2024年8月，我帮一家年GMV约8000万的家居类亚马逊卖家做广告体检。他们广告团队6个人，管着北美、欧洲、日本三个站点，后台挂着近400个广告活动。表面看团队很勤快，每天调竞价、加否词、改预算。但我提了一个要求：把所有正在跑广告的SKU和当前FBA可售库存并排放到一张表里。结果这张表花了三个工作日才凑齐，凑齐之后发现问题，有27个SKU在广告端持续大额花费，而FBA可售库存已经不足14天。
这件事几乎概括了“亚马逊软件供应链协同：广告管理从哪里开始”的真实困境。多数人以为广告管理是广告后台里的技术活，其实它首先是一个数据链路和协同链路的问题。广告只是花钱的出口，而决定这笔钱该不该花的信息，散落在库存、采购、头程、订单、财务和多个站点后台里。
这篇文章我用第一人称讲清楚三件事：广告管理的真正起点在哪；软件供应链协同应该按什么顺序搭；不同规模的卖家分别该做什么、该放弃什么。全部判断来自我实际参与过的项目，数据和案例会让读者知道结论是怎么来的，而不是听一句“要打通数据”。
先说结论，而且这个结论会冒犯一部分人：如果你现在广告投放效果不好，九成情况下你缺的不是出价技巧，而是一条能把广告对象和供应链对象对齐的数据底座。调竞价、否词、改竞价策略这些动作，属于“优化层”，它们的前提是“决策层”的信息已经齐了。
广告后台管理的是广告活动、广告组、关键词、ASIN。供应链系统管理的是SKU、采购单、FBA库存、在途、供应商。这两套对象的映射关系，绝大多数卖家是缺失的。
一旦映射缺失，你所有关于广告的决策都是“半盲”的。你不知道这个广告组烧的钱对应的是哪个SKU，也就不知道这个SKU的库存还能撑多久，更不知道这个SKU的毛利能不能覆盖当前ACOS。
我在项目里见过最典型的情况：一个广告活动下面挂了12个变体ASIN，其中3个已经断货、2个在做清仓、剩下7个是正常款。运营只看活动层面的ACOS，觉得“还行”。实际上断货款的开销占了这个活动的31%，全是浪费。
大部分卖家的第一反应是“买个工具接上API就好了”。我做过至少五个这样的项目，工具接完之后，ACOS反而更乱了。原因是各数据源的口径本来就不一致。
广告后台的转化数据有归因窗口，SP默认7天、SB和SD口径又不同；订单系统按付款时间统计；财务系统按结算时间入账；ERP按发货时间确认收入。同一段时间的“销售额”，四个系统能给你四个数。
口径不统一时，工具有两种行为：要么各处取数、各说各话，让你在四个报表之间反复怀疑人生；要么强行用一套口径覆盖另一套，制造出系统性偏差，而且偏差不会报警，只会悄悄污染你的决策。
这是我参与过十几个项目之后总结的顺序，跳步骤会付出代价。跳过口径治理直接做自动化，等于把错误放大成批量错误；跳过主数据治理直接做智能投放，等于让模型在一堆脏数据上学规律。
五年前，亚马逊广告管理确实没这么复杂。一个店铺、两三个站点、几十个SKU，一个运营加一个助理就能搞定。现在同一个卖家往往是多店、多站、多品牌，广告和供应链之间出现了大量人工无法维护的关系。
我服务过的一家3C卖家，从2021年到2024年，站点从2个变成7个，广告活动数从60个涨到500多个，广告团队从2人变成9人，还额外多了供应链、财务两个角色要一起看广告数据。
角色一多，需求就分裂。广告运营关心曝光、点击、转化、ACOS；供应链关心库存周转、断货率、在途交期；财务关心回款、毛利、广告费占比是否超出预算池。三个角色看同一批广告，得出的结论经常互相打架。
更麻烦的是，这三个角色用的系统不一样：广告后台、ERP、BI、财务软件，谁也不认识谁。于是每周一的例会就变成“对数字大会”，两个小时的会，一个半小时在争论“到底哪个数是对的”。
我做过一个耗时统计，对象是一家年GMV约5000万的卖家。他们的广告预算调整要走审批：运营提出→主管审→供应链确认库存→财务确认预算额度→执行。整个链条平均耗时2.6个工作日。
问题是市场不等你。一个爆款链接突然被竞品压价，你需要当天就加大投放抢回位置，但审批走完，窗口已经关了。这个卖家的旺季，有至少12次因为审批延迟错过了加投窗口，保守估算损失曝光对应的潜在销售额约200万元。
注意，这不是审批制度的问题，而是信息不在同一个界面上的问题。如果库存、预算、广告表现在同一张看板上，供应链和财务可以直接在同一个数据结构里确认，审批自然就快了。
我抽样看过四个卖家的广告-库存对齐情况，方法是用广告活动花费除以对应SKU的曝光占比，分摊到SKU，再和FBA可售天数做匹配。
结果：平均有6%到11%的广告花费落在可售天数低于7天的SKU上；有4%到8%的花费落在可售天数超过180天的滞销款上，这些款本来应该被广告清掉，但预算给得很保守。
这两类错配方向正好相反：该收的没收，该放的没放。它们的共同点是，都没人系统性地看这件事，全靠运营凭记忆判断哪个款紧张。
我见过太多团队在这个问题上走弯路，而且弯路的方式高度重复。下面四个误区，我按“踩坑频率”排序，第一个几乎人人踩过。
这是最常见的顺序错误。团队觉得数据乱是因为工具不行，于是先上了两三个系统，结果数据更乱。原因很简单：工具只是管道，不负责定义什么是“正确的数”。
正确的顺序应该是：先用Excel或轻量方式，人工确认三件事，广告销售额用哪个口径、广告花费归口到哪个层级、跨系统用什么字段做唯一键。这三个问题不清楚，买什么工具都是把混乱自动化。
ACOS是效率指标，不是健康指标。它衡量的是广告花费占广告销售额的比例，但不告诉你这些销售额带来了多少毛利、占用多少库存、要多久回款。
我遇到过一个卖家，ACOS从28%优化到19%，团队拿了季度奖。但同期的库存周转天数从62天涨到94天，广告把大量订单推给了净利率只有3%的低价款，钱是花了，利润没动，库存还压住了。
更值得看的组合是：广告贡献毛利额、库存周转天数、广告可归因SKU占比。这三个指标放一起，才能判断广告到底是在创造价值还是在制造库存。
广告团队看广告后台，供应链团队看ERP，两边每周交换一次Excel，这几乎是默认工作方式。问题在于交换的数据是“上周快照”，而不是“当前状态”。
库存是每天变的，广告是可以每分钟调的。用一周前的库存决定现在的投放，本质上是开着一辆挡风玻璃全是雾的车。旺季时，一个SKU从健康到断货可能只需要36小时。
API打通是必要条件，不是充分条件。我见过卖家把广告API、订单API、库存API全接上了，数据也进了同一个库，但协同依然为零。因为协同的本质是“让一个环节的变化能触发另一个环节的动作”，而不是“让数据出现在同一个屏幕上”。
判断是否真协同，有一个简单标准：当某个SKU的库存跌破阈值时，系统能不能自动给出广告预算的调整建议，并且这个建议能被追溯、被审批、被执行、被复盘。如果只能做到“看得到”，那叫可视化，不叫协同。
| 误区 | 表面症状 | 真实代价 | 识别信号 |
|---|---|---|---|
| 先买工具再定口径 | 多个系统数据互相打架 | 重复采购成本+决策瘫痪 | 每周例会有超过30%时间用于对数 |
| ACOS单一北极星 | ACOS降了但利润没涨 | 库存积压、资金占用上升 | 广告贡献毛利额连续两月下降 |
| 广告与库存分家 | 断货款仍在投放 | 无效花费占广告总花费5%以上 | 存在可售天数低于7天仍在跑的广告活动 |
| API即协同 | 数据全但没人用 | 工具投入无法转化为动作 | 没有一条自动触发规则在上线运行 |
判断一个卖家该从哪里开始，不能只看规模，要看当前处在哪个成熟度层级。下面这个五级模型是我在项目里反复使用的评估框架，每一级都有明确的进入条件和卡点。
特征是广告数据、库存数据每周靠人工从后台导出，用Excel拼。进入条件几乎为零，绝大多数年GMV 3000万以下的团队都在这一级。
这一级的核心卡点不是效率，而是“不可重复”。同一个人这周和下周拉出来的表结构可能不一样，换个人就完全接不上。你没法在这一级做任何规则化动作。
特征是已经用了工具把广告、订单、库存数据自动采集到各自系统里，但系统之间不打通。运营要看广告，打开A系统；要看库存，打开B系统。
这一级比L1进步很大，但会产生新的浪费：数据重复采集、口径分裂、权限混乱。我见过一个团队同时用了三个工具采集广告数据，三个工具的ACOS都不一样。
这是真正的分水岭。到达这一级的标志是：全公司对“广告销售额”“广告花费”“可归因SKU”有唯一定义，并且能以SKU为主键把广告和库存串起来。
L3的进入条件很具体：定义好主数据（SKU为主键）、定义好时间口径（用哪个时区、哪个归因窗口）、定义好分摊规则（多SKU广告组怎么摊花费）。这三件事做完，协同才有了地基。
特征是把决策规则化，并让系统在条件满足时自动给出建议或执行。比如“可售天数低于14天且ACOS高于目标值20%以上，自动降低该SKU所属广告组预算30%”。
这一级的门槛不在技术，而在治理：谁有权定义规则、规则冲突怎么裁决、执行错了怎么回滚。我见过规则上线第二天把爆款预算砍半的事故，根因是两个规则冲突且没人负责仲裁。
特征是系统能基于历史数据给出预测性建议，比如预测某SKU未来14天的自然单和广告单比例，反推合理的广告预算区间。到达这一级的卖家，在国内属于极少数。
需要泼一盆冷水：L5不是目标，而是结果。如果L1到L3没做扎实，直接上预测模型，模型会给你一个看起来很专业的错误答案，而且很难被发现。
下面这个案例我参与得比较深，从诊断到上线大约花了11周。案例中的公司名称我做了脱敏，数据是项目期间真实记录的区间值。
公司年GMV约8000万，主营家居收纳类目，站点覆盖北美、欧洲五国和日本，SKU约1200个，广告活动峰值超过500个。团队配置：广告运营6人、供应链3人、财务2人。
诊断结论是他们处于L1到L2之间：广告数据靠人工从后台导出，库存数据在ERP里，两边通过每周Excel互换。广告活动与SKU的映射关系只存在于两个资深运营的脑子里。
我们做的第一件事不是技术活，而是盘点：把500多个广告活动逐一拆开，记录每个活动、每个广告组下包含哪些ASIN，再把这些ASIN映射到ERP的SKU主数据上。
这一步花了9个人天，枯燥但值得。做完之后发现两个问题：一是37个广告活动对应的ASIN已经在ERP里被标记为停售，但广告还在跑；二是有14个SKU在广告端和ERP端用的是两套编码，历史上一直靠人工对应。
我们定义了三条硬规则。第一，所有广告销售额统一采用7天归因窗口，报表中不允许混用14天口径。第二，所有时间维度统一使用站点当地时间，不用北京时间。第三，多SKU广告组的广告花费按点击占比分摊到SKU。
第三条规则一开始被运营反对，理由是“分摊不准确”。我的判断是：分摊必然不完美，但比“完全不分摊”准确得多。事实也证明，分摊之后，团队第一次看到哪些SKU其实是亏钱的。
下面这段代码是我们当时用来做分摊和校验的简化逻辑，实际操作中它会每天跑一次，确保分摊后的花费总额和广告后台对得上。
import pandas as pd
1. 拉取广告组层级的花费与点击
ad_group = pd.read_csv("ad_group_daily.csv")
字段: ad_group_id, sku, clicks, cost, report_date
2. 按广告组+日期计算组内总点击
group_total = ad_group.groupby(["ad_group_id", "report_date"])["clicks"] \
.transform("sum")
3. 按点击占比分摊花费
ad_group["allocated_cost"] = ad_group["cost"] * ad_group["clicks"] / group_total
4. 校验：分摊后总额必须等于原始总额（允许 0.5% 舍入误差）
raw_sum = ad_group["cost"].sum()
alloc_sum = ad_group["allocated_cost"].sum()
assert abs(raw_sum - alloc_sum) / raw_sum < 0.005, "分摊后总额偏差超过阈值"
5. 与 ERP 库存对齐，标记风险 SKU
inventory = pd.read_csv("fba_inventory.csv")
字段: sku, available_days
merged = ad_group.merge(inventory, on="sku", how="left")
risk = merged[(merged["available_days"] < 7) & (merged["allocated_cost"] > 0)]
print(f"断货风险SKU数量: {risk['sku'].nunique()}")
print(f"当日无效花费金额: {risk['allocated_cost'].sum():.2f}")口径定完之后，需要一个能把广告、订单、库存、财务数据放在同一套主键下的载体。我们当时的选型标准有三条：能不能以SKU为主键聚合多平台数据、能不能自定义分摊和口径规则、能不能输出可被下游系统调用的结构化结果。
最终选择的是数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）。选它的核心原因不是功能清单最长，而是它天然以SKU为分析主线，广告数据和库存数据可以落在同一个对象上，这正好对应我们在L3阶段最需要的“主键对齐”能力。
需要说明一点：工具不会替你定口径。我们在上线前把三条硬规则配置进去，工具负责执行和监督，不负责发明。这也是我一直强调的顺序，先想清楚，再选载体。
项目上线后我们跟踪了三个月，记录了几组对比数据。这些数字是项目内部记录，样本为单一卖家，不构成行业普适结论，但方向性判断我认为是可参考的。
广告花费可归因SKU占比从46%提升到92%；断货SKU仍在投放的占比从8.4%降到1.2%；每周用于对数的工时从平均11.5小时降到2.5小时；广告异常从平均7天发现缩短到1天以内。
最有价值的变化不在效率，而在决策质量。项目结束后的第二个月，团队主动砍掉了18个SKU的广告预算，把预算挪到了另外9个库存健康、毛利更高的款上，当月广告贡献毛利额提升了约14%。
下面按规模分三档给建议。请注意，规模只是参考，真正的判断依据是前面讲的成熟度层级。同样是年GMV 3000万，处在L1还是L3，做法完全不同。
这一档的团队通常3到5人，广告活动数在50个以内。你们不需要复杂的系统，但必须做一件事：把广告活动与SKU的映射表建立起来，用Excel维护也可以。
具体动作：每周固定一次，导出广告活动报表和FBA库存报表，用SKU或ASIN做一次VLOOKUP，把可售天数低于14天但仍有花费的SKU挑出来。这个过程一小时能完成，效果立竿见影。
不要做的事：不要在这个阶段上多个系统，不要买需要长期实施的重型ERP，不要试图搭建自动化规则。你们的瓶颈是“没人系统性地看这件事”，不是“工具不够”。
这一档的团队通常在10到30人，多站点、多店铺，SKU数量在几百到两千之间。人工映射已经不可维护，必须进入L3。
第一步，定义三条硬规则：统一归因窗口、统一时间口径、统一分摊规则。写成一页纸的文档，发全员，谁都不许私自改。
第二步，选定一个能承载SKU主键的数据平台，把广告、订单、库存三类数据落到同一个对象上。选型时不要比功能清单，要比“能不能在你的口径规则下跑通”。
第三步，先跑一个月的人工监督期，每天由运营核对系统给出的风险SKU清单是否准确，把误报和漏报整理出来，调整阈值。这一步不能省，否则后面自动化会失控。
这一档的问题往往不在技术层面，而在权责。多品牌、多事业部的情况下，各团队对广告预算、库存优先级、利润核算的定义都可能不同。
必须先解决的是：谁对广告与库存的整体健康负责。如果广告团队和供应链团队各自背自己的KPI，数据打通了也没人用，因为打通之后反而暴露了对方的问题。
我的建议是设立一个跨部门的“广告-库存联合指标”，比如广告贡献毛利额、断货导致的广告浪费率，让两个团队的绩效都挂在这个指标上。这一步做完，数据治理才有推动力。
协同这件事的资源永远是有限的，所以真正专业的判断不只是“该做什么”，还包括“明确放弃什么”。下面三组取舍是我在项目里被问得最多的。
我的判断标准很直接：广告与供应链数据协同是不是你的核心竞争力。如果你的优势在选品、在供应链议价、在品牌，那么数据协同是支撑功能，采购比自研划算得多。
自研的真实成本经常被低估。一个能稳定运行的广告-库存协同系统，至少需要数据工程、后端、前端各一人，加上长期的运维，年成本在60万到120万之间，还不算因为人员流动带来的知识断层。
采购的风险则在“适配”。如果你有非常特殊的口径需求或者复杂的多品牌结构，标准产品可能覆盖不了，这时需要评估二次开发的可行性和长期成本。
全站同步上线看起来整齐，实际风险很大。不同站点的广告结构、库存节奏、税务和结算规则都不一样，一次性铺开意味着任何一个小问题都会同时在七个站点爆发。
我的建议是选一个站点先跑六到八周，把口径规则、阈值设定、异常处理流程都验证一遍。选哪个站点也有讲究：优先选贡献利润最高、SKU结构最有代表性的那个站点，不要为了“简单”选一个边缘小站，那样验证不出真问题。
自动化程度越高，效率越高，但错误的影响面也越大。我的经验是分三阶段放开：第一阶段只输出建议、人工执行；第二阶段对低风险动作自动执行、高风险动作仍需确认；第三阶段才是全自动，并且必须保留一键回滚。
什么样的动作算高风险？我的划分是：涉及预算调整幅度超过30%的、涉及爆款链接的、涉及库存已经紧张的SKU的，都属于高风险，前期一律人工确认。
| 取舍维度 | 选A的情况 | 选B的情况 | 我的默认建议 |
|---|---|---|---|
| 自研 vs 采购 | 数据协同本身是核心壁垒，有稳定技术团队 | 核心壁垒在选品、供应链或品牌 | 优先采购，把工程资源留给业务 |
| 全站上线 vs 单站试点 | 各站点结构高度一致，团队有成熟方法论 | 站点差异大，团队首次做此类项目 | 单站试点6-8周，选利润贡献最大的站点 |
| 高自动化 vs 人工兜底 | 规则经过长期验证，异常有明确回滚路径 | 规则刚上线，历史数据不足 | 三阶段放开，前期所有调整人工确认 |
| 先做口径 vs 先接数据 | 从未定义过统一口径，多报表冲突 | 口径已成熟，只缺数据通道 | 绝大多数团队应先做口径 |
回到标题的问题：亚马逊软件供应链协同，广告管理从哪里开始？我的答案始终是同一个，从对齐开始，而不是从投放技巧开始。
对齐包含三层。第一层是对象对齐，让广告活动、ASIN、SKU、库存指向同一个东西。第二层是口径对齐，让所有角色在同一套定义下讨论数字。第三层是对齐后的可追溯，让每一次预算调整都能回答“为什么调、依据是什么、结果如何”。
这三层做不到，再多的工具、再多的自动化，都只是把混乱包装得更精致。我见过太多团队在L1阶段就急着上智能投放，最后的结果是模型学了一堆互相矛盾的规律，输出看起来很专业、但方向完全错误的建议。
如果你的团队现在正准备启动这件事，我建议按下面四步走，不要跳步。
最后补充一个我自己的判断：广告与供应链的协同，本质上是把两个原本按不同节奏运转的系统接到一起。广告的节奏是分钟和小时，供应链的节奏是天和周。协同不是让它们变成同一个节奏，而是让快的那一方能提前看到慢的那一方的状态变化。
谁能更早看到，谁就少浪费一点钱。这件事没有终点，但起点非常明确：先让广告知道自己推的那个SKU，库存还撑不撑得住。
我一直以为先把广告结构搭好、关键词跑起来才是正事，结果广告刚起量库存就断了，链接权重掉得一塌糊涂。后来才反应过来，广告是需求侧的动作，供应链是供给侧的约束，两边不同步就是在烧钱。如果只能先做一件事，到底该从哪切入？
从一张「SKU 级库存可售天数 × 广告花费」的对照表开始，而不是从广告后台开始。具体做法：拉最近 30 天数据，按 SKU 列出日均销量、FBA 可售库存、在途库存、日均广告花费、广告订单占比，算出可售天数 =（可售库存 + 在途）/ 日均销量，再和补货周期（采购 + 头程 + 入仓上架）做对比。
判断依据是：可售天数低于补货周期的 1.2 倍，就必须给这个 SKU 加广告刹车线，把预算上限压到当前日均花费的 60% 左右，只留高转化精准词，暂停广泛匹配和自动。原因是断货一次，转化率和自然排名通常要 2 到 4 周才恢复，省下的广告费根本不够补。
反过来，可售天数超过 90 天、库龄偏高的 SKU，才是该加大广告投入去清的对象。所以顺序是：先做库存与广告的对照表，再决定每个 SKU 踩油门还是踩刹车，最后才去优化广告结构本身。
每次对账都头疼，广告后台显示 30 单，ERP 只出了 26 单，有时候差 10% 以上。老板问我是广告没效果还是数据有问题，我当场也说不清。这两个数到底该信哪个，差在哪里？
两个数都不能直接当「真实销量」用，因为它们统计口径不同。广告后台的订单数按归因窗口计算，通常是点击后 7 天内下单都算广告单，部分站点或时段是 14 天，而且包含未付款、取消、退款订单；
ERP 或后台订单报表统计的是实际扣款发货，还要看时区，广告报表默认站点当地时区，ERP 可能是 UTC 或北京时间。对账前先统一三件事：时间口径、时区、是否剔除取消和退款。实操上我用广告订单数看趋势和相对变化，用实际出货订单数算真实 ACOS 和利润。
差异率在 10% 以内属于正常范围，超过 15% 且连续一周，就要去查归因窗口设置、时区、以及站外流量或关联购买是不是被算进来了。给老板汇报时，写明「本次口径：当地时区、7 天归因、未剔除退款」，比纠结哪个数字对更重要。
新品上架我最怕两件事同时发生：广告刚跑出转化，库存没了；或者为了不断货备了一大堆，结果广告没打起来，货全压在仓里。这个度到底怎么把握？
按「广告起量周期」倒推备货，而不是按「广告预算」推。我的经验节奏是：上架前 2 到 3 周就把首批货入仓，首批量按首月预估日销的 45 到 60 天准备，别按 90 天备，因为新品转化率还没被验证，备太多容易砸手里。广告侧，第 1 到 2 周用小预算跑词和测图，目标是拿到点击与转化数据，不是冲排名；
第 3 到 4 周把跑出来的高转化词单独提组、提预算，这时才算真正起量。两个关键判断点：当周广告订单占比超过 60% 且可售天数低于 30 天时，主动降预算或小幅提价，宁可少卖也别断货；
当 ACOS 连续两周高于毛利率且可售天数超过 75 天时，说明问题出在链接、主图或定价上，加预算没用，要回头改素材和价格。备货与广告的联动靠每周一次的固定复盘，不靠感觉。
数据和方法我都懂，但一到执行就乱：运营盯广告，采购盯库存，两个人各看各的表，出了问题互相甩锅。我想知道有没有一个能落地的机制，而不是再来一堆报表？
核心是建一条「SKU 级状态流转 + 单一数据源」，而不是加人加表。落地分三步。第一步，把所有 SKU 收敛到一个主表，字段固定为 SKU、日均销量、可售天数、补货周期、广告花费、广告订单占比、当前策略（加油／维持／刹车／清库存），每周一更新，任何人不得另建一份。
第二步，把判断从「讨论」变成「看灯」：可售天数低于补货周期 1.2 倍自动标红进刹车队列；可售天数超过 90 天且库龄超过 120 天进清库存队列；广告订单占比超过 60% 且 ACOS 高于毛利率进「链接体检」队列。
第三步，用某项目管理工具或某项目管理平台把这三类队列转成任务卡，指定唯一负责人和截止时间，刹车队列归运营，清库存队列由运营与采购共同负责，每周复盘只过红卡和逾期卡，绿卡不占用时间。
这样做的好处是广告和供应链不再是两个部门的博弈，而是同一套规则下的状态机，争议从「我觉得」变成「数据显示」，复盘时间通常能从两小时压到 30 分钟以内。
读者评论
口径统一这点认同，但实际卡点不在归因窗口，在唯一键。多站点同一MSKU对应不同SKU、变体合并拆分后历史映射会断，我去年重建过一次，光复原半年前的父子ASIN关系就花了两周。所以“先对齐对象关系”说得轻巧，落地更该先立规矩：listing结构变更必须同步更新映射表，否则底座搭好三个月又会烂掉。
数据有说服力，但瀑布图那几个数字看着像倒推的。断货浪费7.2%、滞销机会损失11.5%，这两个口径本身就难界定，滞销款投放不足算不算损失，取决于你判断它该清货还是该保价，不是数据能算出来的。另外审批2.6天那段，我觉得更多是权责问题，就算库存预算广告放进同一张看板，财务该卡还是卡。
年GMV八千万、四百个广告活动，这套打法成立。但我们这种三十来个SKU、两个站点的，真要搭数据底座，人力成本可能就超过一年浪费掉的广告费。我的做法是每周花两小时手动拉一张FBA可售天数加广告活动的透视表，能挡住八成断货投放，剩下的靠库存预警邮件兜底。规模没到，先别急着上系统。