仓库里压着三千箱临期巧克力，电商店铺前端却挂着“缺货”标签，这是我在一家休闲食品企业库存盘点时看到的真实场景。同样的矛盾在过去一年里反复出现：用户活跃度明明在涨，补货计划却还在按上周销量均值走。等到补货到位，活跃度已经回落，新到的货又变成了新的库存压力。“数据库存活跃适配”这个组合词，听起来像数据库文档，但本质上讲的是业务决策：如何用用户活跃度数据，来调整库存增量体量。
这篇文章不讨论高深的算法，也不会让没有数据团队的读者知难而退。我要讲的是一套小团队也能跑通的判断逻辑，以及我在这类项目中看到的大量可复用的经验。
核心结论
- 用户活跃度是领先信号，库存增量是滞后决策
销量是已经发生的结果，而用户活跃度是即将转化为销量的前置信号。访问、加购、收藏、搜索这些行为，通常会比实际订单提前数天出现。如果库存增量只看历史销量，就等于永远在“追着结果走”。把库存增量调整和用户活跃度绑定，本质上是把决策节点往前移。 - 真正每天都在拍脑袋的，是“增量”而不是“总量”
库存总额有月度盘点、财务口径、库容上限这些约束条件，相对稳定。反而是“这个星期还要补多少货”这种增量问题，最容易陷入经验判断。补少了缺货，补多了积压，而增量恰恰最适合用高频数据来驱动调整。 - 最小可行方案：活跃度系数法
不需要一开始就上系统。用一张Excel表就能跑通：先定义活跃指标，再算当期与基准周期的活跃度比值，最后把原计划增量乘以这个系数。这套逻辑我称之为“活跃度系数法”，它是库存增量调整的起点，也是后续所有复杂模型的基础。 - 先做规则，再谈模型
很多团队一上来就想用机器学习预测需求，但连“活跃度口径”都没有统一。我的建议是：先用规则把流程跑通，跑出三个月数据之后，再评估是否需要引入更复杂的模型。规则透明、可复核、可解释，这才是小团队最需要的东西。
背景与真实场景
一个我亲历的备货冲突
那家食品企业有260个SKU，日常日活大约2.4万人。2023年6月的一次短视频投放让店铺活跃度两天内涨到5.8万，订单量同步上涨。供应链部门却还在按上周日均销量做采购计划，结果14个主力SKU在一周内全部缺货。等追单到货，已经是八天之后，热度已经过去，这批货变成了滞销库存。
这不是个别案例。我在多个项目里都看到同样的问题：运营看活跃数据，供应链看历史销量，两边各看各的报表，导致库存增量迟迟不能跟上市场变化。
- 两张从不互看的报表
有一段时间，我给这家企业做库存复盘，发现一个很典型的现象：运营部的周报里有“7日活跃用户数”，供应链部的周报里有“库存周转天数”，但这两张表从来没有出现在同一个会议里。运营以为供应链在跟进活动节奏，供应链以为运营会提前同步节奏，结果谁都没有为库存增量做主动调整。 - 问题的真正根源不是预测精度，而是决策口径
很多人以为库存不准是算法不够好、预测模型不够复杂。实际上，多数企业的卡点在于：没有把“用户活跃度”纳入库存增量调整的输入条件。业务规则越简单，越容易被坚持执行。先统一口径，再谈精度，是我做这类项目的第一个原则。 - 数字化程度低，不代表不能做数据驱动
这家企业没有专职数据分析师，唯一的“数据系统”是一张每天自动同步的订单明细表。但这并不妨碍我们用活跃度数据做增量调整。只要是经营数据，哪怕只有一张Excel表，就已经具备了做数据驱动的条件。工具从来不是最大的门槛。
常见误区
- 误区一：把“数据库存”理解成数据库表里的记录
很多技术人员看到“数据库存”四个字，会下意识地以为是数据库里的存量记录、缓存数据、表字段这一类技术概念。但在“数据库存活跃适配”这个业务场景里，我更愿意把它理解为“当前可卖的库存水位”。这两个口径如果混在一起，讨论就会失去焦点。先把概念拆到业务层面，再谈技术实现，才不会偏题。 - 误区二：把“活跃适配”理解成实时库存同步
“适配”不等于“实时同步”。库存增量决策不需要做到秒级更新，因为补货本身有前置期，不可能实时响应。适配的准确含义是把用户活跃度的变化趋势，翻译成一个库存增量的调整系数。这个系数按周滚动计算即可，实时同步反而会引入大量噪声。 - 误区三：把“库存增量体量”理解成库存总量
库存总量是“现在应该有多少货”，库存增量体量是“在现有基础上还要加多少货”。总量受仓储容量、资金上限约束；增量则是一个高频的动态差额，每天都需要被重新评估。增量更适合用活跃度这样的领先指标来驱动，但不少团队在决策中把它们混为一谈，导致补货计划要么过于保守，要么过于激进。 - 误区四：以为只有上一套AI才能解决
这是我在项目中遇到最多的认知门槛。AI预测系统确实能做需求预测，但它的前提是有足够干净的历史数据、明确的SKU属性、稳定的销售周期，还有持续维护的人力。对多数中小团队来说，直接上系统不是最优解，先用规则把增量调整的流程跑通，才是更稳妥的路径。 - 误区五：活跃度上升就直接加量
活跃度上升是补货信号，但不是所有SKU都应该加量。要看活跃度是否真的转化为加购和转化，也要看具体是哪些SKU被带动。活跃度是必要条件，不是充分条件。不加区分地整体加量，只是把缺货风险换成了积压风险。
专业判断逻辑
- 为什么用户活跃度能指导库存增量
用户活跃度属于“领先指标”，订单量属于“滞后指标”。用户要先访问、先加购、先对比，然后才下单。这个时间差，就是库存增量调整的操作窗口。如果能在活跃度上升的初期就识别趋势，并把它折算成补货系数，就有机会在缺货发生之前完成补货。 - 怎么定义“活跃”才有效：离钱最近
不同业务的活跃定义不同。电商看访问和加购，内容平台看停留和互动，SaaS看登录和功能使用。我的判断标准是：离下单越近的行为，越适合作为库存增量调整的依据。按优先级排序：
- 第一优先级：加购人数。它几乎等同于短期需求。
- 第二优先级：商品详情页访客数。它代表购买意愿。
- 第三优先级：店铺整体访问量。它和单SKU库存关系较弱。
建议只选一个核心指标，贪多会导致口径混乱。日常运营中以“7日活跃加购人数”为基准比较稳定，单日数据噪声太大。
活跃度系数的计算方法
活跃度系数的计算公式我并不建议搞复杂，很多时候供应链只需要一个可执行的比例。按周来看，计算方法就是：当期7日活跃人数，除以基准周期（通常是前30天，即前4周）的平均7日活跃人数。
调整后的库存增量等于原计划增量乘上系数和某个权重修正。计算公式如下：
活跃度系数 = 当期7日活跃人数 / 基准周期7日活跃人数
调整后库存增量 = 原计划库存增量 × 活跃度系数
为了减少偶发波动干扰，我会再加一个平滑处理：修正系数 = 0.7 × 当期系数 + 0.3 × 上周系数。这么做的好处是，不会因为某一天的小波动就打乱整个补货计划。
修正系数 = 0.7 × 当期活跃度系数 + 0.3 × 上周活跃度系数
在Excel里，这个逻辑可以这样实现：
= ROUND(D2 * (0.7 * (B2/C2) + 0.3 * E2), 0)
其中D2是原计划增量，B2是当期7日活跃人数，C2是基准7日活跃人数，E2是上周活跃度系数。
一定要做平滑：按周滚动而不是按天
我曾经在试点初期让团队按天计算活跃度系数，结果供应商被频繁调整的采购单折磨得够呛：周二系数1.6，周四又回落到1.1，周五再次拉升。事后复盘发现，单日波动大部分来自推广投放和自然流量起伏，并不是真实需求的持续变化。
改为按7日滚动计算之后，波动明显收敛。经验判断是：单日数据用于监控，7日滚动数据用于决策。当修正系数连续两期大于1.2时，才触发加急补货；当修正系数连续两期低于0.8时，则启动库存消减检查。
分层处理：不同SKU的敏感度完全不同
在把活跃度系数应用到所有SKU之前，必须先做一次分层。我的经验是把SKU分成三类：
- 高活跃敏感类SKU：与店铺流量、活动节奏直接相关，活跃度一涨、销量立即跟随。这类SKU适用高倍系数。
- 惯性销售型SKU：销量稳定，和单次活动关系不大。这类SKU保持原计划增量即可。
- 长尾型SKU：动销慢、需求散，活跃度对它们的影响小。这类SKU适用低倍系数，甚至可以不参与调整。
分层的目的，是避免“所有SKU共用一个系数”的粗放做法。否则高活跃品类补不够，长尾品类反而越补越积压。
警惕活跃幻觉：用转化率作为锚定指标
活跃度上升，有时并不代表成交会同步上升。最典型的情况是短视频爆了，大量流量涌入但商品转化率很低，访问者只是看个热闹。此时如果直接按活跃度系数加量，就会掉进“活跃幻觉”。
我的做法是在系数应用前增加一道校验：如果当期转化率相对基准下降超过15%，那么活跃度系数的置信度就要打折。具体来说，可以把修正系数再乘以一个转化率锚定系数。
转化率锚定系数 = 当期转化率 / 基准转化率（该值低于0.85时启用，否则设为1）
只有当活跃度和转化率同步上升时，库存增量调整才具备实际意义。这一道校验在促销期尤其重要。
具体案例和数据观察
- 项目背景
我在2023年7月到9月，为一家休闲食品电商做了6周试点。该企业约260个SKU，没有专职数据团队，日常靠Excel管理库存。店铺每月做两次固定活动，活动期间订单量约为日常的2.3倍，活动结束后订单量会回落约40%。过往补货完全依赖供应链负责人的经验。 - 实施前的数据快照
试点开始前，我拉取了该企业6月的经营数据：月均缺货率14.2%，活动期间最高缺货率达到23%；90天未动销的滞销库存占比17.3%；库存周转天数68天。最让我在意的是缺货和滞销集中在同一个品类：主力品类缺货严重，长尾品类积压严重，结构性失衡非常突出。 - 六周的试点过程
试点前两周，我们只做一件事：把“7日活跃加购人数”的历史数据补全，并与订单量、SKU缺货记录对齐。说实话，这一步异常耗时，因为加购明细散落在多个导出表里，需要按SKU汇总。
第三周开始跑系数法。每周五下午，团队成员花40分钟完成四步操作：
- 第一步：拉取近7日加购人数，计算活跃度系数。
- 第二步：按SKU分层，输出各品类对应系数。
- 第三步：对原计划增量做乘积修正，标记出触发1.2阈值的SKU。
- 第四步：把调整后的采购申请发给供应链复核。
整个流程不依赖Any额外的系统，用Excel和在线文档协作就完成了。
结果对比
6周试点结束时，数据出现明显变化：月均缺货率从14.2%降到5.6%，活动期间缺货率峰值从23%降到11.8%；滞销库存占比从17.3%降到8.4%；库存周转天数从68天降到53天。采购资金没有增加，但SKU结构更贴近实际需求。
这组数字是我坚持推荐“先跑规则”的重要原因：一次正确的流程调整带来的收益，往往大于引入复杂模型。
复盘：我看到的主要问题
第一个坑是对在途库存关注不足。试点第三周，我们给一个畅销SKU触发加急补货，结果采购发现两批在途订单已经覆盖了需求，重复下单向供应商道歉。后来我们在流程里增加一步：调整前先核对在途数量。
第二个坑是长尾SKU的滞销改善比较滞后。头部SKU缺货率在第二周就开始下降，但长尾品类的滞销占比直到第五周才有了明显变化。原因在于我们花了很长时间才说服采购对长尾品类执行“减量补货”，而不是“按原计划走”。业务团队对长期形成的行为惯性，需要更强的数据说服力。
第三个坑是活动预热期系数波动极大。活动前三天加购人数暴涨，系数一度冲到2.1。如果没有平滑公式，我们会在活动前大量备货，然后在活动结束后承受库存压力。平滑处理控制了这次过度反应。
不同情况下的行动建议
- 没有专职数据团队，只有Excel
不要急于上系统。先用在线表格维护一张补货计算表，包含五列：SKU、7日活跃加购人数、基准期人数、原计划增量、调整后增量。每周更新一次，固定时间复盘。我的经验是，只要坚持两周，团队就会开始主动讨论“为什么活跃度涨了货没跟上”。 - 有1名兼职分析师
这个配置已经可以跑更精细的版本：按SKU分层维护系数，在表格里增加“在途库存”字段，并对触发1.2阈值的SKU单独生成补货建议清单。每周可以多花20分钟做一次转化率锚定校验，防止活跃幻觉。 - SKU超过1000个
逐一计算不现实，我建议按品类聚类后计算品类系数，再按SKU历史销量占比分配到单品。先把“哪个品类该增、哪个品类该减”搞清楚，比精确到每个SKU更重要。如果月度复盘发现某个品类内部差异过大，再把该品类拆成子类。 - 供应链前置期大于30天的业务
这类业务的补货决策不能按周调整，因为前置期太长，等你看到活跃度变化再补货已经晚了。建议用月度活跃度趋势来修正常规补货量：近30天活跃度平均值与上月对比，作为下月采购计划的风向标。同时预留一定的安全库存来吸收短期波动。 - 新品冷启动
新品没有历史活跃度基准，无法计算系数。我的替代方案是：用同品类、同价位段的老品活跃度系数作为参考，并给予一个折扣系数0.6到0.8。等新品积累3到4周的活跃数据后，再切换到自己的系数。
不同情况下的取舍
- 按天 vs 按周：噪声换时效
按天调整反应快，但误报率高，供应商容易被反复修改的采购单消耗耐心。按周调整更稳定，但会损失一周的响应时间。我的取舍原则是：日常按周决策，大促预热期临时切换为“三天一滚动”，活动结束后立即恢复周频。用三天滚动替代日频，兼顾时效和稳定性。 - 全局系数 vs 分层系数
全局系数简单、容易执行，但误差很大。分层系数更准确，却需要额外维护SKU属性。当SKU少于500个时，直接做三层分类的成本不高；超过1000个时，建议先按品类做系数，再处理品类内部差异。判断标准只有一个：这个系数是否会被业务人员信任并坚持使用，准确率再高，没人用的规则都是零。 - 规则模型 vs 机器学习
规则模型的可解释性强，任何人都能看懂“活跃度涨了，所以补货增加”的逻辑，但表达不了复杂的非线性关系。机器学习拟合能力更强，但需要大量历史数据，且预测结果往往难以解释。我的观察是：多数企业的数据量和业务稳定度，其实支撑不起机器学习模型的长期维护。先用规则跑一年，再评估是否需要升级，这是更稳妥的路径。 - 自动化 vs 人工复核
自动化可以降低重复劳动，但如果完全依赖自动补货，一旦活跃度基数被脏数据污染，错误会被放大。我始终保留一道人工复核：每周例会花3分钟，让业务负责人过一遍异常SKU清单。自动系统判断“补多少”，人工只需要判断“大方向是否合理”。两套机制各司其职，互不替代。 - 高频快补 vs 低频稳补
高频快补的优点是能捕捉短期增长，缺点的资金占用和管理成本都更高；低频稳补的优点是库存稳定，但容易在活跃度爆发时断货。核心取舍在企业到底更怕缺货还是更怕积压。如果毛利高、缺货损失大，选择高频快补；如果资金紧张、仓储成本高，选择低频稳补。两种策略没有绝对优劣，只有适合与否。
如果你想把“用户活跃度数据调整库存增量体量”真正落到自己的业务里，我建议你从今天开始做三件事：
第一，把“过去30天活跃用户数”和“当前库存增量计划”拉到同一张表里。哪怕只是Excel，也足够启动分析。第二，按本文给出的公式算一次活跃度系数，看看它和你原来的补货直觉差多少。第三，在下次补货评审会上，把这张表带到会议上，让团队看到活跃度和库存增量之间的关系。
不用急着上系统，也不用先招数据分析师。先把“活跃度系数”这个规则跑起来，数据驱动库存增量调整的门槛，远比你想象的低。
常见问题解答（FAQ）
1. 数据库存活跃适配到底是什么？它和库存增量体量有什么关系？
我是一名电商运营，常听同事提“数据库存活跃适配”，但没人解释清楚。它究竟是把数据库记录和用户活跃度做匹配，还是库存计划应该跟着活跃度随时调整？我想知道这个概念真正的重心在哪里，以及它怎么影响接下来还要补多少货的决策。
“数据库存活跃适配”初看像是把数据库里的存量记录拿来和用户活跃度做匹配。我第一次接触时也这样误解，结果连查询方案都设计错了。后来才明白，这句话关心的不是数据库表里的存量准不准，而是“现有库存上还要加多少货”这个增量决策，要不要参考用户活跃度的变化。“数据库存”在这里有两层含义。
一层是业务层面的库存数量，包括当前可售、在途、不可售。另一层是数据库中的存量记录。两者本质是事实与映射的关系：业务库存变了，数据库里的记录也要对应变化。但活跃适配要解决的，不是数据库同步问题，而是让库存规划逻辑跟着用户行为信号走。
层面含义典型问题 业务存量仓库里真实可售、在途、不可售的数量备多少、补多少、何时补 数据记录系统中记录的库存数字账实不符、更新延迟 为什么活跃度能指导库存增量？因为用户行为通常先于订单产生。访问、加购、收藏先于成交，成交先于消耗，消耗先于补货。
把活跃度纳入补货决策，相当于把库存规划从“事后追着订单跑”变成“事前跟着用户行为走”。我的判断是：大多数企业的真正痛点不在算库存总量，而在算库存增量。总量是“现在该有多少”，增量是“还要加多少”。“还要加多少”是日常高频决策，高频决策最怕拍脑袋。
而活跃度恰好是能把拍脑袋降维成“可计算参数”的核心变量。这里必须给“AI”祛魅。很多人一听“活跃适配”就以为要上人工智能。事实上，它只是一个函数：输入是当前活跃度和基准活跃度，输出是一个系数，再乘以原计划增量。Excel就能实现。如果有人强调“必须上全自动AI才能做”，大概率是把简单问题包装复杂了。
2. 用户活跃度数据怎么转成库存增量？有没有用Excel就能落地的步骤？
我已经拉出了日活、月活、加购数，但库存增量一直不会调整。听说可以用活跃度做系数，但不知道具体怎么计算，也不知道该按天还是按周用，担心算出错误数字反而让备货更乱。求一套不用写代码、用Excel就能跑通的实操方法。
我帮一个朋友团队处理过类似问题，他们当时也没有数据工程师，完全用Excel跑通。核心逻辑其实是五步：定义活跃、计算K值、乘进增量、控制节奏、叠加校验。第一步，定义什么是活跃。如果业务是电商，建议选“下单前链路”的行为指标，比如加购人数或访问人数；如果是内容电商，可以选内容互动人数。
关键是选一个能稳定导出、口径不频繁变化的指标，不要一开始同时用好几个。第二步，计算活跃度系数K。公式是：K = 当前周期活跃用户数 ÷ 基准周期活跃用户数。基准周期建议取前30天。K大于1代表活跃上升，K小于1代表活跃下降。第三步，把K乘进原计划增量。调整后库存增量 = 原计划增量 × K。
我用一张模拟表说明，数据均为示例，不代表真实业务： SPU原计划补货量基准周期活跃用户数当前周期活跃用户数活跃度系数K调整后补货量 爆款A500300039001.30650 常规款B200120011000.92184 新品C80无基准数据，用同类目K100 第四步，控制更新节奏。
我建议按周或双周滚动，不要按天。因为日活跃受周末、活动、投放等因素干扰太大。我自己踩过的坑就是按天算K，结果周一和周六的系数落差极大，补货计划被频繁打乱。第五步，加一道校验。K大于1只代表用户变活跃，不代表购买力同步上升。
如果活跃涨了，但转化率同期出现明显下滑，那就是“虚假活跃”，不适合放大库存增量。我吃过一次亏：一篇笔记爆了，访问量翻倍，但转化率只有平时一半，按K系数补货后，积压了整整两个月的库存。这套方法的核心价值不在于算得多精确，而在于让团队讨论补货时有统一口径。
以前会议里大家说“我觉得该多备一点”，现在可以直接说“K是1.3，所以建议增量放大30%”。这是从经验驱动转向数据驱动的第一步。
3. 用活跃度调整库存增量的方法，在什么情况下会失效？
我试用过按用户活跃度调整库存增量，结果遇到一次小红书笔记爆了、访问量翻倍但转化率很惨的情况，按系数补货后积压严重。到底哪些场景下这个方法不成立？有没有办法在事前就识别风险？
任何系数模型都有失效边界。我自己的经验里，至少四种场景要特别小心。第一个场景是供应链前置期太长。用户活跃度变化周期可能只有14天，但供应商交期要30天。等你看到活跃上升再下单，货到的时候热度周期早就过去了。我曾经负责一批定制礼盒，供应商交期30天，按活跃度加急后，货到了反而因为热度回落而滞销。
这个K模型更适合前置期在7到21天内的现货类商品。第二个场景是活跃与转化脱节。内容爆了，但进来的人和商品画像不匹配，访问翻倍、转化率腰斩。这种时候活跃度会高估库存增量。我的检验方法是：活跃度系数上升的同时，如果转化率或加购率明显下降，模型就不能直接用。第三个场景是新品没有基准周期。
没有历史活跃数据，就计算不出K值。我用的替代方案是：先借用同类目、同价格带、已上架30天以上商品的K值做冷启动，等新品自己积累了至少14天数据，再切换成新品自身基准。第四个场景是所有SKU共用同一个K。不同客单价、不同决策链路，从活跃到下单的节奏完全不同。
我给全品类套同一个K时，高客单商品多备了货，低客单商品反而断货。后来按客单价分层，低客单SKU用满系数，高客单SKU打七折，才稳定下来。我的判断是：这种模型适合做决策参照，不适合做自动驾驶。当模型输出结果和你的经营直觉明显冲突时，大概率不是直觉错了，而是数据口径有问题。
先检查活跃用户数是否去重、是否存在刷单流量、统计周期是否对齐。口径确认无误后，再决定要不要相信模型。
4. 没有数据团队，只有Excel和ERP，能完成“活跃度→库存增量”的调整吗？
公司没有数据分析岗，也没有BI系统，只有Excel和ERP导出的报表。想知道在技术资源很有限的条件下，能不能把用户活跃度和库存增量结合起来？从哪一步开始，做到什么程度就能先解决实际问题？
完全可以。我最早帮朋友团队做这件事时，手里只有Excel和一张ERP导出的进销存表，没有数据库，也没有任何商业化BI工具，两周内就跑出了一个可用版本。先准备三张基础表：日活跃用户表、商品销售明细表、库存与在途表。日活跃表如果拿不到准确加购人数，就用访客数代替。
关键是口径稳定、能持续导出，而不是追求指标完美。然后只需要四个公式就能把逻辑串起来。
下面这张表是我实际用过的Excel操作方案： 操作Excel公式目的 周活跃汇总=SUMIF(日期列,周条件,活跃数值列)克服日活波动 滚动基准=AVERAGE(近30天活跃数值)建立比较基准 活跃度系数K=当前周活跃/基准周活跃得到调整系数 调整后增量=原计划增量*K输出补货建议 注意Excel里的日期条件不要直接写死在公式里，建议用单元格引用，否则每周更新要改一堆公式。
我第一版就是踩了这个坑，十几行公式一个个改，浪费时间还容易出错。再加一个条件格式：K大于等于1.2的标红，小于等于0.8的标绿，其余标灰。这样每次打开表格，第一眼就能看出哪些SKU需要重点讨论，不用逐个看数字。
具体落地时，建议固定在每周五下午花20分钟过一遍K值最高的SKU，同时指定一个人专门维护这张表。不要让团队每人各建一版，否则数据口径会迅速混乱。但Excel确实有边界。我的亲身体验是：当SKU超过500个、订单明细超过10万行、又需要多人同时编辑时，Excel会变得明显吃力。
到那个阶段再换轻量级在线表格或BI工具也不迟，不用一开始就上重型系统。行动建议今天就做三件事：第一，从后台导出最近30天的活跃用户数；第二，用Excel算出当前K值；第三，找出K最高的3个SKU，对照它们现有的库存增量和在途数量。哪怕只做完这一步，你已经是在用真实数据驱动库存决策，而不是拍脑袋。
读者评论
文章里那个"运营看活跃数据、供应链看历史销量"的场景太真实了。我们公司也是这样，市场部报活动方案时从来不跟供应链对齐，等销量爆了才发现货没备够。用活跃度系数调整补货增量这个思路很实用，尤其是0.7×当期+0.3×上周的平滑处理，避免了单日波动带来的误判。
做了多年采购，最头疼的就是"拍脑袋定增量"。作者说增量比总量更难决策，确实如此，总量有预算和库容管着，增量才是每天都在变的。Excel系数法看起来简单，但胜在可解释、可复核，比那些黑箱预测系统实在多了。准备在内部试试按SKU分层再套用这个逻辑。
最打动我的是那句"数字化程度低不代表不能做数据驱动"。很多小公司一听数据驱动就觉得要上系统、招分析师，其实一张Excel表就能起步。衡量一个方案好坏，不是看技术多先进，而是看团队能不能坚持执行。规则简单、看得懂、算得清，才有落地的可能。
作为做数据的人，我认同作者"先规则后模型"的判断。很多企业连活跃度口径都没统一就急着上机器学习，最后只是在浪费钱。图表里那个对比很直观：Excel系数法用7天、1万元就达到了系统化预测72%的准确率，可解释性反而更高。对小团队来说，这是性价比最优的路径。
临期巧克力压库但前端显示缺货，这个案例太典型了。文中SKU分层那段说得尤其好，高活跃敏感类货不够补，长尾型反而越补越积压。我以前就吃过"所有SKU共用一个系数"的亏，看到作者把三类SKU分开处理，确实是经验之谈。