过去三年，我操盘过的优惠券活动不下五十场，每一次“SKU库存优惠券适配”出问题，几乎都不是发生在券发出去的那一刻，而是在活动开始后的第4到第8小时，核心单品先断货，消费者拿着券买不到东西，后台涌进一排缺货催付；活动结束后，非核心SKU却剩下一堆货，资金全压在仓库里。问题从来不是“券发多了”，而是券和货在SKU颗粒度上根本没有建立联动关系。这篇内容不讲后台按钮怎么点，也不给一个固定的备货倍数，而是把我在这五十多场活动中验证过的备货逻辑、核销率判断方法和库存控制节奏完整拆出来。
看完之后，你能根据自己店铺的历史数据，算出一个属于你自己的安全备货阈值。
核心结论：先讲明白这次内容的最终判断
如果你只能记住一段话，请记住这句：优惠券活动的备货量，不取决于你发了多少张券，也不取决于你历史卖了多少货，而取决于“核销率分布”和“SKU集中度”这两件事。核销率决定总备货水位，SKU集中度决定备货资源往哪些单品倾斜。把这两件事算清楚，超卖和积压会同时被控制住；只盯其中任何一件，都会在活动后付出代价。
核销率决定总水位
领券量从来不是真实的消费需求，它只是需求信号的“上限”。一个用户领了券，可能因为忘记使用、去竞品下单、凑单门槛没达到而放弃核销。所有类目都有一条共同的规律：领券量一定大于核销量，核销量才是库存真正要承接的订单量。所以，总备货量的起点不是券的发行量，而是预估核销量。
以我复盘过的不同类目活动数据来看，核销率的波动范围非常大：食品类目日常券的核销率能到70%以上，高客单女装只有45%~55%，美妆类目在60%上下，而家具这类决策周期长的类目，核销率经常跌破40%。不同类目之间的差异，比同一类目不同店铺之间的差异还大。这就是为什么“备1.5倍”“备2倍”这类普适经验值放在具体店铺身上往往失灵，它没有把你的类目决策周期和券面额强度放进去。
SKU集中度决定分配结构
全店备货量算对了，不等于每个SKU都备对了。我在实际操作中发现一个稳定的规律：20%左右的SKU会承接70%~80%的券核销订单。这20%的单品才是备货的重心。把预算平均摊到所有SKU上，本质上是在做无用功，因为非核心SKU即使备了货，也几乎没有流量和券核销承接。
判断核心SKU的标准不是你现在卖了多少，而是券核销订单里它占了多少。有些单品平时卖得很好，但用户拿到券之后不会用它，因为优惠券有门槛，或者它的价格带不在券的适用范围内。只看日常销量去备货，会发现券核销订单全都压在你没备够的那几个单品上。
三层数据联动是最终解决方案
把上面的逻辑落到执行层，需要同时关注三层数据：券数据（领券量、核销量、退券量）、货数据（店铺库存、活动库存、可售库存）、历史数据（近三次同等级活动的SKU日销与核销率）。只有把这三层数据放到同一张表里，才能形成“以券定货、以货限券”的联动机制。
我见过太多运营把这三层数据拆开看：看券的只看领券量，看货的只看库存余量，做供应链的只看历史销量。结果就是券在平台侧已经核销了两千单，仓库侧的活动库存还剩三千件，一边忙着补货，一边明明货就在别的仓里。这不是能力问题，是数据视角没有对齐。
真实场景复盘：一次活动备货翻车的完整过程
2024年9月，一个做女装的天猫店铺找到我复盘活动。店铺有380个SKU，客单价集中在199到499之间，计划在秋季上新节点做一次“满300减50”的店铺券活动，同时叠加平台跨店满减。他们备货的方式是：先看上月全店销量，再按1.5倍经验系数买入。结果活动开始后第5小时，核心的11个SKU全部断货；活动结束时，全店库存积压的金额超过120万元。
活动前：所有判断都建立在“历史销量”上
这个店铺的运营把过去30天的全店销量拉出来，做了一个简单的TOP20清单，然后按TOP20单品各备1.5倍，其余SKU备1.1倍。这个做法有两个致命问题：第一，历史销量是自然流量下的结果，不代表用户在持有券之后的购买行为；第二，店铺券有“满300减50”的门槛，历史销量高的单品里，有7个单价在199元以下，用户为了凑单会优先选择单价更高的SKU，而不是价格更低的。
我给店铺做了个模拟测算：把券核销订单按SKU拆开，发现TOP10核销SKU里只有3个来自历史TOP20，其余7个全是客单价在239元到329元之间、平时动销一般的中高价位单品。这就是“以历史销量备货”最大的盲区，你在给没有券核销承接的商品备货，同时忽略了真正会被券带动的商品。
活动中：核心SKU断货后，产生了“次生灾害”
活动第5小时，核心SKU库存归零，当时距离活动结束还有67小时。店铺运营的临时反应是手动加库存，但仓库根本没有货可加。结果就是：用户领取了满300减50的券，打开商品详情页却发现主推款下架，于是转向竞店。从后台数据看，断货期间的支付转化率从活动前2小时的4.1%跌到1.6%，优惠券使用率同步下降了23%。
这里有一个值得所有运营关注的细节：断货不只是损失这一单，而是会让整张券失去核销机会，连带影响到凑单SKU的销量。用户不会因为你没货而选择其他SKU，她会直接关掉你的店铺。这个次生灾害在复盘数据里表现得非常明显，断货后的6个小时里，全店GMV只恢复了断货前的55%。
活动后：积压库存带来的真正成本
活动结束时，库存积压了120万，其中一半来自历史TOP20里但不在券核销TOP10的单品。更要命的是，这批积压库存里有30%是秋季款，过季之后只能降价清仓。我把积压成本拆开算：仓储成本、资金占用成本、降价折损成本三项加起来，大约是这批货原值的18%。
这些成本不可能从GMV里看出来。只看GMV，这场活动的成绩是“销售额增长40%”，但把积压折损和后续清仓损失算进去，净利润反而比平时还低。这也是我为什么一直强调：备货质量要以“7天售罄率”和“库存周转天数”来衡量，而不是只看活动GMV。
拆解常见误区：为什么你的备货总是拍不准
这些年我复盘过大量备货偏差案例，发现大多数人用的方法都逃不开四个误区。这些误区单独看似乎都有道理，组合在一起却会制造“系统性偏差”，不是运气差，是方法本身就是错的。
误区一：按历史全店销量均摊备货
全店销量增长的店铺容易走这个极端：上个月卖了300万，这个月有券活动，预计增长30%，于是按390万去备货。备货采购单是按“汇总金额”做的，到仓后按部就班铺到所有SKU上。问题在于，优惠券活动带来的销售增长从来不是均匀分布的，它高度集中在少数符合券门槛、款式受欢迎、库存深度够的SKU上。用全店均值去备货，等于默认所有SKU的增长幅度一样，这在优惠券活动里几乎不可能成立。
误区二：按领券量反推备货量
另一个常见操作是看领券量。运营觉得“发出去5万张券，就算核销率只有50%，也会有2.5万单”，于是按2.5万单备货。这里的问题在于核销率本身不是一个固定值，它会随着活动推进、库存变化、竞品动作而大幅波动。
我在多个案例里观察到同一现象：开券第一天的核销率通常是最高的，占全周期核销量的40%以上，之后逐日衰减。如果一开始就按总量2.5万单备货，而实际核销集中在第一天，仓库的发货压力会瞬间击穿，核心SKU也会在第一天就断货。备货要按“核销节奏”去分阶段配置，而不是按总量一次压上。
误区三：给所有SKU套同一个备货系数
很多内部的备货规则是这样写的：“本次活动按1.5倍历史销量备货。”这个1.5倍被套在了所有SKU头上。实际执行时你会发现，不同SKU对优惠券的敏感度完全不同：高溢价SKU用了券可能从300降到250，价格优势不明显，核销增长有限；中低价SKU用了券直接打到7折，性价比突显，核销可能翻倍。把不同敏感度的SKU放到同一个系数下管理，相当于在制造结构性积压。
误区四：备货越多越安全
这是最隐蔽的误区。库存充足确实能避免断货，但备货超过实际需求的部分，会在活动结束后变成占用资金的压力，尤其是强季节性商品和保质期敏感商品。折扣促销引起的核销增长，必然在活动结束后出现一段需求真空期，活动吃得越饱，活动后饿得越快。超量备货是拿利润换安全感，算总账的时候往往亏得更多。
专业判断逻辑：用四步测算法算出备货阈值
讲完误区，进入实操环节。我把我个人在操盘过程中反复验证过的方法拆成四步，每一步都依赖你自己的历史数据，而不是别人的经验倍数。这套方法的核心价值在于：它能把“备货数量”从一个拍板的数字，变成一个可计算、可复盘、可调整的阈值区间。
第一步：圈定核心SKU池，用二八法则筛选
先拉出最近三次同等级活动的订单明细，按SKU维度聚合券核销单量。筛出累计贡献80%券核销订单的SKU数量，通常这个数量占全店SKU的15%~25%。把这批SKU标记为核心SKU池。核心SKU池不是固定的，它随每次活动的券门槛和主推款变化，所以每次活动前都要重新拉一次。
具体操作上，我建议在表格里增加两列：一行写“日常销量排名”，一行写“券核销排名”。两个排名差大于20位的SKU，要标黄，它们就是历史经验备货最容易失准的部分。
第二步：拉取核销率与日销数据，分价格带建立基准
对圈出的核心SKU，分别拉取：近三次同等级活动中该SKU的券核销量、券核销率（核销量除以领券量）、活动期间日销、活动后7天日销。把这些数据按价格带分组。为什么要分价格带？因为不同价格带的用户决策行为差异太大，混在一起算会把均值扭曲掉。
我习惯把SKU分成三档：低客单（200元以下）、中客单（200到500元）、高客单（500元以上）。每档单独计算平均核销率、核销爆发系数（首日核销占全周期的比例）。决策周期越长、客单价越高的SKU，核销率越低，爆发系数也越低，备货节奏要拉长；低客单SKU核销率高、爆发系数高，备货要前置且激进。
第三步：用折损系数反推安全备货量
确定基准后，进入计算环节。这里我会用一个折损系数来避免两个极端：一是备多了压资金，二是备少了断货。计算方法如下：
安全备货量 = 预估核销量 ×（1 + 折损系数）
其中：预估核销量 = 券预计核销量 × 该SKU在券核销中的历史占比；折损系数取决于商品的可补货周期和供应链柔性。
折损系数的取值逻辑是这样：如果补货周期短（7天内能再次入仓），折损系数可以压到0.1甚至0，让库存贴着需求走；如果补货周期长（15天以上），折损系数就要放到0.2到0.3。季节性强的商品再上浮0.1。用补货周期做折损，比用销量倍数做折损更接近真实风险。
第四步：设置价格带差异化上限
最后一步，给每个SKU设置一个“备货天花板”。这个上限负责防止某个SKU的备货量在预估出错时无限放大。
我的习惯是：低客单SKU备货上限设为预估核销量的1.3倍，中客单1.2倍，高客单1.1倍。上限不等同于实际备货量，而是紧急叫停线，一旦某个SKU的备货计划超过上限，就要重新审视预估参数，而不是继续加量。上限的意义不是精确计算，而是给决策装一个护栏。
具体案例与数据观察：三场活动验证这套逻辑
光讲方法论不够，我把三场真实活动的数据摆出来，分别是：家居日用品的日常促销、美妆品牌的新品上市券、女装店铺的双11大促。每一场都代表不同的类目特性和券类型。
案例一：家居日用品，低客单、高核销
这是一个做厨房收纳的店铺，客单价59到129元，券的形式是“满99减20”，历史复购率高。我接手时，他们按1.5倍备货，结果每次都出现核心SKU断货。我重新拉数据后发现：券核销订单里，排名前5的SKU贡献了73%的核销量，但其中两个SKU在历史销量榜里只排第9和第14。
调整后的方案是：把TOP5核销SKU的备货量提高2倍，其他SKU维持1倍。活动结束后，核心SKU售罄率91%，全店库存周转天数从45天降到31天。低客单类目的核销高度集中，备货策略应该更“偏科”，而不是平均用力。
案例二：美妆品牌，中度客单、强种草
这是一个美妆店铺，客单价139到269元，券是“满199减30”，叠加新品首发。这个类目的特点是券核销率受种草内容影响极大：产品一旦在小红书/抖音跑出热度，核销率会突然飙升。我给他设计的方案是分两批备货：第一批按预估核销量的70%入仓，第二批作为机动库存放在云仓。
结果活动进行到第3天，一条种草视频爆了，券核销率从预估的58%涨到74%。因为第二批机动库存已经在7天备货计划里，第8天准时入仓，避免了断货。这个案例说明：在核销率波动大的类目里，把备货拆成“基础批次”和“机动批次”，比一次性梭哈安全得多。
案例三：女装双11，高客单、高退货
回到女装场景。双11期间，高客单女装的券核销率只有52%，但退货率高达28%。如果只按核销率备货，会出现一个问题：活动期间卖出1000件，其中280件会在后续退货。这些退货不会回到活动库存里，而是进入“可售库存”，影响下一波补货判断。
我的做法是把退货率单独作为一个系数加入计算：女装类目的实际备货量，要在预估核销量的基础上，乘以（1 + 退货率 × 退货回流率）。退货回流率指的是退货中还能按照原价二次售出的比例。双11这种价格敏感型场景，退货回流率只有50%左右，意味着这部分退货实际上很难再按原价卖出，备货时不能把它当作可二次销售库存。
关于库存扣减逻辑的数据观察
在多个店铺的实操中，我还发现一个容易忽视的细节：平台默认的库存扣减逻辑会影响优惠券活动的超卖风险。现在主流平台主要提供“拍下减库存”和“付款减库存”两种模式。
“拍下减库存”意味着用户提交订单时就扣减库存。这种模式对消费者友好，但会产生大量未付款订单占用库存的情况。我见过一个店铺在活动开抢后5分钟内产生8000个订单，其中只有45%完成付款，其余55%的库存被占超过30分钟。结果真实买家看到的是“库存紧张”，但实际上库存被无效订单占着。如果你的客单价较高（超过300元），未付款订单占比通常很高，用“拍下减库存”要格外小心。
“付款减库存”恰好相反，只有完成支付才扣库存，超卖风险更高。如果促销力度极大，短时间内大量并发支付，库存扣减会存在延迟，可能产生超卖。我的建议是：低客单、高转化类目用“付款减库存”更安全；高客单、低转化类目要么用“拍下减库存”并清理未付款单，要么在活动库存上额外预留15%~20%的余量。
不同情况下的行动建议
方案必须能落地。如果你的店铺已经决定了要做优惠券活动，下面这些建议按“不同情况”拆开，你可以直接对照自己的处境选择。
小型店铺：SKU少于50个，建议怎么做
SKU少意味着你能手动管理每一个单品，不需要复杂的系统。重点放在核心SKU的核销率跟踪上。活动开始前，把全店SKU按“预估核销量”排好，前20%的单品单独设一个库存警戒线。警戒线=该SKU预估核销量的剩余20%对应的库存数量，一旦触及警戒线，手动做两件事：一是下架该SKU的店铺券适用范围，二是启动加急补货。
小型店铺最大的优势是灵活。不需要提前把大量备货一次性入仓，活动前入仓60%，活动开始后根据首日核销数据，决定要不要追加次要SKU的库存。记住：小店的试错成本低，宁可前3小时缺货，也好过活动结束压一整仓的货。
中大型店铺：SKU超过200个，建议怎么做
SKU超过200个，手动盯货就不现实了。建议你在Excel里建一个“活动库存看板”，把每个SKU的字段拉出来：当日领券量、当日核销量、剩余活动库存、预估售罄小时数、补货在途时长。每天在固定时间点更新两次：上午10点和晚上10点。
看板的核心是“售罄小时数”这个指标，计算公式是：当前剩余活动库存除以最近24小时平均核销量。当售罄小时数小于补货在途时长时，就是补货信号。我建议的触发规则是：售罄小时数下降到补货在途时长的1.5倍时，启动补货申请；降到1倍时，启动紧急调拨。用数字触发代替感觉判断，是200个以上SKU店铺唯一靠谱的备货方式。
高退货率类目：服装、鞋包，建议怎么做
高退货类目要单独建一个“退货缓冲池”。活动期间核销订单产生的库存扣减，不要全部从活动库存中扣，可以按经验退货率预留一部分库存不进活动池。比如服装类目退货率25%，如果预估核销订单1000单，那么活动库存按750单设置，剩余250单的库存继续留在普通可售库存中。退货回来之后，这些货会回到普通可售库存，恰好补上后续订单。
这个操作的本质是：不要把退货库存当作“额外收获”，而是把它当作“二次可售资源”纳入整体备货计划。如果你不做这个预留，会出现一种尴尬局面：活动库存已经卖完，但退货仓里堆满了可售商品无法回到活动库存中，消费者想买却买不到。
多平台同时发券，建议怎么做
现在很多店铺同时在淘宝、京东、抖音、拼多多上经营。每个平台的优惠券规则、扣减逻辑、流量爆发节奏完全不同。我建议你按平台分设活动库存池，而不是共享一个总库存。
分池操作虽然会降低总库存利用率，但能有效防止一个平台的异常流量把全渠道库存打穿。曾经有一个店铺在天猫和抖音同时发券，抖音直播间瞬间涌进3000单，直接占用了天猫的活动库存，导致天猫用户下单后无货可发，造成大面积赔付。多平台活动，分池隔离是底线，宁可让每个池子备货稍微保守一点，也不能让一个平台的流量波动波及其他渠道。
不同情况下的取舍与边界
备货这件事没有绝对正确的标准答案，所有方案都是在取舍中找平衡。接下来我把最常见的几组取舍关系摊开讲，方便你在决策时知道自己在放弃什么、换来什么。
少备与多备的取舍：缺货赔付 vs 库存折损
少备货的风险是缺货。缺货的代价不只是那一单的利润，还包括平台的缺货赔付、优惠券使用率下降、消费者流失到竞店。多备货的风险是积压。积压的代价是资金占用、仓储成本和过季折损。
这两者的损失结构完全不一样。缺货是短期伤痛，一个订单的损失是确定的，通常可控；积压是慢性病，资金占用时间越长，隐性成本越高，而且它会拖累下一季度的采购资金。在资金有限的情况下，我宁可承受可控的缺货，也不愿意背上大量积压。
从数据上看，缺货损失通常只占该SKU活动GMV的5%~10%，而积压损失一旦超过30天，折损往往会超过15%。这也是为什么我更推荐“少量多次”的备货节奏，而不是一次备满。
集中备货与分批备货的取舍：确定性 vs 灵活性
集中备货的好处是确定性强，一次性把货买到位，不用提心吊胆等补货；坏处是如果预估偏差大，调整空间很小。分批备货的好处是灵活，可以把第一批的实际核销数据作为第二批的输入条件，越到后面备货越精准；坏处是需要供应链配合，且可能错过爆发的销售窗口。
我的判断是：当你的核销率历史数据积累少于3次时，强制采用分批备货。因为你的预估模型还不稳定，第一批备货直接用70%的预测量，第二批根据首日数据做动态调整。如果已经积累了5次以上的同类活动数据，预估模型相对可靠，再考虑一次性备满。
核心SKU与长尾SKU的取舍：投放资源分配的边界
资源永远是有限的。核心SKU备多了，长尾SKU的备货空间就会被压缩。实际操作中，我通常把备货预算的85%分配给核心SKU池，15%分配给长尾SKU。这个比例不是固定的，它会随活动目标变化：清库存活动要把比例反过来，冲GMV的活动则更偏向核心SKU。
这里要提醒一个容易犯的错：长尾SKU的备货不是用来承接销量的，而是用来承接“凑单需求”。满300减50的券，用户买了一个260元的主推款，大概率会再凑一个40到60元的配件，这时候配件SKU缺货，会导致整张券无法使用。所以长尾SKU的备货重点不是它自己的销量，而是它和其他SKU的凑单关系。
数据化跟手动兜底的取舍：系统永远替代不了现场判断
最后一条取舍，我留给“过度依赖数据”这件事。数据能帮你把备货区间压缩到合理范围，但数据不会告诉你：某个款突然被网红穿了、某条视频爆了、某个竞品临时降价了。这些信号出现时，库存模型是滞后的。
我的做法是：每周固定抽30分钟做一次“库存盲测”，关掉数据看板，手工列出你认为最可能断货的10个SKU和积压风险最高的10个SKU，然后再打开数据看板对比。这个习惯不是为了测试你的预测能力，而是保持对市场的敏感性。当数据模型和市场直觉出现明显分歧时，先假设市场直觉是对的，再用数据去验证，而不是反过来。
收尾：把备货变成一个概率问题，而不是拍板问题
回到开头说的那句话：优惠券活动的SKU备货，本质上是一个概率问题，不是一个拍板问题。你不可能精确预测每一个SKU会卖多少件，但你可以通过核销率、SKU集中度、退货率、补货周期这些可量化的变量，把备货误差控制在一个可接受的区间里。
这篇文章给出的不是一套固定倍数的公式，而是一个测算框架：先圈核心SKU池，再按价格带建立核销率基准，然后用补货周期确定折损系数，最后用上限做护栏。每一步都依赖你店铺自己的历史数据，而不是我的经验值，因为我也不知道你店铺的核销率是多少，但你现在应该知道怎么去算了。
如果你想在下一场活动里验证这套方法，我建议你从“最近3次活动的券核销订单明细”开始，按SKU维度做一次拆解。你会发现，真正的结论不在全店汇总数据里，而在每一个SKU的核销轨迹里。算完这一版，再去定备货，你会看到完全不同的数字。如果你连过去三次活动的核销率都没有统计过，那么第一步不是备货，是先把统计口径建立起来。
常见问题解答（FAQ）
1. 优惠券活动前，如何按SKU维度预估备货量？
每次做优惠券活动，我都为备货头疼：备多了怕压资金，备少了核心SKU秒没。网上说按历史销量预估，可我算出来的数字总是不准，到底有没有一套能落地的SKU级备货方法？
备货的核心不是算总库存，而是逐个SKU单独测算。我管理店铺时吃过亏：全店统一按一个比例加库存，结果明星款售罄被投诉，冷门款压了三百多件。后来摸索出一套四步法，连续三场活动没再出现核心SKU超卖。第一步，用二八法则锁定核心SKU。
它们通常只占总SKU数的15%，20%，却贡献60%，80%的预估销售额，必须优先保障。第二步，导出这些SKU近三次同类型活动的日均销量与优惠券核销率，注意要选折扣力度、活动时长相近的数据源，偏差太大没有参考意义。
第三步，按活动天数×活动期间日均销量×核销率折损系数计算基准备货量：高退货率类目取下限，低退货率类目取上限。第四步，单独预留峰值日需求，翻出历史活动中最高单日销量，把额外部分叠加进去。
举个例子：某SKU日常日销30件，历史活动期间日均75件，核销率60%，活动3天，基准备货＝75×3×0.6≈135件；再按峰值日需求加20%，30%安全缓冲，最终备160，175件。这套方法的关键在于：备货系数不是听来的，而是从你自己店铺的历史数据里倒推出来的。数据越细致，计算结果越可靠。
2. 优惠券核销率一般是多少？备货时如何把核销率用进计算里？
我总觉得发了10万张券就有10万人来买，结果领券的人很多，真正下单的人却不多。核销率到底受什么影响，备货的时候按几折算才靠谱？
核销率的合理区间在50%，80%之间，50%以下在服装类目中很常见，标品往往能到70%以上，高客单的3C产品甚至不到40%。我曾经做过一场活动，发出两万张券，最终核销只有8000多单，相当于四成营销预算打了水漂。核销率主要受三个变量影响：券面额相对客单价的诱惑力、使用门槛的高低、活动周期的长短。
客单价越高，下单决策越谨慎；门槛越高的券，核销越差；周期越长，用户遗忘率越高，核销率不升反降。备货时不要用一个固定系数套所有券。我的习惯是分档处理：低门槛券（如满99减10）按历史核销率直接用；中门槛券在历史基础上打九折；高门槛券打七折。
若店铺缺少历史数据，先按经验底线40%估算，再用活动前48小时发出的测试券验证实际领用与核销趋势，拿到真实数据后再修正备货量。
3. 优惠券活动库存要和日常店铺库存分开设置吗？
店铺日常在卖，活动优惠券也在发，我总担心两种订单同时涌进来会互相抢库存导致超卖。要不要把活动库存单独切出来？切出来之后又该怎么跟日常库存联动？
需要分开管理，但不等于拆两个物理仓库。正确做法是为每个SKU维护两条平行数字：店铺可售库存和活动可用量。日常订单从店铺库存扣，优惠券订单从活动可用量扣，两边独立互不干扰，才能避免超卖。联动机制的关键是设置预警红线。
当活动可用量消耗达到店铺库存的40%时，系统应自动停止发放该SKU的优惠券，防止活动订单把日常销售的底仓吃掉。40%是经验值，动销快的SKU可以放宽到50%以上，动销慢的应收紧到30%以下，具体比例要结合你店铺的动销率调整。
另外有一个实操细节：优惠券活动常出现多SPU合并付款场景，平台默认按商品顺序扣减库存。如果优惠力度最大的SKU排在扣减顺序后面，用户就会遇到领了券却买不到主力款的尴尬。设置优惠券之前，务必检查合并订单的扣减顺序，把主力SKU排在前面。
4. 优惠券活动结束后，退货和未核销的券造成的虚库存怎么处理？
大促之后退回的货特别多，未核销的券也剩了一大半，后台SKU可用量看起来巨高，但真实可卖的货没那么多。这堆虚库存不处理的话，下一场活动的备货计算是不是全是错的？
活动结束后最容易被忽略的是虚库存问题。退货订单会自动回补一段可售量，未核销的优惠券也对应着一批没有真实消耗的库存。这两个数字叠加后，下一场活动的备货计算一开始就跑偏了。我的处理流程分三步。第一步，活动结束后第7天左右，等待退款高峰基本收敛，单独导出优惠券核销量与优惠券退货量，相减得到真实净核销量。
第二步，将未核销的优惠券库存量标记为已释放可售，从活动总结中移除，不允许自动滚入下一场活动。第三步，对退出活动的SKU手工执行库存解冻，让店铺可售库存恢复到与实际可发数量一致的水平。
如果你的店铺客单价较高，退货占比超过20%，强烈建议每场活动后都执行这套流程，否则下一次备货用的基础数据就是错的，其他优化动作全是白做。
读者评论
做过活动的人都懂，断货真是灾难。文中讲到第4-8小时断货导致的次生灾害太真实了，用户领券买不到直接走人，连带影响其他SKU。以前总是按历史销量备货，结果活动起来完全不是那么回事。核销率和集中度这两个点值得反思，下次活动前一定要拉数据看看。
文章的四步测算法很实用，特别是分价格带建立基准和折损系数反推。我负责备货，以前最怕活动后积压，现在明白要按核销节奏分阶段配置，而不是总量一次压上。三层数据联动那个表思路也很好，把券、货、历史数据放一起，避免各看各的。
女装店铺的案例让我冒冷汗，我们也是按1.5倍经验备货，幸好规模不大。文中算的积压成本很扎心，GMV看着涨了净利润反而低。备货确实要靠数据，不能靠感觉。准备按照四步测算法重新梳理一下我们的SKU，特别是核心SKU池筛选。