我做跨境电商库存计划这些年，最贵的一课发生在 2022 年旺季前。当时我们一款折叠露营桌在德国站卖得不错，日均 40 单，我按国内仓的经验给海外仓备了 60 天库存，结果 9 月中旬开始连续两周日均掉到 12 单，不是因为竞品降价，而是因为德国站的退货政策提示、包装上的德语回收标识、以及 DHL 配送时效承诺三件事同时出问题，导致 listing 评分从 4.6 掉到 3.9。库存还在，需求没了，最后这批货在海外仓躺了 137 天，仓储费加长期仓储附加费吃掉了这批货毛利率的 41%。
这件事让我彻底改变了对”安全库存”的理解：库存计划的本质不是数学题，而是一个本地化信息翻译问题。你把国内那套补货公式搬到跨境场景，公式没错，输进去的变量全错了。税率错、退货率错、物流时效错、支付周期错、合规标识错，任何一个变量偏 20%，库存计划就会从”健康”滑向”滞销”或”断货”。
这篇文章不讲通用的安全库存公式，那东西任何搜索引擎都能给你。我讲的是我在美区、欧区、日区、东南亚四个市场真实踩过的坑，以及我后来怎么用数据把这套东西管住的。文中涉及数据的地方，我会标清楚是来自我的实操观察、行业公开报告，还是情景模拟，方便你自己判断可信度。
如果你时间有限，只看这一节。下面四条是我做了六年跨境库存计划后，认为优先级最高的结论。每一条都和大多数运营的直觉相反。
大部分运营做本地化，第一反应是”海外仓备多少货”。但真正决定成败的是需求节奏：美国的黑五网一、欧洲的圣诞前四周、日本的年末年始、东南亚的双 11 双 12，这些节点的需求曲线形状完全不同。
美国旺季是陡峭的尖峰，前置期短、爆发力强；欧洲旺季是缓坡长尾，从 11 月中旬一直拉到 12 月 20 日；日本年末年始是双峰，12 月底一波、1 月初一波。你用同一条需求曲线去套所有市场，库存结构必然错配。
我的判断是：先定需求节奏模型，再定补货公式。顺序反了，后面所有数字都是自我安慰。
国内电商退货率普遍在 15%-25%，很多运营会直接把国内数据套到跨境。但跨境的退货率差异极大，而且退货不等于库存回归可用状态。
美国服装类目退货率可以到 25%-40%，德国因为消费者保护法更严格，部分类目退货率超过 30%，而且退货商品往往无法二次上架。日本退货率低（很多类目 5%-10%），但退货处理成本高。东南亚的退货率看似不高，但货到付款拒收率会导致”伪退货”。
这意味着跨境可用库存 = 在途库存 + 在库库存 − 退货不可用库存。大多数补货公式里根本没有最后一项。
这是最容易被忽略的一条。你在亚马逊美国站的回款周期是 14 天，欧洲站可能因为 VAT 申报和平台代扣代缴，现金流回来更慢。日本站回款快但初期信任门槛高。
如果你的现金流周期是 45 天，但你的补货周期设成 30 天，理论上你会在第二个月就资金链紧张。库存计划的天花板不是仓库容量，是现金流周转天数。
当你同时做亚马逊、独立站、TikTok Shop、本地平台时，最大的浪费不是某个平台备货多了，而是同一个 SKU 在多个平台之间无法调拨。你在亚马逊海外仓压着 800 件，独立站却在断货，这时候真正的损失是双份的。
这也是为什么我后来开始用专门的数据工具来做库存和财务的联合分析。以我目前使用的”数跨境”（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）为例，它把采购、库存、销售、财务放在同一个数据模型里，能直接看到某个 SKU 在多平台的总库存水位和资金占用，这是单平台后台看不到的视角。后面的案例部分我会展开讲我具体怎么用它做决策。
要理解避坑，先得理解坑从哪来。跨境库存计划的复杂度，本质是”信息链条变长”+”变量本地化”两件事叠加。
国内电商的库存链条大概是：采购 → 国内仓 → 发货。三段，闭环快，数据实时。
跨境库存链条是：国内采购 → 国内集货仓 → 头程运输（海运/空运/铁运）→ 目的国清关 → 海外仓入库 → 平台可用库存 → 尾程配送 → 消费者。八段，其中头程和清关这两段的信息延迟最严重，通常 3-15 天才能更新一次。
我遇到的最典型问题是：货已经在海上漂了 20 天，但系统里显示”在途 0″，因为货代没更新提单状态。这时候所有基于系统库存做的补货决策都是错的。
你在国内看销量曲线，就是真实需求。在跨境场景，你看到的销量是”需求 × 平台流量分配 × 本地转化率”的结果。
举个例子，同样一款保温杯，在德国站 listing 写”500ml 容量”，销量平平；改成”适合德国冬季通勤 500ml 保温 12 小时”，销量涨了 34%。这不是需求变了，是本地化表达改变了转化率，进而改变了你看到的”需求曲线”。
如果你直接用这条被扭曲的曲线做补货，你会把营销效果当成需求增长，备货过量。
这是组织问题，但影响巨大。本地化运营知道下个月要上德语详情页、要参加平台活动、要调价，但库存计划团队不知道。库存团队看到的只是历史销量，等到运营动作生效，库存已经备完了。
我后来强制推行一个机制：每周三下午，本地化运营必须给库存团队提交”未来 4 周市场动作清单”，包括价格调整、广告投放、促销报名、页面改版、合规变更。库存团队据此调整预测。这个机制上线后，我们的预测偏差从平均 38% 降到 17%。
日本市场的特殊性在于消费者对新品牌极度谨慎，但对满意品牌极度忠诚。我们一款厨房收纳产品进日本站，前 3 个月日均销量只有 8 单，我按这个数据备了保守库存。
第 4 个月开始，因为几条高质量评价积累，日均突然跳到 35 单，然后连续断货 3 周。断货期间排名掉出前 50，恢复后花了 4 个月才回到原来的位置。
问题出在哪？日本站的需求不是线性增长的，是”信任阈值突破后的阶跃增长”。你用线性预测模型，必然低估拐点后的需求。在日本站，安全库存要按”信任拐点后需求”备，不是按当前需求备。
下面六个误区，每一个我都在真实项目里见过，其中三个我自己踩过。按危害程度排序。
国内安全库存 = Z × √(前置期) × 需求标准差。问题在于跨境的前置期不是一个稳定值。
我统计过我们美西海运的前置期分布：平均值 32 天，但标准差达到 11 天，旺季能到 48 天。这时候如果还用平均前置期算安全库存，实际缺货概率会远高于预期。
正确的做法是把前置期当成一个分布，而不是一个点。用 P90 前置期（即 90% 情况下不会超过的天数）来算安全库存，代价是资金占用上升，收益是断货率大幅下降。
我见过一个运营，把德国站退货率按 10% 估算，实际是 26%。他每个月备的货里，有 16% 是”注定不可用”的，但他的补货公式里没有这一项，导致持续超备。
更隐蔽的问题是退货处理周期。德国消费者有 14 天无理由退货权，加上物流回仓时间，一件退货商品从”发出”到”确认不可再售”平均需要 28 天。这 28 天里，系统显示它还在”库存”里。
这是我最常纠正的误区。大促备货和日常备货的需求逻辑完全不同：日常备货看稳定需求，促销备货看活动预估。
如果混在一起，会出现两个问题：一是日常库存被促销货挤占，二是促销结束后大量余货不知道怎么消化。
我后来强制要求促销备货单独建仓逻辑（可以用虚拟仓位），活动结束 7 天内必须做清库决策：继续卖、调拨、降价清仓，三选一，不允许无限期挂着。
欧洲的 CE 认证、WEEE 回收指令、包装法（德国的 VerpackG），日本的 PSE 认证、食品卫生法，美国的 FCC、CPSC。这些合规要求不仅影响能不能卖，还影响库存能不能入库。
我遇到过一批货到德国海外仓，因为没有提前注册包装法（LUCID），被平台强制下架，货在仓里压了 60 天，等注册完成才恢复销售。这类损失完全可以避免，但需要把合规纳入库存计划的前置检查清单。
做美元、欧元、日元、东南亚多币种库存时，如果财务核算用统一汇率，你会对”哪些 SKU 真的赚钱”产生系统性误判。
2023 年日元贬值那一波，我们几个日本站 SKU 按人民币核算看起来还是正的，但按实际回款汇率结算后是亏的。库存计划如果基于错误利润数据做，会优先补那些”看起来赚钱其实亏钱”的货。
亚马逊后台、独立站后台、ERP、海外仓系统、货代系统，每个系统都有一份库存数据，但它们的更新频率、口径、时区都不同。
结果就是每次开会讨论”我们到底有多少库存”，要花 40 分钟对数据，而且经常对不上。这是很多团队效率低下的根因。
前面讲了坑，现在讲我实际用的判断框架。这套逻辑跑了三年，中间迭代过四次。
核心思路是把需求拆成四层：基线需求、季节性波动、促销脉冲、趋势变化。
基线需求看过去 12 个月的中位数销量（不是平均，中位数抗异常值）。季节性波动看同月份历史对比。促销脉冲看平台活动日历。趋势变化看近 3 个月环比。
这四层分别预测，再加总。不要把四层混在一起用一条回归线拟合，那样会同时低估峰值和高估谷值。
具体做法是记录每次实际到货天数，积累 20-30 条数据后画出分布。我通常会取 P90 作为计划前置期，P50 作为乐观值，用来判断最坏情况。
如果 P50 和 P90 差距超过 40%，说明供应链稳定性有问题，这时候要先解决稳定性，再谈库存优化。库存计划不能替代供应链治理。
可用库存 = 在库 − 锁定（已下单未发货）− 不可售（质检中、退货待处理、合规冻结）+ 可确认在途。
我要求团队每周更新一次这个数字，尤其是退货待处理部分。在很多类目里，退货部分的库存占比能到 8%-15%，不扣掉就是虚胖。
这一步是拉开差距的关键。当你只有 1-2 个平台时，靠 Excel 还能管。超过 3 个平台后，必须用统一数据源。
我现在用”数跨境”来做这一层。它把多平台的采购、库存、销售、财务数据聚合，好处不只是”看得全”，而是能算清楚一个关键问题：这个 SKU 在多个平台的合计资金占用是多少，对应的周转率和毛利贡献是否匹配。
举个例子，我有个 SKU 在亚马逊美国站周转率是 6.2 次/年，在独立站是 3.1 次/年。单看独立站数据，会以为这个 SKU 表现一般。但合起来算，它的总资金占用回报是健康的，独立站的低周转是因为客单价高、单量大。如果当时我只看单平台就把独立站库存砍了，会损失一个高毛利渠道。
补货触发点、清仓触发点、促销备货上限，这三个阈值必须按市场单独设定。
美国站补货触发点我设 21 天覆盖，欧洲站设 35 天（因为回款慢、物流长），日本站设 28 天，东南亚设 14 天（因为大促爆发快、回款短）。这些数字不是拍脑袋，是根据各市场的前置期 + 回款周期 + 需求波动率反推出来的。
这一节我讲一个完整案例，包括问题、分析、决策、结果，以及我具体怎么用数据工具完成分析。
2023 年下半年，我接手一个户外用品品牌线的库存优化。这个品牌在亚马逊美国站、亚马逊德国站、独立站、TikTok Shop 四个渠道销售，共 8 个主力 SKU。
接手时的问题是：账面库存总额 320 万元人民币，但月均出现 3-4 次断货，同时有 2 个 SKU 已经压了 90 天以上。
这个组合很典型：又断货又滞销，说明库存结构错了，不是总量错了。
第一步我做的不是调库存，而是把四个平台的库存、销售、采购、财务数据拉到一起看。手动整理了三天，效率太低，而且口径对不上。
后来我用”数跨境”来做这件事。它的逻辑是把多平台的经营数据统一到一个模型里，我可以直接看到每个 SKU 的：多平台在库量、在途量、近 30 天销量、近 90 天销量、采购成本、资金占用天数、毛利率。
这一步做下来，发现了三个之前完全没意识到的结构性问题。
SKU-03 是一把户外椅，德国站月销 380 件，看起来是主力。但把退货率（实际 27%，一直按 12% 估）、德国 VAT、仓储费、退货处理费全部算进去后，单件净毛利是 −1.8 元。
也就是说，这个 SKU 卖得越多，亏得越多。而且因为它”销量好”，补货优先级一直排在前面，占用了大量资金。
单平台后台只能看到销售额和广告花费，看不到这种跨成本项的隐性亏损。这是多平台财务联合分析的核心价值。
SKU-05 在美国站海外仓有 620 件，覆盖天数 68 天，属于中等偏高。同期独立站这个 SKU 断货 11 天。
两个渠道用的是不同的海外仓，之前没有调拨机制。如果只看各自平台，都会觉得”我这里没问题”。
发现这个问题后，我们建立了双周调拨评估机制，把美国站多余库存调一部分到独立站仓，同时共享安全库存水位。这一项让 SKU-05 的整体周转率从 4.3 提升到 5.9。
TikTok Shop 的销量波动极大，一个视频爆了能带来 10 倍日销，我们用常规补货逻辑完全跟不上。之前这块库存是运营手动管的，没有纳入计划体系。
我的做法是把 TikTok Shop 单独设一类库存策略：用”小批量高频补 + 提前锁定爆款备货池”的组合。常态备 7 天覆盖，同时预留一个 15% 的弹性备货池，在视频数据出现异常增长时快速响应。
整个优化周期是 5 个月。核心变化如下：
| 指标 | 优化前 | 优化后 | 变化 |
|---|---|---|---|
| 账面库存总额 | 320 万元 | 241 万元 | −24.7% |
| 月均断货次数 | 3.5 次 | 1.1 次 | −68.6% |
| 90 天以上滞销 SKU 数 | 2 个 | 0 个 | 清零 |
| 库存资金周转率 | 4.6 次/年 | 6.4 次/年 | +39.1% |
| 预测偏差率 | 38% | 17% | −21 个百分点 |
| 德国站综合毛利率 | 9.2% | 18.7% | +9.5 个百分点 |
这里面最值得说的两个数字：一是库存总额降了 24.7% 但断货反而减少，说明之前是结构错配不是总量不足；二是德国站毛利率提升 9.5 个百分点，主要来自砍掉负毛利 SKU 和修正退货率估算。
我还观察到一个不太直观的现象：库存结构优化后，广告投放效率也跟着提升了。因为断货减少，广告带来的流量不会浪费在缺货页面上，ACOS 从 31% 降到 26%。这说明库存计划和广告投放不是独立的两件事。
注：数据来自本人操盘的单个品牌线复盘，属真实案例但样本有限，不代表行业平均水平。
我在上面多次提到用”数跨境”做多平台库存和财务的联合分析。我需要说明一下为什么在这个场景里它有价值，而不是泛泛推荐工具。
跨境库存决策的难点在于要同时回答三个问题：我现在真实有多少可用库存？这些库存占了多少资金？这些资金产生的回报是否值得继续投？这三个问题分别对应库存数据、财务数据、经营数据，通常会散落在三个系统里。
能做到”把这三类数据放在一个模型里、并且按 SKU 粒度对齐”的工具，在这个场景里是刚需。数跨境官网是 https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys，如果你现在还在用 Excel 手动拼多平台数据，且 SKU 数超过 50 个，可以去看一下它的数据模型是怎么组织的，比较一下和自己的手工表差在哪。
工具不是决定性因素。决定性因素是你有没有把”可用库存”、”资金占用”、”本地化变量”这三件事想清楚，工具只是让这件事从三天变成三小时。
库存计划没有万能方案。下面按四个典型处境给建议，你可以对号入座。
这个阶段不需要复杂工具，Excel 足够。你要做的是三件事：
这个阶段的常见错误是过早引入复杂工具，结果数据没维护好，工具反而成了负担。
这是最容易出事的阶段。多平台意味着库存分散、数据割裂、现金流复杂度上升。
我的建议顺序是：
我见过不少团队在这个阶段跳跃，直接上工具不统一口径，结果工具里的数据互相打架，反而更混乱。
这个阶段你需要的是系统化能力和预警机制。核心动作：
这个阶段工具是刚需。像我前面用的数跨境这类把库存和财务联合起来的方案，比较适合这个阶段的团队，因为你需要的不只是库存数字，而是库存背后的资金效率判断。
这个阶段最大的风险不是库存数字，而是合规和税务带来的库存冻结。行动建议：
注：评分为基于本人多团队实操观察的成熟度示意，用于结构性对比。
库存计划的本质是一系列取舍。下面把最常见的四组取舍讲清楚，每组给出我的判断依据。
这是最根本的一组取舍。安全库存越高，断货越少，资金占用越多。
我的判断标准是看两类成本：断货成本（排名损失、广告浪费、客户流失）和持货成本（仓储费、资金成本、跌价风险）。当断货成本明显高于持货成本时，加安全库存；反之则减。
具体到数字，我一般用”断货一天损失多少毛利”对比”多备一天库存的成本”，算出一个平衡点。以美国站为例，如果断货一天损失 1800 元毛利，多备一天库存成本 220 元，那平衡点在多备 8 天库存左右，超过这个数就不划算了。
供应商经常给批量折扣，比如 1000 件单价 42 元，3000 件单价 37 元。但多备的 2000 件可能压 4 个月。
我的算法是把批量折扣节省的金额，和额外库存的资金成本 + 仓储成本 + 跌价风险做对比。如果节省 5 元/件 × 3000 件 = 1.5 万元，但多压 2000 件 × 4 个月 × 月均持有成本 3.2 元 = 2.56 万元，那这个折扣不值得。
关键是要把持有成本算进采购决策，而不是只看单价。
分散库存的好处是接近消费者、尾程更快；坏处是每个平台都要单独备安全库存，总量上升。
我的判断依据是看各平台的日均销量和前置期差异。如果两个平台销量相当、前置期接近，集中库存更优；如果一个平台销量大且前置期长，另一个销量小但前置期短，分散更优。
还有一个关键因素是仓储成本差异。美西仓和美东仓的成本可能差 15%-20%，这会直接影响最优分布。
本地化定制能提升转化率，但会降低 SKU 通用性，增加库存风险。
我的取舍标准是看类目和市场规模。在大市场（美国、德国），本地化定制的收益通常能覆盖库存复杂度上升的成本；在小市场（部分东南亚国家），建议先用通用 SKU 试水，单市场月销稳定超过 800 件再考虑定制。
需要提醒的是：本地化的第一优先级是合规和包装，不是外观定制。后者可以慢，前者不能错。
| 取舍维度 | 偏向 A 的情形 | 偏向 B 的情形 | 我的默认档 |
|---|---|---|---|
| 断货 vs 资金 | 断货成本 > 2 倍持有成本 | 持有成本高、跌价快 | 适度偏向防断货 |
| 批量折扣 vs 周转 | 折扣 ≥ 12% 且周转 < 90 天 | 折扣 < 8% 或周转 > 120 天 | 拒绝低折扣大批量 |
| 分散 vs 集中 | 平台前置期差异 > 15 天 | 前置期接近、销量相当 | 按前置期差异判断 |
| 定制 vs 通用 | 单市场月销 > 800 件 | 单市场月销 < 500 件 | 先通用后定制 |
最后一个取舍得单独说。很多团队纠结要不要上数据工具。
我的判断很简单：算一下人工维护数据的月成本。如果你的团队每周花 12 小时拼多平台库存数据，按时薪 120 元算，月成本约 5760 元，还没算口径出错带来的决策损失。
当 SKU 超过 50 个、平台超过 3 个时，人工维护的成本和出错率都会明显上升，这时候工具投入的回报是清晰的。但在 SKU 少于 20 个、单平台阶段，先把流程跑顺比买工具重要得多。
注：区间为本人实操经验与多团队复盘归纳的示意值，实际应用需结合自身前置期、回款周期和成本结构校准。
回到开头那个露营桌的故事。那批货最后是清仓处理掉的，损失的不是钱本身，而是我对”本地化”的理解偏差。
我当时的判断是”德国市场和美国市场差不多，都是欧洲人买户外用品”。但真实情况是：德国的退货法规更严格、消费者对包装合规更敏感、配送时效预期更高。这三件事叠加，让一个在美国站表现不错的产品在德国站变成了负毛利。
库存计划的本地化，本质是一种翻译能力：把本地的法规、消费习惯、平台规则、物流现实、资金节奏，翻译成补货公式里的参数。翻译错了，公式越精确，错得越远。
第一，先把”可用库存”这个概念建立起来。账面库存和可用库存之间的差额，通常就是你库存问题的藏身之处。退货待处理、合规冻结、已锁定未发货，这三项在很多团队里根本没被统计。
第二，前置期必须是分布，不是点。用 P90 而不是平均值，是跨境库存计划里投入产出比最高的一次改动。这一个动作通常能把断货率降低三到五成，代价只是资金占用适度上升。
第三，多平台库存必须放在一起看。单平台优化会给你局部最优的假象，真正的浪费发生在平台之间。当 SKU 超过 50 个、平台超过 3 个时，跨平台视图的价值会迅速超过工具成本。我目前用的数跨境就是解决这一层的，把库存、财务、采购放在同一模型里按 SKU 对齐，官网 https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys，有需要可以自行对比。
不要一次性把所有市场都改掉。我的经验是先选一个市场做试点，用 6-8 周跑完一个完整补货周期，验证数据口径和阈值是否合理，再复制到其他市场。
库存计划的本地化不是一次项目，是一个持续校准的过程。市场在变、平台规则在变、汇率在变、你的供应链也在变。能持续校准的团队，比一次性做对的团队走得更远。
我从 2022 年那次 137 天滞销之后，最大的改变不是学会了某个公式，而是养成了”每个数字都问一遍它在本地是否成立”的习惯。这个习惯比任何工具都值钱。
我一开始也以为本地化就是文案翻译加本地包装，结果旺季在德国站被退货率打懵了：同款产品在国内卖得好好的，到了欧洲因为尺码偏小、说明书没写清本地合规要求，退货率直接翻倍。后来才意识到，库存计划里的本地化不是翻译问题，而是需求曲线、履约时效和合规约束三件事都要按站点重算。
本地化在库存计划里对应三件事，缺一件你的备货数就是错的。第一是需求本地化：同一SKU在不同站点的尺码分布、颜色偏好、价格带都不同，德国站尺码普遍比美国站大一档，日本站小包装更好卖，必须按站点拆出独立的销量基线，而不是用全球总量乘一个系数。
第二是履约本地化：本地仓发货和跨境直发的转化率差异通常在5到15个百分点之间，这个差异会直接改变你的销量基线，进而改变补货量。
第三是合规本地化：欧盟CE、EPR、电池法规、美国FDA、日本PSE，缺一个认证可能整批货卡在海关，库存计划里必须为认证周期单独留出缓冲，我一般按认证办理时间的1.5倍来留，而不是按最快出证时间来算。
判断标准很简单：如果你两个站点的销量基线、履约模式、合规清单有任何一项相同，那你大概率是把全球数据直接平移了，不是本地化。
我最开始做库存计划的时候，就是拿「上次卖了多少」除以天数再乘30天，结果黑五前断货、节后又压了一堆滞销。后来复盘才发现问题出在提前期上，海运、空运、海外仓调拨这三条链路的真实耗时差了一倍多，用同一个安全库存去套，必然一边缺货一边爆仓。
把提前期拆成四段来算：工厂生产加质检时间、头程运输时间、目的国清关加入仓上架时间、以及平台仓的收货排队时间。我实测的口径是海运到美西从出厂到可售大约30到40天，到欧洲主要港口40到55天，空运7到12天，海外仓之间调拨3到7天，旺季（10到12月）每段再上浮30%到50%。
安全库存我不用固定天数，而是用「日均销量 × 补货周期 × 波动系数」，波动系数按站点过去90天的销量标准差除以均值来定，波动大的站点取1.5到2.0，稳定的取1.2。再订货点等于提前期内的预期销量加安全库存。判断依据是：只要你的断货率和库龄90天以上的库存占比能同时下降，说明提前期口径是对的；
如果断货降了但库龄涨了，说明安全库存给多了，优先砍波动系数而不是砍提前期。
我有一次把同一批货平均分给三个站点，结果一个站点两周卖光、另外两个站点压了四个月，最后清货价还不到成本的一半。那次之后我才明白，多站点库存分配不是平均分，而是按各站点的真实动销速度和可调拨性来排优先级。
先做分层：把SKU按站点动销率分成三档，动销率高于60%的做重点保障，30%到60%的正常补货，低于30%的直接停止补货并进入清货流程。分配额度用「站点日均销量 ÷ 全站点日均销量之和」算基础比例，再乘一个站点优先级权重，主推站点给1.2，测试站点给0.6，这样主站不会因为平均分货而断货。
同时给每个SKU设一个可调拨池，把海外仓里库龄超过60天的库存标成可调拨，站点之间调拨的时效通常3到7天，比重新发头程快得多，调拨成本也远低于清货损失。关键判断依据是看两个数：站点售罄率和库龄结构。如果某个站点售罄率长期高于95%且断货天数每月超过3天，就是分配额度给小了；
如果某站点180天以上库龄占比超过20%，说明这个站点不该再按比例拿货了，应该降权。
我们最开始用一张共享表格跟库存，运营、采购、海外仓各改一版，谁也不知道哪个数是准的，等到发现断货已经来不及补了。后来我强制统一了数据口径和更新节奏，才把这件事从「靠人盯」变成「靠规则跑」。
先定口径，再定工具。核心指标就四个：可售天数（当前可用库存除以近14天日均销量）、在途可售天数（在途库存除以日均销量）、售罄率、库龄结构（90天、180天、270天三档占比）。这四个指标必须由同一个人或同一套规则计算，口径不统一的话，工具再贵也没用。
更新节奏上，日常看可售天数，每周看一次库龄结构，每月复盘一次提前期假设是否还成立。工具选择上，如果只有两三个站点、SKU在200以内，一张结构固定的表格加自动计算就够了；
一旦站点超过三个、SKU过千、涉及采购和海外仓多方协作，就需要用某项目管理工具把补货申请、审批、到仓确认做成有状态的流程，避免用聊天记录确认库存这种扯皮源头。
我自己的经验判断是：工具能解决的是流程和留痕，解决不了口径混乱，所以先花两周把指标定义和责任人写清楚，再决定上不上系统，这个顺序反了的话，上什么工具都是白花钱。
读者评论
前置期用P90来算这点认同，但实操里P90本身也不稳。我们美西海运旺季和淡季几乎是两条分布曲线，按全年P90备货，淡季就变成拿压库存换安全感。后来改成按季度滚动更新分布，缺货率降了但工作量翻倍。想问问这种分布数据一般要多大样本才有参考性，小卖家根本凑不出。
德国退货那段有共鸣。我们做家居类目，退回来能二次上架的不到四成，剩下的要么有使用痕迹要么缺配件。但28天回仓周期我这边更长，旺季物流慢能拖到40天以上。这块如果不在系统里单独标记成不可用，运营看到的可用库存永远是虚高的，补货就会一直偏多。
合规那条确实被低估。去年WEEE注册没走完，一批货到仓两周不能上架，直接错过一个促销档，损失比那批货本身还大。但把合规放进前置检查清单，难的从来不是流程，而是得有人对每个目的国的法规更新负责。小团队基本没人盯这块，都是出事才补。