做了 7 年电商库存管理，我见过太多店铺死在不该死的地方：不是产品不行，不是流量不够，而是备货备错了。有一个做家居日用的卖家，月销稳定在 50 万，利润率也不错，但年底一盘货，发现光滞销库存就占了 40 多万的现金流。他的问题不是不会卖，而是每次备货都靠感觉，大促前凭直觉多备 30%，结果活动只跑了预期的六成，剩下的货堆在仓库里吃灰半年。这篇文章不打算讲那些谁都看得懂的「库存很重要」「备货要科学」的大道理，而是把过去几年我亲自测算、亲自踩坑、亲自验证过的备货预测方法拆给你看，核心回答一个问题：电商店铺的备货数量，到底怎么算才靠谱？
很多人以为备货预测是「算出未来卖多少」，这是一个根本性的误解。你算得再准，也不可能预料到平台流量波动、竞品突然降价、某个达人视频爆了、或者供应商发货延迟。真正的备货预测，不是追求「预测得准」，而是追求在两个坏结果之间找到最优平衡点，备少了缺货丢单，备多了积压压钱。
这个平衡点，取决于三个变量：补货周期、需求波动、以及你愿意承担多大的缺货风险。补货周期是硬约束，供应商说 15 天到货就是 15 天，你改变不了；需求波动是事实，你可以通过历史数据去测量它；而缺货风险，是一个经营决策，你是宁愿承担断货的损失，还是宁愿多压一点库存？这个选择没有标准答案，但必须有意识地做。
市面上很多高阶预测工具动辄谈机器学习、神经网络、深度学习，听着很厉害，但中小卖家的 SKU 数量、数据质量、团队执行力根本撑不起这套东西。你一个月销 3000 件的店铺，历史数据只有一年多，中间还有各种促销、刷单、断码、换季因素干扰，喂给再厉害的模型也是垃圾进垃圾出。
我的建议是：先用手工 + Excel 跑通逻辑，再谈上系统。手工跑通的意思是，你能够清晰地回答三个问题，安全库存设多少、补货点在哪里、每次采购量怎么定。把这三个问题搞清楚，比直接买一套系统有用十倍。系统只是工具，它不会替你思考，更不会替你承担判断的后果。
先看一组我在服务过的 50 多家电商店铺中总结的数据观察：采用纯经验备货的店铺，平均缺货率在 18%-25%，平均滞销库存占比在 20%-35%；而采用基础数据模型的店铺，缺货率可以压到 5%-8%，滞销库存占比降到 10% 以下。这组数据不是来自某一家权威机构，而是我过去几年服务客户时记录的内部统计。它的意义不是给你一个精确数字，而是告诉你：经验和数据之间的差距，远比你想象的大。
拍脑袋备货最大的问题不在于「判断错了」，而在于你永远不知道自己错在哪里。销售数据、库存数据、采购数据散落在各个表格里，没有形成闭环。你上个月的备货决策是成功还是失败？缺货是因为补货慢了还是需求涨了？积压是因为需求跌了还是采购多了？这些问题，没有数据连接就没有答案，没有答案就没有改进。
备货预测不是一个独立的数学问题，而是嵌入在某一个具体生意里的运营问题。脱离生意背景去谈公式和模型，就是耍流氓。同样是预测下个月卖多少，做服装的和做五金的标准件是完全不同的逻辑。服务的店铺多了之后，我发现一个基本规律：备货预测的复杂度和产品的需求稳定性成反比。需求越稳定的产品，越可以用简单模型；需求越波动的产品，越需要小心处理。
一个电商产品的生命周期通常经历四个阶段：新品测试期、成长期、成熟期、衰退期。每个阶段的备货逻辑完全不同。
新品测试期，你没有历史销售数据可用，只能靠小批量试探市场，这时候的核心策略是「少量多次」。成长期，销量快速增长，你需要激进一点，宁可稍微多备一点，也不能断货，因为这时候断货等于把市场份额让给竞品。成熟期，销量趋于平稳，这时候适合用模型精确管理。衰退期，核心任务是控制库存风险，尽快清货，这时候预测目标不是「备多少」，而是「什么时候停止补货」。
假设你是一个月销 500 单的智能小家电店铺运营，备货流程通常是这样的：每天打开后台看一次销量和库存，发现某款产品库存剩 200 件了，平均一天卖 30 件，感觉还能撑一周。等库存剩 80 件了，才开始联系供应商下单。供应商告诉你，生产周期 7 天，物流 3-5 天，总共要 12 天。你心里一紧，80 件按 30 件/天，只够 2.7 天，缺口近 10 天的量。于是你马上下单 500 件，结果下单后第三天，竞品降价，你的日销从 30 掉到 15，这批货到了以后，直接变成 3 个月的库存包袱。
这个场景里的每一步都充满了「事后看来很蠢、当时却很自然」的决策。核心问题不是你不认真，而是你没有一套机制来约束每个环节的决策。你凭感觉判断「该下单了」，凭感觉决定「下多少」，凭感觉选择「下单时间」。一旦感觉出错，全盘皆输。
进销存不是自动替你算好数字的魔法盒，它的核心能力是把采购、销售、库存的数据串联起来，让每个决策都有据可查。没有进销存，你也能做备货预测，但你需要手工把三套数据拼在一起：销售订单数据在平台后台、采购成本数据在供应商对账单里、库存数据在自己的仓库表里。每次测算都要花大量时间去核对和清洗数据，而且容易出错。
进销存系统真正解决的是「数据同步」的问题，而不是「决策智能」的问题。它告诉你现在库存还有多少、在途还有多少、最近三十天每天卖了多少，这些基础事实的实时性和准确性，是任何预测模型的地基。地基不牢，上面盖什么楼都是危楼。所以我不建议你第一步就去买那些带复杂预测功能的系统，但一个能帮你准确记录进销存数据的工具，几乎是一开始就需要的。
算出备货量本身是一件很容易的事情，难的是算出来的数字能够真正指导你的经营动作。下面这几个误区，是我几乎在每个客户那里都会看到的。
很多人在做备货预测时，唯一的公式就是「过去 30 天总销量 ÷ 30 = 日均销量，再乘以补货周期」。这个算法在需求完全平稳的前提下勉强可用，但电商几乎没有平稳的需求。周末和平时不一样，月初和月底不一样，雨天和晴天不一样，平台大促前后更是不一样。
我见过一个卖户外用品的店铺，日均销量看起来只有 80 件，但一到周末就冲到 150 件。如果按照 80 件的日均销量备货，周五之前到货的量只够 0.6 天消耗，周六必然断货。他的问题不是备货数量不对，而是预测粒度太粗，大到把需求的波动性给抹平了。
这是最常见、也最隐蔽的一个坑。后台导出的销售数据只能告诉你「卖出了多少」，不能告诉你「想买的人有多少」。如果某款产品长期缺货，它的历史销量是被库存卡住的，你想买 5 件，但库存只有 2 件，销售记录里就只会留下 2 件。这时候你用历史销量做预测，会系统性低估真实需求。
一个更专业的做法是，把「已售商品数 + 因缺货流失的订单数」一起纳入需求估算。但问题是，大多数后台拿不到「因缺货流失的订单数」。这种情况下你需要靠经验修正：比如你手里有一个链接，过去三周每周有 3 天在下午 3 点左右断货，那么你实际损失的需求量可以通过「断货时长 × 该时段平均出单速率」做一个粗略估计，把这部分需求加回历史销量里，再去做预测。
供应商告诉你 7 天到货，你就按 7 天算安全库存。结果这次供应商排单慢了 2 天，物流那边又因为天气原因延误了 3 天，实际到货周期变成了 12 天，你的安全库存就是按 7 天算的，5 天的缺口直接导致断货。这几乎是所有电商卖家都踩过的坑。
我自己的经验是，在做安全库存计算时，不要在补货周期上取「平均预期」，而要按照「最差情况」来算。供应商过去的 5 次交货，最快 6 天，最慢 12 天，运营标准应该按 12 天来定安全库存。多出来的库存成本，本质上是你为「不确定性」买的保险费。保险贵不贵，取决于你的产品客单价和利润率，但大多数情况下，多备几天货的成本远低于一次缺货带来的流量损失和权重损失。
很多预测模型算出来的备货量很「完美」，但现实是供应商有起订量要求，你算出来只要补 80 件，供应商说 300 件起订。这时候你会发现，刚才精打细算的模型一点用都没有，因为供应商告诉你的不是「能不能少订」，而是「要么订 300 件，要么下次再说」。
这不是说模型就没有用了，而是提醒你：备货预测必须在真实的供应链约束下求解。如果供应商起订量大于你两期的需求量，那么核心决策就不是「这期订多少」，而是「这笔钱压下去，多久能卖完，值不值得」。
市场在变，产品在变，竞争在变，你的预测模型也该跟着变。很多卖家在第一次算出备货量后就把它当成「圣旨」，每周都用同一个数字，直到库存告急才开始救火。这是对预测模型最大的误解，预测不是一次性动作，而是一个每周需要重新运行的例行流程。
理想的做法是：每周固定一个时间（比如周一上午），更新销售数据，重新计算一遍安全库存、补货点和采购量。这个过程熟练后只需要 20-30 分钟。如果你连这每周 30 分钟都不愿意投入，那任何模型对你来说都没有意义。
接下来这部分，是我反复用了很多年的方法。它不复杂，不需要任何高级编程能力，在 Excel 里就能实现。我把它拆成四个步骤，每一步都告诉你「算什么、怎么算、为什么这么算」。
需求基准是后续所有计算的地基。先收集过去 90 天的销售数据，最好是按天维度。然后对数据做三类修正：第一，剔除促销异常值。店铺参加平台大促时，那几天的销量可能翻倍甚至翻三倍，这种「脉冲式数据」不适合用来预测日常需求，应该单独标注。第二，修正缺货低估。找出缺货时间段，把缺口需求加回去。第三，识别趋势。如果近 30 天的日均销量和过去 90 天的日均销量比，明显上行或下行，就要考虑用近 30 天的数据作为基准，因为预测本来就是「向后看」的。
一个简单的处理方式是：
每日需求基准 = 近30天剔除促销异常后的平均日销 + 缺货修正
如果店铺的销量有明显季节性（比如换季服装、节日礼品），就不能用全年平均，而要用去年同期加近期增长率来推算。
光有平均数还不够，你还需要知道需求稳不稳。我常用的一个简易做法是算「需求波动率」：把过去 30 天每天的实际销量和平均日销做一个偏差，再标准化成一个波动系数。
日销量标准差 = STDEV.P(近30天每日销量)
需求波动系数 = 日销量标准差 / 平均日销
波动系数的含义很直观：如果系数小于 0.2，说明需求很平稳，用简单模型就够；如果系数超过 0.5，说明需求像过山车，必须重点管理。波动系数大于 0.8 的品，可能根本不适合做精确备货预测，更适合用「安全库存拉满 + 多轮小批量补货」的方式。
安全库存是你在补货周期内对抗需求波动和供应波动而额外多备的库存。补货点则是触发你下单的库存水位。
安全库存 = (最大补货周期 – 平均补货周期) × 平均日销
+ 补货周期 × 日销标准差 × 服务水平Z值
补货点 = 平均日销 × 平均补货周期 + 安全库存
服务水平 Z 值是你对缺货风险的容忍度：Z=1.28 表示你接受 10% 的缺货概率，Z=1.65 表示 5% 的缺货概率，Z=2.33 表示 1% 的缺货概率。我自己的经验是，对一款月销超过 500 件的核心款，Z 不要低于 1.65；对边缘款，Z=1.28 就够了，因为核心款断货的隐性损失远大于多压一点库存的成本。
当你算出补货点并在实际库存中触发后，接下来要决定采购量。这里有两个方向：如果你现金流充裕，供应商的起订量也不高，可以按「补货周期 + 安全库存覆盖」来算；如果资金紧张，可以采用「小批量多频次」策略，宁可每次多花一点运费，也不要一次性把大量现金换成仓库里的存货。
建议采购量 = 目标库存水位 – 现有库存 – 在途库存
目标库存水位 = (平均补货周期 + 补货间隔) × 日均需求 + 安全库存
这里有个容易被忽略的细节：很多人算采购量时忘了减掉「在途库存」。你上一批订的 300 件还在路上，预计 3 天后到，如果今天把这 300 件也算进缺口里，就会重复采购。这个错误我在好几个客户后台都看到过。
下面这个案例来自我 2023 年服务过的一家日用百货店铺。他们主营收纳用品，SKU 大约 60 个，月销稳定在 80-120 万之间。老板是个典型的「经验派」，每次备货都是自己拍脑袋定，结果仓库里有大量断码、过季、慢动销的库存，估算有 80 万元的货压在仓库里。
我先花了三天时间把他们的进销存数据全部拉出来核对了一遍，发现三个核心问题：第一，他们的补货周期非常不稳定，供应商有时 7 天发货，有时拖到 15 天；第二，他们从来不管「在途库存」，多次出现重复下单的情况；第三，最严重的是，他们用「平均日销」备货，一个收纳盒的链接，平时一天卖 30 个，周末能卖到 80 个，但他们按 30 个的日均销量去备货，每周五必有 2-3 个 SKU 缺货。
我当时没有立刻上系统，而是先按文章里的方法，帮他们在 Excel 里搭了一套备货预测表。每个 SKU 一行，包含：近 30 天的平均日销、标准差、波动系数、采购周期上下限、当前库存、在途库存、安全库存、补货点、建议采购量。每周一花 30 分钟更新数据，然后按表格里的建议下单。
第一周执行时，他们最大的感受是：「原来有这么多 SKU 根本不用补货」。之前老板的习惯是每周把所有 SKU 都过一遍，看着库存低于心理预期就补。现在用补货点公式算完，真正触发补货的 SKU 只有三分之一左右。剩下那些库存还够的阶段，根本不需要动。
三个月的跟踪下来，这套方法的效果非常明显：缺货率从 22% 降到了 8%，滞销库存占比从 32% 降到了 14%，库存周转天数从 61 天降到了 36 天。更重要的是，因为每周节约了将近两小时的盘点、核对和纠结时间，团队的人效也上来了。
还有一个细节值得说：这套模型上线后的第三周，老板自己主动找我说，「以前觉得备货是门艺术，现在发现它只是道算术题」。这句话让我印象很深，因为它点出了大部分电商老板的真实状态，不是没有能力做对决策，而是习惯性凭感觉走捷径，结果绕了最大的远路。
第一个坑，也是最容易忽略的：数据清洗花了比建模更多的时间。他们有相当一部分订单是从线下批发渠道走的，和电商订单混在一起，导致日均销量被高估了 20% 左右。如果我没有逐个核对订单来源，这套模型从第一天起就是废的。
第二个坑：供应商的补货周期是有季节性的。他们 3 月份拿到的「平均补货周期」是 8 天，但 9 月份因为旺季排产紧张，实际周期拉长到 15 天。模型里的补货周期参数必须定期校准，不然安全库存会系统性偏低。
很多读者看到模型就想着「拿回去直接用」，但我要泼一盆冷水：不同的店铺规模、品类、资金实力，对应完全不同的备货策略。下面按三种典型处境给出建议。
如果你刚开店不到 3 个月，历史数据不足，第一个建议就是不要强行套用模型。此时最重要的是把产品的生命周期阶段搞清楚。新品处在测试期，目标不是「备多少货」，而是「用最小成本验证市场需求」。
行动建议：每次只补 7-14 天的量，宁可断货也不要在新品期压一堆库存。供应商那边能谈就谈，谈不下来的话，接受小批量采购的单价略高，把这部分多出来的成本当作「测试费」。同时开始记录每天的销售数据和流量数据，为后续建模积累数据。
月销 30-100 万、SKU 不超过 200 个的店铺，是最适合用传统手工模型提升效率的阶段。你不需要立刻买系统，先把 Excel 上的数据体系搭好。
行动建议：每周固定时间更新一次数据表；先用正文里的公式算安全库存和补货点；把每个 SKU 的波动系数标出来，对波动系数大于 0.6 的 SKU 单独提高安全库存；如果你发现自己每周在这件事上花的时间超过 3 小时，且错误率在上升，可以考虑上一个进销存工具来承接数据更新和预警的部分。
当 SKU 数量超过 300 个、多平台经营、多人协作时，Excel 的效率瓶颈就开始暴露了。数据散落在不同人手里，版本管理混乱，计算公式被人误改了一张表，整个结果就失真了。这时考虑进销存系统是合理的，但选择的重点不是「预测功能多强大」，而是「数据能否自动同步和集中管理」。
行动建议：优先选择能对接平台订单、自动同步库存、支持多人分权协作的进销存工具，把数据一致性的基础打牢。在这基础上，再逐步搭建自动化的库存预警和补货建议报表。记住，你从系统中拿到的是一个「数据底座」，备货策略仍需由人来做判断。
| 处境 | 首要目标 | 备货策略 | 主要风险 | 工具重点 |
|---|---|---|---|---|
| 新店铺无数据 | 验证需求 | 少量多次 | 测试不足导致假失败 | 记录数据 |
| 稳定期中小体量 | 降缺货、控积压 | 手工模型+周度更新 | 执行纪律不足 | Excel/轻量工具 |
| 多平台规模经营 | 数据一致与协同 | 系统预警+人机结合 | 过拟合系统、放弃判断 | 进销存系统 |
备货频次不是越高越好，越低越好，它是一个需要权衡的变量。提高采购频次，会降低单次库存暴露的风险，但会增加采购成本、物流成本和人工成本。降低采购频次，会节约这些成本，但你必须承担更多的需求波动风险。
我建议用下面这个判断路径来做选择：先算出你的资金成本和你仓库的单位仓储成本，再算一次缺货造成的机会成本，把这两个成本放在一起做比较。如果缺货成本远高于额外采购带来的成本，那就提高采购频次，把单次采购量降下来；如果缺货影响不大但每一笔采购都有一笔固定成本（比如模具费、开机费）在，那就适当降低频次、拉高单次采购量，把总成本摊薄。
备货预测的目标不是「算得准」，而是在特定经营目标下做「有意为之的偏离」。当你刻意选择「算不准」的时候，说明你对经营全局有了更深的理解。这是从「会算」到「会用」的分水岭。
在双 11、年货节这类大促节点，你的目标不是把库存周转做到最优，而是「流量来了接得住」。大促期间断货意味着搜索权重下降、广告投放浪费、以及旺季过后流量滑坡。这时候我通常建议在模型计算出的数量上增加 20%-30% 的「战略冗余」。
这个冗余的量不是固定比例，取决于你的资金实力和类目的库存折旧速度。如果是标品、保质期长得久，备到 1.5 倍都可能划算；如果是快消品或强季节性产品，就按 1.2 倍来控制，宁可价格战清货，也不要让断货窗口超过 24 小时。
有些类目（尤其是设计驱动、小批量生产的品类），「稀缺感」本身就是产品价值的一部分。没有库存压力、限量发售、售完即止，这些策略如果配合得好，反而能提高转化率。这时候你不需要按模型把库存备满，反而要克制地限量供应。
关键判断标准是：这款产品的受众是否对「稀缺」敏感，以及补货周期是否可控。如果你的供应商能够稳定地在 10 天内补货，那么即使暂时断货，影响也是可控的；如果供应商的补货周期长达 30 天以上，就千万不要轻易尝试「故意断货」，因为过长时间的等待会彻底消耗用户的耐心。
当产品进入衰退期或季节末期，你的备货目标就不是「卖多少」，而是「怎么在最短时间内把库存清掉」。这时的预测逻辑是反过来的：从库存倒推需要多少销量才能清完，然后决定折扣力度和清仓周期。你不需要精确预测未来销量，只需要回答一个问题：按当前的出清速度，这批货能在换季前清完吗？如果不够快，是加大折扣还是追加推广预算？
如果你的产品本身就是定制、预售、代发模式，备货核心不在成品库存上，而在「产能预留」和「备料计划」上。这时候，你算的不是「成品备多少」，而是「按目前的订单转化率，未来两周需要供应商预留多少产能」。这需要更紧密地跟供应商协同，同时也需要把自己的销售预测变成供应商的生产计划。模型可以帮你估订单量，但执行层面的沟通和博弈远比一个数字复杂。
把备货预测做好，不是为了追求一个「完美数字」，而是为了让你的每一个经营动作都方向清晰、风险可控。你可以没有任何复杂的算法，可以只用 Excel，但必须有意识地建立一套自己的数据循环：记录数据 → 校准参数 → 做出决策 → 复盘结果 → 再校准。
这套循环跑起来之后，你会得到一个非常实际的回报：库存从「凭感觉猜」变成「靠着数据向前走」，你的采购不再焦虑，你的资金不再被一堆迟早要打折的货锁死。你省下来的，不只是滞销库存的钱，更是做决策时的那份从容。
下一步，我建议你按这个顺序行动：第一，从后台导出所有商品的近 90 天销售和库存数据，按正文里的四个公式算出每个 SKU 的补货点和安全库存；第二，找出波动系数最大的 5 个 SKU，单独观察它们的销售模式；第三，连续执行三周后，用一个小时做一次复盘，对比模型建议和实际结果，修正参数。不用追求一步到位，跑起来，你就已经领先大多数同行了。
我是做淘宝店的，店铺SKU差不多五十多个，一直靠感觉备货，经常不是压货就是断货。网上讲的那些AI预测、机器学习离我太远了，想问问有没有什么简单的办法，用Excel就能算出来？
先说个我踩过的坑。2022年我帮一家做厨房用品的店铺做库存复盘，他们一个月销售额60万，但仓库里压了80万的货，其中30%是超过90天没动过的滞销品。老板不是不努力，而是每次备货都靠“觉得这个品会爆”。
后来我们只做了一件事：把过去三个月的订单明细导出来，按SKU汇总日销量，然后用Excel的移动平均法算基准值。这个操作不需要任何复杂工具，只需要一个数据透视表。具体做法分三步。第一步，清洗数据。把大促期间、退货率异常、断货期间的销量数据剔除或单独标记，因为那些数据不能代表正常销售水平。
第二步，计算基准值。用最近7天、14天、30天的平均日销量，分别算出短期基准和长期基准。第三步，套用安全库存公式：安全库存=日均销量×补货周期×安全系数。我给这家店设定的安全系数是1.5，再乘以15天的补货周期。比如某款锅具日销30件，安全库存就是30×15×1.5=675件。
以前老板每次下单1200件，我们建议改成675件，单是这一款锅具就释放了525件货的现金流，按成本价40块算，就是省下了21000元的库存占用。这个公式当然不是万能的，但对50-200个SKU的店铺来说，它比“拍脑袋”强十倍。核心不是公式多么精妙，而是你愿意先把数据收集起来、每周更新一次。
坚持三个月，你会看到库存周转天数明显下降。
我现在用Excel做进销存，几百个SKU已经有点扛不住了，想换软件又不确定值不值。软件里的智能备货功能到底是怎么算的？和我用Excel自己算差别大不大？
这个问题我被问了不下二十次。我的判断标准很简单：SKU少于100个，用Excel完全够；超过300个，Excel的维护成本会吞噬你所有效率；中间的100-300个，取决于你的团队成员有没有专门的运营来管库存。我自己测试过市面上一款主流进销存软件，也带着团队在Excel里手工算过同样一批数据。
最直观的差距在三个维度。第一个是数据采集。Excel需要人工导出订单、人工整理，每周至少花半天。软件直接对接店铺后台，库存、销售、采购数据自动同步。第二个是缺货预警。Excel需要自己设定单元格条件格式，软件在库存低于安全线时自动推送。第三个是预测逻辑。
软件会用更细的粒度的算法，比如加权移动平均、结合品类趋势，公式更接近真实业务。举个例子，一家做宠物用品的店铺，500个SKU，每月手工做采购计划要三个人干两天。导入进销存系统后，系统结合历史销售和当前库存生成建议采购清单，运营只需要在大促前手动调整参数，剩余时间从两天压缩到二十分钟。
选软件给你三条标准。第一，必须能自动同步你的电商平台订单，不能还要人工导单。第二，看它是否支持自定义安全库存公式，而不是给一个锁死的“智能算法”。第三，看预警能不能通过企业微信或钉钉触达，光在系统里亮红灯等于没提醒。满足这三条，再谈免费试用，不满足就直接跳过。
我在网上看了不少备货预测的教程，也照着公式用历史销量数据算安全库存，但用了两个月还是不准，该断货还是断货。到底是公式不对，还是我的数据有什么问题？
先给你吃颗定心丸：公式大概率是对的，问题出在数据源和参数上。我复盘过二十多个店铺的备货异常案例，其中18个都可以归到下面三个原因。第一个原因，数据没有剔除异常值。很多卖家把全年所有订单都拿来算平均值，结果“双11”那几天的高销量拉高了日均值，导致日常备货量虚高，资金被压在仓库里。
正确做法是把大促、缺货期、清仓期的数据单独剥离出去，用常态数据来算。第二个原因，补货周期算错了。大部分人只知道“供应商说7天到货”，却忽略了订单处理时间、物流在途时间、验收入库时间。真实补货周期往往是10-12天，而不是7天。
你可以查一下最近十次采购记录，从下单到上架总共花了几天，用这个真实值去套公式。第三个原因，安全系数从来没有调过。安全系数其实是一个风险偏好参数：产品处于成长期、供应商不稳定时，系数要调到1.5以上；产品进入平稳期、供应链很成熟时，1.2就够。很多卖家一年四季用同一个数字，不出问题才怪。
我接手某服装店铺时，他们也是一直说公式不准。后来我们把历史数据按促销和日常分开，把补货周期从公式里的7天修正为实测的11天，再把爆款、常规款、尾货分别设置1.6、1.3、1.0的安全系数，一个季度下来缺货率从18%降到了6%，库存金额下降了22%。
备货预测是一个持续校准的过程，建议每两周复盘一次参数，而不是定个公式就永远不动。
每次上新品都是我最头疼的时候，没有历史销量可以参考，备少了怕断货错过机会，备多了怕卖不掉变库存。有没有什么办法，在没有数据的情况下也能估一个大概的备货量？
我在某消费品品牌负责供应链时，每次上新都遵循一个原则：第一批订单就是为了“测试”，而不是为了“赚钱”。很多卖家新品第一批就下大单，结果数据没跑出来，仓库先堆满了。先给一个操作性强的方法。新品备货量可以用最小可售单元来计算：预计单品日均曝光量×点击率×转化率×测试周期天数。
打个比方，你的新品上架后预计每天能获得5000次曝光，行业平均点击率是3%，转化率是2%，那么日均订单就是5000×3%×2%=3件。如果测试周期设为7天，那么首批订单备25件左右就够了。注意，这里面的点击率和转化率不能拍脑袋，建议参考店铺同品类近30天的真实均值。
如果你是新店没有任何数据，就用行业平均值，再在测试周期上加一倍的安全余量，比如上面算出来25件，首批做40件。然后到了第二阶段：放量期。新品上架1-2周后，真实数据开始出来了。如果日销稳定在5件以上，补货周期15天，那么可以按前面说的安全库存公式来推算：5×15×1.5=112.5，约等于115件。
如果日销低于2件，就停止补货，把精力放在推广诊断上。这个两阶段方法的核心是，把“一次押注”变成“小步快跑”。先花小成本拿到真实反馈，再决定要不要加码，能避免大部分新品压货的悲剧。我经手的项目里，用这个逻辑上新的sku，首月滞销率降低了35%左右。
读者评论
文章把备货预测的核心问题讲透了，尤其是“拍脑袋备货必然走向死局”那段，数据对比很直观。我做了三年电商，深有体会，每次凭感觉备货，最后不是缺货就是积压。现在准备用Excel先跑通逻辑，再考虑系统。
作为运营，我踩过“用平均日销预测”的坑，周末和平时销量差很多，按平均算必然断货。文章提到的需求波动系数很有用，我打算用它来分类管理我的SKU，波动大的品用多轮小批量补货。
文章很实用，但中小企业执行起来可能有难度，比如修正缺货低估需要历史数据支撑，很多人没有。另外供应商起订量约束确实头疼，建议作者再讲讲如何与供应商谈判降低起订量。