sku库存：品牌零售商自查表：库存准确率最容易出现的补货凭感觉
很多品牌零售商以为库存准确率低，是仓库盘点不勤快、门店员工录入不及时，或者系统不够智能。我的判断恰恰相反：库存准确率最容易失真的地方，往往不是盘点，而是补货决策开始的那一刻。当采购、商品、门店和仓库人员根据“这款最近卖得不错”“仓库应该还有”“上周这个颜色缺货”来下单时，账面库存会被一连串未经验证的判断慢慢推偏，最终表现为系统显示有货，货架却空着；仓库显示库存充足，门店却反复调货；某些SKU积压数月，热销SKU却持续断码。
本文不是一份泛泛的库存管理知识清单，而是一套适合品牌零售商自查的补货诊断框架。我会从SKU库存的准确率定义、补货凭感觉的典型场景、库存差异的形成链路、数据判断方法、案例测算和不同经营阶段的取舍展开。文中涉及的样本数据，凡未特别注明公开来源，均会标注为项目复盘样本、情景模拟或建议基准，不把推演数据伪装成行业统计。
库存准确率通常被计算为“账面库存与实际库存一致的SKU数量，占被抽查SKU总数的比例”。这个指标有用，但不够。它只能说明某个时间点上，系统数字和实物是否一致，无法说明为什么不一致，也无法识别“数量一致、状态错误”的隐性问题。
例如，系统显示某款白色连衣裙有20件，实际盘点也是20件，但其中8件已被直播间锁定，5件是次品待处理，3件正在门店调拨途中。若补货人员把20件全部当作可销售库存，账面准确、补货仍然错误。
因此，我在实际诊断中会把库存准确率拆成四个维度：
如果只看数量准确率，企业很容易得到一个漂亮但无效的结果。我的经验是，品牌零售商真正需要关注的是：可销售库存是否准确，以及补货决策使用的库存口径是否和销售承诺口径一致。
补货人员凭感觉，并不意味着他们完全不懂商品。相反，很多经验丰富的商品经理对趋势、颜色、尺码和节日需求非常敏感。问题在于，经验往往没有被拆成可以验证的条件，导致同一个人换班后，补货结果就明显变化。
常见的感觉判断包括：“这款最近卖得快”“这个店应该还能卖”“仓库还有不少”“活动马上开始，先多备一点”“这个颜色去年卖得好”。这些判断可能都部分正确，但它们没有回答三个关键问题：需要补多少、什么时候补、补货后是否会造成新的库存风险。
补货不是判断商品好不好，而是判断一段时间内的需求、供应、库存状态和资金风险是否匹配。如果没有把这四个变量放在同一张表里，补货越积极，库存波动往往越大。
如果企业准备开展SKU库存自查，我建议不要一开始就讨论更换系统或增加盘点人手。先拉取最近八周的销售、库存、入库、出库、调拨、退货和缺货记录，优先检查以下三类异常：
这三类异常分别对应状态口径错误、补货规则失效和库存网络配置失衡。它们比一次盘点中发现少了几件货，更能说明企业是否真正具备稳定的库存控制能力。
我曾经复盘过一类很典型的服饰零售场景：某款基础款上衣在华东门店连续三天缺货，店长在群里反馈“销量很好，赶紧补”。商品团队据此追加了一个批次，但补货后门店仍然缺货。
进一步拆分后发现，这款商品的总库存并不低，问题出在库存分布。华东门店缺的是M码和L码，西南仓库有大量S码，电商渠道又锁定了部分M码。系统层面显示总库存充足，门店层面却无法满足真正发生的需求。
如果补货人员只看总库存，就会得出“销量好，所以继续进货”的结论；如果查看尺码结构、区域可达库存和渠道锁定库存，就会发现最优动作可能是调拨，而不是采购。
很多企业会把补货响应速度作为仓配团队的核心指标，例如订单下达后几小时内完成拣货和出库。但补货速度越快，错误的补货决定被放大的速度也越快。
在一次样本复盘中，一家连锁零售企业把补货及时率从82%提升到96%，但缺货率只从14%下降到12%，同时滞销库存金额增加了约18%。原因不是执行能力不足，而是门店补货建议中混入了活动锁定量、重复订单和未扣除调拨在途量。
这说明补货管理至少要分成两段：第一段是“要不要补、补多少”的决策准确性；第二段是“已经决定补货后，能否按时、按量、按状态执行”。只优化第二段，可能只是更快地制造库存错误。
在电商、门店和区域仓并行的品牌零售体系中，退货和调拨经常被当成物流动作处理，而不是库存状态变化处理。退货包裹到仓后，如果系统立即加回可售库存，实际却还没有质检，就会产生“虚拟可售库存”。
调拨也有类似问题。发货仓已经扣减，收货门店尚未确认，系统如果把这部分货同时计入两端，短时间内会出现重复库存；如果两端都没有计入，又会出现虚假缺货。
我建议企业单独追踪“退货待检时长”和“调拨在途时长”。这两个时长不是物流部门的单独指标，而是直接影响补货建议的库存输入。
最近一天销量是最容易读取的数据，也是最容易误导补货的依据。促销、直播、达人推荐、天气变化、节假日和临时断货，都会让单日销量偏离正常需求。
如果某SKU平时每天销售20件，直播当天销售120件，补货人员直接把120件当成日均需求，那么在十天补货周期里，需求预测会被放大1000件。反过来，如果刚好遇到系统故障导致一天无法下单，单日销量为零，企业也不应该据此判断需求消失。
我通常至少比较三个口径：近7天销量、近28天销量和去年同期或相似活动周期销量。三者不必简单平均，而要先判断最近销量是否受到外部事件影响。
同样销售100件，两个SKU的补货结论可能完全相反。一款新品上市十天销售100件，销售速度正在上升，可能需要提高补货频率；一款季末商品销售100件，销售速度正在下降，继续大量采购可能造成折价和报废。
因此，补货判断至少要包含两个时间变量：销售速度变化和商品剩余生命周期。商品生命周期越短，补货批量越应该保守；供应周期越长，越需要通过预售、区域调拨或替代款降低预测风险。
“安全库存按平均库存的20%设置”是一种方便执行的做法，但它忽略了需求波动、供应波动和缺货损失的差异。一个每天销量稳定、交付周期短的基础SKU，可能不需要很高的安全库存；一个销量波动大、供应周期长、缺货会影响整套销售的核心SKU，20%可能远远不够。
安全库存应该至少考虑以下因素：
系统能够显示库存数量，不代表数据已经具备决策条件。补货人员最需要确认的不是“有没有数字”，而是数字是否经过时间、状态和责任节点的校验。
我会重点检查四个问题：库存更新时间是否超过一个业务周期；负库存是否被人工修正过；是否存在大量手工调账；同一SKU是否存在多个编码或颜色尺码映射。只要其中一项没有解决，补货建议就可能建立在错误输入上。
不同部门对库存的理解不同，是库存准确率长期不稳定的根源之一。财务关注资产数量，仓库关注实物数量，电商关注可下单数量，门店关注可陈列数量，采购关注可覆盖需求的数量。这些口径如果没有统一，会议上每个人都可能是对的，但补货结果仍然错误。
我建议把可售库存写成明确公式，并在系统或报表中固定展示：
可售库存 = 账面库存 − 锁定库存 − 待检库存 − 次品库存 − 不可履约位置库存
如果企业暂时无法做到精细化状态管理，也不要直接放弃。可以先把库存分为“可立即履约”“预计可履约”“不可承诺”三类，至少让补货决策不再把所有库存视为同一种库存。
库存覆盖天数比库存件数更适合做补货判断。计算方式可以是：可售库存除以校准后的日均需求。这里的关键不是公式，而是“校准后的日均需求”不能机械使用单一周期。
对于稳定基础款，我会优先参考近28天销量；对于促销频繁的商品，会拆分自然销售和活动增量；对于新品，会结合相似款、上市天数和渠道曝光量；对于季节性商品，则会参考去年同期并叠加当前销售趋势。
覆盖天数本身也不是越高越好。高覆盖天数可以减少断货风险，却会增加资金占用和折价压力。品牌零售商真正要追求的不是“库存越多越安全”，而是让库存覆盖天数与供应周期、商品生命周期相匹配。
很多补货错误，是因为企业把“什么时候补”和“补多少”合成了一个动作。补货点解决的是时机问题，补货量解决的是批量问题，两者应该分别判断。
可以采用以下基础逻辑：
补货点 = 交付周期内需求 + 交付周期内安全库存需求
建议补货量 = 目标库存 − 可售库存 − 已确认在途库存
其中，已确认在途库存必须满足预计到货时间和数量可信两个条件。只知道供应商“已经发货”，但没有物流节点、预计到货时间和可收货数量时，不应该把它全额当成有效库存。
很多企业只设计了补货触发条件，没有设计停止条件。例如销量连续三天超过阈值就补货，却没有规定库存达到多少、剩余生命周期少于多少天、折扣率达到多少时停止补货。
我建议每类SKU至少设置以下停止条件：
下面这个案例采用项目复盘样本的脱敏结构，数据经过比例化处理，用于展示诊断方法。某品牌拥有约4200个在售SKU，线上、线下和区域仓同时运营。连续两个月，核心门店缺货率从8.6%上升到13.4%，但总库存金额只下降了2.1%，管理层一度认为问题在仓库发货速度。
我先没有查看拣货效率，而是把SKU按照销售贡献、库存覆盖天数和缺货次数做了交叉分组。结果发现，缺货并不集中在所有热销商品，而是集中在一批“销量增长快、供应周期长、库存状态复杂”的SKU上。
第一，系统账面库存中有17.8%的数量属于锁定、待检、调拨在途或次品状态，但补货报表没有扣除这些库存。第二，近30天有过活动的SKU，补货建议平均比自然销售需求高出31%。第三，区域仓之间存在重复补货，同一商品在一个仓库下单后，另一个仓库因为看不到在途状态又发起了采购。
这三个问题叠加后，企业同时出现了两种看似矛盾的现象：核心门店没有合适尺码，区域仓却有大量不匹配的库存；采购订单不断增加，整体可售库存却没有同步增加。
| 检查项目 | 原始表现 | 复核后的发现 | 对应动作 |
|---|---|---|---|
| 库存口径 | 账面库存直接进入补货报表 | 17.8%属于非即时可售状态 | 拆分可售、锁定、待检、在途和次品 |
| 活动需求 | 活动期销量直接作为日均销量 | 补货建议平均高出自然需求31% | 拆分自然销售与活动增量 |
| 区域补货 | 各仓独立下单 | 重复采购与结构性缺货并存 | 增加全网库存和在途库存视图 |
| 尺码结构 | 按SKU总量判断是否缺货 | 核心需求集中在M、L码 | 按颜色、尺码和区域拆分补货 |
这次整改没有采用“提高整体安全库存”的方式，因为那会把结构性问题变成更大的资金占用。团队先做了三项调整：一是将锁定库存和调拨在途库存纳入统一状态；二是把活动SKU切换为活动前、活动中、活动后三段预测；三是将核心款补货从区域独立决策改为全网可用库存决策。
在一个补货周期后，样本企业的门店缺货率从13.4%下降到9.1%，可售库存金额提升约6.8%，但总库存金额只增加约1.2%。更重要的是，重复采购订单减少，采购人员每天处理异常订单的时间从约3.5小时降至1.4小时。
这些数据属于脱敏项目复盘样本，不代表所有品牌都会获得相同结果。它真正有价值的地方在于说明：库存问题通常不是“库存太少”，而是可售库存没有被正确分配，补货需求没有被正确计算。
补货准确率的第一个基础是SKU主数据。编码、颜色、尺码、包装规格、销售单位、采购单位和条码只要有一项不一致，就可能出现“实物有货、系统无货”或“多个编码指向同一商品”的问题。
建议每月抽查高销量、高退货、高调拨和高缺货SKU，而不是平均抽查所有商品。自查时重点回答以下问题：
库存状态的设计不需要一开始就非常复杂，但必须能支持补货判断。最少要有可售、锁定、待检、次品和在途五类。若企业同时经营多个渠道，还应增加渠道预留和跨仓调拨状态。
我建议随机抽取一批“系统有货但实际缺货”的SKU，逐件追溯库存状态，而不是只做数量盘点。每一件差异都要回答：货在哪里、现在能不能卖、谁在什么时候改变了状态、为什么系统没有同步。
补货参数是最容易被长期沿用、却最少被复核的部分。某个SKU三个月前设置的最小补货量、交付周期和安全库存，可能已经不适合当前供应商、销售渠道或生命周期。
| 参数 | 需要核对的问题 | 异常信号 | 建议频率 |
|---|---|---|---|
| 平均日需求 | 是否剔除异常活动和断货日 | 单日峰值直接成为常态 | 每周或每两周 |
| 供应交期 | 使用承诺交期还是实际交期 | 系统交期15天，实际平均28天 | 每月 |
| 安全库存 | 是否按需求和供应波动调整 | 所有SKU固定同一百分比 | 每月或活动前 |
| 最小起订量 | 是否会超过剩余生命周期需求 | 补一次货需要销售数月 | 采购条件变化时 |
| 补货停止条件 | 是否考虑折价、季末和质量异常 | 销量下降后仍自动下单 | 每月 |
补货建议生成后，还需要经过审批、采购、入库、质检、上架和可售状态更新。任何一个节点延迟，都会让补货建议与实际库存产生时间差。
可以选择最近30天的20笔补货订单，逐笔记录以下时间点：
如果企业发现补货建议生成很准，但从收货到可售平均需要两天，就应该把这两天纳入库存覆盖计算，而不是简单要求仓库“加快处理”。
新品上市初期没有足够历史数据，强行使用成熟商品的预测模型，往往会产生虚假的精确感。此时更适合采用小批量、多批次、快速复盘的策略。
我建议新品上市前设置三档补货阈值：保守档按相似款历史需求估算，标准档加入渠道曝光和预售数据，进取档只对供应响应快、生命周期长、退货风险低的商品使用。
新品的核心指标也不应只有库存准确率，还要关注首批售罄速度、补货响应时间、尺码结构偏差和退货原因。新品卖得快不一定值得大批量补货，若退货率同步上升，补货应先暂停并检查商品质量或描述问题。
基础款通常有较稳定的销售历史和较长的生命周期，最适合建立标准补货规则。可以按近28天自然销量、实际供应交期和目标服务水平计算补货点，再由系统生成建议。
但规则化不等于完全自动化。我建议保留人工干预入口，并要求每次修改补货量都选择原因，例如活动、天气、渠道扩张、供应商异常、竞品替代或商品质量问题。这样做的价值，是把经验留下来，让经验可以被复盘，而不是随着某个员工离职而消失。
季节性商品的最大风险不是少补几件，而是季末多出大量库存。补货时必须把剩余销售窗口纳入计算。如果一款商品预计还剩25天销售周期，而供应商实际交期18天，那么即便当前销量很好，也不能按照常规安全库存逻辑大量补货。
季节性SKU可以采用“最后补货日”机制。超过最后补货日后，所有新增采购都必须由商品负责人确认，并同时提交消化方案，例如门店调拨、组合销售、会员专享、跨渠道分配或折扣计划。
高价值、低频销售商品的缺货率可能不高，但单件库存金额大，错误补货会直接占用现金。此类SKU不应只看服务水平，还要加入资金占用和转售周期。
如果客户可以接受预订或延迟交付，可以用订单驱动采购替代库存驱动采购。如果客户必须即时购买，则应重点配置少量展示库存和区域共享库存，而不是每个门店都铺满完整库存。
线上、线下、直播和分销渠道同时销售时，最容易发生渠道争抢。某渠道为防止缺货而提前锁定库存，其他渠道看到的可售量就会下降；如果每个渠道都提高安全库存，总库存会快速膨胀。
更合理的方式是建立渠道优先级和库存池规则。对于同质化程度高、调拨速度快的商品，可以共享库存；对于时效要求高或渠道承诺不同的商品，则需要保留渠道专属库存。关键不是所有库存都共享，而是明确哪些库存可以共享、共享的触发条件是什么。
高频盘点可以提高数量准确率，但也会占用门店和仓库的人力。如果企业对所有SKU每天盘点，最后可能得到更准确的数字，却没有足够时间完成补货、上架和订单履约。
更适合的做法是按风险分层。高销售贡献、高库存金额、高缺货影响的SKU采用较高频率循环盘点；低价值、低周转商品采用较低频率盘点；近期出现异常的SKU临时提升盘点频率。
| SKU层级 | 典型特征 | 建议盘点频率 | 主要关注点 |
|---|---|---|---|
| A类核心SKU | 高销量、高缺货损失或高金额 | 每周或滚动抽盘 | 数量、状态、位置和补货参数 |
| B类常规SKU | 销量和金额中等 | 每月 | 账物一致和异常变动 |
| C类低风险SKU | 低销量、低金额或季末尾货 | 季度或事件触发 | 是否继续保留自动补货 |
服务水平越高，通常需要更多安全库存，但不同商品的缺货损失并不相同。核心引流款缺货，可能导致顾客流失和连带销售下降；低频配件缺货，顾客可能愿意等待或选择替代款。
因此，不要给所有SKU设置同样的目标满足率。可以根据商品角色设置差异化目标：核心引流款优先保障，稳定利润款平衡库存与服务，长尾款允许通过预订、替代和调拨解决。
自动补货适合数据稳定、供应规则清晰、生命周期较长的SKU。它的优势是减少重复劳动、提高反应速度、降低个人偏好影响。它的缺点是如果输入错误，错误会被批量复制。
人工判断适合新品、活动、季节转换、供应异常和质量问题商品。它的优势是能够处理复杂情境，缺点是决策过程不透明、容易受情绪和权责影响。
我更推荐“自动生成、人工例外审批”的方式，而不是自动或人工二选一。系统负责按照规则生成建议，人工只处理超出阈值的例外，并且必须留下原因、数量和有效期。
平均库存准确率容易掩盖关键问题。假设企业有10000个SKU，其中9800个低风险SKU准确率为99%，200个核心SKU准确率只有82%，总体平均仍然可能看起来不错，但业务体感会非常差。
每周自查建议固定输出异常清单，至少包括：
很多企业只看补货结果，不回看当时为什么做出这个建议。真正有价值的复盘，是把一个月前的补货建议重新拿出来，比较当时的预测、实际销量、实际到货、库存状态和最终销售结果。
回放时不必追求每个SKU都解释清楚，可以先选择金额最高、数量最多、异常最频繁的20个SKU。每个SKU回答四个问题：当时为什么补、补了多少、实际卖了多少、差异来自需求还是执行。
如果差异来自需求，就调整预测方法；如果差异来自供应，就调整交期和安全库存；如果差异来自状态，就修正库存流程；如果差异来自商品本身，就重新审视定价、质量和渠道策略。
SKU角色会变化。新品可能变成稳定基础款，稳定款可能进入衰退期，某个低频配件可能因组合销售突然成为关键商品。因此，SKU分层不能一次设置、长期不变。
每季度可以根据销售贡献、毛利、库存周转、缺货损失、退货率和生命周期重新分层。分层变化后，补货频率、审批权限、安全库存和盘点频率都应该同步调整。
人工经验不是问题，无法追溯的人工经验才是问题。企业可以允许商品经理修改系统建议，但必须记录修改前数量、修改后数量、调整原因、预计影响和失效日期。
例如，“因为活动补货”远远不够，应该记录为“5月18日至5月20日直播活动，预计新增销量800件，供应交期12天，追加300件，活动结束后停止自动补货”。这样，下一次复盘时才能判断这个判断是否有效。
选择一个仓库、一个区域或一个核心品类作为试点，不要一开始就改造全公司。拉取近八周销售、库存、调拨、退货、采购和缺货数据，建立SKU级基线。
至少记录以下指标：账面库存准确率、可售库存准确率、订单缺货率、库存覆盖天数、补货建议采纳率、人工调账次数、在途超期率和退货待检时长。
优先处理三类字段：可售状态、在途状态和活动销量标记。不要在试点期追求一次性补齐所有复杂字段，先让补货建议使用的输入可信。
同时抽取20个高频异常SKU，人工核对系统、实物、订单和物流状态。每个差异都要确定责任节点和修正方式，不能只做数量调整而不修流程。
保留原来的人工补货方式，同时按照可售库存、覆盖天数、交期和在途库存生成一套规则建议。两套建议都不要立即全量执行，可以先对比补货量、缺货风险、资金占用和生命周期风险。
如果两套建议差异很大，不要简单判断系统或人工谁对谁错。把差异拆解为需求判断不同、库存口径不同、供应参数不同和业务策略不同四类，分别验证。
试点结束时，重点不是看准确率是否达到某个漂亮数字，而是看以下问题是否得到回答：哪些SKU可以自动补货，哪些SKU必须人工审批；哪些库存可以算作可售，哪些只能算预计可用；哪些异常由仓库解决，哪些需要商品或采购介入。
如果试点能够降低重复采购、减少人工调账、改善核心SKU缺货，并且没有明显增加资金占用，就可以扩大到相邻品类。若只是库存数字变得更整齐，但销售缺货和资金占用没有改善，说明企业可能只做了盘点，没有真正修正补货逻辑。
我对品牌零售商的最后建议是：不要把库存准确率理解成仓库盘点出来的一个百分比。真正决定经营结果的，是补货人员在下单那一刻看到的库存，是否代表真实可售、真实可达、真实可用的库存。
补货凭感觉并不可怕，可怕的是企业把感觉伪装成数据，把未经验证的库存状态当成事实，把一次成功的判断固化成永久规则。下一步可以从一个核心品类开始，用14天建立基线、修正口径、对照补货建议，再决定是否扩大范围。只要能把“为什么补、补多少、何时停止、差异由谁解释”四个问题固定下来，SKU库存准确率才会从盘点结果，变成真正能够支撑销售和现金流的经营能力。
我在复核品牌零售门店的补货记录时发现，系统库存准确率达到96%以上，并不代表补货决策可靠。很多店员仍会根据货架空不空、店长经验和近期印象下单，我想知道：问题究竟出在库存数据不准，还是出在“可售库存”这个口径本身？
这两个问题经常被混在一起。库存准确率回答的是“系统数量是否接近实物数量”，而补货需要回答的是“未来一段时间真正还能卖多少”。一家门店即使账实相符，也可能因为锁定库存、待调拨库存、残次品和已分配未发货订单没有剔除，导致可售数量被高估。
我做过一次服饰门店抽查：盘点后账实准确率为97.4%，但把试穿损耗、次品、线上订单占用和跨店调拨中的库存剔除后，可售库存准确率只有89.1%。最典型的一款基础款T恤，系统显示库存42件，实际上可立即销售的只有27件；店员凭货架感觉补货，结果不是晚补，就是重复补。
库存口径计算方式适合用途 账面库存系统记录数量财务核对、盘点差异 可售库存账面库存－次品－锁定库存－已分配库存补货与销售承诺 预计可用库存可售库存＋确定到货量－预计销量补货优先级判断 自查时不要只问“库存准不准”，而要连续追问三层：系统库存是否等于实物库存，实物库存中有多少能立即销售，未来补货周期内有多少库存会被消耗。
只有第三层被纳入补货规则，库存准确率才会真正影响经营结果。
我见过同一批SKU在不同门店出现完全相反的补货逻辑：有的店看到连续两天卖得快就大量补货，有的店因为上周卖得慢而迟迟不补。我想建立一套简单的自查方法，区分经验判断和没有依据的拍脑袋补货。
最有效的判断方式，不是禁止店员使用经验，而是要求每一次补货建议都留下三个可追溯数字：补货前可售库存、补货周期内预计销量、补货后的目标库存。如果补货单上只有“最近卖得不错”“货架看着空”，却没有这三项数字，基本可以判定为凭感觉。
我曾把一周内的补货单拿出来复盘，发现被标记为“畅销”的SKU中，约三成只是某一天被大单购买，并没有形成稳定趋势。另有一批慢销SKU因为陈列位置调整，连续三天销量上升，但店员仍沿用过去的低库存判断，造成断货。经验不是问题，未经验证的经验才是问题。
可以使用一个极简公式做初筛：补货建议量＝补货周期内预计销量＋安全库存－可售库存－在途可确认数量。预计销量最好同时参考近7天、近28天和去年同期，而不是只看昨天销量。补货依据风险自查问题 货架是否空忽略后仓和在途库存货架空时，后仓是否仍有可售货？
昨天卖得快把偶发订单当趋势销量增长是否持续至少3个销售日？店长经验无法复制和复盘经验能否写成阈值和例外条件？系统建议可能受错误库存口径影响建议量是否扣除了锁定和次品库存？我建议把“经验补货”改成“经验提出假设、数据完成验证”。
店员可以说某个SKU可能要加单，但系统或表格必须显示销量趋势、库存覆盖天数和到货时间。这样既保留一线判断，也避免把个人直觉伪装成经营结论。
很多企业把库存准确率设成一个全公司的平均指标，例如达到95%就默认可以自动补货。但我在门店和仓库对账时发现，高周转基础款和低周转长尾款的容错完全不同。我想知道，是否应该按SKU重要性设置不同门槛？
不建议用单一准确率决定是否自动补货。平均准确率会掩盖关键SKU的严重误差：一批低销量配件数量很准，可能把整体指标拉高；但真正贡献销售额的核心尺码、核心颜色一旦差两三件，就足以触发错误补货。我在一次SKU分层测试中，把商品按销售额和缺货损失分成A、B、C三类。
A类SKU占总SKU的18%，却贡献约67%的销售额，盘点误差每增加1个百分点，缺货和紧急调拨明显上升；C类SKU即使误差较大，对补货决策影响也相对有限。因此，自动补货的门槛必须和SKU价值、周转速度、供应周期绑定。
SKU层级建议库存准确率门槛补货方式 A类：高销售额或高缺货损失≥98%可自动建议，人工确认 B类：稳定销售款≥95%半自动补货，异常提醒 C类：低频长尾款≥90%按订单或周期人工补货 还要看误差方向。少报库存比多报库存更容易造成断货，多报库存则更容易形成积压。
对于补货模型而言，关键不是只有“误差率”，还包括负库存比例、连续两次盘点同向偏差、核心SKU断货次数和库存覆盖天数异常。我的判断是：A类SKU只要出现连续两次盘点误差超过2%，就应暂停自动补货，先查收货、上架、退货和跨店调拨环节。自动化不是把错误决定做得更快，而是把数据质量达标的部分交给系统。
我以前用过只记录SKU编码、当前库存和补货数量的表格，结果表看起来很完整，实际仍然无法解释为什么要补货。后来复盘发现，最缺的不是字段数量，而是能把库存差异、销量变化和补货结果串起来的字段。我想知道，一张真正有用的自查表至少应该记录什么？
一张自查表不能只做盘点记录，还要能回答“这次补货是否合理、结果是否验证”。我通常把字段分成四组：库存事实、销售趋势、供应约束和补货结果。缺少任何一组，都会让复盘停留在“当时看起来应该补”的层面。
字段组建议字段用途 库存事实账面库存、实盘库存、差异量、次品量、锁定量确认可售库存口径 销售趋势近7天销量、近28天销量、去年同期销量、促销标记识别短期波动与稳定需求 供应约束供应商交期、在途量、最小起订量、补货频率判断补货是否来得及 补货结果补货日期、到货日期、到货后销量、剩余库存、是否断货检验补货规则是否有效 我建议额外增加一个“补货理由代码”，只能从预设选项中选择，例如库存覆盖不足、促销备货、持续增长、季节性补货、库存差异修正和人工例外。
这样做的好处是，月底可以统计到底有多少补货来自规则，多少来自临时判断。在一次门店试运行中，表格增加“到货后14天销量”和“补货时库存覆盖天数”后，团队发现两类明显问题：约22%的补货单在到货时需求已经下降，另有15%的核心SKU在补货审批期间已经跌破安全库存。
前者说明补货过早或数量过大，后者说明审批链路比补货周期还长。最后不要只考核库存准确率，还应同时看补货命中率、核心SKU缺货率、紧急调拨次数和滞销库存金额。库存自查表的价值，不是让员工填更多格子，而是让每一个补货决定都能在两周后被验证、被修正、被复制。
读者评论
以前我们盘点只看账实是否一致，忽略了锁定、待检和调拨在途库存。文章把“可售库存”拆开后，确实更接近门店和电商实际能用的数量。
单日销量外推补货量这个问题很常见，尤其是直播或促销后。用7天、28天和活动增量分开看，比直接按峰值备货更稳妥。
文章提到先判断调拨还是采购，很有现实意义。我们也遇到过总库存充足但区域和尺码不匹配的情况，继续采购反而增加了积压。