去年 Q3，我帮一个做家居小件的团队复盘他们旺季的断货损失。他们的季度调研报告做了 42 页，选品逻辑、竞品拆解、关键词趋势一应俱全，会议纪要里清清楚楚写着"四个主推款"。结果到了旺季前三周，两个主推款断货，排名从前 30 掉到 100 开外；另一个款在海外仓压了 110 天，长期仓储费加上降价清货，把这一批的毛利吃掉了一半。调研没做错，补货也没人偷懒，问题出在这两件事中间少了一条翻译链，调研的输出物是形容词和结论，ERP 的输入物是数字和参数，两者从来没有真正对接过。
这篇文章不打算讲"ERP 能一键生成补货建议"这种厂商话术，也不打算重讲一遍安全库存的定义。我想把"采购补货与市场调研如何衔接"这件事拆成一条可执行的传导链：调研负责定方向，ERP 负责定节奏，实际销售数据负责纠偏。中间每一步需要翻译成什么参数、参数填错了会有什么后果、什么时候该改、什么时候不该改，我会用我自己跑过的参数和一个真实发生过纠偏过程的 SKU 来讲。
很多人把衔接理解成"市场部和运营部多开几次会"，这是把问题想简单了。真正的断点不在沟通频率，而在两种工作的时间尺度和输出语言根本不同。
市场调研服务于选品和季节布局，它的有效期通常是 1 到 2 个季度；采购补货是周级、月级的滚动决策；再往上叠加生产排期、头程运输、清关和入仓，整条链条的物理提前期往往是两个月起步。三种时间尺度叠在一起，如果你只做一次调研就指望它指导未来半年的每一次下单，那必然会错位。
我自己的经验是：调研的结论保质期，比大多数人想象得短得多。一个类目趋势判断，在竞争格局稳定的类目里能撑一个季度；在变化快的类目里，可能 6 到 8 周就需要重新验证一次。但采购提前期不会因为你调研过期就缩短。这就是矛盾的根源。
我把整个衔接过程拆成三层。第一层是判断层，回答"这个 SKU 值不值得进补货体系、该备多深"；第二层是参数层，把判断翻译成 ERP 里可计算的数字；第三层是节奏层，用真实销售数据反过来修正前面的假设。
我见过的团队，90% 只做了第一层。调研报告写得很好，但结论停在"这个品类有增长潜力""这个价格带有空间"这种表述上，第二层完全靠采购拍脑袋，第三层压根没有。所以他们的补货质量高度依赖某个人的经验值，人一走，体系就崩。
我的立场比较绝对：如果一次调研的结论不能落到至少三个可计算的参数上，这次调研对补货的贡献就是零。它可以指导品牌定位、可以指导视觉方向，但对采购补货而言，它是无效输出。
反过来也成立：如果 ERP 里的补货参数从来没有被调研结论影响过，那这套 ERP 就只是一个记账工具，它算出来的建议值只是历史销量的外推，遇到新品、遇到季节切换、遇到竞品突然降价，它一定是错的。
抽象讲框架没意思，我先把几个我近距离看过、并且亲手参与收拾过的场景摆出来。这些场景的共同点是：调研做得不算差，但补货依然失控。
第一种是"旺季前集体乐观"。调研时看到类目整体搜索量在涨，团队把四个主推款的备货深度全部上调，结果两个款的实际转化率只有预期的一半，货压在仓里；另外两个款卖超了，但补货单下晚了，因为没人提前算过"卖到多少件必须下单"这个点。
第二种是"新品上市后没人复查"。首批货按调研预期下了一个量，上市之后团队忙着优化广告和 Listing，没人回头看实际动销和预测的偏差。等到发现不对劲的时候，第二批货已经在海上了，改不了。
第三种是"多平台互相吃库存"。同一个 SKU 铺了三个站点，ERP 里只有一个总库存数字。美国站补货建议说"还能撑 20 天"，实际是把欧洲站的货也算进去了，结果两个站点同时断。
回到开头那个家居小件团队。他们的主推款是一个折叠置物架，调研阶段的核心结论是"美国站该类目搜索量年同比增长明显，Top 20 里有 4 个竞品在近 60 天内出现过断货"。这两条判断本身没错，甚至第二条是个很实用的信号。
问题在参数层。他们的采购提前期在 ERP 里填的是 45 天，一个固定值。而实际上这个 SKU 的提前期由四段构成：工厂排产 18 天、头程 26 天、清关 4 天、入仓上架 5 天，合计 53 天，旺季时头程还会因为舱位紧张延到 32 天以上。安全库存天数填的是 7 天，理由是"货值不高，多备资金压力大"。
按 45 天提前期和 7 天安全库存算，他们的再订货点比真实需要的点晚了将近 8 天，安全库存则少了一半。旺季头程一延，直接击穿。这不是运气问题，是参数问题。
很多团队在做库存决策时默认"断货和积压一样糟"，这个假设是错的。断货的代价是隐性的、延迟发生的，而且往往不可逆：排名权重掉下去之后，恢复需要重新积累，我观察到的情况是通常要 2 到 6 周才能回到原来的位置，有些款甚至回不去。
积压的代价是显性的、可计算的：海外仓仓储费、长期仓储附加费、降价清货的毛利损失。它看得见，所以很多人在心理上更怕它，于是倾向于少备货，这恰恰是把自己推向了代价更高的那一侧。
下面这五条，都是我自己或者我深度参与的项目里真实踩过的。我按"踩坑频率"排序，越靠前的越常见。
这是杀伤力最大的一条。ERP 里的采购提前期如果填的是一个固定天数，那么再订货点就永远是一个固定值，而这个值会随着实际头程时效的波动持续偏移。淡季你可能备多了，旺季你一定备少了。
更麻烦的是，静态提前期会把"提前期波动"这个风险完全隐藏掉。它让采购觉得"我按 45 天算的，没错"，但真实世界里的提前期是一个分布，不是点值。你需要的不是"提前期是多少天"，而是"提前期在什么区间内波动，最坏情况是多少天"。
很多人以为补货的核心是"把销量预测做准"。我不同意。补货的真正难点是预测误差的管理，不是预测本身。跨境电商的销量波动来源太多：平台流量分配变化、广告投放调整、竞品价格动作、平台库容政策、甚至一次差评引发的转化率下滑。
你不可能算出一个完美的销量数字。你能做的是：让补货系统在预测偏了的时候，能快速识别偏了多少、偏在哪、要不要改参数。预测是起点，误差管理才是主线。
ERP 里的"可用库存"如果只有一个总数，补货建议一定是失真的。至少要把四个状态拆开：在仓可售、在途未到、已锁定未发、退货待处理。这四种库存的可用时间完全不同，混在一起算，会系统性地高估你的补货能力。
我见过最离谱的一个案例：某 SKU 显示可用库存 3200 件，实际可售只有 900 件，剩下的在途 1800 件还要 40 天到、500 件是客户退货待质检。系统建议"不用补货"，而实际断货在三周后发生。
不同站点的需求波动、竞争强度、物流时效完全不同。美国站的安全库存天数和欧洲站的安全库存天数用同一个值，等于用一把尺子量两个人的身高。多站点场景下，参数必须按站点维度切分。
供应商的起订量常被当成一个"不得不接受的条件"，但其实它是反推备货深度的关键输入。如果你的预测日销是 25 件，MOQ 是 1000 件，那么一次下单最少覆盖 40 天；如果 MOQ 是 3000 件，一次下单就是 120 天。这意味着MOQ 直接决定了你的库存周转天数下限，绕不开。
这一节是全文最核心的部分。我把补货体系里最关键的六个参数逐个拆开，讲清楚它的来源、算法逻辑，以及填错会造成什么后果。不讲死公式系数，讲因果。
我要求的做法是强制分段：生产排期 + 头程运输 + 清关 + 入仓上架。为什么要分段？因为四段的波动原因完全不同，混在一起你就没法优化。
生产段慢，可能是订单排期靠后或者物料缺货；头程段慢，可能是舱位紧张或者港口拥堵；清关段慢，可能是单证问题或者查验；入仓段慢，可能是仓库爆仓或者预约排不上。这四件事的应对方式完全不一样，但如果你只填一个总天数，就永远不知道慢在哪。
分段之后，每一段都要填两个值：常规时效和最坏时效。常规时效用于算再订货点，最坏时效用于算压力测试下的库存底限。
调研阶段拿到的通常是"类目月搜索量""Top 10 平均月销量"这类量级数据。把它折算成自己的日销基线，需要三步：
这里我要强调一个判断：新品首月不要用稳定期基线去备货。首月通常有平台的新品扶持流量，销量往往高于自然水平，如果你拿首月销量外推全年，备货一定过量。
安全库存的逻辑是：覆盖"提前期内的需求波动"和"提前期本身的波动"这两重不确定性。用形式化一点的方式表达就是下面这样：
安全库存 ≈ Z × √( LT × σd² + d² × σLT² )
Z = 服务水平系数（取决于你能接受的缺货概率）
LT = 平均采购提前期（天）
σd = 日销量的标准差
d = 平均日销量
σLT = 采购提前期的标准差
// 注意：这里的 d 和 σd 都应该是同一站点、同一 SKU 的实测值，
// 不要用全公司平均值代替，否则波动会被严重低估。
不需要背这个公式，但要理解它的两个含义。第一，需求波动越大、提前期波动越大，安全库存就越高，而且是平方项在起作用，波动放大一点点，安全库存要放大更多。第二，如果 σLT 是 0（也就是你强行把提前期当固定值），公式会系统性地低估安全库存。
再订货点的构成是：提前期内的预测需求 + 安全库存。它回答的问题不是"我还剩多少货"，而是"当库存降到多少时，我必须下单，才能让新货在断货前到达"。
这个点算错，后果非常直接：算高了，库存长期高位，周转慢；算低了，断货风险陡增。再订货点比销量预测更值得你花时间，因为它是一个决策触发线，触发了就要花钱。
MOQ 和装箱数是两个约束，但它们的作用方向不只是"限制你少订"，更多时候是"逼你多订"。算完再订货点和目标覆盖天数之后，最后一公里一定是：把数量凑到 MOQ 的整数倍、凑到整箱、凑到整柜。
实际操作中，我会先算出理想量，再往上调整到最近的可行值，然后反过来验算这个量对应的覆盖天数是否可接受。如果不可接受，说明要么换供应商，要么接受更长的周转天数，要么调整定价策略加速动销。
这六个参数不是各自独立的。提前期一变，再订货点跟着变；波动一变，安全库存跟着变；MOQ 一变，备货深度跟着变。所以参数不是设一次就不管了的静态配置，而是一套需要定期校准的联动体系。
我把这套参数放到数跨境里做推演，主要是因为它的数据视图能把平台销售数据、库存状态、采购在途拉到同一个 SKU 维度上，避免我在 Excel 里手工拼表时把在途和可售混在一起。参数配置本身我整理成结构化的形式，方便定期 diff 比较：
{
"sku": "HOM-SHELF-3T",
"site": "US",
"avg_daily_sales": 25,
"lead_time_breakdown_days": {
"production": 18,
"first_leg": 26,
"customs": 4,
"inbound_receive": 5
},
"lead_time_total_days": 53,
"lead_time_worst_case_days": 79,
"safety_stock_days": 14,
"reorder_point_qty": 1675,
"moq_qty": 1000,
"units_per_carton": 20,
"target_days_of_cover": 100
}
// reorder_point_qty = 25 × 53 + 25 × 14 = 1675
// 首批建议量 = 25 × 100 = 2500，取整到整箱 125 箱
下面这个案例基于我实际参与过的一个项目改写的，品类和数字做了脱敏处理，所有数据均为演示逻辑用的示例数据，不代表任何真实企业的经营结果。
这个 SKU 是一款折叠置物架，目标站点美国。调研阶段我们重点看了四类信号：
基于这四条，我们给这个 SKU 的定级是主推款，定价 39.9 美元，备货深度按最高档设定。
调研结论落到参数层，就是上一节那份配置：日销基线 25 件、提前期 53 天（最坏 79 天）、安全库存 14 天、再订货点 1675 件、首批下单 2500 件。
验算一下这个组合的闭环是否成立：2500 件按日销 25 件卖，卖到 1675 件需要 33 天；第 33 天触发下单，53 天后第二批到货，也就是第 86 天；届时剩余库存 = 1675 − 25 × 53 = 350 件，正好等于 14 天的安全库存。闭环成立，且没有过度备货。
上市后前 4 周的实际表现和预测出现了明显偏差。我们没有只看"销量低了"这一个结论，而是把偏差拆成了几个可归因的信号：
| 复查指标 | 预测值 | 首 4 周实际 | 偏差 | 归因方向 |
|---|---|---|---|---|
| 日均销量 | 25 件 | 18 件 | −28% | 结果指标，需继续拆解 |
| 日均会话数 | 1,200 | 1,050 | −12.5% | 流量端略低于预期 |
| 转化率 | 2.1% | 1.7% | −0.4 个百分点 | 主要拖累项 |
| 退货率 | 3.0% | 4.2% | +1.2 个百分点 | 产品体验或描述偏差 |
| 断货天数 | 0 天 | 0 天 | ， | 未触发，库存策略暂时有效 |
| 库存覆盖天数 | 100 天 | 约 139 天 | +39 天 | 周转被动拉长 |
这张表的价值在于：它把"卖得不好"翻译成了"流量少了一成、转化低了零点四个点"。这两种表述带来的行动完全不同。如果只是流量少，动作是加大广告和优化关键词；如果是转化低，动作是修主图、改价格、补评价。而这次的主要矛盾是转化率。
这是整个纠偏环节里最关键的一步。我的判断逻辑是这样的：
这次的情况是流量小跌、转化明显下跌、退货率上升。我判断是"Listing 与产品体验问题"，不是市场需求消失。所以我们的动作是修 Listing、补充使用场景图、处理差评反馈，而不是砍备货。
虽然市场没变，但预测基线确实偏高了，所以参数还是要改。我们把日销基线从 25 件下调到 20 件，同时因为退货率和波动都在上升，把安全库存天数从 14 天提到 18 天。
另外，这 4 周里我们实测到头程时效平均 31 天，比原来填的 26 天多了 5 天。把这个实测值回填之后，总提前期从 53 天变成 58 天。最终再订货点 = 20 × 58 + 20 × 18 = 1520 件。
值得注意的是：虽然日销基线下调了 20%，但再订货点只从 1675 降到 1520，降幅 9%。原因是提前期拉长和安全库存上调抵消了一部分。这个现象很重要，它说明盲目按销量比例调整补货量是危险的。
框架是通用的，但落地动作必须按团队规模和数据基础分层。我按三种典型情况给建议，你可以先判断自己在哪一档。
这个阶段不需要复杂的系统，需要的是把参数写下来。我的建议是：用一个表格管住六个参数（日销基线、提前期四段、安全库存天数、再订货点、MOQ、目标覆盖天数），每周更新一次。
重点是不要跳过"提前期分段"这一步。哪怕你只做手工记录，也要把生产、头程、清关、入仓分开记，记满三个月你就有自己的时效分布了。这个动作的价值远高于买任何系统。
这个阶段手工表格已经撑不住了，因为 SKU 乘以站点数会迅速膨胀，而且库存状态必须拆分。你需要一个能按 SKU 乘站点维度做汇总的数据视图，把在仓、在途、锁定、退货待处理分开统计。
我会在数跨境这类跨境电商数据平台上做这件事，它的定位是把多平台的销售数据、库存数据、采购在途数据拉到同一个 SKU 维度上做分析，我能直接在同一个视图里看某个 SKU 在某个站点的可售库存和覆盖天数，不用在多个后台之间来回导表。你可以在 数跨境官网 了解它的数据接入范围，判断是否覆盖你现有的平台。
这个阶段的另一个重点是按站点切分安全库存。不要用全站平均，也不要按销量比例简单分配，要按各站点的实际波动来定。
如果你自己参与产品开发，提前期会更长，而且生产段的波动会更大。这时候"分段提前期"的价值更明显，因为生产段的排产周期往往是最长的单一段，也是最值得优化的对象。
我建议这类团队把"生产排期确认"当成一个独立节点来管理，而不是混在采购单里。因为排产一旦延后，后面所有段都要顺延，你需要在排产节点就拿到确认信息，才能及时调整补货计划。
这种情况下不要急着调参数，先修主数据。SKU 映射混乱会让所有报表失效，你在错误的数据上做任何精细化优化都是浪费。
优先做三件事：统一各平台 SKU 与内部编码的映射关系；确认组合装、赠品、多件装的库存扣减规则；把历史订单数据补齐至少 6 个月。这三件事做完，参数才有讨论的意义。
补货决策本质上是权衡，不存在"最优解"，只有"当前阶段更合适的解"。下面四组取舍我给的都是我自己会怎么选，以及为什么。
前提是货值不高、保质期长、没有强季节属性。这种情况下，多备一点的成本是可计算的仓储费，而断货掉排名的成本不可逆。但如果货值高、有季节性、有保质期，这个偏向就要反过来，因为清货损失会远大于断货损失。
所以这不是性格问题，是成本结构问题。你要做的是把两类成本都算出来，而不是凭感觉选。
多仓铺货能缩短尾程时效、提升转化，但会分散库存、推高总安全库存需求。单仓集中管理简单、库存利用率高，但偏远地区时效差。
我的判断标准是：当某个区域的订单占比超过 25% 且时效敏感度高时，才考虑设第二仓。低于这个比例，用单仓加尾程方案更划算。这个比例不是绝对的，取决于你的客单价和客户的时效容忍度。
旺季前提前锁定产能能保证供货，但会牺牲灵活性，一旦市场变了，你的货已经在生产线上。保留调整空间更灵活，但旺季可能排不上队。
我通常的做法是：把备货量拆成"确定部分"和"可选部分"，确定部分提前锁产能，可选部分用较短的提前期供应商或现货渠道覆盖。这样既保证了基本盘，又保留了调整余地。
自动化能省人力，但异常情况必须有人管。我的原则是：常规补货建议自动生成，但异常建议必须人工确认。什么叫异常？比如建议量突然比上期高出 50% 以上、或者建议完全不补货、或者参数被系统自动调整过，这些都应该触发人工复核。
完全信任系统输出的团队，通常会在某个特殊时期吃一次大亏。完全人工的团队，则会在 SKU 变多之后被拖垮。中间那条线才是可持续的。
框架讲完了，最后给你一份可以直接拿去核对的自查清单和一套复盘节奏。
周度复盘看异常。只看三件事：实际销量与基线的偏差是否超过 20%、库存覆盖天数是否跌破预警线、是否有 SKU 的提前期实测值偏离配置超过 5 天。任一触发，进入排查。
双周复盘看归因。对偏差超过 20% 的 SKU 做拆解，按流量、转化、退货三个维度找主因，判断是"预测偏了"还是"市场变了"。这一步决定你接下来是调参数还是调策略。
月度复盘看结构。看整体的库存周转天数、断货 SKU 占比、积压 SKU 占比，判断整个补货体系是在变好还是变差。这一步不看单个 SKU，看整体分布。
这几条信号里，提前期偏离是最容易被忽略、但影响最深远的一条。因为它不会立刻造成断货，而是让你的再订货点悄悄偏移，等发现的时候通常已经晚了。
回到最开始那个断货的家居团队。他们后来做的事情其实不复杂：把提前期从 45 天改成四段实测，把安全库存从 7 天提到 16 天，把库存状态拆成四类，然后定了一个双周复盘。下一年的旺季，同样的类目、同样的竞争强度，他们没有再出现主推款断货。
我想强调的独特观点是：调研和补货之间缺的从来不是信息，而是翻译。调研已经告诉你有需求、有空间、有竞品断货；补货需要的是日销基线、分段提前期、安全库存天数和再订货点。这两套语言之间没有人做翻译，就会出现"报告很漂亮、仓库很狼狈"的局面。
另一个我想纠正的认知是：补货不是一次算准的，是持续校准的。你不可能在第一次就设对参数，你能做的是让参数可追溯、可比较、可修正。一个每两周修正一次的粗糙体系，胜过一个从不修正的精密体系。
下一步你可以这么做：先挑一个正在卖的主推款，把它现在的提前期拆成四段，分别记下你最近三批的实测天数；再算一遍这个 SKU 的再订货点，和你 ERP 里显示的值比一比。如果差距超过 10%，你就找到了自己体系里第一个值得修的地方。
修完这一个，再去看第二个。补货体系的改善从来不是一次性重构，而是一个 SKU 一个 SKU 校准出来的。
我们季度选品会开完，调研报告交了一大本，结论写着“该品类需求增长、建议布局”。可到了采购下单那天，采购问我要备多少天，我答不上来，只能说先按经验来。感觉调研和补货是两条平行线，中间缺了一段翻译。
调研输出必须变成四个可对号入座的量化产物，否则不进入补货体系。第一是备货深度等级：把结论分成主推款、跟进款、观察款、放弃款，等级直接决定备多少天、是否多仓铺货、能接受多高的缺货风险。第二是销量基线：把调研期的需求量级折算成日销量或周销量的一个区间，给上限和下限，而不是单一数字。
第三是波动假设：这个品是季节性尖峰还是平稳长销，它决定安全库存该往哪个方向加厚。第四是退出条件：出现什么信号就停止补货、转清库存。填 ERP 时一一对应，备货深度对应目标库存天数与是否分仓，销量基线对应预测基准，波动假设对应安全库存天数，分段提前期对应再订货点。
判断依据很简单：如果一份调研结论里找不出这四项里的任何一项，说明它还不具备指导采购的条件，先回炉，而不是让采购去猜。在系统里只填“前景好”“有潜力”这类形容词，等于什么都没填。
我之前图省事，直接填了一个“从下单到上架一共 45 天”，用了半年也没觉得有问题。但一旦出现断货或者压货，我根本说不清到底是哪一段变慢了，只能整体再拍一个更保守的数。越拍越大，库存越压越重。
必须分段，而且要同时记录计划值和实际值。四段的波动来源完全不同：生产段受供应商排产、备料和起订量影响；头程受订舱、船期和旺季甩柜影响；清关受品类资质和资料完整度影响；入仓受仓库预约排期和库容限制影响。
填一个总数的最大问题不是不准，而是不可归因，出问题时你不知道该去催工厂、换货代、补资料还是提前预约入库，只能整体加缓冲，缓冲最终都变成压在仓里的现金。做法上，在 ERP 里给每一段保留“计划天数”和“最近三次实际天数”两个字段，补货点按滚动更新的实际合计提前期来算，而不是按年初填死的计划值。
判断依据是看偏差落在哪：如果某一段的实际值长期高于计划值，你要做的是治理这段流程；如果各段实际值都贴着计划、只是偶发偏离，那才轮到调缓冲。这是两个完全不同的动作，混在一起做，就会一直用加库存来掩盖流程问题。
每次上新品最头疼的就是这个。老品我还能拉去年的动销曲线推，新品什么都没有，运营说按同类目平均，采购说按经验拍，最后往往是我签字拍板。拍少了怕断货掉排名，拍多了怕压一整个季度。
新品没有自身历史数据，就别假装有，正确做法是借三层参照把假设显性化。第一层是自家同类目老品的动销曲线，注意新品前期通常比老品爬坡更慢，不能在老品曲线起点上直接加量。第二层是平台上同类竞品的评价数增长速度，评价增速大致能反映订单量级和爬坡节奏，比看总评价数有用得多。
第三层是你自己计划投入的广告预算与投放节奏，推广预算决定你能不能把销量拉起来，而不是坐着等自然出单。首单量的口径建议是“覆盖一个试销周期的量”，试销周期由你的返单速度倒推，而不是由季度预测正推。返单跟得上，首单就薄一点，用返单补；返单周期长，首单才需要更厚的缓冲。
安全库存起点给保守值，等积累了两到四周实销数据，再用真实波动替换掉当初的假设。判断依据：如果一个新品首单就要压满一个季度，问题出在返单能力或资金安排，先把那个解决，别指望一个安全库存公式来救。
我最怕的就是参数设完就没人管了，等发现不对已经是季末，仓库里一堆慢销品。但反过来每周都改也扛不住，运营和采购会疯。我需要的是一套明确的复查节奏和触发条件。
用固定节点加触发条件两条腿。固定节点上，按周看实际动销与预测的偏差，按双周做一次参数复核，按月结合调研侧做一次备货深度重估。触发条件上，以下情况不等节点、立即处理：连续多日实际日销明显低于预测下限；竞品集体降价或平台大促节奏突变；平台库容或仓储费用政策调整；头程时效出现明显拐点；
退货率或差评关键词冒出新的主题。然后分诊：偏差集中在个别 SKU、大盘正常，多半是预测偏了，调参数就行；同品类多个 SKU 同时偏，多半是市场变了，回调研层重估备货深度甚至启动清库存；如果是自家 Listing 权重掉了导致流量下滑，那是运营问题，靠加大补货掩盖只会变成积压。
另外每次复查都要先确认库存口径：总可用库存不等于可售库存，在途、在仓、锁定、退货待处理必须分开统计，否则多平台多仓之间会互相“吃掉”库存，补货建议看着合理、实际必然失真。建议在系统里给每次偏差记一个原因字段，跑几个月回看，你会发现偏差其实集中在少数几个原因上，那几个才是真正该修的环节。
读者评论
把采购提前期拆成生产、头程、清关、入仓四段这个做法很实用。我们之前就是一个固定45天，旺季头程一延就穿仓，后来分段录入后才知道问题出在头程而不是工厂，优化方向一下就清楚了。
断货和积压代价不对称那段说得对。我们团队就是更怕仓储费，所以每次下单都偏保守，结果旺季断货掉排名，恢复花的广告费比仓储费还多，本质是被可见度带着做决策。
调研结论不能落到参数上就等于没做，这点我认同。但实操里最难的是谁来翻译，运营不懂供应链、采购看不懂调研，中间缺一个既懂数据又懂业务的角色，光靠流程解决不了。