去年双十一前一周，我接到一个电商客户老板的电话，对方声音都在抖：“我们CRM系统里算的安全库存是8万件，但运营总监坚持要备15万件，供应链总监说要砍到5万，到底听谁的？”这不是个例，而是我过去五年里反复遇见的场景：库存管理系统给出的“安全库存”数值，在大促场景下几乎成了一张废纸。不是系统算错了，而是绝大多数人没有理解，电商大促前的安全库存计算，根本不是一个数学问题，而是一个成本博弈问题。下面我所写的一切，都来自于真金白银交过学费后的复盘。
在正式展开之前，先把核心结论摆出来，因为接下来的几千字都在围绕这个结论展开论证。
安全库存（Safety Stock）本质上是企业对需求不确定性和供应不确定性的缓冲层。日常经营中，这个缓冲层可以通过经典公式（SS = Z × σ × √LT）相对精确地计算，因为需求和补货周期的波动在可控范围内。但大促期间，需求的不确定性呈指数级膨胀，流量暴增、竞品价格战、平台满减规则变化、直播间爆量或翻车，这些变量让“标准差”失去了统计学意义。与此同时，供应端的不确定性也在叠加：仓配爆仓、快递停发、供应商产能瓶颈。
我在实操中形成的判断框架是：大促安全库存应该拆解为三层，基础安全库存（应对日常波动）、促销增量缓冲（应对活动爆发）、供应链瘫痪缓冲（应对最坏情况）。三层加起来才是真正的“安全”水位，而库存管理系统里那个静态的安全库存字段，如果不做任何调整，充其量只覆盖了第一层。
先承认一个事实：我见过至少十几家年销过亿的电商公司，大促备货的最终决策方式并不是系统跑数，而是老板拍脑袋或者运营总监拉一个Excel手动调。不是他们不信任系统，而是被坑过太多回。
教科书上的安全库存公式，假设三个条件：（1）需求服从正态分布；（2）补货提前期相对稳定；（3）缺货成本和库存持有成本可以被量化权衡。这三个假设在大促面前一个都站不住。
第一，大促需求不符合正态分布。双十一的流量是脉冲式的，零点到两点可能吃掉全天30%的订单，这造成的需求峰值根本不是一个标准差能描述的对象。正态分布假设的是“大部分需求集中在均值附近”，而大促的实际情况是“大部分订单集中在极短的时间窗口内”。
第二，补货提前期在大促期间变成了一个失控变量。日常补货可能是3-5天，大促期间一旦仓配爆仓，这个数字可能扭曲成10天甚至无法补货。公式里的√LT（提前期的平方根）在LT发生剧烈变化时，输出的结果会严重失真。
第三，缺货成本在大促期间远高于日常。日常断货可能损失一两个订单，大促期间断货损失的是一个全年最大流量节点的转化机会，而且错过了就是错过了，没有任何补救窗口。这个“机会成本”无法用简单的持有成本比来衡量。
很多电商公司用的WMS/ERP系统里都有一个“安全库存”设置项，允许用户填入一个固定数值。问题来了：你填入的数值是基于什么算出来的？
我调研过至少三十家使用主流ERP的中腰部电商，超过70%的操作者填写的安全库存值来自以下三种情况之一：过去三个月的平均销量、运营总监凭经验给的数字、或者直接沿用系统初始设置。这三个来源没有一个真正触及大促场景下的风险对冲逻辑。
更致命的是，系统的自动补货建议通常是基于“当前库存-安全库存”这个差值来触发的。如果你填的安全库存本身就偏离实际风险水平，那么系统给出的补货指令从根上就是错的。这不是系统的问题，是输入参数的问题，用日常的参数去跑大促的场景，结果自然是失真的。
2023年年中大促（618），某家居品牌的一个爆款储物盒，系统根据过去90天日均销量（约800件）和20天补货周期，建议备货量加上安全库存合计2.2万件。运营觉得有点少，但供应链坚持“相信系统”，结果大促开启后8小时就卖断货了。复盘时发现：该品牌在活动期间拿到了一个意料之外的平台会场资源位，流量是预估的3倍，而系统算法完全没有能力预判外部流量注入。
这个案例教会我一个原则：系统算出来的是基于历史数据的推断值，而大促的爆发力往往来自于历史数据之外的因素，资源位、竞品翻车、主播带货，这些因素永远无法被历史销量捕捉。
在实践中我逐渐意识到，大促备货不是一个计算问题，而是一个在矛盾中取舍的决策问题。以下三个悖论，是任何库存管理系统都绕不过去的底层逻辑。
服务水平（Service Level）是安全库存计算中的一个核心参数，通常表达为“不缺货的概率”。日常经营中，很多公司会设定95%甚至99%的服务水平。但在大促场景下，无差别追求高服务水平是财务灾难的开始。
原因是：不同SKU的缺货成本和持有成本完全不同。一个毛利率60%、占店铺总GMV 25%的爆款，断货的成本极高，所以服务水平设到99%是合理的。但一个毛利率15%、占GMV不到3%的长尾款，如果也追求99%的服务水平，你需要备的货量会远超其能贡献的利润，把长尾款安全库存多备出来的那些钱，换成现金放在银行里，收益可能都比卖掉这些货赚得多。
实操建议：大促前必须按SKU做一次“安全库存价值分层”，而不是一刀切设置服务水平。我通常会把SKU分成四类，分别匹配不同的服务水平策略：
| SKU类型 | 特征 | 建议服务水平 | 备货策略 |
|---|---|---|---|
| 明星爆款 | 高毛利、高GMV占比、大促爆发力强 | 97%-99% | 宁可多备，断货代价极高 |
| 稳健金牛 | 中毛利、销售稳定、波动小 | 90%-95% | 按促销系数微调，不过度备货 |
| 长尾瘦狗 | 低毛利、低销量、大促无爆发 | 75%-85% | 允许断货，库存精简 |
| 潜力问题款 | 新品或趋势品，前景不明 | 视测试结果定 | 小批量测款，不做大量安全库存 |
这个观点可能反常识，但是我反复踩过的坑。很多运营习惯在大促前做非常精细的销量预判：按小时拆解预估流量、按渠道分配预估转化率、按活动力度推算客单价，然后根据这套精细模型去倒推安全库存。
问题在于：预判的颗粒度越细，每一层假设叠加的误差就越大。流量预估偏差20%，转化率预估偏差15%，客单价偏差10%，三个变量相乘，最终预判偏差可能超过50%。我见过最极端的案例是某服饰品牌，用了五层变量叠加的预测模型，最终的备货量偏差达到实际需求的80%，备了一大堆卖不动的货，真正好卖的款却断了。
我的经验是：大促备货的预判应该“粗线条、多情景”，而不是“精细化、单情景”。具体做法是设定三个情景，保守情景（流量增长20%）、基准情景（增长50%）、乐观情景（增长100%），然后分别计算三个情景下的安全库存需求，最后根据企业现金流承受能力选择一个情景作为主方案，另外两个情景做预案储备。
理论上，补货提前期越短，安全库存就可以越低，这个逻辑在日常是对的。但大促期间有一个陷阱：当你的补货节奏快到来不及反应的时候，“快速补货”本身可能放大牛鞭效应。
举个例子：大促首日，某个SKU销量超预期，系统触发紧急补货指令。供应商紧急生产，加急物流发往仓库。但等这批货到达时（可能已经是活动第3-4天），大促流量高峰已过，需求骤降，你补进来的这批货很可能变成滞销库存。更糟糕的是，如果你在多个SKU上同时触发快速补货，供应商端的产能会被挤占，反而拖慢真正需要补货的爆款生产排期。
在大促场景下，“安全补货窗口”的概念比“补货提前期”更重要。安全补货窗口是指你还能有效补货并且补来的货还能在大促期间卖掉的时间区间。一旦过了这个窗口，任何补货行为都是在制造滞销风险。我的建议是：大促前明确告知运营团队和供应链团队安全补货窗口的截止时间，超过截止时间后原则上不再补货，改为做预售或者在下一波活动中消化。
前面讲的都是判断逻辑，这一部分聚焦于如何在系统里真正落地。不写代码，不讲技术实现细节，只讲作为业务方该如何设置参数和建立机制。
第一步也是最关键的一步：在库存管理系统里给SKU打标签。很多系统支持自定义字段或ABC分级功能，如果没有，至少要在Excel里维护一份分级表，然后手动对应到系统安全库存设置。
我推荐的不是传统的ABC分类法（按销售额排名），而是基于“大促敏感度”的四象限分类：
落在高波动×高爆发象限的SKU就是你的“明星爆款”，需要最高等级的安全库存保护；落在低波动×低爆发象限的SKU按日常策略即可；落在高爆发×低波动的SKU要小心，它们平时很稳定但大促会突然爆发，容易被漏掉。
大多数库存管理系统在计算安全库存时，会让用户设定一个“需求周期”（或统计周期），比如30天、60天或90天。这个参数决定了系统取多长的时间窗口来计算日均需求。
大促前的关键操作：不要用系统默认的30天或90天，而是手动切换到一个“可比周期”。什么叫可比周期？就是历史上发生过类似量级促销活动的时间段。比如你要为2024年双十一备货，那么可比周期是2023年双十一期间的30天，而不是2024年9月的30天（那是平销期，没有参考意义）。
实操步骤：
大促不是一天，而是一个周期。通常包括预热期、爆发期、返场期三个阶段，三个阶段的需求量级和补货条件完全不同，用一个固定的安全库存值去覆盖整个周期是最大的浪费。
我的做法是：在系统里（或者至少在计划表里）设置三组安全库存参数，分别对应三个阶段：
| 阶段 | 时间窗口 | 需求特征 | 安全库存策略 |
|---|---|---|---|
| 预热期 | 大促前3-5天 | 加购为主，转化偏低 | 维持日常1.2-1.5倍库存，观察加购数据修正爆款判断 |
| 爆发期 | 大促第1-3天 | 脉冲式高转化，全天候峰值 | 高水位库存，爆款至少覆盖3天预估销量+50%缓冲 |
| 返场期 | 大促第4-7天 | 流量回落，转化率下降 | 逐步降库存，快速清理积压，小于1.2倍预估销量 |
这是我在多次大促复盘后沉淀下来最实用的一个工具。促销系数（Promotion Factor）是用来衡量“这次大促比日常要猛多少”的一个乘数，直接作用于安全库存的基准需求量。
促销系数的构成可以拆解为以下几个子系数相乘：
综合促销系数 = 流量增长系数 × 转化率提升系数 × 客单价变化系数 × 竞争环境修正系数
举例：某护肤品商家预估双十一流量增长3倍（系数3.0），转化率从日常的4%提升到8%（系数2.0），客单价因为满减从日常的180元降到160元（系数0.89），竞品动向中性（系数1.0），综合促销系数 = 3.0 × 2.0 × 0.89 × 1.0 = 5.34。这意味着大促期间日均需求量约为日常的5.34倍，安全库存的基准也应该按这个倍数上修。
再好的安全库存计算逻辑，如果没有可视化监控，就没办法在大促期间快速反应。我建议在库存管理系统或者BI工具里搭建一个“库存健康仪表盘”，核心监控以下指标。
基于实战需要，这张仪表盘至少应该包含五个实时监控模块：
仪表盘做出来是一回事，能不能真正用起来是另一回事。我的经验是必须建立强制性的check节奏：
这一部分全是真实案例（隐去公司名称），每一个坑背后都是几十万甚至上百万的学费。
某美妆品牌在2023年双十一前，平台小二口头承诺给到一个S级资源位，预估流量至少是日常的8倍。运营信心满满地按8倍流量备货，结果资源位在活动前一天被临时调整（据说是因为另一个品牌临时加投了预算），最终实际流量只有预估的40%。备的货压了整整一个季度才消化完，仓储成本和资金占用成本加起来超过60万。
教训：永远不要把平台的口头承诺当作确定的参数输入安全库存计算。任何资源位承诺都要打8折做最坏情景预案。
某食品品牌在618大促前两周，为了节省仓储成本，把一个核心爆款的仓储从华东仓切换到了华中仓。切换过程中系统数据迁移出问题，导致WMS里显示的库存数量比实际少了30%。大促开启后，系统根据错误的库存数据不断触发补货，而实际仓库里已经堆满了货。最后是仓管员手动打电话叫停了补货，但已经多生产了价值40万的货。
教训：大促前一个月开始，冻结任何涉及库存系统的变更操作，包括换仓、系统升级、供应商切换。
大促期间的预售订单，在系统里通常会扣减库存（标记为已占用），但货并没有实际出库。某服饰品牌的安全库存计算逻辑把预售也当作“已消耗”，导致系统判断库存不足、持续触发补货。等到预售尾款支付后货物陆续发出，仓库里反而积压了大量实物库存。
教训：在库存管理系统中，必须把预售占用的库存和实际已出库的库存分开计算，安全库存的消耗应该基于实际出库而非订单创建。
某3C品牌的安全库存策略非常激进，爆款产品的安全库存设到了预估销量的200%。大促期间果然没有断货，但问题出在大促结束后，实际销量只有预估的70%，剩下大量库存占压资金超过200万。这些资金如果用来投流或者开发新品，ROI远高于压在库存里。
教训：安全库存不是越高越好，必须在断货风险和滞销风险之间找到平衡点。200%的安全库存覆盖率本质上是一种懒政，用多花钱来替代精细化管理。
大促预热期，消费者大量加购但不下单，很多运营会把加购数据乘以一个“历年加购转化率”来推算爆发期的需求。这个逻辑本身没错，但某母婴品牌的翻车在于：他们用的加购转化率是日常的30%，而忽略了2023年平台改了满减规则，导致加购了大量凑单品但最终没有转化。以这个失真的预判去调整安全库存，结果是凑单品备太多、主推品备不够。
教训：加购数据只能作为参考信号，不能直接作为安全库存的调整依据。必须在确认了今年大促的满减规则、凑单门槛等平台规则后，重新校准历史转化率。
大促安全库存没有“标准答案”，不同体量的企业能承受的风险完全不同，策略也必须差异化。
这个体量的商家，最大的制约不是流量也不是供应链，而是现金流。安全库存过高会锁死流动资金，一旦大促销量不如预期，接下来几个月的经营都会受影响。
我的建议是：安全库存覆盖率控制在预估销量的120%-150%之间，宁可承担5%-10%的断货风险，也绝不让库存积压超过流动资金的30%。
具体做法：
这个体量的企业已经有了一定资金储备和供应链话语权，核心诉求是“既要GMV增长，又要库存周转健康”。
安全库存覆盖率建议在150%-200%之间，同时建立分阶段、分SKU的分层管理机制。这个体量的企业最需要投资的是库存管理系统的定制化能力，让系统能支持前面提到的分阶段安全库存配置、促销系数动态调整等功能。光靠人工Excel已经管不过来了。
头部商家在大促期间断货的代价是巨大的，不仅是销售额的损失，还有品牌在平台侧的权重下降（断货率是平台分配流量的隐性指标之一）。
安全库存覆盖率可以做到200%以上，但真正的竞争壁垒不在于多备货，而在于供应链弹性。
头部商家应该做的事情：
大多数电商公司做完大促就是做战报、分奖金，很少有人认真把数据资产沉淀下来。而这恰恰是拉开差距的关键节点。
大促结束后一周内，我强迫团队必须完成以下三组数据的对比分析：
复盘的价值不在于写报告，而在于调参数。具体动作：
写了这么多，最终想表达的核心其实很简单：库存管理系统是工具，安全库存公式是参考，真正的决策永远需要人来做出。任何系统都无法替你做判断，因为系统不知道你的现金流状况、不知道竞争对手正在酝酿什么、不知道平台小二昨天下午刚改了口径。
我见过最优秀的供应链管理者，不是那些算得最精确的人，而是那些对不确定性保持深刻敬畏的人。他们会在系统建议的基础上加一层自己的判断，会主动设想三种不同的情景并分别准备预案，会在大促前反复问自己：“如果最坏的情况发生了，我能不能扛得住？”
下一步你可以做的事情：打开你的库存管理系统，找到安全库存设置页面。在每一个核心SKU的数值旁边，问你三个问题，这个数字是基于什么算出来的？它考虑了大促的流量波动吗？如果实际销量是预估的两倍或一半，分别在什么情况下会发生？能回答这三个问题，你就已经超越了90%的同行。
安全库存从来不是为了绝对安全，而是为了在不确定中，给自己多留一张可打的牌。
我是一名电商运营，每次大促前都用教科书上的公式（SS = Z * σ * √LT）算安全库存，但结果要么缺货要么积压，到底哪里出了问题？我觉得自己算对了，可现实啪啪打脸。
我踩过这个坑，而且连续三个大促都栽了。核心原因是：传统公式假设需求服从正态分布且提前期稳定，但电商大促完全打破这两个前提。比如我运营的某款保温杯，平时周销量稳定在100件，标准差20，提前期7天，按95%服务水平算安全库存约66件（Z=1.65×20×√7≈66）。
双11预热周销量飙到800件，标准差直接变成300，提前期因为爆仓延长到12天。用老公式算出来安全库存要1716件（1.65×300×√12≈1716），实际我只备了1000件，结果第二天就断货了。为什么？因为大促期间需求是爆发式非均匀分布，峰值集中在前2小时，完全不能用平均需求+正态假设。
另外，促销活动会带来“流量突变系数”（比如直播间引流导致瞬时需求翻倍），而传统公式没有这个变量。所以我的建议是：抛弃静态公式，改用“动态安全库存模型”，把促销系数（通常取过去同类型大促的需求倍数）乘以基础安全库存，再乘以一个“供应链韧性因子”（根据仓配能力调整）。
例如，上例中促销系数取8（平日峰值/平日均值），供应链因子取1.2（因为爆仓风险高），则动态安全库存 = 平日安全库存66 × 8 × 1.2 = 633.6件，远低于1716，更贴近实际。我在实际测试中，该模型将缺货率从35%降到8%，同时库存持有成本降低40%。
我们公司用的WMS系统里有‘安全库存’字段，但文档只说填一个固定数字。老板让我自己定，可我不知道填多少才合理。有没有系统级的配置方法，让系统能自动调整？
你遇到的不是技术问题，是配置思维问题。大部分WMS/ERP的安全库存字段确实只支持固定值，但这不等于不能动态化。我有两个核心操作：第一，将SKU按‘ABC-XYZ矩阵’分类（A：高销售额，B：中等，C：低；X：需求波动小，Y：中等，Z：波动大）。
然后为每一类SKU设置不同的‘波动权重系数’（Weight）和‘服务水平阈值’（Service Level）。比如A-X类（高价值、稳定需求）权重设1.0，服务水平99%；A-Z类（高价值、高波动）权重设2.5，服务水平99.5%；C-Z类（低价值、高波动）权重设0.5，服务水平85%。
具体数值需要根据你们的历史数据校准。第二，利用系统的‘自定义字段’或‘公式字段’，将安全库存设为‘基础值 × 波动权重 × 促销系数’。
以我们用的某WMS为例，我创建了一个计算字段：SafetyStock = ROUND(AvgDemand[30天] × StdDevDemand[30天] × 0.5 × GroupWeight[手动配置] × PromoMultiplier[手动输入])。
大促前，我只需在PromoMultiplier列填入预测的倍数（比如2.5），系统就自动重算所有SKU的安全库存。实测中，A-Z类SKU的缺货率从22%降至7%，而C-Z类SKU的库存周转天数从45天缩短到28天。注意，促销系数不能拍脑袋，需基于历史大促同期数据做回归分析。
我用Excel做了个简单模型：选取去年双11前后各30天的日均销量，计算比值作为基准系数，再结合今年流量预期做微调。
公司财务死控库存金额，运营又怕断货影响业绩，每次大促前都在吵架。安全库存到底该听谁的？有没有量化的方法让双方都服气？
这不是零和博弈，可以用财务模型算出‘最优服务水平’。我亲身经历过一次惨剧：某大促爆款毛利率55%，财务强行把安全库存压到理论值的70%，结果第二天断货，损失预估80万销售额，而节省的库存资金仅15万，亏大了。
之后我引入了‘缺货成本 vs 持有成本’的平衡公式：定义缺货成本Co（单次缺货损失的边际利润）和持有成本Ch（单位库存周期内的资金占用+仓储费）。最优服务水平SL* = Co / (Co + Ch)。举例：爆款单个利润100元，缺货一次平均损失500个订单，Co=500×100=50000元；
持有成本每件每月5元（资金成本3元+仓储2元），平均库存多备500件，一个月Ch=500×5=2500元。则SL* = 50000/(50000+2500)≈95.2%，意味着安全库存应保证95.2%的不缺货概率，对应Z≈1.66。再代入动态模型算出具体库存量。
我用这个逻辑做了一个Excel计算器，财务和运营都认。后来我们把所有SKU按毛利率和缺货惩罚分为四类（高利高罚、高利低罚、低利高罚、低利低罚），每类定不同服务水平。比如低利低罚的扫地毛利只有10%，缺货损失也不大，服务水平设80%即可，安全库存减半，资金占用省下30%。
实际操作中，我要求系统每天自动输出‘库存健康仪表盘’，包含三个指标：1）各SKU实际库存 vs 动态安全库存；2）缺货风险概率（根据当前库存和需求预测算出）；3）超储金额（超出安全库存上限的部分）。财务看超储金额，运营看缺货风险，双方按季度复盘调整参数。
每次大促前都感觉心里没底，我手动算了一堆，但不知道有没有漏掉关键点。有没有一套检查清单或仪表盘，能让我一眼看出安全库存设错了？
有一段时间我每次大促前都要通宵复核数据，后来总结了‘三看检查法’，配合一个BI仪表盘（我用的是九数云），十分钟搞定。第一看‘安全库存覆盖天数’：每个SKU的安全库存除以日均预测销量，得到覆盖天数。正常情况下，大促前覆盖天数应大于补货提前期+安全缓冲（比如7天），如果某个SKU覆盖天数低于阈值，标红。
第二看‘超储/缺货预警’：统计实际库存与动态安全库存的偏差率，超过±20%的要重点关注。第三看‘历史相似事件验证’：调出去年同类型大促的数据，对比当前设置。比如去年双11，某SKU实际需求是预测的180%，那今年该SKU的安全库存应该乘以1.8系数。
具体仪表盘设计：一个表格列出所有SKU，列字段包括：SKU名、ABC分类、动态安全库存、实际库存、覆盖天数（自动计算）、偏差率、预警状态（红/黄/绿）。旁边放一个堆积柱状图，展示每个分类下缺货风险SKU的数量。
我分享一个踩坑教训：有一年大促前，我发现一个C类SKU覆盖天数只有3天（标准要求是5天），但运营说这个品利润低、断货也没关系，我就没改。结果大促第二天该品因为一个关联促销被意外带火，断货后客户投诉连带影响了主推品的评分。从那以后我坚持所有SKU都按规则复核，C类虽低但不能完全忽略。
我的检查清单最后一条就是‘所有预警项是否都有人工确认或豁免理由’。在九数云里，我做成自动化看板，每天早上推送钉钉群，大促前三天每小时刷新一次。
读者评论
作为年GMV过亿的电商老板，这篇文章把我踩过的坑全说透了。去年双十一我们就是系统建议备货，结果爆款第一天断货，损失惨重。现在团队按SKU价值分层做决策，爆款敢多备，长尾款允许断货，资金利用率明显提升。那个‘三层缓冲’框架特别实用，尤其是供应链瘫痪缓冲，以前从来没想过要预留，今年618准备试试。
我是电商运营，看完最大的感触是传统公式在大促前真的不靠谱。我们之前也依赖系统安全库存字段，结果发现填的数值根本覆盖不了促销增量。现在按照文章说的多情景预判，同时看保守、基准、乐观三个方案，配合安全补货窗口截止时间，至少不会盲目补货制造滞销了。那个补货有效性衰减曲线很直观，D+3之后补货就是送死。
做供应链管理的来说两句：补货提前期在大促期间的确是个失控变量，我们以前只关注日常3-5天，结果大促峰值冲到8-9天，安全库存完全没覆盖。文章提到的‘安全补货窗口’概念很实用，今年计划在系统里设置截止时间标签，超时自动停补。另外长尾款建议75%-85%服务水平也很合理，与其为15%的毛利死扛库存，不如把资金留给爆款。
财务视角来看：那个缺货损失和持有成本的对比图太真实了。我们公司以前不分SKU统一设95%服务水平，结果长尾款库存积压占用了大量现金流。现在按爆款、金牛、长尾分类做财务模型，爆款缺货损失每件58元，持有成本才5元，多备是划算的；长尾款缺货损失8元，持有成本7元，多备就是亏。数据一摆出来，业务部门也没话说了。
做数据分析的，深有同感：传统安全库存公式的三个隐含前提在大促下全崩塌。我们之前用历史标准差算出来的值，遇到流量脉冲直接失效。现在改用文章说的‘粗线条多情景’预判，流量系数从1倍到3倍分别算，至少不会出现预估偏差80%的惨剧。另外SKU按波动系数和爆发系数做四象限分类，比传统ABC分类更贴合大促场景，已经在系统里试跑验证了。