去年 10 月，我有一个做了两年多的家居类目 SKU，后台每一项指标看起来都是绿的：近 7 天销量环比涨了 9%，可用库存 1,840 件，按当时日销算还能卖 46 天。三周之后，这个 SKU 的库龄跳进 271，365 天区间，第四个月开始被收长期仓储附加费，第五个月我不得不打七折清货，前后吃掉大约 1.1 万美元毛利。复盘时我才发现，问题根本不在补货公式算错了，而在于我只看了一件事，近 7 天的成交量，既没有看趋势的方向，也没有看趋势的速度，更没有把供应端的时间差算进去。
库存管理在软件里看起来是一堆数字，本质上是一场和趋势赛跑的提前量游戏。
先把结论放在最前面，因为它决定了后面所有操作的优先级。库存管理软件的真正价值，不是替你算出"该补多少件"，而是帮你在数据还没变成事故之前，提前 4，8 周告诉你"趋势已经变了"。补货数量的计算是初中数学，趋势判断才是那道决定生死的题。
我用自己店铺的实际数据做过一次时间倒推：一个 SKU 从"趋势转向"到"必须清货"，中间有 6，9 周的窗口期。这段时间里，报表上所有指标都还好看，因为库存是过去决策的沉淀，销量是当期需求的回声，两者天然有延迟。
具体拆开是这样的：需求端转向通常在第 0 周发生，但周销量数据因为波动和促销残留，要到第 2，3 周才形成可确认的下降通道；等我确认了趋势，供应链端的补救又要走工厂排产 20，30 天加头程海运 35，45 天，合计 55，75 天。也就是说，你在第 3 周看到的信号，对应的是第 12 周才能到仓的货。这就是为什么很多卖家感觉"明明看了数据，还是踩坑"，看数据的时间和做决策的时间错配了。
我后来把库存观察拆成三层，缺任何一层都会出现方向性错误。第一层是需求趋势，看的是外部市场对这个品类的胃口在变大还是变小；第二层是转化趋势，看的是同样流量下你能不能抢到订单；第三层是供应趋势，看的是货、钱、库龄、仓位的实际消耗速度。
绝大多数卖家的软件看板只做了第二层，自己店铺的销量、转化率、广告花费。只看第二层，你会在类目整体下滑时误判成"竞争加剧"，在类目整体上涨时误判成"自己运营做得好"，两种误判都会导向错误的补货量。
这是我最想强调的一点。销量 400 件和 500 件，本身不构成趋势信息；真正有决策价值的是"周环比变化率的连续方向"。连续 3 周周环比为正且幅度扩大，趋势向上；连续 3 周为正但幅度收窄，趋势见顶；连续 2 周为负，进入观察期；连续 3 周为负，进入减仓期。
我现在的看板里，"销量"这个指标反而放到第二屏，第一屏放的是"周环比方向"和"4 周移动平均斜率"。这个顺序调整之后，判断准确率的提升比我换任何一款软件都明显。
抽象讲框架容易空。我把上面那个家居 SKU 的真实数据回放一遍，你就能看清趋势是怎么被掩盖的。
第 1，4 周，这个 SKU 进入类目旺季尾部，周销量从 420 件爬到 505 件，我在第 4 周末按当时的日销补了一批货，1,200 件，海运头程，预计第 10 周到仓。第 5 周赶上一次站内促销，周销量冲到 610 件，我看到的是"需求爆发"，甚至考虑追加。第 6 周回落到 540 件，我判断为"促销后的正常回调"。
真正的转折在第 7 周。周销量 430 件，4 周移动平均从 484 掉到 471，这是移动平均线第一次转向。但我当时的看板里没有移动平均，只有当期销量，看到的是"上周 540，这周 430，跌了 20%"，我的反应是"波动，再看看"。第 10 周，我补的那 1,200 件到仓，而周销量已经掉到 310 件。货到的那一刻，库存从"偏紧"直接变成"过剩 3 倍"。
| 周次 | 周销量（件） | 4 周移动平均 | 类目搜索热度指数 | 可用库存（件） |
|---|---|---|---|---|
| W1 | 420 | 418 | 100 | 2,300 |
| W2 | 445 | 424 | 101 | 2,180 |
| W3 | 380 | 418 | 99 | 2,020 |
| W4 | 505 | 437 | 103 | 1,880 |
| W5 | 610 | 485 | 108 | 1,690 |
| W6 | 540 | 509 | 104 | 1,510 |
| W7 | 430 | 521 | 96 | 1,880 |
| W8 | 395 | 494 | 92 | 1,760 |
| W9 | 350 | 429 | 88 | 1,640 |
| W10 | 310 | 371 | 84 | 3,050 |
| W11 | 265 | 330 | 80 | 2,880 |
| W12 | 240 | 291 | 77 | 2,710 |
仔细看 W5，W6：销量在涨，但类目搜索热度指数已经从 108 掉到 104。这就是需求趋势层给出的第一个反向信号，你自己的销量是被促销和广告撑起来的，品类的自然需求已经在退潮。等到 W10 货到仓，库存从 1,640 件跳到 3,050 件，而周销只有 310 件，库龄时钟开始滴答作响。
（1）把促销峰值当成需求台阶。W5 的 610 件是促销流量叠加的结果，我在 W6 的回调里还抱着"新台阶已经形成"的假设，这直接导致了 W10 的过量到仓。
（2）把"库存够卖多少天"当成健康度指标。W4 的时候库存能卖 46 天，看起来安全，但那是用当时虚高的日销算的。趋势下行时，"可售天数"是一个会自动膨胀的幻觉：分母（日销）在缩小，分子（库存）在增加，两个方向同时恶化，但报表每天只给你一个数字。
（3）忽略了类目热度这个外部坐标。我全程只看了自己店铺的数据，没有建立类目搜索热度、榜单排名变化的对照。只看内部数据，你无法区分"我不行了"和"大家都不行了"，而这两种情况对应的行动完全相反：前者要优化，后者要减仓。
我用同样的错误，在不同的时间段里重复过不止一次。把这些坑整理出来，比讲正确的做法更有价值。
这是最广泛的做法，也是破坏力最大的做法。近 7 天销量包含最近的促销残留、广告加投效果、甚至是竞品断货带来的临时流量，它的方差极大。用 7 天数据外推 60 天需求，等于把噪声放大 8 倍。
我做过一次统计：把店铺里 40 个 SKU 的"近 7 天日销 × 60"和"实际未来 60 天销量"做对比，平均绝对误差是 41%，中位数误差 33%。误差在 50% 以上的 SKU 有 14 个，占 35%。这个精度拿来决定几万美元的采购，是非常危险的。
更合理的做法是用 4 周移动平均做基线，再用趋势方向和季节性系数调整。移动平均天然抑制了单周噪声，代价是滞后约 2 周，这个代价可以通过叠加类目热度这类领先指标来补偿。
促销期的销量峰值具有强烈的"提前消费"性质。消费者本来会在未来 3 周陆续购买，被促销集中到了 3 天里。促销结束后，接下来 2，4 周的销量会低于促销前的基线，形成"促销坑"。
如果软件看板只显示日销曲线，峰值非常显眼，坑却不显眼，人脑天然会高估峰值、低估坑。我的做法是在看板里固定放一条"促销前 4 周基线"参考线，只把超出基线且促销结束后仍能维持的部分，认定为真实的需求增长。
2023 年我遇到过一次连续两周销量下滑，第一反应是 listing 出问题了，花了两周做优化、测图、调广告，投入大约 3,000 美元。后来查类目数据才发现，整个子类目的搜索热度那两周跌了 23%，是明显的季节性退潮。也就是说，我为一个不存在的运营问题，付了 3,000 美元的学费。
正确的做法是把类目热度、头部竞品的排名变动、头部竞品的价格区间，和自店铺数据放在同一个时间轴上。区分"份额问题"和"水位问题"，是库存管理里最关键的一次分诊。
很多人装库存工具，第一件事是找"建议补货量"这个功能，找不到就觉得工具不行。这是把顺序搞反了。补货量是趋势判断的输出结果，不是输入条件。趋势判断错了，补货量算得再精确，也只是把错误放大了。
我现在的使用顺序是：先用软件做趋势分层观察，判断未来 8 周的销量区间；再把这个区间作为输入，去算补货点和安全库存；最后才落到具体下单量。工具的价值 80% 在前两步。
这一节是我现在日常用的判断逻辑，不是理论。三层之间是乘法关系，任何一层出问题都会污染结论。
这一层回答的问题是"这个品类未来 8 周还能不能吃下这么多货"。我固定观察四个指标：类目搜索热度指数、子类目头部 10 名产品的排名换手率、头部竞品的在售库存变化、以及类目整体的新品上架速度。
其中我最看重的是头部竞品的在售库存变化。如果类目头部卖家在集体减库存，说明他们判断需求要退潮；如果他们在大举备货，说明他们认为还有一波。这个信号比任何单一销量数据都可靠，因为头部卖家的判断往往基于更完整的数据和更长的历史。
具体操作上，我会对这个指标设置周环比阈值：头部 10 名中有 6 个以上在减库存，判定为"水位下行"；有 6 个以上在加库存，判定为"水位上行"；其余为中性。水位下行的判断一旦成立，无论我自己的销量多好看，补货量一律按 70% 执行。
这一层回答"同样的一波流量，我能拿到多少"。核心指标是转化率、Buy Box 占有率、自然订单占比、以及广告花费占比的变化方向。
这里有一个我踩过的坑：转化率下降的时候，很多人的第一反应是 listing 变差了。但转化率下降至少有三种成因：流量结构变差（广告带来了更多低意向流量）、价格竞争力下降（竞品降价）、或者 listing 本身退化。区分这三者，看的是"自然订单占比"这个指标。
如果转化率下降但自然订单占比稳定，问题在流量结构；如果自然订单占比同步下降，问题在竞争力；如果两者都稳定但转化率还在跌，才需要怀疑 listing。我在看板里把这三个指标做成一组联动的折线，从 2023 年底开始用，至少避免了两次不必要的 listing 大改。
这一层回答"我的货、钱、仓位还能撑多久、走多快"。关键指标有三个：在途库存覆盖率、库龄结构分布、以及资金占用周转率。
在途库存覆盖率是我最推荐的指标，计算方式是"在途数量 ÷ 未来 8 周预测销量"。这个指标低于 0.6 就要警惕，低于 0.4 基本等于已经在断货路上了。它的价值在于把"买了但还没到"的货也算进来，避免只看可用库存造成的虚假安全感。
库龄结构分布则要按 0，90、91，180、181，270、271，365、365 天以上分档，每周看一次占比变化。我的经验阈值是：271 天以上占比超过 8%，就必须启动清货动作，不要等它涨到 15%。
三层分别输出一个方向（上行 / 中性 / 下行），合成规则我用一个简单加权：需求趋势权重 0.4，转化趋势权重 0.3，供应趋势权重 0.3。合成得分高于 0.6 判为加仓，0.4，0.6 为维持，低于 0.4 为减仓。
安全库存的部分，我用下面这段逻辑来算，它比教科书公式多了一个"提前期波动"项，因为头程时间的不确定性往往比需求波动本身影响更大：
import numpy as np
输入：近 8 周需求、近 6 次头程实际到仓天数
weekly_demand = np.array([420, 445, 380, 505, 610, 540, 430, 395])
lead_time_days = np.array([38, 43, 51, 46, 57, 49]) # 含工厂排产 + 头程 + 上架
需求侧参数
d_daily = weekly_demand.mean() / 7 # 平均日销
sigma_d = weekly_demand.std() / np.sqrt(7) # 日需求标准差
提前期参数（用实际到仓数据，不用供应商承诺值）
lt_days = lead_time_days.mean()
sigma_lt = lead_time_days.std()
安全库存：同时考虑需求波动和提前期波动
z = 1.65 # 95% 服务水平
safety_stock = z * np.sqrt(lt_days * sigma_d**2
+ d_daily2 * sigma_lt2)
再订货点
reorder_point = d_daily * lt_days + safety_stock
趋势调整：三层合成得分 trend_score = 0.55
order_qty = reorder_point * (0.7 if trend_score print(f"平均日销: {d_daily:.1f} 件/天")
print(f"平均提前期: {lt_days:.1f} 天，标准差 {sigma_lt:.1f} 天")
print(f"安全库存: {safety_stock:.0f} 件")
print(f"再订货点: {reorder_point:.0f} 件")
print(f"最终建议下单: {order_qty:.0f} 件")注意最后那个 trend_score 的判断。趋势判断的结论必须能直接改写补货数量，否则它就只是报表上一个没人看的数字。这也是我在选工具时最在意的一点：能不能把趋势判断的结果，直接带进补货计算里。
讲了这么多方法，落到执行上必须有个载体。我这两年把趋势观察的日常工作放在一个跨境经营数据分析平台上做，用的是"数跨境"（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）。下面讲的是我实际怎么配、实际跑出来什么结果。
我一开始是用 Excel 手搓的，每周从后台导 6 张表，手工透视、算移动平均、画折线。做了三个月，我算过一笔时间账：每周花在数据整理上的时间是 4.5，5.5 小时，一年约 240 小时。这还不算每次公式改错导致的返工。
更麻烦的是滞后。手工流程决定了数据只能按周更新，而趋势信号的最佳观察频率是天级或至少三日级。等我周五拿到上周数据，最快也要下周一才能做决策，平均滞后 5，7 天。在 6，9 周的决策窗口里，这 7 天意味着提前量少了近 15%。
换成数跨境之后，最大的变化不是省时间（虽然确实省了，现在每周约 40 分钟），而是观察频率从周级变成天级，并且三个层级的指标被放进了同一个时间轴。这一点很关键，分层观察如果没有统一时间轴，你看到的还是三组孤立数据。
（1）需求水位面板。把类目搜索热度、头部 10 名竞品的在售库存变动、子类目新品上架数放在一张折线图上，粒度到天，时间窗设为滚动 90 天。判断规则是前面说的"6 个以上同向"，我在面板上加了一条阈值参考线，超过就变色。
（2）转化结构面板。转化率、Buy Box 占有率、自然订单占比、广告花费占比四条线联动。这个面板我每天早上一眼扫过，只关注"有没有两条以上同时反向"。
（3）供应健康面板。这是核心。包含在途库存覆盖率、库龄五档占比、库存周转天数、资金占用额。库龄结构我用百分比堆叠柱状图呈现，因为它能一眼看出结构是在变好还是变坏。
（4）SKU 预警面板。把所有 SKU 按"趋势得分 × 库存风险"二维排布，右上角是高风险高趋势的，优先处理。这个面板把 133 个 SKU 的日常巡检压缩到 10 分钟内。
我在 2023 年 10 月开始按这套方式跑，对比之前三个月（2023 年 7，9 月）的同口径数据，变化是这样：断货率从 12.4% 降到 3.8%；库龄超 270 天的库存占比从 11.2% 降到 3.6%；月度仓储及附加费从 2,340 美元降到 610 美元；库存周转天数从 68 天压到 42 天。
周转天数从 68 降到 42，意味着在同等销售规模下，释放出来的在库资金大约是原来的 38%。这部分资金我拿去做了新品测试，而不是继续堆在长库龄库存里。
| 指标 | 优化前（2023 Q3） | 优化后（2024 Q1） | 变化幅度 | 主要归因 |
|---|---|---|---|---|
| 断货率 | 12.4% | 3.8% | -8.6 个百分点 | 在途库存覆盖率预警提前 5 周 |
| 库龄 > 270 天占比 | 11.2% | 3.6% | -7.6 个百分点 | 减仓信号触发更早 |
| 月度仓储及附加费 | 2,340 美元 | 610 美元 | -73.9% | 长库龄库存减少 + 仓位压缩 |
| 库存周转天数 | 68 天 | 42 天 | -26 天 | 补货量按趋势得分动态调整 |
| 周均数据整理耗时 | 5.0 小时 | 0.7 小时 | -86.0% | 看板自动化替代手工透视 |
| 趋势信号平均滞后 | 6.5 天 | 1.2 天 | -5.3 天 | 观察频率从周级提到天级 |
今年 3 月，供应健康面板里有一个厨房小件的在途库存覆盖率从 0.82 掉到 0.51，同时需求水位面板显示头部 10 名竞品里有 7 个在减库存。当时我的周销量还是正的，环比 +4%。按旧习惯我大概率会继续补货。
但两个面板同时给了信号，合成得分掉到 0.37，进入了减仓区间。我把原计划的 900 件砍到 520 件，同时启动了 240 件老库存的降价清货。五周后，这个 SKU 的周销量从 380 件掉到 210 件。如果按原计划补 900 件，这 380 件的差额会全部变成 271 天以上的库龄库存，按当时的仓储费率测算，仅附加费一项就是 1,100 美元以上，还不算降价损失。
这套方法不是所有阶段都适用同一个参数。下面按四个阶段给出我实际用的配置。
这个阶段没有历史数据，任何趋势模型都不可靠。我的做法是主动放弃趋势预测，改用小批量高频补货：首单控制在预估 30 天销量的 50%，之后每 2 周补一次，每次不超过 20 天销量。
参数上，安全库存系数从 1.65 提到 2.0（对应约 98% 服务水平），宁可多备一点也不要在新品期断货，因为断货会直接影响 BSR 和权重积累，损失比库存成本大得多。观察重点放在转化率上，而不是销量，新品期销量波动太大，转化率才是判断这个品能不能做的主要依据。
这是三层趋势观察法最能发挥作用的阶段，因为有足够的历史数据支撑移动平均和季节性系数。我的标准配置是：观察频率天级，安全库存系数 1.65，订货点用上面那段代码算，趋势得分低于 0.4 时补货量乘 0.7。
这个阶段唯一要防的是"惯性懒惰"。稳定期数据好看，人容易放松巡检。我的做法是给 SKU 预警面板设了强制触发条件：任何一个 SKU 的出现转化率连续 5 天下跌，就会自动跳到面板顶部，不管销量怎么样。
旺季备货是最容易出事的环节，因为一旦判断错，错的量级是平时的 3，5 倍。我的做法是把趋势观察窗口从 8 周拉长到 12 周，并且在旺季前 90 天就把补货全部完成，最后 30 天只做应急空运。
具体节奏是：提前 90 天做需求预测并下首批订单（约占旺季目标库存的 50%）；提前 60 天下第二批（30%）；提前 30 天下第三批（20%）。分批下单的核心目的不是分摊风险，而是给自己留出三次修正判断的机会。如果第一批到仓后销量不及预期，第二批可以减量；这是单次大额下单完全做不到的。
当一个 SKU 的类目热度指数连续 6 周下行，且自然订单占比跌破 50%，我就会把它转入衰退期管理。这个阶段的观察指标只剩一个：库龄结构。销量已经不重要了，重要的是在触发附加费之前把货清掉。
清货节奏我按库龄分档处理：181，270 天的库存做 5，10% 折扣促销；271，365 天的做 15，25% 折扣，同时捆绑销售；365 天以上的直接走站外清货渠道，接受 40，50% 的折扣，因为这个阶段的目标已经不是回本，而是止损和释放仓位。
方法讲完了，接下来是我在实际经营中反复权衡的几组取舍。没有标准答案，只有场景答案。
这是最核心的一组取舍。安全库存每提高一个档次，断货风险下降，但资金占用上升，而且上升是线性的，风险下降是递减的。
我的经验是：现金流健康时，把服务水平定在 95%（z = 1.65）；现金流紧张时定在 90%（z = 1.28），但要把在途库存覆盖率的预警线从 0.6 提到 0.75，用更早的预警来弥补更薄的库存缓冲。也就是说，钱少了不能只降库存，必须同时提高观察频率，用信息密度换资金密度。
反过来说，如果你连天级数据都做不到，就不要把安全库存降到 90% 服务水平，那是在裸奔。
133 个 SKU，如果每个都做三层观察，数据量会淹死人。我的处理方式是分三档：
这个分档本身就是一次取舍：放弃对长尾 SKU 的精细化管理，换取对核心 SKU 的深度观察。事实证明这个交换是划算的，因为长尾 SKU 的单品绝对损失有限，而核心 SKU 的一次误判就是几万美元。
我的判断标准很简单：如果数据整理时间超过每周 2 小时，或者做不到天级更新，就该上工具。反之，如果你只做 10 个以内的 SKU，或者只做单一站点，手工表格反而更灵活。
但有一个例外：当你的观察维度超过三层、指标超过 12 个的时候，手工表格的出错率会显著上升。我自己就遇到过因为一个 VLOOKUP 范围写错，导致某 SKU 的可售天数被高估了 18 天，直接造成了一次过量补货。这类错误在自动化看板里几乎不会发生。
| 场景 | 倾斜方向 | 关键参数 | 主要风险 |
|---|---|---|---|
| 现金流紧张 | 降低库存水位 | 服务水平 90%，预警线提到 0.75 | 断货率上升，BSR 波动 |
| 旺季前 90 天 | 提高库存水位 | 覆盖率目标 1.15，分三批下单 | 旺季不及预期导致积压 |
| SKU 数量 > 80 | 分档管理 | A/B/C 三档差异化观察频率 | 长尾 SKU 失控 |
| SKU 数量 < 15 | 手工精细管理 | Excel + 天级人工巡检 | 人力不可持续 |
| 头程周期 > 90 天 | 前置备货 | 趋势窗口拉到 12 周，安全库存系数 2.0 | 资金占用大幅上升 |
| 类目热度快速下行 | 主动减仓 | 补货量乘 0.7，启动分档清货 | 错判为短期波动而减仓过度 |
回到最开始那个吃掉 1.1 万美元毛利的故事。我后来反复想过，如果当时只做一件事，哪一件最能避免那次损失？答案是：在需求水位面板上放一条"头部竞品在售库存变动"的线，并且规定它连续两周同向就要影响补货量。就这一条，成本几乎为零，但能提前 4 周给出信号。
库存管理这件事，被太多人简化成了"算准该补多少"。但真正决定利润的，从来不是你算得有多准，而是你在趋势转向的时候，能不能比别人早 4 周知道、早 3 周决策、早 2 周下单。软件的价值不在于替代你的判断，而在于把判断所需要的时间窗口还给你。
把三层观察的指标固定下来，做成一个每天都能刷新的看板。如果你现在还在手工导表，可以先用数跨境这类平台把数据聚合和看板搭起来（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys），先接需求水位和供应健康两个面板，这两个的投入产出比最高。
同时在流程上加一条硬规则：趋势合成得分低于 0.4 时，补货量必须乘以 0.7。规则要在系统里体现，不能只写在文档里，否则人性会让你在销量还好看的时候犹豫。
最后一句话总结我的全部经验：库存问题从来不是在库存报表里解决的，它是在趋势拐点上解决的。库存报表告诉你已经发生了什么，趋势观察告诉你将要发生什么，而你能赚到的钱，永远来自这两者之间的时间差。
下一步，我建议你不需要再去找更多的技巧或者更复杂的公式。先把三层观察里最简单的那一层，类目水位，坚持每天看 30 天。30 天之后，你对"趋势"这两个字的理解，会和现在完全不一样。
我做了两年亚马逊运营，最开始每天刷后台只看总库存数，结果要么压了一堆货，要么突然断货被降权。后来才意识到，看库存的绝对数字没什么用，得看几个能体现"趋势"的比率指标，但一直不确定哪几个才是真正该优先盯的。
优先盯四个指标，按重要性排序：一是可售天数，算法是当前可售库存除以近7天日均销量，它比库存绝对值更能反映风险，低于头程加清关上架的总周期就必须下单；二是库存周转率，用近30天出库量除以平均库存，低于每月0.8次基本属于滞销；
三是库龄结构，重点看181天以上占比，超过15%就要准备清仓，因为长期仓储费会按半年节点跳档；四是动销率，即近90天有出库的SKU数除以在库SKU总数。日销口径建议统一用近7天而不要用近30天，30天会掩盖最近的掉量趋势，但近7天容易被单日大单污染，所以还要配合有货天数加权。
我同时开着卖家后台库存台账、广告报表和一个ERP工具，同一天的可售库存能差出几十件，日销曲线也差一两天。每次做补货决策都得先花半小时对数，特别耽误事，也不知道该以哪个为准。
先接受一件事：数据对不上是常态，原因是库存口径本身就分好几种。后台的"可售库存"不含预留、待调仓和FC转运中的货，第三方工具往往把在途也算进去，所以差异大多不是错误而是口径不同。
做法上建议固定一个校准动作：每天选站点当地时间的同一个时点（比如上午8点）做库存快照，永远用同一个口径对比，不要跨时区拿国内下午的数据去比美国站的上午数据。日销数据以亚马逊后台的业务报告为准，第三方工具的日销通常有1到2天的抓取延迟，用它看趋势方向可以，用它算补货量会偏。
每周固定做一次账面校准，把在途、预留、FC转运三项单独列出来核对，能对上95%以上就说明你的数据链路是健康的。
我最怕的就是看到某个ASIN销量突然涨了一截，赶紧补货，结果货到了发现是上周做了秒杀。反过来也踩过坑，断货那几天销量归零，我误以为是需求下滑就砍了广告预算，等货补上才发现是被自己判断错了。
核心方法是把"被污染的天数"剔出去，再做加权。具体两步：第一步，把促销期（秒杀、优惠券、会员日、大促）单独打标记，把断货期（可售天数为0）也打标记；第二步，算有货天数加权日均销量，也就是这段时间的总销量除以有货天数，而不是总销量除以日历天数。
断货期销量归零如果按日历天数平均，会把日均严重拉低，导致你补货补少了。判断是否构成真实趋势，我用一个经验口径：连续3个自然周的加权日均环比同向变化超过15%，同时Session或曝光量同向变化，才算趋势成立；只有销量动、流量没动，那多半是转化率波动或促销带来的短期脉冲。
另外注意退货率，如果销量涨的同时退货率也涨，可能是listing图文误导，不是真需求。
我一开始图省事，所有SKU统一设了30天可售天数预警，结果快销品断货、慢销品还是压了一堆。后来改成手动一个个调整又太累，想找一个能落地、不太费人力的分层规则。
阈值千万别一刀切，按周转速度分层是最省事的做法。我用三档：快销品（日均销量20件以上）安全库存设15到20天，中速品设25到35天，慢销品设45到60天，因为慢销品的头程和上架周期通常更长、重新下单的起订量也更高。
同时要设双阈值而不是单阈值：低于下限触发补货，高于上限触发清仓或降价，否则你只解决断货、解决不了压货。补货触发点可以简单记成一个公式：可售天数低于头程运输天数加清关上架天数再乘1.2，就下单，那个1.2是给销量上浮和物流波动留的缓冲。
复盘节奏分三层：每天只看异常项，也就是有断货风险的SKU和销量环比突变超过30%的SKU；每周看趋势层，做一次加权日均的周环比；每月看结构层，重点复盘库龄分布和动销率，这一步决定要不要砍SKU而不是补多少货。
读者评论
~9 周这个窗口期对我这种走空运加海外仓的卖家基本不成立，我这边从下单到上架最快三周，等 4 周移动平均确认方向再动手反而会错过补货点。文里的框架我觉得更适合海运头程、备货周期长的品类，快周转品类直接照搬会过度保守，可售天数压得太低反而断货。
类目搜索热度这个外部指标确实是关键，但大多数工具给不了，得自己拉数据再手工对齐时间轴。我做一次还行，40 个 SKU 每周都做就不现实，试了两周表格就放弃了。想知道这层数据怎么并进看板，靠 API 还是纯人工，这个维护成本可能比工具年费还高。
图表那组对比是 2023 Q3 对新做法 2024 Q1，家居类目这两个季度本身季节性差别就大，Q3 还在旺季尾部、Q1 是淡季，周转天数和仓储费自然差一截。方法改进应该有效，但把 11.2% 到 3.6% 全归给观察方式，我觉得高估了。同一季度内分 SKU 对照会更有说服力。