安全库存算得越精细，仓库就一定越安全吗？未必。某个 SKU 平均每天出库 20 件，如果只用“平均日需求 × 固定备货天数”设库存，促销时可能连续缺货，淡季却压着一批货。真正决定安全库存是否有效的，不是公式有多复杂，而是能否区分需求波动、交期波动、缺货造成的需求漏记，以及每种商品值得承担的服务水平。
我判断一套安全库存管理是否站得住脚，通常先问三个问题：需求波动有多大，补货交期有多不稳定，缺货对业务造成的损失有多高。前两个问题决定需要多大的缓冲，第三个问题决定企业愿意为多高的供货保障付出多少库存成本。
因此，安全库存不是给所有 SKU 统一加上 7 天、15 天或一个固定比例。它应该是对供应期间需求不确定性的量化补偿。若商品日需求稳定、交期可靠，缓冲量可以小；若需求间歇且供应交期常延误，缓冲量通常要更谨慎，但也不能不加区分地无限增加。
我的核心判断是：先识别波动来自哪里，再决定库存缓冲落在哪里。只看需求标准差会漏掉交期风险，只看平均交期会掩盖供应商的不稳定，只看库存金额则会把高价值但低缺货损失的商品与关键配件混在一起。
在需求与交期相互独立、日需求近似稳定、交期以天计的情形下，可以先用以下公式建立基线：安全库存约等于服务水平对应的 Z 值乘以“交期内需求标准差”；交期内需求标准差可估为日需求标准差乘以平均交期平方根，与平均日需求乘以交期标准差平方根的组合。
写成常见形式为：SS = Z × √(L × σd² + μd² × σL²)。其中，SS 是安全库存，Z 是目标服务水平对应的标准正态分位值，L 是平均交期，σd 是日需求标准差，μd 是平均日需求，σL 是交期标准差。再订货点则可先写为：ROP = μd × L + SS。
这组公式的价值不在于给出一个“绝对正确”的库存数，而在于迫使团队把需求与供应两类波动分开。实际需求若存在明显促销尖峰、间歇性出库、季节性或缺货截断，不能不加检验地套用正态近似。公式给出的是起点，数据口径和适用边界决定结果能不能执行。
单看库存金额，容易鼓励压货；单看缺货率，容易鼓励过量备货。我建议把指标分成三层：结果层看服务水平、缺货损失和库存占用；驱动层看需求波动、交期波动和预测偏差；执行层看补货建议采纳率、供应商准时足量交付率，以及异常调整的原因完整率。
这三层要能互相解释。库存增加而缺货改善，可能是合理的；库存增加、缺货不变且呆滞上升，则需要追查补货参数或需求识别。若报表只能显示一个安全库存数量，却说不清数量为何变化、哪种波动导致变化，管理者仍然是在凭感觉审批。
仓库系统里的出库量常被当作需求量，但两者并不总相等。商品断货时，客户可能转买替代品、延后订单或直接流失；系统只记录实际发出的数量，不会自动记录那些没有成交的需求。此时用历史出库量计算均值和标准差，会系统性低估真正的需求，之后安全库存越算越小，缺货又进一步压低记录需求，形成负反馈。
促销、组合销售、项目备货和渠道压货也会改变出库的含义。某次大额出库可能是终端消费，也可能是经销商提前囤货；两者对未来补货的解释完全不同。若把所有出库峰值都当成常态需求，模型就会把一次性事件永久写进库存参数。
我通常要求至少给需求数据加上事件标签：正常销售、促销、项目订单、退货重发、内部领用、库存调整。并非每家公司都能立刻做到细粒度归因，但至少要把异常区间标出来，避免模型把异常值当作日常规律。
采购单上的承诺交期，不一定等于商品可用的实际交期。实际流程可能包括审批等待、供应商备货、运输、到货检验、上架和质检冻结。若需求计划只使用供应商口头承诺的 5 天，而从下单到可拣货的中位数实际为 9 天，安全库存表面上很科学，实际却少算了关键环节。
交期统计要统一起止点。例如从采购申请批准日开始，还是从采购订单下达日开始；到货日是车辆签到、收货完成，还是质检放行。不同定义算出的交期分布会明显不同。对于易腐、受检验影响大或跨境运输商品，“到仓”与“可用”之间的差值尤其不能忽略。
还要区分平均交期与交期尾部。供应商多数时候 6 天到货，少数订单拖到 18 天，平均值可能看起来尚可，但尾部风险足以造成严重缺货。关键商品可以额外监测 P90 或 P95 交期，而不是只用平均数概括全部供应表现。
日出库、周预测、月度预算和季度采购合同经常并存。若 SKU 的需求明显按周集中，例如每周一集中发货，却用日均值和日标准差计算，结果可能把周内结构抹平。反过来，数据粒度过粗，会看不到短期促销和供应中断的变化。
我的处理原则是：先选与补货决策周期相匹配的粒度，再做聚合。若每周评审一次补货，就要核对周需求分布与周内峰值；若每天补货，则需要足够干净的日级记录。关键不是“粒度越细越好”，而是决策周期、数据记录周期与指标口径一致。
在计算前，我会把以下口径写成一页可复核的说明，避免业务、采购、仓储和财务各自使用不同定义。口径没有统一之前，模型之间的差异常被误认为算法差异。
固定备货天数便于沟通，却把需求稳定性、交期稳定性、缺货损失和商品生命周期压成一个数。两个平均日需求都是 10 件的 SKU，一个每天稳定出库 9 至 11 件，另一个经常零出库、偶尔一次出 60 件。它们的均值相同，风险结构不同，使用相同缓冲天数自然不合理。
固定天数可以作为起始规则或紧急情况下的临时约束，但应明确它适用于哪些品类、在什么周期复核、触发何种异常后失效。没有复核机制的“临时值”，往往会在系统里变成永久规则。
服务水平越高，通常需要越多缓冲库存，而且边际库存成本会逐渐上升。对低价值、缺货可替代、缺货损失有限的商品，把周期服务水平从 95% 提到 99%，未必能带来相称收益；对停线配件、关键维修件或高违约损失商品，较高目标则可能有商业理由。
还有一个常被忽略的区别：周期服务水平与满足率不是同一个指标。周期服务水平衡量一个补货周期内是否发生过缺货；满足率衡量需求数量中有多少得到及时满足。团队若只说“服务水平 98%”，却没有说明口径，跨部门讨论常常各说各话。
对每天都有销量的快消品，均值和标准差往往能提供有用信息。对每月只卖几次的低频零件，需求分布有大量零值和少数大单，简单正态近似可能生成不合逻辑的缓冲量。此类商品需要先判断需求是否间歇，再考虑按需求发生间隔、单次需求规模或关键性制定规则。
对于低频高价值商品，我不会因为需求标准差大就机械地堆货。应进一步核对替代件、维修时限、供应商紧急供货能力、订单失效概率和停机损失。模型只能指出不确定性，不能代替业务选择。
促销期的需求峰值若被当作常态，活动结束后库存很可能转成呆滞。相反，如果促销完全从历史里剔除，却没有建立活动预测与专项备货流程，活动期间又会缺货。正确做法不是一概删除异常，而是识别异常属于可重复活动、不可重复订单还是数据噪声，并决定单独管理还是并入常态模型。
对于可预测的促销，常态安全库存和活动增量最好分开看。这样活动结束时，团队可以清楚识别哪部分库存是日常缓冲，哪部分是活动备货，避免下一轮参数计算把一次性峰值延续下去。
账面库存包含的状态可能很多：在库、冻结、质检中、已预留、待移库、过期或损坏。若所有数量都参与再订货判断，系统可能显示库存充足，仓库却无法发货。反之，已确认在途若完全不纳入未来供给，也可能导致重复下单。
我倾向于至少同时展示账面库存、可用库存、已分配量、可靠在途量和预计缺口时间。对在途的判断要有到货可靠性，不能把未确认的采购订单按百分之百供给计算。
模型若给出 3.7 件安全库存，而最小包装量为 12 件、采购周期为两周、供应商只接受整箱订购，最终执行结果一定要经过约束处理。若系统展示小数点后的“精确值”，却没有解释包装、起订量和采购频率如何影响订货量，精度只是表面上的。
因此，参数评审要把统计建议与供应约束分开列示：模型建议值、执行取整值、供应限制、人工调整原因。否则业务人员看到库存偏高时，很难判断是模型失效还是采购条件导致。
我不会一拿到数据就开始算标准差。先检查缺失日期、重复单据、负数出库、退货抵扣、单位换算和库存为零期间的订单记录。若一个商品从箱切换为件，但历史记录没有统一换算，需求均值和波动都会被放大或缩小，模型再复杂也无法补救。
至少要做三类检查：时间序列是否连续，需求是否出现不合理尖峰，出库变化能否与订单、促销或库存状态对应。对异常值不要一律删除，应把原值、修正值、修正原因和责任人留档。这样后续复算时，团队知道参数变化是由业务变化还是数据治理造成。
把日需求序列和供应交期序列分开计算。需求侧关注均值、标准差、变异系数和季节性；供应侧关注平均交期、标准差、准时率和长尾延误。变异系数等于标准差除以均值，可用于初步比较不同销量规模商品的相对波动，但当均值很小或大量为零时，它会不稳定，不能单独用于分级。
交期也要按供应商、采购方式、运输路线或生产工厂拆分。把所有供应渠道合成一个平均交期，可能掩盖某一渠道的严重不稳定。若一件关键商品有本地快速供应和海外慢速供应，库存规则应反映真实采购路径，而不是仅使用主数据中的一个笼统天数。
我建议至少用两个维度做初筛：需求价值或缺货影响，以及需求波动特征。也可以加上供应风险、保质期、替代性和生命周期。ABC 分类回答“影响有多大”，XYZ 或波动分类回答“需求有多难预测”。两者交叉后，库存策略才会更接近实际。
| 商品特征 | 优先关注 | 建议策略 | 复核频率 |
|---|---|---|---|
| 高价值、需求稳定 | 资金占用与预测偏差 | 较高数据质量要求，按周期补货，严格审查参数变化 | 每月或每个补货周期 |
| 高价值、需求波动大 | 现金风险与缺货损失 | 结合订单情报、替代方案和供应弹性，人工复核模型建议 | 每周观察，月度正式评审 |
| 低价值、需求稳定 | 操作效率与补货频次 | 采用简化规则，关注包装量与采购批量 | 每季度复核 |
| 低频、间歇或生命周期短 | 呆滞、过期和一次性需求 | 单独识别低频需求，优先按订单、替代件或关键性管理 | 按事件触发复核 |
服务水平不是越高越好，而是一个经营取舍。提高目标会增加库存持有成本、仓储占用和过期风险；降低目标则可能增加加急运输、订单流失、停线或违约损失。判断时，我会要求业务方明确“缺货一次的代价是什么”，而不是只给出一个没有成本依据的百分比。
适合的比较方式是做情景测算：例如目标从 90% 调到 95%，预估增加多少库存资金、减少多少缺货次数；从 95% 调到 98%，边际改善是否仍值得。对关键商品，缺货损失可能远超持有成本；对可替代的普通商品，继续提高保障率可能并不经济。
基础公式通常假设需求与交期相互独立，且数据分布可用均值和方差描述。现实中促销会推高需求，同时供应商也可能因旺季延误；这时两者可能相关，简单平方和公式会低估联合风险。若相关性明显，应进行历史情景回放，或用模拟方式估计交期内需求分布。
对于有明确季节性的 SKU，应该先剥离趋势或使用分季节参数；对于交期跨越节日、停工期或长假，需要单独构造日历场景。模型不能把春节前后、旺季和普通周当作同一种环境。
我更关心模型在历史滚动窗口中的表现，而不是模型对历史数据拟合得多漂亮。可以按月或按补货周期回测：只使用当时可获得的数据生成参数，再观察随后期间发生的缺货、库存峰值、积压和加急采购。若用了未来信息再回头预测过去，结果会过于乐观。
回测至少比较三类结果：服务指标是否改善、平均库存和峰值库存是否合理、异常调整是否变少。模型若降低缺货却把库存翻倍，需要进一步评估是否符合经济目标；若库存下降但缺货明显增加，则要判断是目标设定不合理还是数据失真。
下面用一组情景模拟数据演示判断过程，不代表任何企业的真实经营结果。假设某配件平均每天需求 20 件，日需求标准差 4 件，平均实际可用交期 8 天，交期标准差 2 天。团队希望先以 95% 周期服务水平作为试算目标，对应 Z 值约为 1.645。
按需求与交期独立的近似假设，交期内需求标准差约为 √(8×4² + 20²×2²)，即约 42.1 件；安全库存约为 1.645×42.1，约 69 件。平均交期需求为 20×8，也就是 160 件，因此试算再订货点约为 229 件。
这不是一个应该直接写入系统的最终答案。计算结果说明：在这个情景里，交期波动对安全库存的贡献明显大于日需求波动。如果团队只通过改善需求预测来降低库存，收益可能有限；若能把交期标准差从 2 天降到 1 天，供应侧稳定性改善可能更直接。
保持平均日需求、日需求标准差和平均交期不变，只把交期标准差从 2 天降为 1 天，交期内需求标准差约为 √(8×4² + 20²×1²)，即约 23.1 件；按同一服务目标估算，安全库存约为 38 件，再订货点约为 198 件。
这组对照说明，交期波动降低一半，安全库存不一定也降低一半，因为需求本身仍然有波动；但安全库存估算值从约 69 件降至约 38 件，差异足以值得业务团队关注。若改善供应可靠性的成本低于持续持有这部分额外库存的成本，优先改善交期可能比单纯提高预测精度更划算。
反过来，如果供应商改善交期需要支付高额加急费，或必须更换成本明显更高的采购渠道，就不能只看库存下降量。要把服务改善、库存资金、加急费用和供应商切换风险放进同一决策表里比较。
再假设某商品在 10 天内有 3 天断货。系统记录的出库量是 170 件，但未满足订单和取消订单核查后，估计实际需求为 215 件。若直接把 170 件用于需求均值估计，日均需求会被压低；后续按低需求计算的再订货点又会减少，下一轮更容易缺货。
真实项目中，未满足需求未必能完整还原。可以从缺货订单、取消原因、客户询单、替代品销售变化和历史断货时段交叉估计，并给估计值标注可信度。做不到精确补记时，宁可把这类 SKU 标成“受缺货截断”，先用区间分析，不要假装历史销量就是完整需求。
为了让库存调整可追溯，我建议每次参数变化都保留六项信息：旧参数、新参数、需求窗口、交期样本、变化原因、业务审批结论。比如“安全库存由 52 件调整为 68 件”，不能只写“系统建议”，而应说明是日需求波动增大、供应商交期尾部延长，还是服务目标上调。
若使用九数云这类数据分析平台做库存分析，较适合的切入点是把订单、库存、采购到货和供应商记录按 SKU 与时间维度整理，再用看板呈现需求波动、交期分布、可用库存、缺货和资金占用之间的关系。实际能否完成自动连接、刷新频率如何、哪些数据源需要额外配置，应以企业的数据环境和平台当前能力为准，不能把看板本身当成数据治理。
我会先挑一小组高影响 SKU 试跑，而不是一开始就覆盖全仓：选择数据相对完整、缺货或积压有明确成本、采购流程能追溯的商品；先统一口径，做历史回测，再把参数建议与人工审批并行一段时间。分析平台的价值在于缩短追因和复核时间，不是替代采购负责人判断供应商现实约束。
如果需求和交期都稳定，缺货损失不高，没必要立即建设复杂模型。先确认可用库存和在途口径正确，计算基础均值、波动与再订货点，再按月或补货周期复核。对这类 SKU，改善主数据、减少人工重复下单，可能比增加模型参数更有价值。
简化规则也应设置异常触发条件。例如连续两期实际需求明显超过预测、供应商交期超出历史 P90、库存覆盖天数突然下降，就触发复核。规则稳定不等于规则永远不变。
此类商品的关键不一定是多买，而是找出交期不稳定发生在哪个节点：供应商排产、运输、报关、收货检验还是审批延迟。按订单拆解节点耗时后，才能判断是提高安全库存、调整下单提前期，还是更换采购方式。
如果交期波动来自供应商，建议同步跟踪准时足量交付率、交期 P90、部分交付率和异常原因。供应商承诺交期写得更短，并不代表实际供应改善；应以可用库存时间而非承诺时间作为最终验证。
对促销驱动或订单驱动商品，常态需求模型不能独自承担活动备货。应建立活动日历、预售订单、历史活动响应和取消率记录，形成活动增量预测。常态安全库存用于应对日常不确定性，活动库存则按单次事件单独审批和复盘。
若销量波动来自客户项目，优先用已确认订单、项目阶段和交付计划更新需求，而不是用历史峰值永久抬高安全库存。项目取消或延迟时，还要设计库存回收、转用或供应商取消采购的机制。
双高波动商品最容易陷入“缺货就加库存、库存高又要求降库存”的来回拉扯。我会先按缺货损失与资金占用挑选少量 SKU，建立滚动周报：需求预测偏差、交期分布、未来可用量、服务指标、呆滞风险和人工调整记录都要同时展示。
试点期间可保留人工审批，但审批必须写原因代码，例如促销、供应商异常、项目订单、数据修正或管理层服务目标调整。若所有参数变化都依靠自由文本备注，后续难以统计哪些调整有效、哪些只是重复补救。
低频高价值商品不适合仅按统一服务水平自动补货。可以设置替代件清单、紧急采购时长、关键设备覆盖范围和持有上限；无需求期间不一定保持固定数量，也可以按关键性、维修时限和供应能力建立例外审批。
保质期短或生命周期快结束的商品，还应将过期与清仓风险纳入策略。提高服务水平带来的缺货改善，不应掩盖报废成本增加。某些商品采用较低常态库存、可靠快速补货或客户确认后采购，整体成本可能更优。
比起直接上线一套全自动参数，我更建议按以下步骤推进。每一步都留有暂停和回滚条件，避免错误口径被自动化放大。
服务水平从低位提升时，增加一些库存可能就能显著减少缺货；接近极高服务水平后，再提升一个百分点可能需要更多缓冲。这个边际成本取决于需求分布、交期长短、供应可靠性和商品价值，不能用统一比例判断。
因此，库存会议最好展示“服务目标，预估库存，缺货风险，资金占用”的多档情景，而不是只给出一个系统推荐值。管理者可以据此明确选择：为了少量服务改善，是否愿意承担额外资金和呆滞风险。
增加安全库存买的是缓冲时间，改善供应可靠性买的是更稳定的补货能力。前者通常能快速执行，但增加资金占用；后者可能需要供应商协同、运输优化或合同调整，见效较慢，却可能降低长期波动。两者不是非此即彼，关键是比较持续成本和风险是否可转移。
若供应中断来自不可控区域事件，库存缓冲可能仍是必要保险；若延误主要来自采购审批和仓库收货排队，堆库存可能掩盖内部流程问题。先定位波动来源，再决定用库存还是流程改善对冲。
差异化参数能提高贴近业务的程度，但规则过多会提高维护成本，造成同类商品各自为政。我的做法是设“默认规则 + 例外规则”：大多数 SKU 走标准流程，只有缺货影响高、需求间歇、保质期短、供应长尾明显或生命周期特殊的商品，才申请例外。
例外不能只存在于某个分析师的表格里。需要说明生效范围、责任人、到期日和复核条件。若某个例外规则长期没有复核，应检查它是否仍有业务理由，避免特殊设置无期限累积。
自动计算可以减少重复劳动，也能让参数按周期更新；但在数据缺陷尚未清理、异常需求没有标签、供应商交期不可靠的阶段，自动化会快速复制错误。优先自动化口径稳定、逻辑清晰的部分，把异常诊断和高影响 SKU 的审批留给人。
我尤其不建议一开始就用“模型建议”替代审批责任。更稳妥的方式是记录模型建议、人工修改和最终结果，经过多个周期验证后，再逐步扩大自动采纳范围。自动化的成熟度应由回测和异常处理能力决定，而不是由工具是否支持自动刷新决定。
周转率可以反映库存运行效率，但单独优化周转率可能鼓励降低备货，进而牺牲服务；单独优化满足率则可能导致库存持续膨胀。建议至少并列观察满足率或周期服务水平、平均库存金额、缺货损失、过期报废、加急费用和库存周转天数。
如果缺货损失没有可靠估算，可以先分级记录：停产或违约、高优先级订单延误、普通订单延期、可替代销售。精确货币化不是开展管理的前提，但至少要让不同缺货后果不再被同一个缺货次数指标掩盖。
指标名称相同，不代表计算方式相同。库存团队应为每个核心指标定义公式、时间窗口、分子分母、数据来源、更新频率和责任人。例如，缺货率是按缺货 SKU 数量计算，还是按缺货订单行计算；准时率是按承诺日期还是采购订单原始日期计算，都需要明确写清。
| 指标层级 | 建议指标 | 回答的问题 | 常见误读 |
|---|---|---|---|
| 服务结果 | 周期服务水平、订单行满足率、缺货持续时长 | 库存是否支持了客户或生产需求 | 把服务水平与满足率当成同一指标 |
| 库存结果 | 平均库存金额、库存周转天数、过期与呆滞金额 | 保障服务付出了多少库存代价 | 只看期末库存，忽略周期内峰值 |
| 需求驱动 | 预测偏差、需求标准差、变异系数、异常需求占比 | 安全库存变化是否由需求变化导致 | 在均值接近零时直接比较变异系数 |
| 供应驱动 | 平均可用交期、交期 P90、准时足量交付率 | 补货风险来自哪个供应环节 | 仅用供应商承诺交期代表实际交期 |
| 执行质量 | 建议采纳率、人工改动率、改动原因完整率 | 模型建议是否被理解并合理执行 | 把高采纳率误认为模型准确 |
日常监控适合发现异常：库存覆盖天数骤降、缺货订单增加、交期超出阈值、预测误差扩大。正式复核则用于重算参数和调整目标，频率可以按商品重要性设置。不要每天重算所有参数，也不要一年才看一次明显波动的关键商品。
为避免频繁小幅调整导致采购信号抖动，可以设置参数变更门槛，例如波动指标连续两个周期超阈值才调整，或只有变化超过一定比例才提交审批。具体门槛应通过历史回测确定，不能照搬通用数值。
人工调整不是问题，无法解释的人工调整才是问题。每次偏离模型建议，都应选择原因并记录证据，例如已知促销、客户项目、供应商停产通知、一次性大单、质量冻结或数据修正。后续可以统计哪些人工判断改善了结果，哪些反而造成超储。
若团队长期依赖同一位采购员记忆供应风险，知识就会随人员变动而丢失。把供应商异常和商品例外规则结构化，不仅有助于模型校准，也能让仓储、采购和财务围绕同一份事实讨论。
库存看板最有用的不是红黄绿状态，而是让使用者能够从异常点下钻到原因：哪个 SKU 缺货，缺的是哪个订单；预计到货何时可用；过去交期分布怎样；需求尖峰是否有促销或项目标签；当前安全库存由哪项参数推动。
以九数云这类数据分析平台为例，设计分析页面时，我会优先考虑“异常清单，SKU 详情，原因证据，处理动作”的阅读路径。先让管理者找到需要处理的商品，再显示需求和交期变化，最后记录决定是加库存、催交、改供应源还是修正数据。图表再多，如果不能导向具体动作，就只是展示层。
每个试点周期结束后，至少回答五件事：服务表现是否变化，库存金额和峰值是否变化，缺货损失或加急费用是否变化，异常人工改动是否减少，数据质量问题是否更容易定位。若服务改善但资金占用明显上升，要看是否符合预先设定的经营目标；若库存下降且缺货增加，则要查清是目标过低还是需求记录不完整。
试点不必追求每个指标都改善。企业的取舍本来就可能是接受少量普通订单延期，换取显著降低呆滞库存；或接受较高库存，保障关键生产配件。重要的是在上线前说清楚目标和边界，复盘时不要只挑对自己有利的指标。
仓库安全库存管理的关键，不是找到一个适用于所有商品的神奇系数，而是建立一条可验证的判断链：需求数据是否接近真实需求，交期是否从正确节点计算，波动来自需求还是供应，目标服务水平是否匹配缺货损失，最终参数是否通过回测并能被采购执行。
如果只能带走一个观点，我建议记住这一句：安全库存应对的是不确定性，不能代替需求预测、供应改善和数据治理。当缺货由订单漏记造成时，加库存只是掩盖；当交期长期失控时，加库存可能只是替供应商的不稳定买单；当促销峰值被当成常态时，模型会把短期事件变成长期积压。
从小范围验证开始，往往比一次性追求全自动更快得到可信结论。用需求波动支撑指标体系判断，最终不是为了让报表看起来更专业，而是让每次增库存、降库存、催交或调整目标，都能回答“为什么、代价是什么、如何复核”。
读者评论
文中把实际出库和真实需求区分开来很关键。我们有些商品断货时会转买替代品，历史出库看着不高，补货参数却因此越调越低。若能把缺货订单和替代情况补录，需求判断会更可靠。
交期口径确实容易被忽略。采购系统里的到货日期不等于质检放行日期，按前者算出来的库存缓冲可能偏小。建议同时看从下单到可用的实际交期，以及较长交期的订单占比。
服务水平和满足率分开解释很有帮助。我们以前只看一个“达成率”，周期内缺过一次货和少量订单没满足混在一起，难以判断是否要加库存。按商品缺货损失分层设目标，比全品类统一提高库存更合理。