主推款可售库存 340 件，近 7 天日均出 28 件，也就是还能卖 12 天；同一时间，这款产品的广告正在放量，昨天刚把日预算从 80 美金提到 150 美金，ACOS 还压在 22% 附近，看起来是一笔划算的买卖。供应商交期 21 天，头程加仓 12 天。我问过不少运营一个问题：今天这 150 美金预算，该继续加，还是立刻砍？十个里有六个会说"ACOS 这么好当然加"，只有一两个会先算一下可售天数。

这个微小的动作差异，就是我写这篇文章的原因，《erp跨境电商从0到1：采购补货的广告投放与操作要点》这个题目里，"采购补货"和"广告投放"看起来是两件事，甚至读起来有点断裂，但在真实的跨境生意里，它们从来不是两条平行线，而是同一笔现金流的两个出口。下面我把这几年踩过的坑、复盘出来的判断逻辑、以及在真实系统里跑这套循环的过程，完整讲一遍。

一、先把核心结论说清楚

1. 我的核心判断：补货和投放是同一个现金流问题的两面

先说结论，能省掉很多纠结：补货节奏决定广告预算节奏，广告结果反过来改写补货参数。这两件事必须放在同一个循环里做，而不是交给两个岗位各自背 KPI。

为什么？因为库存是广告的地基。库存充足时，广告是可以放心放量的加速器；库存见底时，同样的广告预算会变成一个加速器踩到底、但油箱已经见底的场景，钱花出去了，订单来了，货没了，排名掉了。

我见过最典型的翻车场景不是"广告没做好"，而是广告做得太好，货跟不上。运营觉得自己在创造 GMV，其实是在提前透支这个 Listing 的寿命。

反过来也一样。库存压了 4000 件、周转天数 90 天以上的时候，广告的角色就变了，它不再是增长工具，而是清货工具。这时候用"ACOS 越低越好"的标尺去衡量投放，方向就是错的，你要的是出清速度，不是单笔毛利。

2. 唯一能把两个部门焊死的变量：可售天数

跨境团队里，采购和投放之所以互相打脸，根源是看的是两套指标。采购看周转天数、看滞销率、看资金占用；投放看 GMV、看 ACOS/ROAS、看广告订单占比。这两套指标之间，缺一个共同的翻译器。

我用的翻译器叫"可售天数"（Days of Supply，下文简称 DOS）。它不需要多高深，就是一句话：以当前动销速度，手上能卖的货还够卖几天。

口径我固定这么写，避免团队吵架：

• 分子：本地可售库存 + 在途库存（已下单、已发货、还没上架的）
• 分母：近 7 天日均销量 × 0.6 + 近 30 天日均销量 × 0.4
• 不含：不可售库存、退货在途未质检的、已被预留但实际无效的

用加权而不是直接用近 7 天，是因为跨境的需求波动太剧烈。单靠 7 天，一次秒杀就能把预测带飞；单靠 30 天，又抓不住趋势拐点。0.6/0.4 是我自己调出来比较稳的权重，不同类目可以改，但一定要写清楚并固定下来，否则每次算出来的数都不一样，讨论就变成了扯皮。

有了 DOS 之后，投放和采购终于可以在同一张表上说话：投放说"我这个类目 DOS 低于 15 天就不敢加量"，采购说"那我按 15 天作为安全底线来排补货"。这才是能落地的协同。

3. 从 0 到 1 阶段的三条硬规则

如果你现在 SKU 不到 200 个，历史数据还不厚，我不建议你上来就搞复杂的需求预测模型。这个阶段我自己的三条规则是：

1. 先用规则，再用模型。没有 6 个月以上的稳定销售历史，任何季节性、趋势项都只是噪声。
2. 参数必须由人定，系统只负责算。交期、缓冲天数、最小起订量这三个数，是你的业务判断，不是系统的默认值。
3. 每一次人工修改都要留痕。改了系统的补货建议，就写一句为什么。三个月后你会感谢自己。

第三条最容易被忽略，但它的价值在半年后才会显现。当你回头看"为什么当时判断错了"，如果只改了数字没记原因，你永远不知道是需求估错了还是交期估错了。

二、一次断货事故的完整复盘

1. 事故经过

说一个我自己真实经历过的案例。三年前，一款家居类主推品，在旺季前 5 周，我做了两个"正确"的决策：

• 投放端：ACOS 稳定在 24%，我判断还有优化空间，把日预算从 80 美金提到 180 美金
• 采购端：供应商报价那周有 8% 的折扣，但要求起订量翻倍，我判断资金压力大，只补了 1.5 倍常规量

单看每一个决策都合理。合起来的结果是：第 3 周开始库存告急，第 4 周主力 SKU 断货 9 天，第 5 周旺季正式到来，我手上没货。等补货到仓上架，旺季已经过去了一半。

最刺痛我的不是少赚了多少钱，而是断货恢复后的两周，同样的广告预算，转化率比断货前低了将近三成。权重和评论积累的节奏被打断了，我等于重新养了一遍这个链接。

2. 断货的真实代价拆成四笔账

大多数人只算第一笔账，所以总觉得"断几天没关系"。我把这四笔账列出来，你可以对照自己的情况估一估：

注意第三笔和第四笔，它们是"滞后账"，断货当时看不出来，一个月后才慢慢体现。很多人以为补货是一场采购事故，其实它首先是一场投放事故。因为广告是主动放大器，它会把断货的时间点提前，也会把断货的代价放大。

3. 我后来改了什么

事故之后我做了三件事，都不复杂，但从此再没出现过同类问题：

1. 把 DOS 拉进了投放的日常看板。不是每天看，是每周一固定看一次，标出所有低于 25 天的 SKU。
2. 建立了"投放动作必须过库存闸门"的规则。任何超过 30% 幅度的预算上调，必须先确认 DOS 大于 30 天。
3. 把补货建议从"系统生成直接下单"改成"系统生成 + 人工确认 + 记录原因"。这一步看着笨，但它把责任和判断留在了人这里。

第三点的价值我在半年后才真正体会到。因为我留了痕，所以我能算出哪些 SKU 的补货建议被系统高估了、哪些被低估了，这些偏差最后变成了我调整参数权重的依据，而不是凭感觉乱改。

三、拆解五个高频误区

1. 误区一：补货是采购的事，跟投放没关系

这是最普遍也最致命的认知。持这个观点的人，通常会在断货之后追责采购，却不去看投放当时在做什么。

现实是：投放是需求的制造者，采购是需求的承接者。你制造了多少需求，就必须有对应的承接能力。投放突然放量，等于人为制造了一次需求跳跃，如果采购参数没有同步更新，断货就是必然结果。

我的判断标准很简单：如果你团队里投放和采购一个月开不了一次对齐会，那你一定在某个 SKU 上埋了雷，只是还没引爆。

2. 误区二：新品期套用复杂预测模型

很多 ERP 系统内置了挺高级的需求预测能力，什么季节性分解、指数平滑、机器学习回归，听起来很强。但在新品期，这些能力往往帮倒忙。

原因很朴素：模型需要数据喂养，新品期恰恰没有数据。你拿 3 周的销量去拟合一条季节性曲线，得到的不是预测，是幻觉。系统还会很有信心地给你一个"建议补货量"，精确到个位数，这种虚假的精确感最危险。

我的做法是，新品期主动把系统切到"简单规则模式"，只用加权日均和固定缓冲，等积累了 8 到 12 周的稳定数据再逐步启用更复杂的算法。

3. 误区三：断货了才动手关广告

断货之后再关广告，已经晚了。正确的时机是DOS 跌到阈值时就开始"降速"，而不是清零。

为什么不能一刀切关停？因为突然关掉广告会让流量结构瞬间变化，自然位和广告位的关系被打破，恢复期的爬坡会更慢。我自己的做法是分档降速，优先级是：先砍大词广泛匹配，再砍中等表现的精准词，最后保留品牌词和转化最好的核心词。

这个顺序的逻辑是：品牌词的转化最稳、单次获客成本最低，保留它能维持基本的订单节奏和排名信号；广泛匹配花钱最快、转化最散，先砍掉对库存压力的缓解最明显。

4. 误区四：库存过剩就无脑打折清货

库存压住的时候，很多人的第一反应是降价清货，同时加广告。这两个动作叠加，很容易清出一堆负毛利订单。

我的判断是：清货之前先算清楚"清货底线价"，也就是在覆盖采购成本、头程、平台佣金和广告费之后，还不亏的那个价格。低于这条线清货，等于用现金换仓库空间，那不如直接走站外清货渠道或者接受长期的仓储费。

另外，广告清货要看边际：当广告花费已经超过清货带来的仓储费节省时，加预算就没意义了。

5. 误区五：把 ERP 的补货建议当命令执行

这是我见过最隐蔽的坑。系统给了建议，运营直接照着下单，看起来很高效，实际上把一个需要判断的环节变成了机械执行。

系统给的数，是基于你设定的参数算出来的。参数错了，建议就是错的，而且会错得很稳定。比如你在系统里把供应商交期设成了 18 天，但实际旺季交期会拉到 30 天，系统会一直低估补货紧迫性，你还每次都照单执行，结果就是每次都晚。

我现在的习惯是：每条补货建议都要过一遍"这个数为什么是这个数"，尤其是金额最大的那几个 SKU。花 5 分钟，省掉一次断货。

四、专业判断逻辑：补货，投放联动循环

1. 四档库存状态对应四种投放策略

这是我这套方法里最核心、也最可复用的部分。不看平台、不看类目，只看 DOS 分档。下面这张表是我自己用的模板，你可以直接改数字：

这张表的用法不是"照着执行"，而是"给讨论一个共同语言"。真正做决策时，还要叠加一个变量：这个 SKU 是不是主推款。主推款的档位阈值应该更保守，比如 45 天就算偏紧；长尾款的阈值可以更激进一些。

2. 库存偏紧时的降速顺序

降速不是一键关停，顺序很重要。我自己的执行顺序是：

1. 第一步：砍广泛匹配和大词。这类投放花钱最快、转化最分散，砍掉对现金流缓解最直接。
2. 第二步：降低自动广告的竞价上限。自动广告容易跑偏，降低上限相当于给预算装个阀门。
3. 第三步：暂停表现最差的 20% 关键词。按 ACOS 或 ROAS 排序，从尾部开始清。
4. 第四步：保留品牌词 + 转化前 5 的关键词，这部分是维持排名和基础订单节奏的底线。
5. 第五步：如果 DOS 低于 7 天，才考虑全部暂停，并且要提前准备好恢复期的爬坡计划。

注意第三步的"表现最差 20%"这个比例不是固定的，是按预算削减目标倒推出来的。先确定要省多少钱，再决定砍多少词，这个顺序不能颠倒。

3. 投放结果反写补货参数的三个入口

循环的另一半，是广告结果如何回到补货参数里。我用三个入口：

第一个入口最容易被忽略。如果你把广告订单和自然订单混在一起算日均销量，做出来的补货建议会系统性偏高，因为广告本身是变量，不是稳定的需求来源。

我的做法是分开看：自然订单用来预测基础需求，广告订单用来判断弹性上限。这两个数在补货参数里的权重完全不同。

4. 参数是人的判断，执行是系统的事

这句话是我这套方法的边界线。系统擅长的是：把库存、在途、销量、交期这些数据汇总起来，按你给的参数算出可售天数和建议补货量，并且在跌破阈值时提醒你。

系统不擅长的是：判断这个供应商旺季会不会延迟、判断这个新品会不会起量、判断这次大促该备多少。这些是业务判断，只能人来定。

所以我从来不追求"全自动补货"。我追求的是"系统把 80% 的计算做掉，人只做 20% 的关键判断"。这样做出来的决策，既能规模化，又不会被算法的盲区带沟里。

五、案例观察：用数跨境把联动循环跑一遍

1. 为什么拿它做这次观察

上面讲的都是逻辑，逻辑要落地就得有承载工具。我这段时间用 数跨境 做了一次完整的联动循环观察，原因很简单：它把库存、在途、采购建议、以及多平台的数据放在了一个视图里，我不需要在几个系统之间来回倒数据。

官网在 https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys，感兴趣可以自己去看它的能力边界。我下面讲的是我实际用到的部分，不是功能罗列。

我要强调的是：工具不解决判断问题，它只解决效率问题。如果补货参数是你拍脑袋定的，换任何系统都不会变准；如果你的参数有依据，一个好的系统能让这套循环从每周花 3 小时压缩到 40 分钟。

2. 前置口径：在途、可售天数、缺货天数怎么定义

不管用什么工具，口径必须自己先定死。我用的三个定义如下，写在这里供你参考，但建议你按自己的业务改，改完就固定下来：

这四个口径统一之后，你会发现团队里的争论少了一大半。因为很多争吵本质上不是观点分歧，而是口径分歧。

3. 补货建议 → 人工确认 → 记录原因

这是我在数跨境里跑的核心流程，也是我认为最值得复制的一步。整个流程分四个动作：

1. 系统生成建议。基于我设定的交期、缓冲、最小起订量，输出每个 SKU 的建议补货量和建议下单时间。
2. 人工逐条确认。我只重点看两类：金额最大的前 10 个 SKU，以及 DOS 低于 25 天的所有 SKU。
3. 修改必须写原因。把建议量从 800 改成 1200，就写一句"旺季前锁定产能，供应商要求起订量上浮"。
4. 回收复盘。每月回看一次，统计有多少次人工修改是对的、多少次是错的，用这个数据反过来调参数。

第三步是关键。我见过太多团队，改了就改了，三个月后完全想不起来为什么改。记录的真正价值不是合规，是让你能持续校准自己的判断力。

4. 一段可复用的计算逻辑

如果你想先在 Excel 里跑一遍，或者在系统里配置自定义公式，下面这段逻辑可以直接抄。它的重点不是代码本身，而是把口径固化下来：

# 单 SKU 可售天数与建议补货量（简化版，用于日常判断）
daily_sales_7d = 28.0 # 近 7 天日均销量

daily_sales_30d = 19.5 # 近 30 天日均销量

on_hand = 340 # 本地可售库存

in_transit = 0 # 在途库存（已发货、未上架）

lead_time_days = 21 # 供应商生产交期

head_time_days = 12 # 头程运输 + 入仓上架

buffer_days = 10 # 安全缓冲天数

加权日均：近期权重更高，但不完全依赖短期波动

forecast_daily = daily_sales_7d * 0.6 + daily_sales_30d * 0.4

可售天数：只算真正能卖的货

days_of_supply = (on_hand + in_transit) / forecast_daily

总补货周期：三段相加，任何一段估错都会整体失真

total_lead = lead_time_days + head_time_days + buffer_days

建议补货量：补到覆盖整个周期，且不为负

suggest_qty = max(0, round(forecast_daily * total_lead - on_hand - in_transit))
print(f"可售天数 {days_of_supply:.1f} 天")
print(f"总补货周期 {total_lead} 天")
print(f"建议补货 {suggest_qty} 件")

用上面的数跑一遍：可售天数 12.1 天，总补货周期 43 天，建议补货 630 件。这个 630 件就是系统会给出的建议量，但你要不要照着下单，取决于你的判断，比如你能不能让供应商分两批发、比如旺季头程会不会延误。

系统给的是起点，不是终点。这一点想通了，ERP 的定位就摆正了。

5. 上线前后八周的数据观察

下面这组数是我这次观察的样本推演，口径是：单个店铺、SKU 数 86 个、观察窗口为启用联动循环前后的各 8 周。不是行业统计，只代表我这一组样本的情况，你只做参考：

这里我最想强调的不是"断货天数降了"，而是人工修改率 31% 这个数。它说明系统给出的建议里有近三分之一被人工纠正了。如果当初不做人工确认，直接照单执行，这 31% 的偏差就会变成真实的库存错配。

反过来，另外 69% 被采纳的建议，说明系统已经把大部分重复劳动承接掉了。这就是我说的"80% 交给系统，20% 留给人"。

六、不同阶段的行动建议

1. 新品期（SKU 少于 30，无稳定历史销量）

这个阶段的核心矛盾是：你没有数据，但又必须备货。我的建议是：

• 不要用系统预测，用简单规则加人工判断。加权日均 + 固定缓冲，够用了。
• 首批备货宁少勿多。宁可第二批补，也不要一次压满。新品期断货的伤害远小于新品期滞销。
• 广告策略以"测"为目标，不以"量"为目标。预算不需要大，需要的是把词跑出来、把转化数据跑出来。
• 缓冲天数设大一点。新品期波动大，缓冲小了你压不住。

这个阶段最容易犯的错是用新品期的数据去说服自己"再等等看"。如果你发现某个新品连续两周转化稳定、广告能持续出单，那就该果断补货，不要等到 DOS 掉到 15 天才动。

2. 成长期（SKU 在 30 到 100 之间，销量有波动）

这是最容易出问题的阶段，也是联动机制价值最大的阶段。特征是：SKU 变多了，靠人记不住；销量有趋势了，但还不稳定。

我的建议是：

1. 把联动循环固定成每周一次的节奏，不要每天看，也不要一个月看一次。
2. 按销量做 ABC 分层，A 类（贡献 70% 销量）重点看，C 类可以粗放一些。
3. 开始启用更细的投放分档，四档库存状态的阈值在这个阶段应该调紧一些。
4. 开始记录人工修改原因，为下一个阶段积累调参依据。

这个阶段我还要提醒一点：不要为了让 DOS 好看而牺牲增长。有些运营看到可售天数掉到 20 天就慌，把广告全关了，结果一个本来能起量的链接被自己按住了。判断标准应该回到"这个 SKU 值不值得为之承担断货风险"。

3. 稳定期（SKU 在 100 到 200 之间，数据相对充分）

这个阶段可以开始上更精细的能力了：

• 按 SKU 分层设定不同的安全缓冲，A 类更高、C 类更低。
• 引入季节性因子，但只对确实有明显季节性的类目启用。
• 把交期波动纳入计算，而不只用平均交期。
• 把投放的转化率变化作为需求预估的修正项。

但请注意，即使到了这个阶段，我依然不建议全自动补货。自动化程度越高，参数错误的放大效应越大。一个 SKU 参数错了可能损失几百块，一百个 SKU 参数错了就不是小数字了。

4. 多平台多仓（涉及海外仓或平台仓）

一旦涉及多平台、多仓，复杂度会跳一个量级，因为库存分散在不同地方。这时候判断逻辑要加两个维度：

第三点我要特别提醒：不同平台对断货的处理机制差异挺大，不要一概而论。具体政策请以各平台官方卖家中心的帮助文档为准，我这里只讲判断逻辑，不给平台政策的硬性结论。

七、不同情况下的取舍

1. 缺货损失与滞压成本，怎么权衡

这是补货决策里最本质的一组取舍。多备货，滞压成本上升；少备货，缺货风险上升。理论上存在一个总成本最低点，但实操中你不用算得那么精准，只需要记住两个方向性判断：

• 毛利越高的产品，越应该偏向多备货。因为缺货的机会成本远大于滞压的资金成本。
• 生命周期越短、迭代越快的产品，越应该偏向少备货。因为压住就意味着贬值。

还有一个容易被忽略的变量：你的现金流状况。如果资金紧张，即使理论上该多备货，你也得接受更高的缺货风险，因为断货不会让你死，资金链断会让你死。

2. 交期准确度与安全库存厚度

很多人的直觉是：交期不准，那就把安全库存设厚一点。这个思路对，但有边界。

如果交期波动是随机的、偶发的，加大缓冲确实有效。但如果交期是系统性延迟的，比如你的供应商旺季固定会拖 10 天，那么正确的动作是修改系统里的交期参数，而不是无脑加缓冲。

因为缓冲是"抗波动"的成本，而参数修正是"消除偏差"的动作。前者每个月都在花钱，后者只花一次。用加缓冲去解决系统性偏差，等于每个周期都在为同一个错误付费。

3. 广告放量与库存深度

这组取舍的核心是：放量的收益是否值得承担断货风险。我的判断框架有三个问题：

1. 这个 SKU 补货周期有多长？超过 40 天的话，放量必须格外谨慎。
2. 这个 SKU 的毛利能否覆盖空运成本？如果能，那断货风险是可对冲的，可以更大胆。
3. 这个 SKU 处在什么生命周期？新品期放量要克制，成熟期可以更大胆。

三个问题都指向"可以放"，那就放；只要有一个答案是"不行"，就该按现有库存档位来调整，而不是凭感觉。

4. 系统自动化与人工介入

这是最后一组，也是最长期的取舍。我的立场很明确：在 SKU 少于 200 个的阶段，不要把补货做成全自动。

原因有三：

• SKU 少的时候，人工判断的边际成本很低，收益却很高。
• 早期参数还不稳定，全自动会把参数错误放大成库存错误。
• 早期团队的判断力还在建立中，跳过人工环节等于跳过了学习过程。

那什么时候可以开始考虑自动化？我的判断标准是：当你的人工修改率连续三个月稳定在 20% 以下，说明参数已经足够准了，这时候把确认环节的粒度放宽一些是合理的。

八、每周联动复盘清单与下一步

1. 一周三看的固定节奏

最后给一套可以直接抄走的节奏。它不需要额外工具，只要每周花不到一个小时：

1. 周一：看风险。拉出所有 DOS 低于 25 天的 SKU，以及在途库存的预计到仓时间，标出本周必须处理的名单。
2. 周三：调投放。按四档库存状态，对应调整广告预算档位，严格执行"先砍广泛匹配、后砍尾部关键词、保留品牌词"的顺序。
3. 周五：回写参数。把本周人工修改的补货建议逐条记录原因，并更新那些已经确认变化的交期参数。
4. 每月一次：复盘误判。统计本月所有断货和所有滞压的 SKU，逐条判断"是需求估错了，还是交期估错了"，只改参数，不改情绪。

第四步最容易被跳过，但它的价值是复利式的。我坚持做了两年之后，最明显的变化不是某个指标提升了多少，而是我对自己判断偏差的方向有了清晰的认知，我知道自己在哪些类目上会习惯性高估需求，在哪些供应商上会习惯性低估交期。

2. 下周就能做的三件事

如果你读到这里，想立刻动手，我只建议三件事，其他的都可以往后放：

1. 把可售天数的口径写下来，写进共享文档。包括分子分母、权重、以及哪些库存不算。这一步不花钱，但能立刻减少团队一半的争论。
2. 拉出你当前所有 SKU 的 DOS，按四档分类，标出告急和紧张的。你会惊讶于有多少 SKU 已经在你没注意的时候滑到了危险区。
3. 给下一条补货建议写一句为什么。不管你是采纳还是修改，都写一句。三个月后回看，你会知道自己的判断准不准。

3. 总结一个我自己最认可的观点

回到标题里那个看起来断裂的地方，"采购补货的广告投放"。我现在可以给它一个完整的解释：

补货不是采购的事，投放也不只是流量的事，它们是同一个现金流转盘的两端。补货节奏决定广告预算能放多大，广告结果决定下一轮补货该补多少。

从 0 到 1 做跨境，真正稀缺的不是工具，也不是资金，而是把这两件事连起来看的人。SKU 少的阶段，与其纠结算法的精度，不如把补货和投放的沟通频率提上来。一周一次的对齐，胜过换任何一套系统。

如果你现在正准备上 ERP，或者已经在用但只用它做订单处理，可以从最基础的一件事开始：把这两个部门的关键指标放到同一张表上。工具选什么都可以，关键是这套循环要转起来。等循环稳定了，再去追求更精细的算法和更高的自动化程度，那时候你才有能力判断系统给的数到底对不对。

免费注册

咨询方案

扫码咨询方案