当”口径对齐”需要超过每周4小时的人工成本时，就该考虑系统化。按SKU 300个、3个站点、2个履约仓的规模估算，人工对账每周大概消耗5到8小时，这个量级已经值得用分析平台把指标固定下来。
反过来说，SKU少于100、单站点的团队，先优化表格结构比买工具更有效。工具解决的是规模和一致性问题，不是判断问题。
| 取舍项 | 倾向A方的条件 | 倾向B方的条件 | 我的默认建议 |
|---|---|---|---|
| 库存深度 vs 资金周转 | 年化资金回报率高于品类均值，A类SKU | 库龄已超90天，或属于D类象限 | 按年化回报排序，前60%给足，后40%压缩 |
| 空运 vs 海运 | A类SKU且预计断货超过10天 | B/C类SKU，或断货影响可控 | 只有A类才考虑空运，其余接受缺货 |
| 集中备货 vs 分批补货 | 预测稳定、提前期波动小于±7天 | 新品、规则变化大、提前期波动大 | 60/25/15的三段式结构 |
| 平台仓 vs 第三方仓 | 畅销SKU，追求转化率和时效 | 长尾SKU、超容量部分、退换货处理 | 畅销进平台仓，长尾和溢出进第三方仓 |
| 上系统 vs 用表格 | SKU超300、多站点、每周对账超4小时 | SKU少于100、单站点、品类单一 | 先改流程，规模到了再系统化 |
旺季复盘我见过很多版本，但大部分复盘最后只产出一份”经验总结”，第二年照样踩同样的坑。真正有用的复盘，应该产出三样可以直接复用的东西。
把今年每一批货的七个节点重新统计，更新每条线路的均值、标准差和95分位值。这张表是明年所有补货点计算的输入。如果没有更新，明年你用的还是去年的乐观估计。
记录每个SKU在旺季各阶段的实际日均销量、波动率、断货天数。特别注意断货天数，它决定了明年的基线要不要上调，以及上调多少。
把今年每个活动期间的实际销量除以平销期日均，得到活动系数。明年做计划时，活动期的需求直接乘这个系数，比拍脑袋估要靠谱得多。
回到文章开头那个户外家具卖家。他第二年的做法其实没有变得更”聪明”：他只是把七个时间节点记录下来，把库存口径统一，把补货决策规则化，把一部分货分流到第三方海外仓。结果那一年他的缺货天数从11天降到6天，90天以上库龄库存占比从23%降到13%。
旺季准备的本质，是把不确定性拆成可以管理的几段，然后为每一段设置观察点和触发规则。这比追求一个准确的预测数字要现实得多，也可复制得多。
最后提醒一句：库存计划不是一次性的项目，是一个每两周滚动一次的节奏。旺季的胜负，往往在你还没有感觉到旺季的时候就已经决定了。
去年旺季我按货代给的海运 30 天时效排备货，结果实际走了 46 天，主力款在活动前一周才上架，广告费白烧了一轮。今年想重新排，但不确定到底该提前多久开会、每个节点卡在什么位置。你们做旺季库存计划时，是怎么倒推时间的？
我一般以旺季大促当天为 D0 往前倒推四段时间：工厂生产 25-35 天，头程海运 35-45 天（美西快船 25-30 天，美东再加 7-10 天），目的国清关加预约入仓 7-14 天，上架可售再留 3-5 天。
所以 D-90 必须开第一次备货评审，D-60 第一柜必须发出，D-45 用预售和加购数据修正第二版预测，D-30 之后才允许用快船补单，D-15 之后只做空运或海外仓调拨，不再指望新柜赶上活动。
判断依据是别拿货代的平均时效当计划参数，要用他们过去 6 个月同一航线的 P75 时效，再额外加 5-7 天缓冲；如果对方只能给平均值、给不出分位数，就按平均值加 10 天算。代价是资金多占用 2-3 周，但旺季断货的损失远大于多压三周的资金成本，这笔账我算过好几次，结论都一样。
我每次备货都是拍脑袋定个数字，去年保守了断货，前年激进了压了一堆库存到次年。老板让我给个能复用、能解释给别人听的方法。备货量到底该按什么公式算，安全库存那部分又怎么定？
主公式是：旺季备货量 = 预测销量 + 安全库存 − 期末可售库存 − 在途（在途要按预计到仓日折算成可售时间，不能直接当在库算）。
预测销量别只给一个数，给三档：基准 = 去年同期销量 ×(1 + 类目流量增幅)×(1 + 今年活动力度变化)，保守取基准的 0.8，激进取 1.3，最终按下单时现金能承受的档位走，而不是按最乐观那档走。
安全库存用统计口径算：安全库存 = Z × 日销量标准差 × √补货周期，95% 服务水平对应 Z=1.65，90% 对应 1.28。举个例子，某 SKU 旺季日均 80 单、日销量标准差 20、补货周期 50 天，安全库存 = 1.65 × 20 × √50 ≈ 233 件。
要区分清楚，安全库存只兜需求波动，备货周期本身造成的缺口是另一回事，两个别混在一起算，否则会重复备货。
我们团队旺季最大的问题不是不会算，而是算完了没人同步：运营改了活动时间不说，物流到了仓才发现在途对不上。我想知道别人是怎么把这几拨人拉到同一套节奏里的，有没有可复用的机制和工具。
我落地的方式是「一表三视图 + 每周 15 分钟站会」。同一张库存计划表里，运营填活动排期和折扣力度（需求视图），采购和物流填生产批次、起运日、预计到仓日（供给视图），财务填可用现金和账期（资金视图）。每周只盯三个数：加权可售天数、断货风险 SKU 数、超期库存金额。
加权可售天数的口径是（在库 + 在途 × 到仓时间权重）÷ 近 14 天加权日均销量。判定线：小于 30 天标红必须处理，30-60 天标黄持续盯，大于 90 天且未来 30 天没有促销计划的标橙，直接进清库流程。
协同上，把每个备货批次做成一张任务卡挂进某项目管理平台的时间线，以预计到仓日为锚点，运营的活动排期反向依赖这个日期，日期一变所有人自动看到。规则只有一条：谁改了预计到仓日，必须在系统里改，只发群消息不算数。
这两年旺季我都踩过坑，一次是头程突然延误叠加，一次是爆款断货被迫临时空运，算下来利润全没了。想提前把风险缓冲设计进去，而不是出事后再救火。你们一般会给哪些指标设触发线？
翻车基本集中在三处：头程延误叠加导致错过窗口、爆款断货后被迫空运吃掉全部利润、卖不动变成滞销加退货。我的做法是给每个 SKU 定两条线：最晚决策日和止损价。最晚决策日的含义是这天之后再补货也赶不上活动，到了这天必须在空运、跨仓调拨、改价三个动作里选一个，不允许拖。
空运触发线我一般设成「可售天数小于 21 天且近 7 天日销环比增长超过 30%」同时成立，另外提前预留 10%-15% 的机动预算专门用于空运和海外仓调拨，这笔钱旺季前就批下来，不要等到时候再走申请。同时提前和工厂谈好可追加产能窗口和加急单价，写进合同附件，别指望临时插单。
核心判断是：旺季利润不是被折扣吃掉的，是被延误和应急物流吃掉的，所以缓冲预算要花在时效上，而不是花在压采购价上。
读者评论
我们做亚马逊家居类，前年也是三个运营各自看可售库存补货，结果同一款到了三批。后来统一了库存口径表才好转。但文里说每14天复查一次，旺季大促前我觉得不够，有时一周销量就翻倍。想问下小团队没有系统，靠Excel怎么设自动触发？还是只能靠人盯？
提前期稳定比预测准更重要这点我有保留。我们是小卖家，货代和工厂的提前期波动基本不受我们控制，为了覆盖波动只能多备安全库存，资金占用立刻上来。退货二次销售也是，服装退货重新质检、熨烫、换标都是成本，纳入库存池不一定真省钱，得看退货可售率和处理费。
库存计划和广告计划共用时间轴，说得很对，但执行太难。我们广告团队背ACOS，库存团队背周转，旺季经常一个想冲一个想刹车。平台仓容量限制确实是硬约束，可转到第三方海外仓成本增加8%到15%，低毛利SKU根本扛不住。不知道有没有人试过按毛利分层决定哪些SKU进海外仓？