去年 11 月，我帮一个做家居类目的朋友复盘 Q4 库存。他店铺月销稳定在 28 万美元左右，SKU 数 1400 多个，团队 6 个人。按理说这个体量早就该上工具了，但他当时的做法是：运营每天早上从亚马逊后台导出库存报告，粘贴进一个共享表格，再用 VLOOKUP 把海外仓的在途数量拼上去，最后人肉标红"低于 30 天的"。这套流程跑了两年，直到 10 月出现一个荒唐的结果，同一款收纳箱，FBA 仓断货 19 天，同时第三方海外仓压着 4200 件卖不动，而表格里这款的"可售天数"显示还有 62 天。
断货损失加仓储费，那一款单品那个季度净亏 1.7 万美元。
这件事让我重新思考一个问题：亚马逊卖家谈"库存管理工具"，到底在谈什么。大多数人第一反应是"找个能自动算补货的软件"，但真正让库存失控的，从来不是算不出来，而是数据口径没对齐、责任边界没定义、资金占用没被量化。工具只是这三件事的载体。这篇文章我会从我实际拆过的十几套工具形态出发，把"围绕库存管理做工具对比"这件事拆成可判断、可取舍的决策框架，而不是给你一张功能对照表。
我先说四个结论，后面所有章节都是围绕这四条展开的论据。如果你时间有限，只看这四条也够用。
我见过太多卖家在纠结"用移动平均还是指数平滑来预测销量"，但他们的实际库存准确率还不到 75%。原因很简单：亚马逊后台的"可售库存"、ERP 里的"仓库库存"、海外仓给的"在库数量"，这三个数字统计口径完全不同，一个扣了预留（reserved），一个没扣，一个把破损件也算进去。
在这个基础上，再好的预测模型都是在错误输入上做精致运算。我的经验是：库存准确率从 70% 提到 90%，靠的是口径对齐和刷新频率，跟算法基本无关；从 90% 提到 95%，才轮到算法上场。而大部分卖家，连第一步都没走完。
这句话是我踩坑踩出来的。2022 年我用过一套主打"智能补货"的工具，界面很漂亮，但它只能拿到亚马逊后台的汇总库存报表，粒度是 SKU × 站点 × 天。这意味着它永远算不出一个关键数字：某个 ASIN 的库存里，有多少是已经产生长期仓储费风险的库龄段。
因为长期仓储费是按 181 天、271 天、365 天分档计费的，你必须有库龄分档数据才能算。拿不到这个粒度，工具就只能给一个笼统的"建议补货量"，而不是"这个 ASIN 这周不该补、而且应该先清掉 340 件 271 天以上的"。
所以我判断一套库存工具的第一件事，不是看它宣传什么，而是问：它的数据源清单是什么？接入的是亚马逊 SP-API 的哪个接口，还是只能读后台导出的 CSV？
库存管理最终是个财务问题。周转天数降了 8 天，但客单价涨了、采购单价涨了，资金占用可能是上升的。我见过一个案例：某卖家的库存周转天数从 78 天优化到 61 天，看起来很好，但同期他们把主力款从 3 个 SKU 扩到 11 个 SKU，单 SKU 备货量变小、采购批量折扣没了，采购成本上升 6.3%，实际资金占用只降了 4%。
如果工具只给你周转天数和售罄率，你根本看不到这个反向作用。所以我的硬性标准是：这套工具能不能按 SKU / 店铺 / 站点 / 库龄段，把资金占用金额算出来，并且支持自定义成本口径（含头程、关税、仓储费）。算不出来，它就是个库存监控看板，不是库存管理工具。
这一点可能和主流的"AI 自动补货"叙事相反。我带过的团队里，凡是上了"一键全自动补货建议并自动下单"的，三个月内几乎都退回到半自动。原因不是模型不准，而是运营不敢信，模型说补 800 件，运营看后台觉得该补 400 件，工具不告诉他"为什么是 800"，他就只能凭感觉改。
好的库存工具应该做到：给出建议值的同时，把这个值的推导过程展开，过去 28 天日均销量、加权系数、在途、安全库存天数、备货周期、MOQ 约束，每一项都能单独调整和回溯。这样运营改的是参数，不是结果，团队才能积累经验。
抽象地谈工具对比没意义，我换成四个我亲眼见过的失控场景。这四个场景覆盖了大部分卖家 80% 的库存损失来源，也是判断工具是否对症的标尺。
旺季备货是所有库存问题的放大器。我统计过手上 7 个卖家的 2023 年 Q4 备货数据，发现一个规律：他们在 8-9 月下的备货量，实际销量的偏差区间是 -38% 到 +71%。也就是说，备多了接近一倍，或者备少了四成。
关键在于，这个偏差不是均匀分布的。备多的那部分通常集中在"去年表现好、今年被寄予厚望"的款上，备少的那部分往往是"没被重点看"的长尾款。这就是典型的经验偏差，团队会把注意力放在头部款，头部款被反复讨论、反复加量，长尾款没人管。
工具在这里能做的不是"预测更准"，而是提供一个反直觉的约束：把备货量按历史同期的售罄曲线分布来分摊，而不是按"我觉得这个能爆"来分摊。我后来给那个朋友的方案是，所有旺季备货必须同时输出两套数：一套是按 GMV 权重的乐观计划，一套是按去年实际售罄曲线推算的保守计划，两套差额超过 25% 的 SKU 必须单独走审批。
卖家一旦开到 3 个以上店铺、或者同时做亚马逊和另外一两个平台，影子账几乎必然出现。我见过最典型的：同一个 SKU 在两个亚马逊店铺都上了，共用一批海外仓库存，但两个店铺的表格各自记了 1500 件可售，实际仓库里只有 1800 件。
结果就是两个店铺都在卖，都以为自己有货，等到仓库清零了，两边同时断货。这种损失很难归因，因为没人会认为是"数据重复"造成的。
这个场景对工具的要求非常明确：必须有"物理库存"和"平台可售库存"两个独立维度，并且能建立映射关系。你看的不是"库存是多少"，而是"这批物理库存被几个渠道共享、每个渠道分到多少份额"。
亚马逊的仓储费结构决定了库存问题有很强的滞后性。常规月度仓储费按日均体积计费，看得见；但长期仓储附加费是按 181 天、271 天、365 天分档的，等你看到账单时，货已经压了半年多。
我做过一个测算：一件体积 0.008 立方米的产品，如果从入库到清货用了 300 天，其累计仓储相关成本大约是货值的 9%-14%（取决于季节和站点）。这个数字放在一批 5000 件的货上，就是实打实的几万美元。
所以工具如果只是"告诉你现在有多少库存"，价值有限。它必须能按入库批次推算"这件货会在哪天进入下一个仓储费档位"，并在跨档前 30 天给出预警。这是我从一次 2.3 万美元的长期仓储费账单里学到的教训。
海运送货周期 30-45 天，空运 7-12 天，工厂生产周期 15-30 天。把这三个数字加进去，你会发现"现在下单"对应的其实是 60-90 天后的销售场景。而绝大多数卖家的补货决策，用的是"过去 30 天的销量"。
这就是最典型的错位：用短周期数据驱动长周期决策。在旺季爬坡期，这会系统性地导致补货不足；在淡季下滑期，会导致补货过量。
我的处理方式是给不同类目的 SKU 设置不同的"决策前置期"，并且在增速超过 30% 或下滑超过 20% 的阶段自动切换到更保守/更激进的参数组。这件事手工表格做不到，因为你要对上千个 SKU 分别打标。
在讲判断框架之前，先清理几个误区。这些误区之所以普遍，是因为它们听起来都很对。
ERP 的库存模块解决的是"账实相符"，也就是记录准确性。它的设计目标是让每一笔出入库都能对上，不是帮你判断"该不该补货"。
我早期就犯过这个错。我们把 ERP 的库存报表当成决策依据，结果发现报表只能告诉你"现在有多少"，完全没有库龄分档、没有站点维度的可售天数、没有把广告投放节奏和库存节奏关联起来。ERP 是记录系统（System of Record），库存分析需要的是分析系统（System of Analysis），这两件事的架构目标根本不同。
周转天数是结果指标，不是诊断指标。它降了可能是因为你清货了，也可能是因为你断货了，断货会让周转天数看起来非常漂亮，因为你根本没货可压。
我通常会同时看四个指标：库存周转天数、售罄率（Sell-Through Rate）、断货天数占比、资金占用金额。这四个指标互相制衡，能过滤掉大部分假象。举个例子，周转天数从 75 降到 58，但如果同期断货天数从 4 天涨到 15 天，那这次"优化"其实是拿销售换来的，不划算。
我的判断是：在 SKU 数少于 200、团队少于 5 人的阶段，全自动补货是负债而不是资产。因为这个阶段你的参数（备货周期、安全库存、MOQ）本身就不稳定，全自动意味着错误被系统化放大，而且团队失去了"每次决策都在训练判断力"的机会。
更合理的做法是"系统建议 + 人工确认 + 差异记录"。让运营每次修改系统建议时都填一个原因标签，三个月后你会发现，这些标签就是优化参数的原始素材。
这是最不性感但最容易出事的点。亚马逊各站点的报表时区不同，美国站是太平洋时间，欧洲站是当地时间。如果你的工具按北京时间凌晨统一拉取，欧洲站的"当天销量"就是残缺的。
币种同理。我见过一个卖家把美国站（美元）和日本站（日元）的库存金额直接加总，得出一个"总库存资金占用 380 万"的数字，实际上日元那部分没换算，把数字夸大了将近 40 倍。
所以选工具时，我一定会问三个问题：数据刷新频率是多少？跨站点时区怎么处理？多币种金额是否统一折算并保留原始币种？这三个问题答不清楚的，后面一定会出问题。
我曾经给一个团队搭过一个 43 个图表的库存看板。上线两周后，使用率掉到个位数。原因不是不好用，而是信息过载，运营每天只有 10 分钟看数据，43 个图表等于没有重点。
后来我们砍到 6 个图表，反而每周都有人用。我的经验是：日常库存看板的图表数控制在 6-9 个，每个图表必须能对应一个具体动作（补货、清货、调价、暂停广告、联系工厂）。对应不到动作的图表，全部删掉。
聊完误区，说方法。我评估任何一套亚马逊库存管理工具，都用这五层框架，从下往上打分。任何一层不达标，上面几层做得再花哨都不成立。
这是地基。我会列一张数据源清单去逐项确认：亚马逊卖家后台的库存报表、订单报表、库龄报表、仓储费报表、广告报表；海外仓或第三方仓的库存快照；ERP 或采购系统的在途与采购单；物流商的在途轨迹。
判断标准有三条：是否直接对接 API（而不是依赖人工导出）、数据粒度是 SKU × 站点 × 天还是更粗、刷新频率是天级还是小时级。这三条决定了你后面所有分析的天花板。
这一步很少有人做，但它决定团队能不能对齐。我要求工具必须能明确回答：
这些定义如果工具不写清楚，团队每个人心里的算法都不一样，最后开会就是各说各话。指标语义清晰度，是库存工具最能体现专业度、也最容易被忽略的一层。
这一层是价值分水岭。能"看见"库存的叫看板，能"算得出"建议的才叫工具。具体我会看四个能力：
其中第 3 点是我最看重的，也是最容易被忽略的。能算"未来会怎样"的工具，比能算"现在怎么样"的工具，价值高出一个量级。
再好的分析，如果落不到具体人的具体动作上，都是白费。这一层我会看：预警能不能按 SKU 分档触发、能不能指定负责人、能不能记录处理结果、能不能回溯"上次这条预警我们做了什么"。
一个很实用的细节：预警必须支持"静默期"。否则同一个 SKU 断货风险连续 15 天每天弹一次，第 4 天之后所有人都会无视它。我一般会设置"同一预警 5 天内不重复推送，除非严重等级升级"。
这一层最容易被低估。我算过一笔账：一套年费 2 万的工具，如果每次加一个新站点都需要服务商排期两周、每次改一个指标口径都要提工单，那么三年下来，内部沟通和等待的隐性成本可能是软件费的 3-5 倍。
所以我会问：能不能自助配置新数据源？能不能自己加计算字段？有没有 API 或者开放的数据导出？这三点决定了长期可维护性。
| 评估层 | 核心问题 | 不达标的典型后果 | 我的权重建议 |
|---|---|---|---|
| 数据接入层 | 能拿到多细、多快的数据 | 分析粒度受限，所有结论都是估算 | 30% |
| 指标语义层 | 指标定义是否明确且一致 | 团队各说各话，会议无法达成决策 | 20% |
| 分析建模层 | 能否算出建议与情景推演 | 只看到现状，无法指导未来动作 | 25% |
| 预警协同层 | 建议能否落到人头上并闭环 | 分析报告没人执行，问题反复出现 | 15% |
| 成本可维护层 | 三年总成本与自助配置能力 | 每次调整依赖服务商，迭代速度被拖死 | 10% |
讲完框架，用具体工具落地一次。我过去一年多用得比较多的跨境数据分析平台是数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）。下面我不谈它的宣传页，只谈我实际用下来的观察，包括它做得好的地方和明显不适合的场景。
这类平台的核心价值，在于它不是从零帮你算，而是先把多个来源的数据拉到同一个模型里。我实际的用法是：把亚马逊多个站点店铺的数据、海外仓库存快照、采购在途数据接进来，然后在字段映射环节把各来源的口径对齐。
最有价值的一步是把"物理库存"和"平台可售库存"拆成两个字段。这一步做完之后，前面提到的"影子账"问题当场就暴露了，你能一眼看到某个 SKU 的物理库存是 1800 件，但两个店铺分别认领了 1500 件，缺口立刻显形。
数据刷新上，它是按天同步的。对于海运送货周期 30 天以上的类目，天级刷新完全够用；但如果做的是快消小件、备货周期只有 10 天以内，天级刷新就略显滞后，需要额外用后台实时数据做补充。
这是我用它最多的一个模块。把库龄分档（0-90 / 91-180 / 181-270 / 271-365 / 365+）和单位成本关联之后，你能得到一个非常直观的视图：每个库龄段压了多少钱。
我服务的一个宠物用品卖家，之前一直觉得"库存还行"，接进来算完发现 271 天以上的库龄段压了 47 万人民币，占总库存货值的 18%，而这一段的 SKU 只贡献了 3% 的销售额。在此之前，他们的表格里根本没有库龄字段，只有"入库时间"这一列，从来没人按档位汇总过。
这里有个专业判断想强调：库龄分析的真正价值不在于展示，而在于和仓储费档位绑定。181 天、271 天、365 天这三个时间点是费用跳变点，工具如果能自动标注"这批货将在 14 天后进入 271 天档位"，运营才有行动窗口。纯展示型的库龄饼图，价值要打个对折。
它的补货测算逻辑是把日均销量、在途、安全库存天数、备货周期、MOQ 这些参数做成可配置项，然后给出建议补货量。我实际验证过几轮，发现在参数调准的前提下，建议值和运营手工判断的偏差通常在 ±15% 以内；而在参数没调之前，偏差可以到 ±60%。
这恰好印证了我前面说的结论：工具的价值不来自算法有多高级，而来自参数能不能被正确校准并持续维护。参数校准这件事，本质上是把团队的经验显性化，这才是真正的资产沉淀。
它的一个实用设计是可以把"日均销量"按不同窗口（7/14/28/60 天）分别呈现，让运营看到趋势而不是一个孤零零的数字。我在做旺季爬坡判断时，会重点看 7 天和 60 天日均的差值：差值扩大说明正在加速，需要提前锁定产能。
下面是我常用的一个补货测算口径，供你对照自己工具的公式：
建议补货量 =
( 预测日均销量 × (备货周期天数 + 安全库存天数) )
当前可售库存
在途库存
+ 安全库存缺口修正值
其中：
预测日均销量 = 近28天日均 × 季节系数 × 趋势修正系数
季节系数 = 去年同期该月销量 / 去年同期月均销量
趋势修正系数 = 近7天日均 / 近28天日均（上限 1.3，下限 0.7）
安全库存天数 = 按 SKU 分级设定（A类 30天 / B类 20天 / C类 12天）
约束条件：
if 建议补货量 % 装箱量 != 0: 向上取整到装箱量倍数
if 建议补货量 可售库存的15%: 建议补货量 = 0，先清货
当你同时运营多个站点、还共用海外仓时，单一平台视角会严重失真。我用的方式是把所有渠道的库存拉到一张表里，按 SKU 汇总物理库存，再按渠道拆分可售份额。
这个视图最有价值的时刻是调拨决策。今年 3 月有个案例：一个 SKU 在美国站可售天数 12 天、在欧洲站可售天数 118 天，合并看的时候你会觉得"整体健康"，拆开看才发现是严重的结构失衡。后来我们的处理是把欧洲站的一部分库存走站内调拨+清货组合，美国站则紧急补了一批空运。合并视图的意义不是求平均，而是让结构失衡无处躲藏。
为了保持判断的诚实性，这几点必须说清楚：
工具选型最忌讳"一刀切"。下面按四个维度给建议，你可以直接对号入座。
这个阶段的瓶颈不是工具，是流程。我的建议是：
这个阶段不建议上分析平台，原因是参数不稳定，工具给出的建议你也不敢用，反而增加混乱。
这是我最推荐引入跨境数据分析平台的区间。理由有三个：SKU 数量已经超过人工能稳定管理的阈值；多店铺运营的概率显著上升；库龄和资金占用开始成为真正的成本项。
具体的落地顺序我建议这样走：
到这个体量，库存管理的复杂度已经不是工具能单独解决的。我的经验是资源分配大概是 3:4:3，工具 30%，流程 40%，人 30%。
流程上必须定义清楚三件事：谁有权调整补货参数、谁的审批额度是多少、跨平台调拨的决策链路是什么。这个阶段我见过最多的失败，不是工具不好，而是工具给出的建议在组织里没人有权拍板。
人这块，我会专门设一个"库存分析师"角色，不背销售 KPI，只背两个指标：库存准确率和资金占用天数。这个角色的独立性非常关键，因为他要在销售想加量的时候踩刹车。
精品型卖家 SKU 少、单 SKU 备货量大，重点是单品的深度分析和旺季备货的情景模拟；铺货型卖家 SKU 数千、单 SKU 备货量小，重点是批量分档和自动化预警。
判断标准很直接：如果你的 SKU 数超过 1000，单 SKU 月销低于 30 单，那么任何需要逐 SKU 手工配置的功能对你都是负担，你需要的是批量规则。反过来，如果你只有 30 个 SKU 但单个备货 5000 件，你需要的是深度情景推演，而不是批量工具。
有海外仓的卖家，最容易出的问题是"货在哪一段看不见"。工厂发货到国内仓、国内仓到港口、港口到目的港、目的港到海外仓、海外仓到 FBA 仓，这五段里任何一段断档，整个补货节奏就乱了。
我的建议是：把物流的每一段都变成一个带时间戳的状态字段，而不是一个笼统的"在途"。这样你才能算出"哪个段的实际耗时超出了计划"，进而修正备货周期参数。
说完建议，说取舍。库存工具选型里没有"全都要"，只有"先要哪个"。这四个取舍我几乎每次做选型都会遇到。
如果你的毛利率低于 20%，我建议预算优先。因为库存精度提升带来的收益，很难覆盖高精度方案的成本。这种情况下，一张结构良好的表格加一个人每周投入 5 小时，就能拿到 80% 的收益。
如果毛利率超过 35%（比如美妆、宠物、部分家居），精度优先更划算。这类目库存积压的资金成本和折价损失都很高，一个百分点的手续费改善就能覆盖工具成本。
判断公式可以简化成：年工具成本 ÷ 年毛利 < 2%，就值得投；超过 5%，先优化流程再说。
自建（自己找人搭数据仓库做 BI）听起来更可控，但我见过的自建案例中，能持续维护超过 18 个月的比例不到三成。原因很少有技术问题，主要是人走了、需求变了、没人维护。
我的判断标准是：团队里有没有一个既懂业务又懂数据、且至少会稳定待两年的人。有，可以考虑自建；没有，采购成熟平台更划算，因为平台替你把维护成本摊薄了。
深度指的是库存分析的颗粒度（多细的库龄、多细的成本口径），广度指的是覆盖多少平台、多少仓、多少业务环节。这两者几乎不可能同时做到极致。
我的建议是按业务重心选。如果 80% 销售额来自亚马逊单平台，选深度；如果销售额分散在三四个平台，选广度，因为跨平台的一致性比单平台的极致精度更重要。
实时同步的成本比定时同步高出一个量级，而且大部分卖家并不需要。我做过一个测算：对于备货周期超过 25 天的类目，从"天级同步"提升到"小时级同步"，对断货天数占比的改善不到 0.4 个百分点，但成本可能翻倍。
只有当你做的是备货周期短于 15 天、且促销节奏密集的类目（比如快消、季节性小件），实时同步才有明确价值。其余情况，把钱花在库龄预警上收益更高。
| 取舍点 | 选 A 的触发条件 | 选 B 的触发条件 | 我的一般倾向 |
|---|---|---|---|
| 预算 vs 精度 | 毛利率 < 20%，采购买工具 | 毛利率 > 35%，选高精度方案 | 先算毛利比，再决定 |
| 自建 vs 采购 | 有稳定 2 年以上的数据负责人 | 无稳定技术负责人 | 80% 情况倾向采购 |
| 深度 vs 广度 | 单平台占销售额 80% 以上 | 多平台分散，单平台不足 50% | 按销售集中度判断 |
| 实时 vs 定时 | 备货周期 < 15 天，促销密集 | 备货周期 > 25 天，节奏平稳 | 多数卖家定时够用 |
回到开头那个案例。那个朋友最后没有换系统，他做的事情是：先把物理库存和平台可售库存拆成两个字段，再用一张库龄分档表找出 271 天以上的库存，然后针对那批货做了 30 天的清货动作，同时把旺季备货从"经验拍数"改成"双方案对照+超差审批"。三个月后，他的资金占用下降了 21%，断货 SKU 数下降了 60%。
整个过程里，他真正"买"的工具只是一个跨境数据分析平台，而且是在流程改完两个月后才上的。这个顺序很重要，先有口径，再有流程，最后才是工具。反过来做，工具只会把混乱自动化。
所以我想给你的独特判断是这三条：
如果你现在就要动手，我给你一个本周可执行的清单：
库存这件事没有一劳永逸的解。它更像是一个需要每月校准的系统，工具的作用是让校准这件事从"靠人记"变成"有据可查"。当你的团队能在 15 分钟内说清楚"这笔库存压了多少钱、会在什么时候变成成本、下一步谁做什么"，你就不需要再纠结工具对比了，因为那时候任何一套达标的工具，都能跑得很好。
我刚开始做亚马逊，店铺 SKU 不多但已经有断货和压货，后台报表能看但不够用，市面工具都说自己智能，我不知道先比功能还是比数据准不准。我担心选错后还要迁移历史库存，所以想先抓住最关键的对比项。
先看四个硬指标：库存数据抓取延迟、FBA 在途在库待入库口径、补货建议可解释性、异常告警闭环。抓取延迟最好在 15 分钟内，至少每小时；口径要能区分可售、预留、在途、待入库、不良品，且能和亚马逊后台报表对得上；
补货建议要能给出公式，比如基于近 7、30、60 天销量、采购交期、安全库存、季节系数，而不是只给一个建议补货 300 件；异常告警要能落到人、有处理状态。判断依据是拿同一 SKU 同一天数据，与亚马逊后台库存报告和业务报告交叉核对，误差超过 2% 就要追问原因。
功能再多，如果库存口径对不上，后面所有预测都是空中楼阁。
我之前按工具建议补了一批货，结果旺季前压了三个月库存，仓储费吃掉利润；后来自己拉表格算又总是慢半拍。我想知道工具给出的补货量背后一般怎么算，哪些参数必须自己改。
不能直接信，必须做参数校准。补货量通常由日均销量、采购交期、头程时效、安全库存、MOQ、装箱量、季节系数共同决定。你要先把自己的真实交期填进去，比如工厂生产 7 天、头程海运 30 天、入仓 5 天，合计 42 天，而不是用工具默认的 30 天。
再看日均销量用 7 天还是 30 天：新品用 7 天加趋势，老品用 30 天并剔除促销日。安全库存建议按销量波动设，比如日销 20 件、波动 30%，安全库存至少覆盖 7 到 10 天。
最后用近 3 个月断货记录回测：如果工具建议在断货前 14 天就触发，且建议量与实际销量偏差小于 20%，才值得参考。否则只把它当提醒，不当决策。
我有美国站和欧洲站，还有几个子账号，经常出现一个店铺显示有库存，另一个店铺却超卖，或者 FBA 和海外仓数量对不上。我怀疑是工具同步逻辑有问题，但不知道该怎么验证。
先明确同步方向：是亚马逊后台为主，还是海外仓或 ERP 为主，还是双向同步。选型时要求工具能展示每个 SKU 的库存来源和最后同步时间，并且支持按站点、按仓库、按 MSKU 分别映射。
验证方法很简单：拿 3 个 SKU，在海外仓改 1 件库存，记录工具刷新时间和亚马逊后台可售数量变化，双向同步延迟超过 10 分钟就容易超卖。还要看冲突处理规则，比如两个订单同时扣减时是锁库存还是排队。若工具不能给出同步日志，只显示一个总数，基本可以放弃。
实际运营中，建议把 FBA 库存和海外仓库存分开看，补货逻辑也分开跑，不要强行合并成一个总库存。
我现在用 Excel 加亚马逊后台下载报告，每月花两三个小时整理，感觉还能撑。但 SKU 到 200 个以后，经常漏看滞销和断货，广告和采购也在催数据。我想知道到底到什么规模、出现什么信号，才值得上付费工具。
别按 SKU 数量一刀切，按决策延迟成本判断。如果你每周花在拉库存报表、对账、算补货上的时间超过 5 小时，或者近 30 天因为库存数据滞后造成 2 次以上断货或超卖，或者滞销库存占比超过 15% 却两周内没被发现，就该升级。
升级前先算一笔账：每月付费工具成本，对比一次断货损失（日均销量乘断货天数乘毛利）和一次超卖赔偿。若工具能把这个处理时间降到 1 小时以内，并且补货建议准确率回测超过 80%，就值得。
相反，如果 SKU 少于 50、日均订单少于 30 单、没有多仓和多店铺，免费表格加后台报告完全够用，先把流程跑顺再买工具。
读者评论
口径对齐说起来容易，我们三个店铺加一个海外仓，光是把预留库存和破损件的口径定义清楚就开了四次会，最后还是靠一个运营每天手动核对。文中说70%到90%靠对齐不靠算法我认同，但没提对齐的隐性人力成本，小团队根本没有这个人。最后我们反而退回半自动，靠人肉兜底。
想问下成本口径这部分，头程和关税分摊到SKU级别其实很难，尤其是拼柜发货、一个柜子十几个SKU，按体积分还是按货值分，结果差别很大。工具能自定义口径是好事，但口径本身怎么定没人给答案，最后算出来的资金占用只是看着精确，对决策帮助有限。
可解释可干预这点我有不同感受。我们团队运营流动快，参数面板一开放，每个人调的数字都不一样，反而没人对结果负责。后来把几个大类目的参数锁死，只留少数可调，情况才稳定。给推导过程是好的，但前提是调参数的人真的懂业务，否则开放只是把拍脑袋换了地方。