我在2023年接手了一个年销售额3.2亿的服饰电商项目，老板在会上拍着桌子说了一句话：“你们这帮人，要么让我缺货断流，要么让我压货吃土。”当时采购总监和运营总监互相甩锅，一个说预测不准，一个说备货太保守。我花了三个月时间，把这家公司6万多个SKU的库存数据全部拉出来，用双轴风险矩阵重新定位了一遍，结果发现了一个让人后背发凉的事实：这家公司有43%的库存资金，被压在“既不会缺货、也不会卖爆”的平庸SKU上，而真正需要关注的爆款和死款，只占了总SKU数的12%。这就是我今天要和你聊的核心，电商库存风险矩阵，它不是用来画四宫格装样子的，它是用来帮你做资金切割和决策排序的武器。
很多电商运营把库存风险矩阵理解成“预测哪个商品会卖爆、哪个会滞销”，这是根本性的误解。矩阵不做预测，它只做一件事：帮你在同一时间窗口内，识别出哪些商品正在吞噬你的现金流，哪些商品正在制造你的机会成本。
我自己的实操经验是，一个健康的电商库存结构，应该遵循“二八法则”的变体：20%的SKU贡献80%的销售额，但20%的SKU也可能吃掉80%的呆滞损失。双轴定位的核心，就是将缺货风险（机会成本）和呆滞风险（沉没成本）放在同一张图上，让你看清每个SKU的真实处境。
举个例子，我服务的那家服饰公司，在应用矩阵之前，采购部习惯用“安全库存法”做备货：所有SKU统一备45天库存。结果呢？爆款SKU经常断货，因为45天根本不够应对大促波动；而长尾SKU堆到100天以上，换季时直接变成废布。这就是典型的风险错配。矩阵解决的就是“什么样的SKU配什么样的库存策略”这个问题。
缺货风险不是“会不会断货”这种二元判断，它是“断货后，你损失了多少利润”的量化评估。很多运营把缺货率算成“断货天数/总天数”，这是错的。正确的算法应该是：缺货风险 = 缺货频次 × 缺货影响权重。
影响权重怎么算？我举个例子：一个客单价500元的爆款，日均销量100单，毛利率40%。如果断货1天，直接损失的就是100单×500元×40% = 2万元的毛利。但更可怕的是，断货后流量衰减、排名下降，恢复期可能长达3-7天，这段时间的累计损失可能达到15-20万元。而一个客单价50元的标品，日均销量10单，断货1天的损失只有200元毛利。同样是“缺货”，前者是灾难，后者是日常。
所以，缺货风险的评估，必须和“单品利润贡献”挂钩。我建议你做一个“缺货影响评分卡”：
| 日均销售额段 | 缺货1天损失（毛利） | 缺货7天累计损失（含流量恢复成本） | 风险等级 |
|---|---|---|---|
| 大于10万元 | 4万元+ | 30-50万元 | 极高（每日监控） |
| 1万-10万元 | 4千-4万元 | 3-30万元 | 高（每周监控） |
| 1千-1万元 | 400-4000元 | 3000-3万元 | 中（每两周监控） |
| 小于1千元 | 小于400元 | 小于3000元 | 低（每月监控） |
这个表格告诉我们：一个SKU的缺货风险，不是由“它会不会断货”决定的，而是由“它断货后我损失多少钱”决定的。
呆滞风险比缺货风险更容易被忽视，因为它的杀伤力是渐进的。很多人只知道“货卖不掉就亏了”，但不知道呆滞的成本结构有多复杂。我拆解过一遍：
我算过一个账：一件进货价100元的商品，如果堆在仓库12个月，实际上它的总持有成本（含仓储、利息、贬值）已经达到了145-160元。也就是说，你卖120元认为自己“保本”了，其实你亏了40元。
这个问题经常被讨论，但很少有标准答案。我的判断标准是：看你的品类和商业模式。
所以，没有绝对的标准答案，你需要根据你的品类特征，给缺货和呆滞设定不同的“风险权重”。
我见过太多人兴致勃勃地画了一个四象限矩阵，把商品分成了ABCD四类，然后就把这张图贴在墙上，再也不更新了。问题是，商品的生命周期每天都在变化。今天的爆款，明天可能因为竞品降价、用户审美变化而变成滞销款。一个静态的矩阵，在动态的市场面前毫无价值。
我自己的做法是：每周更新一次矩阵。具体来说，周一会拉出所有SKU的过去7天数据，重新计算缺货风险和呆滞风险，然后观察它们的位置变化。如果某个SKU从“高缺货、低呆滞”象限掉到了“高缺货、高呆滞”象限，说明它正在从爆款变成鸡肋，需要立刻调整策略。
很多人以为矩阵就是用来管理所有SKU的，这是大错特错。一个典型的电商店铺，SKU数量可能成千上万，但真正需要你关注的，只有那些“两头”的SKU，要么是贡献利润的爆款，要么是吞噬资金的死款。中间那些“平庸”的SKU，你不需要花太多精力。
我的经验是：用矩阵管理20%的SKU就够了。这20%的SKU，通常是销售额排名前20%的爆款，加上库存金额排名前20%的死款。剩下的80%可以直接用自动化规则管理，比如“库存低于3天销量自动补货”、“库存超过90天自动打折”。
缺货风险是一个概率，缺货事实是一个结果。很多人犯的错误是：用“过去30天是否断货”这个事实来定义“缺货风险”。这不对。一个SKU过去30天没断货，不代表它未来30天也不会断货。真正的缺货风险，应该基于“需求波动率 × 补货周期”来评估。
我举个例子：一个SKU日均销量10单，标准差是5单（波动率50%），补货周期是15天。那么，它的安全库存应该是多少？如果按“日均销量×补货周期”来算，是150件。但考虑到波动率，你需要用“日均销量×补货周期 + 1.65×标准差×√补货周期”这个公式（假设服务水平95%），算出来是150 + 1.65×5×√15 ≈ 150 + 32 = 182件。所以，它的缺货风险不是“会不会断货”，而是“库存低于182件时，你就有断货风险”。
很多文章画的矩阵都是四个象限，把商品分成“高缺货、高呆滞”、“高缺货、低呆滞”等四类。但现实情况是，很多商品会落在坐标轴上，或者非常接近坐标轴。比如，一个商品的缺货风险是6分（满分10分），呆滞风险是5分，它算什么？它既不是高缺货也不是高呆滞，也不是低缺货也不是低呆滞。
我的做法是：把矩阵从4个象限拓展到9个区域。用3分和7分作为分界线，把商品分成9类：
| 低呆滞（0-3分） | 中呆滞（3-7分） | 高呆滞（7-10分） | |
|---|---|---|---|
| 高缺货（7-10分） | 紧急补货区 | 优先处理区 | 危险品区 |
| 中缺货（3-7分） | 日常监控区 | 正常运营区 | 预警区 |
| 低缺货（0-3分） | 安全区 | 观察区 | 清仓区 |
9个区域，每个区域对应不同的处理策略，比4个象限精细得多。
很多人一听到“数据分析”就害怕，觉得要拉一堆数据，搞复杂的模型。我告诉你，不需要。你只需要三组数据：
把这些数据整理成一个Excel表格，每行是一个SKU，每列是一个指标。不需要多，20-30个SKU的表格，手工就能做。如果SKU超过1000个，建议用BI工具，但逻辑是一样的。
我前面已经讲过，缺货风险的公式是：缺货风险得分 = 缺货频次权重 × 缺货影响权重。
但在实际工作中，为了简化，我用的是一个更实用的公式：
缺货风险得分 = (1 – 日均库存满足率) × 日均销售额贡献度
其中：
这个公式的好处是，它把“缺货的概率”和“缺货的后果”结合在了一起。如果一个SKU的日均销售额贡献度很高，但它经常断货，那么它的缺货风险得分就会很高；如果一个SKU很少断货，但销售额贡献度很低，那么它的缺货风险得分就很低。
呆滞风险的公式更直接：呆滞风险得分 = 库龄系数 × 资金占用系数。
库龄系数我建议用以下分段：
| 库龄（天） | 系数 |
|---|---|
| 0-30天 | 0.1 |
| 31-60天 | 0.3 |
| 61-90天 | 0.5 |
| 91-120天 | 0.7 |
| 121-180天 | 0.9 |
| 180天以上 | 1.0 |
资金占用系数 = 库存金额 × 资金成本率 / 全店日均销售额。这个系数越大，说明这个SKU占用的资金越重，一旦滞销，对公司的现金流影响越大。
然后，呆滞风险得分 = 库龄系数 × 资金占用系数。得分越高，越需要警惕。
把每个SKU的缺货风险得分和呆滞风险得分算出来之后，用Excel的散点图就能画出矩阵。横轴是呆滞风险得分，纵轴是缺货风险得分。然后，把前面说的9个区域画出来。
我建议你不要用绝对的数值作为分界线，而是用百分位数。比如，把缺货风险得分的Top 30%定义为“高缺货”，中间40%定义为“中缺货”，底部30%定义为“低缺货”。呆滞风险同理。这样，不管你的店铺数据如何，你都能得到一个相对均衡的分布。
以下是针对9个区域的标准策略，我已经在实际项目中验证过：
| 区域 | 策略 | 具体动作 |
|---|---|---|
| 紧急补货区（高缺货、低呆滞） | 立即补货，不惜代价 | 联系供应商加急采购，提高安全库存，考虑涨价或限购来控制销量 |
| 优先处理区（高缺货、中呆滞） | 优先补货，控制库存 | 安排补货，但适当降低安全库存，避免库存过高 |
| 危险品区（高缺货、高呆滞） | 立即清仓，停止补货 | 打折促销，联系退款或换货，尽快清空库存，宁可亏钱也不要继续持有 |
| 日常监控区（中缺货、低呆滞） | 正常补货，监控波动 | 按常规补货周期操作，但注意销量波动，如果波动加大，自动升级到紧急补货区 |
| 正常运营区（中缺货、中呆滞） | 维持现状，定期检查 | 按常规补货周期操作，每周检查一次，确保不会滑向其他区域 |
| 预警区（中缺货、高呆滞） | 控制库存，减少补货 | 减少补货量，尝试促销，如果呆滞风险持续升高，考虑清仓 |
| 安全区（低缺货、低呆滞） | 维持现状，无需干预 | 几乎不需要管理，按系统自动规则操作即可 |
| 观察区（低缺货、中呆滞） | 观察，准备应对 | 关注呆滞风险是否上升，如果上升，准备清仓；如果下降，回归安全区 |
| 清仓区（低缺货、高呆滞） | 立即清仓，减少损失 | 打折、捆绑销售、赠送，尽快清空库存，避免继续持有 |
前面我建议用百分位数作为分界线，但百分位数不是固定的。随着业务变化，你需要动态调整。比如，在双11大促期间，缺货风险的整体水平会上升，你的“高缺货”分界线应该相应提高。在淡季，呆滞风险整体水平会上升，你的“高呆滞”分界线应该提高。
我的做法是：每个月重新计算一次分界线。根据过去30天的数据，重新确定Top 30%的阈值。这样，矩阵始终和当前业务节奏保持一致。
矩阵的价值不仅仅在于“当前定位”，更在于“移动轨迹”。如果一个SKU连续两周从“安全区”滑向“危险品区”，这就是一个强烈的预警信号。你需要立刻介入，找出原因。
我建议你每周做一次“轨迹分析”：把所有SKU的当前位置和上周位置做一个对比，标出那些移动了超过1个区域的SKU。然后，重点关注这些“移动者”。
矩阵不是给你一个人看的，是要给整个团队用的。你需要把矩阵映射成一套标准操作流程（SOP），让采购、运营、仓储各司其职。
比如：
这套SOP必须在30分钟内执行完毕。我见过太多公司，反应速度慢，等他们讨论完，库存已经断货3天了。
前面说的都是理论，接下来我讲一个真实案例。2023年，我帮一家做“网红小家电”的电商公司做库存优化。这家公司年销售额1.8亿，但库存周转率只有4次/年，呆滞库存占比高达35%。老板愁得不行。
我做的第一步，就是拉出他们Top 500个SKU的数据，画了双轴风险矩阵。结果发现：
发现这个结构后，我做的第一件事就是：把危险品区的23个SKU全部清仓。老板一开始不同意，觉得亏钱。我算了一笔账：如果继续持有，每个月仓储费、资金利息、贬值损耗加起来大约15万元。而清仓，虽然打折会亏掉约200万元，但一次性亏完，之后每个月能省下15万元，而且释放了560万元资金。
最终，老板咬牙同意了。清仓完成后，我们立即把释放出来的资金投向了紧急补货区的15个爆款，扩大了它们的采购量。结果，这些爆款的销售额在3个月内增长了40%，不仅弥补了清仓的亏损，还实现了盈利。
半年后，这家公司的库存周转率从4次/年提升到了8次/年，呆滞库存占比从35%降到了15%。整个过程，矩阵的核心贡献就是：帮我们看清了哪些SKU在“吸血”，哪些SKU在“造血”，然后把资金从“吸血者”身上抽出来，喂给“造血者”。
最后，我想说一句：库存风险矩阵是你手里的一把刀，但刀本身不会切菜，拿刀的人才会。矩阵的价值，不在于它画得多漂亮，而在于它之后的一系列动作：清仓、补货、调价、促销、协调供应商。
我见过太多人，沉迷于画矩阵本身，每周花几个小时更新数据，但矩阵画完之后，就放那里了。没有行动，矩阵就是一张废纸。
所以，我的建议是：从今天开始，花30分钟去拉你的Top 20 SKU的数据，画一个简单的矩阵，然后问自己三个问题：
回答完这三个问题，你就已经比90%的电商运营走得更远了。剩下的，就是用行动把矩阵变成你的决策工具，而不是装饰品。
我做电商三年了，一直用ABC分类法管库存，但爆款断货和滞销压货的问题还是反复出现。听人提过双轴矩阵，但具体是什么？为什么说它比ABC更好用？
双轴定位就是把每一个SKU放在一个二维坐标系里：横轴是缺货风险（比如缺货频次×单次缺货损失金额），纵轴是呆滞风险（比如库龄系数×资金占用系数）。传统ABC分类只按销售额或毛利一刀切，忽略了‘爆款也可能呆滞’和‘慢销品也可能缺货’的极端情况。
我去年用ABC管一款冬季爆款棉服，按销售额划为A类，结果因为市场突然降温导致销量下滑，库存压了3个月变成呆滞品，亏了十几万。如果用双轴定位，在爆款期它处于高缺货低呆滞，但一旦销量增速放缓，风险点就会向右上角移动，系统会提前预警。双轴的本质不是分类，而是动态扫描每个商品的真实健康度。
我用Excel做过一个简易版：对每个SKU计算缺货风险分（缺货次数×预估损失）和呆滞风险分（库龄/30×进货成本/1000），然后以中位数为界画四象限，半年内把库存周转率从2.8提升到了4.1。关键在于它让‘看不见的隐患’可视化。”
看了很多文章都只讲四象限的概念，但具体怎么算分数？缺货风险怎么量化成数字？我怕自己算错，有没有实战过的简便公式？
我踩过坑后总结了一套可落地的评分卡。缺货风险分 = 过去30天缺货次数 × 平均单笔订单利润 × 缺货影响系数（占该品总销量的比例）。比如一个爆款耳机，过去30天缺货6次，平均利润25元，占该品类销量40%，则缺货风险分=6×25×0.4=60分。
呆滞风险分 = 库龄天数/30 × (库存金额/日均销量)/100。库龄超过180天的商品，资金占用系数自动乘2。我建了一张评分卡，直接给运营和采购用：缺货分>50且呆滞分50标记为‘清仓’；两个都高于50就是‘危险三角区’，必须立即开评审会。
这个评分卡我用Power BI搭了自动化看板，每天凌晨刷新，第一次跑的时候发现一个占SKU 3%的冷门配件竟然在危险三角区，因为它偶尔缺货但一旦缺货就逼停生产线，同时仓库又积压了大量旧批次。按照评分卡建议，我们把它的安全库存从15天提升到45天，同时淘汰了劣质供应商，单这一项省了8万呆滞成本。
具体公式可以灵活调参，但核心逻辑是：分数要反映‘机会成本’和‘沉没成本’的博弈。”
同一个商品，刚上架和变成爆款时库存风险完全不一样。双轴矩阵是固定的还是能动态调整？我该怎么针对不同阶段切换管理动作？
静态矩阵是死路。我踩的坑是把新品按‘高缺货风险’管，结果第一批货还没入库就标了预警，导致采购过量直接变成呆滞。后来我把商品生命周期拆成三段：新品期（0-30天），爆款期（稳定复购），尾货期（销量下滑超20%）。每个阶段参数不同。
新品期：缺货风险权重降到零点三（因为测款阶段允许断货），呆滞风险权重提到零点七（因为一旦不能快速转化就是死货）。我定过一个规则：新品首周转化率低于2%自动进低风险象限，但库存超过30天未动销的强制打折清库。爆款期：缺货风险权重提到零点八，呆滞降为零点二，并且把安全库存系数从1.5调到2.0。
去年双十一前我发现一个爆款护手霜的缺货分持续走高，但呆滞分很低，我判断是供应链跟不上了，没盲目补货，而是上线了预售和限购通知，同时联系备用工厂加单。结果双十一当天销量翻倍，缺货损失控制了10%以内。
尾货期：把呆滞风险权重拉满，缺货风险忽略（因为不需要再补货），系统自动触发清仓动作：先按成本八折、再按五折，同时考核清仓速度和资金回笼率。这套动态调参的核心是：每一个商品在生命周期里，它在矩阵中的位置是流动的，我们要做的是预设每个阶段的‘触发阈值’和‘标准动作’。”
理论上理解了双轴矩阵，但团队执行时很混乱。我需要一个可以照做的SOP以及用什么工具最简单？Excel能行吗还是必须上BI？
我用Excel跑过半年，后来换了九数云（因为我公司用帆软的产品免费版），但核心逻辑通用。落地分为三步：第一，数据准备。拉出至少连续90天的日均销量、当前库存量、库龄、采购提前期、最近30天缺货次数。把这些字段做成一张明细表。第二，计算风险分。
用我上面给的公式在Excel里加两列，再用条件格式生成散点图，每行就是一个点。我每周一更新，固定时间开会过风险最高的20个SKU。第三，制定SOP表格。我设计了一张‘风险响应表’，包含：SKU名称、当前象限（高缺低呆、低缺高呆、双高、双低）、建议动作、负责人、完成时限。
比如双高象限的动作是：停止补货并启动价格测试，同时通知PMC确认是否有类似替代品，七日之内必须给出清理计划。我落地时遇到的最大坑是数据更新不及时，有一次销售数据滞后两天，导致一个爆款被误判为呆滞。解决方案是把数据源改成实时API，用九数云的定时任务每天凌晨三点自动拉取。
另外要培养团队‘看数据、做动作’的习惯，我强制要求采购和运营每天花10分钟看仪表盘上的风险象限变动，连续两周养成惯性。如果你只有十来个SKU，Excel完全够；
如果你有上千个SKU，建议用BI工具（免费的Power BI Desktop或者帆软九数云都可以），关键是要把计算公式和响应SOP固定下来，而不是靠人脑记忆。”
读者评论
文章提出的双轴风险矩阵非常实用，从量化角度帮助区分SKU的资金占用和决策优先级。尤其是对“平庸SKU”的识别很有启发，但每周更新矩阵对数据基础和团队执行力要求较高，小卖家可能需要先聚焦核心SKU。
缺货风险和呆滞风险的平衡一直是电商库存的痛点。文中用缺货影响评分卡和呆滞成本分解清晰揭示了隐性损失，特别是库龄系数的引入让资金成本可视化。不过实际应用中波动率数据难以精确，建议结合行业经验调整阈值。
区细分比传统四象限精细很多，但手动计算所有SKU的缺货和呆滞得分工作量巨大，且库龄系数分段是否通用也有待验证。对于品类波动大的商家，动态权重可能比固定系数更准确，否则容易模型失真导致误判。