2023年初，我接手一家华东家居零售企业的库存数据优化项目。初见库存报表时，账面库存金额高达6400万元，理论上“存量充足”，但门店店长却在反复抱怨缺货。我做了第一步异常简单的动作：把9724个SKU的库存明细，从各部门的Excel表格里整理成一台数据库能查询的明细表。当真正按SKU粒度拆开库存结构后，一个让人有些惊讶的事实浮现出来：账面上只有大约46%的库存是正常周转的，其余54%都积压在库龄超过120天的慢销品上，仓储面积被大量“僵尸库存”占着，畅销品却因为没有仓位和资金而频频断货。
这就是《数据库存家居库存 家居品类库存数据周转优化方案》要解决的核心问题。
家居品类与3C数码、快消品有本质差异：大件商品单价高、购买低频、物流重、退换货成本大。因此，家居库存优化的第一性问题不是“把库存总量降下来”，而是把资金从“无效库存”转移到“有效库存”上。库存量下降并不代表效率提升；真正重要的是在有限的资金和仓储空间内，提高资金被有效销售商品的占用比例。
我接触过的多数家居企业，对库存的认知停留在“账面金额”层面，却回答不了三个关键问题：第一，这批货是哪一批款式的？第二，它们已经在仓库里放了多久？第三，按当前动销速度，哪些能在正常周期内卖完？回答不了这三个问题，库存优化就无从下手。
导入数据库，本身并不能直接让库存周转变快，但它提供了数据密度。Excel时代，月度盘点后生成一张汇总表，能看到总数，却看不到结构；数据库则让管理者能从SKU、品类、库龄、门店、供应商、批次等多个维度自由透视库存。因此，数据库的定位是把过去“每个月被迫看一次后视镜”，变成“每天都能看仪表盘”。
在我参与的上述项目中，光是完成SKU明细数据入库，就发现了大量此前报表上根本看不到的“数据灰尘”：同一个SKU编码在不同门店叫法不一致、仓库和门店台账重复统计、采购批次信息缺失。只有当这些问题暴露在数据库里，后续所有周转优化动作才有了准确的数据地基。
基于多次家居行业项目的试错，我总结出一个相对可复用的五步框架：
这套框架曾在一个运营12个月的项目周期内，把企业的库存周转天数从182天优化到127天，缺货率反而从9.7%降到6.2%。这说明：周转变快和缺货降低不是对立关系，真正解决的是库存结构问题。
这家企业身处华东地区，旗下有18家自营门店、2个仓储中心，产品覆盖软体沙发、板式家具、床品家纺、灯具和装饰摆件。年营收约2.3亿元，听起来规模不小，但库存管理方式非常原始：仓库台账用Excel，门店盘点用纸质单，采购决策靠店长经验，财务只看月度总金额。
这种模式下，老板最关心的问题是“仓库里还有多少钱的货”，而没人知道“哪些款已经整整半年卖不动”。结果是，一边积压，一边缺货，运营团队陷入长期焦虑。
项目启动时，我要求提供过去12个月的全部库存流水，结果发现数据散落在四个地方：仓库的入库台账、门店的POS销售记录、采购部的订货单、财务的盘点调整表。四个来源对同一个SKU的编码规则都不一样。
经过两轮清洗和比对，库存数量的盘点差异率达到9%，这已经大到根本无法基于现有数据进行采购决策。所以项目的第一阶段其实非常朴素：先把数据口径统一，再谈优化。
当数据进入数据库，我按SKU滚动12个月的销量做了帕累托分析，结果让经营团队相当意外：销量排名前20%的SKU贡献了全书店铺68%的销售额，但它们只占用22%的仓库面积；而排名后50%的长尾SKU，只贡献10%的销售，却占用了53%的仓储面积。
这个结构带来的直接后果是：畅销款在门店卖断货后，供应商补货入仓时已经没有合适的库位，只能临时塞在过道，又进一步加剧了拣货效率下降和盘点差异。库存管理从此陷入恶性循环。
很多管理者喜欢用一个“公司库存周转天数”来判断库存健康度。但在我优化案例的那家企业，全公司平均周转是182天，听起来似乎“还行”，实际上各品类差异巨大：床品家纺只有85天，灯具约120天，软体沙发230天，板式家具则高达310天。
平均数的核心问题在于它会掩盖结构性滞销。假设沙发库存周转很好、家纺积压严重，平均下来也许依然不差，但资金其实已经被套牢。因此，判断库存健康度必须下沉到品类层甚至SKU层，而不是只看公司层级的单一数字。
ABC分类法在家居行业用得很多，但多数企业是按“库存金额”排序，金额最高的划为A类。问题在于，家居品类中高金额商品往往也是高单价、低频次的大件家具。一个单价2万元的实木沙发，库存金额很高，但一年可能只卖3套，把大量资金压住，按金额分就是A类，却并非真正的高动销。
我在项目中采用的改法是把“金额维度”和“动销维度”拆开并行：A类代表高销售频率，B类中频，C类低频；再叠加价格带形成矩阵。这样能有效避开“金额大就是重点品类”的误判。
家居企业内部不同品类的补货前置期差异极大。床品从工厂发到仓库约15天，沙发定制则需要45到60天，板式家具涉及量尺和排产，甚至需要75天以上。如果把所有品类都按同一安全库存倍数去算，必然会出现大件积压、小件缺货的并存局面。
专业做法是按品类分别设定前置期和波动系数，对大件家具类采用“接单订制+样品展示”的策略，对小件家纺和灯具采用“安全库存+快速补货”的策略。一套参数无法解决全品类问题，这是高频踩坑点。
家居消费并不只跟着季节走，它同时受房地产市场周期、装修旺季、节假日促销节奏、甚至区域人口流动的影响。仅参考去年同期的销售数据，很容易被一次性促销或临时缺货失真影响。
更可靠的做法是把去年同期作为“基础参考值”，但再叠加“最近8周的动销趋势”和“未来4周的活动计划”来修正预测。我在项目里发现，那些被修正过的SKU，预测准确率普遍比直接用去年同期高15到20个百分点。
很多企业认为“库存减多了就会缺货”，这种二元对立思维是库存优化最大的心理障碍。实际我们的案例里，库存周转从182天优化到127天的同时，缺货率不升反降。原因很简单：当畅销SKU有了更充足的安全库存和补货保障，而滞销SKU不再挤占采购预算和仓储面积时，缺货问题自然得到缓解。
我建议每个家居企业为自己的SKU建立三个维度标签，形成三维画像：
这三个标签叠加后，每一个SKU都能被归入类似“中价格带，高频动销，低波动”这样的类别。不同类别对应完全不同的库存策略：高频低波动适合批量备货，低频高波动必须“按需采购”，只有这种粒度才能让数据库真正发挥作用。
我在实际项目中为那家华东企业设定的目标区间如下，供参考：
| 品类 | 目标周转天数 | 补货前置期 | 需求波动系数 | 补货策略 |
|---|---|---|---|---|
| 软体沙发 | 180-210天 | 60天 | 高 | 样品+接单订制 |
| 板式家具 | 240-280天 | 75天 | 高 | 订单驱动+少量现货 |
| 床品家纺 | 60-90天 | 15天 | 中 | 安全库存+快反 |
| 灯具照明 | 90-120天 | 30天 | 中 | 常规补货 |
| 装饰摆件 | 45-75天 | 20天 | 低 | 批量补货+长尾收缩 |
这个目标区间的意义不在于“统一压缩”，而在于让每个品类知道自己的合理水位。板式家具300多天的周转有其产品属性，不可能靠喊口号降到100天；能优化的是把不合理的部分找出来，而不是设定一个违背商品物理属性的目标。
当数据库里有了每个SKU的日均销量、补货前置期和预测波动系数，安全库存的公式就可以标准化：
安全库存 = 日均销量 × 补货前置期 × 波动系数
再订货点 = 日均销量 × 补货前置期 + 安全库存
目标库存上限 = 再订货点 + 补货周期 × 日均销量
这个公式看起来简单，但运营中最大的问题不是不会算，而是很多企业连“日均销量”都算不准，因为历史数据里混入了促销、缺货和一次性团购事件。所以在计算前，先要清洗数据：剔除促销占比过高的周次，单独建立“日常动销”和“促销动销”两套基线。数据库让这些计算从手工估算变成了每日自动刷新。
库龄是库存健康度的“X光片”。我把库存资金按库龄分为四层：0-30天在途期、30-60天正常销售期、60-120天观察期、120天以上风险期。风险期进一步拆分为120-240天“灰色库存”和240天以上“死库存”。前者还有机会通过促销或调拨消化，后者基本只能折价处理。
那次项目中，我们发现账面6400万库存里有28%资金处于120-240天库龄段，这批货还没有坏到只剩残值，但已经超出大多数家居品类的正常销售周期。真正的优化杠杆正来源于此。
我印象颇深的是数据清洗阶段刚开始时，团队花了两周才把四个数据源合并起来。统一的SKU编码、品类归属、属性字段、库龄口径，每一件都相当琐碎，却构成了后续所有分析的地基。
清洗后的数据库包含几个核心表：SKU基础信息表、库存每日快照表、销售流水表、采购到货明细表。每个SKU每天都会生成一条库存快照记录，这个粒度让日均销量、动销分位、库龄分布的计算，都变得相对直接而准确。数据库模型不复杂，关键是坚持每日跑数。
第三步是给SKU打标签。我们把每个SKU按销量贡献分为A类、B类、C类，同时按周销量的波动系数分为X类、Y类、Z类。A代表高频动销，X代表低波动，AX是最优组合，CZ是最差的滞销风险组合。
矩阵落库之后，管理层第一次能以可视化方式看到：真正应该重点投入的AX类SKU只有约410个，占总SKU数量的4.2%；而需要治理的CZ类SKU却有约2380个。治理方向瞬间清晰起来。
过去，这个企业的滞销识别是“季度盘点后人工看一眼”，反应周期至少滞后45天。我设计了一套每日自动扫描规则：
满足以下任一条，自动进入"慢动销观察清单"：
这套规则用SQL定时任务每天执行，结果自动推送给采购和运营负责人。功能上并不复杂，但它把库存健康度的检查频率从季度一次变成了每日一次，管理动作从“事后补救”变成了“事前预警”。
通过持续12个月的运转，该企业的经营指标发生了明显变化。库存周转天数从182天降到127天，资金占用从6400万降到4400万，缺货率反而从9.7%降到6.2%。滞销库存占比从34%降到19%，240天以上超期库存从1150万元压减到480万元。
最有价值的改变其实不在数字本身，而在管理方式：采购团队开始依据数据做决策，而不是“凭感觉追单”。店长补货也开始参考系统建议值，逐渐形成了“数据先于判断”的协作习惯。
规模较小的家居企业不必一开始就上大型系统。我用过的一套轻量组合是：用SQLite或MySQL做底层，配合一个现成的BI报表工具，库存明细按日导入。整个搭建周期通常在1个月内，成本可控制在3万元以内。
这个阶段的核心目标不是建模型，而是把库存数据“攒”下来。先积累6个月的SKU粒度数据，再开始设定品类目标周转区间。没有数据积累，分析模型再先进都是空转。
发展到这个规模，企业通常已经有几十家门店或渠道，库存粒度开始变得复杂。我建议在数据库基础上增加“每周动销复盘”机制：每周固定时间，按品类拉出快动销TOP列表和慢动销TOP列表，同步调整下一周的补货计划。
相比月度复盘，周复盘最大的优势是能把滞销识别提前30天。许多企业陷入“积压，促销，再积压”的循环，就是因为在问题连续发生之后才行动。
这个体量的家居企业SKU往往超过1万个。如果还靠人工筛选滞销款，已经难以有效运作。必须把分类标签和预警规则固化到数据库任务中，并且增加一个“自动停采”机制：当SKU进入慢动销清单且库龄超过阈值时，系统自动冻结采购申请；只有业务负责人明确审批后，才能解除冻结。
这个机制听起来严格，却是防止“越积压越补货”的有效保障。很多采购人员看到某一款商品历史销量不错，会下意识地继续下单，完全没有意识到该款已经进入衰退期。数据库预警的作用就是为冲动的补货增加一道强制刹车。
多品类零售商要做的是“结构性调整”，重点在于区分SKU的动销速度和需求波动；单品类工厂则要重点做“需求预测和排产计划”，因为工厂的库存问题往往源自订单波动和原材料备料。两种业态需要不同的数据模型和运营节奏，不能照搬同一个方案。
自建数据库的优势是灵活，能贴合企业的特殊品类结构定制标签体系；劣势是开发周期长，后续维护依赖内部技术人员。商业软件上线快、流程固化，但家居行业的个性化需求往往需要二次开发，年费也不便宜。
我的判断是：如果企业已有较为稳定的IT团队，年营收超过1亿元，自建更具备长期价值；如果团队偏向业务运营，应该选择配置灵活的成熟软件。
滞销库存的处置，是一场与时间赛跑的游戏。越晚处置，仓储费、资金利息和商品贬值带来的损失越大。不少企业因为“舍不得毛利损失”而持续观望，反而让滞销库存占用的资金成本远远超过一次适度折价促销的代价。
我建议在数据库中为每个SKU设置“处置触发点”：库龄达到120天，系统自动计算“继续持有30天的持有成本”与“折价25%清仓损失”的差值。如果前者大于后者，就果断启动处置流程。这套逻辑的核心是让决策基于数字对比，而不是老板的心情。
大件家具类商品有着极高的预测难度，因为客户决策周期长、影响因素多。与其投入巨大精力提高预测准确率，不如缩短供应链响应速度：把销售前端与工厂排产之间的信息通道压缩，把60天前置期逐步优化到45天以内，用速度对冲预测的不确定性。
但小件家居则不同，它们单价低、品类多、销售频率高，单纯靠“快速响应”成本太高，更合理的策略仍是提高预测精度。取舍原则一句话概括：高单价低频次品类优先优化响应速度，低单价高频次品类优先优化预测精度。
家居品类库存数据周转优化，并不是一个一次性的IT项目，而是把库存管理从“凭经验”切换到“靠数据”的运营方式变革。数据库提供了底层能力，ABC-XYZ分类让库存结构变得透明，库龄预警产生行动指令，最终在释放资金和提升周转之间形成闭环。
如果你的企业也正面临“账面库存不少，畅销款却老缺货”的困局，我的建议很简单：先别急着买系统，也别急着压库存。花一个月时间，把现有SKU的每日库存流水和销售流水整理进数据库，真正看清自己的库存结构，再开始谈优化。看见问题，已经解决了问题的一半。
我们仓库的系统里明明显示还有几十件沙发，可客户下单后去拣货却发现一件都没有，这种账面与实物不一致的问题已经让我头疼很久了。到底该怎么设计数据库，才能让库存数据真正反映仓库里的真实情况？
先给你一个结论：家居库存不准的根源，不是扫码枪不够多，而是数据库里只有「数量」没有「状态」。我做过的家居仓库项目里，最典型的错误就是把库存表设计成一行一个SKU只存一个总数量。
比如某款餐桌SKU有50件，系统就只显示50，但实际这50件可能分在三个库位，其中12件是客户退回来的残次品，8件是样品已拆封，只有30件是真正的可售良品。前端却在按50件接单，于是必然出现超卖。
要解决这个问题，数据库至少要拆成三层： 第一层是「库存流水表」，每发生一次入库、出库、调拨、报损、盘点差异，就写一条流水，包含时间和操作人，绝不直接改总数。第二层是「实时库存汇总表」，根据流水计算每个SKU在每个库位的可用数量、锁定数量、残次数量、待检数量。
注意，可用数量和锁定数量必须分开，否则用户下单预占时会把库存扣没了。第三层是「盘点差异表」，每次盘点后记录系统数、实盘数和差异原因。我见过一个项目，连续三个月盘点差异率超过15%，后来发现是退货入库时没有录入质量检验环节，导致残次品混入可售库存。
另外，家居大件商品建议用「单件批次管理」而不是只记数量。因为如果一张床垫里有两件是不同批次颜色微差，系统只显示数量，发货时就会拿错。单件管理可以在数据库里给每一件货一个唯一ID，状态为在库/预占/出库/退货/报废，这样哪怕仓库员工操作慢一点，数据也不会乱。
实操上我的建议是：先给所有库位做一次全量盘点修正，然后从明天开始所有出入库操作必须扫库位码+商品码，不要相信手工输入。数据库设计上，把库存状态字段从原来的「在库/在途」扩展成至少5个状态。坚持三个月，你的账面准确率就能从80%提升到98%以上。
我们经营的是家具和家居用品，SKU超过三千个，有些商品一个月能卖几十件，有些一年都卖不出一件。每次做库存决策时，我都分不清哪些该继续补货，哪些该尽快清掉，怕补了压资金，又怕清了断货。有没有比较实用的数据指标组合，能帮我清晰区分这两类商品？
不要只看周转天数，尤其是家居品类，只看周转天数会把新品和成熟品搞混。我建议把SKU分成四个格子，然后分别定策略。格子一是「高动销+高毛利」，比如一款爆款单人沙发，月均销售30件，毛利率45%。这种要重点关注补货周期，数据库里可以设置自动补货预警，当可用库存低于安全库存时就生成采购建议。
格子二是「高动销+低毛利」，比如某些标准款收纳箱，卖得很快但利润很薄。这种商品尽量不要囤太多，用快速周转来赚现金流，补货时按「周销量×1.5」作为采购量，避免大促前压货。格子三是「低动销+高毛利」，比如一些设计感强的装饰画，可能一个月才卖两三件。
这种商品适合做「以销定采」，客户下单后向上游订货，而不是预先在仓库里堆很多。但要注意设置最长存放时间，比如超过60天就转为展示样品或促销。格子四是「低动销+低毛利」，这是我建议清仓的重点。判断依据不要只看销量，还要算「持有成本」。
举个例子，一款落地灯售价299元，成本180元，月销2件，但它的仓库占用面积是1.2平方米，每月仓储成本约30元，加上资金占用成本，持有三个月就吃掉了一半毛利。这种商品就属于该清仓。更具体的操作是，用数据库里的销售数据计算「月均售罄率」：最近90天销量 / 当前库存量。
如果这个数字小于0.1，意味着当前库存需要约10个月才能卖完，除非是预售款，否则就该立即进入清仓流程。清仓时也不是一刀切打折，而是按「库存深度」设定阶梯折扣：库存深度大于12个月的，先降20%；大于24个月的，降40%；同时设置一个止损线，比如低于成本50%就报损处理，避免仓储费继续吃掉利润。
我服务的一个家居零售商，用这个四象限法重新梳理了2800个SKU，三个月内清掉了600个低效SKU，释放的仓库面积相当于又开了一个小型门店，整体存货周转次数从每年2.1次提升到3.4次。关键是，你要把「想当然」变成「按数据分格」，数据库里只需要三个字段：近90天销量、当前库存量、月均毛利额。
家居大件商品单价高、供货周期长，比如一套实木餐桌从下单到到货要45天，我如果按传统公式设安全库存，就得囤好几套在仓库里，资金压力特别大。可如果不设多点，又怕遇到黑五这种大促直接断货。到底怎么设定安全库存和补货点，才能既不断货又不占用太多资金？
先破除一个误区：安全库存不是越多越好，对家居大件而言，安全库存的代价是资金占用和仓储成本，这两个加起来往往比缺货损失还要大。我的经验是把「供货周期内的销量预测」和「服务水平」分开算。标准公式是：补货点 = 日均销量 × 采购提前期 + 安全库存。
但家居品类的采购提前期波动很大，供应商排产晚一周、物流慢三天，都很常见。所以我建议在你以往销售数据里，取「过去12个月中最高连续15天销量」作为峰值参考，而不是用平均日销。比如某款沙发平均日销1.2件，但去年大促前15天卖了38件，日均2.5件。按平均算补货点会远远不够，按峰值算又可能囤太多。
我的做法是设定两个补货点： 一是「预警补货点」，按「峰值日销×采购提前期×1.2」来算。这个值触发时，系统只给你发送采购建议，并不自动生成采购单。二是「强制补货点」，按「峰值日销×（采购提前期+3天物流缓冲）」来算。一旦低于这个值，就必须下单，否则有很大概率断货。
安全库存的计算也别用通用公式，我建议用「期望库存保障天数」来替代。比如你希望95%的情况下不断货，那就查一下过去12个月里，采购提前期最大一次是多少天。假设最大提前期是52天，而你平时按45天算，那么多出来的7天就是你要额外备的安全库存天数。
如果这7天的销量是8件，那安全库存就设为8件，而不是拍脑袋定20件。更关键的是，家居大件一定要设置「最长库存天数」字段。我见过很多仓库，某款床垫畅销时就一次性进了100张，结果热度过后一年都没卖完，仓储费加上资金利息，算下来比断货损失高很多。
所以我给客户做方案时，会为每个SKU设定一个「资金占用警戒线」：当库存金额超过该SKU月均销售额的3倍，或者库存数量超过可持续销售9个月的数量，就自动触发减少采购或暂停补货。这个规则虽然简单，却能有效防止大件商品被高估的需求困住资金。
最后给你一个落地建议：不要一开始就追求精确的数学模型，先用Excel或数据库配上三个值，日均销量（按近60天）、采购提前期（按最近一次实际周期）、最大提前期与平均提前期的差值。跑一个月，观察断货次数和库存金额变化，再逐步调整参数。
我帮一个做户外家具的客户这样做，库存金额下降了28%，断货率只上升了0.6%，资金利用率明显改善。
我们准备上一套新的库存优化方案，但我担心实施过程中会遇到很多想不到的问题，比如部门之间不配合、数据口径不统一、系统切换期混乱等等。想请教一下，真正执行过这种项目的人，通常会踩哪些坑？应该提前做什么准备才能避免？
我从实际项目里总结出四个最容易踩的坑，每一个都让人付出过真实代价。第一个坑：只让IT部门牵头，业务部门不参与。库存优化表面上是个数据库和算法问题，实际上需要采购、仓储、销售、财务四个部门统一口径。
比如「可售库存」，销售认为是「系统里所有能在网店展示的」，仓管认为是「库里物理存在的良品」，采购认为是「我已经下单在途的」。如果不先拉齐定义，你的报表做得再漂亮，业务人员也不会用。
我的做法是第零周开一次跨部门会，花半天时间把每个指标定义成白纸黑字的《库存指标字典》，比如「可售库存=良品在库+在途-预占-质检中」，并让各部门经理签字确认。第二个坑：历史脏数据没有清洗就直接跑算法。很多企业的库存表里存在大量负数、重复记录、没有库位编码的孤儿数据。
如果直接拿这些数据训练预测模型，结果一定会让你怀疑人生。我遇到过一个案例，某仓库因为退货单重复录入，导致系统库存比实物多出300多件，而优化方案根据这个错误数据建议「停止补货」，结果一周后爆款断货。所以，在启动优化项目前，一定要先做一次完整的数据清洗和盘点核对。
至少要保证两个底线：SKU编码唯一、库存数量非负。否则宁可先花两周时间整顿基础数据。第三个坑：上线过程搞「一刀切」，没有并行期。有的团队为了追求效率，周六晚上切换新系统，周一早上直接开始用新流程，结果采购单、入库单、盘点单全部乱套。
我的建议是设置至少两周的「影子运行期」：新旧系统同时跑，但业务照旧，技术人员每天对比两边数据差异，发现不一致就追原因。比如新系统按新算法算补货点，旧系统还是人工判断，两周后看两者差异有多大，再决定什么时候正式切换。第四个坑：忽略了「操作成本」对数据准确率的影响。
很多优化方案流程设计得很完美，但要求仓管员每件商品扫码三次、拍照上传、填一堆字段，结果一线员工为了省事，常常批量扫一个库位码代替逐件扫描，导致数据很快又不准了。我在一个家居仓库就碰到过，员工嫌扫描动作太繁琐，自己开发了一个「扫描枪宏命令」一次性输入所有数量，表面上的操作记录很完整，实际全是假数据。
后来我们把流程改成「扫码后自动带出上次数量，有变化才需要修改」，操作时间缩短了60%，数据准确率反而提升了。避免这些坑的总体思路是：先定义标准，再清洗数据，然后并行验证，最后简化操作。如果你发现团队里有人对「数据准确性」这件事不够较真，那这个方案大概率会烂尾。
真正有效的库存优化，不是靠一个完美算法，而是靠一套让一线员工愿意执行、也让管理层看得懂的数据规则。
读者评论
作为同行，最有触动的是那个54%的滞销库存占比。我们公司也一直觉得账面库存够多，但店长天天喊缺货，直到把SKU明细拉出来才发现同样的结构问题。前20%的SKU贡献了68%销售却只占22%仓库面积，这个对比太扎心了。文章提到的二维分类法很实用，按金额分类确实会误导选品和采购，把高频低价值商品当C类断货，把低频高价值大件家具当A类死压资金，这几乎是行业通病。
文章让我最有收获的不是框架本身，而是关于品类差异的分析。我们以前也追求把全公司周转天数降下来，结果家具和床品用同一套补货参数，反而让大件越积越多。家具这种低频高单价商品天然需要较长销售周期，目标定到100天本质上违背商品属性。项目里按品类设定差异化目标的思路很有参考价值，平均数和总金额真的会掩盖结构性问题。
比较认同关于缺货率和库存水平不矛盾这个判断。我之前分管采购时就被董事会教育过，说控制库存和保障销售是对立的。但文章案例用了12个月把周转天数从182天提到127天，缺货率反而从9.7%降到6.2%，资金释放了近2000万，这个结果很有说服力。关键是畅销品要有足够安全库存，而不是简单地砍总量。后50%长尾SKU只贡献10%销售却占53%面积，清掉这些才是优化真起点。