三年前我接手一个家居类目的库存重整项目：SKU 只有 180 个，仓库里却压着 47 万货值的滞销库存，同时排名前 12 的链接里，有 5 个在那半年里断过至少两次货。老板问我一句话，"我们选品的时候明明算过毛利，为什么做起来既不赚钱，还总断货？"这个问题我后来在至少二十家跨境公司里重复听到过，答案几乎都指向同一个被忽略的环节：选品策略在立项时是"需求导向"的，但活下来靠的是"补货导向"的。
这篇文章不谈爆款预测，也不谈选品清单。我要讲的是一件更底层的事，怎么用采购补货的可行性，反向给选品做筛选和分层，并且把这套逻辑落到 ERP 的字段和规则里。文章里的方法、公式、阈值和踩坑记录，来自我参与过的实际项目，以及用数跨境（https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）这类跨境电商数据工具做过的补货测算。
具体数字我会标注是真实观察还是情景推演，不会把模拟数据包装成行业统计。
先把话说透。我见过太多团队把选品和补货当成两个部门、两个阶段、两套逻辑的事：选品会看市场容量、竞品评价数、价格带、差异化卖点；补货会看交期、MOQ、安全库存、在途。两边各自都对，合在一起就崩。因为选品阶段选出来的"好品"，很可能是一个交期 45 天、MOQ 3000 件、供应商只有一家的品。
爆款是结果，不是筛选条件。一个品能不能被反复补上，取决于三件事：供应商能不能稳定交货、需求能不能被预测到足够准、你的现金流能不能扛住一次压货周期。这三件事里面任何一件不成立，这个品在你的体系里就是"不可经营的品"，不管它在别人那里卖得多好。
我做过一个粗略的复盘：在我经手的项目里，最终被砍掉的 SKU 中，大约有六成不是因为卖不动，而是因为补不上、或者补一次就把资金压死。也就是说，砍掉它们的决策本来应该在选品阶段就做完，结果拖到了半年后的清仓。
很多运营的思维是"我先选到好品，再去解决供应链"。这个顺序在单品爆发的偶然情况下成立，但在系统性经营里几乎必然失败。更靠谱的顺序是：先盘点你的补货能力带宽，资金、仓储、供应商池、预测准确度，再决定你能承载多少 SKU、什么类型的 SKU。
举个具体例子。如果你的资金池是 80 万，平均库存周转天数是 75 天，那么你的平均在库+在途货值大概就在 80 万上下浮动。这时候你想上一批单价 120 元、MOQ 500 件的新品，一个 SKU 首单就要占 6 万，十三个这样的 SKU 就把资金吃满了。选品数量不是由市场机会决定的，是由这条资金带宽决定的。
我判断一个团队的补货能力是否成熟，只看一件事：他们的 ERP 里有没有"可补货性"这个状态字段。如果 ERP 只是记录订单、库存和采购单，那它就没有参与决策；如果 ERP 里能针对每个 SKU 输出交期波动率、在途可售天数、建议补货优先级，那它就已经在替你做选品的初筛了。
我在 2021 年做过一次比较彻底的库存诊断，涉及 180 个 SKU、四个平台站点、两个海外仓。那次诊断让我第一次意识到，问题不是出在"选品不准"，而是出在选品和补货之间有一条没人负责的断层。
那个类目是家居收纳，客单价在 25-60 美元之间。诊断前的状态是：在售 180 个 SKU，月均销售额约 12 万美元，但库存周转天数 104 天，滞销（90 天无动销）库存货值 47 万人民币。
我们按"是否断过货"和"是否有滞销库存"两两交叉，把 180 个 SKU 分成了四组，结果非常反直觉：
真正的问题在第一组：41 个 SKU 之所以既断货又滞销，不是因为预测不准，而是因为供应商的起订量是按整箱/整包算的，而销售是分散在不同颜色和尺寸上的。你在选品时看到的是"这个收纳盒好卖"，采购看到的是"这个收纳盒一箱 60 个，6 个颜色，最小起订 20 箱"。
我把那次诊断的结论抽象成四个断点，后来在别的项目里反复验证，基本通用：
很多团队会说：这些数据我 ERP 里都有啊，库存、订单、采购单、在途，全都有。问题在于有数据不等于有指标，有指标不等于有阈值，有阈值不等于有动作。
"库存在途 1200 件"是数据；"在途可售天数 18 天"是指标；"在途可售天数低于交期×1.2 时触发预警"是阈值；"预警触发后自动生成采购建议并进入审批流"是动作。这四个层次的成熟度，决定了选品策略能不能被真正执行。
我见过的最典型情况是：ERP 里有完整的采购模块，但采购员实际排补货计划靠的是自己维护的一张 Excel，理由是"系统里那个公式算出来的数不对"。这不是员工的问题，这是 ERP 里的参数没人维护导致的信任崩塌，而参数没人维护，往往是因为选品阶段就没人定义过这些参数该由谁负责。
下面这七个误区我几乎在每个项目里都能见到至少三四个。它们单独看都不致命，叠在一起就会让整个补货体系失效。
毛利率高的品往往有两个特征：要么是供应链不成熟的新奇品，要么是小众需求。前者的交期和品控问题多，后者补货频次低、每次补货批量小，物流成本摊不开。我从不按毛利率排序选品，我按"单位资金年化回报"排序。
举个例子：A 品毛利 55%，但周转 120 天；B 品毛利 28%，周转 30 天。同样 10 万资金投入一年，A 品大约转 3 次，B 品转 12 次。粗算下来 B 品的资金产出反而更高。这个道理不复杂，但在选品会上很少有人把周转天数摆到毛利旁边一起看。
历史销量是"在库存约束下实现的销量"，不是真实需求。如果你的品断货了 20 天，系统里的销量就已经被削掉了一块。用这个数字算日均销量，再去算安全库存，会系统性低估需求。
我通常会让团队做一件事：把所有断货天数标出来，对断货期间的日均销量做一次还原估算。经验上，被断货掩盖掉的需求在 10%-30% 之间，爆发期更高。
"安全库存定为 30 天销量"是我最常听到的一句话。它的问题是：30 天这个数字从哪来的？如果交期波动很小、需求很稳，30 天是巨大浪费；如果交期波动很大、需求波动也大，30 天可能完全不够。
安全库存应该由交期波动和需求波动共同决定，而不是由天数决定。这个公式我在下一个章节会给出具体形式。
大部分 ERP 的 SKU 状态只有启用、停用、缺货。但实际经营中，一个 SKU 可能处在"在售但已停止补货，等待自然售完"的状态，这个状态如果不显式标记，运营会继续投广告，采购会继续下单，库存永远清不掉。
我的做法是强制加三个状态：正常补货、限量补货（只补最畅销规格）、停止补货待清。这三个状态一旦显式化，滞销治理就从一个季度一次的专项工程，变成了每周都能看到的看板。
用同一套安全库存天数和补货频率去管测款、增长款、稳定款和长尾款，结果一定是测款压货、稳定款断货。不同生命周期的商品，补货逻辑应该完全相反：测款要"宁可断货也不能压货"，稳定款要"宁可压一点也不能断货"。
缺货率和滞销率是一对连体指标。你只要把安全库存拉到足够高，缺货率一定下降，但滞销率一定上升。只看其中一个，就会不断在两个极端之间来回摆动。
我建议把这两个指标放在同一张图上，看它们的合成效应，我通常用一个简单的合成指标：库存健康度 = 1 – 缺货率 – 滞销占比。这个数字不需要精确，它的价值在于让团队没法只优化其中一项。
补货不只是采购动作，还包括头程运输、入仓、平台规则。海运 35 天、空运 7 天、海外仓入库预约排期 3-10 天、平台 FBA 有每批次数量和尺寸限制、某些国家对特定材质有认证要求。这些约束如果不进入选品阶段，选出来的"好品"会在补货的时候才发现根本进不去。
下面这套逻辑是我目前最常用的框架。它的核心思想是：把选品拆成四道可量化的关卡，任何一道不过关就不进入正式补货体系。
这一层只看供应端，不看需求。需要采集的字段包括：
我用的硬指标是交期变异系数（CV = 交期标准差 ÷ 平均交期）。CV 大于 0.3 的品，除非毛利足够高能覆盖冗余库存，否则我建议直接不进核心盘。因为 CV 高意味着你永远算不准补货点，只能用巨大安全库存去对冲。
这一层看的是需求端能不能形成稳定信号。关键判断有四个：
我一般把需求可预测性分成三档：平稳型（CV < 0.5）、波动型（0.5 ≤ CV < 1.0）、脉冲型（CV ≥ 1.0）。脉冲型商品不是不能做，而是必须用完全不同的补货策略，小批量高频次，或者干脆做预售。
这一层的核心是算一个 SKU 的"资金占用天花板"。公式很简单：
单 SKU 最大资金占用 = 平均库存件数 × 采购单价 + 在途件数 × 采购单价
平均库存件数 = 日均销量 × (补货周期 + 安全库存天数)
在途件数 = 日均销量 × 平均交期
判断标准：
单 SKU 最大资金占用 ≤ 可用资金总额 ÷ 计划 SKU 数量
这个约束看起来很粗，但它有一个非常实用的性质：它把"我想做多少个品"变成了"我能做多少个品"。很多团队的选品失控，本质上是这一层从来没有算过。
这是最容易被忽略的一层，也是我认为最重要的一层。一个 SKU 在立项的时候，就必须回答：如果它失败了，我怎么把它清掉？
我给出一个硬性建议：如果一个品在立项时找不到任何退出路径，就不要做。哪怕它看起来再好卖。因为跨境的长尾库存处理成本远高于国内，弃置、退运、销毁都是真金白银。
四层筛选解决的是"进不进来"的问题，ABC-XYZ 矩阵解决的是"进来之后怎么管"的问题。
ABC 按销售额贡献分：A 类贡献前 70%，B 类 70%-90%，C 类 90%-100%。XYZ 按需求稳定性分：X 平稳型，Y 波动型，Z 脉冲型。两两交叉得到九个格子，每个格子对应一套补货规则。
| 分类 | 典型特征 | 补货策略 | 安全库存策略 | 复盘频率 |
|---|---|---|---|---|
| AX | 高贡献 + 需求平稳 | 自动补货，EOQ 订货 | 参数化，交期×1.2 | 月度 |
| AY | 高贡献 + 需求波动 | 滚动预测 + 分批发货 | 提高系数至 1.5 | 双周 |
| AZ | 高贡献 + 脉冲需求 | 事件驱动补货，预售兜底 | 按事件预算定，不设常备 | 每周 |
| BX | 中贡献 + 需求平稳 | 合并订单，降低频次 | 参数化 | 月度 |
| BY | 中贡献 + 需求波动 | 半自动，人工复核 | 参数化 + 人工调整 | 双周 |
| BZ | 中贡献 + 脉冲需求 | 谨慎补货，限量补货状态 | 低安全库存，容忍缺货 | 每周 |
| CX | 低贡献 + 需求平稳 | 合并下单，长周期补货 | 低安全库存 | 季度 |
| CY | 低贡献 + 需求波动 | 停止主动补货，观察 | 无 | 季度 |
| CZ | 低贡献 + 脉冲需求 | 停止补货，进入清退 | 无 | 不再复盘 |
这张表的价值在于：它把"要不要补"这个每天都在吵的问题，变成了"这个 SKU 落在哪个格子"这个客观问题。一旦格子定了，补货动作就自动确定了，采购和运营不需要每次重新博弈。
所有补货动作最终都要落到两个数字上：什么时候补（补货点），补多少（补货量）。
补货点的基本形式是：
补货点 = 日均销量 × 平均交期 + 安全库存
安全库存 = Z × √(交期 × 需求方差 + 需求均值² × 交期方差)
其中：
Z = 服务水平系数（95% 服务水平约取 1.65）
需求方差 = 日均销量标准差²
交期方差 = 交期标准差²
这个公式是三年前一个做供应链的朋友教我的，我后来在多个类目里验证过。它最大的好处是把"安全库存该定多少天"这个拍脑袋问题，变成了两个可观测的参数：需求波动和交期波动。
不过我必须说清楚：这个公式假设需求近似正态分布。对于脉冲型需求（Z 类），正态假设不成立，用完公式会得到荒谬的结果。所以我在 ERP 里对 CZ、BZ 类 SKU 直接禁用自动安全库存计算，改用"事件驱动 + 人工判断"。
补货量方面，我用的是修正后的 EOQ：
经济订货量 EOQ = √(2 × 年需求量 × 单次订货成本 ÷ 单位持有成本)
跨境场景修正：
实际补货量 = min(EOQ 折算件数, 供应商 MOQ 档位向上取整, 资金上限允许件数)
且 实际补货量 ≤ 160 天销量（防止单次补货过量）
框架最终要能被系统承载。我通常要求 ERP 里存在三张逻辑表：
这三张表不需要一次做全，但第一张表的字段如果缺失，后面两张表就是在沙子上盖楼。
前面讲的是框架。但框架最难的部分不是设计，而是让它每天真的跑起来。这一节我讲讲我是怎么用数跨境（https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）这类跨境电商数据工具，把选品和补货这两件被割裂的事接起来的。
我选工具的标准很实际：能不能同时看到"卖得怎么样"和"货够不够"，以及这两件事能不能按 SKU 对齐。很多工具的强项在流量和广告侧，库存数据要么缺失，要么和销量数据对不上时间口径。而补货判断最怕的就是口径不一致，销量按自然日统计，库存按快照统计，两个数一除，得到的可售天数就是错的。
数跨境这类工具之所以适合用来做补货测算，是因为它的数据组织方式是围绕 SKU 和库存展开的，能够把销售、库存、在途这几条线拉到同一个表格里对齐。这一点在实际操作中比功能多少重要得多。
我的习惯是先做一次"字段体检"，确认下面这些字段能不能按 SKU 逐日拉到：
这一步做完，基本就能算出每个 SKU 的真实交期分布和需求波动率。我在一个约 220 个 SKU 的户外类目里跑过一次，结果发现供应商 A 宣称 30 天交期，实际 6 次记录是 27、29、31、28、45、33 天，均值 32.2 天，标准差 6.4 天，CV 约 0.2，整体可控，但有一次 45 天的异常。这个异常如果不被发现，就正好对应一次断货。
我最终固定下来的补货看板是四个面板，每个面板只回答一个问题：
这四个面板的价值在于形成了一个闭环：供应商履约面板的产出，会直接回流到下一轮选品的第一层筛选。这就是我说的"选品和补货是同一件事"。
第一个观察：断货的主要成因不是预测不准，而是补货周期被低估。我统计过一个季度里 34 次断货事件，其中 21 次的直接原因是"补货总周期"里漏算了入仓预约排期和头程清关，平均漏算 11 天。预测误差导致的断货只有 7 次。
第二个观察：安全库存参数化之后，整体库存反而下降了。这一点很反直觉。当团队把"30 天安全库存"改成按公式计算后，A 类稳定款的安全库存实际拉高了，但 C 类长尾款的安全库存被压到接近零，两者相抵后总库存下降了约 18%。原因是原先的一刀切对长尾品过度保护了。
第三个观察：真正决定资金效率的是首单量，而不是补货频次。我对比过两组 SKU，一组的补货频次是另一组的两倍，但资金周转反而更慢。原因在首单：一组首单按"预估 60 天销量"下单，另一组按"预估 25 天销量"下单。首单过大的品，在需求不及预期时要花三到六个月才能消化，这期间的资金全部被锁死。
坑一：用近 7 天日均销量算补货点。7 天窗口太短，一次活动或者一次站外引流就能把均值拉高 40%，导致补货过量。我后来统一改成 加权日均：近 7 天权重 0.3 + 近 30 天权重 0.5 + 近 90 天权重 0.2，并且对超过 3 天断货的 SKU 做需求还原。
坑二：把在途库存全部算作可用库存。在途货物有到货时间，如果在途可售天数还没到，但当前可售天数已经不足，系统如果不区分，就会给出"库存充足"的错误结论。正确的做法是把在途按预计到货日拆分到各日，做一条库存投影曲线，找出第一个小于安全库存的日期。
框架是通用的，但落地节奏必须按自己的规模来。下面按五种典型情况分别给建议。
这个阶段不要上复杂系统。先手工维护一张"可补货性评分表"，每个 SKU 记录交期、交期波动、MOQ、供应商数量、退出路径这五项，每项打 1-5 分，总分低于 15 分的不做。
补货规则也只需要最简单的一档：补货点 = 日均销量 × 交期 × 1.3。这个 1.3 就是你的安全系数，先不要纠结精确性，重点是养成"用交期算补货点"的习惯。这个阶段最大的风险不是算不准，而是根本没有算。
这是最需要系统化的区间。建议立刻做三件事：把 ABC-XYZ 分类跑起来、把安全库存参数化、把"停止补货待清"这个状态加到 ERP 里。
这个区间最典型的病症是"两头都痛"：核心款断货，长尾款滞销。原因是资源被平均分配了。我的建议是把 80% 的补货管理精力放在 A 类和 B 类上，C 类只做批量清理决策，不做逐 SKU 补货优化。
这个规模下，人工判断已经不可能覆盖。核心是建立跨仓、跨平台的库存统一视图，并且区分"可调拨"和"不可调拨"库存。
很多团队在这个阶段会遇到一个陷阱：总库存看起来够，但每个仓都缺。原因是补货决策是按单仓做的，没有全局视角。解决办法是把安全库存从"单仓安全库存"改成"全局安全库存 + 分仓分配比例"，调拨优先于采购。
铺货型的逻辑和精品完全不同，选品数量大、单品深度浅，逐 SKU 做补货公式没有意义。建议按"批次"而不是按"SKU"管理补货，用整个批次的动销率和资金回收周期作为核心指标，批次内个别 SKU 的缺货可以容忍。
但有一条底线：铺货型卖家必须严格管理长尾清退，因为长尾的绝对数量大。建议设置硬性规则：单品连续 60 天动销为 0 且无自然回升趋势，直接进入清退流程，不进入第二次补货评估。
定制型的特点是交期长、MOQ 高、不可退换，这使得补货决策的风险远高于其他类型。建议在选品阶段就把"首单量"和"返单触发条件"写进立项文件。
返单触发条件我通常写成三个并行的阈值，任何一个触发就启动返单评估：可售天数低于交期×1.5、连续 14 天动销率高于阈值、Listing 排名进入目标区间。这样避免"凭感觉返单"。
补货这件事没有最优解，只有取舍。下面五组取舍是我在项目里反复遇到的，我把我的判断标准写出来。
这是最根本的一组冲突。我的判断标准是看商品的复购性和流量成本。
复购率高、流量成本贵的品，缺货的代价大，因为断货不仅损失当次销售，还会损失复购客户和排名权重。这类品我倾向容忍更高的库存，把缺货率压到 3% 以下。
复购率低、流量成本便宜的品（比如一次性需求、纯搜索流量品），缺货代价小，我倾向容忍更高缺货率，把周转压到更短。这种情况下断货只是少赚一次，不会伤根基。
供应商经常给阶梯价："500 件 15 元，2000 件 13 元"。13.3% 的价差看起来很诱人，但如果 2000 件要卖 8 个月，多出来的 1500 件占用的资金可能在其他地方产生更高回报。
我的判断标准是算资金年化回报，不算单件成本。简单说：如果多买的折扣节省金额，低于这部分资金如果投入畅销品一年能产生的毛利，就应该选小批量高单价。在库存周转本身就慢的品类里，我几乎总是选小批量。
交期稳定的供应商通常报价更高，交期不稳定的供应商报价更低。这个差价本质上是你为"确定性"付的保险费。
我的判断标准是看 CV 差异带来的安全库存增量成本。举例：CV 0.1 的供应商报价 15 元，CV 0.35 的报价 13.8 元。后者因为波动大，安全库存需要多备约 20 天销量。如果日均销量 50 件，那就是 1000 件的额外库存，按 13.8 元算就是 13800 元的额外资金占用。这笔钱够不够抵消 1.2 元的单价差，取决于你的采购批量和资金成本。
我的经验结论是：对 A 类核心品，永远选交期稳定的供应商，哪怕贵 8%-12%。对 C 类长尾品，可以选便宜的，因为缺货影响小。
单一供应商能拿到更好的价格和优先排产，但风险集中。双源供应会分散采购量，价格上浮，但抗风险能力强。
我的判断标准是看这个品在销售额中的占比。占销售额超过 10% 的品，必须双源，哪怕价格贵一点。占比低于 2% 的品，单源即可。中间地带按供应商的实际履约表现决定，如果延期率超过 15%，就要启动第二供应商打样。
全自动补货的效率高，但一旦参数错了，错误会被放大。人工复核准确率更高，但 SKU 一多就失效。
我的做法是分层自动化：AX、BX 类完全自动，无需人工；AY、BY 类系统给建议，人工只改动超过 30% 的部分；AZ、BZ 类必须人工决策；C 类不再逐个补货，只做批次决策。
另外我一律要求保留一个"熔断"机制：如果某个 SKU 的建议补货量超过上期实际销量的 2.5 倍，系统必须强制人工确认。这条规则帮我拦下过至少三次参数错误导致的过量补货。
最后我把整套方法收缩成一份可以照着做的清单。它不是理论总结，是我每次进新项目时会按顺序做的事。
这四步做完，你就有了一张"SKU 补货基础表"。这张表是后面所有动作的地基，不要跳过。
算完之后，你会立刻看到一批"CV 高 + 资金占用大"的 SKU，这部分就是最需要处理的对象。
按销售额贡献做 ABC，按需求稳定性做 XYZ，把 SKU 塞进九个格子。然后对照本文第四节的矩阵表，给每个格子定补货规则。
这里我给一个务实的建议：不要一次给九个格子都定精细规则。先把 AX、AY、BX、CZ 这四个格子的规则定清楚，覆盖大概 60% 的 SKU 和 80% 的销售额，剩下的先沿用旧规则观察。
动作一：看断货风险面板前 20 名。只看前 20 名，避免信息过载。这 20 个通常贡献了 80% 的断货损失。
动作二：看滞销名单，做退出决策。对连续 60 天零动销的 SKU 做出三个选择之一：降价清、并到组合装、直接弃置。不要"再看看"。
动作三：更新供应商履约数据。把本周的到货记录填进去，让交期均值保持滚动。这一步最容易被跳过，但它是选品筛选的输入，一旦断更，整个闭环就失效。
每个季度做一次"选品后验"：把这一季新上的 SKU 按实际表现分层，看看哪些当初评分高但表现差，哪些当初评分低但表现好。差异会告诉你评分维度的权重哪里不对。
我在一个项目里做过这件事，发现"供应商数量"这个维度的预测力远高于"毛利率"。一年之内，单源供应的新 SKU 中，有 34% 出现过至少一次严重缺货；而双源供应的只有 11%。这个发现之后，我们把"是否有备选供应商"从一个加分项改成了准入项。
回到最开始那个问题：为什么选品时算过毛利，做起来既不赚钱还总断货？因为在那个决策里，"补货可行"这件事从来没有被当成选品的一部分。毛利是算出来的，但毛利能不能落袋，取决于这个品能不能被稳定地、经济地、可退出地补上。
我的核心判断只有一句：选品策略的有效性，不取决于你选到了什么，而取决于你选的东西能不能进入一个可持续的补货循环。所有看起来更聪明的选品方法，如果不解决"补不补得上、补得补不起、退不退得掉"这三个问题，最终都会变成仓库里的滞销货。
如果你现在就打算动手，我建议从最小的一步开始：把你当前在售 SKU 的交期均值和交期标准差算出来，标出交期变异系数超过 0.3 的品。这份名单大概只占你 SKU 的两三成，但它很可能解释了你大部分的断货和滞销。处理完这一批，再去做 ABC-XYZ 分类和补货点参数化，你会发现问题比想象的少。
我之前选品基本只看毛利和竞品销量，结果有一款卖起来之后工厂交期一拖再拖，断货断了快一个月，排名直接掉没。后来我才意识到，选品阶段根本没评估过供应端能不能跟上。
把“可补货性”当成选品的前置门槛，而不是等卖起来再救火。具体做法是给每个候选 SKU 打三个维度的分：供应端看交期是否稳定、MOQ 是否吃得下、有没有阶梯价和备用供应商；需求端看动销速度、季节性和生命周期长短；履约端看头程时效、平台仓储限制和合规认证难度。
三项里只要有一项明显拖后腿，就先归为“低可补货性”，要么不选，要么只做小批量测款。判断依据不是感觉，而是你 ERP 里能拿到的历史交期波动、退货率和在途数据。选品不是选爆款，是选一个你能持续供得上、退得掉的商品。
我们仓库的安全库存是年初开会拍出来的，结果旺季天天断货，淡季又压一堆货。我也看了很多公式，但不知道参数该用哪个数，用平均销量还是最近 30 天，交期波动要不要算进去。
安全库存不能拍，要跟着交期波动和需求波动走。一个可落地的口径是：安全库存等于日均销量乘以交期天数，再乘以一个波动系数，波动系数根据你过去 3 到 6 个月的实际交期波动和销量波动来定，波动越大系数越高。补货点等于交期内的预计消耗量加安全库存，也就是日均销量乘交期天数，再加安全库存。
判断依据是你 ERP 里要有真实字段：日均销量、供应商实际交期、在途数量、退货率。如果这些数据不准，再好的公式都会被放大成错误。建议每季度用实际缺货率和滞销率回头校准一次系数，而不是设完就不管。
我之前的做法是所有 SKU 用同一套补货规则，结果测款的新品一直压库存，稳定的老款反而断货。我一直觉得补货就是个算数问题，后来发现不同阶段的商品根本不能用同一个逻辑。
必须分层，一刀切是补货失效最常见的原因。可以分成四层：测款款小批量、高频复盘、不压安全库存，卖不动就快速清；增长款用滚动预测，设安全库存加在途，定一个紧急补货阈值；稳定款走经济订货量，最好有双供应商，可以考虑自动补货；长尾和淘汰款只清仓、停采，不再占用采购资源。
判断一个 SKU 属于哪一层，看它的动销速度、复购率和趋势，而不是只看历史总销量。把这四层规则写进 ERP 的补货策略里，让系统按标签自动区分，才不会被人工拍脑袋覆盖。
我们上了 ERP 但基本只当台账用，补货还是靠采购凭经验下单。我想知道到底哪些字段必须填准，哪些预警必须开，不然系统再贵也白搭。
ERP 要真正起作用，先把几个核心字段管准：供应商交期、MOQ、在途数量、日均销量、可售天数、安全库存、退货率。这些字段不准，补货建议就是错的。在此基础上开三类预警：缺货风险预警，按可售天数低于交期加安全库存触发；滞销风险预警，按库龄和动销天数超过阈值触发；
供应商履约预警，按实际交期偏离承诺交期触发。判断依据是预警要能直接生成采购建议单并走审批流，而不是只弹个消息。最后提醒一句，ERP 不是万能的，数据不干净的时候，规则只会更快地放大错误，所以先治数据，再谈自动化。
读者评论
做跨境三年，最深的坑就是选品只看市场容量和毛利，结果MOQ和交期一卡，爆款变滞销。文章提出的“可补货性”筛选很实用，尤其ERP里加限量补货、停止补货待清状态，能把清库存从季度专项变成日常看板。
作为采购，看到交期波动率那段很有共鸣。我们系统里交期就是固定30天，实际22到51天波动，导致安全库存永远算不准。如果能按文章说的把阈值和自动采购建议做进ERP，采购员就不用再维护Excel了。
文章的数据分层很扎实，但很多中小团队连准确的断货天数都没标记，还原需求更无从谈起。建议先从断货期间销量还原和资金带宽倒推SKU数量做起，再谈参数化安全库存，不然公式再好也落不了地。