电商公司的库存计划，十有八九都是按品类维度做的：衣服分上装下装，美妆分护肤彩妆，食品分零食冲调。这种分类方式符合仓库管理习惯，却不符合一个基本事实，货最终卖给的“人”，是有生命周期差异的。新客和老客的购买决策、需求频次、价格敏感度完全不同，而大部分库存数据规划里，这一层客群差异根本没有被拆出来。我近几年给多家年销千万级以上的品牌做库存和数据分析项目，反复看到同一个现象：同一个SKU，被新客带动起来的销量波动性，和老客贡献的稳定复购，在数据里被混在一起算平均。
结果就是爆款不敢备货，长尾款积压清不掉，库存周转天数居高不下。
真正有效的解法，是把“新老客群需求适配”作为库存数据优化的一个独立变量来对待。这篇文章，我会用实际项目里验证过的框架，讲清楚什么叫“数据库存客群互补”，以及如何用新老客群的需求差异重建库存配置逻辑。
一、核心结论：库存数据的底层逻辑是“人”，不是“货”
先说结论：把库存数据按客群生命周期拆开看，比任何品类的ABC分类都更能解释库存结构问题。
过去几年我给几十家零售电商企业做过数据分析方案，几乎没有一家在库存计划里引入过“客群”维度。大家都看品类销量、看销售趋势、看安全库存，却没人问一句：这个月新增的销量里，有多少是新客试探性购买，有多少是老客的确定性复购？这两种购买行为对库存的需求根本不是一回事。
新客购买的特点是：决策轻、频次低、波动大。他们刚接触品牌，买单品试水，一个营销活动就能把某个SKU的销量拉高几倍，但活动一停，需求立刻回落。如果按照历史平均销量补货，要么被活动的脉冲式需求打懵，要么在活动结束后压一堆库存。
老客购买的特点是：复购稳定、客单价高、预测性强。他们会定期回购核心品类，需求节奏相对稳定，对库存的容忍度也更高，缺货了愿意等补货，甚至换规格购买。
这两类需求在数据上是天然互补的：新客带来“波动”，老客贡献“基线”。在库存数据里把两者分开算，就会看到一种平滑效应：一个SKU的总需求曲线是波动剧烈的锯齿状，但拆成老客基线和新客增量两条线之后，老客部分是一条稳定的水平线，新客部分是围绕基线上下波动的脉冲。库存计划按这个结构来做，就能在同样的服务水平下，用更少的安全库存覆盖住同样的缺货风险。
这就是“数据库存客群互补”的本质：用客群需求特征之间的互补性，替代单纯靠加大库存量来对抗不确定性。
二、真实场景：一个年销5000万品牌商的库存困境
2023年，我接手了一个食品品牌的库存诊断项目。这个品牌线上年销售额约5000万元，SKU约120个，主打健康零食。老板给我的原始诉求只有一个：仓库里堆了2600箱卖不动的货，但爆款每个月底都在断货。
我当时没有直接看进销存报表，而是让团队先把近12个月的订单数据全部导出来，按客户ID做了一次分层。结果很有意思，也很刺痛。
1. 数据分层后看到的第一层问题：新老客销量占比极度失衡
这家品牌的12个月总订单里，只买过一次的新客贡献了42%的销售额。听起来还好？但拆到SKU层面就完全失控了。某个网红单品，新客贡献了当月销售额的70%，而后台库存计划完全没识别到这一点。老客的复购也高度集中在另外三个核心SKU上，但这三个SKU的平均库存深度只有另外那款网红单品的60%。
2. 第二层问题：需求波动率差异高达2.8倍
我把所有SKU按月度销量波动系数（标准差/均值）做了排序，发现一个规律：凡是新客销售占比超过50%的SKU，波动系数普遍在0.6以上；反之，老客复购占比超过60%的SKU，波动系数基本在0.2到0.3之间。这意味着什么？新客主导的SKU，需求预测难度是老客主导SKU的两倍以上，但管理方式却一模一样。
3. 第三层问题：补货逻辑没有区分“脉冲需求”和“基线需求”
他们的补货规则是每两周看一次库存，低于安全库存就补货。安全库存系数统一按1.5倍日均销量算。这个算法放在老客SKU上问题不大，放在新客SKU上就灾难了：大促期间销量暴涨，仓库以为需求来了，大批量补货；大促结束，需求跌回原点，补进来的货就变成了滞销品。
后来我们做的调整很简单：把所有SKU按“新客销售占比”分为三个区间（0，30%为老客型、30%，60%为混合型、60%以上为新客型），分别设定安全库存系数（老客型1.2、混合型1.8、新客型2.5），同时把补货周期按SKU类型差异化。效果在六个月后显现：库存在途资金占用下降了12%，滞销库存占比从22%降到13%，缺货率反而从11.5%降到了7.3%。
这个案例不是孤例。我后来在多个行业（美妆、宠物用品、小家电）的客户项目里都验证了同一个判断：只要把客户生命周期维度加入库存数据模型，库存效率就至少能提升10%，15%。
三、拆解常见误区：为什么“按品类管理”解决不了库存结构问题
我在项目里频繁听到一个说法：“我们的库存管理已经够精细了，每个品类都做了SKU级的周转分析。”但精细不代表正确。方向错了，越精细越精准地在错误的地基上添砖加瓦。
1. 误区一：SKU维度等同于客户维度
按SKU管库存，本质上是“货”的管理视角。它能看到哪个单品卖得好，但看不到是谁在买。一个SKU销量高，到底是靠拉新活动冲起来的，还是老客复购买出来的，这直接决定了未来的需求可预测性。把这两个混在一起，库存计划就会把老客的稳定需求和新客的脉冲需求算成一个平均数，这个平均数既不能支撑新客SKU的备货精准度，也会给老客SKU配置超出必要的冗余库存。
我之前见过一个案例：某美妆品牌的口红单品，老客复购率很高，同时品牌不断通过直播拉新。两种需求叠加在一个SKU里，月度销量是稳定的。库存计划看到销量稳定，就压缩了安全库存。结果某次直播中，该单品被头部主播带上活动位，单日销量达到月均的4倍，仓库三天内断货，而补货周期需要25天。这个案例的教训是：总量稳定不代表结构稳定，把两类客群的需求混合在一起看，必然导致对风险的低估。
2. 误区二：补货周期统一化
很多企业的补货周期是全品类统一的，要么每周一补，要么每两周一看。这个做法忽略了不同客群需求对时效的敏感度差异。
新客型SKU的需求波动大、脉冲性强，补货周期越短越好，最好能做到3天一次甚至自动触发。因为新客是冲着当下的热点来的，晚了就流失了。老客型SKU的需求则稳定得多，补货周期拉长到两周甚至一个月，对服务水平几乎无影响，但能显著降低物流成本。
统一补货周期的本质，是用老客型SKU的节奏来管理新客型SKU，或者反过来。结果就是：新客型SKU要么备多积压、要么备少断货；老客型SKU则被频繁补货拖累了现金流效率。
3. 误区三：安全库存系数一刀切
这是最危险的误区。安全库存的设定本质上是“不确定性”的计价。不同客群贡献的需求不确定性差异巨大，但绝大多数企业在设定安全库存时，用的是全店统一的“库存天数”标准，比如统一备35天。
问题是：老客型SKU的不确定性低，备35天可能实际只需要20天就能保证服务水平；新客型SKU的不确定性高，35天可能远远不够。一刀切的后果就是一边积压一边断货同时发生。库存数据优化的第一性原理，就是让安全库存水平匹配真实的不确定性来源，而客群生命周期正是不确定性最重要的来源之一。
4. 误区四：忽略“新客转化为老客”的动态变化
还有一个隐形误区，很多人把新客和老客当成静态标签，但客群是会流动的。这个月的新客，如果体验好，下个月就可能变成老客。这意味着一个SKU的客群结构不是一成不变的，而是随品牌阶段、品类成熟度和营销节奏在动态迁移。
库存数据规划必须考虑“新客沉淀率”，新客中有多大比例会成为复购客户。这个比例越高，新客型SKU的预测波动就越早转化为稳定的基数，库存计划也就越有余量。
四、专业判断逻辑：新老客群如何形成库存互补
讲完误区，我来拆解“数据库存客群互补”背后的专业判断逻辑。这个逻辑不是从某本教科书上抄来的，而是在多个真实项目里验证过的分析框架。
1. 新老客群的需求本质差异
老客需求的本质是“确定性”，新客需求的本质是“探索性”。这两句话是理解客群互补的核心。
老客购买行为呈现出非常稳定的模式：购买周期固定、品类偏好固定、客单价区间固定。他们不是来探索的，是来复购的。这种需求的可预测性非常高，放到库存数据里，就是一条平稳的基线需求曲线。
新客则完全相反。他们通过广告、内容、口碑进入品牌，购买的第一单往往是试探性的：挑一个最热门的单品、买一个最小规格、赶上一个促销活动。他们的购买决策高度依赖营销触发，需求脉冲与曝光量、活动节奏强相关。放到库存数据里，就是一系列不规则的峰值。
2. 互补的逻辑：基线+波动=组合预测
把新老客群的需求特征放在一起，就形成了一种互补关系：老客提供基线需求，新客提供增量波动。库存规划可以用老客需求做底仓安全库存的锚点，再用新客需求波动做动态调节，而不是把所有需求放在同一个篮子里算平均值。
实际操作上，我会把每个SKU的月度需求做一次分解：
- 基线部分：取过去6个月老客复购需求的移动平均值
- 波动部分：取新客需求的月度增量与营销活动排期对齐
一个SKU的补货数量 = 基线需求 + 波动需求的覆盖量。基线部分用相对固定的补货频率补足，波动部分再用快速补货通道应对。这样就可以在同一张库存结构表里，同时容纳“稳”和“快”两种节奏。
3. 客群结构决定库存结构
我习惯用一个公式来判断一个SKU应该采用什么样的库存策略，核心看两个变量：
新客销售占比 = 该SKU新客贡献销售额 ÷ 该SKU总销售额
老客复购间隔 = 该SKU老客两次购买之间的平均天数
这两个变量组合起来，就能把SKU分为四种类型：
（1）新客占比高 + 复购间隔短 → “流量型”SKU。这类SKU依赖新客流量带动，但老客的复购间隔短，需求基础正在形成，可以尝试做适度备货。
（2）新客占比高 + 复购间隔长 → “脉冲型”SKU。这类SKU完全靠营销带动，需求不可预测性最高，必须用“小批量高频次”补货方式控制风险。
（3）新客占比低 + 复购间隔短 → “基本盘型”SKU。这类SKU是老客核心回购品，需求稳定，是安全库存最该倾斜的方向，但安全库存系数可以设定得相对较低，因为可预测性高。
（4）新客占比低 + 复购间隔长 → “边缘型”SKU。这类SKU不建议做常规备货，应该采用门店调拨或订制化采购的方式降低库存负担。
这个四象限判定法，是我在多个客户项目里反复使用的第一个分析动作。做完这个判定之后，库存数据才能真正被“客群互补”逻辑重构。
4. 客群互补的动态平衡
客群互补不是一次性分析，而是一个持续的动态过程。我建议每季度更新一次客群标签：观察过去90天有复购行为的老客，以及新客向老客的转化速度。当某个新客型SKU的转化率持续走高，它就应该被移到“基本盘型”里；反之，当一个老客型SKU的复购率开始下滑，就要警惕它向“边缘型”滑落。
库存数据规划最忌讳的，就是用上季度的客群结构预测下季度的需求。
五、具体案例与数据观察：客群互补落地的全过程
理论讲到这里，我用一个完整案例展示“数据库存客群互补”的实际落地过程。这个案例来自我2024年服务的一个宠物用品品牌，为了便于理解，我会简化部分细节，但保留整个分析的核心路径。
1. 品牌背景和初始痛点
这家宠物品牌年销售额约3000万元，主要渠道是天猫和私域小程序。SKU大约80个，以猫粮和猫零食为主。找到我时，他们的库存问题已经比较严重：整体库存周转天数高达67天，滞销库存（超过180天未动销）占比18%，而当月爆款，一款冻干双拼猫粮，已经在过去三个月里断了四次货。
2. 第一步：按客群拆分存量订单
我把近12个月的订单数据全部导出，以客户ID为维度，做了三个基础计算：
- 每个客户的总购买次数
- 每个客户最近一次购买距今天数
- 每个客户的平均购买间隔
判定规则很简单：购买次数≥2且距上次购买≤90天，定义为老客；满足购买次数=1或距上次购买>90天，定义为新客（流失后重新激活的客户归入新客，因为他的行为特征和纯新客类似，需求不确定性高）。
3. 第二步：SKU级客群占比计算
接下来我在SKU维度上计算每个单品的“新客销售占比”。结果非常有戏剧性：店铺第一款爆款“冻干双拼猫粮”的新客销售占比高达68%，基本靠天猫直通车和达人带货拉新驱动；而第二款爆款“全价主食罐头”的新客销售占比只有27%，老客复购撑起了销量主体。
这就是典型的“互补机会”：两款爆款的需求结构完全不同，但库存计划用的同一套补货逻辑。
4. 第三步：差异化库存策略
针对这两款SKU，我分别制订了不同的库存策略：
（1）冻干双拼猫粮（新客占比68%），“小批量、高频次、活动前置”：
- 安全库存从35天压缩到18天
- 补货频率从每两周一次提升到每周两次
- 所有营销活动排期提前同步给供应链，活动前5天加急补货一次
- 为直播引流单独设置10%的动态安全库存缓冲
（2）全价主食罐头（老客占比73%），“大批量、低频次、自动补货”：
- 安全库存从35天提高到50天
- 补货频率保持每两周一次
- 用历史订单的平均复购间隔预测补货数量
5. 第四步：数据看板重构
原来的库存看板是“品类×SKU×库存天数”，我把它改成“客群类型×SKU×补货优先级”。每个SKU都自动带一个“需求结构标签”，脉冲型、流量型、基本盘型、边缘型。补货专员每天打开看板，第一眼看到的不是库存表，而是“今日需要关注的高波动SKU”列表。
6. 实施三个月的效果数据
策略上线三个月后，这家品牌的库存数据发生了明显变化：
- 库存周转天数：从67天降到49天，下降27%
- 滞销库存占比：从18%降到11.2%
- 爆款缺货次数：从每月4.3次降到每月1.6次
- 库存资金占用：下降约85万元（基于8%年化资金成本的估算）
特别值得说明的，就是包装口径的调整：资金占用计算口径为所有堆在仓库的SKU成本合计金额。库存资金释放带来的直接财务收益，比省下几个仓库的租金更明显。
这个案例最核心的启示是：没有增加任何数字化系统的投入，只是把订单数据里已经存在的客群维度拆出来，用互补逻辑重新组织了库存策略。工具和能力不是瓶颈，分析视角才是。
六、不同情况下的行动建议
不是所有企业都有条件完整复刻上述四步法。根据企业体量、系统能力和数据基础，我给出三套差异化的行动方案。
1. 小体量（年销500万以内）/ Excel即可起步
如果你的订单量不大，系统能力也有限，不需要上来就建数据中台。我建议用Excel就能完成客群互补的第一次落地。
具体操作路径：
（1）从后台导出近90天订单明细表（至少包含：订单号、客户ID、SKU、购买数量、支付金额、下单时间）
（2）用COUNTIFS函数给每个客户打标：该客户在90天内的购买次数≥2次标记为“老客”，否则标记为“新客”
（3）用数据透视表计算每个SKU的“新客销售占比”，公式是：新客购买数量÷总购买数量
（4）把所有SKU按新客占比分成两个梯队：≥50%的进入“波动组”，<50%的进入“稳定组”
（5）波动组的安全库存天数乘以1.5，补货频率翻倍；稳定组的安全库存天数乘以0.8，补货周期拉长到每月一次
这套动作，熟练的话一个下午就能做完。它不会是最优解，但足以帮助你建立“客群会影响库存”的感知。
2. 中体量（年销500万，3000万）/ 建议引入自动化
中体量的企业，数据量已经不允许用Excel频繁手算了。我建议用BI工具（比如FineBI、Power BI）搭一个客群库存分析看板，把三个指标自动化：
（1）SKU客群标签：根据90天滚动窗口自动识别新客型/老客型SKU
（2）需求波动系数：自动计算每个SKU过去3个月的销量标准差/均值
（3）差异化安全库存预警：按客群标签设定不同的安全库存阈值，低于阈值自动推送补货提醒
这个阶段的核心任务，是从“被动的报表”过渡到“主动的预警”。库存计划员每天看的应该是一份按风险优先级排列的异常清单，而不是一张全量SKU的流水账。
3. 大体量（年销3000万以上）/ 构建客群库存中台
大体量品牌，需要把客户数据（CRM/CDP）和库存数据（WMS/ERP）打通，形成真正的“人货匹配”数据底座。具体建议如下：
（1）建立“客群×SKU”宽表：每行是一个SKU，列包含新客销售占比、老客复购间隔、近30天销量、预测需求、安全库存建议值等
（2）用CLV（客户生命周期价值）模型辅助判断：新客的CLV提升空间大，在库存策略上可以更激进；老客的CLV已经在高位，重点是保供稳供，而不是强推新品
（3）将营销日历和库存计划对接：所有营销活动的排期、预计流量、转化率预期，都应自动转化为需求波动的输入参数，避免营销端和供应链端互相不知道对方在干什么
4. 不同客群占比下的策略侧重
如果一个品牌的销售结构以新客为主，比如新客销售占比超过60%，那么库存的关键词是“快”。快速补货、快速试错、小批量多频次。新品上架可以大胆铺量，因为新客愿意尝鲜；但生命周期管理要严格，一旦数据证明某个SKU拉新失败，就要快速清仓止损。
如果一个品牌以老客复购为主，老客销售占比超过60%，那么库存的关键词是“稳”。核心SKU的供给必须持续稳定，安全库存宁多勿少，避免因为缺货打断老客的复购节奏。同时要克制盲目上新，老客对熟品的偏好稳定，新品的需求预测会比较不可靠。
处于中间状态，新老客占比各半的品牌，最需要练习的就是“分类施策”，混合型SKU的比例通常最高，需要同时保留波动缓冲和稳定基线两套逻辑。
七、不同情况下的取舍：没有标准答案，只有权衡
最后这部分，我想谈谈大家问得最多的问题：客群互补库存策略，有没有代价？有，而且很明确。我希望你读完能清楚地权衡利弊，而不是盲目照搬。
1. 小批量高频次补货，时间成本上升
新客型SKU采用小批量高频次补货，意味着供应链团队的每日工作量会上升，更多次的采购单、入库单、质检流程。如果你的仓库还没有实现系统化作业，频繁补货可能带来管理成本的上升。这是新客主导型库存策略最直接的代价。
反过来看，如果你选择低频大批次补货，则要承受更高的积压风险。这笔账怎么算？补货作业的人力成本高，加大批量；库存资金占用压力大，减小批量。没有绝对的对错。
2. 数据口径的摩擦成本
做客群分析需要打通订单数据和货品数据。这个过程中最大的阻力往往不是技术，而是部门间的数据口径冲突。CRM部门对“新客”的定义是“首次下单”，供应链部门的定义可能是“首次发货”，财务部则按“首笔回款”来算。
口径不一致会导致数据分析结论打架。我的建议是：项目初期就锁定口径，选择“首单日期”作为新客判定锚点，并记录在案，全员使用同一个定义。不要为了追求精确而在口径上反复调整，先统一一个能用的，跑起来再优化。
3. 老客型SKU的“过度稳定”风险
老客型SKU看起来安全，但过度追求稳定也会出现风险：当市场竞争加剧、话题热度爆发时，老客型SKU可能因为大量新客涌入，库存被快速击穿。我见过不止一个品牌因为老客型SKU的稳定销量而低估了市场爆发的可能性，结果在品类热度来临时流失了大量潜在新客。
所以即便是纯老客型SKU，也应该保留一个容量上限的压力测试，比如设定“周销量突然翻倍时，库存能支撑几周”的预案。老客的基本盘要稳，但上涨的弹性要留着。
4. 什么时候不适合客群互补策略
也有几种情况，我不建议优先做客群互补分析：
（1）SKU数量很少（少于15个）的小店，受单品波动影响太大，客群分层可能放大预测误差，不如直接按商品生命周期管理库存。
（2）处于极速增长期、月销售额连续三个月翻倍以上的品牌。这个时候需求远远大于供给，库存优化的优先级已经落后于供应链扩容，不要浪费精力在精细化调优上。
（3）数据质量极差、订单和库存系统数据对不上的企业。先花时间把数据基础补上，否则任何高级分析都是无源之水。
（4）以大宗集采或B2B批发业务为主的品牌，客群分层更适合C端零售场景，B2B的需求由客户项目决定，不适用零售逻辑。
5. 最后再提醒一个隐藏陷阱：客群标签的动态更新
客群标签不是贴一次就永远不改。消费者会从新客变老客，也会沉寂流失。如果一个客户60天内没有再次购买，他就从“老客”重新滑回“新客”池子，因为他的再购买行为重新变得不确定。这个动态变化会直接影响SKU客群占比的计算结果。一定要设置系统化的标签刷新机制，我建议每两周刷新一次客户状态，每个月重新计算一次SKU层客群占比。不要省这一步，否则你的客群互补策略会逐渐偏离真实。
总结：把库存问题从“仓库”搬到“人”的层面去解决
这篇内容的核心观点归纳起来只有三条：第一，库存数据优化的方向要从品类维度转向客群维度，因为客户生命周期决定需求特征；第二，新老客群在需求上天然互补，老客提供稳定基线，新客带来波动增量，分开算、合并看，比混在一起算平均更接近真实；第三，不需要等数据中台建成才能起步，Excel和现有订单明细已经足够支撑一次有效的客群分层。
你现在可以做的第一件事很简单：打开后台，导出最近90天的订单明细，用表格工具给每个客户打一个“新客/老客”的标签，然后按SKU汇总新客销售占比。哪些SKU过度依赖新客波动，哪些SKU靠老客复购支撑，会直接浮出水面。看到这个结果，你就知道你下一批补货应该怎么改了。
如果你在实操中遇到数据口径、工具选型或客群标签阈值设定的问题，欢迎在评论区留言。我会基于实际项目经验，尽量给你可执行的答案。
常见问题解答（FAQ）
1. 什么叫“数据库存客群互补”？它和我们常说的供应商库存互补是一回事吗？
我在电商公司做供应链计划，之前看到的“库存互补”都是讲供应商之间互相调货、共享库存。但最近老板让我研究“客群互补”，说新客和老客的需求能互补，这我就有点懵了，客群又不是仓库，怎么能互补呢？而且这个“互补”到底怎么落到库存数据上，我心里完全没有概念。
先给一个我的判断：在当下的库存管理语境里，“客群互补”还不是一个有统一定义的学术概念，而是一个正在从运营实操里长出来的分析视角。我第一次听到这个说法是在一次双十一复盘会上，当时我们有一个爆款断货了，但同时另一个老客复购率极高的常规款积压了三万多件库存。老板给了一句评价：“你们只盯着货，没盯着人。
”这句话让我真正开始理解什么叫客群互补。供应商库存互补，解决的是“我有余、你不足”的货权调配问题，主体是企业与企业之间。而数据库存客群互补，解决的是“同一堆货，被不同客群以不同节奏消耗”的需求结构问题，主体是同一个企业里的新客和老客。
具体来说：新客的购买行为是试错式、低确定性的，他们不知道你的质量好不好，第一次下单往往买得少、挑得保守，而且决策路径很短，今天看中明天就买，需求波动很大。老客的行为是复购式、高确定性的，他们有历史订单数据，复购周期相对稳定，对某些品类的购买几乎可以预测。
我们的库存数据如果只按品类汇总，就会把两类客群完全不同的需求节奏混在一起，导致补货信号失真。但其实新客带来的“高波动需求”和老客带来的“稳定基线需求”天然形成互补结构，就像一条河，老客是主河道，水量稳定；新客是支流，时而枯水、时而洪水。
所以我们做库存数据优化时，需要先在数据层面把这两股水流分开计算，再合并调度，这就是“客群互补”在库存数据优化中真正要解决的问题。
2. 新老客群的需求差异到底怎么量化？我该从哪些维度算出它们对库存的不同影响？
我手上有近一年的订单明细、SKU清单和库存流水，但不知道怎么把“新老客需求差异”这个模糊的概念拆成可计算的指标。是按购买金额分？还是按购买频次分？就算分出来了，怎么量化它们对每个SKU库存的影响？我不想只是拿一个简单的百分比拍脑袋，想要一套相对严谨但又能实际操作的方法。
先泼一盆冷水：不要想着一步到位算出“新客占30%库存、老客占70%库存”这种精确答案，没有任何公式能直接告诉你这个数。但我们可以通过三个具体维度把“差异”算出来：需求波动率、需求量级、品类偏好重叠度。第一步，先把客户打标为“新客”和“老客”。
我建议不要用“是否二次购买”这种一刀切的标准，这会忽略时间窗口。实操中我用的口径是：过去12个月内成交2次及以上，且最近一次购买在90天内的客户定义为“老客”；其余为“新客”。这套口径兼顾了复购性和近度，比纯看首单时间更能反映真实状态。第二步，计算“新老需求差异系数”。
对于每一个SKU，分别按新客订单和老客订单统计周销量，算出两组数据的标准差与均值之比（即变异系数CV，即CV=标准差/均值）。这个系数的含义是需求稳定度，老客组的CV通常显著低于新客组。
我们当时算出来的数据是：某个家居品类的新客CV高达1.8，而老客CV只有0.6，这就意味着新客需求的不确定性是老客的三倍。第三步也是最关键的，算“SKU层级的新老客需求重叠率”，统计每个SKU的销量中新客贡献占比和老客贡献占比。
如果某个SKU老客贡献占比超过70%，说明它是典型的复购驱动型SKU，库存策略应该锚定老客的复购周期来补货；如果新客贡献占比超过60%，就要按新客的流量波动去做安全库存缓冲。我把这三步叫作“算差逻辑”：分客群打标→按SKU拆解需求量→算波动系数和贡献占比。
算出之后，不要追求一个全局的完美比例，而是看每个SKU在“新客波动轴”和“老客稳定轴”上的位置，然后分类采取不同的库存策略。
3. 没有数据中台、也没有BI系统，小体量的电商团队能用Excel跑通这套客群互补的库存分析吗？
我在一家年销售额两三千万的淘宝店铺做运营，公司不可能为了“客群互补”这个概念去上数据中台。我们只有Excel和ERP后台，IT支持近乎为零。我之前也想学大厂的库存分层策略，但一看到“数据中台”“数据仓库”这些词就打退堂鼓。我就想问：用我手头的Excel，能不能跑通一套简化版的分析流程？
如果要跑，大概的步骤是什么？
能跑通，而且我踩过坑后可以负责任地告诉你：Excel能完成80%的基础分析工作，剩下的20%只是效率问题，不是方法问题。年销量几千万的体量，订单明细数据大概在几十万行的量级，Excel完全扛得住。我的第一次落地是基于三个Sheet搭的。
第一个Sheet是“订单明细”，字段包括订单号、客户ID、SKU编码、下单日期、数量、金额。这个可以直接从ERP后台导出，通常后台都支持。第二个Sheet是“客户标签”，就是要给每个客户打上“新客”或“老客”的标记。
我用COUNTIFS函数计算每个客户在近12个月内的订单次数，然后用IF函数生成“新客/老客”标签。这一步的关键是先把日期锁定成最近365天，而不是全历史，我一开始用全历史数据算，结果把很多早就流失的客户也算成老客，数据完全失真，这是第一个坑。第三个Sheet是“SKU分群汇总”。
用透视表把订单明细按SKU拆开，同时统计新客购买量、老客购买量、可支持周数的库存量（即当前库存除以近12周平均周销量），再按“新客贡献占比”降序排列。在我实际动手的过程中，遇到最核心的一个问题是：直接用ERP导出的订单明细经常有大量无效SKU，比如赠品、补差价链接、测试商品。
如果不先清洗掉这些数据，算出来的比例和波动系数都会被严重污染。我裁掉了大约8%的无效数据后，才得到一套能够真实反映客户行为的分析结果。用这套Excel方案，你不需要写任何SQL，不需要搭建服务器，只需要会三个核心功能：透视表、COUNTIFS、VLOOKUP。这就是从零到一最轻量的一条路。
跑完这套分析之后，你就能在Excel里看到一张“SKU×客群”的矩阵表，知道哪些SKU吃老客的稳定需求、哪些SKU靠新客的流量驱动、哪些SKU的新老客贡献非常均衡，这一步本身就是库存数据优化最重要的底仓。
4. 新老客群互补的库存优化落地之后，到底该看哪些指标来证明它有效？我该怎么做复盘？
我按照客群互补的思路重新调整了安全库存和补货周期，但老板问我：“效果到底怎么样？”我一下子拿不出特别有力的数据。我手上有库存周转天数、滞销率、缺货率这些常规指标，但总觉得这些指标是“事后结果”，看不出客群互补策略本身的贡献。我想知道：有没有一套针对这个策略的、能区分客群维度的评价指标体系？
先说一个判断：只用库存周转天数和缺货率这类整体指标，是看不出客群互补策略是否有效的。因为这些指标会把新老客的差异重新“抹平”。我在做复盘的时候发现，必须把评价指标拆成两个层级：结果指标和过程指标。结果指标回答“生意有没有变好”，过程指标回答“客群互补策略到底有没有被执行”。
第一层，过程指标，我会重点看三个：一是“SKU×客群标签覆盖率”，即有多少比例的重点SKU已经打上了新老客需求特征标签。我们做的时候要求覆盖率不低于90%，低于这个数说明很多SKU还在拍脑袋补货。
二是“新老客差异系数变化”，比如刚才提到的CV值，看老客组的CV有没有稳定、新客组的CV有没有因为补货节奏调整而下降。三是“按客群设置的补货参数执行率”，你设的差异化安全库存公式，有多少百分比被采购同事实际执行了。第二层，结果指标，常规考核还是会看库存周转天数和缺货率，但要注意两个容易踩的坑。
第一个坑是缺货率千万不能只看企业整体平均值，要按新客驱动的SKU和老客驱动的SKU分开统计。我们的经验是新客驱动SKU的缺货率和老客驱动SKU的缺货率经常差出三倍以上。如果只算一个平均数，会把新客SKU的严重缺货给掩盖掉。第二个坑是库存周转天数要看结构变化，而不只看总数。
同样的周转天数，如果是因为老客驱动的SKU越备越多、新客驱动SKU经常断货导致的，那这个“周转天数好看”其实就是业务恶化的预警信号。最后分享一个建议：把这套指标沉淀进一张周度复盘看板里。
当时我们做了一张“客群×SKU库存健康度矩阵”，横轴是新客需求贡献占比，纵轴是当前可支持的供应周数，四个象限分别对应“高贡献低库存”“高贡献高库存”“低贡献低库存”“低贡献高库存”。每周二更新一次，周一开会就盯着这张表看，哪个SKU从“低贡献高库存”变成了“高贡献高库存”，说明策略执行有问题；
哪个SKU从“高贡献低库存”挪到了安全区间，说明策略起效了。这套复盘逻辑，远胜于月底看一次周转天数。
读者评论
文章把新老客群的需求差异讲得很透，尤其是“新客波动大、老客基线稳”这一点，直接点出了库存计划总在爆款断货和长尾积压之间摇摆的原因。按客群拆分后重新设定安全库存系数，思路实操性强，值得尝试。
案例中的数据分层方法很实用，把SKU按新客销售占比分型，再匹配不同的补货周期和安全库存，逻辑清晰。不过文中示例用的是模拟推演数据，真实落地时还需结合行业特性和营销节奏做调整，不能照搬系数。
作为库存管理从业者，深有感触。统一补货周期和安全库存一刀切确实是常见坑，尤其是直播带来的脉冲需求，用老客复购的平均值去预测必死。文章提到的“基线+波动”组合预测方式，比单纯看品类ABC分类合理得多，准备在复盘会上讨论一下。