2023 年春天，我接手过一个让我印象很深的库存复盘。一家做家居收纳的跨境卖家，亚马逊美国站 + 欧洲站 + 独立站 + TikTok Shop，合计约 1400 个在售 SKU。他们的运营总监跟我说了一句话：“我们不缺订单，我们缺的是知道该在什么时候、往哪个仓、备多少货。”
当时他们的账面库存是 860 万元人民币（按采购成本口径），但同一个月里,光是美国站的断货损失就估到 40 万元以上，同时有 23% 的库存在海外仓躺了超过 180 天。一边缺货，一边压货，两个问题同时存在，这不是运营不努力，而是库存计划这件事根本没有被系统化。
后来我帮他们把库存计划拆成了一份能力清单，逐项对照系统该覆盖什么。半年后，周转天数从 96 天降到 71 天，滞销占比从 23% 降到 14%，缺货率从 11% 降到 5.2%。这篇文章就是把那份清单完整拆开讲，当你考虑搭建跨境库存计划体系时，到底需要覆盖哪些事项，哪些是必须做的，哪些是可以先放一放的。
我不喜欢一上来就讲功能列表，因为功能是可以堆的，能力域是必须有边界的。库存计划这件事，本质上是回答四个问题：卖多少、备多少、放哪里、什么时候清。围绕这四个问题，一套能用的系统至少要覆盖八个能力域。
预测不等于“猜销量”。它需要把历史销量按 SKU × 站点 × 仓库三个维度拆开，并且剔除掉缺货期间的失真销量。很多团队直接用平台后台的销量做预测，结果越缺货的品越被预测得越低，形成负反馈循环。
真正要覆盖的，是趋势项、季节项、活动项、生命周期项四段拆解。季节性在跨境里尤其重要，欧美市场的黑五、网一、圣诞，跟国内的双十一节奏完全不同。
跨境库存不是一个池子，而是五个池子：供应商在产、国内仓待发、头程在途、海外仓在库、平台仓在库（含 FBA、平台海外仓）。我见过太多团队只盯着平台后台的“可售库存”，结果补货决策永远慢半拍。
在途不可见，是跨境库存计划最大的单点故障。因为你补的货已经在路上了，系统不知道，就会重复下单。
安全库存不是拍脑袋的“备两周”。它应该由需求量波动标准差、补货周期波动、目标服务水平三者共同决定。同一家公司里，A 类爆款和 C 类长尾品的安全库存逻辑应该完全不同。
补货点是整个系统的心脏。它需要把采购周期、头程周期、清关时间、入仓上架时间全部串起来。少算一段，就会在某个环节卡住。
什么时候把货从美西仓调到美东仓，什么时候从海外仓补到 FBA，什么时候直接发新货而不是调拨，这些决策依赖的是各仓的销量分布和履约成本对比，而不是感觉。
每个 SKU 都有导入期、成长期、成熟期、衰退期。衰退期如果还按成熟期的补货逻辑走，就会产生滞销。系统必须有自动的衰退识别和清仓触发。
库存计划的最终约束是钱。库存周转天数、现金周转周期、单 SKU 资金占用、GOP（毛利占库存成本比）这些指标必须能在系统里按周刷新，而不是月底手工算一次。
预测突然跳变、到货延迟、平台库容受限、某仓销量异动，这些异常必须自动推给对应的人，而不是等运营自己去翻报表。
很多人会问：国内电商也有库存计划，为什么跨境要单独讲一套？我在两边都做过，最直观的感受是：国内的库存计划是“天级反馈”，跨境的库存计划是“月级反馈”。反馈周期差 10 倍以上，所有决策逻辑都要重写。
国内电商的链路是：工厂 → 自有仓 → 消费者。跨境是：工厂 → 国内仓 → 头程（海运/空运/铁路）→ 清关 → 海外仓 → 平台仓 → 消费者。
每一段都有独立的波动。海运价格和船期会变，清关时效会变，海外仓上架速度会变，平台库容限制会变。这四段波动叠加起来，补货周期的标准差可能是均值的 30% 以上。
一个中等规模的跨境卖家，数据散落在：亚马逊后台、eBay 后台、Shopify 后台、TikTok 商家后台、海外仓 WMS、货代系统、财务系统。每个系统的 SKU 编码规则可能都不一样。
我做过一次统计，帮客户做数据对齐时，发现同一个产品在五个系统里有 3 种不同的 SKU 编码方式，还有 7 个 SKU 在海外仓系统里根本对不上。
跨境库存的真正成本不只是采购成本。它包括头程运费、关说、海外仓储费、平台长期仓储费、退货处理费、销毁费。亚马逊的长期仓储费在存放 365 天以上时会明显抬升，这是一条硬约束。
我见过一个案例：一款售价 39 美元的产品，因为滞销存放超过 365 天，单件仓储费和移除费加起来接近 8 美元，等于把毛利全吃掉了。
亚马逊的 IPI（库存绩效指标）分数直接决定库容上限。库容受限的时候，你不是想补就能补，必须做取舍：哪些 SKU 优先入仓，哪些走海外仓发货，哪些干脆清掉。
这就意味着，库存计划系统不只是算数量，还要能感知“仓容”这个约束条件。这一点在国内电商里几乎不存在。
我自己参与过从 Excel 到系统化的完整过程，也看过几十家卖家的表格。下面这五个坑，几乎每一家都会踩，而且踩的顺序都差不多。
这是最典型的一个。运营打开表格，看到某 SKU 还有 320 件，日均卖 12 件，觉得还能撑 26 天，于是把补货往后排。但真实情况是：这批货里 180 件在 FBA，140 件在海外仓，海外仓到 FBA 的调拨要走 5 天，而新一批货从下单到上架要 45 天。
26 天看起来够，实际上在第 20 天就已经断了。没有在途、没有调拨时效的库存数，是个假数。
我见过一家的规则是“所有 SKU 备 30 天安全库存”。结果是：爆款经常断，长尾品越压越多。因为爆款的日销波动大，30 天不够；长尾品日销稳定但基数小，30 天纯属浪费。
很多团队预测的是“这个产品下个月卖 3000 件”，但真实需要的是“美国站 FBA 仓下个月卖 1800 件，美国站海外仓 400 件，欧洲站 800 件”。总量对，分仓全错，结果就是一边爆仓一边断货。
人工盯滞销表，通常是一个月看一次。等发现某个 SKU 已经 150 天没动销，往往已经过了最佳清仓窗口。清仓的黄金期是 90 到 120 天，超过 180 天，折扣要打到骨折才能出。
补货决策做完了，但是否准确、偏差多少、参数要不要调，没有人回头看。于是同一类错误一年犯十二次。这是手工模式最大的结构性缺陷，它无法自我修正。
在决定上系统之前，我建议先把认知误区清一遍。因为我见过太多团队花了大钱买了工具，结果因为逻辑本身错了，系统只是在更快地产出错误答案。
这是我最想纠正的一条。预测永远不可能准，跨境场景下能把 MAPE 控制在 25% 以内已经算优秀。真正要做的不是追求准，而是让误差可控，并且用安全库存吸收误差。
我见过团队为了把预测精度从 30% 提到 25%，投入了三个月做算法调优，结果库存指标没变化。因为瓶颈不在预测，在补货周期太长。
周转率的另一面是缺货率。把周转压到极致，必然带来断货。真正的目标是在目标服务水平下，让资金占用最小，而不是单纯追求周转数字好看。
不同品类、不同站点、不同生命周期的 SKU，参数必须分层。我通常建议至少按“销量规模 × 需求稳定性”做二维分层，也就是 ABC 与 XYZ 的组合。
主数据没理清就上系统，等于把混乱搬了个家。SKU 编码、产品组合关系（父子 ASIN）、多平台映射，这三件事必须先做。
海外仓的价值不只是备货，还有缓冲和分拨。只盯 FBA 会导致补货节奏被平台库容绑死。
清仓本质是资金决策。谁承担减值、什么时候认亏、折扣权限给到多少，这些需要财务和运营一起定规则，然后写进系统。
库存计划的核心指标不超过八个。指标太多，团队会陷入“看板很好看但没人做决策”的状态。
把能力域和误区讲完，接下来是我认为最核心的部分：库存计划系统的分层逻辑。这一层决定了你买什么、建什么、先做什么。
数据层包含三类：主数据（SKU、组合关系、平台映射）、交易数据（订单、销量、退货）、物流数据（在途、到货、上架、调拨）。
数据层的完整度，直接决定了上层所有计算的可信度。在途数据缺失，补货点就是错的；退货数据缺失，净销量就是虚的。
计划层是预测、安全库存、补货点、补货量四个计算模块。它的输出应该是“建议”，而不是“命令”。我强烈建议保留人工调整环节，因为运营掌握着系统不知道的信息，比如某达人下周要带货。
补货点的基础公式是：
补货点 = 日均净销量 × 总补货周期 + 安全库存
其中：
日均净销量 = (历史销量 – 退货量 + 缺货补偿量) / 统计天数
总补货周期 = 采购周期 + 头程周期 + 清关周期 + 入仓上架周期
安全库存 = Z值(服务水平) × √(补货周期 × 需求标准差² + 日均销量² × 周期标准差²)
这个公式不复杂，难的是每个参数的取值都要分 SKU 分层，而且要能按周迭代。
执行层是把计划转成单据：采购单、入仓单、调拨单、清仓单。这里最容易出问题的是审批链路和责任归属。谁批采购、谁批调拨、谁批清仓折扣，必须系统内明确。
反馈层是复盘指标体系。我认为至少要跟踪四个：预测偏差率、补货建议采纳率、缺货率、滞销占比。这四个指标能形成闭环，参数才可能越调越准。
讲方法论之后，我想给一个具体的、可以验证的观察。过去两年我做项目时，经常需要一套能把多平台、多仓、在途数据整合到一起的工具，其中用得比较多的是数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）。它的定位不是替你做决策，而是把散在各处的销量、库存、在途、采购数据先对齐到同一个口径上，让库存计划有可算的基础。
客户是一家家居收纳类卖家，2023 年初的状态是：在售 SKU 约 1400 个，覆盖亚马逊美国站、亚马逊欧洲站、独立站、TikTok Shop 四个渠道；仓储节点包括国内仓 1 个、美西海外仓 1 个、美东海外仓 1 个、FBA 美国站、平台欧洲海外仓。
团队规模是 8 个运营、2 个采购、1 个供应链主管。库存计划当时全靠三张 Excel 表：销量表、库存表、补货排期表。三张表每周手工更新一次，更新一次要花 1.5 个人天。
第一，在途数据完全缺失。采购下过的单只在采购的个人表格里，运营看不到，导致同一 SKU 出现过两次重复下单，合计多订了 2400 件。
第二，平台销量口径不一致。欧洲站的销量在后台看是含退货的，美国站是净销量，两个数据放一起对比，欧洲站看起来好卖，实际上退货率高出 11 个百分点。
第三，没有分仓视角。美东仓一批货压了 4 个月，美西仓同期却因为缺货跑了三次空运，两边信息不通。
数据打通并建立基础补货逻辑后，六个月复盘的对比数据是：
| 指标 | 上线前 | 上线 6 个月后 | 变化 |
|---|---|---|---|
| 库存周转天数 | 96 天 | 71 天 | -25 天 |
| 月均缺货率 | 11.0% | 5.2% | -5.8 个百分点 |
| 180 天以上滞销库存占比 | 23% | 14% | -9 个百分点 |
| 库存资金占用（采购成本口径） | 860 万元 | 640 万元 | -220 万元 |
| 库存计划人工耗时 | 1.5 人天/周 | 0.4 人天/周 | -73% |
| 重复下单发生次数（季度） | 3 次 | 0 次 | 消除 |
需要说明的是，这是单个项目的复盘数据，已经脱敏处理，不代表所有卖家都能拿到同样的幅度。但方向是稳定的：先把数据口径统一，再谈算法优化，收益的大头在数据层，不在模型层。
项目里最有价值的改动，其实不是补货公式，而是把“在途库存”和“调拨在途”放进了同一张视图。运营第一次能看到“我现在真正能动用的货有多少”。
仅这一个改动，就让重复下单问题当月归零。所以如果你正在选工具，我的建议很明确：先看它能不能把多平台、多仓、在途、采购这四类数据对齐，而不是先看它的预测算法有多先进。
库存计划系统没有通用方案，规模不同，优先级完全不同。我把见过的卖家分成三个阶段，分别给建议。
这个阶段不要买复杂系统。核心是把三件事做好：一是建立统一的 SKU 编码规则；二是把补货点公式落进 Excel 或轻量工具；三是每周做一次缺货与滞销复盘。
这个阶段手工模式一定会崩。核心矛盾是数据源太多、更新频率跟不上。优先要做的是数据打通和分层参数。
这个阶段我建议用成熟的第三方工具做数据底座，而不是自研。因为自研的成本主要在数据对接和维护，而不是算法。像数跨境这类把多平台、多仓、在途数据整合起来的工具，价值就在于省掉了你自己搭数据管道的那半年。
这个阶段的重点从“算得准”转向“协同得好”。需要解决的是跨部门的目标一致性问题：采购想拿批量折扣，运营想保不断货，财务想压资金，三方目标天然冲突。
我的建议是建立统一的库存健康度评分，把三方指标绑到同一张表上：
| 部门 | 关注指标 | 建议权重 | 冲突点 |
|---|---|---|---|
| 采购 | 采购成本降幅、到货准时率 | 25% | 倾向大批量下单压价，推高库存 |
| 运营 | 缺货率、动销率 | 40% | 倾向多备货保销售，推高滞销风险 |
| 财务 | 周转天数、资金占用 | 35% | 倾向压库存，可能牺牲销售机会 |
这张表的意义不是数学上的精确，而是让三方在同一个坐标系里讨论问题，而不是各说各话。
前面讲的都是“应该做什么”，这一节讲“必须放弃什么”。库存计划系统最大的风险不是功能不够，而是贪多。
预测可以做到 SKU × 站点 × 仓库 × 周粒度，但每加一个维度，参数维护量都会翻倍。我的经验法则是：先做到 SKU × 站点，等缺货率稳定在 8% 以内，再往下拆到仓库。
过早拆到仓库，会出现大量样本量不足的 SKU，预测反而更不准。日销低于 3 件的 SKU，在单仓维度上基本没有统计意义。
库存数据要不要实时？答案是分场景。销量数据天级更新足够，因为在途补货周期是按天算的；但库存可售量在旺季大促时需要小时级，因为可能出现瞬间超卖。
我建议的策略是：计划用天级，监控用小时级。不需要把所有数据都做成实时流。
这是最常被问到的问题。我一般用三个判断标准：
大多数年 GMV 在 5000 万以下的卖家，我的建议是先采购、后自研，把精力放在业务逻辑本身。
我不建议补货全自动。系统给建议、人做确认，是当前跨境场景下最稳的形态。因为存在大量系统看不到的信息：达人排期、平台活动、竞品断货、汇率波动、政策变化。
但确认不等于随意改。建议采纳率要作为考核指标，如果长期低于 50%，说明要么系统参数不对，要么人工判断没有依据，两种都需要查。
方法论讲完，最后给一个我认为可执行的路线。这套路线我在四个项目里跑过，平均能在 90 天看到第一波指标变化。
这一个月不做任何算法，只做数据。把 SKU 编码、父子关系、平台映射、仓库映射全部理清，输出一份主数据表。
这一个月把五个库存节点打通，并上线补货点计算。重点是在途数据的采集，这是最容易被忽略、也最影响结果的一环。
最后一个月做分层和安全库存参数，同时把滞销预警从 180 天前移到 90 天。这一阶段会产生第一批可观测的指标变化。
| 维度 | 90 天验收线 | 180 天目标线 |
|---|---|---|
| 在途可见率 | ≥ 90% | ≥ 95% |
| A 类品缺货率 | 下降 3 个百分点 | 控制在 5% 以内 |
| 180 天以上滞销占比 | 下降 2 个百分点 | 控制在 15% 以内 |
| 库存周转天数 | 下降 5 天 | 下降 15 天以上 |
| 计划人工耗时 | 下降 30% | 下降 60% 以上 |
| 补货建议采纳率 | ≥ 50% | ≥ 70% |
如果你在推进过程中看到这三个信号，说明方向出了问题，需要及时调整：
做了这么多个项目，我最大的体会是：跨境库存计划不是一道预测题，而是一道工程题。你不需要预测得多准，你需要的是把在途、在库、调拨、清关这些环节的波动，变成一组可以被计算、被观察、被迭代的参数。
多数团队卡住的地方，不是算法不行，而是连“我现在到底有多少货”这个问题都答不上来。所以如果你今天就要开始动手，我的建议顺序是：先统一数据口径，再打通在途可见，然后做分层补货参数，最后才考虑预测算法。
具体的第一步动作，可以从一张表开始：把你在售 SKU 的销量、五个节点的库存、在途数量、采购周期、头程周期列出来。如果这张表你能在半天内填完并且数据可信，说明你的基础不错；如果填不完，那答案已经很清楚，
先解决可见性，再解决智能性。像数跨境这类把多平台、多仓、在途数据整合起来的基础工具（https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys），可以帮你省掉最耗时的那段数据对齐工作，但决策逻辑和参数体系，仍然需要你自己想清楚。
我们做亚马逊和独立站，去年想把库存这块从 Excel 搬到系统里。当时以为就是“记录库存数量”，结果梳理需求的时候发现光补货就有七八个分支，运营、采购、物流各说各的，越聊越乱。所以我很想先要一份能对得上的清单。
我一般把它拆成 6 个必做事项，缺一个系统就会退化成记账本。第一是需求预测，至少要有近 7/14/28/90 天日均销量加季节系数两条线，新品用同类目映射。第二是补货策略，按 SKU 分层（爆款、常规、长尾、清仓）配不同规则，不要一套公式打天下。
第三是安全库存与补货点，按仓库和渠道分别算，别用全局平均。第四是在途与采购节奏，采购在途、头程在途、入仓上架、清关各段的天数要拆开算，因为旺季头程能从 25 天涨到 45 天。第五是多渠道分配，哪个仓供哪个店、按什么规则分货。
第六是滞销与周转，库龄分档（0-30、31-60、61-90、90 天以上）、动销率、清货触发线。判断依据很简单：拿过去 3 个月实际断货和滞销的 SKU 各挑 5 个做回放，如果这 6 项里任何一项你的流程说不清楚，就说明系统少了一块。
我们同时跑 FBA、海外仓和独立站自发货，同一个 SKU 三个地方都有货。去年黑五独立站卖爆，把本来要发 FBA 的货吃掉了，结果亚马逊断货掉排名。所以我很想知道，系统里到底该怎么设计库存的共享和隔离。
核心原则是物理库存共享、可售库存隔离。具体做法：第一，按仓和渠道建可售池，物理库存只记总数，任何渠道下单先扣可售池而不是总库存。第二，给每个渠道设分配量或预留比例，比如海外仓 1000 件，给亚马逊预留 600、独立站 400，谁先超就触发预警，而不是自动互相抢。
第三，设一条调拨线，当某渠道可售低于 N 天销量（我通常用 14 天）自动生成调拨建议，人工确认后才生效，不要让它自动改库存。第四，在途货单独算，未入仓的不计入可售，否则很容易虚高。
判断标准是做一次断开测试：手动冻结某个渠道，其他渠道的可售数应该只在调拨生效后才变化，而不是立刻跟着涨，如果立刻涨说明你的设计还是共享总库存。
我以前设安全库存全靠经验，爆款给 30 天、长尾给 7 天。结果去年一个海运延误 20 天的 SKU 断货两周，另一个慢销品压了 8 个月。所以我想搞清楚，到底有没有一个能算出来、又不会太复杂的口径。
用简化公式就够，关键是数据口径统一。安全库存等于 Z 值乘以日销标准差，再乘以补货总周期天数的平方根。Z 值按目标服务水平取：90% 用 1.28，95% 用 1.65，97.5% 用 1.96，跨境电商我一般爆款取 1.65、常规取 1.28。
补货总周期等于采购天数加头程天数加入仓上架天数再加缓冲，缓冲这里最重要的一点是按旺季 P90 而不是平均值来取，这是最容易被忽略的地方。补货点等于日均销量乘以补货总周期，再加上安全库存。补货量再叠加最小起订量、整箱倍数和资金上限做二次修正。
判断依据是回头验证：过去 12 个月断货天数占比应降到 2% 以内，同时库存周转天数上升不超过 10%，两个指标一起看才不会顾此失彼。
我们前年上过一套系统，页面很好看，报表也全，但运营还是回 Excel 里算补货。老板问这套东西到底有没有用，我一时答不上来。所以我很想知道，验收的时候该盯哪几个数。
别验收功能，验收决策覆盖率。我一般看四个数：一是补货建议采纳率，系统生成的补货单被运营直接采用或小幅调整后采用的比例，低于 60% 说明参数不可信；二是断货率，用有货天数除以应售天数，成熟类目做到 97% 以上；三是库存周转天数与库龄结构，90 天以上库龄的库存金额占比控制在 8% 以内；
四是预测偏差，用 MAPE 衡量，SKU 级别月度能压到 30% 以内就算能用，20% 以内算好。上线节奏建议先跑一个月影子模式，系统只出建议不参与实际下单，每天记录差异原因，把高频差异归类去修正参数，再切到正式接管。这样比一上线就直接放权要稳得多，也能让运营真正信任系统的输出。
读者评论
清仓触发点定为90天，我觉得要看品类。做圣诞季产品的，8月入仓12月才动销，90天没动销是常态，系统一刀切触发清仓会误伤。更合理的是按品类设动销节奏基线，再叠加库龄成本曲线，而不是统一阈值。另外想问问，衰退识别用的是连续无销天数还是销量斜率？前者对季节性品几乎不可用。
数据对齐这块讲得太轻了。我实际做过一轮，SKU编码、父子ASIN映射、多平台库存扣减口径，这三件事吃掉项目八成时间，而且不少海外仓WMS根本不开放接口，最后还是要人工导表。想问的是，在不动原有系统前提下，有没有把平台仓和海外仓在库做实时对账的可行做法，还是只能接受T+1。
用标准差算安全库存有个前提，需求近似正态分布。跨境很多SKU日销是个位数，中间还夹着一堆0，标准差算出来没有解释力，反而给了虚假的精确感。这种长尾品是不是还是得退回简单的覆盖天数加人工兜底？文中说按ABC分级动态计算，但C类具体怎么落，希望能再细一点。