去年黑五前两周，我陪一个做家居类目的跨境卖家复盘。他的问题看起来特别典型：主推款在10月中旬断货，断了两周，等货补上，广告位和自然排名都已经掉到第二页，整个旺季少做了大概40%的预估销售额。他自己归因是物流和补货节奏没跟上，我看完他的后台数据之后给的结论是，真正的问题出在9月初那次”保毛利”的提价动作上。
他9月初把主推款从39.99美元调到44.99美元，理由是海运涨价、头程成本上升，想保住40%的毛利率。调价之后的两周，日均订单从62单掉到41单，但他的补货模型用的还是”过去90天日均销量”这个口径，补货建议值只降了不到10%。也就是说，价格已经改变了需求曲线，库存计划却还在用调价前的需求曲线算数量。涨价带来的销量下滑没被识别，库存被高估；等到断货，又因为排名下滑导致补货后的动销比预期更差，形成二次积压。
这件事让我确定了一个判断：跨境电商的库存计划问题，绝大多数不是仓储问题、不是物流问题，而是定价策略没有作为输入变量进入补货模型。定价决定需求的形状，需求形状决定补货数量，补货数量决定资金占用和现金流。这条链路只要中间断了一环，后面所有的库存优化都是在错误的基数上做微调。
第一个判断：库存计划的输入端不是销量预测，而是”在可接受毛利水平下的需求量”。这两者差别很大。销量预测回答的是”如果价格不变，我能卖多少”；而库存计划真正需要回答的是”在一个价格区间内，我在不同毛利水平下能被吃掉多少货”。前者是一个点，后者是一条曲线，只用一个点去做补货，等于把弹性风险全部留给了自己。
第二个判断：断货和滞销往往来自同一个动作。很多卖家觉得断货是因为备货少、滞销是因为备货多，是两个方向的问题。但在定价缺位的模型里，它们经常是同一件事的两面：畅销款因为不敢涨价导致需求被过度刺激，货不够卖；滞销款因为不敢降价导致需求被压制，货卖不动。库存水位看起来一高一低，本质是同一个错误定价的两端。
第三个判断：库存周转率不是越高越好，真正该盯的是”毛利库存周转天数”。周转快但每件只赚2美元，和周转慢一点但每件赚8美元，对现金流的意义完全不同。我见过周转率做得非常漂亮的店铺，资金链反而紧张，因为它的高周转是靠持续降价换来的，毛利被压到几乎覆盖不了广告和仓储。
大多数运营团队的默认顺序是：先做销量预测 → 再算安全库存 → 再定补货量 → 最后根据库存情况决定要不要降价清仓。定价被放在最末端，成了一个”库存出问题之后的补救工具”。
但这个顺序有一个致命缺陷：它假设需求是外生的、不受自己控制的。而实际上，在亚马逊、独立站、TikTok Shop 这类平台上，价格是你手里调节需求最快、最直接、成本最低的杠杆，比广告杠杆快得多，也比广告杠杆便宜得多。既然价格能影响需求，那它就是库存计划的输入，而不是输出。
我自己的经验是：把定价提到库存计划的上游，补货准确率通常能提升15到25个百分点；把定价放在下游当清仓工具，库存成本只会越来越高。因为下游定价是滞后的，你永远在为一个已经发生的错误买单。
就是开头提到的那个家居卖家。他的主推款是一个收纳架，成本结构大概是：采购14美元，头程3.5美元，FBA配送费6.2美元，佣金15%，广告ACOS在22%左右。39.99美元的售价下，毛利率大约32%。
9月头程涨了大概18%，他为了守住40%的毛利，把价格提到44.99美元。这个动作本身不算错，错在他提价之后没有做三件事：没有重新跑需求预测、没有下调补货量、没有观察价格弹性区间。
结果链条是这样的：提价 → 日均单量下滑34% → 补货模型仍按90天均值下单 → 实际动销远低于到货量 → 10月中旬因为排名波动和广告位竞争，库存被提前消耗完 → 断货两周 → 排名掉到第二页 → 补货到仓后转化率只有调价前的六成 → 二次积压。
这个案例里，真正致命的不是提价，而是提价之后没有把新的需求水平写回补货模型。价格是一个信号，这个信号必须被库存系统接收到。
第二个案例是一个做宠物用品的卖家，SKU数量大概340个。他在2024年3月做了一次大规模清仓，把一批滞销SKU统一打了35%的折扣，两周内清掉了大约70%的滞销库存，效果不错。
但问题出在四月。他发现其中大概11个SKU在清仓期间销量暴涨，清完之后库存见底，而这些SKU的补货周期是45天（海运），直接导致四月下旬到五月出现连续缺货。而这些”被清掉”的SKU，其实并不是滞销品，只是因为定价偏高导致动销慢。
这就是典型的”降价暴露了真实需求，但库存计划没跟上”。降价本身完成了一次需求测试：它告诉你这些产品在什么价位上是有市场的。可惜大多数卖家把清仓当成一次性动作，清完就结束，没有把清仓期的销量数据拿去做下一轮的定价和补货决策。
第三个案例是一个做3C配件的卖家，美国站和德国站同款同价，都是29.99美元/欧元。美国站毛利率31%，德国站毛利率只有14%，他一直以为是因为德国站销量小、广告摊薄不够。
实际上拆开看，德国站的问题是结构性的：VAT税率19%、退货率比美国站高8个百分点、退货处理成本更高、合规包装要求导致单件成本增加0.6欧元。这些成本加在一起，相当于每单多支出约5.4欧元。同一个价格，在两个站点的实际毛利水平差了17个百分点，但库存计划用的是同一套补货逻辑。
更麻烦的是，德国站在14%毛利率下，价格已经没有下调空间去刺激需求，但同时它的库存周转天数比美国站多出30天。也就是说，这批库存在德国站既赚不到钱，也转不动。
这三个案例表面上完全不同：一个是提价导致断货，一个是降价导致缺货，一个是同价导致利润错配。但它们的共同结构是同一个：价格决策和库存决策由不同的信息源驱动，两者之间没有反馈回路。
价格决策通常由运营或老板拍板，依据是成本、竞品、利润目标；库存决策由供应链或采购执行，依据是历史销量、海运周期、资金预算。两边的输入不同、节奏不同、考核指标不同，自然就会打架。
2024年下半年我接触过一个做户外用品的团队，规模不大，年销售额大概2000万元人民币，但他们的做法让我印象很深。他们没有做复杂的预测模型，只做了一件事：把每个核心SKU的库存水位和价格档位绑定成一张表，每周更新一次。
具体做法是：每个SKU设三个价格档（基础价、上浮档、下浮档），对应三个库存水位区间（低于30天、30到75天、高于75天）。库存低于30天，价格进入上浮档或者至少不参加任何促销；库存30到75天，价格执行基础档；库存超过75天，价格进入下浮档并启动阶梯清仓。
这套机制非常土，土到用一张Excel就能跑。但它的效果很明显：2024年他们的平均库存周转天数从89天降到61天，同时毛利率没有下降，因为上浮档在缺货前就已经把部分需求的峰值削平了。
这件事的关键不在于工具，而在于他们把定价从”事后补救”改成了”事先调节”。
这是最普遍、也最难改的一个惯性。绝大多数补货模型都是”销量预测 → 安全库存 → 补货点 → 补货量”这条链路，价格根本不在里面。
问题在于，价格和销量是双向因果的。你观察到的历史销量，是在历史价格下产生的；如果你下一周期打算调价，那段历史销量的参考价值就会打折扣。调价幅度越大，历史数据的参考价值衰减越快。
我的经验是：调价幅度在3%以内可以忽略对历史数据的影响；5%到10%的调价，必须把历史销量按弹性系数做调整；超过10%的调价，历史销量基本只能当趋势参考，不能再当绝对基数用。
很多运营会用”降价10%销量涨20%”这种固定系数来做决策，这在短期内可能对，但跨周期就不准了。原因有两个：
一是弹性随价格区间变化。在39.99美元这个位置降3美元，和在24.99美元这个位置降3美元，效果完全不同。前者可能触发”心理价格门槛”，效果被放大；后者可能只是常规促销，效果被稀释。
二是弹性随竞争环境变化。旺季、竞品缺货期、平台大促期，弹性都会显著变化。我用过的经验值是，在平台大促期间，同一款产品的价格弹性系数可能是平日的1.8到2.5倍。这意味着平日降价10%能涨15%销量，大促期间可能涨到27%以上，补货模型如果按平日系数算，就会严重备货不足。
库存周转率是一个效率指标，不是结果指标。它本身不告诉你钱赚得够不够多。我在2024年看过一个店铺，周转率做得极其漂亮，只有26天，但它的毛利库存周转天数（毛利/平均库存金额×365）算下来反而比同行差，因为它的高周转是靠常年打折维持的，每一块钱的库存产生的毛利很低。
所以我更建议用两个指标一起看：周转天数和单位库存资金产生的毛利。前者看效率，后者看质量。只看效率不看质量，很容易做出”卖得很快但不赚钱”的经营结果。
安全库存的设计初衷是对冲需求波动和供应不确定性。但在实际操作中，它经常被用来掩盖两个本该由定价解决的问题：需求预测不准、定价与动销不匹配。
最典型的表现是：某个SKU动销慢，不是因为市场没需求，而是因为定价偏高。这时候正确的动作是调整价格测试需求，但很多团队的做法是”加大安全库存”或者”等下一批少备一点”。前者浪费资金，后者拖延问题，两者都不会让这个SKU的动销变好。
安全库存解决的是波动问题，不是定价问题。用它去覆盖后者，成本只会越滚越高。
这三个指标几乎是每个跨境团队日报的标配：GMV、订单量、ACOS。但它们在库存-定价联动这件事上几乎没有作用。
GMV是规模指标，不反映资金效率；ACOS是广告效率指标，不反映库存效率。真正需要每天或每周看的是：单个SKU的贡献毛利、毛利库存周转天数、可售天数、近14天价格弹性趋势。这四个指标才构成定价-库存联动的观察面。
这是我认为最实用的一个起点。把库存成本拆成可比较的日成本，再和单件毛利对照，你就能判断一个SKU能承受多长的周转时间。
假设一个SKU的到仓成本是20美元，年化资金成本按8%算，加上仓储费、长期仓储风险金、跌价准备，综合下来日持有成本大约是0.008到0.012美元/件/天。如果这个SKU单件毛利是8美元，那么理论上它能承受的持有天数很长；如果单件毛利只有1.2美元，那么超过100天就开始亏钱。
这个计算的价值在于，它把”要不要降价”变成了一个算术问题，而不是一个情绪问题。当一个SKU的毛利库存周转天数已经接近它的盈亏平衡天数时，降价就是必要的，不是”要不要牺牲利润”，而是”要不要止损”。
不要试图找到”最佳价格”，那不存在。真正有用的是找到价格区间，在这个区间内，毛利总额随价格下降而上升；出了这个区间，下降价格就不再带来毛利增长。
实操上我会用三到四个价格点做测试，每个价格点至少跑7天，记录日均单量、转化率、广告花费、退货率。然后计算每个价格点的”毛利总额 = 单件毛利 × 日均单量”，找到峰值所在区间。
这个过程不需要很精确。粗略测得的价格区间，已经足以支撑80%的补货决策；追求精确到小数点后两位的价格，边际收益极低。
这是把定价真正嵌入库存计划的关键一步。核心思路是：不要让价格由人拍板，而是由库存水位触发规则来决定价格档位。
规则大致是这样的：库存低于某个天数，进入”保价档”或”上浮档”；库存处于健康区间，执行”基础档”；库存高于某个天数，进入”下浮档”并启动阶梯降价。这样定价就不再是滞后的补救动作，而是和库存同步的调节机制。
需要强调的是，触发器的阈值要结合品类特性来定。快消品可以设得短一些（30天/60天），耐用品、长尾品可以设得长一些（45天/90天）。阈值定得太紧会导致频繁调价，伤害价格稳定性；定得太松则失去调节作用。
把所有SKU用同一套规则管理，是另一种常见错误。爆款和长尾品的定价逻辑完全不同，库存容忍度也完全不同。我的做法是把SKU分成四层，每层用独立的规则。
| SKU分层 | 典型特征 | 定价策略 | 库存策略 | 核心考核指标 |
|---|---|---|---|---|
| 爆款 | 月销占比高、周转快、搜索排名靠前 | 守价为主，仅在断货风险时小幅上浮2%-3% | 优先保供，可用空运补缺口 | 断货率、排名稳定性 |
| 利润款 | 单件毛利高、销量中等、库存占用偏重 | 小幅提价测试，不参与常规促销 | 按需补货，避免大批量海运 | 单件毛利、毛利库存周转天数 |
| 引流款 | 单价低、转化高、毛利薄 | 价格稳定，靠搭配销售提利润 | 小批量高频补货 | 连带购买率、单客毛利 |
| 长尾款 | 销量低、周转慢、库存占用集中 | 主动阶梯降价，或直接设定退出价 | 冻结补货，优先清空 | 清仓周期、资金回收率 |
这张表的价值不在于分类本身，而在于它明确了：不是所有SKU都值得用同样的精力去优化定价。爆款的价格稳定比降价冲量重要得多；长尾款的快速退出比死守毛利重要得多。
下面这段伪代码是我给几个团队用过的基础版触发规则，逻辑很朴素，但覆盖面足够。实际使用时把阈值替换成自己品类的经验值即可。
# 输入变量
可售天数 = 当前库存 / 近14天日均销量
贡献毛利率 = 单件毛利 / 售价
近14天转化变化 = (近14天转化率 / 前14天转化率) – 1
补货在途天数 = 下一批货预计到仓天数
规则主体
IF 可售天数 120 AND 贡献毛利率 120 AND 贡献毛利率 >= 0.25 THEN
价格动作 = 单档降价 4%，优先测试弹性
补货动作 = 冻结，观察 14 天再决策
ELSE
价格动作 = 维持基础档
补货动作 = 按常规周期补货
END IF
这段规则里最关键的不是降价幅度，而是把”可售天数”和”贡献毛利率”两个变量绑在一起判断。同样是可售天数超过120天，高毛利SKU值得先小幅测试弹性，低毛利SKU则应该直接进入清仓节奏，因为它的持有成本压力更大。
我见过太多团队一上来就想做销量预测模型，结果做了半年，准确率也就60%多，还没法用。原因很简单：预测的上游数据是脏的，SKU级的真实利润都算不清楚，预测出来的销量没有对应的利润口径，做出来的补货建议也就没有决策价值。
我的建议顺序是反过来的：先做SKU级真实利润核算，再做定价测试，最后才做补货模型。因为只有当你清楚每个SKU在扣除头程、平台佣金、FBA费用、广告花费、退货成本、仓储费之后到底赚多少钱，你才知道哪些SKU该保价、哪些该降价、哪些该退出。
我自己在做的几个店铺，是把多平台订单、广告花费、头程和平台费用统一导入到数跨境里做SKU级的利润核算，再基于核算结果去反推定价和补货。这个链接是他们官网，注册后可以直接接平台数据源。
具体路径大概是三步。第一步，把亚马逊、独立站等渠道的订单数据接入，让系统按SKU自动归集收入。第二步，把头程费用、平台佣金、FBA配送费、广告花费、退货与仓储费按规则分摊到SKU上，这样每个SKU都有一个接近真实的贡献毛利，而不是平台后台那个只扣了佣金的粗略数字。
第三步是关键：把库存数据也接进来，让”库存金额””可售天数””毛利库存周转天数”和”贡献毛利”出现在同一张表上。这时候你不再需要猜哪个SKU有问题，因为数据本身就摆在那里，占用库存最多、贡献毛利最少的那几个SKU，一眼就能看出来。
接入之后，我不会看几十个指标，只看四组：
这四组指标放在一起看，决策就变得简单了。一个SKU如果毛利率低于25%、毛利库存周转天数超过110天、可售天数超过120天，那它基本上就是定价和库存双重失控，必须进入降价或退出通道。
拿其中一个店铺做对比，时间跨度是上线前3个月和上线后3个月。需要说明的是，这些数据来自我自己的操作记录，样本量不大，只能反映趋势，不能当作行业基准。
最明显的变化不是销售额，而是决策速度。上线前，讨论”要不要给某个SKU降价”通常要开会、拉数据、来回确认，周期3到5天，等决策下来窗口期往往已经过了。上线后，因为SKU级利润和库存天数在同一个视图里，判断时间压缩到当天，有时半天就能定。
第二个变化是清仓效率。上线前清仓是”一刀切打折”，往往把还有利润空间的SKU也一起折了；上线后能按毛利库存周转天数分层处理，只对问题SKU动手，整体清仓折价率从28%降到13%左右，回收的资金反而更多。
我想强调一点：工具解决的是”看不见”的问题，不解决”不敢”的问题。数据平台能让你清楚地看到某个SKU在亏钱、在占用资金、在拖慢周转，但要不要降价、降价多少、什么时候退出，仍然是人的判断。
我见过用着很完善的BI看板但依然做不出决策的团队，也见过只用Excel但每周都坚持按规则调价的团队。前者输在犹豫，后者赢在执行。数据是必要条件，不是充分条件。
新品期的常见做法是低价冲量，先把排名做起来，再慢慢涨价。这个做法在2020年以前可能有效，现在风险很大：低价引入的是一批对价格敏感的买家，等你涨价，这批人不会再买，而价格敏感型买家的评价结构也更极端。
我的建议是：新品期用2到3个价格点做测试，而不是一个超低价冲量。比如定价区间在29.99到34.99之间，可以先上29.99跑10天，再上32.99跑10天，对比两者的转化率和贡献毛利总额。这样你在新品期就能拿到弹性数据，为后面的补货提供依据。
库存上，新品期建议小批量、高频次补货，宁可承担一点空运成本，也不要一次性压三个月的货。因为新品期的需求不确定性最高，大批量备货等于把不确定性全部转化成库存风险。
成长期的SKU通常已经验证了需求，动销稳定，搜索排名在上升。这个阶段的定价策略应该是”守价 + 小幅调节”，库存策略应该是”优先保供”。
具体建议是：当月可售天数低于45天时，提前把价格上调2%到3%，同时取消所有折扣活动，主动削平需求峰值。这个动作很多人不敢做，怕影响排名，但实际上小幅提价对排名的伤害远小于断货对排名的伤害。断货会直接打断销量曲线，而小幅提价只是让曲线斜率缓一点。
另外一个动作是：如果某个SKU已经连续两个月在成长期，可以考虑把它的一部分产能转移到利润款上，避免把全部资金压在少数几个爆款上。
成熟期的SKU销量已经稳定，价格弹性也基本确定。这个阶段最该关注的不是还能不能涨，而是每一块钱库存产生的毛利够不够高。
建议每季度做一次”资金效率复盘”：把所有成熟期SKU按毛利库存周转天数排序，前20%的SKU维持现有定价和补货节奏；中间60%做小幅优化，比如把补货周期从45天调整到35天；后20%进入降价测试或退出评估。
很多卖家在成熟期犯的错误是继续把资源投入增长，而忽略了资金效率。结果是销售额看起来还在涨，但现金流越来越紧，因为增量全部变成了库存。
清仓时最忌讳的是”边清边犹豫”。今天降10%，看效果不好再降10%，结果价格一路往下，买家也在观望，越清越慢。
我的做法是：先定一个退出价，也就是这个SKU能接受的最低价格，然后按这个价格倒推清仓节奏。比如一个SKU的退出价是定价的70%，那就在4周内分三档降到位，每档间隔7到10天，每档都观察销量反应。如果第一档就清掉一半库存，后面两档可以放缓；如果第一档没反应，第二档直接加大。
同时，清仓期的销量数据要留下来。清仓不是结束，而是一次真实的需求测试，它会告诉你这个产品在什么价位激活了市场。这些数据应该写回下一轮的产品定价和选品决策。
多站点的核心原则是：同一个价格不代表同一个利润，所以定价要按站点的成本结构分别定，而不是按汇率折算。
具体做法是给每个站点单独算一遍贡献毛利，把VAT、退货率差异、尾程费用差异、包装合规成本都算进去。算完之后你可能会发现，某些站点应该比主站贵5%到8%，某些站点则应该比主站便宜，否则根本卖不动。
库存上，多站点不建议共用一个补货池。因为不同站点的动销速度不同，共用池会导致库存被快站点吃掉，慢站点长期缺货。更稳妥的做法是按站点设安全库存，站点之间只在大促等特殊节点做调配。
这是最经常出现的一对矛盾。降低价格能加速周转，但会牺牲毛利；守住价格能保毛利，但会拖慢周转。判断依据是持有成本的相对大小。
如果某个SKU的日持有成本（资金成本 + 仓储费 + 跌价风险）折算下来，等于单件毛利的1%以上，那么每拖延一天，你都在付出一笔隐性成本。这种情况下，牺牲一部分毛利换取更快周转是划算的。反过来，如果单件毛利很高、持有成本占比很低，那就应该守住价格，不必急于清仓。
我的经验比例是：当单件毛利的60%会在90天内被持有成本侵蚀掉时，就应该把降价作为优先选项。
排名是手段，利润是目的。但在实际运营中，很多人会不自觉地把排名当成目的。为了维持排名，长期用低价 + 高广告投入支撑，看起来销量在涨，实际上每个订单都在亏钱。
我的判断是：排名只在两个条件下值得为之牺牲利润。一是这个SKU有明确的后续盈利路径（比如带动关联销售、形成品牌认知）；二是有明确的竞争格局变化预期（比如竞品即将退出）。除此之外，为了排名而长期亏损，是在用现金流换一个没有兑现路径的资产。
跨境电商是一个资金密集行业，备货规模直接影响现金流。很多卖家在旺季前大量备货，赌的是旺季能卖完；一旦旺季表现不及预期，资金就被压在库存里，接着影响下一季度的备货能力，形成恶性循环。
我的建议是给备货设一个资金上限，比如不超过某个比例的自有资金和授信额度，超过上限就不再增加备货，而是通过定价调节需求。这个上限的存在会让定价决策变得更有约束感，避免”反正还能备货”的侥幸心理。
这是容易被忽略的一对取舍。大幅降价能加速清仓，但会在平台上留下一个低价记录，影响后续同款或同类产品的定价空间。同时，买家会记住这个价格，等新品上架时如果你的定价高于历史低价，转化会受影响。
我的做法是：如果打算做长线，清仓价格尽量不要低于历史最低价的85%；如果确定要退出这个品类，可以放开价格限制，快速回收资金。
工具的价值在于减少核算耗时、提高数据颗粒度；人工表格的价值在于灵活、启动快。选择哪一个，取决于SKU数量。
SKU在100个以内时，一张结构合理的Excel表加上每周固定复盘，基本够用；SKU超过300个，人工核算的错误率会明显上升，这时候工具的边际收益就体现出来了。这不是工具好坏的问题，而是规模经济的问题。
| 取舍场景 | 优先选A | 优先选B | 判断信号 |
|---|---|---|---|
| 毛利 vs 周转 | 守价格（保毛利） | 降价（提周转） | 90天内持有成本侵蚀毛利的比例是否超过60% |
| 排名 vs 利润 | 保利润 | 冲排名 | 是否有可验证的后续盈利路径 |
| 现金流 vs 备货规模 | 控制备货 | 扩大备货 | 备货资金是否已超过设定上限 |
| 清仓速度 vs 价格锚点 | 守住价格下限 | 放开价格清仓 | 是否计划长期经营该品类 |
| 工具 vs 表格 | 人工表格 | 数据工具 | 在售SKU数量是否超过300个 |
这张表的意义在于把取舍从”感觉”变成”条件判断”。当你面对同样的纠结时，只要对照判断信号，答案通常就出来了。
如果你读到这里，说明你已经认可定价应该是库存计划的输入变量。但认可和做到之间还有一段距离，所以我建议不要一上来就改流程、上系统，而是先用两周做一次体检，把问题暴露出来。
第一件事是把店里销量排名前80%的SKU拉出来，逐个算真实贡献毛利，扣掉头程、平台佣金、FBA配送费、广告花费、退货成本和仓储费。这一步不要追求精确到分，先做出来，误差在5%以内就够了。
第二件事是给每个SKU标注当前可售天数和占用库存金额。做完这两件事，你会得到一张表：横轴是贡献毛利，纵轴是占用库存金额。右上角是健康SKU，左下角是问题SKU，这两块占据了你80%的管理精力。
从问题SKU里挑3到5个，注意不要一次挑太多，否则数据互相干扰。对每个SKU设定一个降价档位，幅度控制在4%到7%之间，跑满7天，记录日均单量、转化率、贡献毛利总额的变化。
7天之后你会有两种结果。一种是贡献毛利总额上升，说明这个SKU有价格空间，可以进入阶梯降价通道；另一种是贡献毛利总额下降，说明这个SKU的问题不在价格，而可能在选品、listing或竞争格局上，那就不要再纠结价格，直接进入退出评估。
体检做完之后，把结论固化成一张每周更新的表，字段至少包括：SKU、贡献毛利率、可售天数、毛利库存周转天数、当前价格档、本周定价动作、补货状态。这张表不需要多复杂，但必须每周更新一次，并且由同一个人负责定价和库存两个字段。
这一点很关键：定价和库存必须由同一个角色对齐，否则联动永远只是纸面机制。如果组织上确实无法合并，至少要求两个角色每周开一次30分钟的联合复盘，输入同一份数据。
不要在没有毛利数据的情况下就开始降价，那是盲降；不要在同一个SKU上同时做降价和加大广告，那会混淆归因；不要用一次调价的结果去下长期结论，价格弹性需要至少两个周期的数据才能确认趋势。
回到开头那个家居卖家。他在那次断货之后，花了大概三周把SKU级利润重新算了一遍，发现真正的原因不是物流，而是提价之后他的补货模型依然在用调价前的销量基数。第二个月他把定价档位和库存水位绑定起来，日均单量没有恢复到原来的水平，但毛利总额反而提升了大约12%，因为他不再为低毛利的订单付出高昂的广告成本。
这就是我想强调的独特观点：库存计划的改进不发生在仓库里，而发生在定价策略里。把定价从”库存出问题之后的补救动作”改成”库存决策之前的输入变量”，你会发现断货和滞销这两个看似对立的问题，其实是同一个问题的两种表现，而且可以用同一套机制同时缓解。
下一步很简单：今天就去后台把销量前20的SKU拉出来，算出它们的贡献毛利和可售天数，看看有几款毛利在25%以下、可售天数超过90天。这个数字，就是你接下来三个月最该处理的库存-定价联动的起点。
我做欧洲站家居类目，去年旺季压了三千多件库存，第一反应就是降价清，结果价格打下来毛利没了，货还剩一半。后来复盘才发现补货计划本身就没跟着价格走。现在我也拿不准，诊断这类问题到底该从定价入手，还是从补货计划入手？
先诊断定价，再改补货，因为补货计划本质上是价格的函数，不是一个独立变量。我通常先做一张“价格带，库存状态”四象限表：横轴是当前售价比同款竞品中位价高还是低（低于5%算低价、±5%以内算持平、高于5%算高价），纵轴是可支撑天数，也就是可用库存除以近28天日均销量。
落进“高价+可支撑天数偏高”这个象限的，先调价、观察7天，看日均销量怎么变，再决定下一个补货周期砍多少量；落进“低价+库存仍然压着”的，说明价格已经不是瓶颈，问题在流量或转化，这时候继续降价只是烧钱，该去查主图、视频和广告结构。
补货动作永远放第二步，因为只有价格稳定之后测出来的销量才是可靠的需求基准。统一一个数据口径：所有销量基数都用近28天日均销量，不要用自然周或单月，周期太短会被大促日严重污染。
我每次清库存都靠感觉，心里想“再降10%应该能走起来”，但降完发现利润没了，库存也没清多少。老板问我这价降得值不值，我也说不出依据。很想知道有没有一个公式，能告诉我降多少是划算的、超过多少就该换别的方式。
用“持有成本对撞让利成本”来算临界点。单件可让利空间等于剩余持有期内单件仓储费、资金占用成本、滞销减值风险三块之和。举个我实测过的算例：一款售价39.9美元、成本12美元的产品，月仓储费按体积折算大约每件0.4美元出头，库龄一旦跨过长期仓储费档位，单件费用会跳到1.5美元量级；
资金占用按年化8%算，12美元成本一个月约0.08美元。假设这批货还剩60天必须清完，持有成本约1美元，再按成本20%计提滞销减值（2.4美元），可让利空间大约3.4美元，换算成售价就是降价不超过8.5%在数学上是划算的。
超过这条线，就应该改走捆绑赠品、站外折扣渠道或直接移除弃置，而不是在站内继续一刀刀砍价。注意仓储费和长期仓储费的档位、费率各平台各站点不同，你要用自己的账单反推单件实际值，别直接套别人的数。
我有个链接刚起量，但工厂交期从30天拖到50天，补货明显赶不上。运营说千万别动价，涨价会掉排名；可我算了下，真断货损失更大。两边都有道理，我到底该不该涨价，涨多少才合适？
可以涨，但必须按自己链接的价格弹性定量涨，并且同步收广告。判断依据是：先算可支撑天数（可用库存÷近14天日均销量），再跟补货到仓天数比，如果可支撑天数小于到仓天数，缺口那部分就是你必须压掉的需求量。
接着粗算弹性系数，把过去30天每次调价前后的日均销量变化记下来，用“销量变化百分比÷价格变化百分比”得到自家数据，多数跨境标品落在-1.2到-2.5之间。
假设缺口要压掉25%的需求，弹性按-1.5算，涨价幅度就是25%÷1.5约等于17%，但一定要分2到3次涨、每次观察5到7天，避免一次性跳价触发转化率断崖。同时必须压广告预算，否则涨价后ACOS恶化叠加转化率下滑，会形成排名双杀。
判断的底线是：断货超过14天，链接历史权重恢复通常要3到6周，这个代价一般大于温和涨价带来的短期排名波动。
我们团队6个人管两百多个SKU，价格表在一个人手里，库存表在另一个人手里，运营只看库存，我只盯价格，等发现不对的时候已经积压两个月了。想找一套最小可落地的机制，不想为了这个专门买一套很重的系统。
用一张“SKU周度诊断表”加三条触发规则就能落地，不需要上重型系统。字段固定这几个：SKU、近28天日均销量、可用库存、在途库存、可支撑天数（可用库存÷日均销量）、库龄、当前售价、竞品中位价、毛利率、广告ACOS、补货到仓天数。
三条规则是：一，可支撑天数大于90且毛利率高于25%，进入“主动调价”名单，每周最多降3%到5%，同时把省下的预算投去测广告；二，可支撑天数小于补货到仓天数，进入“价格刹车”名单，按弹性系数小步提价并压缩广告；
三，库龄进入长期仓储费临界点前45天，强制进清货流程，这个阶段定价优先级高于毛利，毛利率可以压到5%以内甚至持平。执行节奏上每周一跑一次表，只动名单里的SKU，其余不碰，避免全店频繁改价把历史数据搅乱。跑满8周，你会拿到自己店铺真实的弹性系数和清货周期，后面就不用再拍脑袋。
读者评论
把定价作为补货输入这个方向我认同，但落到多SKU店铺很难。我们店有200多个SKU，每周更新价格档位和库存水位的表几乎不可能靠人工维护。更现实的是先抓贡献毛利前20%的SKU，其余用规则兜底，否则表格更新不及时反而误导补货。另外弹性系数在大促和淡季差异太大，用固定档位也可能失真。
案例C里德国站的问题，我觉得不只是定价和库存脱节，更是站点级利润模型没建好。VAT、退货、合规包装这些是结构成本，应该先算每个站点的到岸全成本，再反推最低售价和补货优先级。否则同款同价在低毛利站点就是越卖越亏，补货越准反而压更多钱。
我对“毛利库存周转天数”这个指标有兴趣，但实操里分母用平均库存金额，分子用毛利，口径不同容易失真。比如广告费、仓储费和退货没分摊进去，算出来可能很漂亮，实际现金流并不好。建议至少统一到贡献毛利口径，再结合可售天数看，不然容易从一个极端走到另一个极端。