我见过最贵的一次补货事故，不是公式算错了，而是一张表没人改。2022 年底，一个做家居收纳的卖家朋友，黑五前两周发现主推款断货，临时改用空运补了 800 件，头程成本吃掉当季利润的将近三分之一；同一时间，他们海外仓里还压着另一款在库 90 多天的老品，仓储费按天在扣。事后复盘，两件事的根源是同一个：Excel 补货表里那个"日均销量"字段，是 8 月份填的，之后半年没人动过，而 9 月他们上了新平台，10 月又做了一轮站内秒杀。
这不是个例。我帮十几家年 GMV 从几百万到几千万的跨境卖家梳理过补货流程，得到一个反常识的结论：绝大多数补货失误，不是出在公式选错，而是出在参数没人维护。 大家把精力花在"用哪个安全库存模型"上，却忽略了模型里那个 sigma（需求波动）是三个月前的值、提前期是供应商口头承诺的天数、日均销量混合了促销期和淡季的样本。
这篇内容不讲"模板长什么样"，而是讲模板背后的参数怎么长出来、什么时候该改。我会给出一套"三层表结构"（主数据层 / 预测层 / 决策层）、一张全年节奏倒推表、一份参数校准清单，并以"数跨境"这类跨境电商 ERP 的实际落地场景为例，说明这些结构在系统里怎么承载、哪些环节必须人工介入、哪些可以自动化。如果你现在管着几百到几千个 SKU、同时在三四个平台卖货，这篇内容应该能帮你少交一次空运学费。
先把结论摆出来，后面所有内容都是对这几条的展开论证。
第一，补货的难点从来不是"算法"，而是"输入"。 安全库存、再订货点的计算逻辑在教科书里躺了六十年，任何一本库存管理教材都能查到。真正决定补货准不准的，是日均销量口径怎么定、提前期取哪个数、需求波动用什么样本估。这三件事没有标准答案，只有贴合你业务的口径选择。
第二，年度规划解决的是"钱和货在一年里怎么分布"，补货计划解决的是"每一单什么时候下、下多少"。 两者不是一回事，但被大量文章混为一谈。年度规划的输出应该是一张覆盖全年的资金，库存曲线和关键决策节点表；补货计划的输出是每一行 SKU 的建议下单日和建议数量。年度规划是约束条件，补货计划是执行动作。
第三，模板能不能用，取决于它有没有"维护机制"。 一张字段齐全但没人定期更新的表，价值低于一张只有十个字段但每周校准的表。所以我一直主张：设计模板时，字段旁边必须标注"归谁维护、多久更新一次"，否则这张表从交付那天起就开始贬值。
第四，补货准确率的天花板由需求预测决定，不由补货公式决定。 如果你的预测误差是 40%，那么再精妙的补货模型也只能在 40% 的误差范围内挣扎。把时间投在提升预测质量上，收益远大于换一个更复杂的补货公式。
国内电商的补货提前期，很多时候就是"供应商发货 2 天 + 快递 1 天"，方差很小，拍个固定值问题不大。跨境完全不是这样。一个完整的跨境补货链条包含：下单排产、生产、质检、集货、头程运输（海运/空运/铁路）、出口报关、目的国清关、海外仓入库、上架可售。这条链上的每一环都带方差，而方差会累积。
我在实践中看到的情况是：同样一批货，第一次走海运 32 天到仓，第二次遇到港口拥堵变成 47 天，第三次因为清关资料问题拖到 55 天。如果你用一个平均值 40 天去设安全库存，那么至少有三分之一的批次会在这个值之上，而断货恰好发生在这些批次。
这也是我坚持的一个做法：提前期必须记录"实际到仓日"而不是"计划到仓日" ，并且按供应商、按物流方式分别统计分布，而不是全公司一个数。很多卖家的 ERP 里只有"预计到货日"这个字段，没有"实际到货日"，这意味着你根本没有数据去校准提前期，这是一个非常普遍的结构性缺陷。
一个 SKU 同时在亚马逊、独立站、TikTok Shop 上卖，三个平台的销量节奏完全不同：亚马逊会员日爆量、独立站靠邮件营销脉冲、TikTok 受达人和直播排期影响。这时候"日均销量"到底怎么算？
我见过三种错误做法：把三个平台总销量除以 30 天（把脉冲平均掉了）、只算主平台（低估了总量）、按最近 7 天算（被一次促销严重污染）。正确的做法是分平台统计、去掉促销异常点后再平滑，最后合并成总需求，同时保留一个"促销因子"用于大促期间单独放大。
这一点特别容易被忽略。主流平台对卖家的库存绩效是有考核的，考核结果直接影响你可用的库容上限。也就是说，不是你想发多少就能发多少，你的年度备货节奏，从上游就被平台规则框住了。
我不在这里引用任何具体阈值，因为这些指标的名称、计算方式、考核周期变动频繁，写死数字只会误导人。你需要做的是：在年度规划里把"平台库容政策"列为一条独立的约束条件，并且在每次大促备货前重新确认当期规则。
"这个款日均卖 20 件"，这句话本身信息量极低。日均 20 件可能是"每天稳定 20 件"，也可能是"三天卖 0 件，第四天卖 80 件"。这两种情况需要完全不同的安全库存。
判断标准很简单：看这个 SKU 最近 12 周销量的标准差与均值之比（变异系数）。 如果比值小于 0.4，属于稳定型，可以用较薄的安全库存；如果大于 0.8，属于脉冲型，安全库存必须显著加厚，或者干脆改成小批量高频补货。
这是最典型的"用资金买心安"。安全库存每提高一档，断货概率下降的边际收益是递减的，而资金占用是线性增加的。我见过一个卖家把爆款安全库存设到 60 天销量，结果全年断货率只从 4% 降到 2.5%，但多压了两个月现金流。
专业判断是：安全库存应该按分层设定，而不是全店统一。 爆款断货的代价高（排名掉、广告浪费），可以给厚一点；长尾款断货代价低，宁可缺货也不压货。
这个错误在多平台、多海外仓场景下尤其高发。运营在 A 表格里看到某 SKU 库存告急就下了单，采购在 B 表格里也看到告急又下了一单，两单叠加变成超量备货。根源是在途库存没有进入同一个可用库存视图。
正确口径是：可用库存 = 本地在库 + 在途（已下单未到仓）+ 海外仓在库 − 已售未发 − 预留占用。少算任何一项都会导致误判。
有些卖家的补货表只有一个 sheet，所有 SKU 共用一个安全天数。这在 SKU 数量少于 50 的时候勉强能跑，一旦超过 200 就必然出问题。因为不同品类的需求波动、提前期、毛利结构、断货代价完全不同。
这是我开头讲的那个案例。表格交付那天是最准确的，之后每天都在偏离现实。参数不校准，模板就从资产变成负债，因为它会给人虚假的安全感。
"下个月这款能卖 1,850 件"，这种表述本身就是错的。预测应该输出区间："下个月销量预计在 1,400 至 2,300 件之间，概率 80%"。预测的用途是确定补货区间，不是确定精确数量。 把预测当精确值用，会导致补货量要么过紧要么过松。
我把补货模板拆成三层，而不是一张大表。原因是这三层的更新频率和维护责任人完全不同，混在一张表里必然导致"高频字段被低频字段拖累"。
这一层回答"这个 SKU 是什么、从哪里来、要多久、成本多少"。它的更新频率低（上新或供应关系变更时更新），但一旦错了，后面两层全错。
核心字段分四组：
这一层最容易缺失的不是字段，而是"字段归属" 。我在实际梳理时，一定会给每个字段后面加三列：维护人、更新触发条件、更新频率。没有这三列，主数据表在三个月内就会腐烂。
这一层回答"未来一段时间大概能卖多少、波动有多大"。它的核心不是给出一个精确数字，而是给出一个区间加一个波动度量。
我把需求分成三种形态分别处理：
新品没有历史数据，我的做法是用类比款法：找出价格带、品类、目标人群最接近的已售款，用它的首月表现作为参考基准，同时把首次下单量压到最小可行批量，用实际销售数据快速修正。
一个重要的使用边界：预测只用于确定补货区间，不用于确定精确数字。 我通常会在表里同时给出"悲观量、中性量、乐观量"三列，补货量按中性量算，但如果提前期长的品类，会按乐观量加一定缓冲，因为补货窗口错过了就没法补救。
这一层是输出的最终结果，每一行 SKU 对应四个数字：建议下单日、建议下单量、预计到仓日、占用资金。
补货点的构成我拆成三段，每一段都必须能说清"为什么存在"：
补货量不是算出来多少就下多少，它受一堆约束条件压制：最小起订量、整箱整柜的装载效率、平台库容上限、仓储成本、当期资金上限。所以决策层实际上是一个"先算理想值，再用约束条件修正"的过程。
跨境特有的三个条目必须在决策层单独处理：
三层不是并列的，是串联的：主数据层提供参数，预测层基于参数和销量数据产出需求区间，决策层基于需求区间和参数产出补货建议。任何一层出错都会向下传导。所以排查补货不准时，应该自下而上回溯：先看决策层的约束有没有被正确应用，再看预测层的口径，最后看主数据层的参数是不是过期了。
抽象的结构讲完了，讲一个具体的落地过程。这里我用"数跨境"（跨境电商 ERP，官网 https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）作为载体来说明，因为它的功能结构比较适合承载上面这套三层表逻辑，而且它的采购与补货模块是围绕"在途 + 在库 + 可售"的统一库存视图来设计的，正好对应我在第三节批评的那个"在途库存没进入统一视图"的问题。
我参与的这家卖家公司情况是这样（数据做了脱敏处理）：经营亚马逊美国站、独立站、TikTok Shop 三个渠道，活跃 SKU 约 780 个，年 GMV 在 3,000 万人民币左右。补货靠三张 Excel：运营维护一张销量表、采购维护一张下单表、仓库维护一张库存表。
暴露出来的问题很典型：
我做的第一件事是让他们停下补货模型的事情，先把主数据补全。具体动作是：
这一步花了两周，没有任何"模型"可言，但它是后面所有工作的地基。补完之后，他们发现原本以为的"30 天空运"其实实际是 46 天，而且海运拼柜的方差最大，这个发现直接改变了他们的备货节奏。
把在库、在途、海外仓库存、已售未发、预留占用合并成一个可用库存口径。这一点在数跨境的库存模块里是通过统一的库存台账实现的，采购、运营、仓库看到的是同一个数字，避免了"三个人三个数"。
这里我要强调一个判断：统一库存视图的价值不在于数字好看，而在于它消灭了"信息差导致的重复动作"。 重复下单、重复备货、一方在清货另一方在补货，这些浪费的根源都是视图不统一。
按"销量贡献 + 需求稳定性"两个维度把 780 个 SKU 分成四层，各层的参数设定如下（这是实际使用后的配置，不是理论建议）：
| 层级 | SKU 数量占比 | 销量贡献占比 | 安全天数 | 补货频率 | 允许缺货 |
|---|---|---|---|---|---|
| 核心爆款（稳定） | 8% | 52% | 按提前期高波动覆盖 | 每月一次 | 不允许 |
| 潜力款（波动大） | 15% | 23% | 按高波动加厚 | 每月一次 + 空运备选 | 不允许 |
| 常规款 | 42% | 20% | 标准冗余 | 每季度合并下单 | 短期可接受 |
| 长尾款 | 35% | 5% | 极薄 | 按需小批量 | 允许 |
注意最长的那一层（长尾款）占了 35% 的 SKU 数量但只贡献 5% 的销量。这一层的管理目标不是"不断货"，而是"不占钱"。 把它们和爆款用同一套安全库存逻辑管理，是资源错配。
运行两个季度之后，几个可观察的变化：
我要诚实地说明：这些数字来自这一家卖家的实践观察，不是行业普适结论。不同品类、不同客单价、不同物流结构下的改善幅度会差很多。 但变化的方向性是一致的，把参数治理做对，库存和断货会同时改善，这两者不是非此即彼。
年度规划的价值在于把补货动作挂到时间轴上。我把一年拆成四个阶段：
倒推的逻辑很朴素：从"目标可售日"往前推，依次减去入仓上架耗时、清关缓冲、头程时长、生产周期，得到"下单截止日"；再往前的某个时间点就是"决策截止日"，也就是你必须决定下多少量的最后时间。
我用代码块展示这个倒推结构，方便你直接照着套：
目标可售日
− 入仓上架耗时（通常 3-5 天）
− 清关缓冲（按目的国当期情况浮动）
− 头程时长（取该物流方式的实际分布高分位值）
− 生产周期（按供应商实际表现，非承诺值）
= 下单截止日
下单截止日
− 内部审批与资金安排时间
= 决策截止日（必须在此日确定补货量）
这个结构看起来简单，但实际执行时有个关键点：每一步都要用"实际分布的分位值"，而不是平均值。 用平均值意味着你有一半的概率会迟到。我通常建议用 75-85 分位值，具体取多少取决于这个 SKU 断货的代价，断货代价越高，分位值取得越高。
这三个缓冲的共同特点是：它们都不是你能控制的，但都可以提前预留。 年度规划的意义恰恰在这里，把不可控因素变成可预留的时间空间。
我的建议是三个频率并行：按季度校准参数（提前期、波动系数、分层归属）、按月执行补货决策、按周查看异常（在途延误、库存告警、销量偏离）。这三个频率对应三个不同的角色：季度校准是供应链负责人、月度执行是采购、周度异常是运营。
这是最容易被省略的部分。我的做法是给参数表加一个变更日志 sheet，记录：改了什么参数、改成多少、为什么改、谁改的、什么时候改的。
留痕的价值不在于追责，而在于当补货结果异常时，你能快速定位是参数改错了，还是外部环境变了。 没有日志，你只能靠猜。这一点在人员流动频繁的团队里尤其重要，新人接手时，有日志的表是可以理解的，没日志的表就是一堆数字。
传统的 ABC 分层只看销量贡献，这在跨境场景下不够。因为高销量不等于高风险，一个销量高但需求极其稳定的款，和一个销量中等但波动剧烈的款，需要的策略完全不同。
我建议用销量贡献 + 需求稳定性两个维度分四层：高贡献稳定型、高贡献波动型、低贡献稳定型、低贡献波动型。这四层对应的参数差异，上一节的表里已经展示了。
长尾款需要一条明确的止损线。我的做法是设两个触发点：库龄超过某个阈值仍未动销的，进入清货流程；连续多个统计周期销量低于某个底线的，停止补货。具体阈值按品类周转特性设定，不套用统一数字。
清货节奏也要规划，不能等到季末才想起来。清货的本质是回收资金，而不是"卖出去就算成功"，一个折扣 40% 清掉的库存，回收的现金可以投入到周转更快的地方，这比压在仓里慢慢卖更划算。
不要急着上系统。先做三件事：把补货表拆成主数据、预测、决策三张 sheet；给主数据表的每个字段标注维护人和更新频率；开始记录每批货的实际到仓日。
第三步最关键。没有实际到仓数据，你的提前期永远是拍脑袋的。这一步几乎零成本，但它是后面所有优化的前提。在这个阶段，先别碰安全库存公式，先把数据采集跑起来。
你大概率浪费了系统里最有价值的部分。这个阶段的重点是：把在途库存、海外仓库存、已售未发、预留占用统一到一个可用库存口径里，消除重复下单；把补货决策从 Excel 迁移到系统里，让参数集中管理而不是散落在个人电脑里。
以数跨境的采购补货场景为例，这类系统通常会提供从采购计划、下单、在途跟踪到入库的全链路记录，这些记录本身就是提前期校准的数据源。关键在于：不要只把系统当记账工具，要把它当参数校准的数据源。
这个阶段必须做分层和参数差异化，否则管理成本会失控。优先做三件事：按销量贡献和需求稳定性分层；给不同层设不同的安全冗余和补货频率；建立季度参数校准的固定流程，指定负责人。
同时要开始处理"多平台库存分配"这个问题。如果库存物理共享，需要按各平台的销售速度和毛利贡献动态分配，而不是简单按比例切分。
立刻做一次倒推：从目标可售日往前推，算出下单截止日和决策截止日，看还剩多少时间。如果时间已经不够，就要在"部分备货 + 空运补急"和"放弃这次备货"之间做选择。
这个阶段不要再优化模型了，时间不够。把精力放在确认工厂产能、锁定物流运力、确认平台当期规则这三件事上，收益远大于调整参数。
这是最根本的取舍。我的判断框架是：先看断货代价，再看资金成本。 如果一个 SKU 断货会导致排名下滑、广告浪费、客户流失，而资金成本只是年化几个百分点，那么备货厚一点是划算的。反过来，长尾款断货几乎无代价，压货却是实打实的支出，那就宁可缺货。
不要用"统一标准"来回避这个取舍。统一标准看起来公平，实际上是把高代价的风险和低代价的风险等同对待，两头都不讨好。
常规备货走海运，紧急补货走空运，这是常识。但真正的取舍点在于：为哪些 SKU 预留空运预案。 不可能所有 SKU 都能空运，因为空运成本会吃掉毛利。
我的建议是只给"高贡献 + 高波动"这一层预留空运预案，并提前测算好空运后的毛利是否还为正。如果空运后毛利为负，那么空运补货的意义只是保住排名，这时候需要单独评估排名的长期价值。
提升预测精度需要时间积累数据、需要更复杂的模型、需要更多人力投入。而提升响应速度（缩短提前期、提高补货频率）往往能更快地降低风险。
当 SKU 数量少、数据不足时，我倾向于先优化响应速度，比如把补货频率从季度改成月度，用更小批量、更高频率来对冲预测不准。当预测无法变准时，缩短每次决策影响的周期长度，是最务实的风险控制手段。
哪些环节该自动化？我的判断标准是：规则明确、输入可靠的环节自动化；涉及例外判断、供应关系变更、新品首次下单的环节保留人工。
常规款的重复补货完全可以自动生成建议单，因为规则清晰。但新品的首次下单量、供应商切换时的过渡备货、大促前的集中下单，这些都需要人的判断，因为涉及的变量太多、单次决策的影响太大。
回到开头那个案例。那个卖家最终解决断货问题，靠的不是换了更先进的补货模型，而是把"日均销量"这个字段的更新频率从"填一次"变成"每周更新"，并且把提前期从供应商承诺值改成实际统计值。两个动作，都不涉及算法。
所以我想留给你的核心判断是：补货规划不是做一张表，是维护一组会变的参数。 一张字段齐全但没人维护的模板，价值低于一张只有十个字段但每周校准的表。这也是为什么我在整篇内容里反复强调"字段归属""更新频率""变更日志"这些看起来不性感的东西，它们才是模板能活过半年的原因。
另一个判断：补货准确率的天花板由需求预测决定，而不是由补货公式决定。 如果你的预测误差是 40%，那么把安全库存公式从简单版换成复杂版，能带来的改善非常有限。把时间投在数据采集和口径统一上，收益大得多。
下一步你可以做三件事，按优先级排序：
这三件事都不需要买新工具，也不需要复杂的建模能力，但它们决定了你的补货表在半年后是一份资产还是一堆废数字。
| 参数类型 | 校准频率 | 数据来源 | 责任人 |
|---|---|---|---|
| 实际提前期 | 每月观察，每季度重估 | 实际到仓日与下单日的差值统计 | 采购 / 供应链 |
| 销量波动系数 | 每季度重估 | 历史销量分布（剔除促销异常点） | 运营 / 数据分析 |
| 分层归属 | 每季度重估 | 销量贡献与需求稳定性的双维度评估 | 供应链负责人 |
| 供应商产能与价格 | 每季度 + 旺季前专项确认 | 供应商沟通记录与历史交付表现 | 采购 |
| 平台库容与考核规则 | 按平台公告更新 | 平台官方当期公告 | 运营负责人 |
| 销售节奏与大促节点 | 每年一次 + 节点前复核 | 平台官方活动日历 | 运营负责人 |
最后补一句：这份清单不必一次性全部做到。如果你现在的团队只有两三个人，那就先从"记录实际到仓日"和"每周更新日均销量"这两个动作开始。参数治理是一件长期的事，先跑起来比一步到位更重要。
我之前是用ERP导出的库存表自己加了几列，做成一张补货表，结果每次开会都被问『这个补货量是怎么算出来的』，我自己也说不清。现在想重新搭一套，但一打开空白表格就不知道从哪一层开始铺。
按三层搭，别一张表打天下。第一层主数据表，必填：SKU编码与平台映射关系、供应商、最小起订量、生产周期、头程方式与在途时长区间、清关与入仓上架耗时、日均销量口径（取哪个平台、含不含促销、按几天平滑）。
第二层预测表，必填：历史销量分布（不只是均值）、需求形态分类（稳定型/季节型/脉冲型）、已排期的促销计划量。第三层决策表，必填：在库、在途、安全库存、补货点、建议补货量、建议下单日、预计到仓日、占用资金。
判断字段够不够的标准很简单：随便挑一行SKU，看能不能仅凭主数据层和预测层，把决策层里的每一个数字推出来；推不出来，说明缺的不是表，是字段。另外每个字段要写清谁维护、多久更新一次，否则主数据层一个月就烂掉。
我照着网上的公式算了一遍，安全库存出来的数字小得离谱，真按那个下单肯定断货。但要是自己拍脑袋往上加，又变成货压在海外仓卖不动。我一直没搞明白是公式错了，还是我哪个参数填错了。
公式只是骨架，参数才是肉，跨境失真的地方全在参数上。常见写法是安全库存约等于服务水平系数乘以需求标准差再乘以提前期的平方根，补货点约等于日均销量乘以（采购提前期加头程加清关加入仓加缓冲）。跨境要改三处：第一，提前期不是一个数而是一个区间，用平均值会系统性低估，应该用你自己历史到仓记录里的P90；
第二，在途库存必须计入可用库存，否则同一批货被重复下单；第三，多平台共享库存要按分配规则拆开算，不能每个平台都按全量可用算。做法上先拉过去半年到一年的真实到仓记录，把每一段耗时的P50和P90都算出来，再用P90算安全库存。
如果算完发现资金占用超出你能接受的库存资金上限，那不是公式错了，是没做分层，爆款给高服务水平，长尾款可以低冗余甚至允许阶段性缺货。
我们每年都做年度备货计划，但真到大促前两周才发现爆款断货，同时另一批货在海外仓躺了三个月。我怀疑问题不是计划没做，而是计划里的时间点根本落不了地。想问问到底该怎么把年度规划拆成能执行的下单日。
用倒推，不要用正推。链条是：目标上架日 ← 入仓上架耗时 ← 清关 ← 头程 ← 出厂质检 ← 生产周期 ← 下单截止日，再往前留一个决策截止日。每一段都取你自己历史记录的P90，不要取平均值。
三个必须单独留出的缓冲：工厂假期（春节前后产能断档，按实际停工周数加，不要只加几天）、物流高峰（旺季头程既涨价又延误，缓冲要按当期实测调整）、平台政策变动（库容或入仓规则调整会直接改变你能发多少，以平台当期公告为准）。
节奏上分四段：淡季蓄力做参数校准和新品小批量试单，大促备战锁产能锁舱位，旺季执行只处理异常不再改公式，节后复盘更新提前期和波动系数。判断标准：如果某个SKU的下单日已经过去了你还没做决策，说明倒推链条里少了一段，或者缓冲留得不够，回头补哪一段比追责更有用。
我去年花了两周搭了一套挺完整的补货表，刚开始大家还用，三个月后基本变成摆设，数据全是旧的。我不确定是表本身设计有问题，还是我们缺了个维护机制。想知道别人是怎么让这张表活下来的。
表格失效通常不是设计问题，是没把校准做成节奏。分三个周期：月度看三件事，实际销量与预测的偏差、在途异常、库存结构（库龄分布有没有恶化）；季度改三项参数，各段提前期的实测值、需求波动系数、SKU分层归属，这三项漂移最快、对结果影响最大；
年度审三件事，销售节奏日历、供应结构（供应商和物流方式是否变化）、资金规则（库存资金上限有没有调整）。落地靠两条：每个字段标明维护人和更新周期，把校准动作挂到固定的月度或季度例会上，而不是靠某个人记得；每次改动留版本记录，写清谁、哪一天、改了哪个参数、为什么改，这样半年后还能追溯数字变化的原因。
判断标准很直接：如果一张表连续两个月没有任何参数被改动，大概率不是参数没问题，而是没人负责。
读者评论
参数没人维护这个点太真实了。我们以前也以为公式不够好，后来发现是日均销量和提前期几个月没更新。现在每周固定校准一次，断货率确实降了，但关键是要把维护人写进表里。
多平台库存共享那段有共鸣。亚马逊、独立站和TikTok节奏不同，直接总销量除30天会失真。分平台统计再合并更合理，不过执行上需要ERP能保留各平台明细，否则人工做很费力。
安全库存按变异系数和断货代价分层，比全店统一天数科学。爆款和长尾共用一个安全天数，最后一定是爆款断、长尾压。矩阵方法能说服运营和财务，但评分标准要提前定清楚。
提前期用实际到仓日统计这点很重要。很多系统只有预计到货日，导致无法校准。按供应商和物流方式分别统计分布，才能真正控制安全库存。否则用平均值，遇到港口拥堵和清关延误就断货。
预测输出区间而不是精确值，这点值得推广。采购要的是补货范围和概率，不是拍一个数字。如果只给精确值，卖爆了和卖差了都会互相甩锅。三层表结构把主数据、预测和决策分开，维护责任也更清晰。