2023 年下半年，我帮一家做家居品类的亚马逊卖家梳理供应链。他们当时月销大约 40 万美金，在售 SKU 1200 多个，用某主流跨境 ERP 已经一年半，但采购补货依然靠一张七个人共享的 Excel。采购主管跟我说了一句话，我记到现在：“系统里的智能补货建议我看了三天，就再也不敢用了。”
我问她为什么。她说，系统给某个 SKU 的建议补货量是 2400 件，但她知道这款产品下周要上一档秒杀、供应商在春节前要停线十二天、海外仓还有一批去年压下来的旧包装库存没清掉。这三件事，ERP 里一件都没体现。
这不是 ERP 的问题，也不是采购主管的问题。这是绝大多数跨境卖家在做采购补货自动化时踩的同一个坑：把补货自动化理解成“系统里有没有那个按钮”，而不是“我把判断变成了哪些规则”。
下面这套框架，是我在十多个跨境团队里反复调整后留下来的版本。它不推销任何一套系统，也不承诺零断货。它只回答一个问题：采购补货自动化到底由哪几层组成，每一层的输入输出是什么，你现在这个阶段应该先做哪一层。
采购补货自动化的本质，是把人脑里那些“凭经验拍”的判断，拆成可以输入、可以计算、可以复核、可以迭代的规则。系统只是规则的执行器。
所以你会看到一种很常见的错位：团队花三个月选 ERP、比价格、谈合同，上线后发现补货该断还是断，该压还是压。因为真正决定结果的东西，参数、数据口径、异常处理，一个字都没讨论过。
补货日历解决的是“什么时候看”，智能建议解决的是“大概补多少”，但这两件事加起来，连补货决策的一半都不到。上游的数据源、中游的规则设计、下游的复盘机制，缺任何一层，自动化都会退化成“自动生成一堆没人敢用的数字”。
数据层要解决的是四个数字的对齐：可用库存、在途库存、待入库库存、已锁定库存。听起来简单，实际上这是最容易出错的一层。
多平台卖家的真实情况往往是：亚马逊 FBA 有货、独立站海外仓有货、国内工厂有货、头程在途有货、上一批还在清关。这五个位置的数据分散在三到五个后台里，更新频率各不相同。如果这四个数字对不齐，后面所有算法都是在错误的数字上做精确计算。
预测层不需要追求高准确率。我服务过的团队里，能把周维度预测的平均绝对偏差控制在 25% 以内，就已经足够支撑补货决策了。
真正需要处理的是波动结构：这款产品是稳定款、季节款，还是靠广告驱动的爆款？稳定款可以用移动平均，季节款必须做同比，广告驱动的爆款则要直接看广告投放计划，因为销量是被投放预算推出来的，不是被历史数据推出来的。
规则层是整套体系里最值钱的一层，也是最容易被忽略的一层。它包含至少五个参数：安全库存天数、补货点、单次补货量、供应商最小起订量（MOQ）、供应商交期。
这五个参数之间是互相影响的。你把安全库存天数从 20 天提到 35 天，缺货率会下降，但库存周转天数会上去，资金占用会同步增加。参数设计不是找最优解，是在你的现金流能承受的范围内找平衡点。
执行层是把规则变成动作的地方，也就是补货日历和采购计划真正发挥作用的地方。它要处理的是节奏和协同，不是计算。
哪些 SKU 这周必须下采购单、哪些可以等下周凑单摊薄运费、哪些需要走空运补急单、哪些需要请供应商插单，这些都是执行层的决策。
复盘层最容易被跳过，因为大家都忙着救火。但没有复盘层，参数就永远不会更新，规则会随时间推移慢慢失效。
复盘层至少要能回答三个问题：上月缺货的 SKU，是预测偏低还是交期延迟？上月滞销的 SKU，是预测偏高还是渠道没打起来？紧急采购的次数，是偶发还是结构性问题？
补货日历本质上是一个提醒工具。它的价值在于把“这周该补哪些 SKU”这件事变成固定动作，让运营、采购、仓库三方在同一张表上对齐。但日历自己不知道库存有多少，也不知道交期多长，它只是把规则层算出来的结果按时间排好。
智能补货建议则是一个计算工具。它根据历史销量和当前库存反推建议补货量。问题在于，它的输入取决于数据层是否完整，它的参数取决于规则层是否设计过，它的输出是否需要人工复核取决于异常管理是否建立。
把日历当成方案，你会得到一张漂亮但没人执行的表；把建议当成答案，你会得到一堆看起来精确但不敢用的数字。两者都是五层架构里的零件，不是架构本身。
这是我见过最贵的一种失控。一个正在起量的 SKU 断货两周，广告还在投，listing 排名往下掉，等货到了要重新爬坡。
更麻烦的是连锁反应：断货导致销量下滑，系统一看销量下滑，下个月的智能补货建议也跟着下调，于是补得更少，形成负向循环。断货型失控的可怕之处不在于丢掉的销售额，而在于它会把预测模型一起带偏。
这类失控的根因通常是两个：一是安全库存天数设置过低，二是供应商交期波动没有被纳入参数。很多团队用的交期是供应商承诺的 30 天，但实际历史交期均值是 38 天，波动区间在 25 到 55 天。
压货型失控去年在跨境圈特别普遍。海运周期拉长的时候，很多团队为了保供，把单次采购量直接翻倍，结果旺季没过完，货物集中到仓，仓储费、长期仓储费、清货折扣一起上来。
我见过一个团队，滞销库存占到了总库存的 34%，占用资金接近 180 万人民币。他们的库存周转天数从 68 天涨到了 121 天，但缺货率并没有明显改善，因为压的货和缺的货不是同一批 SKU。
压货和缺货经常同时发生在同一家公司、同一个仓库里。这不是矛盾，这是参数没有分层的结果：所有 SKU 用同一套安全库存规则，必然导致好卖的缺、难卖的压。
急单型失控的团队通常不缺货也不压货，但他们的采购成本永远比同行高。因为他们的补货动作总是滞后，等到库存见底才反应，只能走空运或者接受供应商的加急加价。
一个做服饰配件的卖家给我算过账：他们一年空运补急单 27 次，平均每次空运费比海运高 1.8 万人民币，一年接近 50 万。这 50 万如果拿来做安全库存的资金占用，按 90 天周转算，足够支撑大约 200 万的备货规模。
急单型失控的根因几乎都是执行层缺失：没有固定的补货节奏，没有采购日历，采购单靠“感觉快没了”来触发。
把这三类摊开看，你会发现它们指向同一个问题：团队在用同一个动作应对三种完全不同的风险。
断货型失控需要的是提高预测置信度和安全库存；压货型失控需要的是分 SKU 分级参数和清货机制；急单型失控需要的是把补货动作提前到固定节奏里。用一套“统一的安全库存天数”去覆盖所有场景，结果必然是三种病一起得。
补货日历最容易被误解成“有了它就能自动补货”。实际上它只做了一件事：把补货这件事从随机动作变成固定动作。
我见过团队把补货日历设置得非常细致，每天、每周、每月都有提醒，但日历里的补货量还是人工填的。这种情况下，日历带来的唯一收益是“不容易忘”，并没有解决“补多少”的问题。
补货日历真正该承载的是节奏管理：周一确认在途到仓情况，周三跑补货建议，周四提交采购申请，周五完成审批并下单。它是流程的时间轴，不是决策的计算器。
智能补货建议不敢用，通常不是算法不行，而是输入不可信。
我做过一次测试：把同一个 SKU 的数据分别用 ERP 建议和人工判断跑一遍，差异达到 40%。深挖之后发现，ERP 里这款 SKU 的在途库存没有登记，而人工判断时把这批货算进去了。不是算法错了，是数据没进去。
所以判断一个智能补货建议能不能用，第一件事不是看它算得准不准，而是看它读取的数据源覆盖了哪些仓、哪些平台、哪些在途批次。
这是最普遍也最隐蔽的误区。很多团队在上线 ERP 的时候，按当时的交期和销量设定了一套参数，然后两年没有改过。
但现实是：供应商换了、海运时效变了、平台仓储规则变了、产品从新品期进入了成熟期。参数不动，规则就必然偏离现实。
我的建议是把参数复核写进固定的月度动作，和补货复盘会放在一起。参数不是一次性配置，是需要维护的资产。
库存周转天数是一个结果指标，它不能告诉你风险在哪里。同样是 60 天周转，一款交期稳定在 15 天的产品，和一款交期在 30 到 70 天之间波动的产品，风险完全不是一个量级。
我在做参数设计时，会强制要求采购提供每个供应商的历史交期分布，不只看平均值，还要看 P90 分位数。补货的安全库存应该覆盖交期的波动，而不只是交期的均值。
采购补货本质上是运营、采购、仓储三个部门的交接点。运营知道销售节奏和新品计划，采购知道供应商产能和排期，仓储知道实际到货和质检情况。
这三块信息如果在三个 Excel 里，补货决策就一定失真。我见过最典型的场景是：运营准备了两个大促，但没有同步给采购；采购按照常规节奏下单，大促前一周库存告急，只能空运。
不要一上来就谈算法。先把下面七个字段的获取方式确认清楚，能做到每天自动更新，数据层就算及格了。
这七个字段里，第 5 项和第 7 项最常缺失。第 5 项缺，安全库存就只能拍脑袋；第 7 项缺，大促前必然误判。
我从来不建议跨境团队一开始就上复杂的预测模型。理由很实际：数据量不够、促销节奏不规律、新品占比高，模型很难稳定。
更实用的做法是按 SKU 分层：
这套分层方法看起来粗糙，但它的可解释性极强。当预测出现偏差时，你能立刻定位到是哪一层的假设错了，而不是面对一个黑箱模型束手无策。
规则层的核心是两个公式。第一个是安全库存：
安全库存 = Z × √(交期天数) × 日销量标准差
其中：
Z = 服务水平系数（95% 服务水平对应 1.65）
交期天数 = 供应商历史交期均值（不用承诺交期）
日销量标准差 = 近 8 周日销量的标准差
示例：
交期均值 38 天，日销量标准差 4.2 件，服务水平 95%
安全库存 = 1.65 × √38 × 4.2 ≈ 42.7 件
第二个是补货点：
补货点 = 日均销量 × 交期天数 + 安全库存
建议补货量 = max(
补货点 + 覆盖天数 × 日均销量 – 可用库存 – 在途库存 – 待入库库存,
MOQ
)
其中：
覆盖天数 = 你希望一次补货覆盖多少天（通常取 30 到 60 天）
MOQ = 供应商最小起订量
示例：
日均销量 12 件，交期 38 天，安全库存 43 件，覆盖天数 45 天
可用库存 180 件，在途 0 件，MOQ 300 件
补货点 = 12 × 38 + 43 = 499 件
建议补货量 = 499 + 45 × 12 – 180 = 859 件 → 取 900 件（凑整）
这里有一个容易被忽略的细节：交期天数必须用历史实测均值，不能用供应商承诺值。我做过统计，供应商承诺交期与实际交期的差距，在新供应商身上普遍在 20% 以上。
我不建议把补货日历做成“每天提醒”。频率太高会让团队麻木，最后没人看。我的做法是按三个节奏设计：
这套节奏的关键是：日常只看异常，不看不异常的东西。一个所有 SKU 都提醒的日历，等于没有提醒。
复盘层不需要复杂，四个指标就够，但必须连续看趋势而不是看单点。
| 指标 | 口径 | 健康区间参考 | 异常时先查什么 |
|---|---|---|---|
| SKU 缺货率 | 当月发生缺货的 SKU 数 ÷ 在售 SKU 数 | 3%-8% | 先查安全库存天数，再查预测偏差 |
| 库存周转天数 | 平均库存 ÷ 日均出库成本 | 按品类差异大，看趋势 | 先查滞销 SKU 占比，再查覆盖天数 |
| 紧急采购占比 | 紧急采购金额 ÷ 总采购金额 | 低于 10% | 先查补货节奏是否固定，再查交期数据 |
| 采购计划变更率 | 下单后修改或取消的采购单 ÷ 总采购单 | 低于 15% | 先查跨部门信息同步机制 |
这四个指标里，我最看重的是采购计划变更率。它直接反映了前端信息向后端传递的质量。变更率高，说明要么预测在乱跳，要么运营的大促和新品计划没有提前同步。
2024 年初，我参与了一家做户外配件的跨境团队（下称 A 团队）的补货体系调整。他们在亚马逊美国站和独立站同时销售，主力 SKU 大约 260 个，供应商集中在浙江和广东，平均交期 35 天，旺季能到 55 天。
调整前的情况：整体缺货率 11.4%，滞销库存占比 21%，一年紧急空运 19 次。采购团队 3 个人，每周花在整理库存报表上的时间大约 14 小时。
我们先做了数据层梳理，把 FBA、独立站海外仓、国内仓、头程在途四块数据合并到一张SKU级的库存总表上。这一步花了大约 3 个人天。
然后是参数分层。我们把 260 个 SKU 按近 8 周销量和波动系数分成四组，每组用不同的安全库存规则：
| SKU 分组 | SKU 数量 | 日销波动系数 | 安全库存天数 | 覆盖天数 | 服务水平 |
|---|---|---|---|---|---|
| A 组：稳定畅销 | 48 | 低于 0.3 | 25 天 | 45 天 | 95% |
| B 组：稳定长尾 | 112 | 0.3-0.6 | 35 天 | 60 天 | 95% |
| C 组：高波动 | 63 | 高于 0.6 | 45 天 | 30 天 | 97% |
| D 组：新品与清仓 | 37 | 不适用 | 固定 15 天 | 20 天 | 不适用 |
注意 C 组的设计逻辑：高波动产品用更高的安全库存、更短的覆盖天数。因为它们的销量随时可能跳变，一次补太多容易压货，但库存太低又容易断，用小批量高频次来对冲波动是最稳的。
以 A 组中一款代表 SKU 为例，参数如下（销量数据已做脱敏处理，仅用于说明计算逻辑）：
第一步：算安全库存
安全库存 = 1.65 × √34 × 19 ≈ 182 件
第二步：算补货点
补货点 = 86 × 34 + 182 = 3106 件
第三步：算建议补货量
覆盖天数 = 45 天
建议补货量 = 3106 + 45 × 86 – 1420 – 0
= 3106 + 3870 – 1420
= 5556 件
第四步：约束条件修正
MOQ = 500 件，5556 > 500，无需上调
按包装规格 20 件/箱凑整 → 5560 件
最终采购建议：5560 件
第五步：异常检查（人工环节）
是否有大促计划？有 → 覆盖天数临时提到 60 天
是否有供应商停线？无
是否有新品替代？无
修正后建议量：5560 + 15 × 86 ≈ 6850 件
这个例子最关键的地方在第五步。系统算出 5560，人工校验后变成 6850，这 1290 件的差额就是“系统暂时替代不了的部分”。承认这部分存在，并把它设计成一个固定的复核动作，比强行让系统去猜更可靠。
三个月后，A 团队的几个核心指标变化如下：缺货率从 11.4% 降到 4.8%，滞销库存占比从 21% 降到 13%，紧急空运从一年 19 次降到 6 次，库存周转天数从 78 天升到 86 天。
周转天数升了，这看起来是负面的。但把账算清楚：周转天数增加带来的资金占用成本，大约每月 2.4 万元；而减少的 13 次空运，按每次 1.8 万元算，一年省下约 23 万元；缺货率下降带来的销售恢复，保守估计每月 8 万元以上。
补货优化从来不是让所有指标都变好，而是让总账变好。如果有人说用了某套方案后断货率和周转天数同时大幅下降，你应该问他要口径。
早期我试图让团队完全依赖 ERP 的库存报表做补货决策，结果卡在两个地方。
第一是跨平台。ERP 通常对一个平台的库存和在途管理比较完整，但当你要把亚马逊、独立站、TikTok Shop 的数据合到一张 SKU 表上时，字段口径就打架了：有的按 SKU 统计，有的按 MSKU，有的把组合装拆开算。
第二是灵活性。补货参数需要反复调，每次调整都想看“如果安全库存提到 40 天会怎样”。ERP 的标准报表改不了，找供应商定制又要排期。
我的结论是：ERP 负责交易和流程，数据层单独用一个分析工具来做。两层分工，各自做自己擅长的事。
我目前的做法是用数跨境承接补货链路的“上游证据层”。它的官网是 https://shukuajing.jiushuyun.com/，定位是跨境电商的数据分析与经营看板工具。
具体到采购补货，我用它解决三个问题：一是把多个平台、多个仓库的库存与销量数据合并到 SKU 级别的统一口径；二是把安全库存、补货点、覆盖天数这些参数做成可调项，改一个数字就能看到缺货率和资金占用的变化；三是把补货建议的计算过程可视化，让采购团队能看到“这个数字是怎么来的”，而不是只看到一个结果。
第三点我认为最重要。采购团队不敢用系统建议，八成是因为看不到计算过程。当每一个建议量都能点开看到它的输入数据和公式，信任度会立刻不一样。
把 FBA 可用、海外仓可用、国内仓可用、头程在途、待入库五个口径并列展示，每行一个 SKU，最后给出“总可用天数”。这块看板解决了“我到底有多少货”的对齐问题。
按 SKU 分组设置安全库存天数和覆盖天数，然后实时算出预计缺货率和预计资金占用。这块看板是我们开参数会时的主要工具，改一个滑块就能看到结果变化。
按供应商展示历史交期的均值、P50、P90 和最近三个月的趋势。这块看板的数据来自采购团队每批货的实际到仓记录，我要求每批必录，否则安全库存的计算就是空的。
每月自动汇总缺货 SKU 清单、滞销 SKU 清单、紧急采购次数和采购计划变更率，并关联到具体责任人。这块看板的作用不是考核，是让复盘会有据可依。
我不是说所有团队都要这么做。如果你的情况符合下面几条，用 ERP 自带报表就够了：
但只要你的团队跨了两个以上平台，或者 SKU 超过 300 个，或者交期波动明显，数据层的独立搭建就是值得的。补货决策的质量上限，是由数据层的完整性决定的。
这个阶段不要买复杂系统，也不要做精细预测。你的核心任务是建立两个习惯：固定补货节奏、记录关键参数。
具体做法：先用 Excel 建一张 SKU 级库存表，每周固定一天更新；给每个 SKU 手动标一个安全库存天数，先按品类粗分三档；把供应商的交期记录到每一批采购单上，积累三个月就能算出真实交期。
这个阶段最大的风险不是补货不准，而是没有留下可用的历史数据。等你成长到需要自动化的阶段，没有历史交期和销量数据，一切都要从零开始。
这个阶段是补货自动化收益最明显的区间。SKU 数量已经超过人工记忆的边界，但团队规模还没有到需要复杂协同的程度。
我建议的推进顺序是：先做数据层对齐，再做参数分层，然后固定周补货节奏，最后才考虑接不接 ERP 的智能建议。这个顺序不要跳。
判断标准很简单：如果采购团队每周花在整理数据上的时间超过 8 小时，说明数据层必须先做；如果缺货 SKU 里有一半是“本来应该提前发现”的，说明补货节奏必须先固定。
这个阶段光有补货规则是不够的，你需要引入调拨逻辑和仓间平衡。同一个 SKU 在 FBA 缺货、在海外仓有货的情况下，是调拨还是新采购，需要单独的一套判断规则。
调拨决策要考虑的因素比补货更复杂：调拨时效、FBA 入仓时效、海外仓操作费、调拨后的库存水位、以及调拨期间的销售损失。我一般建议把调拨的触发条件写成明确规则，比如“FBA 可用天数低于 10 天且海外仓可用天数高于 45 天时触发调拨评估”。
这个阶段还需要建立供应商分级机制。核心供应商要谈产能预留和交期承诺，非核心供应商保持比价关系就够了。把所有供应商同等对待，结果一定是关键时候没人给你插单。
按投入产出比排序，我会把下面四项排在最前面。
下面这些事有价值，但不是第一优先级。
有几件事我看到过很多团队在做，但基本是浪费。
第一件是买功能最全、模块最多的系统。补货自动化的瓶颈从来不在功能数量，而在数据质量和参数设计。功能再全，参数没调过，结果一样不准。
第二件是追求全 SKU 覆盖。长尾 SKU 占你 80% 的管理精力，却只贡献 10% 的销售额。对这些 SKU，用统一保守参数加人工兜底就足够了，不要给它们做精细预测。
第三件是让算法替代判断。补货这个动作里，永远有一部分是系统算不出来的，大促计划、供应商关系、包装改版、竞品动作。把这部分固化成一个简短的人工复核清单，比试图让算法覆盖它要现实得多。
目标只有一个：产出一张能让采购、运营、仓储三方都认可的 SKU 级库存总表。表格里至少包含可用库存、在途库存、待入库库存、近 8 周销量五列。
这一周不要做任何计算。先把数字对齐，确认每个字段的取数口径和更新频率。如果有争议，就以“最保守的口径”先跑起来，后面再修。
按销量和波动系数把 SKU 分成三到四组，每组给一套安全库存天数和覆盖天数。不要追求精确，第一版参数只要“大致对”就够了。
同时把供应商交期数据整理一遍。如果历史数据不全，先用承诺交期加 20% 的缓冲系数顶上，后续再替换成实测值。
开第一次正式的周补货会。会议输出必须是一份明确的采购建议清单，包含 SKU、建议补货量、预计到仓日期和责任人。
这一周的目的不是把补货量算准，而是把流程走通。让每个参与者知道自己在这个流程里的位置。
第一次复盘看三个数字：过去一周产生的缺货 SKU、过去一周的滞销 SKU、过去一周的紧急采购次数。然后回答一个问题：这三个数字里，有多少是可以通过调整参数避免的。
30 天做不到自动化，但足够建立一套能自我迭代的流程。自动化是在这套流程跑顺之后自然长出来的，不是先有了系统再长出流程。
如果你正在选 ERP 或补货工具，下面十个问题建议逐条问清楚，不要接受“这个功能我们有”这种回答。
| 序号 | 问题 | 为什么要问 |
|---|---|---|
| 1 | 能不能按 SKU 合并多个平台和多个仓库的库存？ | 决定数据层能不能独立成立 |
| 2 | 在途库存和待入库库存是分开管理的吗？ | 很多系统把两者合并，导致补货量算重 |
| 3 | 安全库存和覆盖天数能不能按 SKU 分组设置？ | 决定参数分层的可行性 |
| 4 | 供应商交期能不能按批次记录并计算 P90？ | 决定安全库存是否覆盖波动 |
| 5 | 补货建议能不能看到完整的计算过程？ | 决定采购团队敢不敢用 |
| 6 | 补货建议能不能人工调整并留痕？ | 决定异常管理有没有抓手 |
| 7 | 采购单审批流能不能自定义？ | 决定流程能不能落地 |
| 8 | 采购计划变更率、紧急采购占比这类指标有现成报表吗？ | 决定复盘层能不能自动跑 |
| 9 | 数据能不能导出到外部分析工具？ | 决定你以后能不能独立搭数据层 |
| 10 | 参数修改有没有历史版本记录？ | 决定出错时能不能回溯 |
这十个问题里，第 5 问和第 9 问是我最看重的。第 5 问关系到团队信任，第 9 问关系到你未来有没有议价空间。一个不允许你把数据导出来的系统，等于把你锁死在里面。
回到开头那位采购主管。她不用系统建议，不是因为系统不好，是因为系统看不见她看见的东西，大促、停线、旧包装清仓。而这些信息，本来就不该指望算法去猜。
我在这篇文章里想表达的核心判断是：采购补货自动化的上限，取决于你把多少隐性判断显性化成了规则。数据层让规则有据可依，参数层让规则有边界，执行层让规则变成动作，复盘层让规则能自我修正。这四件事做不到，买再贵的系统也只是把手工 Excel 搬到了网页上。
如果你现在就要动手，我的建议是按这个顺序走：这周先把 SKU 级库存总表对齐，下周把参数粗分三档，第三周开第一次周补货会，第四周做第一次复盘。四件事加起来不到 10 人天，但它决定了你后面所有工具的落地效果。
至于工具，我个人的选择是把数据层单独放在数跨境这类分析工具上做，让 ERP 专注在流程和交易上，两层各司其职。这个选择不一定适合所有人，但它背后的逻辑是通用的：先想清楚每一层要解决什么问题，再去决定用谁来解题。
补货这件事没有终点。参数会随着供应商、渠道、品类变化不断偏移，你需要做的不是找一个一劳永逸的方案，而是建立一套能让偏差被及时发现、及时修正的机制。这套机制跑起来的那天，你才算真正掌握了自动化方案里的采购补货。
我们团队用了 ERP 一年多，后台的智能补货建议和补货日历都有，但我一直没搞清楚该先抓哪个。运营天天催着上自动化，采购又怕系统给的建议不准，我自己也担心一上来就依赖算法结果反而出乱子，想先搞清楚落地顺序。
先把补货日历跑顺，再逐步放开智能补货建议的权限。补货日历解决的是“什么时候该看、谁来看、看完做什么”，属于节奏和提醒层，不依赖算法准确率，落地风险最低；智能补货建议依赖销量预测、交期、安全库存等参数，参数没校准前给出的建议值参考意义有限。
可执行的做法是：第一周只做日历节点设计，固定每周一次补货评审、每月一次采购计划会，把断货预警、在途延迟、待入库异常挂在对应节点上；第二周开始用系统建议值做对照，但不直接下单，人工记录每次偏离建议值的原因；
连续跑 4 到 6 周后，如果建议值和人工判断的偏差集中在少数参数上，再去调安全库存天数、交期、MOQ 这些规则。判断依据是偏差原因是否收敛：如果每周偏离原因都不同，说明数据层和参数层还没准备好，这时候放开自动下单只会放大错误。
我负责采购执行，看 ERP 里既有补货日历又有采购日历，功能看着很像，都是日历上标日期。我不确定这两个是不是重复功能，如果只维护一个会不会漏事，两个都维护又怕重复劳动，想搞清楚各自的定位。
两者管的是不同的时间维度，不建议合并。补货日历管的是“补货决策节点”，回答的是某个 SKU 或某个仓库什么时候需要触发补货评审，关注的是可用库存、在途、待入库和覆盖天数是否跌破阈值；
采购日历管的是“采购执行节点”，回答的是采购单什么时候下、供应商什么时候确认、预计什么时候到仓，关注的是采购单状态和交期履约。落地时可以这样分工：补货日历按周或按日滚动，用来看哪些 SKU 进入补货窗口；采购日历按采购批次排期，用来跟踪已下采购单的到货节奏和延期风险。
判断是否需要拆开的依据是责任人和动作不同：补货决策通常由运营或计划岗发起，采购执行由采购岗推进，如果合并成一个日历，容易出现决策没做但单已下，或者单下了但没人跟到货的情况。小团队人手少时可以在同一个表里用不同颜色或标签区分，但节点逻辑要分开维护。
我们 SKU 有两百多个，采购交期不一样，之前手工补货经常靠感觉。现在 ERP 会给建议补货量，但我发现有些 SKU 给的建议明显偏大，有些又偏小，我不敢直接按它下单，又不想每个都手工重算，想知道有没有一套验证方法。
不要直接按建议下单，先做偏离归因再决定是否采信。
验证方法分三步：第一步做口径核对，抽 10 到 20 个 SKU，把系统建议值和你手工按公式算出的值对比，公式用“建议补货量 = 覆盖天数内预测销量 + 安全库存 – 可用库存 – 在途库存 – 待入库库存”，如果两边差异大，先查数据是否完整，比如在途和待入库有没有漏录、销量是否掺入了促销或一次性大单；
第二步做参数核对，重点看安全库存天数、采购交期、MOQ、供应商起订量设置是否和实际一致，交期在系统里填 15 天、实际到货 30 天，建议值一定偏小；第三步做偏差记录，连续 4 周记录每次人工调整的原因，按原因归类，如果偏差集中在交期和促销这两类，说明是参数问题不是算法问题，调完参数再观察。
判断能不能采信的临界点是：连续 4 周人工调整比例降到两成以内，且调整原因可解释，这时候才考虑把建议值作为下单基准，同时保留人工审批和例外处理，对断货影响大、货值高的 SKU 坚持逐单复核。
我们是五六个人的小团队，亚马逊加独立站一起做，SKU 大概几十个，现在用 Excel 加提醒也能转。但每次旺季还是会出现断货和压货同时发生的情况，老板在犹豫要不要上一套 ERP，我担心买回来功能太重没人会用，反而增加工作量。
小团队不必一上来就上重型 ERP，但要先把补货规则表格化，再决定工具。
先做一张能自动算的表，字段至少包含：近 30 天日均销量、销量波动系数、采购交期天数、安全库存天数、可用库存、在途库存、待入库库存、MOQ，然后用公式算出覆盖天数和建议补货量，设置条件格式让跌破安全线的 SKU 自动标红，这张表能解决大部分日常补货判断。
判断是否升级到 ERP 的依据看三条：一是 SKU 数量或平台数量增长到手工维护每周要花两小时以上，二是出现多仓在途、跨平台库存共享这类 Excel 很难准确计算的情况，三是需要审批留痕和多人协同，比如采购下单要经过负责人确认。
三条里满足两条再考虑上系统，选型时重点问清楚数据能否批量导入导出、参数是否可调、异常建议能否给出可解释的原因，不要只看功能清单长短，功能多但参数不可调的系统对小团队反而是负担。
读者评论
作为采购主管，最有共鸣的是数据层。ERP建议算得再细，如果多平台在途、待入库和旧库存没对齐，采购根本不敢用。先把四个库存数字统一口径，比换系统更急。
运营角度：广告驱动的爆款确实不能只看历史销量，投放计划一改，销量结构就变了。我们后来把大促排期和广告预算提前同步给采购，断货后的负向循环才少了很多。
小团队别一上来追求全自动。五层里数据层和规则层投入低、见效快，先把安全库存、MOQ、交期这些参数定清楚，再谈智能建议。否则只是自动生成一堆不敢用的数字。
做ERP实施时发现，智能补货建议能不能用，关键看数据源覆盖了哪些仓、平台和在途批次。很多项目上线后还在用Excel，不是功能不够，而是输入数据没人维护。
压货和缺货同时出现，往往是所有SKU共用一套安全库存天数。应至少按销量稳定性和交期波动分层，交期看P90而不是均值，否则好卖的缺、难卖的压，周转天数好看也没意义。