先说结论：库存计划失效的根因，七成不在工具本身
去年底我做了一次跨境卖家库存健康度复盘，样本是 17 个店铺、6 个平台、约 2400 个活跃 SKU。复盘结束后我最强烈的感受不是”谁家工具更好”，而是一个反常识的结论：把库存计划做砸的团队里，大约七成的问题出在数据口径和决策链路，只有三成跟工具选型直接相关。换句话说，很多人把”换工具”当成了”改流程”的替代品，结果钱花了，缺货和滞销一个都没少。
这个判断不是拍脑袋。我在复盘时把每个团队的库存偏差做了归因拆解，把偏差来源分成四类：口径不一致（同一 SKU 在两个系统里库存数不同）、参数失效（安全库存和补货点半年没更新）、决策断点（数据算出来但没人敢签字下单）、工具能力不足（确实算不出分层补货建议）。结果前三类加起来占了 71.4%。
所以我在这篇文章里不会给你一份”十大库存工具排行榜”。那种内容你在任何一个聚合站都能刷到，而且是同一套模板换皮。我要讲的是：在什么条件下，工具对比才真的能改善库存计划；在什么条件下，你先别买工具。
如果你的日订单量在 300 单以下，SKU 少于 500 个，平台只有 1 到 2 个，我的建议是先不要买任何库存计划工具。这个阶段你把 Excel 的字段规范做扎实，用一张主数据表管理 SKU 编码、平台 SKU 映射、采购交期、MOQ 和头程时效，收益比买工具大得多。
原因很朴素：小体量下，库存偏差主要来自人为疏忽，而不是计算能力不足。工具解决的是”算不过来”和”算不细”，不是”忘了填”。我见过太多 200 单一天的团队买了年费五位数的系统，最后只用了导出报表功能。
我的经验临界点是三个”同时”：SKU 超过 1500 个、销售平台超过 3 个、月均补货决策超过 200 次。三个条件同时满足时，人工计划的错误率会进入指数上升区间，因为人的工作记忆容量撑不住这个组合复杂度。
具体表现是：你开始出现”同一个 SKU 在 A 平台补了货，B 平台又补了一遍”这种重复下单，或者”某个 SKU 明明滞销，采购还在按固定周期补”。这不是人不努力，是信息量超过了手工处理的极限。
当你确认自己已经越过临界点，工具对比才有意义。而且对比的重点要变：不要比功能清单的长度，要比”从数据接进来，到补货单签出去”这条链路上，工具替你消灭了几个环节。
下面我会先讲清楚跨境库存计划为什么特别难，再拆误区，再给评估框架，最后用我实际测试过的一个产品做案例说明。整篇文章的数据，除了明确标注来源的，都来自我 2024 年在若干卖家账号上的脱敏观察样本，属于样本推演和情景模拟，不是平台官方统计，请按参考值使用。
很多人从国内电商转跨境，会默认”库存计划不就是销量除以天数再乘个系数吗”。真正做过一两个季度之后就会发现，跨境的库存计划难度大概要乘 2 到 3 倍。难度不是来自计算本身，而是来自”时间和空间都被拉长之后，每个参数都变成了一个区间而不是一个点”。
国内电商的补货链路大概是这样：下单到工厂发货 3 天，快递到仓 2 天，入库上架 1 天。整条链路 6 天，而且基本可控。
跨境链路是这样的：工厂生产 7 到 15 天，头程海运 25 到 40 天（空运 7 到 12 天），清关 3 到 10 天，平台仓库上架 2 到 14 天（旺季更久），然后才是可售。整条链路最短 40 天，最长可能到 90 天，而且每一段都有独立的波动。
这就意味着你在做补货决策的时候，赌的不是两周后的销量，而是两个月后的销量。预测窗口拉长一倍，误差通常不是翻倍，而是乘以 2.5 到 3 倍。
国内电商的库存基本在一个中心仓，库存数就是库存数。跨境不一样：同一批货可能同时存在于工厂待发、头程在途、目的国海外仓、平台 FBA、平台在途、退货待处理这六个位置。
问题在于，很多团队的可售库存口径只统计了 FBA 在库数量，把在途和海外仓当成了”不算数”的部分。结果是系统显示缺货、疯狂补单，而实际上有 3000 件正在海上漂着。这个场景我在至少 4 个团队里见过，重复下单造成的滞销损失单次在 15 万到 40 万元之间。
亚马逊有库存绩效指标，长期仓储费会在存放超过 180 天和 365 天时跳档；TikTok Shop 和 Temu 的半托管模式又有各自的备货时效考核。这些规则不是背景知识，它们直接改变补货的经济性计算。
举个具体例子：一个 SKU 的日均销量 8 件，采购成本 42 元，海运头程 6 元。如果按 60 天安全库存备货，占用资金大约 2.4 万元。一旦这个 SKU 卖不动，超过 180 天后每立方英尺的长期仓储费会让持有成本再涨 30% 以上。所以真正专业的补货模型里，持有成本必须是一个随库龄变化的分段函数，而不是一个固定百分比。
这就是为什么我说国内那套”安全库存=日均销量×补货周期×系数”的公式直接搬过来会出事。跨境的系数应该是随时间变化的，而且应该分渠道、分品类、分生命周期阶段。
这一节我按”踩坑频率”排序，从高到低讲五个误区。每个误区我都会给出它为什么看起来合理、实际错在哪、以及我观察到的隐性成本量级。
这是最普遍的一个。很多团队买了 ERP，看到里面有”库存管理”模块，就默认库存计划问题解决了。但 ERP 的核心职责是记录已经发生的事，入库、出库、调拨、盘点。它擅长的是账实相符，不擅长的是”下个月该补多少”。
你可以做一个简单测试：打开你的 ERP，问它三个问题。第一，如果我把某 SKU 的交期从 35 天改成 50 天，建议补货量会变成多少？第二，如果我在三个平台之间调拨 500 件，整体缺货率会改善几个百分点？第三，如果某个 SKU 进入衰退期，安全库存应该在第几周开始下调？
绝大多数 ERP 回答不了这三个问题。这不是 ERP 的缺陷，是它的设计目标不在这里。把 ERP 当计划工具用，结果是”数据很准，决策很糙”。
我见过一个团队，花了两个月做工具选型，打分表做了 40 项，最后上线三个月就弃用了。原因很简单：上线之后才发现，三个平台的 SKU 编码规则不一致，同一个产品在 A 平台叫 ABC-001，在 B 平台叫 ABC001-US，在 C 平台叫 ABC_1。
工具再强，也没法自动知道这三个是同一个东西。主数据治理必须在选型之前完成，或者至少和选型并行，不能推到实施阶段。我的一般建议是：SKU 主数据映射表的准确率要做到 98% 以上，才具备上线计划工具的条件。
周转天数是个好指标，但它是个平均数，而平均数会掩盖结构性风险。一个团队整体周转 45 天，看起来很健康，但拆开看可能是：爆款 12 天（严重缺货）、平销款 38 天（正常）、滞销款 210 天（大量积压）。
三个数字平均一下是 86 天，加权之后就变成了 45 天。用平均数做决策，等于用爆款的缺货掩盖滞销的积压，两头的钱都在亏。专业的做法是按销量分层，至少分成爆款、主力款、长尾款、清仓款四层，每层用独立的补货策略和独立的考核指标。
很多工具会给你一个漂亮的销量预测曲线，然后你就以为问题解决了。但预测和补货决策之间还隔着好几步：预测置信区间、交期波动、MOQ 约束、装箱率、资金上限、仓储容量上限。
我举个真实的约束例子。某 SKU 预测未来 30 天卖 420 件，建议补货 500 件，但工厂 MOQ 是 800 件，装箱是每箱 60 件。那么实际可下单量必须是 840 件（14 箱）。这个 840 和理论值 500 之间差了 68%，会直接影响资金占用和滞销风险。
一个合格的库存计划工具，必须能把预测结果落到”可执行的下单数量”上，否则它就只是个报表工具。
这个误区在年 GMV 三千万以上的团队里特别常见。他们往往同时有 ERP、BI 工具、选品工具、广告工具、独立的库存表格，每个系统里都有一份库存数。
问题不是数据少，是数据多且互相打架。当运营看到 BI 说可售 800 件、ERP 说 620 件、平台后台说 590 件的时候，他的实际行为是”凭感觉补”。这比只有一份数据更糟，因为多份数据摧毁了决策信心。
前面讲了这么多问题，现在进入正题。我评估库存计划类工具时，用的是一套五维框架，权重不一样，而且我会根据团队规模动态调整权重。这套框架的核心思路是：工具的分数不重要，工具在你这条链路上的”消灭环节数”才重要。
这是权重最高的一项。具体看三件事：能接多少个平台和多少个店铺、能不能接海外仓和头程服务商的库存数据、SKU 映射是自动识别还是手工维护。
我会特别关注第三点。很多产品宣称支持多平台，实际上是每个平台单独建一张表，跨平台的库存汇总靠人肉。真正的整合能力体现在”一个 SKU 一条记录，下面挂着所有平台的库存分布”。
评估方法很实操：让厂商拿你自己的 20 个真实 SKU 现场演示，看从导入到出汇总视图要几步操作、有没有需要人工干预的字段。
颗粒度指的是工具能算到多细。基础版是 SKU 级别，进阶版是 SKU+仓库级别，专业版是 SKU+仓库+渠道+生命周期阶段。
对跨境来说，SKU+仓库这一层是底线，做不到就直接出局。因为跨境的补货决策必须回答”补到哪个仓”，而不是”补多少”。
再往上一层就是生命周期分层。如果工具能让不同阶段的 SKU 用不同参数组，并且在 SKU 从成长期进入衰退期时自动切换参数，那它在颗粒度上就算合格。
这是区分”报表工具”和”计划工具”的分水岭。具体是能不能回答 if-then 问题：如果销量翻倍，现有库存能撑几天？如果交期延长两周，缺货从哪天开始？如果我把海运改成空运，保本销量是多少？
我测试这类功能时有一个固定脚本：把交期、销量、汇率三个变量各调两次，看工具需要几次操作才能给出对比结果。如果超过 5 次点击，说明交互设计没考虑决策场景，运营不会用。
库存计划算出来之后的下一步是采购单、调拨单、清货单。工具能不能把建议直接变成待办，能不能分配责任人，能不能追踪执行状态，决定了它是”每天开一次的工具”还是”上线两周就没人登录的工具”。
这里我要提一句：有些团队会用某项目管理平台来承接补货审批流，这本身没问题，但要注意数据回流。如果补货单在外部系统审批完，结果没有回到计划工具里，那模型就失去了一次校准机会。
看价格不能只看年费。要算三项：软件年费、实施和对接成本（很多产品按平台数或店铺数收对接费）、内部投入的工时折算。对中小团队来说，第二项经常超过第一项。
我的经验比例是：首年总成本大约等于软件年费的 1.6 到 2.4 倍，其中实施对接和内部工时占大头。如果你按软件报价做预算，大概率会超支。
讲完框架，我用一个具体产品做落地说明。数跨境（官网 https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys ）是我在 2024 年下半年实际注册试用并做过对比测试的跨境电商数据分析类产品，它切入库存计划的路径和传统 ERP 明显不同。下面讲的能力以我试用到的版本为准，产品迭代较快，具体功能请以官网信息为准。
从我的实测看，数跨境的核心动作是先把散落在多个平台和多个仓库的库存、销量、在途数据聚成一张统一的视图，再在视图上做库存分析和补货测算。这正好对应我前面说的”消灭环节数”逻辑，它优先消灭的是数据整合和对账这两个最耗人力的环节。
这一点对跨境团队的价值，比多几个分析指标要实在。因为大多数团队的库存计划卡点，恰恰是”我得先花两天把数对平，才轮到做决策”。
测试对象是一个做家居品类的卖家账号，4 个平台、约 2600 个 SKU、日均 900 单左右。测试周期 8 周，前 4 周维持原有的 Excel+ERP 手工流程，后 4 周切换到数跨境的库存分析视图。
我记录的核心指标有四个：补货决策耗时、可售库存口径一致率、缺货率、滞销库存占比。为了避免季节波动干扰，我选了品类内销量相对平稳的一个季度，并且对比的是同一批 SKU。
需要说明的是，这个测试是单账号样本，样本量有限，下面所有数据属于样本推演和情景模拟，不能当作行业基准值，只用来展示改善方向的可能量级。
补货决策耗时从周均 11.5 小时降到 6.2 小时，降幅 46%。省下来的时间主要是对账环节，原来每次补货决策前要人工核对三个平台的库存表和在途表。
可售库存口径一致率从 72% 提升到 96%。原来的 72% 意味着每 100 个 SKU 里有 28 个，不同系统给的库存数不一致。这些不一致的 SKU 恰好是重复下单和漏补货的高发区。
另外两个指标的变化在下表里更清楚。我把测试期的关键数据整理成了一张对比表。
| 指标 | 手工流程（前 4 周） | 使用数跨境后（后 4 周） | 变化幅度 |
|---|---|---|---|
| 补货决策周均耗时 | 11.5 小时 | 6.2 小时 | -46.1% |
| 可售库存口径一致率 | 72% | 96% | +24 个百分点 |
| 缺货率（按 SKU 天） | 8.7% | 5.1% | -41.4% |
| 滞销库存占比 | 19.4% | 14.8% | -23.7% |
| 库存周转天数 | 52 天 | 44 天 | -15.4% |
上面的聚合数据容易让人麻木，我讲一个具体 SKU 的变化。这个 SKU 是三件套收纳盒，在亚马逊和 TikTok Shop 同时在售，采购交期 18 天，海运头程 32 天，工厂 MOQ 600 件。
手工流程下，运营在月初看到亚马逊 FBA 显示可售 240 件、日销 9 件，判断 26 天后缺货，就下了 600 件。但实际上，同批货有 800 件正在海运途中，预计 12 天后到仓。
这次下单造成的结果是：到仓后总库存达到 1640 件，而该 SKU 在随后的 45 天里日均只卖了 6.3 件，形成约 115 天的库存，触发了长期仓储费。按该 SKU 采购成本 38 元计算，多占用资金约 2.3 万元。
切换到统一视图后，同一个 SKU 的补货决策过程变成：系统把 FBA 可售、海运在途、海外仓备货三个数字并排展示，同时给出三个渠道的销量趋势，运营在确认在途到仓时间后，直接取消了这次 600 件的下单。这个具体动作，就是”口径一致率”这个指标在业务上的真实含义。
为了不写成软文，我必须说清楚我观察到的边界。第一，它的强项在数据整合和分析视图，不在审批流和执行追踪。如果你的核心痛点是把补货单派给采购并跟踪到货，你可能还需要配合其他工具。
第二，它的效果高度依赖 SKU 主数据的质量。我测试时先花了大约三天做 SKU 映射清理，如果这一步跳过，后面的分析视图就是错的，而且错得很隐蔽。
第三，8 周的测试周期不足以验证长期效果。库存周转的改善通常需要 2 到 3 个完整补货周期才能稳定，也就是 3 到 5 个月。所以上面的数字应该被理解为早期改善信号，而不是稳态收益。
框架和案例讲完了，这一节我按团队规模给具体建议。分档依据主要是年 GMV 和 SKU 数量，因为这两个变量决定了复杂度。
优先动作是建一张主数据表，字段至少包含：内部 SKU 编码、各平台 SKU 映射、供应商、采购交期、MOQ、装箱率、头程方式、头程时效、采购成本。
然后建立每周一次的库存复盘节奏，用固定的四个指标：缺货 SKU 数、滞销 SKU 数、在途总量、可支撑天数。这一档的目标是把误差来源从”不知道”变成”知道但改得慢”。
这个区间是投入产出比最高的阶段。核心需求是跨平台库存统一视图和补货测算，像数跨境这类以数据整合为切入点的产品，在这个阶段比较匹配。
执行顺序建议是：先清理主数据，再接入平台数据，再做分层策略，最后才做自动化。我看到很多团队顺序反了，先做自动化，结果自动化地把错误的数据算得更快。
这个阶段单一工具通常覆盖不了全部。我的建议是把能力拆成三层：数据整合层负责口径一致，计划层负责补货测算和场景模拟，协同层负责审批和执行追踪。
三层之间必须有明确的数据接口约定，尤其是计划层的建议值和协同层的实际下单值之间要能对账，否则模型永远得不到校准。
这类团队要额外关注一件事：产能约束。你的补货上限不是资金，而是工厂的排产能力。计划工具里必须能录入产线产能和排期，否则算出来的补货量可能是工厂根本交不出来的。
我的建议是把产能约束作为硬约束而不是参考值，让工具在计算时就裁掉不可行的方案，而不是等采购去跟工厂扯皮。
铺货型的特点是 SKU 极多、单品销量低、生命周期短。这一档不要追求精细预测，那在经济上不成立。应该用规则驱动而不是预测驱动：按品类设统一的补货规则和清货规则，把管理精力集中在识别”值得升级为主力款”的少数 SKU 上。
前面给的都是”应该怎么做”，这一节讲真实世界里最难的部分：做这件事本身是要付出代价的，而且代价往往不是钱。
库存计划工具的实施周期，我观察到中位数是 6 到 10 周才能进入稳定使用状态。前 2 周是数据对接，中间 2 到 4 周是口径校准和参数设定，最后 2 到 4 周是流程磨合。
这意味着一件事：不要在旺季前两个月启动这件事。旺季的运营人力本来就紧张，这时候再叠加流程变更，大概率两边都做不好。我见过最糟的案例是在大促前 5 周切换库存系统，结果大促期间补货完全靠人肉，缺货率比上一年还高。
数据迁移最容易犯的错是”全量迁移”。历史三年的订单和库存数据看起来很有价值，但实际使用中，超过 18 个月的库存数据对补货决策的参考价值很低，反而会拖慢系统、增加清洗工作量。
我的建议是只迁移最近 12 到 18 个月的数据，并且以 SKU 主数据和补货参数为迁移重点，而不是历史流水。历史流水可以留在原系统里做归档查询。
这是我见过最被低估的成本。库存计划工具上线，本质上是把”补货决策”从个人经验变成系统规则，这会动到某些人的话语权。
典型表现是：运营会找出各种理由说明”系统的建议不对”，比如”这个 SKU 马上要上活动，系统不知道”。这些理由有时候是对的，有时候只是习惯性防御。
我的处理办法是设置一个过渡期，在过渡期内系统建议和人工判断同时记录，然后每两周复盘一次偏差原因。如果系统错了，就改参数；如果人错了，就有客观依据推动改变。用数据来解决争论，比用行政命令有效得多。
最后给一个更直白的取舍对照。不同团队可以按自己的约束条件选一条路。
| 取舍模式 | 适合的团队 | 主要付出 | 主要收获 | 风险 |
|---|---|---|---|---|
| 治理优先型 | SKU 多但平台少、数据混乱严重 | 3-6 周内部人力，几乎不花钱 | 口径一致率大幅提升，后续任何工具都能受益 | 短期看不到感观提升，容易中途放弃 |
| 工具优先型 | 平台多、SKU 中等、人力紧张 | 年费+实施费，首年总成本约为年费 1.6-2.4 倍 | 整合和测算能力快速补齐，决策耗时明显下降 | 如果主数据没清理，工具会放大错误 |
| 双轨并行型 | 年 GMV 5000 万以上、有专职计划岗 | 人力+工具+流程改造，周期 8-12 周 | 三层能力同时到位，长期收益最稳 | 组织阻力最大，需要高层持续介入 |
回到最开始那个反常识的结论。做这篇文章的过程中，我把见到的失败案例又过了一遍，发现一个共同点：失败的团队都在问”买哪个工具”，成功的团队都在问”我的决策链路里哪一段最贵”。
工具对比本身没有错，错的是对比的维度。如果你用功能清单去比，所有产品看起来都差不多，因为清单是可以互相抄的。如果你用”从数据接进来，到补货单签出去”这条链路去比，差异立刻就出来了，有的工具能替你消灭 3 个环节，有的只能消灭 1 个，而你的团队最贵的那一段可能恰好是谁都没覆盖的。
第一，口径一致率是库存计划的地基，我观察到的经验阈值是 95%。低于这个值，任何高级功能的效果都会被上游噪声吃掉。
第二，分层比预测重要。爆款、主力款、长尾款、清仓款用同一套参数，是跨境库存管理里最昂贵的错误，我见过单次损失超过 40 万元。
第三，效果显现是有顺序的：人力节省先来（约 8 周），缺货改善其次（约 12 周），资金占用改善最后（约 16 到 24 周）。如果你的预期是上线一个月就见效，你几乎一定会中途放弃。
最后说一句实话。库存计划的升级不是一次采购动作，而是一次把”凭感觉补货”换成”按证据补货”的组织习惯迁移。工具能加速这个过程，但替代不了它。真正决定成败的，是你愿不愿意花那三周把 SKU 主数据表清理干净，这件事没有任何工具能替你做，而它恰恰是后面所有收益的前提。
我们团队做了三年亚马逊加独立站，最近老板让我牵头选一套库存计划工具，前后约了五六家来演示。每家看板都做得挺漂亮，讲完我都觉得不错，但真到打分排序的时候就懵了，到底该按什么标准比，才不至于买回来一堆用不上的功能？
别先看预测算法，先看数据能不能对齐。我的做法是列一张五项打分表，权重按数据接入40%、算法透明度25%、协同与审批20%、总拥有成本15%来配。第一项是多平台SKU映射能力：同一个物理SKU在亚马逊FBA、独立站、海外仓里往往是三个编码，工具能不能建映射关系并批量维护，这是后面所有计算的地基。
第二项是库存口径分层：可售、在途、待入库、锁定、退货待检必须能拆开，且字段可自定义，否则补货建议永远是错的。第三项是历史数据回补能力，比如能不能通过API把过去12个月的订单和到货记录拉回来，注意亚马逊的报表本身就有延迟，拉不回历史的工具等于让你从零开始养数据。
第四项是参数修改留痕，谁在什么时候把安全库存系数从1.65改成2.05，必须可查。第五项才是预测模型和看板。一个实操建议：让每家先做同一个真实场景的POC，给你过去3个月的销量和到货数据，看它算出来的补货建议和你手工算的差多少，偏差超过20%的SKU有多少个。
演示环节都能讲漂亮，POC跑一遍高下立判。
我这边三个渠道同时在跑，亚马逊后台的销量是扣了取消的，独立站是含税下单口径，TikTok直播一晚上能爆两千单第二天又退掉一批。运营给我三份数，对不上，库存计划根本没法算。我很想知道别人是怎么统一这个基准的。
统一到一个口径：出库净销量，而且粒度固定成SKU×日×仓库。具体算法是平台销量减去取消、减去退货，但退货必须按退货入库的时间回冲，不能按买家提交退货申请的时间。这个细节我在一个项目上吃过亏，前期按申请时间回冲，旺季安全库存被虚高了大约18%，多压了将近两个月的现金流。
时区也要统一，建议所有站点都折算到UTC+0，或者干脆按站点本地日结再汇总，但全公司只能选一种，别混着来。币种统一折算到采购币种，用当期汇率还是月度均价要写进文档，否则同一个月两个人数出来不一样。
促销、直播爆单这类极端值不要直接扔进预测，单独打标记，用近28天中位数叠加近7天环比趋势来判断是真需求还是脉冲。另外建议留一个手工覆盖入口：遇到新品首发、平台大促这种工具看不懂的场景，允许运营手动指定需求，但要记录原因，事后复盘。
我们主要走海运，采购周期动不动三十多天，遇到清关卡一下就更久。工具给我每个SKU都推了一个安全库存和补货点，看着挺科学，但我凭经验觉得有些明显偏低。到底该信工具还是信人？
不能直接用，工具给的是起点不是答案。公式本身不复杂：安全库存等于服务水平系数乘以提前期的平方根再乘以日需求标准差，补货点等于日均需求乘提前期再加安全库存。问题出在参数上。
第一，服务水平系数要按品类分级，工具默认通常是1.65对应95%，但爆款A类我一般给到2.05对应98%，长尾C类降到1.28对应90%就够了，一刀切会让长尾SKU压一堆死库存。
第二，提前期必须用实际到仓的P90而不是平均值，我统计过一条海运线平均到仓38天但P90是56天，按平均值排补货，旺季必然断货。第三，日需求标准差要用最近8到12周的窗口，太短会被单次大促带偏，太长又反应不出趋势变化。
落地的时候设一条复核线：工具建议值与人工判断偏差超过30%的SKU必须单独拉出来看，是参数没调对还是真的有特殊情况，看完把结论回写进工具的参数里。这样跑三个月，工具的建议会越来越贴近你的实际业务。
我们刚上线一套工具，老板每两周就问一次效果，我拿不出有说服力的数。销量涨了到底是因为工具还是因为刚好在旺季？我担心做了一堆事，最后说不清楚价值。
固定四个指标，做上线前8周和上线后8到12周的同口径对比。第一是断货率，建议按SKU×日计算而不是按订单，也就是当天可售库存为零的SKU天数占全部SKU天数的比例，按订单算会严重低估影响。第二是库存周转天数。第三是滞销库存占比，我一般定义成超过90天无销量的库存金额占比。
第四是因缺货损失的GMV，可以用断货天数乘以该SKU断货前28天的日均销量估算。指标口径必须在项目启动时就写死，中途改口径等于白做。我做过的一个项目，12周把断货率从9.4%降到3.1%，周转天数从78天压到52天，同期销售额还涨了。
但有个前提：别用大促前后的数据证明改善，Q4前两个月任何一个团队的数字都好看。另外一定要分A、B、C类分开看，总量改善可能只是A类补货补得更凶，长尾SKU的滞销占比同时下降，才能说明算法真的在起作用。给老板汇报时建议直接上一张同口径的趋势图加一张A/B/C分解表，比讲十页方法论都管用。
读者评论
看完最大的感受是，口径统一那段我太有共鸣了。我们团队三个平台SKU编码各玩各的，之前上了个计划系统，结果系统算出来的建议补货量跟实际差了快四成，后来才发现是映射没做对。所以我现在更认同先治理再上工具，但这个治理过程真的很耗人，尤其是SKU上千以后，靠Excel维护映射表本身就成了瓶颈，这块文章没怎么展开讲。
分层那个误区说得对，但我觉得难点不在认知，在考核。我们运营的KPI就是周转天数，谁都不敢主动把滞销款单独拎出来，因为一拎出来数据就难看。所以不是不知道要分层，是分层的成本没人愿意承担。想听听有没有团队真的把分层考核落下去的经验。
关于临界点那三个条件，我有点不同看法。SKU数量和平台数只是复杂度的一个维度，我见过SKU不到800但季节性极强、补货窗口很短的团队，人工照样撑不住。反过来也有SKU两千多但款式稳定、参数半年不动的，Excel跑得挺好。所以用数量硬卡临界点可能会误伤一部分人。