月底那次补货复盘会，我见过太多相似的场面：库存表拉出来，周转天数从 52 天降到 41 天，采购负责人说"效率提升了"，运营负责人说"我这个类目缺货了 9 天"，财务说"资金占用没降反升"。三个人看的其实是同一批数据，但争到散会也没得出"下一次该补多少"的结论。这就是我想在这篇文章里解决的问题，跨境 ERP 实施路径中，采购补货这一段的数据复盘，到底该复什么、按什么顺序复、复完之后改哪个参数。
这不是一篇讲 ERP 功能的文章，而是一套我在多个卖家团队里实际跑过、也踩过坑的复盘机制。
如果你的团队已经在用 ERP，订单、库存、采购单、头程物流这些数据基本都在系统里，数据"有没有"早就不是主要矛盾。真正卡住复盘的是另外三件事：口径不统一、归因不拆层、决策没留痕。
我做过一次小范围的样本统计，收集了 23 个跨境卖家团队（年 GMV 从 2000 万到 6 亿不等）关于"补货复盘为什么做不下去"的自述原因，并按第一归因做了归类。结果和我最初的假设差别很大：被访者中只有不到一成人把"数据缺失"列为首要障碍。
报表回答"发生了什么"，复盘回答"为什么发生、下次改什么"。这两件事的产出物完全不同。报表的产出物是一组数字，复盘的产出物是一条被修改过的参数。
如果一次补货复盘开完，安全库存天数、补货点、MOQ、供应商分配比例这四个参数里一个都没动，那这次复盘基本等于没开。我判断一个团队复盘是否有效，不看会议纪要写得多漂亮，只看下一周期 ERP 里的补货参数有没有变化、以及变化有没有依据。
补货这件事可以拆成三段：需求判断（我以为要卖多少）、供应执行（供应商和物流实际给了多少、什么时候给到）、库存结果（最后卖成什么样）。这三段的偏差来源不同、责任人也不同，混在一起复盘就一定会吵起来。
需求判断错，通常是预测方法和因子问题，责任在运营和计划；供应执行错，通常是交期、质检、头程问题，责任在采购和供应链；库存结果错，则可能是前两者叠加，也可能是口径本身有问题。把这三段拆开归因，是复盘能落地的前提。
注意这里没有"一份漂亮的复盘 PPT"。我见过太多团队把精力花在美化图表上，最后没人记得结论。
抽象讲方法论容易飘，我先说三个真实场景，都是我在实施顾问角色里亲自跟过的，行业和公司名做匿名处理。
一家做家居品类的卖家，主战场亚马逊北美加独立站，年 GMV 约 1.2 亿。他们的供应链负责人给我看了一张很漂亮的图：连续三个季度库存周转天数从 58 天降到 39 天。他的结论是"补货策略优化见效了"。
我让他把缺货率和订单满足率调出来叠在同一张时间轴上，问题立刻暴露：同期缺货率从 2.8% 涨到 10.6%，订单满足率从 96% 掉到 88%。周转天数变好，不是因为卖得快，而是因为备得少；备得少，代价是缺货。
后来我们一起做归因，发现真实原因是：二季度他们把安全库存天数从 45 天一刀切调到 30 天，覆盖了全部 SKU，包括那些销量波动极大的季节性品类。参数改动没有任何前置分析，也没有留痕，所以三季度做复盘时，没人知道 30 天这个数是怎么来的。
第二家是做 3C 配件的，同时跑亚马逊、Shopee 和 TikTok Shop。他们的补货会经常出现一个诡异现象：同一个产品，运营说这个月卖了 4200 件，采购说根据系统是 3800 件，仓库说发出 3950 件。
拆开看，差异来自三处：平台时区不同导致统计窗口错位；退货回冲规则不一致，运营按净销量算，采购按毛销量算；赠品和样品是否计入销量，三个部门各有一套习惯。这不是数据错，是口径没统一。
口径问题最麻烦的地方在于，它不会让任何一张报表看起来是错的，只会让不同报表之间对不上。而对不上的时候，团队会本能地怀疑系统、怀疑对方，而不是怀疑定义。
第三家是我的一个老客户，年 GMV 8000 万左右。他们的补货复盘做得其实不错，但整套逻辑在一个资深计划员脑子里。这个人离职之后，接手的人花了将近两个月才勉强重建起原来的分析框架，期间有两次明显的补货失误，一次缺货、一次压货。
这件事让我彻底改变了对 ERP 实施优先级的判断：在采购补货这段，把复盘逻辑沉淀进系统，比把功能上线更值钱。功能上线是 IT 事件，逻辑沉淀才是能力建设。
下面这六个误区，我几乎在每个复盘失效的团队里都能见到至少三个。它们不是认知水平问题，更多是路径依赖。
典型表现是：复盘会的材料是一堆 ERP 标准报表的截图，销量表、库存表、采购表各来一张，然后逐页念数。这种会开完，大家对"发生了什么"有共识，但对"为什么"没有共识，对"下次改什么"更是零共识。
我的一般建议是：复盘材料里不要出现没有结论的原始报表。每一页都必须带着一句判断，比如"这个 SKU 三周内补货两次仍缺货，判断是补货点设置过低，证据是补货触发后到到仓的平均周期已经超过安全库存覆盖天数"。
周转率是结果指标，而且是一个可以被两种相反操作刷好的指标：压库存可以让它变好，缺货也可以让它变好。它不能单独作为补货复盘的核心 KPI。
我在实操里通常会把周转率放在第二位，第一位放缺货率或订单满足率。逻辑是：缺货是直接损失销售机会，滞销是直接损失资金，周转率只是它们之间的一个中间量。
一个 3000 SKU 的店铺，如果每个 SKU 都做完整归因，人力成本会高到不可行。更常见的结果是形式主义：每个 SKU 填一行"正常"，等于没复盘。
正确做法是分层。我在下面第五章会给一个 ABC/XYZ 的分层方法，核心思路是：高销售额且有断货风险的 SKU 深度复盘，长尾 SKU 只做阈值告警。
一旦复盘变成追责，信息就会开始失真。计划员会倾向于选择"看起来安全"的补货参数，而不是"期望值最优"的参数；运营会隐瞒真实的促销计划，以免事后被追。
我的建议是把复盘会分成两段：前 80% 时间只归因、不评价；后 20% 时间单独谈改进动作和责任人。这两段一定要在议程上物理隔开。
这是我见过最普遍的预期错位。ERP 能做的是固化口径和自动留痕，它不会自动告诉你补货该补多少。把 ERP 当作决策替代品，是补货复盘最常见的启动失败原因。
ERP 更准确的定位是"记录仪 + 计算器"，不是"分析师"。分析仍然是人的工作，只是数据准备的工作量应该被系统吃掉。
口径写在 Excel 批注、写在某个人脑子里、写在群公告里，都会随着文件版本和人一起消失。口径必须写在系统的字段定义和报表说明里，并且有版本记录。
我给团队的一个硬性要求是：任何一张用于补货决策的报表，第一行必须是口径说明。没有口径说明的报表，不允许进入复盘会材料。
把上面的问题收敛一下，我用的框架只有四层，顺序不能乱。跳过第一层直接做第三层，是我见过最多的一次性失败。
口径要统一三类：时间口径、数量口径、归属口径。
需要明确四件事：按哪个时区统计；用下单时间还是付款时间；统计周期的截点定在几点；跨月订单归到哪个月。跨境场景下，亚马逊北美站和东南亚站的自然日边界相差十几个小时，不统一就没法把多个平台的销量加在一起看。
需要明确：可用库存是否包含在途、是否扣除锁定和预留；退货是否回冲销量、回冲在哪个时点；赠品、样品、换货是否计入销量；组合装与单品如何换算。这几条里，退货回冲时点是最容易被忽略、也最容易造成月度数据反复的。
需要明确：SKU 与仓库、店铺、站点的映射关系；多平台同款如何合并；换包装、改 FNSKU 之后的历史数据如何接续。归属口径混乱会直接导致同一个产品在不同报表里"分身"。
落地建议：把这三类口径写进 ERP 或分析工具的字段定义与报表说明里，而不是写在 Excel 批注里。口径变更时留版本号，历史报表保留旧口径，避免"昨天的报表今天跑出来数字不一样"。
指标不在于多，在于每个指标都要能回答一个具体的判断问题。我通常用下面这组，分三侧。
| 侧别 | 指标 | 它回答的问题 | 误用后会怎样 |
|---|---|---|---|
| 需求侧 | 销量（净） | 实际卖了多少 | 含退货毛销量会高估需求，导致过度补货 |
| 需求侧 | 预测偏差率 | 我判断的需求和实际差多少 | 不区分新品与老品，会把新品的不确定性归罪于预测能力 |
| 需求侧 | 售罄率 | 货备得够不够卖 | 促销期售罄率高不一定是问题，可能是有意控货 |
| 供应侧 | 实际采购提前期 | 从下单到到仓真实用了多久 | 用计划交期替代实际交期，安全库存会系统性偏低 |
| 供应侧 | 补货及时率 | 该补的货有没有按时补上 | 不区分"没补"和"补了但晚了"，改进动作会指向错误部门 |
| 供应侧 | 订单满足率 | 需求来了能不能立刻发货 | 与缺货率高度相关，同时看会重复计数 |
| 库存侧 | 库存周转天数 | 资金周转效率 | 单独看会被压库存或缩备货刷好 |
| 库存侧 | 缺货率 | 损失了多少销售机会 | 只统计主推 SKU 会低估长尾缺货的影响 |
| 库存侧 | 滞销占比 | 多少库存已经进入低效状态 | 定义不清晰（如 90 天无销量）会口径打架 |
| 库存侧 | 库龄结构 | 库存的时间分布是否健康 | 不看库龄只看总量，会掩盖长尾积压 |
关于行业基准值，我要特别提醒一句：跨境不同类目的"健康周转天数"差异极大，服装和五金工具可以差三到五倍。任何直接给出"健康周转率应该是 X"的说法，都需要加上类目限定。我在实操里更推荐用团队自己的历史分位数作为基准，比如取过去 12 个月的第 25 分位数作为目标线。
归因的核心动作是把一个笼统的"补错了"，拆成三层可观测的原因。我给团队用的模板固定为四列：现象、层级、证据、下次动作。
可观测证据包括：促销计划是否提前录入、平台流量和转化率是否发生结构性变化、竞品是否大幅降价、季节性因子的取值是否沿用去年。如果这些证据在补货时点根本没有被记录过，那么这一层的归因就只能靠回忆，可靠性极低。
可观测证据包括：供应商实际交货日期与承诺日期之差、质检不合格率、头程实际时效与计划时效之差、入库上架延迟天数。这一层的数据在 ERP 里通常存在，但很少被拿出来做对比分析。
可观测证据包括：报表口径是否在本周期发生变更、库存准确率、补货参数是否被人工覆盖、是否有重复下单或漏单。这一层的偏差最容易被忽视，因为它往往表现为"数据看起来不对"，而不是"业务做错了"。
留痕要留四样东西：补货决策的时点、当时依据的参数、审批人、当时预期的结果。
很多人觉得"补货单不就是留痕吗"，其实不是。补货单只记录了结果，没有记录理由。一个补货单告诉你补了 5000 件，但不会告诉你这 5000 件是基于 45 天安全库存还是 30 天，也不会告诉你当时预测的日销是多少。
决策日志不需要复杂，我推荐的最小字段集如下：
补货决策日志字段清单
——————————–
decision_id 决策编号
decision_time 决策时间（含时区）
sku_id 商品编码
warehouse_id 目标仓库
trigger_type 触发方式（补货点/人工/系统建议）
safety_days_used 本次采用的安全库存天数
lead_time_used 本次采用的采购提前期
daily_sales_forecast 预测日销
suggested_qty 系统建议量
final_qty 最终下单量
override_reason 人工覆盖原因（若与建议量不同）
approver 审批人
expected_arrival 预期到仓日
expected_sellout 预期售罄日
review_due 复盘到期日
这套字段在小团队里可以直接用表格维护，SKU 数量上来以后必须放进系统，否则一定会断更。我在实操里看到的规律是：决策日志一旦断更超过两周，团队就会彻底放弃它。
前面四层框架讲的是"该怎么想"，这一节讲"用什么工具把它跑起来"。我在 2024 年参与过一个中型卖家的实施，最终选择用 BI 层工具承担口径与看板部分，其中用到的是数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）。这里我按实际过程讲，包括我们为什么不直接用 ERP 自带报表。
ERP 擅长的是交易与流程记录：采购单、入库单、出库单、库存流水。它的报表通常是围绕单据设计的，而不是围绕复盘问题设计的。要做"预测偏差分解"这类分析，往往需要跨多张表关联，还要保留历史口径版本，这在 ERP 的标准报表里很难做到。
我们当时的判断是：ERP 负责产生和固化事实，分析工具负责组装和解释事实。这不是工具优劣问题，而是分工问题。硬要 ERP 承担复盘分析，结果通常是 IT 排期排到季度末，业务早就放弃需求了。
我们接的数据源一共六类，按优先级排列。前四类是必需的，后两类是加分项。
第六类是最容易被忽略、但对归因价值最大的。没有促销日历，需求预测偏差就永远只能归因为"预测不准"，无法进一步定位到"促销信息没同步"。
我们把三类口径直接写进了分析层的字段定义里，而不是靠使用者记忆。下面是我们当时用的口径定义片段，可以直接作为团队参考模板。
— 销量口径定义（用于补货复盘的净销量）
net_sales_qty =
SUM(order_qty)
SUM(refund_qty) -- 退货回冲，回冲时点 = 退款完成日
SUM(gift_qty) -- 赠品不计入
SUM(sample_qty) -- 样品不计入
WHERE order_time >= period_start
AND order_time AND order_status IN ('shipped','completed')— 统计时区：统一转换为仓库所在时区
— 统计窗口：自然日 00:00 – 24:00，截点按仓库时区
— 可用库存口径
available_stock =
on_hand_qty — 在库
+ in_transit_qty — 在途，仅计入已确认发货部分
locked_qty — 平台预留、活动锁定
reserved_qty — 已售未发
— 说明：未确认发货的采购在单不计入在途
— 采购提前期口径
actual_lead_time =
actual_arrival_date
po_confirm_date — 以采购单确认日为准，非创建日
— 分批到货取最后一次到货日
把口径写成代码或字段定义的好处是可审计：任何一次数字异常，都能回溯到是数据问题还是口径变更。口径写在代码里，比写在批注里更不容易被悄悄改掉。
我们在数跨境里搭的看板一共三层：总览层、归因层、明细层。总览层给管理层看，归因层给计划员看，明细层只在追查具体 SKU 时下钻。
归因层是核心，它的结构是"一行一个偏差事件"，而不是"一行一个 SKU"。这个设计差异很关键：按 SKU 组织表格会变成报表，按偏差事件组织表格才是复盘。
| 看板层级 | 主要内容 | 使用场景 | 更新频率 |
|---|---|---|---|
| 总览层 | 缺货率、订单满足率、周转天数、滞销占比、库龄结构 | 月度经营会、季度策略会 | 月更 |
| 归因层 | 偏差事件列表、三层归因标记、参数变更记录 | 周度补货复盘会 | 周更 |
| 明细层 | 单据级流水、库存流水、采购单与到货明细 | 追查单个 SKU 时下钻 | 实时 |
这个项目从数据接入到看板稳定运行大约用了 7 周，之后我们跟踪了 6 个月的运行数据。需要说明的是，下面这组数据是单项目观察值，不是行业统计，且期间同时做了参数迭代，因此不能把全部改善归因于工具本身。
这六个月里我印象最深的一点不是缺货率的下降，而是复盘会的时间结构变了：实施前大约 60% 的时间花在确认数字，实施后这个比例降到 15% 左右，多出来的时间用来讨论归因和改进动作。
为了不把案例讲成工具广告，我也说清楚它没解决什么。第一，新品首单的补货判断依然高度依赖经验和买手直觉，复盘只能提高复盘速度，不能生成需求；第二，供应商端的交期波动仍然要靠商务谈判和备选供应商解决，数据只是让它更早被看见；第三，促销期的需求预测在数据量不足的情况下，模型帮助有限。
这三条的共同点是：它们都不是数据问题，因此也不可能靠数据工具解决。把这部分期待放对位置，是实施能长期跑下去的关键。
同样是补货复盘，不同阶段的团队起点完全不同。我按团队规模和数据成熟度分四种情况给建议。
这个阶段的重点是先建立口径意识，不要急着买工具。我的建议是先用一张表跑起来：取 30 个核心 SKU，手工统计一个月的净销量、实际采购提前期、到仓日期，做一次完整的偏差归因。
这一步的目的不是产出结论，而是让团队在真实数据上第一次体验到"口径不统一是什么感觉"。跑过一次之后，ERP 选型时的需求会清晰得多，也更容易判断供应商说的"支持补货预测"到底是什么水平。
这是我见到最多的情况。建议分三步走，不要一次性重构。
这个路径的关键在于第三步之前不要买工具。流程没跑顺就上工具，只会把混乱自动化。
这个阶段的瓶颈通常在数据整合和分析层。ERP 记录是完整的，但做跨平台分析需要大量人工取数。这时引入分析层工具（如数跨境这类跨境电商数据分析与看板工具）是合理的，因为它解决的是 ERP 不擅长的那一段。
实施时的优先顺序建议是：先接订单与库存，再接采购单与入库单，最后接促销日历。前两类接通之后，缺货率和周转天数就能算；后两类接通之后，才能做真正的偏差归因。很多项目卡在第二类就上线看板，结果是能看结果、不能改动作。
这类团队的瓶颈通常不在数据，而在组织权责。补货参数由谁定、谁有权改、改了谁负责，这三件事如果没定清楚，再好的数据体系也会退化。
我的建议是建立参数变更的审批与记录机制，并把复盘的验证责任明确到岗。没有验证责任的复盘，会在三个月内自然消亡。
任何复盘机制都涉及取舍，没有一种做法在所有条件下都最优。下面四组取舍是我在实践中反复遇到的，我给的是判断依据，不是标准答案。
判断依据看两点：SKU 数量和分析频次。SKU 在 500 以内、复盘频次月度，Excel 加基础 ERP 报表通常够用，自建的灵活性反而更高。SKU 超过 1000 或多平台超过 5 个，人工取数的边际成本会快速上升，这时工具投入的回收周期通常在 3 到 6 个月。
但要注意一个前提：工具能省的是取数时间，不是判断时间。如果团队还没有人能做出归因判断，买工具只会让"没结论的报表"出得更快。
日、周、月、季四个节奏的定位完全不同，不要试图用同一个节奏解决所有问题。下面这张对比图是我给团队做节奏设计时常用的判断依据。
如果只能保留一个节奏，我建议保留周复盘。它的时效性和可执行性都较高，且能在问题扩散前介入。月复盘往往是"总结会"，周复盘才是"干预会"。
SKU 分层的意义就在这里。我用的分层逻辑是两维：销售额占比（ABC）和销量波动系数（XYZ）。
| 分层 | 特征 | 复盘方式 | 复盘频率 |
|---|---|---|---|
| AX / AY | 高销售额，销量稳定或中等波动 | 完整三层归因，人工深度复盘 | 周 + 月 |
| AZ | 高销售额，销量波动极大 | 完整归因 + 需求侧重点分析，考虑建立独立预测规则 | 周 + 月 |
| BX / BY | 中等销售额，波动可控 | 简版归因，只记偏差与动作 | 月 |
| BZ / CZ | 中低销售额，波动大 | 阈值告警，超限才复盘 | 触发式 |
| C 类长尾 | 低销售额占比 | 合并为同类目批量管理，不单独复盘 | 季度抽查 |
这个分层动态更新，通常按季度重算。我在实操里见过的一个常见错误是分层一成不变，结果有些 SKU 已经成长为核心品类，却还在按长尾规则管理，补货长期滞后。
自动化适合做的是：口径固定、逻辑确定、重复频率高的工作，比如报表生成、阈值告警、偏差计算、留痕记录。人工适合做的是：涉及外部信息、权衡和取舍的判断，比如新类目首单、大促备货、供应商切换。
把自动化当决策替代品，会带来一种更危险的问题：错误被系统性地放大。因为自动补货会一致地执行同一个错误参数，人工补货至少还有随机性来对冲。这也是我坚持保留人工覆盖入口、并要求记录覆盖原因的原因，覆盖记录本身就是最好的参数改进依据。
最后说一个不太技术、但很现实的取舍。补货复盘一旦认真做，几乎必然会把过去积累的一些问题暴露出来，包括库存准确性、供应商履约、促销计划同步等。如果组织内部对这些问题的容忍度低，复盘推进会遇到阻力。
我的经验做法是先选一个影响面小、配合度高的类目做试点，跑出可展示的结果后再扩围。用局部证据推动组织变革，比用方法论说服组织变革，成功率高得多。
回到最开始那个问题：跨境 ERP 实施路径里，采购补货的数据复盘到底该复什么。我的答案是，复的是"决策"而不是"结果"，做的是"口径，指标，归因，留痕"这四层，产出的是一条被修改过并且能被验证的参数。
这套东西听起来不复杂，但真正难的地方在于顺序。跳过口径直接做分析，会陷入对数；跳过归因直接改参数，会变成随机调整；跳过留痕直接开会，会让人走了逻辑也走。这四层里，第一层和第四层最不性感，却决定了另外两层有没有意义。
如果你现在就要动手，我建议的最小启动清单是四条：选一个类目（不超过 100 个 SKU）、定一个月度周期、盯三个指标（缺货率、实际采购提前期、滞销占比）、建一张归因表（现象、层级、证据、下次动作）。先跑一个完整周期，再决定要不要扩围、要不要上工具。
至于工具，我的判断标准很简单：它能帮你省掉多少"确认数字"的时间，而不是它能生成多少张图表。省下来的时间能不能被用在归因讨论上，才决定了这笔投入值不值。分析层工具（比如数跨境这类跨境电商数据看板工具，官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）解决的问题是把口径固化、把取数自动化，它替代不了你对品类和供应链的判断。
最后提醒一句：任何指标基准值都要按自己的类目和历史数据自建。别人类目的"健康周转天数"套到你身上，大概率是误导。复盘这件事没有通用答案，只有属于你自己生意的那一套参数。
我们这边多平台多店铺，亚马逊、Shopee、TikTok Shop都在跑。月底拉库存报表的时候，运营说销量是这个数，采购说是另一个数，仓库给的可用库存又不一样，会开两小时最后没结论。我就想知道到底该先统一哪几件事，不然每次复盘都在吵数据。
先统一三组口径，再谈分析。第一组是时间口径：各平台时区不同，下单时间和付款时间也可能跨天，统计截点要固定为按站点当地时区自然日切，或统一折算到北京时间，二选一并写进报表说明。第二组是数量口径：可用库存要明确定义为实物库存减去已锁定订单，是否加回在途、是否预扣安全库存都要标注；
退货是否回冲销量、赠品和样品是否占用库存，也提前定死。第三组是归属口径：SKU与仓库、店铺、站点的映射关系，多平台同款是用父SKU合并看还是按子SKU分开看。这三组口径最好落在ERP的字段和报表说明里，而不是留在Excel批注或某个人脑子里。
判断标准很简单：换一个人来拉数，结果和上次一致，口径就算统一了；不一致的地方，就是复盘失效的起点。
我们老板只看周转率，快了就夸，慢了就骂。结果采购为了数据好看，把该补的货压着不补，旺季直接断货，回头又被说缺货率太高。我现在很困惑，到底该拿哪几个指标一起看，才能既不被单一数字带偏，也能跟老板解释清楚。
周转率单独看一定会被刷。它有两种做好看的方式：压库存，少备货、周转快但缺货；清货打折，周转快但毛利烂。所以要按需求侧、供应侧、库存侧三组搭指标，每组回答不同问题。需求侧看销量、预测偏差率（实际销量与补货时预测量之差除以预测量）、售罄率；供应侧看实际采购提前期与计划提前期的差、补货及时率、订单满足率；
库存侧看周转天数、缺货率、滞销占比（例如90天无销量SKU占比）、库龄结构。至少要凑齐一个效率指标、一个缺货指标、一个结构指标，缺任何一个都会被单点优化。基准值不要抄网上的通用数字，类目差异极大，正确做法是拿自己过去6到12个月的滚动数据做基线，用自身分位值的中位数作为目标线。
我们上月一款爆款断货两周，运营说采购没备够，采购说供应商交期拖了，供应商说我们下单太晚。最后互相甩锅，谁也没改。我想知道有没有一套拆解方法，能把补错了落到具体某一层，下次真的能改。
把偏差拆成三层，逐层用证据排除。第一层是需求判断错：看补货决策当时用的预测量和实际销量的偏差率，如果偏差超过正负三成，且期间没有促销、季节波动或平台流量结构变化，基本是预测方法或参数问题；如果有大促、达人带货、平台流量倾斜，说明预测没纳入这些因子，属需求侧归因。
第二层是供应执行错：核对采购下单时间、供应商承诺交期、实际到货时间、头程时效、入仓上架时间，任何一环超出计划且超出量能解释缺货天数，就是供应侧问题。第三层是数据与流程错：口径变更、库存账实不符、安全库存或补货点参数没随销量更新。
做法是建一张归因表，字段包括现象、所属层级、支撑证据、下次动作、责任人、复盘日期。关键原则是一个现象只归一层主因，其余记为次因，否则永远拆不清。真正能快速改的是第二层和第三层的执行参数，第一层只能提高预测准确度，不可能彻底消除。
我们团队现在要么不复盘，要么一复盘就把几百个SKU全拉出来看，会开三小时，开完也没人记得上次为什么补这批货。采购一离职，之前怎么算的安全库存全没了，新人从零开始。我想问有没有更省力的做法。
节奏和SKU分层必须绑在一起。常规做法是日看异常，包括缺货告警、订单满足率突降、库存账实不符；周看执行，包括补货及时率、在途到货偏差；月看偏差，包括预测偏差率、售罄率、滞销占比；季看规则，也就是安全库存、补货点、最小起订量、供应商交期参数是否需要重设。
SKU按ABC和XYZ交叉分层：A类高销值做月度深度复盘，B类只做阈值告警加季度回看，C类长尾走批量规则、只在异常时介入，这样能把复盘量从几百个压到十几个。防人员流失靠决策日志：每次补货留一条记录，包含补货时点、当时用的销量与在途与安全库存参数、审批人、预期到货和预期销量。
下次复盘直接拿这条记录对照实际结果，归因就不用靠回忆。这些字段如果能固化进ERP的采购单和参数变更日志，复盘就从某个人的经验变成系统的留痕；如果暂时做不到，先用共享表格固定字段跑起来，也比不做强。
读者评论
作为运营，最有共鸣的是缺货率和周转率要一起看。我们之前也出现过周转天数变好但断货增加，后来把订单满足率放进复盘才看清问题，单看周转确实容易误判。
从采购角度看，口径不统一太真实了。同一个SKU运营、采购、仓库数量对不上，会前对数半小时，复盘根本推进不了。先把净销量、退货回冲、赠品规则定清楚更重要。
ERP实施顾问视角：ERP不是分析师这个定位很准。系统能固化口径和自动留痕，但补货参数怎么调仍依赖业务判断，实施前要先明确参数变更流程和责任人。
小卖家计划员角度：全量SKU复盘不现实，ABC/XYZ分层和阈值告警更可落地。SKU多的时候只能抓高销售额且高断货风险的部分深挖，长尾做告警。
管理者视角：复盘最小产出物里参数变更记录和责任人是关键。没有留痕，人一走逻辑就断，新人重建成本高，还容易重复缺货或压货。