2023年8月，我在宁波港押了一批货，120万元人民币的户外储水桶，备货量从常规的3000件直接拉到9000件。理由很充分：前一年同款在黑五单月卖了4200件，广告ACOS已经压到18%，评论数涨到2600条，我判断翻倍增长是大概率事件。结果那年欧洲遇到暖冬加消费降级，到12月底只卖掉5100件，剩下3900件堆在德国海外仓，仓储费加上次年Q1的站内秒杀折扣，最后算账，这批货的净利率从预想的31%掉到4.7%。
而更讽刺的是，同一时间我在卖的另一款折叠水壶，因为不敢备货，黑五期间断货11天，Listing排名从BSR第9掉到第43，用了四个月才爬回去。
这两个数字放在一起看，才是我今天想聊库存计划的真正原因：跨境电商的库存问题，从来不是”备多备少”的问题，而是”你从哪里开始算”的问题。备货量只是最后一步的输出结果，真正决定成败的，是你在算出这个数字之前，有没有把口径、分层、前置期和现金约束这四件事做对。
这篇文章我会完整拆解我自己和团队经手的库存计划案例，包括我们怎么从一个靠Excel拍脑袋的团队，变成每周跑一次SKU分层和补货建议的流程。文中涉及的经营数据来自我们团队2022年至2024年的脱敏样本（覆盖亚马逊、独立站、TikTok Shop和三个海外仓，SKU数从180个增长到1200个），我会尽量标清楚哪些是实测、哪些是估算，方便你对照自己的盘子判断。
大部分运营在讨论库存时，第一反应是”这个款明年能卖多少”。这个问题是对的，但它是第二步。真正应该先回答的是三个更靠前的问题：你的历史销量数据口径是否可信、你的SKU该按什么维度分层管理、你的现金能支撑多少天的库存周转。这三件事没做，预测再准也会在执行层被打回原形。
库存本质上是把现金换成货物，再等它变回现金的过程。所以你真正管理的不是库存件数，而是现金被占用的时间和金额。我给自己定的一个硬指标叫”库存资金回收周期”：从付款给工厂那天算起，到平台回款到账那天结束。这个周期决定了你能做多大的生意，而不是你有多少本金。
举例：一款产品工厂账期30天、海运35天、清关+入仓上架12天、平台回款周期14天，那么单次周转是91天。如果毛利是35%，一年理论上只能转4次，资金回报率大约是140%。如果海运改成空运，周期压缩到60天，一年转6次，即使毛利被空运费吃掉8个点变成27%，资金回报率反而升到162%。这就是为什么我坚持认为库存计划的第一步是算资金周转，而不是算销量。
我们团队最早的做法是给所有SKU套同一个安全库存天数，比如统一按45天。这套逻辑对月销稳定的爆款勉强能用，但一旦SKU超过200个就会彻底失效：稳定款被过度保护，占用现金；波动款和长尾款反而经常断货。后来我们改成先做ABC-XYZ二维分层，再对每一层用不同的预测精度和补货策略。
ABC按贡献度分，通常参考销售额或毛利贡献；XYZ按需求波动分，用变异系数（CV）衡量。分层的目的不是分类本身，而是让不同层级的SKU享受不同的管理成本。A类X层值得每周人工复核，C类Z层如果人工复核，就是在浪费团队最贵的时间。
很多人的备货逻辑是”预计卖3个月，所以备3个月”。这是正推。真正可执行的逻辑是倒推：先确定可接受的服务水平，再算出安全库存，加上前置期内的平均需求，得到补货点，最后再用MOQ、整柜、账期这些约束去修正下单量。
这两种思路的差别在于：正推法在需求突然变化时毫无缓冲，倒推法天然包含了波动和延迟的容错空间。
预测告诉你”能卖多少”，现金告诉你”能压多少”。我见过太多团队预测做得很漂亮，最后卡在付款那一刻。我的做法是每月先算出可用于库存的总资金池，再按分层结果分配额度：A类X层优先保障，C类Z层只给极小的试单额度，超过额度的需求必须走预售或者放弃。
| 对比维度 | 传统做法（拍脑袋正推） | 分层做法（倒推+约束） |
|---|---|---|
| 起点 | 预估销量 → 备货量 | 数据口径 → SKU分层 → 参数 → 现金约束 → 补货点 |
| 安全库存 | 统一固定天数 | 按需求波动和服务水平分别计算 |
| 管理颗粒度 | 全SKU同一套规则 | A/B/C × X/Y/Z 九宫格，差异化策略 |
| 调整频率 | 旺季前集中调一次 | 每周跑一次，异常SKU随时触发 |
| 典型结果 | 爆款断货、长尾压货 | 爆款保障、长尾快速出清 |
要理解库存计划怎么做，得先理解跨境这门生意的库存链条比国内电商长多少。国内电商从下单到收货通常7天以内，跨境是海运35天加清关、入仓、上架、预约这些不可控节点，整体前置期经常在60到90天之间。这条链越长，任何一个环节的偏差都会被放大。
2022年黑五，我的一款折叠水壶在亚马逊美国站断货11天。断货前一个月，日销已经稳定在140单，按当时的趋势完全可以再补4000件。但工厂那边要求MOQ 3000件起订，而我手上的现金刚好够押另一个新品，于是我只补了1800件。结果黑五前一周销量翻倍，库存5天见底。
断货11天的直接损失是可计算的：少卖约1900单，按客单价29美元、净利率22%算，损失约1.2万美元。但真正的代价是排名，BSR从第9掉到第43，恢复用了将近四个月，期间的广告成本比断货前高出大约35%。断货的代价从来不是断货期间的销售额，而是断货之后的重建成本。
前面提到的储水桶案例是反向的。我当时的判断依据是”去年卖得好”，但没有区分去年好是因为旺季红利还是产品本身竞争力。事后复盘，那款产品在2022年的高销量有很大一部分来自平台流量补贴和当时的户外露营热潮，2023年这两个条件都消失了。
压货清仓的成本结构比很多人想的复杂：仓储费（德国海外仓每立方米每月约22欧元）、长期仓储附加费、清仓折扣、以及被占用的现金机会成本。3900件储水桶，最终清仓均价只有原定价的61%，加上半年的仓储，实际亏损接近18万元人民币。
更隐蔽的问题是库存分散。同一款产品，可能在亚马逊FBA有420件、海外仓有1100件、独立站仓有200件，还有一个在途批次800件。当运营在独立站看到”库存充足”时，判断依据往往只是本地仓的数据，而真实的可用库存需要把在途、在仓、在FBA、被预留（pending）的部分全部合并。
我们曾经出现过一次严重的超卖：独立站和亚马逊同时做了促销，两边各卖了约300件，但可用库存只有480件，最终导致亚马逊那边被迫取消订单，账号绩效吃了警告。这件事之后我才意识到，库存计划的底层是数据口径，不是算法。
我把从下单到可售的完整链路拆成四段：生产期（15，30天，波动主要来自工厂排期和原材料）、干线运输（海运30，40天或空运7，10天，波动来自船期和港口拥堵）、清关与入仓（3，15天，波动来自查验和仓库预约）、上架可售（1，5天，波动来自平台审核）。
这四段叠加起来，理论前置期可能是49天，但实际历史数据的P90前置期经常到78天。如果你用平均值算补货点，就意味着有接近一半的批次会迟到。这是我见过最普遍、也最容易被忽略的错误。
补货点公式本身不难，难的是参数。我见过很多团队把公式抄下来了，参数却是拍脑袋的，结果公式跑得越勤，错得越离谱。下面五个误区，是我在复盘自己和对标同行时反复看到的。
销量预测回答的是”未来能卖多少”，库存计划回答的是”什么时候、下多少、压多少钱、风险多大”。前者是输入，后者才是决策。我见过一个团队每周花两天做预测模型，但补货还是按运营的经验值下单，等于预测完全没进入决策链。
判断标准很简单：如果你的预测结果没有直接改变补货点、下单量和现金分配，那这个预测就是装饰品。
整体周转率是财务视角的健康度指标，不是你做补货决策的依据。一个整体周转60天的盘子，可能由周转25天的爆款和周转210天的长尾共同构成。如果你按60天给所有SKU设阈值，爆款会断货，长尾会继续烂在仓库里。
我现在的做法是：整体周转率只看趋势，SKU级决策一律看分层结果和单品数据。平均值是给老板看的，分布才是给运营用的。
断货率告诉你多少时间没货，但不告诉你损失了多少钱。我们后来改用一个指标叫”缺货暴露销售额”，即在缺货期间，按缺货前的日均销量乘以缺货天数估算的潜在损失金额。这个指标一出来，优先级立刻清晰：同样是断货5天，A类爆款暴露的是3.8万美元，C类长尾暴露的是420美元，资源该往哪里倾斜一目了然。
固定天数的本质是假设所有SKU的需求波动一样。真实情况是，我们数据里A类X层SKU的变异系数大约在0.22，0.35之间，而C类Z层能到0.9以上。波动差三倍，安全库存却设成一样，等于在给小波动SKU交保险，给大波动SKU裸奔。
理论上算出来的补货量经常落不到实际。工厂MOQ 2000件、一个40尺高柜装3200件、供应商只接受30天账期，这三个约束会把你的”数学最优解”直接推翻。我的做法是先算出理想补货量，再用约束做二次修正，并且明确记录这次修正是”为了凑整柜多压了X件”，让偏差可见、可复盘。
| 误区 | 表面症状 | 真实代价 | 修正方向 |
|---|---|---|---|
| 预测脱离决策 | 预测报告很漂亮，下单靠经验 | 团队时间浪费，决策质量无提升 | 把预测结果直接写入补货点公式 |
| 用整体周转管单品 | 指标健康，局部失控 | 爆款断货与长尾积压同时发生 | SKU级决策改看分层与分布 |
| 只看断货率 | 断货率不高但利润不涨 | 高价值SKU缺货未被优先处理 | 引入缺货暴露销售额指标 |
| 安全库存固定天数 | 规则简单执行快 | 资金被低波动SKU占用，高波动SKU缺保护 | 按变异系数与服务水平分别计算 |
| 忽略履约约束 | 算出来的量和下的单不一致 | 偏差无法归因，复盘失效 | 约束二次修正并留痕 |
把上面这些问题整理之后，我固定下来一套四层框架。它的顺序不能颠倒，因为每一层都是下一层的输入。很多团队失败的原因是直接从第三层开始，拿着公式算参数，但上面两层的口径和分层都没打牢。
这一层要做的事很朴素：确定每一个用于计算的指标到底怎么算。销量是按下单还是按签收？退款要不要扣？促销期间的异常销量要不要剔除？多平台的库存怎么合并？在途和在仓怎么区分？
我们踩过的坑是：早期用平台后台的”已订购商品数量”当销量，结果促销期的退货没扣除，导致预测虚高。后来统一定义为“净销量 = 签收数量 − 签收后30天内退货数量”，并把促销期间的订单单独标记，做预测时用平滑后的基线。
这一步不需要工具，但需要有人拍板。我的经验是，口径说明写成一页文档，所有参与库存决策的人都看过并签字，后面扯皮会少一大半。
我用的分层方式是贡献度（ABC）乘波动性（XYZ）。贡献度按过去90天的毛利贡献排序，前70%为A，70%，90%为B，剩余为C。波动性按日销量的变异系数划分，CV小于0.4为X，0.4，0.7为Y，大于0.7为Z。
分完之后，九个格子的策略完全不同。AX是核心利润来源，要保证高服务水平和每周复核；AZ是典型的爆款候选但不稳定，需要更短的决策周期和更保守的下单量；C类无论波动如何，都应该走清仓或停售评估流程，而不是占用精力做精细预测。
| 层级 | 典型SKU占比 | 目标服务水平 | 复核频率 | 补货策略 |
|---|---|---|---|---|
| AX | 约8% | 98% | 每周 | 优先保障额度，允许空运补货 |
| AY / AZ | 约11% | 95% / 92% | 每周 | 小批量高频下单，控制单批风险 |
| BX / BY | 约22% | 92% / 90% | 每两周 | 常规海运补货，接受适度缺货 |
| BZ / CX / CY | 约31% | 85% | 每月 | 低安全库存，先卖库存再补 |
| CZ | 约28% | 不设目标 | 季度评估 | 清仓或停售，不再新增备货 |
这一层是我认为最容易被跳过、但收益最直接的地方。安全库存的经典算法是：安全库存 = Z值（服务水平对应系数）× 需求标准差 × √前置期。其中前置期应该用P85或P90的波动值，而不是平均值加上一个模糊的经验天数。
我们的做法是从历史批次里统计每个供应商、每条物流线路的前置期分布，分别算出平均值和标准差。比如某供应商+美森快船的P90前置期是52天，标准差7.3天，那么在做安全库存时用的就是这组数据，而不是”大概45天”。
服务水平的设定也不是越高越好。服务水平从90%提到98%，Z值从1.28涨到2.05，安全库存要增加约60%。这60%的额外库存换来的是断货概率从10%降到2%。这笔账必须结合单件毛利和资金成本来算，不是服务水平越高越好。
拿到前三层的结果之后，才开始算补货点、下单量和下单时点。下面这段伪代码是我实际在用的补货判断逻辑的简化版，参数全部来自前三层：
# 简化版补货判断逻辑（伪代码，参数来自分层与前置期统计）
输入：sku_id, 服务水平z, 前置期均值lt_mean, 前置期标准差lt_std
日需求均值d_mean, 日需求标准差d_std, 当前可用库存avail
在途库存on_the_way, MOQ, 整柜容量container_qty
safety_stock = z * sqrt(lt_mean * d_std2 + (d_mean2) * lt_std**2)
reorder_point = d_mean * lt_mean + safety_stock
目标库存覆盖天数由分层决定：AX=75天, BY=55天, CY=40天
target_cover_days = cover_days_by_layer(sku_id)
target_stock = d_mean * target_cover_days
raw_order = target_stock – (avail + on_the_way)
if avail + on_the_way 0:
order_qty = max(raw_order, MOQ)
整柜修正：向上取整到整柜倍数，并记录多压数量
containers = ceil(order_qty / container_qty)
final_qty = containers * container_qty
log_decision(sku_id, raw_order, final_qty, reason="凑整柜多压%.0f件" % (final_qty – raw_order))
else:
final_qty = 0
这段逻辑有两个关键点值得强调。第一，安全库存同时考虑了需求波动和前置期波动，而不是只看其中一个。很多简化公式只算需求波动，在跨境场景下会严重低估风险，因为前置期的标准差往往比需求的标准差影响更大。
第二，约束修正必须留痕。每次因为MOQ或整柜多压了货，都要记录多压的数量和原因。三个月后复盘时，你会发现多压的货到底消化掉了还是变成了滞销，这直接决定了你要不要调整合作供应商的MOQ条款。
框架讲完了，接下来说落地。我们团队早期用Excel做分层，SKU到300个左右就开始吃力：多平台数据要手工导出，公式一改全表崩，每周花在数据整理上的时间超过10小时。后来我们把数据层的工作迁移到数跨境上做，官网是 https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys ，下面是我们真实的落地过程和结果。
我们当时的结构是：亚马逊美国站、亚马逊欧洲站、一个独立站、TikTok Shop，加上德国海外仓和美国第三方仓。数据分散在四五个后台里，每个后台的库存定义都不一样，FBA的”可用库存”要扣掉预留和转运中，独立站的库存又包含未发货订单占用。
我们做的事情是先把各平台的销量、库存、在途、退货数据统一导入，形成一张SKU×日期的基础宽表。这一步最大的价值不是”看到数据”，而是强制我们把口径定义清楚并固化下来，之后再也不会出现两个人报同一个SKU库存数字不一样的情况。
之前我们是运营手工在Excel里给SKU打标签，打完之后没人更新，三个月就失效。改成按规则自动分层之后，贡献度用近90天毛利贡献排序，波动性用近90天日销量变异系数计算，每周自动重跑一次。
结果是：原本我们认为有约200个”重要SKU”，按规则跑出来真正符合AX的只有96个。这个偏差很关键，因为它意味着我们之前有100多个SKU在用核心SKU的精力管理，而这些精力本可以用在真正影响利润的地方。
我们增加了缺货暴露销售额这一列，按”缺货天数 × 缺货前14天日均净销量 × 单件毛利”计算。这个指标上线第一个月就改变了我们的优先级：原本被忽视的一个B类SKU，因为客单价高、缺货频繁，缺货暴露毛利排在第七位，而它在原来的手工管理清单里根本没被列出来。
识别出问题之后我们做了两件事：把这个SKU的安全库存参数从统一的45天改成按P85前置期+95%服务水平计算，同时和供应商谈了分批交货，把单批MOQ从3000件降到1500件。三个月后这个SKU的缺货天数从平均每月4.2天降到0.8天，而库存金额只增加了6%。
我们把2024年Q1（迁移前）和2024年Q2（迁移后）的数据做了对比。需要说明的是，这两个季度的销售额规模不完全一样，Q2比Q1增长了约18%，所以绝对数字的对比要谨慎看，重点看比率类指标。
| 指标 | 2024 Q1（迁移前） | 2024 Q2（迁移后） | 变化 |
|---|---|---|---|
| 库存周转天数 | 78天 | 52天 | −26天 |
| 库存资金占用 | 约412万元 | 约296万元 | −28.2% |
| A类SKU断货天数（月均） | 3.1天 | 0.9天 | −71.0% |
| C类SKU动销率 | 43% | 66% | +23个百分点 |
| 库存分析人工耗时 | 约42小时/月 | 约9小时/月 | −78.6% |
| 缺货暴露毛利（月均） | 约11.4万元 | 约3.2万元 | −71.9% |
我要诚实说明两点。第一，这组改善并不全是工具带来的，同期我们还调整了供应商的分批交货条款，并停掉了约40个长期不动的SKU，这两件事对周转天数的贡献可能占到一半。第二，库存资金占用下降，有部分是Q2销售额增长带来的自然周转加快。工具的价值是把判断变成可重复的流程，而不是替代判断本身。
我不敢说这套框架对所有团队都适用，因为不同阶段的团队，能承受的管理成本和数据复杂度完全不同。下面按我实际见过和经历过的三种阶段来说，每一种的起点都不一样。
这个阶段不要上任何复杂模型。你应该做的只有三件事：把所有SKU的进货日期、到仓日期、累计售出数量记录清楚；给每个SKU算一次实际周转天数；把周转超过120天的SKU列出来，直接决定清仓还是停售。
起步期最大的风险是把时间和钱花在精细化上。我见过月销5万的新卖家花两周调试预测模型，但连自己哪个SKU在亏钱都不清楚。这个阶段的库存计划本质是”取消计划”，先确保活下来。
这是最需要建立分层机制的阶段。SKU数量已经超出人脑记忆范围，但还没到需要专业系统的程度。我的建议是用工具或表格搭一个最小可用的分层表：贡献度排序、变异系数计算、九宫格标记、每周更新一次。
同时要做的第二件事是把前置期统计起来。哪怕只统计最近20个批次的实际到仓日期，你也能算出P85前置期，比拍脑袋的”大概45天”靠谱得多。这两件事做完，你的库存决策质量会有台阶式的提升。
这个阶段必须解决数据口径和多仓库存合并问题，否则所有分析都是错的。核心工作是建立统一的SKU主数据、统一的库存口径（可用/在途/预留/在仓），以及自动化的分层与参数更新流程。
到这一步，人工介入的重点应该从”算数据”转向”审核例外”。我们现在的流程是每周系统跑出分层结果和补货建议，运营只需要处理三类例外：参数被约束修正的SKU、缺货暴露毛利排名前20的SKU、以及连续两周动销下滑的SKU。
FBA和自发货的库存策略不能混为一谈。FBA的核心约束是入仓预约和库容限制，所以补货节奏要考虑仓库的接收节拍，宁可多批次少批量；海外仓的核心约束是仓储费和最低起租，所以更适合按整柜或半柜批量补；自发货的核心约束是发货时效和物流成本，需要更高的现货率。
| 阶段 | 首要目标 | 该做的事 | 不该做的事 |
|---|---|---|---|
| 起步期 | 活下来、别压死 | 记录周转天数、清理滞销SKU | 上复杂模型、做精细预测 |
| 成长期 | 把爆款和长尾分开管 | 建立ABC-XYZ分层、统计真实前置期 | 给所有SKU同一套安全库存 |
| 成熟期 | 让流程可重复、可审计 | 统一口径、自动化分层、例外管理 | 靠个人经验维持全局判断 |
| FBA为主 | 保排名、控库容 | 多批次小批量、关注预约周期 | 按海运整柜思维压大批货进仓 |
| 海外仓为主 | 控仓储成本 | 整柜批量补、设置清仓触发线 | 长期滞销SKU无限续租仓库 |
库存计划到最后一定是一连串取舍。任何声称能同时做到零断货、零滞销、最低成本的方案，都是在骗人。我把自己经常面临的四组取舍写出来，每组给出我的判断依据。
提高服务水平能降低断货，但会线性甚至超线性增加库存投入。我的判断依据是单件毛利额与资金成本之比。若一个SKU单件毛利是18美元，缺货一天的暴露损失是18×日均销量，而多备一周库存的资金成本只有货值的万分之几，那显然应该多备。
反过来，如果单件毛利只有2.5美元、日均销量3件，缺货一天的损失是7.5美元，而多备一个月库存的仓储加资金成本可能超过20美元，那就应该接受缺货，甚至考虑停售。这个计算不需要复杂模型，一张纸就能算清楚，但它能解决80%的纠结。
空运能把前置期从35天压到8天左右，但单位运费通常是海运的4到6倍。判断是否值得空运，核心看空运增加的运费能否被”提前上市所多赚的毛利”覆盖。
我们内部的经验阈值是：如果缺货暴露毛利超过空运额外成本的1.5倍，就值得空运。2024年黑五前，我们对两个AX类SKU做了空运，多花运费约2.3万元，但避免了预计约4.1万元的缺货暴露毛利，同时保住了排名，这笔账是划算的。
集中备货（比如全部走一个海外仓）能降低仓储管理成本和入仓复杂度，但配送时效变差，且单点风险高。分散备货能提升时效、降低单点风险，但库存总量会上升。
我的做法是：AX和AZ类SKU分散到两个仓，因为它们对时效和断货最敏感；B类及以下集中到一个仓，用时效换成本。同时设置一个硬规则：任何SKU在单仓的库存不超过90天销量，超过就触发跨仓调拨评估。
很多人花大力气提升预测精度，从70%提到80%，但库存表现没有改善。原因是他们的响应速度太慢，预测再准也要90天后才能调整。我的判断是：在跨境场景下，响应速度的边际收益通常高于预测精度。
具体做法是缩短决策周期、降低单批下单量、增加批次。哪怕预测精度不变，只要你能把响应周期从90天压到45天，库存风险就会大幅下降。这也是为什么我坚持在和供应商谈MOQ时要争取分批交货。
除了这四组，还有一个我越来越重视的取舍是”精确 vs 可执行”。一个需要三人协作、跑五个小时才能更新一次的库存模型，哪怕理论上更准确，实际使用中也会因为没人愿意跑而失效。我现在更倾向于选择参数稍微粗糙但每周稳定运行的流程，因为只有跑起来的流程才会产生复利。
回到最初的问题：库存计划从哪里开始？我的答案不是从预测开始，也不是从公式开始，而是从承认不确定性开始。跨境这条链太长了，前置期会波动、需求会突变、平台规则会改、物流会堵，你能做的不是消除不确定性，而是给它定价，然后决定为哪些不确定性付多少钱。
我总结下来有三个和主流说法不太一样的观点，供你对照。
第一，库存计划的核心指标不是周转率，而是缺货暴露毛利。周转率是结果，不是抓手。你无法通过”提高周转率”这个动作本身改善库存，但你可以通过识别高暴露毛利的SKU并调整参数，同时改善周转和利润。
第二，分层比预测更值得先投入。预测永远有误差，但分层能让你在误差存在的情况下依然做出正确的资源分配。我们团队把精力从预测模型转到分层规则之后，库存表现改善的幅度远大于之前半年调模型的成果。
第三，库存计划的成败在流程，不在单次决策。一次备货备对了可能是运气，一年每周都做出可解释的决策才是能力。而能力的前提是数据口径清楚、参数来源可追溯、每次修正有留痕。
如果你今天就要动手，我建议按这个顺序走：先用一周时间把所有SKU的实际周转天数算出来，把超过120天的挑出来做清仓或停售决策；再用两周时间统计最近20个批次的实际前置期，算出P85值替代你现在的经验天数；然后用贡献度和变异系数做一次ABC-XYZ分层，把九宫格填满。
这三件事做完，你手上就有了一个可以每月更新的库存计划底稿。至于要不要引入工具，我的建议是当SKU超过200个或者多平台多仓库同时运营时再考虑，那时候你要解决的已经不是”会不会算”，而是”能不能稳定地每周算一次”。比如我们后来用的是数跨境（https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys ）来承接数据汇总和分层测算，但它替代不了前面那三步的判断。
工具负责让流程跑得动，判断永远是你自己的事。
最后提醒一句：库存计划没有做完的那一天。市场需求在变，你的参数就必须跟着变。我现在每个月固定花一个下午做一次参数复盘，看看哪些SKU的服务水平设高了、哪些前置期统计过期了。这个习惯带来的收益，远超我任何一次”精准预测”。
我刚接手店铺的时候，第一反应是打开后台拉销量排行，然后按销量备货。结果补了两批货，一批压了四个月，一批三周就断货。后来才怀疑「从销量开始」这件事本身可能就是错的，但具体该从哪儿切入一直没想明白。
先定补货周期这条时间轴，再把销量挂上去，而不是反过来。做法是把每个SKU拆成四段时间：供应商生产天数、头程运输天数（海运和空运分开算）、入仓上架天数、平台端安全天数，四段相加就是补货周期T。比如海运头程35天加生产15天加入仓5天加安全7天等于62天，那你的采购决策点必须落在断货前62天。
然后用最近28天的日均销量乘以T算出在途需求，再减去现有可用库存（要扣掉被促销锁定、被预留、不可售的部分），差多少补多少。这么排的道理是：销量每天都在变，补货周期相对稳定，拿它当骨架，波动只影响数量、不影响节奏。
我自己踩过的坑就是先看销量冲进去备货，结果旺季前海运延误，把45天的周期硬拖成70天，爆款直接断了一个月。
老板只说要「把库存管好」，但好是什么标准没人讲清楚。我一开始把安全库存设成7天，结果撞上平台入仓排队，断货；改成30天，资金又全压在货上，财务天天来问。到底有没有一套说得清、算得出的口径？
要分成两类指标，一类管不断货，一类管不压钱，不要指望用一个数字同时解决两件事。不断货看安全库存天数，口径是补货周期内历史上出现过的最大延误天数，再加2到3天的缓冲；如果近90天有两次以上入仓延误超过10天，就直接按延误最大值给。
不压钱看周转天数，口径是期末库存成本除以近30天日均出库成本，成熟链接一般控在45到75天，新品期允许90天以上但要单独设观察期。实操上我会给每个SKU打标签：A类（月销前20%、断货损失大）安全天数拉满，C类（长尾、清仓中）安全天数给0，缺货就下架，把现金让给A类。
判断依据就是断货损失和滞销损失哪个更贵：A类断一周掉排名，恢复要两三个月，值得多备；C类压着就是纯成本。
每次上新品最纠结的就是这个：备少了测不出真实转化，备多了卖不动只能清仓。我也试过按竞品销量去估，结果类目结构不一样，估出来的数字差了三倍，最后只能凭感觉拍。
新品第一批不按预测销量备，按测试预算备。先算你愿意为这个新品亏多少钱做验证，比如5000元，用这个金额除以单件到岸成本，就是首单上限，通常落在200到500件这个量级。然后做两个校验：一是这批货能不能在60天内跑完周转，跑不完就减量；
二是看核心关键词搜索量和竞品排名对应的日销，反推你的目标转化率撑不撑得起这个量，撑不住就把首单再砍一半，留空运补第二批。我自己的习惯是首单只备「预期45天销量」的60%，把新品期当成用运费换信息的过程。
补货触发点设在库存剩21天的时候，因为空运7到10天能到，海运要35天以上，用两档节奏对冲第一次判断的失误。
我同时跑平台仓、独立站海外仓和国内直发，经常出现A平台断货、B平台堆着卖不动。手工调拨一次要一周，等我决定完，机会窗口已经过去了。
把分仓当成一个动态分配问题，而不是一次性铺货。做法是每周固定一天做库存再平衡：先算每个平台近14天日均销量和7天可售天数，可售天数低于安全线的标记为「缺」，高于90天的标记为「淤」。调拨只做同国同仓的缺淤转移，跨国的调拨运费通常直接吃掉毛利，不如在当地促销清掉。
清仓的判断线是连续30天销量低于备货时的50%、且库龄超过120天，就走站内促销加捆绑，别等库龄到180天被平台收长期仓储费。我记得有一次把一批滞销品从海外仓运回国内，运费加关税比货值还高，从那以后我的规则就是跨国只出不回。
这套规则最好落在一张共享表或者某项目管理工具的看板上，让运营、采购、物流看到同一份可售天数和库龄，不然每周都会为「到底该不该补」吵一遍。
读者评论
P90前置期那段有同感，但落地时有矛盾：按P90设安全库存，等于默认多备二十多天的货，可现金约束那一节又说资金池才是天花板。我们盘子只有二十来个SKU，根本没有两百多个批次的数据，算出来的P90自己都不信，最后只能对海运段单独放宽、其余按均值。想知道SKU少的时候这套怎么处理，还是说它本身有个规模门槛。
分层前后那组对比我保留意见。2023Q1到2024Q1中间经历过一轮清仓，长尾动销率从41%到68%，有多少是分层管理的功劳，有多少是清库存把滞销分母直接做小了，不太好拆。另外单SKU耗时从26分钟降到6分钟，更像规则自动化的结果，跟分层本身关系不大。不是否定做法，是这类内部样本说明不了因果。
多平台库存打架这点最扎心。我们也出现过独立站和亚马逊同时促销导致超卖，事后看根因不是算法，是导出报表有时间差，海外仓入库数据要隔天才同步。文中说底层是数据口径不是算法，我同意，但口径统一在跨平台场景里往往卡在接口权限和人工核对成本上，不是想统一就能统一。