01
先算缺货风险
4项
至少同时看可售库存、在途库存、需求速度和供应提前期。只看当前库存余额，会把已经下单但尚未到仓的货漏掉，也会把未来促销造成的需求突增看成普通日均销量。
01 / 先讲核心结论
补货计划不是采购清单，而是一项可以被验证的经营实验
我先把答案说在前面：减少缺货损失的关键，不是把所有SKU都备得更多，而是用同一套数据口径识别“什么时候会缺货、缺货会损失什么、补多少货值得承担多少库存成本”，并在补货完成后检查计划是否达成。
02
再算补货价值
1个
每个补货建议都应该回答一个问题：这批货预计避免多少缺货损失，又会新增多少资金占用、仓储和滞销风险。补货量不是越大越好，价值要由边际收益和边际成本共同决定。
03
最后复盘结果
3层
我会分别复盘预测是否偏差、供应是否延迟、计划是否被执行。若只看“有没有缺货”，很难判断问题属于需求判断、采购协同还是仓库入库流程。
一句话判断法：库存决策必须同时回答三个问题
- 现在是否会断货？把可售库存折算成库存覆盖天数，再与供应提前期和复核周期比较。如果覆盖天数低于从下单到入库的总周期，库存风险已经发生，而不是等到库存为零才发生。
- 断货损失是否值得规避？不要只用销售额估算损失。应区分毛利损失、广告浪费、排名或转化影响、替代品流失、退款与客服成本，并明确哪些项目只是经营判断、哪些项目已有数据依据。
- 这次补货是否改变了结果？补货之后要观察缺货率、服务水平、库存周转、呆滞金额和加急采购次数。只有结果可追踪，补货计划才不是一次性拍脑袋。
02 / 背景和真实场景
SKU越多，库存问题越容易被“平均数”掩盖
电商卖家经常同时经营引流款、利润款、组合装、季节款和长尾款。它们的销量速度、毛利、供应周期和缺货后果完全不同，统一使用一个库存天数或一个补货倍数，往往会制造新的问题。
场景一：销售看起来增长，爆款却频繁断货
我见过一种典型情况：店铺整体销售额同比上升，负责人因此认为库存管理没有明显问题；但拆到SKU后，真正承担流量和转化的前20个SKU中，有几款在周末和活动日反复断货。整体销售额没有立刻暴跌，是因为其他低贡献SKU填补了部分数字，但这并不意味着损失不存在。
更准确的分析需要把“有库存时应该卖多少”和“实际卖了多少”分开。某个SKU在库存不足期间的订单量下降，不一定是需求下降，也可能是供给约束。若把断货期间的低销量直接放进需求均值，下一轮预测还会被进一步压低，形成“因为缺货所以预测更低，因为预测更低所以补货更少”的循环。
场景二：库存总额很高，但真正需要的货不在仓
库存金额高并不等于库存安全。库存可能沉淀在低周转长尾SKU、颜色尺码不匹配的变体、临近保质期的批次，或者已经有大量在途但无法及时入仓的订单中。与此同时，高频SKU的可售库存只够两三天，形成“总库存很多、可售库存不足”的错觉。
我通常把库存拆成可售、锁定、残次、在途和待入库等状态，并以SKU、仓库、渠道和批次四个维度交叉检查。只有把可用于履约的库存与账面库存分开，补货建议才不会被不可用库存干扰。
场景三：活动带来流量，也带来提前期风险
大促前的需求通常不是过去四周平均销量的简单放大。活动预热、优惠券、直播排期、平台资源位和竞品动作都会改变需求速度。此时补货计划必须使用活动日历与供应周期共同校准。
场景四：供应商交期不稳定
同一个SKU的平均采购周期可能是12天，但实际可能在8到21天之间波动。只使用平均值，会让计划在平均情形下看起来准确，在最需要货的时候却来不及。
场景五：补货责任分散，结果无人复盘
运营负责预测，采购负责下单，供应商负责交货，仓库负责收货。若没有一张共同的计划表，大家都能解释自己的环节，却很难共同解释缺货损失从哪里开始发生。
我建议先建立“SKU—日期—仓库”的最小分析粒度。所有销量、库存、在途、入库和缺货记录至少都能回到这个粒度，再向上汇总到店铺、品类或品牌。没有统一粒度，任何看似精细的补货模型都可能只是不同口径的拼接。
03 / 常见误区
五个看似合理的做法，可能正在放大缺货损失
库存管理中的误区往往不是完全错误，而是只在特定场景成立。我的做法是先指出它成立的边界，再用数据判断当前业务是否仍在边界内。
误区一：库存低于某个固定数量就补货
固定安全库存适合需求稳定、供应周期固定且SKU相对同质的场景。但电商商品通常存在明显的销量波动和供应差异，“库存低于100件就补货”无法解释为什么A款每天卖50件、B款每天卖3件时应当采用不同阈值。
替代方法：把库存阈值改成订货点。订货点至少由提前期需求和安全库存构成，必要时再叠加复核周期需求。这样阈值会随销量速度和供应风险变化。
误区二：用销售额判断库存是否健康
销售额是结果指标，不直接说明库存是否合理。一款高客单价商品可能销售额很高但周转很慢；一款低客单价配件可能销售额不高，却贡献大量订单并承担连带销售。只按销售额排名，会忽略毛利、订单带动关系和缺货替代性。
替代方法：至少同时看销量贡献、毛利贡献、缺货成本和资金占用。对组合购买明显的SKU，还要考虑它缺货后是否会拖累其他商品的销售。
误区三：把在途库存全部当作可用库存
在途库存只有在预计到货日期可信、供应商已确认、运输状态可追踪并且入库环节能够承接时，才可以按一定置信度纳入供应。若采购单长期延迟，继续把它当成确定供给，会让系统不断推迟真正需要采取的措施。
替代方法：将订单按确认、生产、发运、清关、待入库等状态分层，并给不同状态设置不同的可用系数或风险标签。
误区四：预测越复杂，补货就越准确
模型复杂度不能替代数据质量。若促销标记缺失、断货销量没有修正、SKU换款没有映射，复杂模型只会更加精细地学习错误数据。对许多中小卖家而言，先建立可解释的移动平均、趋势修正和活动系数，往往比直接引入复杂算法更容易落地。
替代方法：先保证输入、口径和复盘机制稳定，再根据偏差和业务价值逐步增加模型复杂度。
误区五：只复盘缺货天数，不复盘缺货金额
缺货一天对不同SKU的影响可能差异很大。低销量长尾款缺货一周，可能几乎没有经营影响；高毛利爆款在周末缺货几个小时，可能损失一整轮投放和自然流量。因此缺货天数只能作为过程指标，不能独立代表损失。
替代方法：按SKU计算预计未满足需求、预计毛利损失和可归因的附加成本，并把估算规则写清楚，避免用一个看起来精确的数字冒充事实。
误区六：为了避免缺货，把所有SKU都拉高库存
这会把一个局部风险扩展成全局资金占用。库存增加后，仓储费、盘点成本、过季折价、损耗和现金流压力都会上升。更危险的是，库存增加可能让团队误以为风险已经解决，从而不再追踪需求变化和供应延迟。
替代方法：把保供资源优先配置给高贡献、高缺货成本和高可替代性风险SKU，对低贡献或生命周期末端SKU采用限量补货、清仓或不补策略。
04 / 专业判断逻辑
从“库存还有多少”走向“未来能否稳定履约”
我会把补货判断拆成六个连续步骤。每一步都可以在表格、数据集或分析看板中被检查，避免把最终建议变成无法解释的黑箱。
1
统一SKU与库存口径
先确认SKU编码、商品变体、仓库、渠道和日期是否一致。对同款不同包装、组合装和换新款，要建立映射关系；否则销量可能被拆散，库存可能被重复计算。
- 区分可售、锁定、残次和在途
- 明确日库存取值时间
- 保留订单取消与退款状态
2
估计真实需求速度
需求速度不是简单销量平均值。我要先识别断货日、活动日、异常大单和价格变化，再选择移动平均、加权平均或趋势修正。对断货期间的低销量，要避免直接作为正常需求输入。
- 计算日均销量与波动幅度
- 标注促销和广告事件
- 区分订单量与件数
3
测量供应提前期
提前期应从可执行下单日算到可售入库日，而不是只看供应商承诺的生产天数。将下单、生产、运输、质检和上架等环节拆开，才能找到真正的延迟来源。
- 记录平均与最大提前期
- 观察提前期标准差
- 标记供应商与仓库差异
4
计算订货点与补货量
在需求和周期有了基本口径后，可以使用一组易解释的公式建立初始模型。公式不是最终答案，但它能让团队围绕同一个逻辑讨论，而不是围绕个人经验争论。
- 提前期需求
- 平均日需求 × 供应提前期。若有活动或趋势，应先得到调整后的日需求。
- 安全库存
- 可用作“需求波动缓冲 + 供应波动缓冲”的近似值。数据不足时可以使用目标覆盖天数，但必须标注这是经验参数。
- 订货点
- 提前期需求 + 安全库存。若采用定期复核，还应把复核周期内的需求纳入覆盖范围。
- 建议补货量
- 目标库存位置 − 可售库存 − 可信在途库存；结果小于0时按0处理，并根据最小起订量、包装量和预算约束取整。
5
估算缺货损失与库存成本
我不会把所有潜在损失都直接计入财务结果，而是区分“可由现有数据直接观测”和“需要假设才能估算”的部分。这样既能提高决策速度，也能防止把估算数字当成真实发生的损失。
| 项目 | 建议口径 | 数据可信度 |
|---|---|---|
| 直接未成交毛利 | 估计未满足需求 × 单件毛利 | 中，需校正断货期间需求 |
| 广告浪费 | 缺货期间仍投放的相关费用 | 高，通常可由投放数据核对 |
| 排名或复购影响 | 建立观察期并做对照分析 | 低至中，不宜直接夸大 |
| 库存占用 | 平均库存金额 × 资金成本或仓储成本 | 中，依业务口径而定 |
6
把计划变成“预测—执行—复盘”的闭环
最终建议必须带有责任人、下单日期、预计到货日期、风险状态和复盘日期。计划被执行后，系统要回填实际下单、实际到货、实际销量和实际缺货情况。若没有回填，下一次仍只能依赖主观判断。
预测
明确未来周期需求与假设。
决策
确定补货量、优先级和预算。
执行
追踪采购、运输、入库与上架。
复盘
比较计划与实际，更新参数。
05 / 数据关系与可视化
一个补货建议，至少需要被三组数据交叉验证
以下图表均为虚构的演示数据，目的是展示分析关系，不是对任何电商平台或品牌的真实描述。实际应用时，应将同样的结构替换为自己的SKU、库存和订单数据。
示例：12周库存位置与订货点
观察重点不是库存曲线越高越好，而是库存位置是否持续高于订货点、促销周是否提前调整、在途库存是否按可信状态计入。
可用库存位置 订货点 缺货风险线
示例：补货前后损失对比
示例将“预计缺货毛利损失”和“新增库存占用成本”放在一起观察，帮助团队讨论补货是否有经济价值。
补货前预计损失 补货后预计损失
指标一：库存覆盖天数
库存覆盖天数可以用可售库存除以调整后的平均日需求得到。它适合做快速预警，但不应单独作为补货量依据，因为它没有直接表达供应提前期、波动和最小起订量。
示例SKU-A覆盖82%
指标二：服务水平
服务水平可以理解为在需求发生时能够及时满足的比例。它是目标，不是越高越好；从95%提升到98%，可能需要明显增加安全库存，是否值得要结合毛利和缺货后果判断。
示例目标达成度76%
指标三：库存周转与呆滞
周转快不一定代表健康，可能是频繁缺货导致库存很低；周转慢也不一定代表失败，战略备货可能是有意安排。需要把周转与缺货率、毛利和生命周期放在一起看。
示例周转改善进度64%
06 / E数通示例案例
用E数通把“补多少货”变成一条可追踪的数据链
如果我是一个经营多个渠道和多个仓库的电商卖家，我会优先考虑用E数通建立统一分析视图：把订单、商品、库存、采购、入库和活动日历关联起来，在同一张看板中定位风险，再把建议分派给运营、采购和仓库。下面的数字全部是演示数据。
示例业务背景
某店铺经营家居收纳类商品，拥有约1,280个有效SKU，两个仓库，三个主要销售渠道。团队发现大促前后经常出现两种同时发生的现象：一部分主推SKU缺货，另一部分长尾SKU库存超过90天。
我们先没有急着修改补货倍数，而是把近12周的订单、可售库存、锁定库存、采购在途、实际到货和活动日期统一到“SKU—仓库—周”的分析粒度。这样做的目的，是先找出缺货到底集中在哪里，再判断是需求、供应还是执行问题。
SKU分层库存状态提前期活动日历
示例SKU分层结果
| 层级 | 数量 | 典型特征 | 建议策略 | 预警频率 |
|---|---|---|---|---|
| A类主推 | 96 | 销量、毛利或引流贡献高 | 高频监控，优先保供，结合活动调整 | 每日 |
| B类稳定 | 344 | 需求相对稳定，缺货影响中等 | 按订货点补货，周度复盘 | 每周 |
| C类长尾 | 640 | 低频、低贡献或需求不连续 | 小批量、按单或限制补货 | 双周 |
| D类异常 | 200 | 新品、清仓、数据异常或换款 | 单独标记，不直接套用历史均值 | 按事件 |
示例计划：为什么A类SKU需要不同的安全库存
假设SKU-A日均需求为42件，供应提前期平均为10天，近期波动较大；SKU-B日均需求为18件，供应提前期平均为18天，但需求稳定。两者的提前期需求分别约为420件和324件。若只按“每个SKU备15天库存”，A和B得到的补货结果可能都不理想：A缺少波动缓冲，B则可能因周期较长而被低估。
在E数通的分析视图中，我会让使用者同时看到日均需求、需求波动、提前期、可售库存、可信在途和订货点，而不是只显示一个“建议补货数量”。当采购人员质疑建议时，可以逐项检查参数，必要时修改假设并保留修改理由。
示例复盘：补货后不能只看库存是否上升
假设补货计划上线后，A类SKU的缺货天数从每月8天下降到3天，这只是一个积极信号，但还不够。我们还要看新增库存金额、加急采购次数、库存周转、预测偏差和活动期间服务水平。如果缺货下降的代价是库存金额翻倍，方案可能需要重新平衡。
因此我会在看板中设置“计划值、实际值、偏差、偏差原因”四个字段。例如计划到货500件，实际到货420件，缺口80件；这80件不能笼统归类为预测错误，可能是供应商短装、运输延迟或仓库未及时上架。
| SKU | 仓库 | 可售库存 | 可信在途 | 调整日需求 | 订货点 | 建议补货 | 优先级 | 责任人 |
|---|---|---|---|---|---|---|---|---|
| 示例-A01 | 华东仓 | 210 | 80 | 42 | 520 | 230 | 紧急 | 采购甲 |
| 示例-A07 | 华南仓 | 360 | 120 | 31 | 450 | 0 | 观察 | 运营乙 |
| 示例-B12 | 华东仓 | 140 | 60 | 18 | 390 | 190 | 本周 | 采购甲 |
| 示例-C21 | 华南仓 | 480 | 0 | 4 | 80 | 0 | 不补 | 运营丙 |
| 示例-D03 | 华东仓 | 70 | 200 | 16 | 260 | 需确认 | 异常 | 供应商丁 |
我推荐E数通的原因，是它适合把指标、明细和业务动作放在同一条链路上。但工具不是自动正确的保证。SKU主数据、库存状态、订单取消、采购到货和活动标记仍然需要业务团队治理；只有基础口径可靠，分析平台才能真正帮助卖家减少缺货损失。
07 / 不同情况下的行动建议
不要用同一种补货动作处理所有库存问题
我会根据风险来源选择行动。下面的分类并不是绝对规则，而是帮助团队先快速定位，再进入更细的经营判断。
情况A：未来提前期内必然断货
当可售库存加可信在途不足以覆盖提前期需求，且缺货成本较高时，优先处理供给。行动可以包括拆单采购、调拨库存、加急运输、切换仓库或临时限制广告。
先做什么
- 确认实际可售库存而非账面库存
- 向供应商确认最早可交付数量
- 估算加急成本与缺货损失
- 把风险SKU提升到每日跟踪
情况B：需求上涨但趋势尚未确认
如果连续几天销量上升，但上涨可能来自短期投放或偶发大单，我不会立即按最高销量永久提高安全库存。更稳妥的方式是拆分基础需求与事件需求，设置观察窗口，并使用分批补货降低错误成本。
先做什么
- 标记流量、价格和投放变化
- 检查是否存在渠道迁移
- 对新增需求设置有效期
- 采用小批量、短周期补货
情况C：库存高但动销慢
这时重点不是继续计算补货量，而是处理库存结构。可以通过组合销售、价格策略、渠道转移、内容曝光或清仓减少占用，同时冻结没有明确销售证据的新增采购。
先做什么
- 识别库龄和可替代性
- 计算继续持有与折价处理成本
- 停止自动补货规则
- 设定清理期限和责任人
情况D：需求和供应都不稳定
这是最需要人工判断的场景。与其寻找一个看似精确的安全库存，不如建立情景方案：保守、基准和乐观三种需求假设，同时列出供应提前期的低位、常态和高位。每个情景对应补货量、资金占用和缺货风险。
| 情景 | 适用信号 | 动作 | 复核频率 |
|---|---|---|---|
| 保守 | 需求下滑、活动不确定 | 控制库存，优先消化在库 | 每周 |
| 基准 | 趋势稳定、交期正常 | 按订货点常规补货 | 每周 |
| 乐观 | 活动已确认、流量增长 | 分批锁定供应，提前入库 | 每日 |
情况E：数据质量不足，暂时不能精算
数据不完整时，我不会假装给出精确到个位数的补货建议。可以先采用透明的经验规则，例如按销量分层和目标覆盖天数进行临时管理，同时把数据补齐任务列入计划。临时规则必须有失效日期，避免经验参数永久化。
最低限度应先补齐：SKU映射、每日销量、可售库存、采购在途、实际到货日期、缺货标记和促销标记。等这些字段稳定后，再逐步引入波动、服务水平和成本参数。
08 / 决策取舍
减少缺货与控制库存，本质上是两个目标之间的平衡
库存决策不应该被简化为“库存越少越优秀”或“服务水平越高越优秀”。我会把可接受的风险和资金约束说清楚，再决定每一类SKU的目标。
提高安全库存的收益
- 降低需求波动或供应延迟导致的断货概率
- 减少临时加急采购和跨仓调拨
- 稳定重点SKU的履约体验
- 为活动、周末或节假日提供缓冲
但这些收益必须与资金占用、仓储成本、过期风险和换款风险共同衡量。若SKU生命周期短，过多安全库存可能比短暂缺货更昂贵。
降低安全库存的收益
- 减少库存资金占用和仓储压力
- 降低滞销、过季和版本切换损失
- 加快商品结构调整速度
- 更早暴露需求判断错误
但库存过低会增加缺货、加急运输和订单流失风险。对供应周期长、替代性低的核心SKU，盲目压库存可能使业务失去调整空间。
| 经营特征 | 主要风险 | 库存侧重点 | 适合的补货方式 | 不宜采用 |
|---|---|---|---|---|
| 高毛利、高转化、供应慢 | 缺货损失高 | 服务水平与供应保障 | 较高安全库存、提前锁货、分批到货 | 只按过去7天平均补货 |
| 低毛利、需求稳定、供应快 | 资金占用 | 周转和库存成本 | 小批量高频补货 | 长期设置高安全库存 |
| 季节性明显 | 过季和折价 | 生命周期与活动节点 | 分阶段备货、过季退出机制 | 把旺季均值全年使用 |
| 新品或换款 | 历史数据无效 | 试销反馈和柔性供应 | 小单试采、快速复盘 | 直接套用旧款参数 |
| 低频长尾 | 库存沉淀 | 可替代性和现金回收 | 按单采购、组合销售、限量库存 | 为了凑包装量大量补货 |
取舍一：服务水平
服务水平目标应按SKU类别设定，而非全店统一。主推款可以承担更高保供目标，长尾款则可以接受更长等待或替代品。
取舍二：现金流
补货计划需要结合可用现金、账期和季节性支出。纸面上的高收益补货，如果挤压了广告或日常运营现金，同样不是好方案。
取舍三：管理复杂度
SKU分层、仓库分层和情景预测越细，管理成本越高。应优先精细化管理贡献最大的少数SKU，再逐步覆盖长尾。
09 / 落地执行
我会用四周建立一个可运行的SKU库存闭环
库存项目最容易失败的原因，是一开始就追求完整系统，却没有先让团队形成共同口径。下面是一种适合中小电商团队的渐进式路径，具体周期可以根据数据基础调整。
四周实施时间线
第1周
统一口径
统一口径
把数据从“能导出”变成“能对上”
盘点订单、库存、采购、仓库和渠道字段，建立SKU映射、库存状态字典和日期口径。抽取20个代表性SKU做人工核对，先解决数量对不上的问题。
第2周
做分层
做分层
识别高贡献与高风险SKU
按销量、毛利、缺货损失、供应周期和生命周期进行分层。不要一开始就给所有SKU设置复杂参数，先确定哪些SKU值得高频管理。
第3周
跑计划
跑计划
形成一张有责任人的补货清单
输出可售库存、可信在途、调整日需求、订货点、建议补货量、预计到货日、优先级和责任人。采购与运营共同检查异常建议，记录人工调整原因。
第4周
做复盘
做复盘
比较计划、执行和实际结果
统计计划补货量与实际到货量、预测需求与实际需求、预计缺货与实际缺货。将偏差归因到需求、供应、库存口径和执行环节，更新下一周期参数。
库存看板的推荐结构
一个能支持行动的看板，不应只有漂亮的趋势图。我会按“总览—预警—明细—复盘”组织页面，让不同角色进入后都能找到下一步动作。
- 总览层：可售库存、库存金额、缺货SKU数、预计缺货损失。
- 预警层：未来提前期内会断货、在途延迟、库存超龄和需求突增。
- 明细层：SKU、仓库、需求、订货点、补货量、责任人。
- 复盘层：预测偏差、到货偏差、服务水平、周转与呆滞。
运营要看的问题
哪些SKU会影响活动、广告和转化？哪些断货是需求低估，哪些是供应延迟？活动结束后，临时增加的需求参数是否需要恢复？
采购要看的问题
建议数量来自什么参数？哪些订单最早能到？供应商交期偏差是否持续？拆单、替代物料和调拨的成本分别是多少？
仓库要看的问题
到货后多久可以变成可售库存？是否有质检、上架或库位瓶颈？系统中的在库数量与实际可售数量为何不一致？
数据治理：先定义“可信在途”
在途库存是补货计算中最容易被高估的部分。我建议至少建立以下状态：已下单未确认、已确认待生产、生产中、已发运、运输异常、已到仓待上架、已可售。不同状态不一定都要直接进入供应，但必须在明细中可见。
例如，已到仓待上架的货可能很快可用，但如果仓库当前有积压，就不能按零延迟计算；运输异常的货即使数量很大，也不应继续作为确定供应。把状态公开，能帮助业务人员解释为什么系统没有把全部在途加进可用库存。
复盘模板：四个偏差原因
| 偏差类别 | 判断问题 | 下一步 |
|---|---|---|
| 需求偏差 | 活动、价格、流量是否变化？ | 更新需求调整规则 |
| 供应偏差 | 实际提前期是否超过承诺？ | 调整供应商与安全库存 |
| 库存偏差 | 账面库存是否真的可售？ | 修正状态和盘点流程 |
| 执行偏差 | 建议是否按时下单和入库？ | 明确责任人与升级机制 |
10 / 热门问答 FAQs
关于SKU库存和补货计划，卖家最容易问到的七个问题
下面的问题用第一人称描述常见疑惑，并给出可落地的判断方法。文中数值均为示例，实际使用时需要替换为自己的业务口径。
问题1：SKU库存低于多少才需要补货？是不是设置一个固定安全库存最简单？
我管理的商品数量很多，如果每个SKU都单独计算，工作量会不会太大？我以前习惯设置“低于100件就补货”，但发现日销50件的商品和日销3件的商品会触发完全不同的风险。更合理的做法是使用订货点：调整后的提前期需求加安全库存，再结合可售库存和可信在途判断，而不是用一个固定件数覆盖所有SKU。
问题2：如何计算安全库存，电商卖家没有复杂的统计模型也能做吗？
我没有专门的数据科学团队，是否必须先建立复杂模型才能计算安全库存？实际上可以从可解释的方法开始：先统计日需求的波动和供应提前期的波动，再根据目标服务水平设置缓冲；如果数据还不完整，也可以暂时使用目标覆盖天数，但要标注这是经验参数，并在每周复盘后逐步替换成真实波动数据。
问题3：在途库存要不要算进补货计划？把它全部加进去不是会重复采购吗？
我经常看到采购表里有很多在途数量，但仓库仍然提示即将缺货，所以不确定这些货到底能不能算作供应。我的建议是不要把在途库存简单地全部计入，也不要全部排除，而是按订单确认、生产、发运、运输异常、到仓待上架等状态分层，对预计到货日期可信的货纳入一定比例，对异常订单单独预警。
问题4：大促期间销量突然增加，应该直接把过去七天销量乘以活动系数吗？
我担心用短期高销量预测会导致活动后库存过剩，但如果继续使用普通日均销量，又可能在活动期间断货。更稳妥的方式是把基础需求、活动增量和活动后回落拆开，结合活动日期、投放预算、资源位和供应提前期做分批补货。活动系数应有生效和失效日期，不能永久写入SKU参数。
问题5：缺货损失到底怎么计算，销售额下降是不是都能算成缺货损失？
我想用数据证明补货计划有效，但又不想把所有销售下降都归因于缺货。建议先估算可观测部分，例如库存不足期间的预计未满足需求乘以单件毛利，以及缺货期间仍然发生的相关广告费用；排名、复购和替代购买等影响需要设置观察窗口或对照组，不应在没有证据时直接当作确定损失。
问题6：E数通能不能自动告诉我每个SKU应该补多少货？我还需要人工判断吗？
我希望工具能直接输出采购数量，但也担心自动建议无法解释。E数通更适合帮助我把订单、库存、采购、仓库和活动数据放在一起分析，并依据设定规则生成可追踪的建议；需求口径、异常订单、供应商临时变更、生命周期切换和预算约束仍然需要业务人员判断。自动化应该减少重复整理，而不是替代所有经营决策。
问题7：库存周转越快越好吗？如果周转很快但缺货率也很高，应该怎么判断？
我看到某些SKU库存周转很快，就以为库存管理优秀，但后来发现它们经常缺货，周转快只是因为库存被压得过低。判断时需要把周转和服务水平、缺货天数、毛利、库存金额以及加急采购成本一起看。对核心SKU，适度增加库存可能提高整体利润；对长尾SKU，则应优先控制沉淀和清仓风险。
11 / 总结与行动建议
把补货从“凭经验下单”变成“用结果验证假设”
库存管理的专业性，不在于公式写得多复杂，而在于每个关键判断都能回到数据、假设和结果。只要闭环建立起来，团队就能持续知道哪些参数有效、哪些SKU需要特殊处理。
核心观点总结
- 库存不是静态余额。必须拆分可售、锁定、在途、待入库和不可用状态，围绕真实履约能力做判断。
- 补货不是单一数量。补货量来自需求速度、供应提前期、安全库存、在途可信度、最小起订量和预算约束的共同作用。
- 缺货损失不能只看销售额。应当区分可观测毛利损失、广告浪费、加急成本和需要进一步验证的长期影响。
- SKU必须分层管理。主推款、稳定款、长尾款、新品和异常款不应该共用同一套补货参数。
- 计划必须有复盘。比较预测、计划、执行和实际结果，才能知道问题究竟来自需求、供应、数据还是执行。
我建议今天就做的三件事
- 挑选20个高贡献SKU，手工核对可售库存与在途状态。
- 计算未来供应提前期内的需求，标记可能缺货的SKU。
- 建立一张包含责任人和复盘日期的补货计划表。
如果数据基础较好
直接把订单、库存、采购和活动数据关联起来，按SKU和仓库生成订货点预警，并把计划值与实际到货值放在同一张复盘看板中。
如果数据基础一般
先治理SKU编码、库存状态、日期和在途状态，使用透明的经验参数跑一个小范围试点，再逐步增加波动和成本指标。
如果现金流压力较大
优先保供高毛利、高转化、低替代性的SKU，减少长尾和低贡献SKU的库存，采用分批采购而不是全量备货。
