去年双十一前，我劝一个做宠物用品的卖家朋友砍掉一个SKU。第三方选品工具上，这个细分类目的趋势曲线一路向上，客服侧的口碑关键词也还算正面，他原本计划把采购量从单次500件提到2000件。我让他先别下单，把ERP里的采购补货记录调出来看三件事：返单间隔、到货清空天数、退货率。结果很清楚，这个SKU已经连续四次返单，每次500件，到货后11天左右清空，但退货率从4.2%一路爬到9.8%，且退货原因里"尺寸不符"占了一半以上。
买得快，不等于卖得好。清空得快，也不等于需求旺。真正的问题藏在那9.8%的退货里，藏在每次返单都得压着的采购预付款里，藏在客服每天重复回答的同一句解释里。这三个信号，任何一份外部市场调研报告都不会告诉你，但它们全都在你自己的采购补货数据里。
这篇内容讲的就是这件事：怎么把ERP里的采购补货数据，当成市场调研的后验证据来用。市场调研负责提出假设，采购补货负责用真金白银验证假设。前者是主观判断，后者是行为数据。我做过六年跨境供应链，管过从月销三万美金到月销两百万美金的盘子，踩过补货过多、补货过少、补货节奏错位的坑，下面这些方法和数字，都是从这些坑里爬出来之后整理的。文中会以我用得比较顺手的「数跨境」（官网 https://shukuajing.jiushuyun.com/?
utm_source=seo&utm;_plan=est&utm;_unit=gys）为例，讲清数据怎么落成可复用的看板，但它只是工具，方法论本身跟工具无关。
把结论摆在最前面，后面所有内容都是围绕这句话展开的。
市场调研解决的是"应不应该做"，采购补货数据解决的是"到底做没做成"。两者不是竞争关系，是先后关系。调研给出方向，采购补货给出账单。方向可以拍脑袋，账单拍不了，你付出去的采购款、压在仓库里的库存、因为缺货流失的订单，都是实打实的。
大部分卖家的调研流程是这样的：看平台热销榜、看第三方选品工具、看竞品评论、看社媒热度，然后得出一个判断，"这个品类能做"。这个判断本身没问题，问题在于它没有成本。
你说这个品类能做，你不需要付出任何代价。但你说"我要为这个品类备3000件货"，你就得先付出去十几万采购款、几万块头程运费，还得占掉仓库一个月的库容。这一刻起，你的判断开始有成本了。
采购补货数据的价值，就是把这个有成本的判断过程完整记录下来，然后回头检验：当初说"能做"的那个判断，到底对了几分。这件事只有ERP能做到，因为只有ERP同时握着订单、库存、采购单和成本四本账。
我在做补货复盘时，最常看的不是销量，而是下面三个信号：
这三个信号，都不需要你去问用户，也不需要买任何数据报告。它们本来就躺在你的采购单和库存流水里，只是大部分卖家从来没把它们和"市场判断"这四个字联系起来。
这不是说榜单没用，而是说榜单能回答的问题，和大家想用它回答的问题，其实不是同一个。
竞品评论里的用户，和你店铺的真实买家，重合度可能低得超乎想象。一个做户外储能的卖家跟我聊过，他根据竞品评论里"希望容量更大"的高频诉求，上了一款大容量版本，结果滞销。原因很简单，竞品评论里愿意发声的，是重度用户；而他的实际客群里，70%是第一次买这类产品的轻度用户，他们要的是轻便和便宜，不是容量。评论区的样本，天然偏向爱表达的人，不是买得最多的人。
平台热销榜反映的是已经完成的成交，从产品上架、起量、到爬上榜单，通常要两三个月。等你看到榜单上的名字，最早一批进场的人可能已经开始清库存了。我做家居收纳那会儿，跟风上过一个榜单类的爆款，进仓当天就发现同款在平台上已经有二十多个卖家在打价格战，最后靠降价加清仓才没亏，毛利算下来只有个位数。
社媒热度高、播放量大，和这个产品能不能赚钱，中间隔着物流成本、退货率、平台佣金、广告花费这四道关。一个视频爆了，带动的是全品类的关注，不是你的利润表。我见过太多"明明很火"的产品，实际每单净亏两三美金，只因为体积重算下来头程成本吃掉了全部毛利。
调研数据是"说的"，补货数据是"做的"。差别在哪？
用户在问卷里说"我愿意为更好的材质多付10美金"，这是说的。你在ERP里看到这款材质的SKU平均售价比普通款高12%，三个月内返单五次，缺货天数累计19天，这是做的。做的数据，可信度比说的数据高一个量级。
更关键的一点：采购补货数据的每一次变化，都对应着一笔真实的资金流动。你决定返单，就意味着你相信这个需求还会持续；你决定不返单，就意味着你判断需求已经见顶；你决定减少单次采购量、提高返单频率，就意味着你对需求有信心但不愿承担库存风险。这些决策背后的判断，本身就是一份高密度的市场调研结论，只不过它是以采购单的形式存在的。
我现在的习惯是，每个季度做一次"补货决策回溯"：把过去三个月的采购单拉出来，逐条看当初为什么下这个量，实际卖得怎么样，判断偏差有多大。这个动作比任何一份外部报告都更能提升判断力，因为它是针对你自己的业务、你自己的品类、你自己的客群的。
说"用数据做判断"很容易，难的是你的ERP里到底有没有这些数据，以及它们能不能对得上。我见过太多卖家，ERP装了三年，采购模块基本没用过，采购单是Excel单独记的，库存靠肉眼看后台，成本靠月底财务给一张总表。这种情况下谈数据分析，是空中楼阁。
至少要能拉出：SKU、平台、国家站点、日销量、售价、转化率、退货量与退货原因。这里最容易出问题的是退货原因，很多ERP只记录"已退货"，不记录"为什么退"。如果你能在退货环节加一个必选原因下拉，数据价值会立刻翻倍。
包括可用库存、在途库存（已下单未到货）、安全库存设定值、库存周转天数、缺货天数、滞销库存账龄。这里的关键是库存快照要留痕。很多ERP只显示"当前库存"，那是没有分析价值的。你需要的是"每天/每周的库存历史快照"，才能算出真实的周转天数和缺货分布。
采购单价历史、MOQ、供应商承诺交期、实际到货准时率、批次号、质检不合格率、供应商稳定性。这一块是我认为最被低估的。因为你所有的市场判断最终都要落到"能不能稳定拿到货、以什么价格拿到货"上。一个交期波动从7天到25天的供应商，会让你的所有补货模型失效。
采购成本、头程物流成本、关税、平台佣金、广告分摊、退货处理成本，最终算出单SKU的毛利模拟和现金占用周期。注意这里说的是"模拟"而不是"核算"，因为你要的是快速决策用的近似值，不是财务的精确报表。我的习惯是按SKU维度算一个简化模型，允许有5%左右的误差，但必须能当天算出来。
广告花费、点击、加购、转化、竞品价格带、评价关键词频次。这一块是外部信号，作用是和内部数据做交叉验证。比如广告转化率上升但售罄率下降，说明流量结构变了，不是需求旺了。
数据拉齐了不等于能用。我见过太多所谓"数据看板"，因为口径没对齐，得出的结论是反的。做分析之前，下面三件事必须先解决。
同一个产品，在采购系统里叫"PET-BOWL-L-蓝"，在平台后台叫"SKU-20240815-A"，在仓库里叫"宠物碗大号"。如果这三套编码没有建立映射关系，你的采购数据永远对不上销售数据。这是最基础也最容易被跳过的一步。
采购用人民币，销售收美金，平台结算按站点币种，财务核算又折算回人民币。如果汇率取的是各自的时间点，最后算出来的毛利会有几个百分点误差。建议统一按"业务发生日的中间价"折算，并且在看板上明确标注汇率口径。
退货是补货判断里最重要的负向信号，但前提是归因清楚。"尺寸不符""质量问题""物流破损""客户反悔"这四类退货，对应的动作完全不同：尺寸问题要改详情页和尺码表，质量问题要找供应商，物流破损要换包装，客户反悔只能接受。如果全混成"退货率8%"，你就不知道该怎么办。
下面这段 SQL 是我在一个卖家朋友的项目里实际用过的口径统一查询思路，用来把采购明细和销售明细按天、按SKU对齐，这里给出简化版：
-- 采购与销售按 SKU + 日期对齐，计算真实的动销与库存覆盖
WITH purchase_daily AS (
SELECT
sku_mapping.sku_id,
p.purchase_date AS biz_date,
SUM(p.qty) AS purchase_qty,
SUM(p.qty * p.unit_cost) AS purchase_amount
FROM purchase_order_detail p
JOIN sku_mapping ON sku_mapping.supplier_sku = p.supplier_sku
WHERE p.status = 'received'
GROUP BY 1, 2
),
sales_daily AS (
SELECT
sku_mapping.sku_id,
s.order_date AS biz_date,
SUM(s.qty) AS sales_qty,
SUM(s.qty * s.unit_price) AS sales_amount,
SUM(s.refund_qty) AS refund_qty
FROM order_detail s
JOIN sku_mapping ON sku_mapping.platform_sku = s.platform_sku
WHERE s.order_status IN ('shipped', 'delivered')
GROUP BY 1, 2
)
SELECT
COALESCE(p.sku_id, s.sku_id) AS sku_id,
COALESCE(p.biz_date, s.biz_date) AS biz_date,
p.purchase_qty,
s.sales_qty,
s.refund_qty,
-- 当日动销率：销量 / (期初库存 + 当日入库)
ROUND(s.sales_qty / NULLIF(inv.opening_stock + p.purchase_qty, 0), 4) AS sell_through_rate,
-- 退货率：退货量 / 销量
ROUND(s.refund_qty / NULLIF(s.sales_qty, 0), 4) AS refund_rate
FROM purchase_daily p
FULL OUTER JOIN sales_daily s
ON p.sku_id = s.sku_id AND p.biz_date = s.biz_date
LEFT JOIN inventory_snapshot inv
ON inv.sku_id = COALESCE(p.sku_id, s.sku_id)
AND inv.snapshot_date = COALESCE(p.biz_date, s.biz_date) - INTERVAL '1 day'
ORDER BY sku_id, biz_date;这段逻辑本身不难，难的是它要求你的采购单、订单、库存快照三张表都有干净的SKU映射。我做过的项目里，光是把这三张表对齐，就花了两周。
方法论要能落地，必须有固定的步骤。下面这六步是我现在每个新品、每个新平台都会走一遍的流程，顺序不能乱。
不要写"这个品类有前景"，要写"我判断这个细分品类在欧洲站的中端价格带存在需求缺口，理由是竞品评价中'价格偏高'出现频次高，且该价格带SKU数量少。我预期上架后30天内售罄率达到70%以上，退货率低于5%。"
后面那句预期，才是关键。因为有了预期值，你才能在30天后做出"对"或"错"的判断，而不是永远模棱两可。
信号太多等于没有信号。我的习惯是每个假设最多选三个信号，通常组合是"一个正向速度指标 + 一个负向质量指标 + 一个利润指标"。比如售罄率（速度）、退货率（质量）、毛利模拟（利润）。
这一步最关键的是控制三个变量：MOQ、交期、物流方式。如果供应商MOQ是1000件而你不知道需求，宁可加价找愿意接500件的供应商，也不要为了单价便宜把钱全押进去。我吃过这个亏，为了把单价从4.2美金压到3.8美金，一次性下了3000件，结果两个月只卖了800件，剩下的压了半年。
任何市场机会都必须过三道约束：现金流够不够撑到回款、毛利率够不够覆盖退货和广告、仓储容量够不够放。这三道里任何一道过不去，机会再好也不做。我现在的硬性规则是：单个SKU的采购金额不超过当月可支配现金的15%。
验证结果通常有四种，对应的动作完全不同：售罄快+退货低=加大采购频次，但单次量仍要控制；售罄快+退货高=先修产品和详情页，暂停加量；售罄慢+退货低=检查流量和定价，考虑换渠道；售罄慢+退货高=尽快止损清仓，别幻想。
这一步最容易被忽略，但它决定了你的判断力会不会积累。每次复盘之后，我会做三件事：更新该SKU的安全库存值和再订货点、在SKU标签上标记这次的判断结论、把这次的经验写进选品的检查清单。这样下次遇到类似假设，就有基线可参考。
指标的意义在于给出阈值。没有阈值的指标，只是好看的数字。
售罄率 = 期间销量 ÷（期初库存 + 期间入库）。动销率 = 有销量的SKU数 ÷ 总SKU数。
我的经验阈值（家居、宠物、户外三个品类的样本）：新品上架30天售罄率低于40%，基本可以判定需求不足；60%-80%是健康区间；超过90%且持续缺货，说明备货过于保守，损失了订单。注意这个阈值高度依赖品类和季节，服装类的健康区间通常比标品低。
周转天数 = 平均库存 ÷ 日均销量。这个指标必须和采购交期放在一起看才有意义。
如果周转天数是45天，采购交期是30天，那么你的安全边际只有15天，一旦供应商延期或物流堵塞，立刻缺货。我现在的规则是：周转天数至少是采购交期的1.5倍，低于这个比例就要么压缩交期，要么提高备货量。
缺货率的计算口径有很多种，我建议用"缺货天数 ÷ 可售天数"，简单且直观。
但要特别注意：缺货不一定是需求旺，也可能是补货失误。区分方法很简单，看缺货发生的时间点。如果缺货集中在自然流量稳定期，说明基础需求超预期；如果集中在促销期或季节性高峰，可能只是你的备货节奏没跟上。我见过卖家因为一次促销期缺货就大幅加量，结果下个月直接压仓。
采购成本占比 = 采购成本 ÷ 销售净额。
这个指标要动态看。如果占比在上升，可能是采购价涨了，也可能是你为了冲量在降价。无论哪种，都意味着市场机会的利润空间在收窄。我的做法是给每个SKU设一个毛利率下限，低于下限就暂停返单，重新评估。
波动系数 = 日销量的标准差 ÷ 日均销量。
这个系数低于0.3，说明需求稳定，安全库存可以设低；高于0.8，说明需求波动剧烈，安全库存要相应提高，或者干脆缩短备货周期。我通常把旺季和淡季分开算，因为混在一起算出来的系数是没有指导意义的。
下面这张表是我整理的一份简化阈值对照，仅供参考，实际要按品类调整：
| 指标 | 健康区间 | 预警区间 | 对应动作 |
|---|---|---|---|
| 新品30天售罄率 | 60% – 80% | <40% 或 >90% | 低于40%暂停返单；高于90%提高单次采购量 |
| 周转天数 / 采购交期 | ≥ 1.5 | < 1.2 | 压缩交期或提高备货，防止断货 |
| 缺货率 | < 5% | > 12% | 检查是需求超预期还是补货节奏失误 |
| 毛利率 | 高于品类下限 | 低于下限 | 暂停返单，重新测算定价或采购价 |
| 需求波动系数 | < 0.5 | > 0.8 | 提高安全库存或缩短补货周期 |
下面三个场景都是我自己或身边卖家真实遇到过的，数据做了匿名和比例处理，但逻辑和结构是原样的。
背景：一个新上架的宠物饮水机，上架22天卖了380件，首单500件只剩120件。运营判断是爆款，建议立刻下2000件的返单。
我拉了三个数据以后否决了这个建议。第一，退货率是9.6%，而同类目平均水平在4%左右，退货原因里"水泵噪音"占了六成；第二，返单间隔数据还没有，这是首单，没有历史节奏可参考；第三，广告转化率从第10天开始下滑，从4.8%降到2.9%。
结论是：这不是需求爆发，而是首单投入的广告在前期集中释放，加上产品有明确的质量投诉点。后来改成先下800件，同时推动供应商改水泵，第二个月退货率降到5.1%，才开始逐步加量。如果当时按2000件下单，按当时的退货率，光退货处理成本就吃掉将近三成毛利。
背景：一个做厨房小工具的卖家，想在东南亚新增一个平台站点。选品逻辑是"产品在北美卖得好，东南亚人口多、增长快"。
我的建议是先用采购数据做一次低成本验证。具体做法是把现有SKU里动销最快的20个，按最小起订量的一半发一小批到这个新站点，同时把ERP里的采购数据和这个新平台的销售数据打通，观察四周。
结果很有意思：原来的TOP3在东南亚表现平平，反倒是一款在北美属于滞销尾货的小工具，因为契合当地饮食场景，清空速度是北美的三倍，退货率只有1.7%。这个结论完全不可能从任何选品工具里看出来。
这就是采购补货数据的独特价值，它能发现那些"外部报告不看好，但实际需求真实存在"的错位机会。因为你是用自己的小成本投入去真实测试，而不是靠别人的统计推断。
背景：户外照明类目，旺季集中在每年5-8月，采购交期45天，工厂在旺季前一个月普遍排单紧张。
难点在于：如果按旺季预测量提前两个月大额备货，一旦旺季不及预期，库存直接压到明年；如果备货太保守，旺季缺货损失又会很大。
我的处理方法是把备货拆成三段：第一段在旺季前75天，按历史同期的60%备货，锁定产能；第二段在旺季前40天，根据第一段的预售和早期动销数据决定追加多少；第三段在旺季开始后，根据每周的实际返单间隔做快速补货，必要时接受空运成本。
关键在于第二段的判断依据：看的不是销量绝对值，而是"返单间隔是否在缩短"。如果第一批货上架后10天内返单间隔比去年同期缩短了3天以上，就说明需求确实在起来，可以放心追加；如果间隔持平或拉长，就停在第一段，不追加。
方法论讲完，更要紧的是讲清楚哪些地方容易翻车。下面这些误区，是我在实操中反复看到、也自己犯过的。
销量是结果，不是目的。一个SKU月销1000件但毛利只有5%，另一个SKU月销300件毛利35%，后者的绝对利润更高。如果你的补货决策只看销量排名，就会不断把资源投向那些"热闹但不赚钱"的产品。
我做过的调整：把补货优先级排序从"销量降序"改成"毛利贡献降序"，结果发现排在前面的SKU有一半变了。资源重新分配后，整体净利提升了近两成。
缺货有两种，一种是需求超预期，一种是补货没跟上。前者要加量，后者要改流程。区分方法前面讲过了，看缺货发生的时段和广告转化率的配合情况。我见过最典型的误判是卖家因为缺货把单次采购量翻了三倍，结果发现缺货原因是自己的安全库存设得太低，需求其实没变。
这是最隐蔽的一个坑。你在北美卖得好，不代表东南亚也卖得好；你在亚马逊卖得好，不代表独立站也卖得好。历史数据能告诉你的只是"过去的某个特定条件下这个产品表现如何"，换一个市场，条件全变了。
我的做法是，新市场一律从小批量测试开始，绝不用主力市场的销售数据直接推导采购量。哪怕这会牺牲一些规模效应和单价优势。
这个前面讲过了，但值得再强调一遍。我见过一个卖家，因为库存快照有重复记录，算出来的周转天数比实际少了一半，导致他误以为库存很健康，连续三个月没补货，结果第四个月全面断货。数据问题造成的损失，往往比判断错误更大，因为它让你连错在哪里都不知道。
很多卖家选ERP的第一标准是免费。但ERP的真实成本包括：实施和配置时间、员工培训成本、数据对接开发成本、后续的维护和迁移成本。我算过一个账，一个五人团队从零开始上线一套多平台ERP，即使软件免费，前三个月的隐性人力成本也在两到三万元左右。
所以选型时要看的不是"是否免费"，而是"数据能不能顺畅流出来"。一个能导出干净数据、支持API、有灵活计算字段的ERP，比一个免费但数据取不出来的ERP价值高得多。
这一条是对我自己说的。补货数据是后验证据，它只能验证你已经做过的事，不能告诉你没做过的事里有什么机会。用户访谈、竞品分析、平台大盘、社媒观察，这些东西该做还是要做。
正确的顺序是：先用外部调研缩小范围，提出假设；再用补货数据验证假设；验证结果反过来修正你的调研方法。两者是循环的，不是替代的。
方法论不能一刀切，不同阶段的卖家，该做什么、该放弃什么，差别很大。
这个阶段最忌讳的是上复杂系统。你的SKU数量少、团队小，最有效的动作是把所有采购和库存数据收敛到一张表里，字段包括：SKU、采购日期、采购数量、采购单价、预计到货、实际到货、当期库存、当期销量、退货量。
哪怕这张表在Excel里，每周手动更新一次，价值也远大于一个装了不用的ERP。我的建议是，这个阶段不要追求实时性，周度更新足够。
工具上，如果已经开始用多平台，可以考虑用一个能跨店铺汇总的分析工具把ERP导出数据和平台订单数据合起来看。「数跨境」在跨境电商场景下做数据接入和多维分析比较顺手，官网是 https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys，但这个阶段的重点还是字段的完整性，不是工具的先进程度。
这个阶段SKU数量上来了，多平台多店铺成了常态，靠手工表已经不够。核心动作有三个：建立统一SKU映射、给每个SKU设定安全库存和再订货点、建立缺货和滞销的自动预警。
取舍上，这个阶段要有意识地放弃一些"看起来很划算"的机会。因为你的人力和资金都是有限的，每多做一个SKU，就意味着运营精力被分散。我的建议是把SKU数量控制在团队能每周完整复盘一遍的范围内，超出就砍长尾。
这个阶段最容易犯的错误是把决策权完全交给系统。我的做法是分层：日常补货由系统按再订货点自动触发，人只做例外审批；大的采购决策（比如单次超过某个金额、或者进入新品类）必须走完整的人工评审流程。
同时，这个阶段要开始做"补货决策质量回溯"，也就是定期评估过去几个月的补货决策正确率。我给自己的目标是把补货决策的准确率（定义为"补货后30天内没有出现明显过剩或断货"）从60%提升到80%以上。
方法论讲完了，最后给一份可以直接执行的清单。这张清单我建议先做一遍，做完再决定要不要上更复杂的系统。
字段不用多，五个就够：SKU、上架日期、累计销量、当前库存、退货率。如果是已经在售的产品，再补上采购交期和最近一次返单日期。
关键要求是这些数据要能从ERP里一次性导出，不需要手工逐个复制。如果需要手工复制超过半小时，说明你的数据源有问题，先去解决这个问题。
算出每个在售SKU的售罄率、周转天数/采购交期比值、毛利模拟。这三个数算完，你会立刻发现一批"该停但没停"和"该加但没加"的SKU。我做过这个动作的朋友，第一次做完就砍掉了将近两成SKU。
按第五节的阈值表，给每个品类设一条线。不需要精准，先设一个粗略值跑起来，跑一个月再调。最忌讳的是为了"设得准"拖一个月不动手。
如果你现在的退货数据没有原因分类，这一天就把这件事做了。在退货流程里加一个必选项，分五类就够：尺寸不符、质量问题、物流破损、描述不符、客户反悔。这个动作的回报周期很长，但价值极高。
把过去三个月所有的采购单拉出来，逐条问五个问题：这一单当时的判断依据是什么？实际卖得怎么样？有没有出现断货或过剩？如果重来一次会怎么做？这个判断能不能变成一条规则？
第五个问题最重要。如果一次复盘没有产出一条可复用的规则，那这次复盘基本白做。
把复盘得到的规则，写进ERP的安全库存设定、再订货点、SKU标签里。这一步做完，你的补货系统才真正开始"学习"。
回到开头那个宠物用品SKU。最后我们没有砍掉它，而是改了产品的水泵结构、重写了详情页的静音说明、把单次采购量从2000件降到800件。三个月后，退货率降到5.1%，售罄率稳定在72%左右，这个SKU成了那个店铺的利润主力之一。
这个结果不是靠某份报告带来的，是靠把ERP里的补货、库存、退货三组数据放在一起看，发现了"卖得快但退得多"这个矛盾信号，然后针对性解决。
我想强调的独特观点就一句话：采购补货数据不是库存管理的副产品，它是市场调研最便宜、最真实、最不可伪造的一部分。因为它记录的是你真实付出的钱、真实承担的风险、真实得到的结果。任何外部报告都可以有偏差，但你自己的采购单不会。
下一步怎么走，我的建议是不要先想着上系统、买工具。先做三件事：把过去三个月的采购单拉出来，把每个SKU的售罄率和退货率算出来，把算完之后你最想改的那一条规则写下来。这三件事做完，你大概率会发现自己之前对市场的判断，有不少其实是错的。
等你把这些基础数据跑顺了，再考虑用「数跨境」（https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）这类工具把多平台、多店铺的采购和补货数据整合起来，做成能自动刷新的看板。工具的价值在于让你每周省下那几个小时的手工整理时间，把精力放在判断本身，而不是反过来，让工具替你判断。
数据是底座，决策永远在人。这句话我用了六年，还会继续用下去。
我做新品前也看榜单、看竞品评论、看平台趋势词，但真金白银投下去之后心里还是没底。后来发现补货单里的数据其实是用户用现金流投票的结果，可我不知道该从哪几个字段下手去验证当初的判断。我也怕自己把「卖得快」直接等同于「需求真实」，最后备了一堆货砸手里。
先把市场假设写成一句能被证伪的话，比如「这个价格带在东南亚站能跑量」，再回ERP取三类后验证据：动销速度、缺货结构、退货表现。动销看的是上架后14天或30天的售罄率，不是累计销量，因为累计销量会被上架时长污染。
补货单里最值得看的是「重复返单」，同一内部SKU在30天内被下单两次以上，比一次性爆单更能说明需求稳定。判断依据是这样组合的：高售罄率加低退货率说明需求真实；高售罄率加高退货率通常不是需求问题，而是产品、尺码或详情页问题；低售罄率但缺货天数很高，多数是补货节奏失误而不是需求旺。
数据口径上，动销的起点要用采购单的实际到货日而不是下单日，否则在途库存会把售罄率算低。最后把结论写回ERP的SKU标签或看板，下次选品直接复用，不然每轮调研都是从零开始。
我看过很多讲库存周转、售罄率的文章，但每个品类、每个平台的情况都不一样，照抄一个通用阈值上去基本没用。我真正卡住的是：手里有七八个指标，怎么把它们组合成一个能直接指导「要不要再下单」的判断。
我自己的做法是先砍指标，只留五个：售罄率、库存周转天数、缺货天数占比、需求波动系数、退货率。阈值不要用行业通用值，要用自己过去12个月同品类SKU的历史分位数，比如把售罄率从高到低排序，取P70作为强需求分位线，高于它才考虑加量。
周转天数必须和采购交期对着看：周转天数大于交期的1.5倍说明安全库存压得偏高，资金在仓库里睡觉；小于交期的0.8倍则大概率会断货。需求波动系数用标准差除以日均销量，低于0.5属于稳定可备货，0.5到1之间需要滚动预测、缩短补货周期，超过1就别赌了，走小批量返单。
退货率单独看，超过8%的时候即使售罄率很高也先别加量，先把退货原因归类清楚。这些分位数每季度重算一次，因为品类结构会变，去年的阈值今年不一定成立。
我有速卖通、Shopee、Lazada几个店，同一个产品在ERP里销量和平台后台经常差几个百分点，采购那边按ERP的数据补货，结果不是多了就是少了。一开始我以为是ERP不准，后来才发现是口径问题：平台算的是付款订单，ERP可能算的是发货订单，退货冲减的时间点也不一样。
先做三件事。第一，建SKU主数据映射表，把平台SKU、内部SKU、供应商料号三列对齐，一个产品在多个平台卖必须有唯一内部SKU，这是所有对账的前提。第二，统一时间口径，全部换成同一个时区，并且明确销量到底取「已付款」「已发货」还是「已签收」，退货是在退款时冲减还是退货入库时冲减，选一个就全公司统一。
第三，分清库存字段，ERP里常见的「库存」往往把在途、锁定、次品、可售混在一起，补货决策只能看可用库存加确认在途，其他都不算。做完这三步之后，每周做一次平台订单数和ERP订单数的对账，差异超过2%就去查同步日志，多数是接口断连或者订单状态没回传。
如果ERP连API导出、字段自定义和权限分级都没有，那说明它的数据能力撑不住这套方法，选型时要把这条放在「免费」前面考虑。
我做的品类工厂MOQ动辄几百上千件，交期还要45天，等货到了市场需求可能已经变了。我想用补货数据验证调研判断，可一想到第一单就要压这么多现金，就不敢下手，也不知道该用什么节奏去试。
用拆单加权加滚动补货的办法。第一单只下预测量的30%左右，同时用预售或者小包直发先测真实需求，这批数据的目的是拿到售罄率和退货率，不是拿利润。再订货点这样算：日均销量乘以交期加安全周期，再加上安全库存，安全库存用需求波动系数反推，波动大的品类安全库存要往上抬。
关键细节是交期要用实测值而不是供应商承诺值，把每批采购的实际到货日记录下来算准时率，准时率低于80%的时候，安全库存必须按历史最长交期算而不是平均交期，否则旺季一定断货。返单节奏上，首单到货后观察14天的售罄速度和退货率，达标就下第二单，第二单量可以放到首单的1.5到2倍；
不达标就先清库存，别为了摊薄采购成本硬加量。整个过程里补货数据的作用是给你一个可撤回的验证机会，而不是让你一次押对。
读者评论
采购补货数据确实比外部报告更贴近自身业务，但前提是ERP数据录入及时准确。很多中小卖家采购单和库存流水脱节，分析结果就不可信。文中三个信号很实用，尤其返单间隔和清空速度结合退货率看，能避免被虚假热销误导。
退货原因细分太关键了。我们之前只统计退货率，没拆原因，结果尺寸问题被当成质量问题处理，换供应商后退货率反而更高。文中的案例很有代表性，建议ERP退货环节必须设置必选原因，否则补货判断会失真。
漏斗图那组数字很扎心，100个候选最终5个贡献主要利润。外部选品工具只能给方向，真正该用小批量试单和补货数据来淘汰。文中说淘汰发生在第2、3层而不是第5层，这个思路对控制库存风险很有帮助。
采购补货本质是用现金流投票，这一点说得透彻。但中小卖家算单SKU毛利模拟时，往往漏掉退货处理成本和广告分摊，导致判断乐观。文中强调允许5%误差但必须当天算出来，比较务实。
五类数据缺一不可，但SKU映射和币种时间口径对齐最容易被忽略。我们之前采购编码和平台SKU对不上，看板做出来结论是反的。文中把口径对齐放在分析之前，是真正踩过坑的人才会强调的。