去年八月，一个做家居收纳的卖家把库存表发给我。表格里 61 个 SKU，其中一个爆款收纳箱显示”仅剩 18 件”，而同系列的另一款收纳盒在洛杉矶仓堆了 4200 件，库龄 214 天。最反常识的地方是：他当时的整体库存金额并不高，甚至低于自己设的安全线。断货和滞销这两种看起来互相矛盾的状态，在同一个月里同时发生在他的店铺里。
这件事让我彻底放弃了”库存管理就是备够货”的想法。真实的库存问题从来不是总量问题，而是结构问题、时间问题和退出问题。接下来我会把我自己踩过的坑、在三个卖家团队里验证过的规则、以及用工具跑出来的数据变化，一条一条拆开讲。如果你正在被断货、滞销、现金流三件事同时夹击，这篇内容可以直接当清单用。
我习惯把结论摆在最前面，因为新手最容易犯的错误，是花三个月去优化预测模型，却连”哪些 SKU 该退出”都没搞清楚。下面四个结论，构成了后面所有内容的主干。
绝大多数新手看库存只看两个数字：总库存金额和总库存数量。这两个都是总量指标，天然会掩盖结构问题。一个店铺完全可能做到总库存金额低于安全线，但其中 40% 的资金压在库龄超过 180 天的滞销品上，同时卖得最好的三个 SKU 连续缺货。
我统计过自己经手的 187 个 SKU 样本（2023 年 6 月到 2024 年 6 月，来自三个不同类目的卖家店铺）。出现”断货与滞销并存”的店铺，平均有 31% 的库存资金分布在年周转次数低于 1.5 次的 SKU 上，而 TOP 10% 的畅销 SKU 平均缺货天数达到 9.4 天/季度。总量健康、结构腐烂，是这一类店铺最典型的画像。
很多新手一上来就问”怎么把销量预测做准”。我的判断是：对年销售额在 500 万以内的卖家，预测准确率从 60% 提到 70%，带来的库存收益，通常小于把补货规则固定下来带来的收益。
原因很简单。预测再准，如果你的补货动作依赖某个人每周看一次表格，那么漏补、迟补、重复补的概率就不会下降。规则化补货解决的是”必然发生的执行偏差”，而预测优化解决的是”本就不确定的需求波动”。先修确定性，再修不确定性，这是我认为性价比最高的一条顺序。
新手最不愿意面对的一件事，是承认某个 SKU 已经卖不动了。他们宁可继续补货摊薄采购成本，也不愿意按下退出按钮。结果是库龄越滚越长，仓储成本越滚越高，最后被迫打折清货时，损失比早点退出大得多。
我的做法是反过来的：在第一次补货之前，就先写清楚这个 SKU 的退出条件。比如”上架 90 天后日均销量低于 0.5 件，或库龄超过 150 天仍无自然订单，进入清货流程”。规则提前定好，执行时就没有情绪拉扯。
我给自己团队定的库存仪表盘只有四个核心指标：库存周转天数、库龄结构占比（分 0-90 / 91-180 / 181-270 / 271+ 天四档）、缺货损失天数（畅销款缺货天数加总）、库存资金占用率（库存成本占季度销售额的比重）。
这四个指标的好处是，它们互相牵制。只盯周转天数，会逼你把安全库存压到极限，缺货天数立刻上升；只盯缺货，会逼你把库存堆高，资金占用率马上恶化。四个一起看，才能逼出真正合理的区间。
上面四条结论如果没有具体场景支撑，会显得很空。我用一个我实际带过的卖家案例，把整个过程还原一遍。这个卖家同时做亚马逊美国站和 TikTok Shop，品类是家居收纳，客单价 19 到 45 美元。
2023 年 9 月我第一次看他的数据时，店铺有 61 个在售 SKU，月销售额约 28 万人民币，平均库存成本 96 万，整体库存周转天数约 103 天。这个数字在很多新手眼里不算差，因为行业里做家居的卖家周转天数普遍在 90 到 130 天之间。
但拆开看就有问题。61 个 SKU 里，有 9 个 SKU 的库龄超过 180 天，合计占用资金 27 万，占全部库存成本的 28%。同时有 7 个 SKU 在过去 45 天里断货超过 10 天，而这 7 个 SKU 贡献了全店 34% 的销售额。也就是说，他把最赚钱的货卖断，把最不赚钱的货堆在仓库里。
他的补货逻辑非常典型：打开后台，看过去 30 天每个 SKU 的销量，除以 30 得到日均销量，再乘以 60 天，减去现有库存，就是补货量。这个算法看起来没错，但它有两个致命缺陷。
第一，它把促销期和自然期的销量混在一起算。他的店铺在 7 月做过一次秒杀，某个 SKU 当月卖了 480 件，自然月销量其实只有 130 件。用 480/30=16 件/天去补货，补回来的货按自然销速要卖 100 多天。一次促销的余波，被他用 60 天的补货周期放大了两倍。
第二，它没有区分前置期差异。同一个店铺里，有的 SKU 走海运，头程 38 天，有的走空运补急单，头程 7 天。用同一个 60 天周期去套所有 SKU，等于给慢周转的 SKU 又多压了一个月的资金。
我们做的第一件事不是改补货公式，而是分层。分层的依据只有两个：过去 60 天日均销量，和当前库存资金占用。用这两个维度把所有 SKU 放进四个格子。
| 层级 | 判定条件 | 库存策略 | 补货周期 |
|---|---|---|---|
| A 层核心款 | 日均销量 ≥ 3 件，且贡献销售额前 20% | 保不断货，允许用空运补急单 | 每 14 天复盘一次 |
| B 层稳定款 | 日均销量 1-3 件，库龄 < 90 天 | 按规则补货，控制批量 | 每 30 天复盘一次 |
| C 层观察款 | 日均销量 0.3-1 件，或上架不足 60 天 | 小批量试销，不压货 | 每 30 天评估去留 |
| D 层退出款 | 日均销量 < 0.3 件，或库龄 > 150 天 | 停止补货，进入清货流程 | 每周跟踪清货进度 |
分层之后最直观的变化是：A 层一共只有 8 个 SKU，却贡献了 52% 的销售额，过去却是最常断货的一批。D 层有 14 个 SKU，贡献销售额不到 4%，却占用了 31% 的库存资金。分层不是为了做漂亮图表，而是为了让资源分配有一个不需要争论的依据。
到第 12 周，库存总金额从 96 万降到 79.4 万，降幅 17.3%；断货 SKU 数从 7 个降到 2 个；日均销售额从 9200 元涨到 11900 元，涨幅 29%。同期他和平台的仓储账单里，181 天以上库龄产生的附加费用从每月约 4200 元降到 900 元以下。
需要注意，这个结果不是因为某个工具或者某个公式有多神奇，而是因为他终于有了一个可以重复执行的判断流程。流程才是资产，工具只是让流程跑得更稳的载体。
在带过足够多的卖家之后，我发现在库存这件事上，大家踩的坑高度集中。下面六个误区，我几乎在每个新手店铺里都能看到至少三个。
很多新手会给自己算一个预测准确率，然后为它只有 60% 而焦虑。我的判断是：在单品月销低于 300 件的阶段，需求本身就带有很高的随机性，追求高预测准确率是在跟噪音较劲。
更有价值的指标是”缺货损失天数”和”库存资金占用率”。这两个指标不要求你预测得多准，只要求你对偏差反应得快。预测不准不可怕，反应慢才可怕。
这是我在案例里提到的那个问题，也是最普遍的一个。月均值会被促销、断货、旺季三个因素污染。如果这个月有 15 天处于断货状态，那么算出来的日均销量是被低估的；如果有大促，则是被高估的。
我的做法是至少拆成三个口径看：近 7 天日均、近 28 天日均、剔除促销日的自然日均。当三个口径差异超过 40% 时，说明这个 SKU 的销量信号不稳定，补货应该更保守。
“安全库存备 30 天”这句话听起来很专业，但它忽略了前置期波动和销量波动这两个关键变量。同一个 30 天安全库存，放在一个前置期稳定在 35 天的海运 SKU 上可能刚好，放在一个前置期在 20 到 55 天之间反复跳动的 SKU 上就会频繁断货。
更合理的做法是把安全库存当成一个可以计算的数字，而不是一个拍脑袋的天数。它的核心变量是：销量标准差、前置期天数、以及你愿意承受的缺货概率。
库龄是库存里最贵的一个维度。以亚马逊美国站为例，平台在 2024 年调整了仓储费用结构，把过去的长期仓储费改为按库龄分档的库龄附加费，181 天以上的库存开始产生额外成本，且随库龄增长逐档递增。
我核过自己店铺 2024 年第一季度的账单，一个库龄 240 天的 SKU，其单件仓储附加成本已经接近该商品单件毛利的 18%。库龄超过 180 天的库存，本质上已经不是在赚钱，而是在慢慢把利润还回去。
做亚马逊的人再去做 TikTok Shop 或者独立站，最容易出现的问题是：两边各备一批货，互不知道对方的存在。结果是一个平台卖断货，另一个平台的同款还在慢慢走。
更麻烦的是超卖风险。当两个平台共享同一批在途库存，而你没有统一的可用库存视图时，很容易出现两边同时出单、实际库存不够的情况。我见过一个卖家因为这个问题，一个月里被平台判定两次缺货违规，店铺权重直接掉了两个月。
打折是最直接、也是损失最大的清货方式。它同时伤害三件事：毛利、历史价格体系、以及同系列正价商品的销量。
我一般会按顺序尝试四种路径：先做站内关联流量（捆绑销售、变体合并），再做站外折扣渠道，然后考虑批量转让给小 B 买家，最后才是站内深度打折。清货的目标不是把货卖掉，而是把损失控制在最小。
把误区讲完之后，需要给一套正面的判断框架。我自己用的是四层模型，从下往上是信号层、节奏层、资金层、退出层。这四层解决的是四个不同的问题，缺少任何一层，库存计划都会塌。
信号层的任务是回答”这个 SKU 到底卖不卖得动”。我给团队定的规则是：一个 SKU 的销量信号，必须同时满足三个条件才算可信，有至少 28 天的连续在售数据、断货天数占比低于 15%、且不包含大促日。
如果三个条件有一条不满足，这个 SKU 的补货决策就必须保守处理，宁可按最低销速估算。我宁愿因为保守少赚一点，也不愿意因为激进多压一批货。因为少赚的机会成本是隐性的，多压的库存成本是显性的、按月扣钱的。
节奏层要解决的是”什么时候补、补多少、用什么方式运”。这一层最容易被新手简化成”一个固定周期加一个固定批量”，但真实情况是：不同层的 SKU 应该有不同的节奏。
A 层核心款，我会准备两条补货通道：海运备主量，空运应对突发缺货。B 层稳定款只走海运，但批量和周期要锁死。C 层观察款只做小批量空运或海外仓小批入仓，避免沉没成本。D 层直接停补。
补货点的计算，我建议至少做到公式化，而不是凭感觉。
补货点 = 日均销量 × (采购周期 + 头程运输天数 + 上架入库天数) + 安全库存
安全库存 = z × 销量标准差 × √(前置期天数)
z = 1.65 对应约 95% 不缺货概率
z = 1.28 对应约 90% 不缺货概率
建议补货量 = 目标覆盖天数 × 日均销量 + 安全库存 − 在手库存 − 在途库存
若结果 ≤ 0，则不补货，进入下一次评估
这段公式本身不复杂，关键在参数。我的经验是：新手阶段 z 值取 1.28 就够，不必追求 95% 的不缺货率。因为对新手而言，资金压力比缺货风险更致命。
资金层是很多卖家完全没有概念的。他们能说出库存有多少件，但说不出这批货占用了多少现金、多少天之后能变成回款。库存的钱不是消失的钱，它只是被锁住了，而锁住的成本需要被感知到。
我的算法是：把一个 SKU 的库存成本、头程运费、平台仓储费、预计清货折价全部加起来，再除以它的日均销售额。得到的结果就是”这个 SKU 的现金回收周期”。超过 120 天的 SKU，我会要求所有人在补货前专门讨论一次。
退出层的价值在于”提前预判而不是事后救火”。我的滞销判定线设了两条：一条是销量线，上架 90 天后日均销量低于 0.3 件；另一条是时间线，库龄超过 150 天且近 30 天无自然订单。触发任意一条，进入退出流程。
清货路径我在上一节讲过，按捆绑、站外、批发、折扣的顺序走。这里要补一点：退出不是失败，退出是把资金从低效位置挪到高效位置的一次再分配。我自己的店铺里，每季度主动砍掉 5% 到 8% 的 SKU，是很正常的事情。
前面所有规则都有一个前提：你得有数据，而且是能快速拿到的、跨平台统一的数据。我在这部分会讲一个我实际用过的方案，也就是”数跨境”（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys），用它作为数据底座，把上面那套流程真正跑起来。
在接入工具之前，那个卖家的数据是散在四个地方的：亚马逊后台、TikTok Shop 后台、货代的在途表、以及一个自己维护的 Excel。每次要做补货决策，他需要花 3 到 4 小时把数据拼在一起。
问题不在于耗时，而在于拼接过程本身会引入错误。货代的在途表更新滞后两天、Excel 里的库存数没减掉昨天的订单、两个平台的在售状态没同步，任何一个环节出错，补货决策就是错的。当数据准备成本高到一定程度时，人就会本能地跳过它，回到凭感觉补货。
我们做的第一件事，是把”可用库存”重新定义为一个明确的口径，而不是各平台各说各话。
我的定义是：可用库存 = 海外仓在库 + 平台仓可售 − 已出单未发货 − 平台预留（促销/秒杀锁定）。在途库存单独列一栏，不计入可用库存，但在补货建议计算时参与抵扣。
这套口径在数跨境里可以比较自然地对上：它能汇总多个平台的库存与在途数据，把原本分散在四张表里的信息收敛到同一个视图。这一步的收益不是”看得更爽”，而是让补货决策有了唯一的数据来源，减少了沟通成本。
库龄这块是我认为对新手价值最大的一块。人工维护库龄几乎不可能准确，因为你每次入仓的批次成本和时间都不同，还要按先进先出扣减。这在 Excel 里做会非常痛苦。
我们的做法是让系统按批次跟踪库龄，并按 0-90 天、91-180 天、181-270 天、271 天以上四档输出结构占比。同时给每个 SKU 加一条预警线：库龄超过 120 天且近 30 天销量下滑超过 50% 的，直接进预警池。
接入后的第一个月，系统提示了 6 个我之前没注意到的 SKU，它们的库龄都在 160 天以上，合计占用资金约 8.7 万。如果没有批次级的库龄跟踪，这 8.7 万大概率会一直躺在仓库里，直到产生大额附加费。
补货建议这块，我没有直接用系统的一键补货，而是把它当成一个”参考基线”。原因是系统基于历史数据的建议通常偏保守，不会考虑即将到来的大促和季节性。
我的用法是：先看系统给出的建议补货量和建议补货时间，再对照自己 A/B/C/D 的分层规则手动调整。如果差异超过 30%，我会去查原因，通常是某个近期的促销数据污染了销量信号。
资金占用测算这块，我会定期看两个数：全部库存的资金占用总额，以及库龄超过 150 天的库存资金占比。后者的健康线我定在 15% 以内，超过 20% 就立刻启动清货。
这个卖家在接入后跑了 12 周。下面是我记录下来的几个关键变化。
| 指标 | 接入前（12 周均值） | 接入后（12 周均值） | 变化 |
|---|---|---|---|
| 库存周转天数 | 103 天 | 76 天 | -26.2% |
| 181 天以上库龄资金占比 | 28.1% | 11.4% | -16.7 个百分点 |
| 畅销款缺货天数/季度 | 9.4 天 | 3.1 天 | -67.0% |
| 补货决策数据准备耗时 | 3.5 小时/次 | 0.6 小时/次 | -82.9% |
| 月度仓储附加费 | 4200 元 | 880 元 | -79.0% |
| 日均销售额 | 9300 元 | 11900 元 | +28.0% |
需要诚实说明的是，这些变化不是单一因素造成的。同期他还调整了广告结构、换了货代、并砍掉了 14 个 SKU。但如果让我给这些动作分配权重，我会把大约 45% 归因于库存规则化，30% 归因于 SKU 退出，剩下 25% 分散在其他运营动作上。工具解决的是”让规则可持续执行”，不是替代规则本身。
库存计划最忌讳照搬别人的方案。同样一套补货规则，放在月销 10 万和月销 300 万的店铺里，结论完全相反。我按阶段给三套不同的建议。
这个阶段最核心的任务不是优化，而是避免一次性压太多货。我给新手的建议很直接：单品首批备货量不要超过预估 45 天销量的 1.2 倍，且总额不要超过你三个月可承受的亏损。
这个阶段的动作清单：
这个阶段我强烈建议不要买复杂的库存系统。用一张结构清晰的表格就够，你要练的是判断力，不是工具操作。
到 6 个月之后，SKU 数量通常已经到 40 到 80 个，人肉管理开始失效。这个阶段的关键动作是分层和退出。
这个阶段真正的难点不是技术，而是接受”砍掉一部分 SKU”这件事。很多卖家在这个环节卡了很久，因为他们把每个 SKU 都当成自己的孩子。
到这个阶段，库存管理的目标从”不断货”转向”资金效率最优”。核心指标从缺货天数变成资金周转次数和单位资金产出。
我在这个阶段最常做的一件事，是把 A 层 SKU 的前置期从 45 天压到 30 天。前置期每压短一周，安全库存就可以少备一周，资金占用直接下降。
库存管理没有完美解，只有取舍。新手最痛苦的地方，是他们以为存在一个”既不断货又不压货”的方案。我把最常见的四组取舍列出来，以及我的判断标准。
这是一个伪二选一，但新手必须选一边。我的判断标准是看毛利结构：如果 SKU 毛利率高于 40%，我倾向于接受一定的滞销风险来保不断货，因为断货损失的是高毛利销售机会。如果毛利率低于 20%，我会偏向保守，宁可短期缺货也不要压货。
另一个判断维度是竞品密度。如果一个关键词下前 20 名有 15 个都是同质化产品，断货一次可能就再也拿不回排名，这时保供的优先级更高。
空运和海运的选择不能凭感觉，要算一笔账。我的经验公式是：如果断货一天的损失超过空运与海运的运费差额，就该走空运。
举个具体数字。一个 SKU 日均销量 20 件，单件毛利 35 元，海运和空运的单件运费差 12 元，空运能提前 25 天到货。那么空运多花的运费是 12 × 20 × 25 = 6000 元，而提前 25 天到货带来的毛利是 35 × 20 × 25 = 17500 元。这笔账算下来，走空运是划算的。
但要注意，这个算法只在”确实会断货”的前提下成立。如果海运到货时你还有 30 天库存，那空运就是纯粹的浪费。所以空运决策必须建立在准确的可用库存数据之上，不能凭印象。
大批量的好处是采购单价低、头程单位成本低；坏处是资金占用长、滞销风险高。小批量多批次反过来。我的判断标准是看两个数：这个 SKU 的销量波动系数，以及采购价的数量阶梯差异。
如果销量波动系数低于 0.3（相对稳定），且数量阶梯带来的单价降幅超过 8%，我会倾向大批量。如果波动系数高于 0.5，无论单价降多少，我都会选小批量多批次。波动大的商品压大批量，本质上是在赌，而赌错一次的损失远大于省下来的采购成本。
这个问题我的答案分阶段。SKU 少于 30 个、只做一个平台时，高质量的表格完全够用，而且更灵活。但只要满足以下任意两条，就该考虑用工具：SKU 超过 40 个、同时运营两个以上平台、有海外仓或在途库存、需要按批次跟踪库龄。
我的判断依据是数据准备成本占总决策时间的比例。如果每次做补货决策，你有超过一半的时间花在”找数、对数、拼数”上，那工具的投资回报就已经成立。案例里那个卖家，这个比例一度达到 78%，接入后降到 22% 左右。
前面讲的都是判断框架，最后给一份可以直接照着做的 90 天清单。我把它分成三段，每一段都有明确的产出物，做完你能拿出来给别人看。
这 15 天不要做任何补货决策的改动，只是建立基线。没有基线，后面所有改善都无法被验证。
这一阶段最容易出现的问题是”规则写完了但没人执行”。我的解决办法是把补货决策固定成一个 14 天一次的会议，会上只看数据、只看规则触发情况，不做主观讨论。
到第 90 天，你应该能回答三个问题：我的库存里有多少钱是压在超过 180 天的货上？我卖得最好的五个 SKU 上季度缺了几天货？我每次做补货决策要花多少时间准备数据？这三个问题答不上来，说明流程还没真正跑通。
写到这里，我想回到开头那个卖家的故事。他真正的转折点不是拿到了某份数据报表，而是在某一天，他能用自己的话把库存规则讲给一个刚入职的运营听，并且对方能照着执行。从那一刻起，库存计划才真正属于他的团队，而不是属于他一个人。
我对库存这件事最核心的独特判断是：库存管理的上限由规则决定，下限由数据决定。没有规则，数据再好看也只是报表；没有数据，规则再好也只是愿望。新手往往在两个极端之间摇摆，要么沉迷工具，要么拒绝工具，而真正有效的做法是先用规则定义清楚你要什么数据，再去找工具承接。
如果你现在只能做一件事，我建议是：打开你的后台，把所有 SKU 按库龄排个序，看看 181 天以上的那批货一共占了你多少钱。这个数字通常会比你想象的大。然后从这批货里挑出最不可能卖动的五个，按今天这篇文章里的退出流程走一遍。
整个过程不需要任何新工具，也不需要等下一个季度。做完之后你会发现，库存优化最难的部分从来不是算公式，而是做决定。
我第一次备货的时候完全靠感觉，看到别人日出几十单，就一口气按三个月销量下了单，结果海运到仓已经过了产品热度，货在仓库躺了大半年。后来我才发现，新手最容易犯的错不是备太少，而是把补货周期当成一周来算。
先把补货周期拆开算全：生产备货7到15天，头程海运到美西约25到35天（旺季港口拥堵能拖到45天），到仓上架3到7天，加起来按45到60天算才安全。安全库存的实用公式是日均销量乘以补货周期天数，再乘一个1.2到1.5的波动系数，新品因为销量不稳建议直接取1.5。
首批备货量我的建议是不超过预估30天销量，宁可第二批补。判断依据看两个数：一是库销比，健康区间大概在1.5到2.5之间，超过3就是压钱；二是现金流，如果一批货的钱超过你三个月的可支配现金，无论多看好都减半下单。另外把补货提醒做成固定任务，比如放在某项目管理工具里按SKU设节点，到点就触发，别靠记性。
我最怕的就是那种不温不火的链接，一天两三单，广告费刚好把利润吃光，砍了舍不得补了又亏钱，拖着拖着仓储费就上来了。后来我给自己定了一套硬指标，才不至于每次都纠结半个月。
用30天做第一道闸门，90天做最终判决，中间不要凭感觉反复改主意。看四个指标：毛利率，扣掉头程、平台佣金、仓储和广告之后低于20%的直接进观察名单；广告ACOS，如果连续两周高于毛利率，说明自然流量没接住，加预算只会更亏；
退货率，超过8%要拆原因，是尺码描述不准还是物流破损，描述问题能改就先改，产品质量问题直接砍；库龄，超过60天还没跑出稳定日销的，停止补货。判断的核心不是销量高低，而是这个SKU能不能自己养活自己的广告。要砍就一次性砍干净，别留半批尾货占仓位；要补就按新的安全库存重算，不要沿用上一批的数字。
我现在同时跑着两个平台加一个独立站，最崩溃的一次是大促当天主推款在A平台卖爆了，B平台还在正常出单，结果两边都发不出货，一个吃了绩效警告一个被迫退款。库存分散之后，最大问题不是没货，而是不知道到底还有多少货能动。
把所有库存口径统一成三个数字：在库可售、已锁定未发货、在途。真正能拿来分配的是在库可售减去已锁定，千万别用后台那个总库存数去做决策。给每个平台设一个安全水位，比如主推平台保底留30%的可用量，次要平台按近14天日均销量乘以14天来配，剩下的才给大促预留。
补货动作要绑在数据上而不是绑在平台后台，我习惯用一个统一看板把各仓各平台的库存和补货节点放在一起，像某项目管理工具那种能按SKU建任务、设触发条件的就够用，重点是要有一个人对总库存负责，而不是每个平台各自补各自的。
每周做一次三方对账：在途加在库加待上架，和账面数字对不上就当天查，账实差异拖过一周基本就查不清了。
我最难受的一次是压了两千多件夏季款，一直想着再等等说不定还能原价卖，等到9月仓储附加费翻倍，最后不但降价还倒贴了长期仓储费。后来我算明白一件事，积压货的真正成本不是进货价，而是它占的仓位和现金。
用库龄分三档下手：60到90天开始做小幅促销试水，比如打8折加优惠券，同时停掉这个SKU的广告，别用广告费去救滞销；90到180天进入主动清货，直接按成本价的7到8折出，目标是把钱拿回来而不是保住毛利；
超过180天就按能收多少收多少，很多平台从181天起长期仓储费会大幅跳档，这时候每多放一个月，亏的都是纯现金。止损线可以这样定：把进货价加头程加已产生的仓储费算成总投入，只要清货回收价能覆盖总投入的50%到60%，就立刻清，不要再等。
唯一例外是有明确季节回归窗口的品，比如圣诞装饰，可以留到下一季，但前提是你能承受它再占半年仓位，并且确认供应商不会改款。清完立刻复盘这批货卡在哪个环节，是选品判断错还是补货节奏错，把结论写进下一次的备货清单，不然同样的坑还会再踩一遍。
读者评论
分层那部分我最有共鸣，但实际操作里 A 层判定条件会打架。我们店有个 SKU 日均稳定在 2.6 件，按规则进 B 层，可它一旦断货就带走同系列两个变体的销量，实际影响比某些 A 层款还大。纯靠日均销量和资金占用两个维度分层，容易漏掉这种'带客'款，后来我加了一列关联销量才勉强补上。不知道作者在三个团队里有没有遇到类似情况。
把预测优化排在最后我不完全同意。规则化补货确实是第一步，但它解决的是执行偏差，需求本身的波动还是得靠数据。我们的做法是先不做复杂模型，只把促销日和自然日拆开、把断货期的销量剔除再算日销，光这一步就把补货准确度提了不少，成本几乎为零。所以我觉得不是预测没用，而是新手把预测做太重了，轻量清洗比优化模型更值。