我做过一件很蠢的事：2021 年旺季前，我把一款月销 3200 件的收纳类产品一次性补了 4 个月的量，理由很简单，海运便宜、供应商给了 5% 的批量折扣、我怕断货。结果那年平台改了入仓限制，货在海外仓压了 137 天，长期仓储费加超容费吃掉了我这款产品整整两个季度的毛利；同一时间，另一款日出 60 单的小件突然被达人带爆，我因为把预算全押在了那批滞销货上，没现金补货，硬生生断货 19 天，排名从类目 40 名掉到 300 名开外，广告 ACOS 从 22% 飙到 61%。
后来我复盘这件事，发现问题不在"补不补"，而在"按什么成本逻辑补"。大多数跨境电商团队做 ERP 采购补货，第一反应是找功能、设预警、看库存数字；但真正决定利润的，是你有没有把采购补货当成一个成本控制的决策系统，而不是采购员每天早上点一下"生成采购单"的动作。
这篇内容，我会用第一人称把我在跨境电商采购补货上踩过的坑、算过的账、验证过的数据口径完整写出来，包括我的判断逻辑、我推荐使用数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）做数据底座的实测观察，以及不同规模团队可以立刻落地的行动清单和取舍标准。
我把结论放在最前面，是因为大部分团队在这一点上的认知错位，导致后面所有的工具投入都白费。采购补货不是一个执行动作，它是销售预测、库存计划、物流、供应商、财务和 ERP 数据在一次决策里的交汇点。
一笔采购单出去的那一刻，你锁定的不是一批货，而是一笔现金。这笔现金要经过"供应商生产 → 头程运输 → 清关 → 入仓/入海外仓 → 上架 → 销售 → 回款"这条链路才能回来，短则 45 天，长则 180 天。
我算过一个很粗但很有用的口径：如果一个团队平均库存周转天数是 90 天，毛利率 35%，那么每压 100 万库存，等于每年损失的是一部分资金效率加上仓储、跌价和机会成本。这个数字不精确，但它能让你意识到，采购补货的错误会以"资金占用"的形式对你进行长期复利式惩罚。
我见过太多团队把"上 ERP"当成采购补货问题的终点。实际上，ERP 能解决的是数据统一、在途可视、预警提醒和流程留痕这四件事，它不能替你判断某款产品下个月会不会因为平台流量倾斜而销量腰斩，也不能替你判断供应商这次交期会不会因为限电推迟 12 天。
可解释的补货决策一定是"人定规则 + 系统出数据 + 人做判断"，而不是"系统一键补货"。任何宣称"一键智能补货"就能解决库存问题的说法，我都会先打一个问号，问它三个问题：需求预测的输入是什么？异常怎么人工干预？补货建议的依据能不能被复盘？
采购价最低这个目标，是采购补货里最容易把人带沟里的一条。采购价降 6%，可能伴随着 MOQ 提高 3 倍、账期从 45 天缩短到 15 天、交期从 25 天拉长到 40 天。把这几项换算成资金成本和缺货风险之后，很多"便宜的报价"其实是更贵的。
我现在的判断标准是：看落地总成本，也就是从下单到售出、退货、清尾货这一整条链路的成本之和。下面这张表是我的核算口径，你可以直接拿去改。
| 成本层级 | 包含项 | 我核算时的判断问题 |
|---|---|---|
| 采购层 | 单价、MOQ、账期、打样费、质检成本 | 提高 MOQ 换来的折扣，能不能覆盖多出来的库存资金占用？ |
| 物流层 | 头程运费、燃油附加、旺季附加、关税、清关杂费 | 按体积重还是实重计费？旺季附加费按什么周期浮动？ |
| 仓储层 | 月租、长期仓储费、超容费、退仓费、调拨费 | 免费仓储期是几天？超过后费率是几级跳？ |
| 销售层 | 断货期排名损失、广告浪费、退货处理、尾货清仓折扣 | 断货 7 天，恢复排名需要多少额外广告预算？ |
| 资金层 | 汇损、资金占用成本、账期错配 | 这笔采购占用资金多少天？期间汇率波动区间是多少？ |
采购补货的问题平时不显形，因为平时的销量波动小、交期稳定、资金压力弱。一旦进旺季，三个变量同时变化，所有隐藏的问题一次性暴露。
2020 年我做一款家居小件，日均销量 48 单，供应商交期 20 天，海运 32 天。我当时用的是 Excel，库存列只统计"海外仓可用库存"，没有把"已下单未发货""在途未入仓""已入仓未上架"分开。
结果就是：系统显示还有 2600 件，我以为够卖 54 天，实际上其中有 1800 件还在海上，真正可售的只有 800 件、勉强够 16 天。等我发现的时候，下一批货还在供应商产线上。那次断货 12 天，直接损失加排名修复广告，我估算在 4.3 万元左右。
在途库存不是库存，但在补货决策里它必须是库存。这是我从这个案例里学到的第一条硬规则。
很多人以为断货和滞销是两种相反的失误，不可能同时发生。但我自己的账号、以及我后来帮几个朋友看过的账号里，这两种情况经常同时出现。
原因在于资金是有限的、仓库容量是有限的、注意力也是有限的。当你在某个 SKU 上过度补货，就等于在另外几个 SKU 上减少了补货能力。旺季流量一来，被压货的那个不动销，被压减的那个卖爆了却补不上，于是断货和滞销同时发生。
更麻烦的是，平台仓储规则在旺季通常会收紧，入仓限制、超容费、长期仓储费的执行力度都会变化。旺季的补货决策，本质上是在有限资金和有限仓容下做优先级排序，而不是每个 SKU 独立算一遍补货量。
我给自己定了几条线，超过之后就不再依赖手工表格：SKU 数量超过 120 个、在售平台超过 2 个、海外仓超过 2 个、日均订单超过 300 单、或者存在多个供应商分别供货同一 SKU。
原因是手工表格无法稳定维护这几类数据：跨平台库存的实时归集、在途与在库的状态区分、同一 SKU 多供应商的到货拆分、以及基于历史销量的动态安全库存。表格能做，但每改一次公式就有一次出错机会，而一次出错可能就是几万块的损失。
下面这六个误区，我几乎在每一个跨境电商团队里都见过至少三个。它们不是知识盲区，而是"看起来对、做起来错"的操作习惯。
最常见的做法是给所有 SKU 设一个统一的安全库存天数，比如"统一备 30 天"。这个做法的问题是，它完全忽略了三件事：销量波动率不一样、补货交期不一样、断货的后果不一样。
一款日均 200 单、波动率 15% 的稳定爆款，和一款日均 8 单、波动率 210% 的长尾品，用同一个安全库存，前者会缺货，后者会压死。安全库存必须按 SKU 分层设置，分层依据是波动率和断货代价，而不是统一天数。
补货量用"日均销量 × 备货天数"来算是很多人的标准做法。但日均销量是个平均数，它会把大促的爆发和淡季的低谷抹平，得出的补货量在波动品类上几乎必然出错。
我现在的做法是同时看三个值：日均销量、近 12 周销量的标准差、以及近 4 周的环比变化率。标准差决定安全库存要留多少缓冲，环比变化率决定要不要提前或推迟补货。只看均值做补货，等于在赌未来和过去平均一样。
这个我在第二部分讲过了，但值得再强调一次，因为它是最容易反复踩的坑。ERP 里的库存字段如果不做状态拆分，采购补货判断就永远失真。
至少要拆成这几种状态：可售库存、已入仓未上架、在途在运、已下单未发货、供应商在产、退货待检、次品待处理。只有"可售库存"能直接卖，其他状态只能用来判断未来供给，不能用来判断当前缺口。
我用过几种带自动补货逻辑的工具，结论是：自动补货适合稳定品，不适合新品、季节品和高波动品。因为自动补货的逻辑基础是历史销量，而这几类产品的未来销量和历史销量的相关性很弱。
我现在的配置方式是：稳定品开放自动建议、人工只需确认；高波动品和季节品走人工决策、系统只提供数据；新品完全人工决策、系统给出参考区间但不生成采购单。自动化的边界要按品类划清，而不是按功能开关划清。
我前面给过总成本表，这里补一个真实对比。曾经有两个供应商报价同一个产品，A 报价 12.8 元、MOQ 1000、交期 30 天；B 报价 13.6 元、MOQ 300、交期 18 天。
表面上看 A 便宜 6%，但把 MOQ 差异导致的库存资金占用、交期差异导致的安全库存增加算进去之后，B 的落地总成本反而低。这类判断如果只看报价单，永远算不出来。
我见过最危险的情况是：SKU 编码重复、多平台库存没有归集、退货没有及时回冲、采购单状态没有闭环。这种数据环境下的补货建议，看起来精确到个位数，实际上是错的。
补货决策的可靠性上限，取决于你最脏的那个数据字段。所以在谈补货模型之前，我更愿意先花两周时间做数据清洗，把 SKU、库存状态、采购单状态这三件事对齐。
我把自己这几年验证过的补货逻辑整理成四层。这四层不是流程顺序，而是从下往上的依赖关系：需求预测错了，后面全错；成本核算漏了，判断就会偏。
需求预测不需要多么复杂的模型，但必须有三个输入：历史销量（按周聚合，至少 12 周）、已知的运营动作（促销、广告加投、上新联动）、以及外部变量（季节、平台流量政策、竞品动作）。
我的实操经验是：稳定品用移动平均加趋势修正，波动品用分位数而不是均值。比如一个波动大的 SKU，我会按 P50 和 P75 两个分位数分别算补货量，P50 作为常规补货，P75 作为大促前补货，而不是用一个平均值。下面是我实际用过的简化计算逻辑：
# 需求预测：稳定品与波动品分开处理（简化示意）
import statistics
def forecast_demand(weekly_sales, kind="stable"):
if kind == "stable":
稳定品：近8周移动平均 + 近期趋势修正
base = statistics.mean(weekly_sales[-8:])
recent = statistics.mean(weekly_sales[-4:])
trend = (recent - base) / base if base else 0
return base * (1 + max(min(trend, 0.15), -0.15))
else:
波动品：用分位数而非均值
sorted_sales = sorted(weekly_sales)
p50 = sorted_sales[int(len(sorted_sales) * 0.50)]
p75 = sorted_sales[int(len(sorted_sales) * 0.75) - 1]
return {"常规补货": p50, "大促补货": p75}这段代码不是让你照抄，而是想说清楚一个判断：用均值还是用分位数，取决于这个 SKU 的历史波动特征。把这两个逻辑混在一起用，是很多自动补货建议失真的根源。
补货点（Reorder Point）和安全库存（Safety Stock）是两个经常被混用的概念。补货点是"什么时候下单"，安全库存是"为不确定性留多少缓冲"，两者的计算目标不一样。
我用的口径是：补货点 = 补货周期内的预期需求 + 安全库存；安全库存 = 服务水平系数 × 需求标准差 × 补货周期的平方根。这个公式有假设条件，需求近似正态、补货周期相对稳定，所以它只是思考框架，不是万能公式。
这一层是大部分团队缺失的。我建议把每个补货方案算成一张落地成本账，把所有成本项加总，再除以预计可售数量，得到"单位落地成本"，用它来做方案对比。
这里的关键是不要漏项。漏掉长期仓储费、漏掉退货处理、漏掉尾货清仓折扣，都会让某个方案显得比实际更便宜。我吃过的最大的亏就是漏算了长期仓储费这一项。
没有复盘指标的补货体系，只能靠感觉改善。我自己固定看五个指标：库存周转天数、缺货率、滞销库存占比、采购准时交付率、售罄率。这五个指标要按 SKU 分层看，不能只看全店汇总。
这里有一个容易被忽略的细节：指标的计算口径必须提前定义清楚。比如库存周转天数，用平均库存还是期末库存，用销售成本还是销售额，算出来的数字能差 30% 以上。口径不统一，跨月、跨团队对比就没有意义。
| 指标 | 我采用的口径 | 判断阈值参考 |
|---|---|---|
| 库存周转天数 | 期间平均库存成本 ÷ 期间日均销售成本 | 稳定品 45，75 天，长尾品不超过 90 天 |
| 缺货率 | 缺货 SKU 天数 ÷ 应有在售 SKU 天数 | 稳定爆款控制在 3% 以内 |
| 滞销库存占比 | 超过 90 天未动销库存成本 ÷ 总库存成本 | 控制在 10% 以内 |
| 采购准时交付率 | 按时到货批次 ÷ 总采购批次 | 核心供应商不低于 90% |
| 售罄率 | 期间销量 ÷ （期初库存 + 期间到货） | 季节品季末不低于 85% |
讲完逻辑，我拿我实际用过的工具做一次拆解。我选择数跨境，是因为它在跨境电商场景下的定位是数据化经营管理，采购、库存、财务这几块的数据能放在一条链上看，而不是散在几个系统里。
我前面反复强调"可售库存、在途库存、采购单状态"要分开。这件事在单一平台单店铺的时候手工能做，但一旦涉及多平台多店铺多海外仓，手工维护的成本会急剧上升，出错概率也随之上升。
我需要的不是一个"自动帮我补货"的黑盒，而是一个能让我看清每个 SKU 从采购到销售全链路状态的数据底座。数跨境的采购与库存数据看板在我的用法里承担的就是这个角色：把 SKU 维度的在途、在库、可售、动销串起来，让我在下采购决策之前能看到完整状态。
以我 2024 年做的一款厨房小件为例，日均销量 85 单，波动率约 34%，供应商交期 22 天，海运 30 天。我把它在数跨境里的数据链拆成六个节点，每个节点对应一个判断。
这六个节点里，我觉得最有价值的是第三个和第四个。因为大多数团队的断货不是"没看到销量"，而是"没看到在途"和"没算过落地成本"，所以我更愿意把时间花在这两个节点上。
我在自己一个中等规模账号上做过一次前后对比，时间跨度是 6 个月。需要说明的是，这期间我也同步调整了补货规则，所以下面数据是"工具 + 规则"共同的观察结果，不是单纯的工具效果。
我必须说清楚这个案例的边界，否则容易误导。第一，样本只有一个账号、210 个 SKU，品类集中在家居和厨房小件，波动特征不代表全部类目。第二，这 6 个月里我同时改了补货规则和供应商结构，工具贡献无法单独剥离。第三，不同平台的仓储规则不一样，周转天数的改善幅度会有差异。
我更愿意把这个案例当作"方法验证"，而不是"效果承诺"。对你来说，真正有价值的不是那几个百分比，而是"在途与可售分离""落地成本核算""滞销 90 天口径"这三个动作本身。
补货策略没有通用答案，只有匹配你当前规模、平台结构和资金状况的答案。下面按四种情况给出建议，你可以直接对号入座。
这个阶段的团队通常 1，3 个人管供应链，SKU 数量在 200 个以内。我的建议是先做三件事：统一 SKU 编码、把库存状态拆成可售/在途/未上架三类、给每个 SKU 标注 ABC 分类。
不要在这个阶段追求复杂的补货模型，因为你的数据量还不足以支撑统计模型，反而会因为参数调不准而失去信心。用一张结构正确的表格加上每周一次的复盘，就能解决大部分问题。
这个阶段的典型问题是 SKU 数量超过 300 个、开始上第二个平台、开始用海外仓，手工表格开始频繁出错。这时候我建议做两件事：把安全库存和补货点的设置规则写下来变成文档，同时上一套能归集多平台库存和采购在途的数据工具。
规则显性化的价值在于，它能让你在人员变动时快速交接，也能让你在数据异常时快速定位是规则问题还是数据问题。没有文档的补货规则，本质上是在依赖某个人的记忆。
多平台多仓的复杂度不在补货公式，而在库存分配。同一批货放在 A 仓还是 B 仓，会影响两个平台的送达时效和仓储成本结构。
我的做法是先定分配规则再补货：按各平台近 8 周销量占比分配首批到货，保留一定比例作为调拨缓冲，低于缓冲阈值时触发调拨而不是新采购。调拨成本通常低于新采购的资金占用成本，但前提是你算得清调拨的时效损失。
新品、爆品、长尾品、季节品的补货逻辑差别很大，用一套规则会同时踩坑。下面是我在用的差异化策略，每一类都附一条风险提示。
| 商品类型 | 补货策略 | 风险提示 |
|---|---|---|
| 新品 | 首单小批量试销，用 2，3 周数据判断是否加单，加单量控制在首单的 1.5 倍以内 | 首单过大会变成滞销；首单过小会错过流量窗口，需要提前约定供应商的快速返单能力 |
| 爆品 | 安全库存系数提高，优先保证不断货，可用空运补急单 | 空运成本高，需要算清"断货损失 vs 空运差价"，不能无脑补急单 |
| 长尾品 | 按需补货，不设过高安全库存，优先清库存 | 长尾品容易在不知不觉中积累成滞销库存，需要设置 90 天强制复盘 |
| 季节品 | 倒推备货节点，季末前主动降档并启动清仓 | 季节品压仓跨季的成本极高，宁可提前打折也不要留到下一季 |
补货决策的本质是取舍，因为资源永远不够。我把最常见的四个取舍写下来，附上我的判断标准。
提高安全库存能降低缺货率，但会增加资金占用和仓储成本；降低安全库存能省钱，但会增加断货风险。这两条成本曲线叠加，会形成一个总成本最低的安全库存水位。
我的做法不是追求某个绝对数字，而是先按品类定一个可接受的缺货率上限，再在这个约束下把安全库存压到最低。稳定爆款的缺货率上限是 3%，长尾品的上限可以放宽到 8%，因为长尾品断货的代价主要是少卖几单，而不是排名崩塌。
空运和海运的决策，很多人是按运费差价决定，谁便宜选谁。但正确的判断标准应该是：如果不断货，这个 SKU 在这段时间能产生多少利润？把这个利润和空运多出来的运费比，才知道值不值。
我的经验阈值是：如果该 SKU 在补货到货前的预计利润低于空运差价，就走海运并接受短期缺货；如果高于，就走空运。不要用"空运太贵"这种感受做决策，要用具体数字。
铺货能带来更多曝光，但会摊薄单平台的库存深度，导致每个平台都容易缺货。做深单平台能提高库存效率，但抗风险能力弱。
我的判断标准是看两个指标：单平台的库存周转天数和该平台的流量稳定性。如果某个平台周转快、流量稳定，我会把补货资源优先给它；如果某个平台周转慢、流量波动大，我会降低补货优先级，甚至考虑只做代发或轻库存模式。
自建系统的好处是灵活，坏处是维护成本高、迭代慢。用成熟 SaaS 的好处是开箱可用，坏处是个性化规则难以完全满足。
我的判断标准是：如果你的补货规则还在频繁调整，不要自建，因为你会一直改需求；如果规则已经稳定运行 6 个月以上、且自建能带来明确的差异化优势，再考虑自建。在规则不稳定的时候自建系统，等于把不确定性固化进代码里。
最后给一份我自己用过的落地清单。它的特点是每一步都可验证，做完之后你能明确知道自己是进步了还是原地踏步。
这五步做完，你会第一次看到自己真实的库存全貌。我敢说，大部分团队做完第一步和第二步之后，都会发现"可售库存"比自己以为的少 20% 以上。
第五步很关键。我会用历史数据验证新规则，如果回测结果和实际偏差过大，说明规则参数有问题，而不是数据有问题。这一步能省下很多真金白银。
| 序号 | 自检问题 | 不合格的信号 |
|---|---|---|
| 1 | 我的可售库存和在途库存是分开统计的吗？ | 只有一个"总库存"数字 |
| 2 | 安全库存是按 SKU 分层设置的吗？ | 全店用同一个备货天数 |
| 3 | 补货量计算用了波动率而不是只看均值吗？ | 只有"日均销量 × 天数" |
| 4 | 我知道每个 SKU 的单位落地成本吗？ | 只能说出采购单价 |
| 5 | 滞销库存有强制复盘机制吗？ | 靠人想起来才看 |
| 6 | 采购准时交付率有记录吗？ | 只能凭印象评价供应商 |
| 7 | 补货决策有留痕和复盘吗？ | 决策依据只在某个人脑子里 |
| 8 | 断货损失算过具体金额吗？ | 只知道"断货不好" |
这八个问题里，如果有三个以上答不上来，我建议先不要考虑升级 ERP 功能，而是先把数据口径和规则补上。工具解决的是效率问题，规则解决的是正确性问题，正确性问题没解决之前，效率提升只会让你更快地做错。
回到开头我那个压了 137 天的收纳产品。如果当时我有一个能看清在途与可售分离的数据口径，有一套按波动率分层设置的安全库存规则，有一张包含仓储和资金成本的落地成本账，那笔采购单根本不会被下出去。
所以我对跨境电商采购补货的核心判断是：这是一道总成本平衡题，不是一道采购价最低题，也不是一道 ERP 功能题。ERP 和数跨境这类数据工具的价值，是让你能看清全链路状态、把成本算全、把决策留痕，而不是替你按下那个"补货"按钮。
下一步，我建议你今天就做一件事：把当前所有 SKU 的"可售库存"和"在途库存"分成两列重新登记一遍。这个动作不需要任何工具，一个人两小时能做完，但它大概率会让你发现，你的真实可售库存比你以为的少很多。
做完这一步，你再去谈安全库存分层、落地成本核算和补货规则文档，顺序就对了。工具和数据底座可以随后补上，但判断逻辑必须先立起来，这才是"想做好 ERP 跨境电商，先掌握成本控制中的采购补货"这句话真正的分量所在。
我做过一段时间亚马逊，也用过表格加ERP两套，最头疼的就是安全库存。设低了旺季一断货排名就掉，设高了库存在仓里躺半年，长期仓储费一扣利润全没了。老板还总问我一句“到底备多少才合适”，我根本答不上来，只能凭感觉拍。
安全库存不是一个固定数字，它是补货周期内需求波动的缓冲量，建议用“服务水平系数 × 需求波动标准差 × 补货周期平方根”来算，再按SKU分层做调整。具体做法：先取最近8到12周的周销量，算出周销量的标准差；再折算成以“补货周期”为单位的标准差，最简单的方式是用日销量标准差乘以补货周期天数的平方根。
服务水平系数按品类重要性取，普通SKU取1.65（约95%不断货），爆款和主推款取2.33（约99%不断货），长尾清仓款可以只取1.0甚至不设。补货点等于“日均销量 × 补货周期 + 安全库存”，补货周期要把供应商生产天数、头程运输天数、入仓上架天数全算进去，只算海运或者只算生产都是错的。
判断依据有两条：一是新品没有历史数据时，不要硬套公式，先用同类目老品的波动系数，首单按预估日销的2到3周量试销；二是每季度回算一次，把实际缺货天数和实际滞销金额拉出来，如果缺货天数为0但滞销占比超过20%，说明服务水平系数取高了，往下调。
口径上要统一：日均销量用“近30天日均”而不是“昨天下单量”，滞销按“超过90天未动销且库存大于未来30天销量”来定义，避免各人各说一套。
我们上线ERP之后，系统每天弹一堆补货建议，采购同事看着挺省事，差点就一键生成了。结果有一次大促前系统按常规日销建议补货，完全没考虑活动备货系数，补回来根本不够卖；还有一次供应商交期突然从20天拖到45天，系统还在按老交期算，直接断货。从那以后我就不太敢信“自动”两个字了。
不能直接下单，但可以把ERP建议当作“初稿”，必须过三道人工校验。第一道是数据校验：确认ERP抓到的销量是否含取消订单、刷单、赠品、大促异常峰值，在途库存有没有重复计入，采购未交量是否已经冲减可用库存。很多团队补货建议失真，不是算法问题，是基础数据脏。
第二道是参数校验：补货周期、MOQ、箱规、供应商交期、物流时效这些字段要定期维护，交期建议每月和供应商对一次，只填合同初始值一定会失准。第三道是业务校验：把促销计划、新品铺货、季节切换、平台入仓限制这几项作为人工调整项，系统算出来的量乘以活动备货系数再决定。
判断标准可以设一条：如果ERP建议量和你人工判断量差异超过30%，不要直接取中间值，而是回头查是哪个参数不对，把这个差异当成参数校准的入口。流程上建议设金额阈值，比如单次采购金额超过某个数必须人工审批并留备注，这样既用上了系统的效率，也不至于让错误参数直接变成真金白银的订单。
刚做跨境的时候我算成本就是“出厂价加海运费”，觉得挺清楚。后来发现仓储费、长期仓储费、超容费、退仓费、尾程派送、退货处理、汇损、资金占用，一项项加起来比头程还猛，有些SKU看着毛利不错，扣完这些其实是亏的。现在每次谈补货，我都会先问一句：这批货的总成本到底是多少。
总成本至少拆成五本账。一是采购成本，包含单价、MOQ带来的数量折扣、账期对资金的影响、以及质量不良导致的补货和退货成本。二是物流成本，包含头程、关税与清关杂费、目的国尾程、仓间调拨，以及旺季附加费和燃油附加费。
三是仓储成本，包含月仓储、长期仓储、超容或超期费、退仓和销毁费，这部分对慢动销SKU杀伤最大。四是销售损失，包含断货期间的少卖金额、排名下滑带来的后续流量损失、已经投出去但没转化的广告费。五是资金成本，包含压货占用的现金流、汇率波动、以及库存周转天数拉长带来的机会成本。
判断一个SKU值不值得继续补，不要只看采购毛利率，建议做一个“到岸全成本毛利”：把采购价、头程、关税、尾程、平台佣金、仓储分摊、退货预估都摊到单件上，再看是否还有合理毛利。分摊口径要固定，比如仓储费按体积或按库存天数分摊，选定一种就全公司统一，否则同一款货两个人能算出两个结论。
实操上，凡是“到岸全成本毛利”低于公司设定红线的SKU，优先清库存而不是返单补货，这条规则比任何补货公式都更能守住利润。
读者评论
在途库存那段说到我了。做亚马逊三年一直用总库存判断补货，去年旺季也是一批货在海上，系统显示够卖两个月，实际可售只够两周。分开统计可售和在途之后，断货次数确实少了，但这个动作执行起来对表格要求高，SKU一多就容易乱。
对'一键智能补货'那三个反问很认同。市面上不少ERP的补货建议就是拿历史均值乘天数，大促和淡季全被抹平，波动大的品类基本不能用。补货还是得人定规则，系统只负责把在途、在库、多供应商到货这些数据对齐，判断环节交给人。
采购价最低不等于成本最低，这点深有体会。之前为了拿5%折扣把MOQ翻了三倍，账期还从45天压到20天，结果那款货卖了五个月，多出来的仓储费和资金占用远超省下的钱。作者那张分层成本表更实用，物流和资金层经常被忽略。
手工表格的失效门槛很真实。我们从80个SKU涨到200多个、开了两个平台之后，公式每改一次就出一次错，光对账就耗掉大半天。文章提的120个SKU、2个平台这些线有参考价值，但小团队未必需要马上上系统，先把安全库存分层比换工具更急。