去年黑五前两周，一个做家居品类的朋友在微信上问我：“海运时效从 35 天涨到 62 天，我的安全库存是不是该直接翻一倍？”我没有立刻回答，而是先问他三个问题：你的日均销量是按近 7 天算还是近 30 天算？在途和在制的货有没有算进可用库存？断货一次，你的 BSR 恢复成本大概是多少？他沉默了很久，说这三个问题他一个都答不上来。这不是他一个人的问题，我做跨境运营和供应链顾问这几年，见过太多团队把“库存计划”理解成“看一眼库存表”，然后在工具对比的环节里反复纠结看板好不好看，却从来没有把库存计划当成一套需要被工具承载的决策系统。
如果你只记一句话，我希望是这句：跨境电商的库存计划，本质是把“需求不确定性 + 履约不确定性 + 资金约束”三者换算成一个可执行、可追溯、可复盘的补货动作，而工具的作用是让这个过程从“人脑估算”变成“系统推演”。这也是我在做工具对比时最先看的一条线，这个工具到底能不能把我的不确定性显性化，而不是只给我一堆漂亮的库存数字。
第一，库存计划的上限由数据接入完整度决定，而不是由算法复杂度决定。一个接不到在途数据、接不到头程物流节点、接不到广告花费的计划系统，算法再先进也只能算出错误的答案。我在实际项目里做过统计，同样一套补货规则，把在途和在制数据接进来之后，预测偏差率平均能下降 30% 以上，这个提升幅度远大于换一套更花哨的算法。
第二，库存计划的失败大多数不是“算错了”，而是“算出来了但没执行”。补货建议生成之后，谁审批、按什么条件调整、调整记录有没有留痕、下次怎么复盘，这些流程性的东西，恰恰是通用表格和通用项目管理工具最不擅长的部分，也是跨境专用工具真正的分水岭。
第三，库存计划的收益不体现在“库存变少了”，而体现在“断货天数变少了、资金占用峰值变低了”。很多团队用“库存周转天数下降”当唯一 KPI，结果把安全库存压到极限，一次海运延误就断货，断货带来的排名损失和广告重启成本，往往比多备那两周货贵得多。
顺序反了会浪费很多钱。绝大多数团队的路径是：先拍脑袋定一套补货规则，用 Excel 跑起来，跑不动了再去买工具，买工具的时候又不知道自己需要什么，于是被销售话术牵着走，最后买回来一个数据看板，规则还是原来那套拍脑袋规则。
正确的顺序是：先想清楚你的计划链路有几段、每一段需要什么数据、谁来做决策、决策结果怎么回写，然后拿着这份需求清单去对比工具。工具对比的输出不是“选哪个”，而是“我的计划链路能不能被完整承载”。
这四条主线里，需求、供给、资金三条是数据问题，组织一条是流程问题。任何一次工具对比，如果只评了前三条，那这家工具大概率只能当报表用。
为了让后面的判断逻辑有落脚点，我先讲三个我自己经手或深度参与过的案例。它们分别对应数据缺失、模型误用、组织断层三种典型失败模式，而且都非常“跨境”。
这是 2022 年的事。一个做户外储能的团队，主力产品走美西海运，2021 年全年平均时效 35 天，波动区间大概 28 到 45 天。他们的安全库存设定是基于这个波动算出来的，逻辑本身没错。问题出在 2022 年二季度之后，港口拥堵加上船期跳港，时效变成 48 到 78 天，均值 62 天，但他们的安全库存参数是 Excel 里写死的固定天数，没人去更新。
结果就是连续三个月断货，累计断货 27 天。更麻烦的是断货发生在 BSR 爬升期，排名从类目 40 名掉到 300 名开外，后面花了差不多两个月、多投了相当比例的广告预算才拉回来。
这个案例的教训不是“要盯时效”，而是“时效本身是一个分布，不是一个数字”。如果工具只提供“平均头程天数”这一个字段，你永远做不出动态安全库存。
2023 年 Prime Day，一个做宠物用品的团队备货逻辑是“去年同期销量 × 1.4”。这个系数本身有历史依据，问题在于他们去年 Prime Day 的广告投入是今年的三分之一，而今年他们把站内广告预算提了将近三倍，同时还上了站外引流。也就是说，需求侧被人为抬高了，但备货模型里没有“广告投入”这个变量。
结果是主力 SKU 在 Prime Day 第二天就断货，而同期备的一个新款因为转化不及预期，压了将近半年的库存。一次大促同时出现断货和滞销，这不是偶然，这是“需求预测没有把可控变量纳入模型”的必然结果。
这个最典型。一个卖家在北美开了两个账号，同一个 SKU 在两个账号之间没有统一库存视图，补货是各自提的。结果 A 账号断货两周，B 账号同款库龄超过 200 天，还在计提长期仓储费。
从 SKU 维度看，整体库存是健康的；从账号维度看，两个账号都是亚健康。这种“结构性错配”，只有当你把库存视图拉到 SKU × 站点 × 仓库 × 账号这一层，并且工具支持跨维度聚合的时候，才看得见。
我在做工具对比和方案评审的时候，几乎每次都会遇到下面这七个说法。它们听起来都很有道理，但每一条都会让计划系统的实际效果打折。
库存报表回答的是“我现在有什么”，库存计划回答的是“我什么时候该补多少”。这两件事中间隔着一层“决策规则”。我见过不少团队买工具的第一诉求是“能看库存”，结果工具上线半年，补货还是靠 Excel 加微信群，因为工具里根本没有补货建议这一层。
判断标准很简单：这个工具能不能在给定参数下，自动输出“这个 SKU 在哪一天之前要下多少量”的建议？如果不能，它就是报表工具，不是计划工具。
库销比（库存 ÷ 月均销量）确实好用，但它有两个致命缺陷：第一，它不区分在途和在库；第二，它对季节性品类完全失真。一个做圣诞装饰的卖家，10 月的库销比 6 是正常的，1 月的库销比 6 就是灾难。用同一个阈值管所有品类，等于没有管。
“我们安全库存统一按 30 天。”这句话我听得太多了。安全库存的数学定义是与需求波动、提前期波动、目标服务水平三者相关的函数，不是一个人拍出来的天数。同一家公司里，海运长周期 SKU 和空运短周期 SKU 的安全库存天数差三倍都是合理的。
这是最容易被低估的一条。很多团队算可用库存时只算“可售库存”，把在途完全排除，导致重复下单；另一批团队把在途全部算进去，导致明明还没上架的货被当成可售。正确的做法是按节点拆分：已下单未生产、生产中、已出货未到港、已到港未清关、已清关未上架、已上架可售，每一段都要有独立的可用时间。
UI 当然重要，但库存计划工具的评估重心不在这里。我自己的评估清单里，UI 只占很小一部分权重，剩下的全给数据接入、口径定义、算法可解释性、异常处理和协同流程。
补货决策天然是运营和采购的交叉点。运营知道广告节奏和新品计划，采购知道供应商产能和账期，任何一方单独决策都会偏。如果工具不支持运营提需求、采购确认、财务看资金占用的多人协同，那这个工具最后一定会被绕过。
如果你不知道一次断货值多少钱，你就无法判断该花多少钱去防止它。前面那张瀑布图的价值就在这里，只有把断货成本量化出来，库存计划的投入产出才谈得清楚。
下面这套五层模型，是我在做过多个跨境团队的工具选型和落地之后沉淀下来的。它的顺序不是重要性排序，而是依赖关系排序，前一层不成立，后一层就没有意义。
要接的数据源包括：平台销售数据（订单、退货、促销）、平台库存数据（可售、在途、预留、不可售）、物流数据（头程节点、清关状态）、采购数据（订单、账期、MOQ、装箱率）、财务数据（成本、汇率）。
我判断这一层的标准是：能不能在不写代码、不导出 Excel 的前提下，把这些数据按天自动同步进来，并且允许我按 SKU 维度做跨源关联。如果一家工具需要我每个月手动导一次表，那它的上限就已经被锁死了。
颗粒度至少要支持到 SKU × 站点 × 仓库。更细的还要支持 SKU × 账号 × 仓库，因为多账号运营在跨境里非常普遍。颗粒度不够，就只能看总量，而总量健康、结构错配正是最常见的问题形态。
这一层是我最看重、也最容易被忽略的。一个补货建议出来，我必须能回答：日均销量是怎么算的、用了多少天的窗口、季节性系数是怎么调的、安全库存用了什么服务水平、在途是怎么扣减的。如果工具只能给一个数字，不能给推导过程，那运营永远不会信任它，最后一定会回到 Excel。
补货建议生成之后的路径是：运营确认 → 采购核对产能与账期 → 财务确认资金 → 下单 → 回写采购单号。这条路径上的每一步如果需要跨系统跳转，效率就会断崖式下降。
模拟指的是“如果我把安全库存提高 5 天，资金占用会增加多少、缺货天数会减少多少”；回溯指的是“三个月前那个补货建议，如果当时采纳了，结果会怎样”。没有模拟，你无法做取舍；没有回溯，你无法建立对系统的信任。
把五层模型放到具体的工具形态里对比，会更直观。我一般会把候选方案分成三类：纯 Excel 方案、通用 BI 加人工规则、跨境专用库存计划工具。
| 评估维度 | 纯 Excel 方案 | 通用 BI + 人工规则 | 跨境专用库存计划工具 |
|---|---|---|---|
| 数据接入完整度 | 全手工导出，通常只能覆盖 2-3 个源 | 可接数据库和部分 API，需自行开发 | 平台、物流、采购多源预置接入 |
| 计划颗粒度 | SKU 级已接近上限 | 可到 SKU × 站点 | SKU × 站点 × 仓库 × 账号 |
| 算法可解释性 | 公式可见但难维护 | 可自定义，但改一次要动底层 | 参数可视化，可追溯推导链路 |
| 协同与审批 | 微信群 + 邮件 | 需另接流程工具 | 内置审批与留痕 |
| 模拟与回溯 | 几乎不可行 | 可做，但每次都要重跑模型 | 参数化情景模拟 |
| 维护成本 | 随 SKU 数线性上升 | 依赖专职数据人员 | 随规模上升较缓 |
2024 年上半年，我帮一个做家居收纳品类的团队做库存计划流程改造，他们当时的规模是年 GMV 大概 4200 万，亚马逊美国站为主，加一个独立站和一个沃尔玛店铺，SKU 数 380 个左右，主力仓库是 FBA 加一个美西第三方海外仓。改造过程中我们用了数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）作为主要的库存计划与数据分析工具。
下面我把五个阶段的实际动作和观察到的数据变化完整写出来。
他们原来的做法是：运营每周从后台导出订单和库存报表，采购用另一份 Excel 管采购单，物流时效靠货代在微信群报。三个数据源彼此不打通，所以“可用库存”这个概念在团队内部有至少三种口径。
接入阶段我们做的最重要的一件事，不是把数据拉进来，而是把每一个节点的语义定义清楚。我们定义了六个库存状态：已下单未生产、生产中、已出货在途、已到港待清关、已清关待上架、已上架可售。这六个状态在工具里必须是独立字段，而不是合并成一个“总库存”。
这一步做完之后，团队第一次能看到“同样的总库存数字，为什么月底会缺货”的答案，因为总库存里有一大块卡在待清关环节，实际可售天数比他们以为的少了将近两周。
我们统一了四个核心指标的口径：
口径统一之后，同一批数据算出来的“可售天数”和之前人工算的差了 9 天，这个差异本身就是价值，它说明之前的管理动作是建立在错误信号上的。
我在这个阶段坚持的一件事是：补货建议必须能展开看到计算过程。数跨境在这块的做法是把参数和推导链路放在同一个视图里，运营点开一个 SKU 的建议，能看到日均销量取值、安全库存天数、在途扣减、装箱率取整、MOQ 约束的每一步。
我们自己在前置规则里用了一段计算逻辑，作为对工具默认参数的校验，大致是这样一个结构：
# 跨境补货点与建议补货量计算（参数校验用示意代码） import math def safety_stock_days(z_score, sigma_daily, avg_daily, lead_time_days): 目标服务水平对应的 z 值，例如 95% 对应 1.65 if avg_daily <= 0: return 0 sigma_lt = sigma_daily * math.sqrt(lead_time_days) return (z_score * sigma_lt) / avg_daily * 1.0 def reorder_point(avg_daily, lead_time_days, safety_days): return avg_daily * (lead_time_days + safety_days) def suggest_qty(on_hand, in_transit, rp, target_cover_days, avg_daily, carton_qty, moq): gap = rp + target_cover_days * avg_daily - on_hand - in_transit if gap <= 0: return 0 qty = math.ceil(gap / carton_qty) * carton_qty return max(qty, moq)
这段代码本身不复杂，它的价值在于让团队理解一件事：装箱率取整和 MOQ 约束这两个“土规则”，对最终补货量的影响经常超过算法本身。一个 SKU 算出需要补 217 件，装箱率 24 件/箱，就得补 240 件；如果 MOQ 是 500 件，那实际补货量就是 500 件，资金占用直接翻倍。这些约束如果不进系统，计划永远算不准。
我们设了四条预警线：可售天数低于安全库存、库龄超过 120 天、动销率低于 60%、单 SKU 库存金额超过总额的 8%（集中度风险）。前三条是常规的，第四条是这个团队特有的，他们的资金体量有限，任何一个 SKU 占比过高都是风险。
上线后的第一个月，系统一共抛出 63 条预警，其中 21 条是库龄超 120 天的滞销。这 21 个 SKU 合计占用了相当一部分库存资金，而在此之前，团队只知道“有几款卖得不好”，但从来没有量化过金额。
三个月后我们做了一次复盘。需要说明的是，这是单一团队的样本推演数据，不代表普遍水平，但方向性值得参考。
缺货天数从改造前三个月的月均 9.4 天，降到改造后三个月的月均 3.1 天；库存周转天数从 74 天降到 61 天；滞销库存金额占比从 22% 降到 13%；但注意，库存资金占用峰值并没有下降太多，只从 486 万降到 452 万，因为节省下来的钱被重新配置到了几个高动销 SKU 上。
这个结果恰恰说明库存计划的目标不是“把库存压到最低”，而是“把库存配置到正确的地方”。只看周转天数会误判，必须同时看缺货天数和资金占用峰值。
改造过程中有一个小插曲。上线第一个月，运营提出了 47 条补货建议，其中有 12 条被采购改动了数量。如果没有留痕，这 12 条改动会在月底复盘时变成扯皮。因为工具里记录了改动人和改动原因，我们复盘时发现，这 12 条里有 8 条是因为供应商交货期临时延后，属于合理调整；另外 4 条是采购凭经验减量，事后证明有 3 条导致了小幅缺货。
这 4 条记录的价值，比任何算法优化都大。因为它把“凭经验”这件事变成了可被验证的假设，团队后面再讨论补货策略时，讨论的是数据而不是立场。
库存计划没有通用解。下面我按团队规模、品类特征和履约结构分几个典型场景，给出我自己会采取的行动顺序。
这个阶段的团队通常 SKU 少、人少，硬上系统反而增加负担。我的建议是先用一张结构清晰的表格把六个库存状态、日均销量口径、安全库存天数定的规则写下来，每周按固定节奏跑一次。
这个阶段最该做的是建立“可售天数”这一个核心指标，并且坚持每天更新。等这个指标能稳定指导补货动作了，再考虑工具。
这个区间是最尴尬也最需要工具的。SKU 开始变多，渠道开始变多，人工已经跟不上，但预算又不允许做定制开发。我的建议是优先选预置接入能力强、开箱即用程度高的方案，把多平台、多仓库的库存视图先统一起来。
这个阶段不用追求算法多先进。能把在途节点、多仓库存、采购在制这三块接进来，补货准确率的提升就已经非常可观了。数跨境这类以数据接入和计划参数可视化为核心的工具，在这个区间的性价比通常比较突出。
到这个规模，问题已经从“算得准不准”变成“执行得顺不顺”。补货建议生成之后，需要经过运营、采购、财务多方确认，还要跟供应商的产能节奏对齐。这时候没有审批流和留痕，计划就是一张废纸。
另外这个阶段一定要有模拟能力。比如“把整体安全库存提高 5 天，资金占用增加多少、缺货损失减少多少”，这个问题的答案直接决定预算审批能不能过。
做节日、礼品、户外这类强季节性品类，常规的滚动补货模型会失效。我的做法是：旺季前 4 到 5 个月启动计划，同时准备“乐观/保守”两个备货方案，并在旺季前 6 周设置一个决策点，根据实际预售和广告数据决定走哪一套。
关键是这个决策点必须写进流程，并且有明确的数据触发条件，否则它一定会被推迟到“来不及改”的时候。
如果同时用海运和海外仓，两条路径的补货逻辑必须分开。海运覆盖基础需求，海外仓覆盖波动需求和紧急补货。安全库存要按路径分别设定，并把海外仓的补货成本作为“应急溢价”单独核算。
我见过不少团队把两条路径混在一起算平均时效，结果算出来的安全库存对两条路径都不合适。
工具对比到最后，其实都是取舍。我想把我自己在做决策时会反复权衡的五组矛盾写出来，因为它们没有标准答案。
提高准确率通常意味着接入更多数据、跑更复杂的模型、增加校验环节，代价是响应变慢。如果你的供应链本身弹性很好（比如可以从海外仓快速补货），我倾向于牺牲一点准确率换响应速度，因为快速纠错比精准预测更划算。
反过来，如果你的补货周期动辄两个月以上，那准确率就是唯一选项，因为纠错窗口太窄。
把所有 SKU 都纳入自动化计划，看起来很美，但长尾和新品的数据质量往往很差，强行自动化会产生大量错误建议，反而增加人工复核负担。我的做法是分层：A 类 SKU 全自动，B 类自动建议加人工确认，C 类只做预警不做建议。
覆盖率的提升必须是渐进的，每提升一个层级都要先验证人工调整率有没有下降。如果某个层级上线后人工调整率长期高于 50%，说明这个层级的规则还没准备好。
自研的唯一理由是业务逻辑足够特殊，市面上没有能承载的方案。但绝大多数跨境团队的库存计划逻辑其实是共通的，差异主要在参数上，而不是在架构上。自研的成本不只在开发，更在于长期维护和人员流动带来的知识断层。
我的建议是：先采购，把标准能力用起来，把真正特殊的部分用配置或外挂的方式补。只有在确认标准工具完全无法承载核心链路之后，才考虑自研。
这一组取舍最考验现金流管理能力。备货深度增加，缺货风险下降，但资金占用和滞销风险上升。判断的关键是把缺货成本和资金成本放在同一个尺度上比：如果一次断货的损失相当于该 SKU 两个月毛利，而多备货一个月的资金成本只相当于半个月毛利，那么答案很明显。
问题是很多团队从来没算过缺货成本，所以这个比较根本做不了。这也是我前面强调量化断货损失的原因。
统一口径便于横向比较和管理，但不同品类、不同渠道的最优参数确实不同。我的处理方式是：核心指标定义必须统一，参数取值允许分组配置。“日均销量”的定义全公司只有一种，但“取多少天窗口”可以按品类分组设置，并且每组设置的依据要写清楚。
回到开头那个问题，“安全库存是不是该翻一倍”。经过这么多项目，我现在会这样回答：这不是一个可以靠调整一个数字解决的问题。你真正要做的，是把时效波动、在途节点、成本约束、资金约束这些东西全部搬进一个能被团队共享、能被复盘、能被迭代的系统里。
库存计划的天花板从来不在数学上，而在组织和数据上。一个能把六个库存状态定义清楚、能把补货建议的推导过程展示出来、能把人工调整的原因留痕的团队，即使算法朴素，也会比一个算法先进但数据混乱的团队做得好。
所以工具对比的正确姿势，不是比谁的功能列表长，而是拿着你自己的一条真实补货链路去走一遍：从销售数据进来，到在途节点识别，到安全库存计算，到建议生成，到人工调整，到下单回写，到三个月后回溯。走完这一遍，哪个工具适合你，答案自然就出来了。
如果你现在就想动手，我建议按这个顺序做三件事。第一，用一周时间把你所有库存状态定义清楚，写在文档里，全团队确认。第二，挑 5 个最关键的 SKU，把它们的日均销量口径、安全库存规则、装箱率和 MOQ 约束全部显性化，手动跑一遍补货计算。第三，拿着这份跑出来的结果去试用工具，比如先用数跨境把多平台库存和在途数据接进来，看看同一个 SKU 在系统里的可售天数和你手工算的差多少，这个差异就是你的改进空间。
库存计划这件事没有终点，但每往前推进一步，都会变成实实在在的现金流和排名优势。真正拉开差距的，从来不是谁买了更贵的工具，而是谁先把不确定性变成可以被管理的东西。
去年我为了换掉手上那套 Excel 加提醒的土办法，一口气拉了两张对比表、聊了七八家供应商，结果发现每家都说自己「智能补货」，实际跑出来的建议能差三成以上。我是刚起量的小团队，预算有限也没专职计划员，试错成本很高。到底该用哪几个硬指标先筛掉一半，再决定要不要约演示？
我的筛选顺序是数据、算法、场景、协作，顺序不能反。第一看数据接入：能不能直接对接 Amazon SP-API、Shopify、TikTok Shop 这些平台，同步是小时级还是天级，多店铺能不能合并同款 SKU 看总库存，我见过只支持 CSV 手工导入的，运营每天光导表就崩溃了。
第二看补货建议是否可解释：好的工具给出建议下单量的同时，会把日均销量、在途、可售、安全库存、供应商交期、MOQ、装箱数这些参数摊开给你看；只甩一句「建议补 800 件」却不告诉你为什么的，直接放弃。第三看场景覆盖：FBA 补货、海外仓调拨、头程海运与空派的分段在途、旺季备货，这四类至少覆盖三类。
第四看协作留痕：参数谁改的、什么时候改的有没有记录。落地验证用最低成本的办法，拿你销量最高的 20 个 SKU 做两周并行测试，把工具建议和你的经验值对比，偏差超过 30% 的逐个查原因，能解释清楚的才算过关。
我们团队本来就用某项目管理平台管产品开发和上新节奏，老板觉得既然都在这上面了，库存计划顺手做了就行，何必再花钱买一套。可我担心它算不了在途和供应商交期，旺季反而误事。到底什么阶段可以先用平台凑合，什么信号一出现就必须换？
我的分界线是「SKU 数量 × 仓库数量 × 供应商数量」。三者相乘在 100 以内、供应商交期稳定、没有海外仓调拨，用某项目管理平台自己拉一张表加自动提醒就够用，把在途、可售、安全库存做成三个固定字段，设定低于安全库存就自动建任务，这套逻辑用平台的自定义字段加自动化规则就能搭，成本几乎为零。
但出现下面任意一条，就该上专业库存系统：SKU 超过 200 个且淡旺季波动大；有 FBA 和海外仓之间的调拨；一个 SKU 对应多个供应商或分批到货；需要按头程分段（已下单未发货、海上在途、清关、已入仓）算可售天数。
原因是项目管理平台的本质是「任务流」，它管得住「该补货了」这个动作，但算不准交期波动引发的连锁反应。我踩过的坑是硬撑到黑五前才换，迁移历史数据加并行跑，白白多花了两周。
我同时跑亚马逊和独立站，FBA 快爆仓的时候就把货往海外仓调，结果独立站那边又断货了，两个渠道的运营天天在群里互相甩锅。我到底该按单个仓库设安全库存，还是按 SKU 设一个总量？有什么规则能让调拨不再靠拍脑袋？
核心是分清「物理库存」和「可承诺库存」两个口径。物理库存是各仓实际在库数；可承诺库存才是你能对外卖的量，等于在库加在途，减安全库存，减已售未发。做法上，先给每个 SKU 设一个总安全库存，再按各渠道的历史销量占比拆分到各仓。
比如某款月销 3000 件，FBA 占七成、独立站占三成，总安全库存按 45 天备，就是 FBA 留 3150 件、独立站留 1350 件。调拨规则要写死：只有当某仓可售天数低于 21 天、且另一仓高于 45 天时才触发调拨，避免来回搬货。
特别要注意 FBA 的入库限制和上架延迟，从海外仓调到 FBA 通常要 7 到 14 天，这段时间两个仓的库存都得算进去，否则你会在系统里看到一批「凭空多出来」的货。
老板每个月例会上都要问一句「库存计划到底有没有效果」，我每次只能回「断货少了一些」，然后就被追问是不是因为备货备多了。确实，我上季度断货率是下来了，但周转天数也涨了不少，自己都说不清这算好还是坏。到底该怎么把这件事讲明白？
我固定看四个指标，缺一个都会被问住。一是断货率：分子是有断货记录的 SKU-天（可售库存为 0 或平台显示不可售），分母是总 SKU-天，按月统计，比很多团队用「断货 SKU 数」靠谱，因为后者不反映断货时长。
二是库存周转天数：用平均库存成本除以当月销售成本再乘 30，一定要说明是否包含在途库存，含与不含差得很远。三是补货建议采纳率：运营实际下单量与工具建议量一致的 SKU 占比，低于 70% 就说明要么参数没调好，要么工具不好用，必须查原因。
四是滞销库存占比：超过 90 天未动销的库存金额占总库存金额的比例，超过 15% 就该预警。判断库存计划有没有效果，看的不是单点而是组合：如果断货率降了、但周转天数同时涨了 20% 以上，那不是计划做得好，是货备多了，钱压在了库存上。
读者评论
文章把库存计划讲得很系统，但小团队根本没资源接那么多数据。我们SKU少，Excel加人工盯也能活，真上了系统反而流程复杂。工具对比时，轻量、快速上手比功能全更重要。断货成本那部分算得细，但小卖家断货一次可能直接放弃那个SKU，不会花大钱救排名，这个账得看阶段。
案例里海运时效波动导致安全库存失效很真实。我们去年也遇到类似情况，后来把提前期拆成几个节点分别设波动，比一个平均天数靠谱。但工具能不能支持这种细粒度，还得看数据源。很多系统的头程数据是手工填的，延迟严重，接进来也是脏数据。先理清自己的数据采集流程，再谈工具选型。
文章强调组织主线，但实际中跨部门协同最难的不是工具，而是KPI冲突。运营要断货少，采购要低库存，财务要现金流，这三者目标就不一致。工具能提供数据，但解决不了激励问题。另外，把断货成本算到41.6万，这个数字对决策有用，但很多公司连基础销量数据都不准，算出来也是拍脑袋。先老老实实把数据口径统一了再说。