去年 Q4 旺季第二周，一个做家居收纳品类的卖家给我看他的库存表：42 个在售 SKU，其中 6 个主力款断货超过 11 天，同期有 9 个 SKU 的库龄超过 210 天，压着近 87 万元货值。他的运营团队每天开两次补货会，用一张 Excel 维护三个平台的库存，表格里同时躺着亚马逊 FBA 可售、海外仓在库、头程在途、工厂待发四类数据，但没有任何一处写清”这批货什么时候到、到了够卖几天”。问题不在于他们不勤奋，恰恰相反，他们每周花在拉数据、对数量、算补货上的时间接近 26 个小时，只是这些工作全部依附在人的记忆和几张互相对不上的表上。
这就是跨境电商库存计划最典型的处境：执行标准没有落到系统里，于是所有的经验都随人流动。这篇文章想讲清楚一件事，库存计划环节到底该怎么体现”系统搭建”，以及它在运营执行标准里应该占什么位置。
先把结论摆在前面，避免后面绕弯。我在过去几年参与的十几个跨境卖家的库存体系搭建项目里，逐渐收敛出一个判断：库存计划的系统搭建，不是买一套软件，也不是做几张看板，而是把运营团队脑子里那些”大概””差不多””看情况”的经验，翻译成一组可以计算、可以追溯、可以被系统反复执行的参数。
这个判断听起来平淡，但它直接决定了你花钱的方向。如果你认同这个定义，你就会把预算花在参数体系和数据口径上；如果你不认同，你就会把钱花在报表美化上，然后发现上线三个月后，大家依然在群里问”这个款还能不能补”。
大多数人评估库存系统时，第一眼看的都是可视化。看板好看、图表丰富、颜色醒目，很容易让人觉得”系统建成了”。但真正决定库存结果好坏的，是一张大多数人看不到的补货参数表。
这张表里至少要有：每个 SKU 的日均销量口径、波动系数、采购周期、头程周期、入仓上架周期、目标覆盖天数、安全库存天数、最小起订量、装箱率、目标仓、优先级。这些参数一旦确定，系统才能自动算出”什么时候补、补多少、补到哪个仓”。
看板解决的是”我现在看到了什么”，参数表解决的是”我下一步该做什么”。前者是观察工具，后者是决策工具。很多团队的库存系统失败，根本原因就是只做了前者。
这是我这些年最想纠正的一个认知偏差。大量卖家在选型时反复追问”你们的预测准确率能到多少”，仿佛预测准确率是唯一指标。但真实业务里，跨境需求预测的准确率天花板并不高，尤其是新品类、季节性品类和受平台流量波动影响的品类。
我做过一个统计口径下的复盘：某家居卖家 2023 年全年，主力款 30 天维度的预测偏差中位数在 28% 左右，旺季能到 40% 以上。这不是团队能力问题，而是品类特性决定的。既然预测一定不准，那么系统的核心能力就应该是：在预测偏差发生的时候，库存水位依然处在可接受区间内。
这靠的是安全库存设计、补货频次设计、多仓调拨策略和异常预警，而不是靠把预测调到小数点后两位。
我见过太多这样的结构：数据团队做了一套补货模型，交付给运营，运营看了两天，觉得跟自己经验不符，继续按老办法下单。三个月后模型没人用，数据团队也失去动力。
问题的根源在于，库存计划没有被写进运营的执行标准。什么叫执行标准？就是明确规定：每周几做库存评审、以系统输出的补货建议为基准、偏离建议超过多少需要书面说明、谁签字、谁负责。
没有这几条，系统就只是参考意见，而参考意见在业务压力面前永远打不过”我觉得这个款要爆”。
我通常用一个五问清单来快速判断一套库存计划体系是否真的搭起来了。这五个问题在业务会议上被随机抽问，如果运营和数据的人都能在 30 秒内答出来，说明系统是活的。
这五问覆盖了库存计划的四个核心维度：可售天数（现状）、到货周期（约束）、目标设定（策略）、偏差归因（复盘）。能答全，系统算合格；答不全，说明还有环节悬空。
在讲具体方法之前，有必要先把跨境电商库存计划的特殊性讲透。因为很多通用库存理论是从国内电商或者传统零售迁移过来的，直接套用会出问题。
国内电商的补货链路通常是：工厂/供应商发货 → 区域仓 → 消费者，整个周期 3 到 10 天。跨境链路则是：工厂生产 → 国内仓集货 → 头程（海运/空运/快铁）→ 目的国清关 → 海外仓或平台仓 → 消费者。
这条链路的时间跨度，海运快则 25 天，慢则 55 天以上；空运 7 到 12 天；海外仓上架还要 3 到 7 天。再叠加生产周期，一个 SKU 从决定补货到真正可售，普遍在 45 到 100 天之间。
周期越长，需求预测的窗口就越长，误差就越大，而误差的代价也越高。这是跨境库存计划难度的第一来源，也是为什么”拍脑袋补货”在跨境场景下代价远高于国内。
同一个 SKU，可能在亚马逊 FBA 有可售库存、在第三方海外仓有在库、在头程有在途、在工厂有待发，而这几类库存的可用性和成本完全不同。
更麻烦的是平台规则在持续变化。比如 FBA 的库容限制会根据 IPI 分数动态调整，库存绩效不达标时补货会被卡住；部分平台的半托管模式要求卖家把货备到指定仓，备货节奏由平台流量分配决定而非卖家自主。
这意味着库存计划系统必须能承载多库存类型、多约束条件，而不是简单地算一个总数量。
跨境卖家的库存不只是占资金，还占汇率敞口、占仓储成本、占关税和合规成本。海外仓的仓储费往往是阶梯式的，30 天、60 天、90 天费率逐级抬升；长期仓储费会在库龄超过一定天数后跳升。
我见过一个卖家，滞销库存的货值约 120 万元，但全年为此支付的海外仓仓储费加上长期仓储附加费接近 18 万元，相当于滞销货值的 15%。这笔钱不会出现在采购成本里，但会实实在在吃掉利润，而且往往在财务月结时才被发现。
回到开头那个家居卖家。我帮他们做了一次完整的偏差归因复盘，结论很有代表性。
那个旺季他们整体销量同比增长了 62%，但缺货损失估计在 40 万元以上。复盘发现，断货的 6 个主力款有一个共同特征：它们的补货周期都在 65 天以上，但补货决策的触发点是”库存低于 30 天用量”。
也就是说，当他们意识到要补货时，即使立刻下单，货也要 65 天才能上架，而现有库存只够卖 30 天，中间必然断 35 天。这不是执行不力，是参数设计本身就错了。
更值得注意的是，同期那 9 个库龄超 210 天的 SKU，恰恰是去年旺季”看着要爆”临时加单的款。同一套拍脑袋机制，既造成了断货，也造成了滞销。
在真正动手之前，先把踩过的坑列清楚。下面这五个误区，我在不同规模卖家身上反复见到，其中有些看起来是”低成本方案”，实际上后期返工成本极高。
Excel 在库存管理的早期阶段确实够用，我从不否定它。问题出在它被当成了长期方案。
当一个团队的 SKU 数量超过 200、平台超过 2 个、海外仓超过 1 个时，Excel 的维护成本会呈非线性上升。公式引用链条变长、多版本并存、权限不清、历史数据覆盖丢失，这些都不是靠”把表做得更规范”能解决的。
一个可观察的信号是：如果团队里有一到两个人的主要工作就是维护那张 Excel，说明已经该换方案了。因为这两个人一旦请假，补货决策就会停摆。
这是最容易被忽略的一个误区。ERP 的核心是记录已经发生的事：采购单开了多少、货发了多少、入仓了多少、卖了多少。它擅长的是账实一致和流程留痕。
但库存计划要解决的是尚未发生的事：未来 30 天大概卖多少、什么时候该下单、下多少、补到哪个仓最划算。这是预测和优化问题，不是记账问题。
我见过不少卖家买了 ERP 之后发现补货还是靠人算，于是就认为”系统没用”。其实不是系统没用，是选错了系统的类型。ERP 和库存计划系统是互补关系，不是替代关系。
“补货”是动作，”计划”是节奏。很多团队的库存工作只有前者：等库存告急了才去补。这样做出来的东西，本质是被动的救火机制。
真正的计划应该包含三个时间层次：周度补货执行、月度库存结构评审、季度品类策略调整。周度解决”这周该下什么单”，月度解决”库存结构是否健康”，季度解决”哪些品类该加、哪些该退”。
只有周度动作、没有月度和季度的层级，库存就会在结构上失控，单看每个 SKU 都有理，合起来就是一堆滞销。
“安全库存就设 30 天吧”，这句话我在会议上听过太多次。问题是，30 天对稳定款是浪费，对波动款又远远不够。
合理的安全库存设计至少要输入三个变量：需求波动系数、补货周期波动、目标服务水平。波动越大的 SKU 安全库存越高，补货周期越不稳定的链路安全库存越高，服务要求越高的渠道安全库存越高。
把安全库存设成一个全局统一的天数，等于放弃了库存计划里最有价值的那部分精细化空间。
这是我见过最普遍的”最后一公里”问题。系统上线、数据接入、补货建议生成，一切看起来都完成了。但运营依然按自己的判断下单，理由是”系统不了解这个款的实际情况”。
破解方法是把系统输出嵌入流程节点，而不是让它成为一份可看可不看的报告。具体包括：补货建议成为采购申请的前置条件、偏离建议必须填写原因、每周复盘会审偏差 Top 10。
没有这几条，系统就只是个昂贵的展示品。
讲完了误区和背景，进入正题。这一节是我在实际项目中反复使用的框架，把库存计划系统拆成五层，每一层有明确的交付物和验收标准。
这个分层的好处是，它让”系统搭建”这件事变得可拆解、可分阶段推进，也方便定位问题出在哪一层。
数据层要解决的核心问题是：当一个运营问”这个 SKU 现在有多少货”时，整个团队给的是同一个答案。
这需要把五类数据归集到统一口径下：平台仓可售库存、第三方海外仓在库、头程在途、国内仓/工厂待发、已下单未发货（在采购）。同时要标注每类数据的更新时间，因为平台接口拉取有延迟。
数据层的验收标准很简单：任何一个人，在任何时间，用同一个 SKU 编码，能查到一致的库存快照，并知道这份快照的数据时间戳。
参数层是从”看数据”走向”做决策”的桥梁。这一层的核心工作是给每个 SKU 打标签，并据此匹配补货策略。
我常用的分层方式是 ABC 与 XYZ 的组合。ABC 按销售额贡献度分，XYZ 按需求稳定性分（用变异系数衡量）。组合起来形成九宫格，每个格子对应不同的补货策略。
| 分层 | 特征 | 补货策略 | 安全库存 | 复盘频次 |
|---|---|---|---|---|
| AX | 高贡献、需求稳定 | 高频小批量，自动补货 | 低（0.5-1 个补货周期） | 月度 |
| AY | 高贡献、需求中等波动 | 固定周期补货，人工确认 | 中（1-1.5 个周期） | 双周 |
| AZ | 高贡献、需求剧烈波动 | 小批量试单 + 快速返单 | 中高 | 周度 |
| BX | 中贡献、需求稳定 | 常规补货，批量优化 | 低 | 月度 |
| BY | 中贡献、需求中等波动 | 固定周期补货 | 中 | 月度 |
| BZ | 中贡献、需求波动大 | 控制总量，观察为主 | 高 | 双周 |
| CX | 低贡献、需求稳定 | 拉长补货周期，降频 | 低 | 季度 |
| CY | 低贡献、需求中等波动 | 评估是否退市 | ， | 季度 |
| CZ | 低贡献、需求波动大 | 清库存，不再补货 | ， | 季度 |
这张表的价值在于，它把”这个款要不要补、补多少”从一个主观判断变成了查表动作。分层不是为了分类好看，是为了让补货决策有统一的语言。
决策层要输出三个数字：未来一段时间的需求量、补货触发点、补货数量。
补货点的计算逻辑可以写成这样：
补货点(ROP) = 日均销量 × (采购周期 + 头程周期 + 入仓上架周期) + 安全库存
安全库存 = 服务水平系数(Z) × 需求标准差(σ) × √(补货总周期)
补货量 = 目标覆盖天数 × 日均销量 – 可用库存 – 在途库存 + 安全库存
这几个公式本身不复杂，难的是参数的获取和维护。日均销量用哪个窗口？7 天会被促销干扰，90 天会掩盖趋势变化。我的经验是按 SKU 分层选窗口：AX 用 30 天，AZ 用 14 天加人工修正，CZ 用 90 天。
补货周期也要拆分维护，因为海运和空运的周期差异巨大，而实际选择哪种方式本身就是一个决策变量。
决策层算出”该补 800 件”只是开始，执行层要解决的是：什么时候下单给工厂、走什么物流方式、发到哪个仓、分几批走。
这一层最常见的浪费是物流方式错配。急货走海运导致断货，慢货走空运导致成本虚高。合理的做法是按紧急程度分级：可售天数低于一个补货周期的走空运/快铁，高于两个周期的走海运。
执行层还需要处理平台约束，比如 FBA 库容不足时的分仓策略、海外仓的入库预约周期。这些约束如果不进系统，补货建议就会变成一张无法执行的愿望清单。
复盘层是整个体系里最容易被跳过、但长期价值最高的一层。
具体做法是每周对比系统建议与实际下单的差异，并对差异做归因分类：是预测偏差、是参数设置错误、是人为干预、还是外部突发（平台政策、物流延误）。
归因完成后，要反向修参数。如果某类 SKU 连续 4 周出现系统性低估，说明日均销量的统计窗口或者季节性系数需要调整。
没有复盘层的库存系统，是一个不会学习的系统，参数会随时间推移越来越脱离实际。
前面讲的是框架和逻辑，这一节讲落地。我用数跨境（跨境电商数据集成与库存计划平台，官网 https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）作为观察对象，讲清一个库存计划系统从接入到跑通的实际步骤。
需要说明的是，下面提到的数据来自我在类似项目中的观察和推演，用于说明方法论，不代表该平台的官方承诺指标。
库存计划系统的第一件事，是解决数据来源分散的问题。一个中等规模的跨境卖家，通常同时开着 2 到 4 个平台店铺，使用 1 到 3 个海外仓，还有自己的国内仓或者工厂代发。
数跨境这类平台的做法是先做数据接入层：对接平台店铺的库存与订单数据、海外仓的库存接口或者报表导入、采购单和头程物流的节点数据。接入完成后，每个 SKU 会形成一张时间序列的库存快照。
这一步的验收标准就是前面说的”同一真相”：同一个 SKU，在任何人的界面上看到的可售天数是一致的。
数据打通之后，下一步是给 SKU 打标签。这些标签包括：品类、站点、生命周期阶段（新品/成熟/衰退）、ABC 贡献度、XYZ 波动性、是否有季节性、是否受平台活动影响。
这一步看起来像行政工作，但它决定了后面所有补货策略能不能自动匹配。如果 SKU 没有标签，系统只能对所有款用同一套参数，那就退化回了平均值管理。
我的经验是，一个 500 SKU 左右的卖家，第一次完整打标签大概需要 2 到 3 天，之后每月维护增量即可。这 2 到 3 天是整件事里投入产出比最高的时间。
参数打完，系统就可以输出补货建议了。关键在于输出的形式：不能只给一个数字，要给出数字背后的依据。
比较理想的输出格式是这样的：
| 字段 | 示例值 | 说明 |
|---|---|---|
| SKU 编码 | HM-2041-GY | 唯一识别 |
| 当前可售天数 | 23 天 | 含 FBA 可售 + 海外仓在库 |
| 补货总周期 | 68 天 | 生产 25 + 头程 38 + 上架 5 |
| 目标覆盖天数 | 120 天 | 基于 AX 分层与旺季系数 |
| 建议补货量 | 1,450 件 | 扣除在途 300 件后 |
| 建议物流方式 | 海运 + 空运组合 | 300 件空运补急，其余海运 |
| 建议下单日 | 本周五前 | 考虑工厂排期与船期 |
| 风险提示 | FBA 库容剩余 12% | 需优先发海外仓 |
这样的输出，运营拿到手就能执行，也能理解为什么是这个数字。可解释性直接决定了执行采纳率。如果系统只给一个数字，运营的第一反应永远是质疑。
补货建议生成之后，还要有监控机制。数跨境这类平台通常提供几类预警：可售天数低于补货周期的紧急预警、库龄超过阈值的滞销预警、库存资金占用超预算的预警、补货建议与实际下单偏差过大的执行预警。
关键在于预警要有责任人。每一条预警都应该对应一个具体的运营人员，而不是发到一个群里让大家自己认领。我见过效果最好的做法是：预警直接进入运营的待办列表，48 小时未处理自动升级到主管。
系统跑起来之后，最重要的例行工作是偏差归因。数跨境的复盘视角一般会看几组对比：实际销量 vs 预测销量、实际到货时间 vs 计划到货时间、实际下单量 vs 建议下单量。
这三组对比分别对应三类问题：需求侧预测偏差、供应链侧执行偏差、决策侧采纳偏差。三类问题的改进方向完全不同，混在一起看就会得出”系统不准”这种没有信息量的结论。
库存计划系统不是一套方案打天下。团队规模、SKU 数量、平台结构、仓储模式不同，落地路径差别很大。下面按四种典型情况给出建议。
这个阶段不要买系统。你的核心任务是把参数习惯建立起来，而不是把工具升级。
具体做法：用一张规范的表格维护每个 SKU 的补货周期、日均销量、目标覆盖天数、安全库存天数。每周固定时间更新一次，每月复盘一次偏差。重点是把”补货触发点”从”库存告急”改成”可售天数低于补货周期”。
这个阶段投入的时间大概每周 3 到 5 小时，但它建立的是后面所有系统的地基。如果这一步没做好，直接上系统也只是把混乱搬到了软件里。
这是最典型的中间阶段，也是最需要通过系统化解决效率问题的阶段。手工维护的成本开始超过系统成本，而且数据分散带来的决策延迟已经开始产生实质损失。
建议的路径是：先做数据接入，把多平台、多仓的库存统一到一处；再做 SKU 分层和参数配置；然后上线补货建议与异常预警。这个阶段不需要一步到位做复杂的预测模型，先把”可售天数”和”补货建议”这两个最基础的输出做准，价值就已经很大。
选择平台时，重点看三件事：能否对接你正在用的平台和海外仓、能否支持 SKU 级参数配置、补货建议是否可解释。
这个阶段的核心矛盾从”数据分散”变成了”协同复杂”。库存决策要同时考虑平台仓容约束、海外仓容量与费率阶梯、头程船期与拼柜、工厂产能。
建议做三件事：第一，建立跨部门的需求协同机制，让销售计划、采购计划、物流计划在同一套参数下对齐；第二，引入多仓库存分配逻辑，明确什么情况下从海外仓调拨、什么情况下直接从国内发；第三，把库存健康度指标纳入运营考核，比如库存周转天数、滞销金额占比、缺货率。
这个阶段通常会同时使用 ERP 和专业的库存计划平台，前者管账实，后者管决策。
这两类卖家的库存计划重点明显不同。
工厂型卖家有生产排期，最小起订量和生产周期是硬约束，补货不是”下单”而是”排产”。他们的库存计划要更早介入，通常需要提前 90 到 120 天做产能规划，且要考虑原材料采购周期。
贸易型卖家相对灵活，可以小批量多频次补货，但受供应商产能和价格波动影响更大。贸易型卖家的库存计划重点应该放在供应商管理和多源供应上，而不是把预测做到极致。
库存计划的所有决策本质上都是取舍。下面四组取舍，是我在项目里跟团队争论最多的，也最需要提前想清楚。
追求更高的预测精度意味着更复杂的模型、更多的数据输入、更长的建模周期。但在很多品类里，把预测精度从 70% 提到 78% 的成本，远高于把这部分资源投向缩短补货周期。
我的判断是：在补货周期超过 60 天的品类里，优先投资供应链响应速度；在补货周期少于 30 天的品类里，优先投资预测精度。因为周期越长，预测的边际改善越难转化为实际库存结果。
这是最经典的一对矛盾。周转快意味着库存薄，库存薄意味着更容易断货。两者不可能同时最优。
关键在于区分 SKU 分层设定目标。AX 类可以接受较低的周转率（更高的安全库存），因为它们贡献了大部分销售额，断货损失大；CZ 类应该追求最高周转率，宁可缺货也要清掉。
用统一目标要求所有 SKU，是库存管理里最常见的策略性错误。
一套专业库存计划系统的年费通常在几万元量级，加上实施和培训成本。这笔钱看起来不少，但要跟人力成本对比。
一个运营人员每周花 6 到 8 小时维护表格和对数，一年约 300 到 400 小时。按综合人力成本算，这部分成本往往已经超过了系统费用。更重要的是，人对数据的处理延迟和错误率，会直接转化为断货和滞销损失。
判断标准不是”系统贵不贵”，而是”当前的人力投入有没有产生对应的决策价值”。如果大量时间花在数据搬运而非判断上，就说明该换方式了。
系统天然追求标准化，因为它需要规则才能自动运行。但跨境业务变化快，新平台、新模式、新政策不断出现，过度标准化会导致系统跟不上业务。
我的建议是把系统分成两类规则：核心规则必须标准化（比如可售天数计算、安全库存逻辑、补货触发条件），边缘规则允许人工干预并留痕（比如新品首单、大促备货、清仓处理）。
关键不是禁止人工干预，而是让每次干预都可记录、可回溯、可分析。干预本身不是问题，无法归因的干预才是问题。
回到最初那个家居卖家。后来他们做的事情并不复杂：把 42 个 SKU 全部打上分层标签，把补货周期按物流方式拆开维护，把补货触发点从”库存告急”改成”可售天数低于补货周期”，然后每周固定复盘系统建议与实际下单的偏差。
三个月后，主力款的缺货天数从平均 11 天降到 2 天以内，同时滞销金额占比从 19% 降到 11%。他们没有换掉整个供应链，也没有引入复杂的算法模型，只是把原来散落在人脑里的判断，变成了一组可以反复执行的参数。
这就是我理解的”库存计划环节如何体现系统搭建”：系统不是替代人的判断，而是让判断有据可依、有迹可循、有人负责。
第一，库存计划系统的第一交付物是补货参数，不是可视化看板。评估任何方案时，先看它能不能输出可执行的参数，再看它长什么样。
第二，系统的价值不在预测更准，而在预测不准时依然控得住风险。安全库存、补货频次、多仓调拨、异常预警，这四件事比提升预测精度更值得投入。
第三，库存计划必须写进运营执行标准。没有嵌入流程节点的系统，最终都会退化成一份没人看的报告。
如果你读到这里想立刻做点什么，我建议按下面三步走，一周内可以完成。
如果想要更快地把多平台、多仓、在途数据归集到一处，并自动输出补货建议，可以了解一下数跨境这类跨境电商数据集成与库存计划平台（https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）。但无论用什么工具，先想清楚参数和标准，工具才有落地的土壤。
库存计划这件事，终局不是把库存压到最低，而是让每一次补货决策都能被解释、被追溯、被优化。做到这一点，库存就从成本中心变成了一个可以被主动经营的资产。
我做了三年多跨境运营，团队从 5 个人 300 个 SKU 一路做到 30 个人 4000 个 SKU，早期一直用 Excel 加群聊对库存，大促前一晚通宵核表，第二天照样超卖。同行基本都说先凑合用，等规模大了再说，可到底多大算大，我自己心里一直没底。
后来踩了几次断货和超卖的坑，才慢慢摸出几个可以量化的判断信号。
先用三个信号判断，命中任一就该动手搭：一是单个运营同时维护的在售 SKU 超过 300 个；二是备货仓超过 2 个（国内仓、海外仓、平台仓任意组合），且入库、在途、调拨需要人工对账；三是补货决策依赖 3 个以上数据源，单次决策超过 15 分钟，一周要重复 5 次以上。
判断依据不是人数，而是错误的代价：算一笔账，一个日均 30 单、客单 25 美元的链接断货 7 天，直接损失约 5250 美元 GMV，加上平台权重恢复的 2 到 4 周，实际损失还要翻倍。如果一个月出现两次这种情况，就已经超过一套轻量系统的年成本。
落地顺序建议反过来：先用 Excel 把字段和口径定义清楚，完整跑通两个补货周期，再把这套结构一比一搬进系统，而不是先买工具再回头补流程。
我第一次搭的时候，系统显示的库存和平台后台差了 200 多件，查了两天，最后发现是「在途」和「可售」口径没统一：采购认为在途算库存，运营认为不算。那次之后我才明白，口径不统一的话，系统上了也是白上，甚至更糟。
至少锁死六个口径。可用库存等于本地可发加海外仓可发，减去已被订单占用，再减去质检锁定和不良品，明确不包含在途、不包含平台仓，平台仓单独一套口径。在途库存必须拆成三段：已下单未发货、已发货未入仓、已入仓未上架，每段都带预计到仓日期。
安全库存用公式而不是拍脑袋，等于日均销量乘补货提前期再乘波动系数，波动系数取近 30 天销量的标准差除以均值，新品没有历史数据时先用同类目均值系数 1.3 到 1.5。补货点等于安全库存加上提前期内的预计销量。
可售天数用可用库存除以近 7 天日均销量，不要用 30 天，30 天会把最近的掉量或爆量掩盖掉。字段命名建议加前缀区分来源，比如本地、海外、在途各一套前缀，否则后面接 BI 或做自动告警一定要重做。验收方法很简单：随机抽 20 个 SKU，人工核算的可用库存和系统差异超过 2%，就不算搭建完成。
我们表格里写的提前期是 30 天，实际经常跑到 45 天以上，结果连着几个月都在断货。做系统的朋友说填个数字就行，可真填完发现系统算出来的补货点和实际完全对不上，我一度怀疑是系统不准。后来把每一段的时间拆开记录，才发现问题出在参数本身。
把总提前期拆成五段分别记录：下单到供应商发货、供应商发货到货代收货、头程运输（海运和空运分开统计）、到港清关与入仓、入仓到可售上架。系统里每段留计划值和实际值两个字段，每月底用实际值的中位数回写计划值。
为什么用中位数不用平均数：头程延误是长尾事件，一两次极端延误就能把平均数拉高，中位数更贴近常态，同时把 P90 值单独存一列，专门用于旺季和爆款备货。参数要按渠道、物流方式、供应商三个维度分组维护，不要全店共用一个数，海运和空运的差异可能有十倍。
落地节奏是先手动记 4 到 6 周数据，每天花 5 分钟，攒够三个完整周期再进系统，一次把海运、空运、海外仓调拨分开建。判断是否失真的方法：如果系统给出的补货点和资深运营的直觉判断偏差超过 20%，先查参数分段，不要先怀疑人。
我们花了两个月把库存计划搬进某项目管理平台，流程确实跑起来了，但老板问到底省了什么、准了多少，我一时答不上来。那次之后我才意识到，上线不等于生效，没有验收指标既证明不了价值，也没法持续优化。后来我固定了四个指标，每次复盘都拿数据说话。
先在上线前测两周基线，再盯四个指标：断货率（有库存天数除以总天数，按 SKU 加权）、超卖和取消订单数、库存周转天数、滞销库存占比（超过 90 天未动销的库存金额占比）。验收参考标准是三个月内断货率下降 30% 以上、超卖下降 80% 或归零、滞销占比不上升。
第三个反向指标最容易被忽略：为了不断货猛加安全库存，滞销会同步涨上来，这两个指标必须一起看，只看断货率会做出错误的加库存决策。
执行上设一个周度库存计划例会，只过系统给出的异常清单，比如低于补货点、可售天数低于 15 天、在途超期超过 3 天、滞销超过 60 天，每次会议留下调整记录，季度回看参数是否需要修改。判断依据是：系统的价值不在报表好看，而在于把决策从凭感觉变成有阈值、有记录、可复盘。
如果三个月后开会还在凭感觉争论该不该补货，那说明只是把 Excel 换了个皮。
读者评论
参数表是决策工具这点认同，但文章没讲参数怎么维护。日均销量口径、采购周期这些会随供应商和船期变，我上一家就是上线时认真填了一遍，半年后一半SKU参数还是旧的，系统建议自然没人信。建议补一句：谁、多久重新校准一次，这个责任不落到人头上，参数表也会烂掉。
写进执行标准这条我持保留。几十人团队里，偏离建议要书面说明，实际会变成运营嫌麻烦干脆不填，或者填了也没人看。更实际的卡点是考核：运营背销量，断货的痛远大于压货，天然倾向多下单，不调整这个激励，标准写得再细也压不住“我觉得这个款要爆”。
五问里最后一个最难落地。要回答上周建议和实际下单差在哪，前提是系统得把每次补货建议按时间点存下来，我接触过的几套工具只保留当前建议值，历史被覆盖，事后根本对不上。选型时与其问预测准确率，不如先问：建议快照留不留、留多久。