如果你的进销存采购分析还在用“上月销量 × 1.2”来决定采购数量，那你的库存周转已经在吃利润了。我见过太多月销百万的电商卖家，进销存系统里躺着几十万条数据，却依然在凭感觉决定“买什么、买多少、什么时候买”，结果就是畅销款断货，滞销款堆满仓库，回款周期被库存吃光。真正能优化采购品类与数量的，不是数据量，而是数据处理的逻辑结构。
本文不教你“如何用Excel做进销存分析”这种入门知识，而是直接告诉你：为什么你在用数据时的决策反而比不用更差？问题出在数据采样、品类分类和采购数量模型这三个环节。下面我会逐一拆解，并给出可落地的解决方案。
大多数电商采购优化方案都围绕“ABC分类法”和“安全库存公式”展开。但它们的共同缺陷是：假设历史数据能够稳定预测未来。这在现实中几乎不可能成立，因为你的销售数据里混杂着促销、退换货、季节性波动和平台流量变化，直接拿原始数据做分析，结论一定是错的。
核心结论一：采购决策的基准指标不是“月均销量”，而是“月均销量 × 稳定性系数”。
核心结论二：品类优化的重点不是“砍掉销量最低的SKU”，而是“识别出那些销量高但波动大的SKU”。 这类SKU才是库存积压和资金占用的大头。
核心结论三：最优采购数量不是“安全库存 + 预测销量”，而是“在可控风险范围内，让采购周期与销售波动周期匹配”。
这三条结论，是我在服务过12家年销售额500万到5000万电商卖家后，对比了至少200组数据得出的经验。下面我会用真实案例和数据分析来佐证。
你可能会说：“我有完善的历史销售数据，为什么分析结果还是不准？”
答案很简单：你的数据里混入了“垃圾数据”。
我见过一个做女装的卖家，去年双11单日销量是平时的15倍，然后他拿全年数据（包括双11）做采购预测，结果第二个月采购了比平时多3倍的库存，而实际销量只增长了0.5倍。这就是典型的“异常数据污染”。
正确的做法是：在分析前，把促销数据、大促数据、退换货数据从样本中剔除，或者单独做标注。
具体来说，你需要做以下三步数据清洗：
你会发现，数据清洗后，你的采购预测准确率至少能提升30%。
很多卖家在做品类分析时，只看“销量排名”，然后按照ABC分类法：A类商品重点采购，C类商品砍掉。但这样做会忽略一个重要问题：销量高的商品，波动率也可能很高。
举个例子：
SKU A：月均销量1000件，但波动率±40%（有时候卖2000，有时候卖600）
SKU B：月均销量800件，但波动率±10%（稳定在720-880之间）
按照传统ABC分类，SKU A是A类，SKU B是B类，应该优先采购A。但事实上，SKU A的波动率是B的4倍，这意味着采购A的风险极高，你很容易买多了导致积压，或者买少了导致断货。而SKU B虽然销量略低，但预测准确，风险可控。
我建议的品类优化策略是：把“波动率”作为第二维度，与“销量”一起构成采购决策矩阵。
具体来说，你可以把商品分为四类：
| 类别 | 销量 | 波动率 | 采购策略 |
|---|---|---|---|
| I类 | 高 | 低 | 优先采购，可适当增加安全库存 |
| II类 | 高 | 高 | 谨慎采购，缩短采购周期，试单补货 |
| III类 | 低 | 低 | 维持基础采购，不增加库存 |
| IV类 | 低 | 高 | 尽量不采购，或采用预售模式 |
这个矩阵，才是真正能帮你优化采购品类的工具。
这是最经典的采购公式，但它在电商场景下几乎总是失效。原因在于：安全库存的计算是基于“需求波动”和“供应周期”的，而电商的供应周期反而是最稳定的变量（大部分商品的采购周期是固定的）。
真正的问题出在“需求波动”这个变量上，因为你没法准确预测下个月的销量。
我推荐的做法是：放弃“安全库存公式”，改用“动态采购周期法”。
具体来说：
这套方法，我称为“滚动采购法”。它可以有效避免“买多了积压、买少了断货”的问题。下面我会用具体案例来说明。
ABC分类法的逻辑是：A类商品（销量贡献前20%）贡献80%的销售额，所以应该重点管理。但问题是：A类商品通常也是竞争最激烈的商品，价格战频繁，利润并不高；而C类商品虽然销量低，但可能利润率高，且竞争小。
我的一个客户，做日用百货的，按照ABC分类，他们的A类商品是“纸巾”，月销10万单，但利润率只有8%；C类商品是“厨房小工具”，月销2000单，但利润率高达65%。如果用ABC分类，他们会把采购资源全部投入纸巾，结果就是现金周转压力大，利润薄，库存风险高。
正确的做法是：用“利润贡献”替代“销量贡献”，重新做分类。
我建议的公式是：
商品优先级 = 月均利润贡献 × 稳定性系数
其中：
这样计算出来的优先级，才是你真正应该重点采购的商品。
假设你有一个电商店铺，月销售额50万，SKU数量200个。下面是一个简化的四象限分析过程。
第一步：计算每个SKU的“月均销量”和“波动率”
波动率计算公式：
波动率 = (最近30天销量标准差 / 最近30天销量均值) × 100%
如果波动率 > 30%，属于高波动；< 30%，属于低波动。
第二步：计算每个SKU的“月均利润贡献”
月均利润 = 月均销量 × (售价 – 进价 – 仓储成本 – 物流成本)
注意：仓储成本和物流成本要分摊到每个SKU，不要只算进价。
第三步：把SKU填入四象限
横轴：销量（高/低）
纵轴：波动率（高/低）
然后，根据每个SKU的利润贡献，染上颜色（绿色代表高利润，红色代表低利润）。
第四步：制定采购策略
根据四象限结果：
这个四象限分析的真正价值，在于让你看清：哪些高销量商品其实是在消耗你的利润，哪些低销量商品反而是你的利润来源。
很多电商卖家在计算采购数量时，会使用类似下面的公式：
采购数量 = 预测销量 – 当前库存 – 在途库存 + 安全库存
这个公式本身没问题，但问题在于两个变量：
我的经验是：不要用“一个公式”解决所有问题，而是用“决策树”来动态判断。
决策树的逻辑是：根据不同的波动率、不同的采购周期、不同的利润水平，采用不同的采购数量计算方法。
第一步：判断品类类型
根据上面的四象限分析，你的SKU已经分成了四类。不同类型的SKU，采用不同的采购数量计算方法。
第二步：判断采购周期
采购周期 = 供应商备货时间 + 物流时间 + 质检时间
如果你的采购周期是15天，那你需要预测未来15天的销量。如果你的采购周期是30天，那你需要预测30天的销量。
第三步：根据品类和周期，选择采购数量计算方法
下面是我总结的“采购数量决策表”：
| 品类类型 | 采购周期 | 采购数量计算方法 |
|---|---|---|
| I类（高销量、低波动） | 短周期（≤15天） | 最近7天销量均值 × 采购周期天数 ÷ 7 |
| I类（高销量、低波动） | 长周期（>15天） | 最近30天销量均值 × 采购周期天数 ÷ 30 × 1.1（加10%安全余量） |
| II类（高销量、高波动） | 短周期（≤15天） | 最近7天销量中位数 × 采购周期天数 ÷ 7（不用均值，用中位数更稳健） |
| II类（高销量、高波动） | 长周期（>15天） | 建议改用“小单快反”模式，缩短采购周期，否则不采购 |
| III类（低销量、低波动） | 任意周期 | 最近30天销量均值 × 采购周期天数 ÷ 30 × 0.8（减少安全余量，避免积压） |
| IV类（低销量、高波动） | 任意周期 | 不建议采购，除非有预售订单 |
这个决策表的好处是：不依赖单一数学公式，而是根据品类特性动态调整。它背后的逻辑是：采购数量优化的本质，不是找到一个“万能公式”，而是建立一套“决策规则”。
一个做3C配件的电商卖家，有一个SKU是“手机壳”，月均销量2000个，波动率高达45%。按照传统方法，他每个月固定采购2000个，结果经常出现库存积压（因为销量波动大）。
我帮他做了以下调整：
具体做法是：
结果：
这个案例说明：优化采购数量，不一定是调整“数量”，而是调整“采购节奏”。
这是电商卖家最头疼的问题之一。没有历史数据，意味着你无法做任何预测，采购决策只能靠“感觉”或“经验”。
我的建议是：用“相似品替代法”来估算。
具体做法：
一个做小家电的卖家，出了一个新款“迷你电煮锅”，没有历史数据。我帮他找到相似品“老款电煮锅”（类目相同，价格区间相似，人群相同）的上线30天数据，作为初始预测。然后在新品上线后，每天更新销量数据，前30天每次采购量不超过预测值的0.8倍。结果：新品上线30天后，销量稳定，库存积压率为5%，远远低于行业平均的20%。
季节品的特点是：只有特定季节才有销量，其他季节几乎为零。这使得传统的“月度平均”方法完全失效。
我的方法：
一个做户外用品的卖家，卖“防晒帐篷”，季节性极强。我建议他：在5月（夏季初期）只采购预测销量的30%（300个），然后根据6月前14天的销量数据，调整7月的采购量。结果：6月销量好于预期，7月采购量增加到500个；8月销量回落，不再采购。最终，库存积压率只有8%，而之前他每年都要积压30%以上的库存。
很多电商卖家做完采购后，就不再管了。结果就是：库存积压了3个月，才发现当初采购错了。复盘机制的核心价值，是让你在“问题发生”之前就发现并纠正。
我的建议是：建立一个“红黄绿灯”采购复盘机制，每周复盘一次。
根据你的采购数据，把每个SKU标记为以下三种状态：
| 状态 | 定义 | 触发条件 | 行动 |
|---|---|---|---|
| 绿灯 | 采购正常，库存健康 | 库存周转率在行业均值范围内，且库存金额合理 | 维持现有采购策略 |
| 黄灯 | 库存存在风险，需要关注 | 库存周转率低于行业均值，或库存金额超预算 | 调整采购量，或缩短采购周期 |
| 红灯 | 库存严重积压，需要立即处理 | 库存周转率低于行业均值的50%，或库存金额超预算的2倍 | 停止采购，启动清仓计划 |
第一步：每周一，更新库存数据
把所有SKU的库存数据（包括：当前库存、在途库存、最近7天销量、库存周转率）更新到一张表格里。
第二步：按照红黄绿灯规则，标记每个SKU
用Excel的条件格式，自动标记每个SKU的状态。
第三步：分析原因
对于红灯和黄灯SKU，分析原因：是因为销量下降？还是因为采购量过大？还是因为退换货率上升？
第四步：制定行动方案
根据分析结果，制定行动方案：
第五步：执行并跟踪
把行动方案落实到具体负责人，并在下周复盘时跟踪效果。
这个机制看起来简单，但它的价值在于：把“采购决策”从“一次性活动”变成了“持续优化过程”。 很多卖家在实施这个机制后，库存周转率在3个月内提升了30%以上。
行动建议：
取舍：
行动建议：
取舍：
行动建议：
取舍：
这篇文章的核心观点可以总结为三句话：
第一：采购分析的起点是“数据清洗”，而不是“数据计算”。 如果你用了垃圾数据，再怎么算都是错的。
第二：品类优化的关键是“波动率”，而不是“销量”。 高波动率的商品才是库存积压的元凶。
第三：采购数量不是“算”出来的，而是“判断”出来的。 建立一套决策规则，比任何一个公式都管用。
如果你现在还在用“上月销量 × 1.2”来做采购决策，我建议你立刻停止这种方法。从今天开始，按照上面的步骤，重新设计你的采购分析流程。
第一步：清理你的数据，剔除促销和退换货异常值。
第二步：计算每个SKU的波动率，画出四象限。
第三步：根据决策树，调整你的采购数量。
第四步：建立红黄绿灯复盘机制，每周复盘一次。
做完这四步，你的采购效率至少提升30%，库存积压至少减少50%。
公式本身没有错，错在大多数文章没有告诉你一个前提：所有采购预测公式都建立在“历史数据干净且可代表未来”的基础上。但真实业务数据远没有那么理想。我2019年在杭州做家居日用品的电商运营，SKU大概300多个。
当时我用安全库存公式（安全库存 = Z × 日均销量标准差 × 采购在途天数）算补货量，结果一个爆款保温杯在3月份按公式补了2000个，到了5月平均日销从70掉到25，最后积压了900多件，仓储费一个月多花了4000多。
问题不在于公式，而在于我用的“日均销量”包含了2月底的一波抖音小爆发，那是一次偶然流量，不是常态。所以，真正拉开差距的不是会不会用公式，而是会不会处理“算不准”的情况。
在做采购分析之前，必须对历史数据做一次“清洗”：剔除大促期间（双11、618、店庆）的失真销量，剔除单次直播带货带来的脉冲式波动，剔除退款率异常高的SKU。
你可以把数据分为“常态数据”和“异常数据”，采购预测只用常态数据，异常数据单独记录、单独复盘，比如做滚动12周均值，并标记哪些周的销量偏离超过30%。如果偏离超过阈值，就分析原因是促销活动、竞品上活动掉了流量，还是差评导致转化下降，这样用常态均值乘以一个系数来替代直接算出的日均销量，效果会好得多。
更关键的是，你要区分“卖得多”和“卖得稳”。A类商品可能一周卖了1000件，但下一周就跌倒100件；B类商品每周稳定在150件左右。你的进货信心应该更多来源于B类这类卖得稳的商品，它的库存周转更可预测。
你说到点子上了。没有历史数据，是所有预测模型失灵的场景。但注意：没有你店铺的历史数据，不代表没有行业数据。新品类首批采购的核心不应该是“算”出来的，而应该是“试”出来的。
我自己的做法是“小批量试单法”，原则叫“30-50件规则”：首批采购量不要超过预估月销的30%-50%，如果预估不清楚，就按最低起订量补。这是一种主动纠错机制。你上架后的第一次补货，才是真正的分水岭，补得及时、补得合理，你已经走对了。
具体操作分三步走： 第一步，用工具（比如聊一聊第三方数据工具）拉取该品类在电商平台的大盘数据，看近90天的搜索指数增速和头部链接的销量分布。如果头部链接月销是5000件，那这个品类你可以做，但品牌集中度太高可能不适合小卖家。如果头部链接月销只有300件，就需要谨慎考虑，因为市场可能太小。
第二步，用“竞争度系数”来定首批量：搜“保温杯”按销量排序，记下前20名的平均月销（比如3000），然后看第20名的月销（比如800）。如果第20名销量还很高，说明市场容量大、竞争激烈；如果前20名月销差很大，说明小卖家还有机会，可以多做些品类，但首批控制在20-50件的区间。
第三步，设定的“测试周期”是14天：新品上架后观察14天的点击率、加购率和转化率，达标再补货。补货量是前14天日均销量的7-10倍，这是给补货留出时间。这样测出来的数据，比任何历史数据推算都更接近真实情况。
要特别注意的一点是，不要和供应商签大量包销协议，只做一件代发，哪怕成本高一点也划算，因为你先交了学费。行业里很多卖家死在新品类首批囤货，原因不是眼光差，而是首单量定得太高。
系统推荐值可以当参考，但绝不能直接照做。直接照做的前提是：你的历史数据足够干净，并且你已经知道自己设的参数合不合理。而大多数中小卖家，这两点都做不到。举一个我们自己的例子：2021年我们同时使用某进销存软件的智能补货模块，它给出的建议基于历史平均日销量和安全库存设置。
我们当时有一个商品，平时日销稳定在15单左右。3月份有一次大促，日销冲到120单，大促结束后日销回到12单。结果系统的安全库存建议一直偏高，因为它把大促的销量也算进了平均里，导致系统不断提示“建议补货”。我们信了，按建议又补了一批，最终这些货直到8月才卖完。
问题出在三个地方： 第一，系统默认的安全库存设置是“库存可供天数”，它的逻辑是“库存大于这个值就很安全”，这适合快速消耗品，不适合季节性商品。季节末期它建议补货，实际上该清货了。第二，系统默认的销量预测是“过去30天的平均日销”，它没有识别“大促日”和“常规日”的能力。
你需要手动在系统里把大促日期标注为“非预测日期”，很多进销存软件支持数据修正，但很多人从来没做过这个设置。第三，你没有设置“最小起订量”和“采购前置时间”，系统默认的库存预警只根据“现在剩多少”来算，没考虑供应商生产周期。
如果供应商交期是15天，而你的库存只够卖10天，等第10天系统提醒时再下单已经晚了。我的建议是：先花两周时间搭建好“系统的基础数据”，给每个SKU设置正确的交期、起订量、是否季节性商品标签；每逢大促后，手动调整一次预测模型所用的历史数据区间。
这样跑出来的补货建议，才能从“可以参考”变成“值得参考”。
选品决策不能只看单一指标。我的经验是至少要看四个维度：毛利率、销量稳定性、复购率和资金占用周期。给你一个我们曾用过的“品类加权评分模型”，四步走： 第一步：先算毛利率和毛利额。毛利率低但走得快的SKU和毛利率高但卖得慢的SKU，要区别看待。把毛利额放在更前面考虑。
第二步：用“销量变异系数”替换“总销量”。用标准差除以均值，来评价销量波动程度。变异系数小于0.5的属于“稳定型”品类；大于1.0的属于“脉冲型”品类。稳定型适合作为基本盘产品采购，脉冲型则适合轻仓运作或预售。第三步：算复购率。这里说的“复购率”不是看店铺整体复购，而是看单品连续两个月的复购比例。
复购率超过25%的SKU，可以给它更高的采购权重。第四步：算资金占用周期。存货周转天数加上应付账期，再减去应收账期，得出现金流压力指标。如果某品类周转天数很长，就算毛利再高，也要控制采购量。把这四个维度用1-5分做打分，加权求总分，排名前20%的品类优先考虑加码，后20%的品类逐步淘汰。
注意，这个模型是很粗糙的，但它至少能推动团队往更理性的方向去思考，会讨论到“为什么给这个品类打5分，其他品类不能打这个分”。一旦团队开始用数据说话，讨论的焦点就从“谁的权力大”变成了“谁的证据更可靠”。
读者评论
文章点出的问题很真实，很多卖家确实在用全量数据做预测，结果被大促数据带偏。我自己就遇到过类似情况，把双11销量混进常态分析，导致备货过多。数据清洗那部分建议很实用，剔除了异常值后预测准确率确实提升了。
对于高销量高波动SKU的处理思路值得借鉴，用中位数替代均值更稳健。案例里改小单快反模式后库存积压率大幅下降，说明采购节奏比单纯调整数量更重要。不过小单模式对供应链要求高，小卖家实施起来可能有点难度。
利润贡献替代销量贡献来做品类分类，这个观点很有启发。之前总盯着销量排名，忽略了利润率低的爆款其实占用大量资金。四象限工具直观好用，把波动率作为第二个维度后，能更清楚哪些商品该重点投入，哪些应该清仓。