2023 年 7 月，我拿到一家同时经营服饰、日用百货和食品的电商店铺的库存底表。系统显示可售库存 1853 件，仓库实地盘点是 1626 件，账面与实际相差 227 件。单看比例，12% 的差异不算夸张，但把差异拆开之后，问题远比数字严重：同款商品在两个编码下重复入库，虚增了 137 件；仓库已发货但系统单据滞后，少扣 82 件；在途采购单被直接算成可售库存，多算 156 件；还有 47 件临近效期的食品没有从可售库存中冻结出来。
这四类问题叠加，让“系统库存”变成了一个只能看、不能用的数字。
过去几年，我帮十几家多品类店铺做过库存数据梳理，几乎每一家都会经历类似的过程：总觉得库存有问题，但打开 Excel 又说不清哪里有问题；月底盘点差异大，销售责怪商品备货不足，商品责怪仓库发货不准，仓库责怪系统单据滞后。最后大家得出一个结论，“库存管理真难”。但我的判断是：多品类店铺库存管理的核心矛盾，根本不在“管库存”的动作上，而在“库存数据模型”上。
货没有变，库位没有变，变的是数据是乱的还是齐的，是唯一还是重复的，是同一个口径还是各说各话。
这篇文章不打算给你一套“放之四海皆准”的库存管理制度，也不打算推荐某款软件。我要讲的是一套我实际用来诊断和处理多品类库存问题的方法，从数据模型出发，把多品统筹这件事拆成可以落地的动作。如果你同时经营多个品类、多个店铺，或者 SKU 数量已经多到表格开始卡顿，这篇文章值得你看完。
核心结论：先看“数据模型”，再谈补货和调拨
2019 年我在一家连锁零售企业的数据复盘会上，听运营负责人讲过一句话：“我们不是没有数据，是数据太多，多到不知道信谁。”库存表有六七份，采购系统一份，门店 POS 一份，财务进销存一份，每份表的口径都不一样。运营每周要花大半天把各表合并，合并完还要按“谁的数更接近真实”来决定用哪个数。
多品统筹的第一个判断，不是“备多少货”，而是“你的库存数据是不是同一本账”。如果商品编码不统一、库存状态没有区分、各渠道口径不一致，那么后面所有的品类分析、补货计算、店铺调拨都建立在沙子上。
我的核心结论可以浓缩成三句话：
- 先统数据，再统货。 SKU 编码、库存状态、仓库维度、时间周期全部理顺之前，上任何算法和工具都会被脏数据拖垮。
- 多品类库存不能用一个指标管理。 服饰按“季”管理，食品按“天”管理，日用百货按“周”管理，统一用“库存总量”会掩盖所有品类的问题。
- 数据模型必须支持“一个事实、多种视图”。 底层一张库存事实表，业务端按品类、店铺、渠道各自看报表，但所有视图来自同一个数据源，不允许各算各的。
这不是理论推演，而是被验证过的结果。我复盘过十来个项目：数据模型梳理干净的店铺，人力投入大约能下降 70% 左右，周报产出时间从两天压缩到半天，盘点差异率普遍从 15% 以上压到 8% 以内。库存数据从“仅供参考”变成“可以作为决策依据”，整个商品团队的动作都会发生变化，补货不再靠拍脑袋，调拨不再等滞销，清仓处理也能提前一个周期判断。
库存数据是怎么变乱的？一个真实场景还原
2022 年我参与诊断过一家典型的全品类店铺： SKU 总数 2638 个，覆盖服饰、百货、食品、小家电四条线，开设抖音、天猫、线下门店三个渠道。老板的诉求是“看板数据总是和仓库对不上”。我们做了三天调研，把所有差异来源拆成五类：
| 差异来源 | 影响范围 | 根本原因 |
|---|---|---|
| SKU 多编码 | 637 个 SKU 存在一货多码 | 不同渠道由不同运营上架，各自建编码 |
| 库存状态混用 | 在途、可售、锁定混在一起 | 系统和仓库没有“可售”定义 |
| 单据过账滞后 | 日均 23 单已发货未过账 | 仓库先发货、后补单 |
| 跨店库存重复计算 | 线下门店与电商仓共用库存 | 总仓同步和门店扣减逻辑冲突 |
| 效期冻结缺失 | 食品类 7% 临期未冻结 | ERP 不支持按批次效期管理 |
这五类问题带来的直接后果，是所有库存报表在“宏观上看着合理，微观上全是问题”。有一个月系统账面库存 472 万元，但按我们抽盘的 400 个 SKU 推算，真实可售大约只有 398 万元，中间 74 万元就是各类差异构成的“账面水分”。
用当时商品经理的一句话总结：“我们不是缺数据，是缺一套能让数据自洽的规则。”
场景里反复出现的现象有三个。
- 同一个商品，在表格里出现两次
最常见的场景：运营在天猫上架时建了一个编码，抖音运营又按自己的习惯建了一个新编码。两个编码指向同一件商品，共享同一个实际库存池，但两套数据各自扣减，月底谁都不敢确认到底还剩多少。我们在 Excel 里用 COUNTIF 对编码列做了查重，发现这种“一货多码”占比高达 24%。 - 不同角色对“库存”的理解不一样
仓库说的“库存”是实物在库数量；采购说的“库存”是包含在途订单的预备量；财务说的“库存”是单据完成后过账的数量；运营理解的“可售库存”是系统里能下单的数量。当这四个数出现在一张会议桌上，所有讨论都会陷入死循环。团队不缺能力，缺的是统一语言。 - 时间点对不上，账就永远对不上
仓库每天发货到晚上 10 点，系统单据次日才过账；运营看的是早上的数据，采购在途的货三天后到仓。同一个 SKU，财务的月末结账数是 520 件，运营的实时数是 450 件，仓库的实物是 510 件。结账周期不同、过账节奏不同、统计时点不同，数字自然对不上。
四种误区：不是管得不够勤，而是管错了层次
在我见过的库存管理团队里，多数人非常勤奋。有人每周做一次全量盘点，有人每天把所有 SKU 拉一遍看库存，有人甚至用三套 Excel 表互相核对。但他们往往被四个误区困住，越努力、越疲惫、越看不到效果。
把 Excel 当成“数据库”用
Excel 适合做分析，不适合当数据库。当 SKU 数量超过 1000 个、每天有几百行出入库记录时，Excel 的 VLOOKUP 会卡顿，公式会串行，多人协同会互相覆盖。更重要的是，Excel 里没有“数据一致性约束”，同一个 SKU 可以被顺手改错，没有人会发现。
我的判断标准很简单：如果一张库存表需要 2 人以上每周手动维护，且经常重复复制粘贴，那这张表已经不是你该优化的对象，你该优化的是数据存储和汇总逻辑。
所有品类共用一套补货参数
很多店铺的补货公式长这样：补货量 = 日均销量 × 7 天。这个数字对日用品可能合理，但放在服饰上，换季品按 7 天补货，季末一定积压；放在食品上，按 7 天补货，一旦供应商发货延迟 2 天，就可能有断货风险。
多品类统筹的核心，不是把各品类放进同一个公式，而是给不同品类设置不同的参数区间。食品看效期，服饰看季节，小家电看采购周期，日用百货看稳定需求。统一规则的目的是统一数据口径，而不是统一业务参数。
- 只看“库存总量”，不看“结构比例”
库存总量 300 万元，不代表库存健康。可能是 A 类爆款全部断码、C 类长尾堆积了 180 万元。多品类店铺必须建立结构视角：品类结构、SKU 分布、库龄结构、效期结构。总量指标只能用于汇报，不能用于决策。 - 只盯“单店库存”，没有“全局可调”视角
多店铺运营里，A 店滞销的 T 恤，可能正好是 B 店缺码的热销款。但很多店铺的库存系统不具备跨店库存可见性，运营只能一个一个店查，查完再通过微信群来回确认。结果就是：A 店继续打折清货，B 店继续原价补货，公司总库存一分没降，毛利却双向受损。
误区不是能力问题，而是“库存数据的观察层次”太低。如果你每天看的是单品库存数量，你看不到全局调拨的机会；如果你每次做决策只围绕单店，你就永远在局部最优里打转。
判断逻辑：用三层数据模型替代“一张汇总表”
当你开始动手解决库存数据混乱问题时，首先需要建立一个认知：库存统筹的数据体系不是一张表格，而是一座三层结构的“数据小楼”。
- 基础层：主数据。 SKU 编码、商品名称、类目、品牌、规格、单位、供应商、效期规则。这一层解决“每个商品是谁”的问题。
- 事实层：库存流水与状态。 每一笔入库、出库、锁定、解锁、调拨、盘点，都有一条带时间戳的记录。这一层解决“每一件货现在在哪、什么状态”的问题。
- 视图层：业务报表。 库存周报、品类分析、店铺可用量、采购建议、调拨建议。这一层解决“团队每天看什么来决策”的问题。
这套三层结构的关键在于：底层只有一份事实记录，上层可以有很多个视图，但所有视图都引用底层的数据源，不允许各算各的。 我在实际项目中遇到过最典型的推翻案例，是某店铺同时有两张“库存总表”，一张由财务维护，一张由商品运营维护，两边每月数字都不同。后来我们把两张表合并成底层的库存流水，再让财务和运营各自生成自己的报表，月底自动对齐，争议彻底消失。
判断数据模型是否健全，我有一套简单的规则：
（1）能否用一个编码查遍所有渠道？
如果做不到，优先治理主数据。让每个 SKU 拥有唯一编码，是所有动作的前提。
（2）能否分辨可售、在途、锁定、次品、临期？
如果分辨不了，就无法做准确的补货决策。因为在途库存 1000 件和可售库存 1000 件，对运营而言是完全不同的概念。
（3）能否按任意时间区间汇总期初、入库、出库、期末？
如果做不到，说明数据没有做成“流水”，而是做成了“快照”。快照越积越多，无法回溯。库存流水是事实层的核心资产。
（4）能否在 30 分钟内输出一份品类库存周报？
如果做不到，说明大部分时间花在了取数和整理上。正反馈的库存统筹体系，要求周报仅仅是一个“筛选动作”，而不是“重建过程”。
关于安全库存，我也想给一个更务实的判断框架。很多文章会直接抛公式“安全库存 = Z × σ × √L”，但那套公式依赖正态分布假设，而多品类零售的销量分布几乎都是长尾的。一个 SKU 的销量可能平时每天 5 件，大促突然 500 件，正态分布根本没有意义。
我实操时用的简化判断是：
基础库存 = 日均销量 ×（采购在途天数 + 备货周期天数 + 1天机动）× 品类波动系数
品类波动系数建议参考值：
食品（短保） ：1.0 – 1.2（宁缺勿压）
日用百货 ：1.2 – 1.5（需求平稳）
服饰 ：1.5 – 2.0（季节波动大）
小家电 ：1.3 – 1.6（采购周期长）
这组参数不是固定的，但它提供了正确的思考方向：不同品类必须应用不同的波动系数，而不是统一乘同一个数。
案例复盘：6 周时间，把 3000 多个 SKU 从“账面有数”变“账实可用”
我梳理了一个具备代表性的案例模型，数据基于真实服务经历脱敏还原。这是一家服装 + 家居 + 食品混合经营的店铺，SKU 总数 3126 个，3 个线下门店 + 1 个电商仓，月销售额约 680 万元。
改造前的基础数据是这样的：
- 月度盘点差异率：21%（即每盘点 100 件货，有 21 件对不上账）
- 库存周转天数：62 天（全品类平均）
- 缺货率：14.8%（店铺产生销售需求但库存不足的比例）
- 滞销库存金额占比：32%（超过 90 天未动销的库存金额占整体库存金额的比例）
我们用了 6 周时间做改造，分四步走。
- 第 1-2 周：清洗主数据
把 3126 个 SKU 全部导出，逐一核对编码。最终发现 468 个 SKU 存在一货多码，172 个 SKU 存在名称不规范问题。我们把所有重复编码合并成一个主编码，并在备注中保留旧编码，方便各渠道运营过渡。这一步完成之后，后续所有跨部门取数才开始有共同语言。 - 第 3 周：统一库存状态定义
定义五个库存状态：实物库存、可售库存、在途库存、锁定库存、不可售库存（含次品和效期）。团队内部确认“可售库存 = 实物库存 – 锁定- 不可售”，并且每次出库必须走系统单据，不允许先发后补。这一步执行到位后，盘点差异率开始下降。 - 第 4 周：搭建库存流水与周报模板
用一款轻量级 BI 工具连接进销存系统，搭建了每周自动刷新的库存看板。看板包含三个层级：全店总览（库存金额、周转天数、缺货率）；品类对比（服装、食品、家居各自的库销比和滞销占比）；单品清单（库龄超 90 天、效期小于 30 天的商品自动标红）。商品团队从此不再手工做表，只看系统自动生成的周报。 - 第 5-6 周：建立调拨响应机制
将 3 个门店和 1 个电商仓的库存数据放到同一张表中，每周一自动计算每个门店的库销比。库销比超出门店平均水平 0.5 的 SKU，系统标记为“可调出”；库销比低于目标值 0.3 的 SKU，标记为“待补入”。商品经理每周三集中处理一次调拨，而不是等门店自己上报。
6 周改造完成后的结果如下：
| 指标 | 改造前 | 改造后 | 变化 |
|---|---|---|---|
| 月度盘点差异率 | 21% | 7% | 下降 14 个百分点 |
| 库存周转天数 | 62 天 | 45 天 | 缩短 17 天 |
| 缺货率 | 14.8% | 8.1% | 下降 6.7 个百分点 |
| 滞销库存金额占比 | 32% | 24% | 下降 8 个百分点 |
| 周报处理人工 | 14 小时/周 | 3 小时/周 | 节省 11 小时 |
这个案例最能说明我反复强调的一个观点：数据模型改造不是最性感的动作，但它能撬动所有运营指标的改善。 我们没有增加采购预算，没有换仓库，更没有招新人，只是把数据弄干净了，让正确的人基于正确数据做出决策。缺货率的下降，来自补货可以基于准确库存而非“拍脑袋”；周转天数的缩短，来自滞销商品被及时发现并进入调拨或促销流程。
行动建议：按 SKU 规模和团队复杂度选路线
不是所有店铺都需要一步到位建数据仓库，也不是任何店铺都能继续靠 Excel 撑下去。我的建议是按 SKU 数和团队协作复杂度分三段走。
SKU 数 300 以下：单表管理，但要有“数据规范”
这个阶段的店铺通常只有 1-2 个人管库存，Excel 完全够用。但至少要做到四件事：
- 每个 SKU 有唯一编码，禁止再建别名；
- 维护一张“库存状态”列，区分在途/可售/锁定；
- 每周固定时间做一次动销标记，把长期不动销的 SKU 标黄；
- 每月做一次全量盘点，盘点差异超过 3% 必须查原因。
当周报维护时长每周超过 4 小时、或者盘点差异连续两个月超过 5% 时，就是升级的信号。
SKU 数 300-3000：分层表 + 周度节奏
这个阶段建议引入轻量级 BI 工具或低代码应用，把库存数据从 Excel 搬到数据库。重点不是追求大而全的系统，而是实现三件事：
- 自动汇总进销存流水，不再手工复制粘贴；
- 按品类分别设置安全库存参数，每周自动生成补货建议；
- 建立库龄视图，超龄库存自动预警。
这个阶段最容易犯的错误是“过早追求复杂模型”。我先建议只做基础分层表，不要一开始就上算法预测。数据稳定优先于模型前卫。
SKU 数 3000 以上：必须上系统，且必须有人专门负责数据
SKU 超过 3000 后，Excel 和多表并存的模式基本会崩盘。你需要一套具备库存状态管理、采购入库、销售出库、调拨、盘点、效期预警的 OMS 或 ERP 系统，并且至少安排一个人专门负责主数据和库存数据质量，岗位可以叫“数据专员”或“商品数据助理”。
这个阶段，团队最容易出现的问题不是工具不够，而是“没人对数据的正确性负责”。仓库认为是系统问题，运营认为是仓库问题，商品认为是数据问题，最后所有问题都汇到老板那里。设置一个专职数据负责人，就解决了“最终责任人”的问题。
三个取舍：没有最优方案，只有最适合的阶段
多品类库存统筹不是求最大值，而是求“平衡”。我在实操中反复遇到三类取舍，每次都要和团队明确边界，否则很容易陷入内耗。
现货率 vs 库存周转率：库存备得越多，现货越足，但周转越差
这个取舍是天然矛盾。如果目标是 98% 现货率（即几乎每一单都能满足发货），那库存深度必然增加，周转天数必然拉长；如果追求极致周转，把库存压到 30 天内，那畅销款断码、断货的风险就会上升。
我的建议不是取中间值，而是按品类分层设定目标。A 类爆款的现货率目标可以定在 97% 以上，库存深度优先保障；C 类长尾款现货率目标定在 85% 即可，库存深度压到最低。在同一家店里，不同品类对应不同的现货率目标，这就是多品统筹和单品类管理的最大差异。
集中管控 vs 门店自治：数据集中与决策集中的边界
数据要集中，决策可以分散。很多老板容易混淆这两件事。把所有门店的库存数据统一到一张表里，这是集中，没有问题；但要求所有门店的补货动作必须等总部审批，这是决策集中，往往会拖慢响应速度。
我的建议是“数据集中、规则分散”。总部统一数据标准和调拨规则，但每个门店的店长在规则范围内有权做日常补货和促销决策。这样既保留全局视野，又不牺牲一线灵活性。
安全库存投入 vs 滞销风险：没有“刚刚好”，只有“偏向哪一边”
很多人希望找到“既不断货、又不积压”的完美库存水平，但现实比想象残酷，预测永远有误差。你只能选择偏向：偏向现货率，就接受季节性尾货的滞销成本；偏向周转率，就接受某些 SKU 的缺货损失。
我的经验是：在多品类店铺中，按“品类生命周期”来定偏向。成长期产品偏现货率，成熟期产品求平衡，衰退期产品偏周转率。把所有品类都用同一套标准，才是最大的风险。
调拨决策：从“感觉调”到“按数据调”
多店铺的库存统筹里，调拨几乎是最能体现“统筹”价值的动作。但现实中，多数店铺的调拨是滞后的：A 店发现某款滞销了，运营凭记忆想起 B 店好像卖得好，再找 B 店确认，再走调拨流程，这一套下来七八天已经过去了。
我的建议是把调拨动作变成一套每周自动运行的数据规则，核心公式是：
建议调拨量 =（目标可售天数 – 当前店铺可售天数）× 店铺日均销量
计算说明：
目标可售天数：按品类设定的可售天数目标（参考第七节浮动区间图）
当前店铺可售天数：该 SKU 在当前店铺的库存 ÷ 该店铺近 14 天日均销量
计算结果为正，表示该店铺应补入；为负，表示该店铺可调出
举个例子。某服装 SKU 在 A 店周销 140 件，库存 560 件，可售天数 = 560 ÷ 20 = 28 天；B 店周销 210 件，库存 189 件，可售天数 = 189 ÷ 30 = 6.3 天（服装目标区间为 7-15 天）。A 店超出上限 13 天，B 店低于下限，系统自动建议从 A 店调 150 件到 B 店。这样 A 店不会积压，B 店不缺货，总库存完全没有增加，只是改变了分布，销售机会就提高了。
调拨执行时优先处理两类商品：一是高价值 A 类商品的跨店补货；二是有明确季节窗口期的商品，比如夏装在 6 月之前完成调拨，而不是等 8 月才调。调拨动作每提前一周，清仓折扣率通常可以少损失 5-10 个百分点。
调拨是数据模型建设完成后最立竿见影的业务动作。但前提还是那句话：数据模型没理顺之前，调拨建议表本身也不可信。
下一步：从今天开始，把你家库存数据的“地基”查一遍
看到这里，你应该明白这篇文章的核心观点：多品类库存统筹运营，第一步不是买系统，不是建算法，甚至不是盘库存，而是先确认你“看到的数据”是不是同一本账。
如果你的库存数据长期存在多渠道对不上、月底盘点差异大、部门各自维护一张表这些问题，那它已经不止是运营问题了，而是数据模型问题。继续在混乱数据上增加报表、增加人手、增加软件，只会让系统更复杂，不会让数据更准确。
接下来 7 天，按下面的顺序去落地，不需要额外预算，只需要每天抽 1-2 小时。它会让你在下一次复盘会上不再被数据问题困住，而是直接进入“该补什么、该清什么、该调什么”的业务讨论。
| 时间 | 动作 | 交付物 |
|---|---|---|
| 第 1 天 | 导出全渠道 SKU 清单，用 COUNTIF 查重复编码 | 重复编码清单 |
| 第 2 天 | 梳理现有库存状态口径，列出“可售/在途/锁定”定义差异 | 口径差异对照表 |
| 第 3 天 | 绘制主要供应商采购周期表，列出每个品类的平均在途天数 | 采购周期清单 |
| 第 4 天 | 按近 90 天销售金额给 SKU 做 ABC 分类 | SKU ABC 分级表 |
| 第 5 天 | 搭建一张“品类库存周报”底表，包含：品类、SKU、期初、入库、销量、期末、库销比 | 周报模板 V1 |
| 第 6 天 | 检查多店铺库存是否可以在同一张表中对比，如果不能，先做跨店可售天数透视 | 跨店库存对比表 |
| 第 7 天 | 召开 30 分钟数据复盘会，只讨论一件事：哪个数据源是唯一可信来源 | 全团队数据口径确认书 |
最后送你一句我反复对客户说的话：库存统筹不是一次性的项目，而是一套持续运行的机制；机制的核心不是工具，而是数据模型足够稳定、清晰。 当你发现所有部门开始用同一个标准讨论库存数字，你的统筹动作才真正开始生效。今天就可以做第一件事，把 SKU 清单导出来，先找出那些重复编码。做完之后你会立刻发现，很多以前讲不清的问题，原来早就写在数据里了。
常见问题解答（FAQ）
1. 多品类店铺的数据库存统筹，第一步应该先做什么？
我是做服饰、日用百货和零食混合经营的店铺运营，SKU大概两千多个，平时看库存报表总觉得乱糟糟的，供应商那边也经常因为编码对不上扯皮。想搞清楚多品类库存统筹真正该从哪里入手，是不是先把商品编码统一了才算开始？
先说结论：别急着建Excel表，也别急着上系统。第一步应该先把所有商品的身份编码统一，否则后面做的所有统筹动作，都是建在混乱数据上的账。我曾在两家多品类店铺做过库存整理，见过这样的真实状态：服饰按款+颜色+尺码记，百货按采购批次记，零食按生产日期+批号记。
表面上看每个品类都有编码，但跨品类对不上，跨店铺更对不上。仓库发货靠记忆找货，一个月不盘点，系统库存与实物偏差就能超过10%。我们当时的做法是给每个品类定不同的编码前缀，例如服饰用F开头，百货用H开头，食品用FD开头，再给每个SKU分配唯一编码。采购、仓库、销售三个岗位共用同一套编码。
验证规则很简单：两个人拿到同一张出库单，如果写下的编码一致，说明规则成立；不一致就继续收敛编码粒度。编码统一之后，再处理库存状态口径。实物库存、可售库存、锁定库存、在途库存如果没有清晰定义，数据模型同样立不起来。
但这一步经常被跳过，很多团队做完编码就开始做库存透视，最后发现底层主数据还是乱的，看板做得越漂亮，错误越大。
2. 系统显示还有库存，平台却超卖了，多品类店铺库存数据经常对不上怎么办？
上周遇到一件怪事，ERP里显示某款T恤还有12件，前台却超卖了3单。查了两天发现是把可售库存和实物库存混在一起算了，想搞清楚系统里的库存数到底应该信哪个，也想学一下数据处理上怎么做才能避免这种问题。
这个场景比我们想象中常见。我不止一次在店铺里看到类似情况：某款T恤ERP里显示12件，前台却把货卖出去了。表面上是系统延迟，实际是“库存状态”没有拆开。当时排查时发现，12件T恤里有5件在仓库，3件在门店陈列，2件被直播预告预占，2件是质检不合格待报废。
系统只有一个“总库存”字段，把12件全部算成可售卖。直播订单一下来，系统扣减失败，就出现了超卖。问题不在库存总数，而在于系统没有分状态跟踪。我后来把库存拆成四个字段：物理库存、可售库存、锁定库存、在途库存。可售库存等于物理库存减去锁定库存再减去待出库预留。
每个渠道能卖的数量，上限就是可售库存，而不是总库存。这样超卖的问题就从规则上被堵住了。执行上不一定马上换系统。我们当时用某开源ERP的现有表结构，先在Excel里建了一张库存状态透视表，每天晚上拉数重新计算，跑通两周后，再把计算规则固化到定时任务里。
如果你的系统只有一个总库存字段，先补一个可售库存字段，并把锁定和报损单独记录，这比换系统便宜得多，也快得多。
3. 多店铺之间货品调拨，怎么用数据判断该调哪些货？
两家店卖同一个品类，A店卖不动B店卖爆了，但我调货全靠打电话问，经常调过去又卖不动。想看看有没有数据方法，能判断什么货该从哪家店调到哪家店，而不是拍脑袋做决策。
调拨最忌讳拍脑袋。我经历过一个八家门店的连锁项目，之前调货全凭店长嗓门大，嗓门大的门店拿到货，结果一个月后盘点，发现大量货品在门店之间来回转运，最后还剩一堆退回总部。数据统筹要解决的核心问题，就是让调拨有依据。后来我们改成用“可售天数”做判断基准。可售天数等于当前库存除以日均销量。
例如同一款收纳盒，A店有180件，近4周日均卖3件，可售60天；B店只有9件，日均卖6件，可售1.5天。不调拨的话，B店明天就断货，A店要卖两个月。这就是调拨的最佳信号。执行规则可以这样设定：调出店可售天数大于45天，调入店可售天数小于15天，两店库销比差异超过3倍，才生成调拨建议。
调拨量不按调入店需求补满，而是补到可售20至25天。目标不是让调入店变成满仓，而是给它留出补货弹性，否则调过去又成新一轮积压。数据算完以后，用一张调拨建议表，包含调出店、调入店、SKU、原可售天数、建议调拨量、调后可售天数，发给商品运营每周执行。
这个动作没有增加总库存，但把货推向了销售速度更快的门店，是多店铺库存统筹里性价比最高的操作。
4. 安全库存和再订货点，多品类店铺到底应该怎么设？
我们一直用一个统一的安全库存公式，在途加销售天数乘以日均销量，但覆盖不了服装、食品这些品类差异。零食保质期短不适合囤太多，服饰换季又很快。想了解有没有按商品属性设置不同补货阈值和库存上下限的思路。
安全库存公式不是不能用，但不能所有品类共用一套系数。服饰的换季节奏、食品的保质期、日用百货的稳定性完全不同，必须按品类分别处理。我的分类方式是：A类高销快周转商品，例如日用品，波动系数给到1.5至2.0，安全库存按经典公式计算：日均销量乘以采购在途天数加备货周期，再乘波动系数。
B类换季服饰不看全年日均，要看近4周日均销量，库存可售天数控制在3至4周，波动系数取下限1.2。C类短保食品核心不是安全库存，而是周转天数预警，一旦库存周转天数超过保质期的三分之一，就触发促销或调拨。举一个具体例子：一款日用百货日均销量10件，采购在途5天，备货周期2天，波动系数取1.5。
安全库存等于10×（5+2）×1.5，也就是105件。再订货点等于安全库存加上采购在途销量，即105+10×5=155件。当库存低于155件时触发补货。补货量等于安全库存加上日均销量乘以采购在途天数加补货周期，再减去当前库存和在途库存。也就是105+10×7-120-0=55件。
这套口径可以覆盖大多数非季节品。要特别提醒的是，公式只提供起点。每季度应该根据实际缺货记录和滞销记录调整波动系数，缺货多就调高系数，滞销多就调低。公式是工具，系数是运营判断，两者结合才能真正避免多品类店铺的库存失灵。
读者评论
我们店铺也遇到过类似问题，不同渠道的运营各自建编码，导致同款商品在两套系统里显示不同库存。看了文章才意识到，先统一数据模型比急着补货更重要。那个瀑布图很直观，准备按这个思路去排查一下差异。
作为仓库负责人，对文章中说的“仓库先发货、后补单”深有体会。系统永远比实际滞后，月底盘点时账面对不上，最后都是仓库背锅。文章提出的“事实层”概念很有启发，如果每笔出库都有时间戳，就不会再扯皮了。
文中提到的“库存数据不是一张表，而是一座三层小楼”这个比喻很形象。我们公司目前就是Excel汇总，几千个SKU每天靠手工维护，效率极低。文中给出的改造前后对比数据很真实，准备向老板申请上一套统一模型。
库存管理最头痛的就是各部门对“库存”的理解不一样。仓库说实物，采购说在途，财务说过账，运营说可售。这篇文章点出了本质，需要统一语言和口径。尤其是食品效期冻结这点，我们之前就因此损失了不少临期商品。
做财务的看这篇文章感触很多。每月对账时，库存账面总是和仓库实际差一截，追溯起来全是统计时点不同导致的。文中提到的“账实差异拆解”方法很实用，把重复编码、过账滞后、在途误计分类处理，比单纯调账有效得多。