过去三年，我先后为十多家中小制造和电商企业搭建过库存分析模型。每次接手时，几乎都能听到同一句话：核心结论是，大多数企业真正缺的并不是“库存数据”，而是一条从原始数据到补货决策的可执行链路。这句话听起来平淡，但落到实际业务里，它意味着：你的进销存系统里堆着几万条出入库记录，Excel 里躺着每天的销售明细，仓库里贴着“最低库存”的标签，可一到补货的时候，还是靠店长拍脑袋、靠采购凭印象、靠老板一句话“多备点”。
这篇文章要解决的，就是这条链路本身。我会从真实场景切入，先拆穿“库存数据没用”这个伪命题背后的三个常见误区，再给你一套从 SKU 分类、安全库存测算、补货点计算、采购批量确定，到补货计划复盘优化的完整推演方法。所有公式和步骤都基于我实际跑过的模型，不是教科书里的概念堆砌。
我在服务企业的过程中，把补货决策能力划分为四个层级。绝大多数中小企业处在第一层或第二层，真正想通过“库存数据优化补货采购计划”，本质上是向第三层、第四层迁移。
层级一：经验驱动。补货完全依赖个人记忆。谁负责采购，谁就凭感觉下单。库存数据的唯一用途是“月底盘一下账”，过程极其吃力，结果无人复盘。
层级二：规则驱动。企业设置了一些静态规则，比如“低于 50 件就补货”“每次补 200 件”。规则简单明了，但没有任何计算依据。规则的来源往往是“觉得差不多了”或者“以前一直都是这么干的”。这种企业比层级一好一点，至少建立了“补货触发”的机制，但触发值是否合理，没人说得清。
层级三：数据驱动。企业开始用基础数据计算补货参数。日均销量、采购提前期、安全库存、补货点这些概念被真正用起来。补货数量不再凭感觉，而是有公式、有推导、有记录。
层级四：闭环优化。在数据驱动的基础上，增加复盘和迭代机制。每次补货的结果，是否缺货、是否积压、周转是否健康，都会反哺到下一轮参数调整中。这一层极少有中小企业能做到，但它是让库存数据长期发挥价值的唯一路径。
这篇文章的读者，大概率在第二层或第三层的门口徘徊。你要解决的并不是“要不要上系统”这样的选择题，而是“如何用手头已有的数据，构建一套可持续运转的补货决策机制”。系统只是工具，方法才是根本。
很多人上来就问我“该选哪款进销存软件”，我的回答通常是：先别急着选工具。如果你的日均销量、采购提前期、现有库存量这三组数都拿不出来，买什么系统都是浪费钱。反过来说，一旦你掌握了方法，哪怕只用 Excel 也能跑起来，等验证有效再考虑系统化升级，弯路可以少走一大半。
2022 年双十一前，我服务的一家电商客户经历了一次典型的供应链事故。这家公司主营厨房小家电，SKU 数量 300 多个，月流水稳定在 800 万左右，用的是市面上常见的进销存系统，仓库里有完整的出入库记录。听起来不可能出大问题，但事故还是发生了。
他们的爆款产品，一款 199 元的电煮锅，平时日均销量约 80 台，双十一前一周冲到了 180 台。采购主管看了一眼系统里的库存余量，显示还有 600 台，觉得“够卖”，就没安排补货。结果三天后库存清零，等到发现缺货再联系工厂下单，生产周期加上物流时间一共需要 9 天。这 9 天里，这个单品链接每天损失约 150 单的销量，按客单价 199 元计算，直接损失销售额接近 27 万元。更麻烦的是，缺货导致链接的转化率骤降，店铺权重受损，后面两周的自然流量掉了近 40%。
复盘时我们发现，问题的根源不是“库存数据缺失”，而是两个认知偏差。
采购主管看到的 600 台，包含了已付款待发货的 250 台预售订单、预留给直播渠道的 120 台，以及 50 台质量待检的货品。真正可以立即销售的库存只有 180 台。如果当天就触发补货，工厂最迟第二天能排产，9 天提前期内需要备足 180×9=1620 台，而当时只有 180 台，缺口巨大。
采购主管的思维模式是：日均销量 80 台，600 台能卖一周，来得及。但他忽略了双十一的促销增量，也忽略了补货不是“今天下单明天到”，从下采购单到货物入仓，存在 9 天的提前期。补货决策必须覆盖“提前期内预计消耗量”，而不是“未来几天内的销量”。
这件事之后，我帮他们重新搭建了一套补货决策模型。模型的逻辑不复杂，但每一步都建立在“可售库存”和“提前期需求”这两个基础上。这也是这篇文章想交付给你的核心内容。
很多人问过我同一个问题：我们公司有进销存系统，也有 Excel 台账，为什么就是没法用起来做补货决策？我把这些问题梳理下来，发现背后是三个层次性误区。这三点不能解决，再高级的公式和系统都白搭。
所谓“死数据”，指的是库存数据的更新频率跟不上业务变化。最常见的情况是：出库记录在生产部门或仓库手里，销售数据在运营手里，采购数据在采购手里，三套数据各存各的。月底财务想对账，发现三边数字对不上，最后要么以仓库盘点数为准，要么干脆“谁的数据大听谁的”。
判断你的数据是否“活着”，就看一件事：每周一早上，你能不能拿到截至上周日的库存余量、日均销量和未完成采购订单这三组数？任何一个拿不到，或者需要花超过半天时间才能凑齐，就说明数据流处于断裂状态。这个诊断方法，我在每一家企业都用过，准确率接近百分之百。
这是最容易踩坑的地方。账面库存是系统里记录的全部在库数量，可用库存是“现在下单立刻能发货”的数量。两者之间的差值来自四类占用：已锁定未发货的订单、分配给直播或其他渠道的预留、质量待检货品、以及报损但未核销的损耗。我曾经见过一家企业的账面库存明明还有 300 箱货，但实际上可售库存是负数。原因就是，这 300 箱里有 280 箱是退款订单锁定后没解锁的，剩余 20 箱在质检环节被扣住。
没有“可用库存”这一层过滤，任何补货计算都是空中楼阁。建议你在 Excel 或系统中单独建一列“可售库存”字段，用“账面库存 – 锁定库存 – 预留库存 – 待检库存”来定义它，并且在每周的补货计算中只认这个数。
很多企业用“过去 30 天总销量 / 30”来算日均销量，然后直接乘以提前期得出补货量。这个方法在需求平稳的品类上勉强能用，但在有季节性、促销期或者趋势变化的场景下会严重误导决策。
比如一款季节性商品，3 月份的日均销量是 50 件，4 月份涨到了 200 件。如果你还在用 30 天平均，算出来的补货量会偏低 30% 以上。反过来，一款清仓期的商品，日均销量在快速下滑，你如果用全月平均来补货，就会造成新的库存积压。
更合理的做法是：取“最近 7 天的日均销量”作为当前需求基准，再结合未来 14 天的活动计划、季节性系数做修正。近 7 天的数据能反映最快的变化趋势，而活动计划和季节系数能引入你“已知的未来信息”。这个组合方式比纯 30 天平均要灵敏得多。
接下来是全文的核心。无论你的企业规模多大、用什么工具，补货决策的底层逻辑都遵循同样的三步推演：先分类、再算参数、后定批量。我在 Excel 和系统里都跑过这套逻辑，它的稳定性和可解释性远好于“凭感觉补货”。
如果你只有 20 个 SKU，那可以不分类。但大多数企业的 SKU 数量在 100 到 1000 之间，如果不分类，你会在低价值商品上浪费大量管理精力，而高价值商品却得不到足够的关注。
ABC 分类法是库存管理中极其经典的工具，它的核心逻辑是帕累托定律：少数 SKU 贡献大部分销售额。具体做法是：将过去 90 天的销售额按 SKU 从高到低排序，计算累计占比，占累计销售额 70% 的 SKU 归为 A 类，70%~90% 归为 B 类，最后 10% 是 C 类。
分类之后，管理策略完全不同。
A 类 SKU（通常是销售额前 5%~10% 的品）：每周检查一次库存，每次补货覆盖 15~30 天销量，安全库存系数给到 1.5 甚至更高。这类货断货的损失最大，宁可多备一点，也不允许缺。
B 类 SKU（中等销售额贡献）：每两周检查一次，每单补货覆盖 45~60 天销量，安全库存系数给到 1.3。
C 类 SKU（长尾商品）：每月检查一次，单次补货覆盖 60~90 天销量，安全系数可以放到 1.2 以内。这类商品的补货追求低管理成本，不需要花太多时间精算。
分类完成之后，真正进入计算环节。这一节我会给出两个公式，它们是补货计划的地基。这两个公式不是我的发明，而是库存管理领域的基础通用公式。我用了三年，也验证了三年，在实际业务中它们完全够用。
第一个公式：安全库存
安全库存 = 日均销量 × 采购提前期 × 波动系数
这个公式解决的核心问题是：在采购提前期内，如果销量出现波动，你手里的库存还能不能兜住？波动系数的取值逻辑很简单，销量稳定的产品取 1.2，销量波动大的产品取 1.5。你可以用最近 30 天日销量的标准差除以平均值来量化波动，但我建议起步阶段先按业务直觉给一个 1.2~1.5 之间的数，跑两个补货周期之后再根据结果调整。
举个例子：一款 SKU 日均销量 20 件，采购提前期 7 天，销量波动比较大，取 1.4 的系数。那么安全库存 = 20×7×1.4 = 196 件。这意味着，你的库存里至少有 196 件是“保底”的，正常情况下不应该动它。
第二个公式：补货点
补货点 = 日均销量 × 采购提前期 + 安全库存
补货点回答的问题是：“库存降到多少时，你必须下单？”还是上面那个例子：日均销量 20 件、提前期 7 天、安全库存 196 件。那么补货点 = 20×7 + 196 = 336 件。
这个数字的意思是：只要库存低于 336 件，就触发补货流程，不需要再纠结“现在要不要补”。把补货决策变成一个自动化的计算规则，这是从“凭感觉”到“靠数据”最关键的一步。
安全库存和补货点解决的是“什么时候补”，采购批量解决的是“一次补多少”。批量定得太小，补货频率变高，采购和物流成本直线上升；批量定得太大，库存持有成本增加，资金被占用。
我在实际项目中采用的简化逻辑是：
目标补货量 = 补货点 + 目标周转天数 × 日均销量 – 当前可售库存
目标周转天数根据 ABC 分类来定：A 类 15~30 天、B 类 45~60 天、C 类 60~90 天。这样定下来，每次补货后的库存水平，能覆盖一段时间的销量，同时又不会过高。
继续用上面的例子：假设这个 SKU 是 A 类，目标周转天数 30 天，日均销量 20 件，当前可售库存 150 件，补货点 336 件。那么目标补货量 = 336 + 30×20 – 150 = 726 件。补完这批货之后，库存会升到 876 件左右，大约能支持 43 天的销量，在 A 类商品 15~30 天的合理区间内略高，但考虑到销量波动，这个水平可以接受。
方法论本身不复杂，复杂的是执行中的取舍。为了让你看清这套逻辑在不同业务场景下如何变形，我用两个真实服务过的案例来做对照说明。
这是一个做厨房用品的电商团队，月销售额 120 万左右，只有 20 个 SKU，团队一共 7 个人，没有专职采购，由运营兼任。最大的痛点是：每次大促之前必断货，断完之后狂补货，货到了大促也结束了，然后变成积压库存。
接手之后，我做了三件事。第一，花一个下午帮他们把 20 个 SKU 的库存状态字段补全，把“可售库存”从账面库存里剥离出来。第二，用前面说的公式，给每个 SKU 算出安全库存和补货点，做成一张表挂在运营的飞书文档里。第三，设置了每周一上午自动算一次补货建议，用条件格式把低于补货点的 SKU 标红。
两个月之后的数据：缺货次数从每月 6 次降到 1 次，库存周转天数从 65 天降到 42 天，资金占用减少约 60 万，整体效率提升非常明显。这个团队的最大收益不是“少缺货”，而是运营不用再天天盯库存了，可以把精力放回选品和投放上。
这家企业的情况完全相反。他们做医疗器械经销，SKU 数量接近 6000 个，年营收 1.5 亿，毛利率不高，靠走量。最大的痛点是：每个品类的情况差异极大，有些 SKU 一个月卖不了两件，有些 SKU 一次性就要采购几十万。用同一套补货逻辑根本跑不通。
对这类企业，ABC 分类就远远不够了。我在 ABC 基础上叠加了“供应风险”维度，核心品牌、独家代理、可替代性低的品类，无论销售额高低全部列为重点管理对象。最终形成“高值高关注、低值低关注、特殊品类单独管”的三层管控体系。
具体做法：A 类高值品（比如某进口品牌的影像耗材）保持每周盘点一次，每次补货覆盖 30 天销量，安全库存系数 1.5 起步；C 类低值品（比如普通医用棉签）改为每月补一次，每次覆盖 90 天销量，交给仓库人员按经验即可，不需要运营介入；特殊管控品类（比如需要冷链运输的产品）则在做补货计划时同步检查效期和批次，避免因盲目补货导致过期报废。
实施这套策略后的效果：整体缺货率从 12% 降到 4%，库存周转天数从 78 天降到 51 天。最重要的是，管理层第一次能用一张表看清“哪些货要马上补、哪些货三个月都不用碰、哪些货已经存在风险”。
两个企业规模完全不同、SKU 数量天差地别，但实施的底层逻辑完全一致。先分类定策略，再计算好关键参数，最后把执行规则固化成表格或报表。这套逻辑可行的前提只有一个，你愿意先花一周时间把数据底子打好，并且坚持每周用 30 分钟跑一遍补货计算。
每个企业的起点不同，我能给出的建议也不一样。下面按三种典型情况分别给出切入路径。请你对照自己的实际情况，找到对应的方案。
这个阶段的核心任务不是建系统，而是把数据底子打牢。我的建议是：用 Excel 建三张表，库存台账表、销售明细表、采购计划表。库存台账表记录每个 SKU 的账面库存、可售库存、在途数量；销售明细表每天更新最近 7 日和 30 日的销量；采购计划表用前面提到的公式把补货点和安全库存自动算出来。
不要觉得 Excel 很原始。在我接触过的企业里，至少有 60% 从 Excel 起步跑通了完整的补货流程，后来才逐步迁移到系统。关键不是工具，而是你有没有把“计算→执行→复盘”这个循环跑起来。
这个阶段最常见的痛点是“系统有，但没人信系统的数”。解决方式不是换系统，而是先做“数据治理”。我建议你花一周时间做一次全面盘点：把系统账面库存和实物库存逐项核对，找出差异，分析原因，是出入库漏记、是退换货没处理、还是系统操作延迟？把差异原因解决掉，再谈下一步。
数据治理完成后，把第三节的 ABC 分类方法落地到现有系统中，并设置补货点提醒。大多数进销存系统都支持自定义字段或预警规则，哪怕不支持，导出到 Excel 里做每周计算也完全可行。
这个阶段的企业，基础工作已经比较扎实，你需要做的是“策略分层”。除了 ABC 分类之外，引入更多维度，比如供应风险、效期要求、季节性波动，把 SKU 分成高值快消、高值慢消、低值快消、低值慢消、特殊管控五类，分别设置不同的补货频率和安全库存系数。
这个颗粒度不是一开始就要做到，建议你在现有 ABC 分类跑 2~4 周、积累了足够数据之后，再逐步叠加其他维度。一步到位会非常痛苦，业务部门也会抵触。
在库存优化这件事上，我最常被问到的问题是：“这个方案是不是最优的？”每次我都要花不少时间解释一个反常识的判断：在库存管理里，追求最优往往是个陷阱，能持续运转的方案比纸上最优的方案好得多。
很多企业经营者对“库存高”极度恐慌，一看到周转天数上去了，就催着采购降低补货量。我理解这种焦虑，但必须指出：高库存的确意味着资金占用和管理成本，但低库存同样意味着缺货风险和销售损失。你需要的是一个平衡点，而不是一个极值。
我给企业定的参考基线是：A 类商品周转天数控制在 15~30 天，B 类 30~60 天，C 类 60~90 天。如果你的库存水平远高于这个区间，先审视补货批量是否过大；如果远低于这个区间，先审视是不是低估了波动系数导致频繁缺货。
很多供应链专家谈“需求预测模型”“机器学习预测销量”，听起来很先进，但对中小企业来说，最现实的选择不是把预测做到多准，而是把响应速度提到多快。把采购提前期从 15 天压缩到 7 天，比把预测准确率从 70% 提升到 80% 更容易实现，也更有价值。
我见过太多企业在预测模型上花了三个月时间，结果因为供应商的提前期太长、太不稳定，模型再准也没用。先优化响应速度，再优化预测精度，这个优先级顺序切莫颠倒。
如果你的 SKU 少于 100 个，花几十万上 WMS 系统大概率是浪费。一个训练有素的运营人员用 Excel 每周花 2 小时处理补货计算，完全能覆盖需求。如果 SKU 超过 500 个，手动处理开始变得吃力，这时候考虑系统化辅助才合理。
决定是否上系统的分水岭不是企业营收，而是“人工处理补货计划所需的时间与管理精度之间的差距”。当人算不过来、出错率开始上升，才需要考虑工具的介入。
在给企业做诊断的时候，我发现一个普遍规律：问题永远出在最弱的那个环节。一个企业如果数据准确但采购提前期特别长，那么优化补货公式的边际价值很低；如果补货参数算得精细但没人执行，那么问题可能出在组织流程而不是技术层面。
所以，行动之前先做一次自我诊断。用一周时间把下面四个问题想清楚：你的库存数据是不是准的？你算补货参数时是不是有公式和依据？补货计划制定后能不能被严格执行？每个季度会不会复盘一次补货结果？这四个问题对应的就是数据的准确性、计算的合理性、执行的规范性、迭代的持续性。有一项明显短板，优先补那一项。
回到文章开头的核心结论：大多数企业缺的不是数据，而是数据到决策之间的转化链路。这条链路由三个环节构成，处理清晰的库存可用数据、计算关键补货参数、制定可执行的采购批量。而让链路持续运转的，是每周一次的例行计算和每月一次的复盘迭代。
如果你读到这里，想给自己定一个具体的下一步，我建议从以下三个动作开始。这三个动作在两小时内就能完成，但会在未来一个月里显著改变你对库存管理的感知。第一，盘点你现有的库存数据，确认能否每周取到“可售库存、日均销量、采购提前期”这三组关键值，取不到就先把数据链路打通。第二，从你销售额最高的 10 个 SKU 开始，用文中公式算出安全库存和补货点，验证合理性，再逐步扩展到全品类。
第三，下周一就用新算出的补货点去触发一次补货；如果你发现现有库存已经低于补货点而你没有察觉，那说明文章的方法已经在帮你发现此前被忽略的问题。
库存优化不是一次性的项目，而是持续迭代的能力。先跑起来，再优化；先依赖数据，再升级模型。只要方向正确，你的仓库会在未来三到六个月内给你明确的回报。
我每次按库存量补货，但总是有的商品积压，有的却很快断货。到底该不该补货？安全库存是不是只能凭经验拍脑袋设定？
先说我的第一手经验：我曾管理过一家年销售额约2000万元的小型电商仓库。起初我们统一给所有SKU设置“3天安全库存”，结果爆款依然断货，滞销品却越积越多。后来我意识到，缺货要分“真缺货”和“临时断货”两类，而安全库存不能是固定值。真正的缺货风险，是“库存可用天数”小于“补货提前期”。
算法很简单：可用天数=当前库存/日均销量；如果可用天数安全库存建议用公式：安全库存=Z×σ×√L。Z是服务水平系数，比如95%服务水平取1.65；σ是日销量标准差；L是补货前置期天数。我们取某款日均销量5件、标准差3件、前置期7天的商品，安全库存≈1.65×3×√7≈13件。而不是拍脑袋的3天量。
这个公式不是万能的，但至少能让你第一次算出有依据的数字。后面每季度根据缺货率调整Z值即可。避坑提示：不要对所有商品用同一个补货周期，建议把SKU按销量稳定性分成A/B/C三类，A类设频繁审查，C类可以每两周集中处理。
我们公司存了很多年的历史销售记录，但平时只用来做报表，不知道怎么真正派上用场。有没有不依赖算法工程师就能用的预测方法？
我们团队曾用一套“1+1”组合来预测补货：先用简单的统计模型打底，再用人工修正处理异常。核心原则是：在复杂算法和业务直觉之间找平衡，过度建模往往会让结果更糟。稳定商品用三个月移动平均。比如某SKU近三个月销量为120、135、150，下月预测值就是(120+135+150)/3=135件。
有明确趋势的商品，则用线性回归：以时间为X，销量为Y，预测下月值。我们实践中有款产品连续6个月增长，回归预测值和实际偏差不到8%。季节性商品更简单，直接取去年同月销量，再乘一个“今年增长系数”。关键是要先剔除促销、缺货、退货等异常值。特别要注意，缺货期间实际需求会被低估。
我们当时给客服加了一个“缺货登记”入口，每当商品断货，就把用户留言的意向数量记入“潜在需求表”，再把这份需求量补进历史销售数据中，预测准确率提高了近20%。最终预测结果要给出区间，而不是一个点。比如用平均绝对百分比误差MAPE，计算出预测值135件±15件，那么补货时至少要覆盖150件。
这样库存风险才不会被单点预测掩盖。避坑提示：不要用12个月平均去预测有季节性的品类，那会平滑掉曲线。
每次做采购计划都是靠Excel手工算，很费时间，还容易漏掉在途订单。到底该怎么做出一份靠谱的补货计划表，最好能直接拿去给供应商下单？
一份能直接执行的补货计划表，至少要有这些字段：SKU编码、商品名称、当前库存、在途库存、日均销量、安全库存、检查周期、供应商交期、建议补货量、预计到货日、订单状态。我们实际用下来的公式是：建议补货量=日均销量×(补货前置期+检查周期)+安全库存−当前库存−在途库存。
举一个真实例子：某SKU当前库存150件，在途100件，日均销量20件，安全库存80件，前置期7天，检查周期3天。那么建议补货量=20×(7+3)+80−150−100=230件。如果供应商的最小起订量是500件，这230件还要提升到500件，同时把到货日期标注清楚，避免重复下单。
我们当时把SKU分了ABC三类。A类SKU数量只占15%，却贡献了70%的销售额，用上述公式精细化计算；B类SKU占30%销售额，每三天跑一次同一公式；C类SKU数量多但价值低，直接设固定补货周期，比如每两周补一次，省下的精力用来处理A类异常。还要给每行增加“库存总成本”提醒，计算库存积压资金。
比如上面那款SKU，补500件时库存资金占用会比230件多，如果资金紧张，就要和供应商谈拆单，或者提高补货频率降低单次量。我们通过这个方法把库存周转天数从65天降到41天，同时缺货率控制在3%以内。
现在用Excel做补货已经有些吃力了，数据一多就卡，也容易出错。想上专业系统又怕成本太高，有没有一步步自动化的路径？
我的建议是：不要一开始就买昂贵的WMS或ERP系统，先用你手头的Excel加上一个轻量级数据库，就能完成80%的自动化。我们当年把三张表（销售明细表、库存表、供应商交期表）导入数据库，通过SQL计算出日均销量、安全库存和建议补货量，替代了大部分手工操作。
具体路径是：第一步，把Excel表格统一成规范的一维表，SKU编码必须唯一。第二步，用Power Query或SQL做自动清洗和合并。第三步，写一条每日运行的定时任务，生成“补货建议表”，并通过邮件或企业微信推送给采购员。我们当时用Python脚本每天凌晨跑一次，一天只需20分钟检查异常。
如果数据量超过几十万行，Excel的VLOOKUP会明显变慢，那就迁移到SQLite或MySQL。我们迁移后，数据处理时间从半小时缩短到3分钟。而且SQL代码比Excel公式更容易维护和复用。另外，还可以用现成的API连接供应商系统，自动更新交期，但这要看供应商能力。
自动化过程中最重要的一环是建立监控指标：缺货率、周转天数和滞销库存占比。每周复盘一次，及时调整预测参数。我们用了三个月，从纯Excel过渡到数据库自动化，整体采购计划耗时降低了70%，而且因为计划更加可追溯，团队协作效率也明显提高。
避坑提示：别一上来就追求全自动，先保留人工审批步骤，等模型稳定了再逐步放开。
读者评论
我自己就吃过"账面库存"的亏。之前做电商，系统里显示某款还有500多件，实际扣除预售和渠道预留后能卖的不到200件，结果大促期间直接断货一周。文章里那个电煮锅的案例跟我经历几乎一模一样。现在我把可售库存单独拉了一列，每周一只认这个数算补货，再也没出现过那种断到清零的情况。做库存优化的朋友建议先看看这个。
ABC分类这个思路很实用。以前我们300多个SKU都是统一标准，采购员每天忙得团团转，结果低价值商品囤了一堆，高价值爆款反而经常缺。按照文中方法重新分类后，A类每周精算补货，C类一月管一次，采购效率明显提升，库存周转天数从60多天压到了40天左右。里面给的安全库存系数和检查频率，可以直接参考着用。
我算是专业做数据分析的，平时也帮企业搭库存模型。文章里提到的三个误区特别真实，尤其是"死数据"那段，很多公司进出库记录都在，但分布在仓库、运营、采购三个部门，月底对不上账是常事。判断数据是否可用的那个标准很实用：能不能在每周一拿到上周的库存余量、日均销量和未完成订单这三组数，不能就说明链路有问题。