数据库存节日备货 电商节日参考库存数据科学备货
很多人以为“数据库存节日备货”就是把历史销售表拉出来，乘上一个系数，再扔给仓库下单。但我接手过一个年销超过6800万元的母婴店铺复盘，他们的备货Excel表里写了非常复杂的公式，活动结束后仍然积压了37%的库存。真正的问题出在哪里？不是数据不够，而是他们把“数据库存”理解成了“一次性算出备货量”，而不是把库存数据的全过程变成一条可修正的补货链路。节日备货的科学性，不在于某个数字有多精确，而在于整条链路有没有感知风险、吸收偏差、滚动修正的能力。
如果你指望通过历史数据准确猜中未来15天某件商品卖出多少件，那大概率会失望。节日需求受流量分配、竞品动作、平台满减规则、主播换人、天气变化等多重因素影响，预测误差10%到30%是正常水平。真正科学的备货，不是追求“预测值等于实际值”，而是设定一个可接受的服务水平：你到底愿意为多少比例的顾客留货，同时愿意承受多少比例的资金占用。备货量本质上是“期望销量+安全库存”，安全库存就是风险区间的一部分。
我见过很多运营把备货目标直接设为“预计销量×1.5”，却说不清1.5是应对什么风险。一旦问他们“你愿意接受3%的缺货还是10%的积压”，他们往往答不上来。所以做备货的第一件事，不是打开Excel，而是先和决策者一起把“缺货容忍度”量化下来。没有这个数，后面的所有数据计算都没有意义。
节日备货的数据价值随时间变化：活动前30天，能用的只有去年数据和平台流量政策；活动前7天，预售和加购可以给出更强信号；活动进行中的第4小时，实时销量结构会告诉你哪些款跑偏了；活动结束后48小时，补货的意义已经让位于清仓决策。真正的数据备货方法，应该是“宽预测、窄区间、快修正”。先设定一个大范围，再随着确定性信息进入，逐步压缩安全库存的冗余，把资金从“不知道会不会卖的货”里释放出来。
所以在我带团队做备货时，永远不会只给“一个备货数字”。我会要求输出三档：悲观档、基准档、乐观档，并且把补货触发条件写清楚。例如：当某SKU售出率达到40%且每小时增速超过均值1.8倍时，触发加急补货；当售出率低于预期30%时，触发促销清尾。这就是用库存数据管理风险，而不是用库存数据赌结果。
很多电商公司的备货表只有“销量预测”和“实有库存”两列。但真正决定是否能补上货的，是在途库存、工厂生产周期、入仓质检时间、平台预售锁定库存和物流干线时效。数据如果不在同一时间口径上，就会出现“系统显示有货，实际已经欠货”或者“仓库说发出1000件，可售只有600件”的错位。
举个例子，一个SKU可售库存为3000件，工厂还有5000件在路上，预计6天后到仓。如果按“可售库存”计算，这款只能支撑2天；如果按“可售+在途”计算，可以支撑7天。许多备货补单延期，就是因为没有把在途库存计入可承诺库存。科学备货的数据底座，必须是统一后的库存六状态：实物库存、可售库存、锁定库存、在途库存、不可售库存、待退换货库存。 只有这六个状态能够实时对齐，后面的预测和决策才有参照系。
去年年中，我接手一个美妆品牌的节前备货复盘。他们的做法非常典型：年度销售目标为6000万元，双十一目标占比25%，也就是1500万元。客单价按99元计算，预计销量为151,515件；再乘一个1.2的安全系数，最终备货181,818件。看起来每一步都有数据，实则每一步都在自我放大。
这家店的实际支付转化率在双十一前不断走低，预热期加购率也比去年同期低20%。大促当天，爆款还是卖得很好，但第二梯队的40个SKU集体滞销。活动结束时实际销售只有67,000件，库存积压了将近115,000件，占用资金约1140万元，最后通过三个月折扣清仓，直接亏损超过210万元。问题根源不是预测不准，而是他们用“销售目标”反推“库存需求”，把目标当成了需求。目标应该用来指导投入，不应该用来欺骗库存系统。
另一个案例是一家零食品类店铺，年销大约3000万元。他们做春节备货时，直接拿去年同期30天销量乘以1.8，作为春节备货总量。结果今年平台把年货节预售提前了5天，工厂又因为订单太多延迟3天发货，导致第一批货在预售第三天就卖完了，而第二批货要等8天之后才能到仓。春节前12天，店铺的核心礼盒款全部断货。
这个案例的问题出在“前置期变异”上。他们只算了一个备货总量，却没有把“预售提前、工厂排产延后、物流爆仓”这些时间变量放进库存计划。我后来帮他们复盘时发现，如果按日均销1500件、前置时间18天（含生产和物流）来算，安全库存需要额外增加18,000件左右；但更重要的是，应该将第一批货提前拆分为五个批次，先发预售订单，再滚动补货。节日备货不只是“备多少货”，还包括“货什么时候到”。
第一个案例有精确的历史数据，但决策逻辑被销售目标污染；第二个案例有去年同期数据，但没有考虑活动节奏和前置期变化。它们的共同问题是：数据表格里堆满了数字，却没有一个机制让数据反过来修正决策。
我后来给这两家都建立了“活动前预测-活动中滚动-活动后复盘”的数据闭环，具体包括：每天更新一次库存状态、每4小时对比一次实际销售与预测曲线、每12小时计算一次是否需要触发加急补货。效果最明显的是一家店铺的库存周转天数从45天降到23天，缺货订单占比从12%降到5%。这就是数据备货的真实价值：不是让你算准，而是让你能在错误酿成灾难之前看见它。
| 库存口径 | 账面数量（件） | 实际意义 |
|---|---|---|
| 系统库存 | 15,200 | ERP中记录的仓库总数量 |
| 实物库存 | 14,860 | 盘点后的实际数量 |
| 锁定库存 | 1,240 | 已付款未发货，订单锁定 |
| 待发货 | 890 | 已拣货打包，等待快递揽收 |
| 可售库存 | 12,730 | 顾客可以正常下单的数量 |
| 在途库存 | 5,000 | 工厂发出，未入仓 |
最常见的备货方法就是“去年卖了10000件，今年定个增长目标30%，再乘以1.5的安全系数”。这里的问题是：去年的销量里可能有平台补贴带来的脉冲，也可能因为缺货而少卖了一部分，还有可能被当时的预售政策人为抬高了。用一个粗糙的总量乘数掩盖所有这些变化，必然会形成系统性偏差。
更合理的处理是：把去年活动周期拆成预热期、爆发期、衰退期，分别计算每天的销量分布；同时观察今年的流量结构、加购率和竞品强度。如果发现预热期销售占比在上升，说明消费者更倾向提前购买，那备货重心就应该前移，而不是简单地调整一个总倍数。
去年的双十一预热从10月15日开始，今年的预热从10月20日开始；去年的满300减50，今年改成满200减30；去年头两天卖出50%，今年可能第一天就卖出65%。这些都会让“去年同期总额”失去参考价值。备货数据需要的时间颗粒度至少是“天”，最好能拆到“小时”。我看见太多团队拿着去年活动总成交量来算今年备货，却没有对齐日期、活动节奏和价格口径，最后第一天就缺货。
一个可执行的方法是：拉出过去三次大促的“每日销售/活动总销售”占比曲线，形成一个标准进度带。然后在大促当天，用实时销售进度对比该进度带，如果实际进度超出带子上限，立即启动补货或减少非核心资源的投入。
库存数据远不止“仓库里有多少件”这么简单。因为电商库存经常被拆成多个状态：预售订单占用、赠品库存、残次品、待防伪贴标品、刷单占用等。如果只按物理库存做备货判断，你会发现补货指令发得特别晚，或者重复下单。
举一个我在食品店铺看到的现象：系统“实物库存”显示有8000件，其中有1500件是已付款订单的待发货库存，1200件是用于满赠活动的赠品库存，还有300件是外包装破损待退货库存，真正可售的只有5000件。如果拿系统实物库存去做销售支撑判断，会凭空高估60%的库存能力。
补货提前期从来不是一个固定值。工厂排产可能从前3天变成后5天；快递干线可能因为天气延误2天；入仓质检可能会抽查多花1天。若将补货时间视为固定值，安全库存很容易被低估。特别是节日高峰期，工厂和物流的插单情况比平时更严重，前置期的方差往往会放大1.5倍以上。
正确的做法是：统计过去至少5次补货的“下单到可售”实际天数，计算平均前置期和前置期标准差，然后把两者都纳入安全库存公式。如果你只知道平均12天，却不知道标准差是3天，你的备货计划就会在高峰期变得非常脆弱。
很多团队在活动前加班加点做出备货计划，活动开始后就再也没人碰那张表。可节日销售中，前4小时的表现往往已经能预测活动整体的走势。如果活动第一小时销量是预期的80%，后续也没有明显反弹，那就应该立刻启动“去库存”动作，把价格、赠品和站外投放向下调整。如果第一小时售罄率超过30%，则要马上联系工厂加急翻单，同时限购来拉长库存寿命。
备货计划必须是一份可更新的运行手册，而不是一份静态的预测文档。 我在实际操作中会设置三个检查点：开卖后4小时、第一天结束后、第二天早上。每个检查点都要重新计算剩余可售天数，并对比备货时的基准曲线，触发对应的补货或促销动作。
我习惯把节日前后的需求拆成三层：底量是日常稳健销量，波段量是活动期间的额外流量带来的销量，脉冲量是某个爆款、某场直播或某个秒杀瞬间产生的高峰。底量用近30天日均销量为基础；波段量用平台大盘增长率乘以自身流量增幅；脉冲量则需要单独识别，例如主播一场直播可能带来2000单，这个数字不能平摊到每天的预测里。
备货时，底量对应基础库存，波段量对应活动安全库存，脉冲量对应快返能力或临时加急采购。三层分开计算后再合并，会比用一个总量预测更符合真实销售曲线。比如某个SKU日常日销200件，活动期预期日销400件，但有一场顶流直播可能在2小时内消耗1000件，那么备货量就应该在“200×7天+400×3天+1000”的基础上再加安全库存，而不是简单地把日均预期乘以天数。
经典的库存公式是安全库存等于服务水平对应的Z值乘以需求与前置期的组合波动。结合电商场景，我常用下面这个简化形式：
SS = Z × sqrt(daily_demand_variance × lead_time + daily_demand² × lead_time_variance)
其中，daily_demand_variance是日销量的方差，lead_time是补货前置期天数，daily_demand是日均销量，lead_time_variance是前置期天数的方差。Z值由目标服务水平决定：90%对应1.28，95%对应1.65，99%对应2.33。
举例说明：某SKU日均销量300件，日销量标准差80件；补货前置期12天，前置期标准差2天。如果按95%服务水平计算：
SS = 1.65 × sqrt(80² × 12 + 300² × 2²) = 1.65 × sqrt(76800 + 360000) = 1.65 × sqrt(436800) ≈ 1.65 × 661 ≈ 1091件
这说明这款商品需要额外准备约1091件安全库存。如果团队之前用的是“预计总销量×1.5”，很可能是这一款多备了数百件，另一款少备了上千件。公式的价值在于把不确定性的两个来源都显式表达出来，让每一个SKU的安全库存都有据可依。
服务水平越高，安全库存越大，资金占用越重。一个简单经验：引流款和利润款的服务水平可以设置为90%-95%，长尾款设置为60%-75%，清货款甚至不需要安全库存。因为引流款的缺货会影响流量转化和店铺权重，利润款的缺货会直接影响利润；而长尾款即使缺货，对整体收入影响很小，不值得为它付出高额的库存持有成本。
如果店铺有明确的利润目标，可以反向计算：假设缺货损失率每降低1%可以带来多少利润，同时测算库存资金增加带来的资金成本，找到两者平衡点。把服务水平当成一个经营变量来调，而不是把安全库存公式当成死规定。
所有预测模型都要经过回测验证。我最常使用的指标是WAPE（加权绝对百分比误差），公式是：预测总偏差÷实际总需求。如果WAPE低于15%，说明预测模型基本可用；如果超过25%，说明模型必须调整。另一个指标是“备货售罄率”，即实际销量÷备货量。健康值通常在80%-95%之间：低于80%代表库存积压，超过95%代表安全库存不足，缺货风险偏高。
在每次大促结束后，我会把预测值、实际值、安全库存使用量三个数字放在一起，计算每个SKU的偏差并进行分类归因。是流量少了？转化率低了？还是前置期拖了？只有经过多轮复盘，备货模型才会越来越贴近真实销售结构。
我曾跟踪一个服饰类目店铺在两次相邻大促中的备货表现。第一次大促，他们采用静态备货，提前备了13,000件，实际卖出9,200件，售罄率只有70.8%，积压3,800件，后续清仓产生了约38万元折扣损失。第二次大促，他们改用我在前面提到的“活动前预测、活动中滚动、活动后快速清尾”方法，预期销量定为12,600件，并额外准备800件安全库存，总备货13,900件。
开卖前四小时，实际销量进度低于预期，团队立即把长尾款的广告预算砍掉30%；第二天爆款销售突然加速，他们通过提前联系工厂加急返单追了900件。最终实际销售12,600件，售罄率90.6%，缺货约340件，积压约1,400件，清仓成本只用了第一次的35%。
这个案例最值得注意的不是“预测更准了”，而是风险结构发生了变化：第一次的风险全部集中在“库存积压”，第二次的风险分散到了“缺货、返单、促销调整”多个可控环节，最后库存资金占用少了，利润反而高了。滚动修正让库存数据从一个静态数字变成动态决策信号。
我在一个拥有1080个SKU的店铺里做过库存结构分析，发现头部20个SKU贡献了68%的销售额，而尾部500个SKU总共只贡献5%的销售额。但尾部SKU的安全库存金额却占总安全库存的35%，缺货率反而高达22%。这说明团队为了长尾SKU付出了大量资金，却没有换来相应的服务改善。
原因在于长尾SKU单日销量小但波动大，用同样的服务水平去计算安全库存，会得到一个相对过高的备货量。正确的处理是：长尾SKU大幅降低服务水平，把补货方式切换为“合并采购”，也就是几个长尾SKU共用同一个备货周期，并设置更低的补货点。或者用“在途共享”策略，把同一供应商的长尾SKU合并到一个下单计划里，减少单SKU的安全库存。
还有一个容易被忽视的坑：库存账面数据和实物数据之间经常存在差异。一次盘点中我见过某店铺系统显示库存9,800件，实际实物只有8,560件，差额主要来自赠品未入账、退款未回库、发货时多发漏发等。如果按系统库存去做补货，相当于在真实库存上又叠加了一层虚假库存，最终数据备货做得越细致，偏差反而越大。
我建议在节前至少做一次全库盘点，并对“不可售库存”做独立标记。盘点的重点不只是数量，还包括每个SKU的可用状态：完好、破损、过期、待质检、锁库、赠品专用。只有把这些状态全部理清，库存数据才能真正支撑科学备货。
新品没有历史销量数据，科学备货的重点在于“小步快跑”。建议首批只备够满足两周销量的货，同时设定加购率和点击率两条观察线：加购率超过3%时可以追加翻单，低于1%则停止补货。成熟款有足够历史数据，也清楚销售节奏，可以按安全库存公式精细测算。尾货款则以清空为目标，不需要设置安全库存，只要给出一个“最后销售期限”，用价格杠杆把剩余库存转为现金。
标品例如日化、家电、数码配件，需求相对稳定，适合高服务水平备货，建议90%-95%。非标品例如服装、饰品、文创，款式波动大，建议采用“预售+少量现货”策略，安全库存只覆盖确定流量，不要为猜测中的爆款备太多。快消品例如零食、饮料，有保质期限制，库存周转优先于服务水平，安全库存不宜超过两个补货周期。高波动品，例如节日礼盒、网红联名款，销量可能一夜爆发也可能无人问津，建议设置一个“促销清尾预案”，并严格控制单SKU备货比例。
活动前的核心动作是数据核对和预售信息汇总。把预售订单量当成“已确定销量”，把加购收藏数据当成“半确定销量”，用这两个信号修正备货计划。活动中的核心动作是每4小时刷新一次“剩余库存可支撑天数”：剩余库存÷最近4小时销量×4。如果可支撑天数低于安全阈值，立即触发补货；如果高于阈值，则增加促销动作。活动后的核心动作是50%以上的库存清理决策，不要继续压货到下一场活动，除非下一场活动在7天内就会到来。
| 品类 | 推荐服务水平 | 补货前置期参考 | 库存周转目标 |
|---|---|---|---|
| 标品（日化/家电） | 90%-95% | 7-15天 | 30天以内 |
| 非标品（服装/饰品） | 75%-85% | 15-30天 | 45天以内 |
| 快消品（食品/饮料） | 85%-90% | 5-15天 | 保质期的40%以内 |
| 高波动品（礼盒/联名款） | 60%-75% | 10-20天 | 30天以内 |
库存备得越多，缺货损失越低，但库存持有成本、仓储成本、清仓折扣成本会不断上升；备得越少，资金风险降低，但缺货会损失销售额、排名和顾客信任。把两边的成本曲线画出来，通常会得到一个总成本最低区间。在我的经验里，大多数日销型店铺的最优服务水平在92%-96%之间，活动大促时可以适当提高到95%-98%，但超过98%以后安全库存会急剧膨胀，性价比非常差。
如果你经营的品类毛利较高、库存贬值快，比如服装，就应该把服务水平定低一点，用快速返单来对冲缺货；如果是毛利高、库存保值且需求稳定的标品，则可以定高一点，用库存量换取销量确定性。
节日备货数据的时效性极强。大促前15天，你通过预售数据看到的确定性，远比历史模型重要；大促开始后4小时，实时销量信号远比前一天的预测重要；活动结束后24小时，清仓速度比补货速度重要。很多团队没有感知到数据价值随时间衰减，结果在错误的时间用错误的数据做决策。
我建议把“数据决策节点”刻进运营日历：活动前7天看预售，活动前3天看加购，活动中每4小时看售罄速度，活动后每天看库存天数。如果你连续三次大促都错过了某个节点，就说明备货计划只是形式，没有真正转化为供应链动作。
不是所有SKU都值得用同样的库存管理成本去精细化。A类SKU贡献大、作用关键，应该投入人力跟踪实时库存、计算安全库存、提前锁定产能。C类SKU销量低，既不需要高服务水平，也不需要逐个去算。可以把同一供应商的C类SKU合并成一个采购批次，用整体库存金额约束备货总量，而不是为每个SKU单独设定安全库存。
我们曾经在一个500个长尾SKU的计划里，把C类SKU的安全库存整体下调40%，缺货率只提高了2%，但释放了大约27万元的库存资金。这就是把资源投向真正影响销售的地方。
库存计划做得科学，并不代表供应链就健康。库存数据就像体温计，它告诉你是否存在问题，但真正解决问题需要供应链各环节的协同。我看到太多团队花高价买了库存管理系统，却仍然用经验拍脑袋做备货，因为他们把数据备货理解为“软件自动生成结果”，而不是“组织内每个角色都对数据负责”。
科学备货的本质，是让不确定性被看见、被量化、被分散到多个可执行的动作里。 预测永远会错，但只要你预留了服务水平、控制了前置期波动、建立了滚动修正机制，即使错了，损失也在可承受范围内。
先不要急着找更复杂的预测模型，也不要去买更贵的库存算法。我建议你在未来两周内做七件事：第一，统一实物库存、可售库存、锁定库存、在途库存的统计口径；第二，给所有SKU打上“引流款、利润款、长尾款、清货款”标签；第三，计算过去五次补货的前置期平均值和标准差；第四，为每个SKU分层设定服务水平；第五，用文中的公式重新计算一次安全库存；第六，把大促前、中、后的数据检查点写进运营流程；
第七，活动结束后完整复盘实际销量、备货量、售罄率、WAPE这几个关键数字。
当你把这些动作变成惯例，“数据库存节日备货”就不再是一句口号。你会看见库存数据如何帮助你在几十万个SKU的噪声里找到真正需要关心的信号，也会看见库存周转天数、缺货率和利润之间的联动关系。备货不再是一张静态表，而是一条能够自我修正、持续进化的数据链路。
我们店铺开了好几年，数据库里存了一大堆节假日销售记录，可真到备货时，我反而不知道该怎么参考。去年卖爆的商品今年可能无人问津，大促前后的数据也都混在一起，到底该怎么提取出真正有用的备货参考值？
先做数据清洗，再谈参考。我处理过一家家居店铺的三年数据，发现库存记录里能直接用于节日备货的通常不到三成。三个最常见的“脏数据”源：第一，大促透支期，我习惯把618、双11前后一周的销量剔除，因为那是大促贡献，不是节日自然销量；
第二，断货截断，某个SKU节日中途卖断货，后续记录变成0，真实需求被严重低估；第三，推广异常，某次节日刚好投了大量流量，销量虚高，下次不投就现出原形。我的筛选方法是：用最近90天日均销量做基准值，再计算节日销售倍数=节日期间日均销量÷基准值。
取近三年同类节日倍数的中位数做参考，而不是直接照搬任一年的绝对值。因为绝对值会被价格、流量、竞品变化干扰，倍数相对稳定。我还会做一次异常校验：如果某年节日销量比其余年份高50%以上，先查那年是否叠加了促销、投流或平台补贴。如果有，这种记录要么剔除，要么至少打七折再用。
每次备货都是运营凭感觉报数，老板问依据又拿不出来。网上查到的公式要么变量太多，要么根本没有具体数字，想知道有没有一套能直接拿自己店铺数据套进去的备货量算法？
我验证过一套四步法：算基准值、定节日倍数、扣在途需求、加机动库存。公式可以写为：备货量=节日预估总销量−补货提前期内的日常销量+机动库存。以某零食店春节备货为例：节前14天日均销量24单；
近三年春节7天的总销量分别是672、840、924单，对应日均96、120、132单，用节前日均24单换算，倍数就是4、5、5.5，我取中位数5。今年预估节日日均销量=24×5=120单，7天节日总需求=840单。补货提前期6天，在途需求=24×6=144单。
差额840−144=696单，再加10%机动库存约70单，最终备货766单。机动库存的比例按品类调整：生鲜和低价标品建议放到15%到20%，因为爆单和退货波动都大；高客单价非标品可以降到5%到8%。如果历史记录里存在断货，先把基数放大10%再算，否则会系统性低估需求。
公式里的每一项都要有数据来源，拍出来的数字不是备货量，是赌注。
我们数据库里很多SKU在节日期间都断过货，断货那几天的销售额是0，但我总觉得如果不缺货还能多卖。直接拿这种记录去算备货量，会不会把需求算低？
会，而且会低不少。断货期间的销量0不代表需求0，它只代表库存没跟上。直接用这种数据算备货倍数，等于默认断货期间没有人想买，这在逻辑上就错了。我的做法是插值补全：找到断货开始日和结束日，用断货前14天和恢复供货后14天对应时段的日均销量取平均值，作为断货期间的单日潜在需求。
举个例子，某SKU断货前日均11单，恢复后日均14单，插值取12.5单，断货3天就补回约37单。先把这个数加进节日总销量，再重新算节日倍数。另外一个更隐蔽的坑是退货率。备货应该按净销售算，净销量=订单量×(1−预计退货率)。服装类退货率可以到25%到35%，食品保温类大概5%到8%。
如果只看订单量，货就会备多，多出来的库存就是压资金。如果节日里开了预售，预售订单已经锁库存的部分要从未发货库存里扣除，不能一边算预售一边又按同样订单再加一次备货量。数据本身不会骗人，但口径不一致时，算出来的数字一定失真。
我按去年数据算好了备货量，货也入仓了，结果活动开始前发现加购和预售数据比预期好很多。这时候到底该不该追单？追的话加多少才合适？判断标准是什么？
历史数据定的是基础盘，实时数据负责修正。我的策略是盯三个时间点：节前第7天、节前第3天、节中第1天。核心指标是加购转化率。举例：某店铺节前第3天加购人数2800，去年同期只有1700，当时加购到成交的转化率是32%。用2800×32%粗算预计成交896单，而现货库存只有650单，缺口246单。
这个缺口如果补货周期需要5天，就追246×80%约197单，留一部分给周期损耗。追单不是追满，追满是追库存游戏，不是做生意。如果只是访客涨而加购率没有明显上升，我的判断是流量不精准，这时不要加库存，反而要留意活动后半段会不会减速。节中第1天看售罄率：售罄率=净销量÷库存总量。
如果售罄率超过50%，而活动还有至少两天，建议按当前日均销量的1.2倍补货；如果售罄率低于20%，立刻停止补货，并启动清仓预案，因为节日需求可能提前见顶。最后说一句供应链判断：供应商最快生产周期5天，物流运输3天，距离节日结束不足8天时，追单到不了仓。
这时候与其追货，不如调整流量，把有现货且加购好的SKU加大曝光，把库存结构调顺。
读者评论
我们公司去年大促就是典型的用销售目标倒推备货，老板定了个增长目标，商品部照着乘以安全系数就下单了，结果活动只卖了预期的一半，积压库存堆了一个仓库。文里那句“把目标当成了需求”直接戳中我，现在每周复盘都会把目标、需求、实际三条线分开看，至少不会再自我放大误差。
做了几年供应链，最认同的是把前置期方差放进备货计算。之前总是按工厂说好的交货周期来算补货，结果高峰期经常因为延期断货。文中建议统计至少5次补货的实际天数来算平均和标准差，这个思路很实用。另外把可售库存、在途库存、锁定库存分开看，确实能避免很多“系统有货实际没货”的误判。
文章最有价值的部分是提出了可修正的补货链路，而不是追求一次性算准。表格里写个公式谁都会，难的是活动进行中每4小时去对比预测和实际曲线，然后真的去触发补货或清仓动作。我们现在把备货计划改成了三档预测加触发条件的运行手册，运营、仓储、采购总算能在同一张表上说话了。