sku库存爆发增长 大促节点SKU库存爆发式增长方案
2023年双11大促复盘时，我拿到两家规模相近店铺的库存数据，结果完全相反。第一家备了3200万的货，爆款SKU在大促第三天售罄，工厂加急排产需要12天，整个大促后半程只能看着竞品截流。第二家备了1900万的货，大促结束一清点，700多万库存压在三个区域的仓库里，后续三个月的仓储费加上折价清仓，把大促利润吃掉一大半。
这两家店的问题方向相反，根子却相同：都把"SKU库存爆发式增长"理解成"多备货"，而忽略了爆发式增长的真正含义，在大促节点，用有限的资金和仓容，让库存结构产生最大的销售杠杆。
这篇文章给出我自己验证过的完整方案。核心是一套SKU分层备货模型：按"贡献度×确定性"把SKU分成S、A、B、C四级，每级给不同的备货深度、补货频率和库存上限；再配合T-30到T+7的倒推节奏，以及一条可量化的补货触发线。整套逻辑不依赖任何付费系统，Excel就能落地。基于我服务过的店铺样本，这套方法能把库存周转天数压缩30%以上，同时把S级爆款的断货率控制在5%以内。
一、核心结论先行
在展开细节之前，先把全文的核心判断摆在这里，方便你在时间有限的情况下直接抓住重点。
大促SKU库存爆发式增长的本质，不是把库存总量做大，而是用"分层+节奏+动态调控"换取增长确定性。库存管理不是省钱的学问，而是用可控的库存投入换取大促期间销售确定性的战术动作。
1. 三个关键结论
结论一：库存是杠杆，不是成本。同样的1000万备货资金，分散在800个SKU上，和集中在40个高贡献SKU上，产生的销售额可以差出2到3倍。库存管理的目标不是单纯省钱，而是把钱放在回报最高的SKU上。
结论二：爆发式增长的前提是"分层"。所有SKU不该被平等对待。少量S级SKU贡献了大头销售额，必须有充足的库存深度；大量C级长尾SKU贡献很低，应该主动压缩库存，把资金和仓容让出来。
结论三：节奏比总量重要。分三批下单、动态补货，比一次性把货备满更安全。库存是"流"不是"池"，节奏对了，总量不用很大也能撑住大促脉冲。
2. 核心结论速览表
| 维度 | 常见做法 | 我的做法 |
|---|---|---|
| 备货总量 | 按去年峰值×1.5一次性定 | 按S/A/B/C层级分别计算后汇总，分三批下单 |
| SKU管理 | 所有SKU统一按公式备货 | 四级差异化：S级深备、C级只保陈列量 |
| 备货时点 | 大促前一次性下单 | T-30锁计划，T-15锁产能，T-7锁入仓 |
| 补货方式 | 卖完了再紧急调拨 | 按补货触发线提前下单，滚动评估 |
| 复盘机制 | 只看总销售额和总利润 | 按层级看预估与实际偏差率，沉淀为下次的预测基础 |
这张表是整个方案的地图。后面每一部分，都是在解决表里的某一行。
二、背景与真实场景：大促库存失控的两张面孔
我先讲两个真实场景。这两个场景每年大促都在大量店铺里重复发生，只是规模大小不同。
1. 断货型失控：爆款售罄，整个大促后半程失守
2022年618，杭州一家做厨房小家电配件的店铺。运营按去年618的1.2倍备货，爆款空气炸锅配件备了3000件。结果大促第一天，一条短视频带火了这款商品，当天就卖了2800件。
第二天库存见底，广告还在投放，用户点进来只看到"缺货"标识。运营紧急联系工厂，但配件类目需要等原料，采购提前期12天。最终这个SKU只吃到了第一天的流量，后面11天全部断货。
后果是连锁的：广告费持续烧到缺货页面上，浪费超过10万；店铺在类目搜索排名从20名掉到60名开外；已经下单的用户因为发货慢退款，退款率从2%飙升到9%；大促后花了三周才把排名和权重追回来。
2. 积压型失控：备货翻倍，利润被库存吃掉
同样是2022年双11，东莞一家家居日用店铺。运营按去年双11的2倍备货，4个仓库堆满了收纳箱、衣架、挂钩这类体积大、客单价低的商品。结果大促期间类目流量被头部品牌吸走，整体销量只做到预估的六成。
大促结束后，仓库里还有340万的货。仓租每月9万，资金占用成本按年化8%计算，每个月也要2万多。最后花了三个月，通过满减清仓、直播间甩卖，以平均4.5折的价格才清完，折价损失超过80万。
3. 两类失控的同源问题：库存结构失衡
断货和积压看起来是相反的问题，实际上来自同一个根源：没有区分SKU的贡献度和确定性，把有限的备货资源平均撒在所有SKU上。
那家厨房配件店的问题不是货备少了，而是把爆款和长尾款用同一套逻辑备货。那家家居店的问题也不是备多了，而是把大量资金压在低贡献、低确定性的长尾SKU上，真正该深备的爆款反而没有足够预算。
三、拆解常见误区
我在给店铺做库存诊断时，反复看到五个误区。每一个单独看都"好像有道理"，合在一起就会把库存结构彻底带偏。
1. 误区一："多备货=多安全"
这是最常见的思维惯性。库存安全不只是"够不够卖"，还包括"卖不完怎么办"。多备货只是把风险从"缺货"转移到了"积压"，而积压的代价往往被严重低估。
服饰类目的滞销库存残值率常年只有20%到30%。也就是说，100万的滞销货，最终能收回的现金可能只有20万到30万。这个损失比断货的隐性损失更直接、更致命。
2. 误区二："所有SKU一视同仁"
很多店铺的备货表就是一张几百行的Excel，所有SKU统一按"日均销量×系数"计算备货量。结果高贡献的爆款备货深度不够，低贡献的长尾款反而占用大量资金。
我抽样统计过多个店铺的数据，一个典型规律是：数量占比不到3%的S级SKU，贡献了40%以上的销售额；而数量占比超过50%的长尾SKU，合计贡献往往不到10%。用同一套公式，等于让那3%的宝贝去迁就那50%的负担。
3. 误区三："备货是一次性动作"
不少团队在大促前开一次会、定一个数字、下一张大单，然后就等着大促开始。但大促期间的销售曲线是动态的，平台流量分配也是动态的。库存管理是"计划，执行，调整"的循环，不是一次性的决策。
大促前30天定的预测量，到了大促当天可能偏离30%以上。没有动态调整机制，要么断货，要么积压，没有第三条路。
4. 误区四："拿去年的数据直接乘系数"
去年的数据里包含去年的平台规则、流量结构、竞品动作、甚至天气因素。直接乘系数，等于把这些历史噪声一起放大。
正确做法是用"同口径数据"：剔除异常值（比如去年某天被头部主播带飞），看趋势而非看单点，再结合今年的平台流量预判和竞品上新计划做修正。数据清洗这一步，比系数本身更重要。
5. 误区五："货入仓就万事大吉"
货到了总仓，不等于到了消费者手边。多平台、多区域分仓是当前大促库存的主要矛盾。
同一个SKU，在杭州仓、广州仓、成都仓各放多少，取决于各平台各区域的销售占比预测。分仓不对，就会出现"华北有货发不出、华南抢不到货"的局面，直接影响发货时效和平台考核分。
四、专业判断逻辑：SKU分层备货模型
这一部分是整套方案的核心。先把分层标准讲清楚，再给每一级的备货公式，最后给落地节奏和动态补货触发线。
1. 分层标准：用"贡献度×确定性"做矩阵
我把SKU放在一个二维矩阵里判断，而不是只看销售额排名。
贡献度 = 该SKU近90天销售额 + 毛利率贡献，两者可以按7:3或6:4分配权重，按店铺自己的经营重心调整。确定性 = 该SKU近6个月的销量稳定性，加上是否有大促历史数据作为参照。
矩阵的四象限对应四个层级：
S级（战略爆款）：贡献度高、确定性高。这类SKU是店铺的现金流引擎，大促的使命就是让它们卖爆。备货深度要覆盖整个大促周期加上补货提前期。
A级（利润款）：贡献度中高、确定性中高。这类SKU是大促的利润来源，备货深度适中，覆盖爆发期前半程，后半程靠动态补货续上。
B级（平销款）：贡献度中低、确定性中低。这类SKU不指望在大促爆发，维持日常周转即可，不要为它们压太多资金。
C级（长尾款）：贡献度低、确定性低。这类SKU只保最低陈列量，宁缺勿压，甚至大促期间可以不备货只挂预售。
2. 四级SKU的备货策略和计算公式
分层之后，每一级用不同的公式计算备货量。以下公式中的系数是建议基准值，必须按自己的类目和店铺阶段校准。
S级备货量 = 日均销量 × 大促爆发系数 ×（采购提前期 + 7天缓冲）× 安全系数。其中大促爆发系数按类目经验取值，安全系数建议1.1到1.3。S级的库存上限控制在25到30天销量，大促期间每48小时评估一次补货。
A级备货量 = 日均销量 × 1.3~1.5 ×（采购提前期 + 5天缓冲）。上限控制在15到20天销量，每72小时评估一次。A级不追求吃满爆发，只需要接住S级溢出后的第二波需求。
B级备货量 = 日均销量 × 1.2 ×（采购提前期 + 3天缓冲）。不追爆发，不做额外安全库存，按日常动销走。
C级备货量 = 日均销量 ×（采购提前期 + 2天）。只保不断货的最低陈列量。大促期间如果缺货，直接下架或挂预售，不补货。
3. 一个Excel模板就能落地
这套模型不依赖任何付费软件。你只需要一张8列的Excel表，把每个SKU的数据填进去，公式自动算出建议备货量。模板结构如下：
SKU编号 | SKU名称 | 层级 | 近90天日均销量 | 大促爆发系数 | 采购提前期(天) | 缓冲天数 | 建议备货量
GZ-001 | 配件A | S | 86件 | 3.2 | 12 | 7 | 3268件
GZ-002 | 配件B | A | 45件 | 1.5 | 10 | 5 | 1013件
GZ-003 | 配件C | B | 18件 | 1.2 | 8 | 3 | 238件
GZ-004 | 配件D | C | 5件 | 1.0 | 7 | 2 | 45件
公式：建议备货量 = 日均销量 × 爆发系数 × (采购提前期 + 缓冲天数)
S级额外再乘安全系数1.2；实际下单量 = 建议备货量 – 当前库存 – 在途库存
这张表的核心价值不是"算出数字"，而是强迫你把每个SKU的层级、爆发系数、提前期都明确写下来，让备货决策从"拍脑袋"变成"可追溯"。填表的过程，就是统一团队认知的过程。
4. 节奏设计：从T-30到T+7
备货节奏决定库存水位的变化曲线。我用倒推法，按大促开始日为T+0，往前排四个关键节点，往后排两个关键节点。
T-30：锁定层级和预测量。完成SKU分层，确定每个SKU的爆发系数和备货预算。没有历史数据的新品，参考相似竞品或品类大盘，库存上限压到老品的一半以内。这一周只做决策，不花钱。
T-20：下第一批采购单。下单量占总备货量的50%左右。S级和A级优先下单，确保工厂产能被锁定。很多工厂在大促前会排满产能，晚一天下单，提前期可能翻倍。
T-15：锁定产能和物流排期。确认工厂交期、物流线路、入仓预约。一个重要提醒：你以为的提前期不是实际提前期。一定要把工厂排产、质检、运输、入仓预约四段时间全部加上，再算一次总提前期。
T-7：完成入仓和分仓。第二批货（约30%）到仓，按各平台销售占比预测分仓。最后一批货（约20%）在路上，作为大促中期的补货子弹。
T+0到T+3：动态补货。大促开始后，每24小时评估一次S级和A级的库存水位，按补货触发线决定是否追加。B级和C级不做补货动作。
T+7：启动滞销预警。大促结束第七天，拉出所有低于动销线的SKU清单，启动清仓决策流程，而不是等三个月后再处理。
5. 动态补货触发线
动态补货不能靠感觉，要有一条可量化的触发线。我给团队定的标准是：
当可售库存 < 实时滚动日均销量 × 在途天数 × 1.5 时，触发补货。
举例：某S级SKU大促期间7天滚动日均销量300件，供应商在途物流加生产共3天，那么当可售库存低于300×3×1.5=1350件时，就要立刻下补货单。这个1.5的系数是安全缓冲，防止物流波动和销量继续上涨。
这条触发线有两个好处：一是把补货决策变成了条件判断，任何负责人都能执行；二是避免了"等卖完再补"的被动局面。大促期间，等卖完再补，永远来不及。
五、案例与数据观察
下面这个案例是综合样本，不是单一客户的数据。我把它写明，是因为它最能说明分层模型的落地效果。
1. 案例背景与分层结果
某家居日用品牌，全店780个SKU，在大促前完成分层。分层结果：S级18个（占2.3%），贡献45%销售额；A级86个（占11%），贡献32%；B级240个（占31%），贡献15%；C级436个（占56%），合计贡献只有8%。
这个错配情况在多数店铺里很典型：超过一半的SKU只贡献不到一成的销售额，却占用了大量的采购资金和仓储面积。
2. 落地动作
这家店做了四件事。第一，重新分配备货资金：S级和A级合计拿到55%的备货预算，B级拿30%，C级只拿15%。第二，把436个C级SKU里近90天无动销的256个全部砍掉，不备货，只保留有稳定动销的180个。第三，把一次性下单改为三批下单，T-30下50%，T-15下30%，T-7下20%。第四，建立补货触发线，S级和A级每48小时滚动评估一次。
3. 数据结果
| 指标 | 优化前 | 优化后 | 变化 |
|---|---|---|---|
| 库存周转天数 | 65天 | 38天 | 缩短42% |
| S级断货率 | 12% | 3% | 下降75% |
| 库存资金占用 | 830万元 | 570万元 | 释放约260万元 |
| 备货准确率（预估与实际偏差±20%以内） | 58% | 86% | 提升28个百分点 |
注意，这是综合样本的示意数据，不代表所有类目都能达到同样幅度。但"分层，集中，控节奏"这套动作带来的改善方向，在服装、家居、数码配件、食品等多个类目里是稳定一致的。
六、不同情况下的行动建议
同一个模型，在不同类目、不同团队阶段、不同数据条件下，参数和执行方式都要调整。我给三组具体的行动建议。
1. 按类目调整参数
标品类目（3C、家电、数码配件）：需求刚性，替代性强，断货的代价比积压更高。大促爆发系数建议取1.5到2.0，安全系数可以放到1.3。宁可略微多备，也不要让爆款断货。
非标品（服饰、鞋包）：脉冲需求强，爆发系数可以到2.5到4.0，但滞销折价损失也最狠。C类SKU必须严格控制库存深度，A类可以多用预售方式锁定需求，再安排生产。
快消品（食品、美妆、日化）：复购支撑强，爆发系数2.0到2.5，可以接受相对较高的库存深度，因为卖不完还能靠日常动销慢慢消化。
2. 按团队阶段选择执行深度
单平台小店（年GMV 500万以下）：用上面那张Excel模板就够了。老板自己盯表，每周更新一次数据，大促期间每天看一次补货触发线。
多平台中型团队（年GMV 500万到2亿）：需要有专人负责库存计划，建立周度备货会制度，把分层、节奏、触发线固定成标准流程。这个阶段最容易犯的错是"各平台各自为战"，一盘货必须由一个人统一分配。
品牌全渠道（年GMV 2亿以上）：Excel已经撑不住复杂度，建议上ERP或进销存系统，把分层逻辑和补货触发线固化到系统里，让系统自动提示补货需求，人工只做例外判断和参数调整。
3. 按数据条件选择预测口径
有历史数据的SKU：用"同口径"处理后的数据，去掉异常值，看近90天趋势，再叠加今年平台流量预判。不要直接拿去年某一天的峰值当计算基数。
没有历史数据的新品：参考相似竞品和品类大盘作为起点，把备货上限压到"日均预估销量×提前期×1.5"，宁少勿多。新品的第一要务是验证需求，不是追求大促爆发。验证成功后再用补货去追。
七、不同情况下的取舍
大促备货没有完美的答案，只有取舍。把取舍逻辑讲清楚，比给一个万能公式更有用。
1. 断货与积压的取舍
判断依据是哪一边的损失更大。我常用的方法是估算两类损失：断货损失约等于日均销量×断货天数×毛利率；积压损失约等于库存金额×（折价率+月度仓储费率×持有月数）。
标品类断货损失通常远大于积压损失，所以往"多备"方向倾斜。服饰类积压损失远大于断货损失，所以往"少备、快补、预售"方向倾斜。这个取舍要在大促前就定下来，不要等大促中再临场纠结。
2. 爆发系数取高还是取低
同样的S级SKU，爆发系数取3.0还是2.5，备货量差出20%。取舍标准是现金周转能力。
资金充裕、仓库有空间的店铺，取区间上沿，多吃爆发红利。资金紧张、还要兼顾多个平台压货的店铺，取下沿，用补货触发线来弥补深度不足。记住一个原则：系数取低了还能靠补货救，取高了只能靠清仓扛。
3. 人工Excel与系统的取舍
SKU数量在200个以内，Excel完全够用，维护成本最低。200到1000个SKU，Excel开始吃力，建议用进销存软件的补货建议功能，把公式固化。1000个SKU以上，必须系统化，靠人工维护的出错率和时间成本都不可接受。
但要注意，系统只是把Excel逻辑自动化，它不会替你判断层级、不会替你定爆发系数。分层判断永远是人的工作。
4. 清仓时机的取舍
大促后第14天，是一个关键决策节点。超过14天还在动销线以下的滞销SKU，越早清越好。每拖一个月，残值率下降5到10个百分点。
早清的代价是利润率难看，晚清的代价是资金被死库存锁住。我的判断标准是：如果这批货清掉后释放的资金，能在未来30天产生更高的周转回报，那就在14天内果断清，不要恋战。
结语
库存管理的终点是确定性。大促SKU库存爆发式增长，不是把库存做大，而是让每个SKU的库存深度与它的贡献度、确定性相匹配，让资金始终流向回报最高的地方。
这套方案的独特之处在于，它不教你"怎么猜得更准"，而是教你在预测必然存在偏差的前提下，用分层控制风险、用节奏管理变化、用触发线应对波动。
你现在就可以做三件事：本周内打开SKU清单完成分层，按T-30倒推排好自己的备货节奏表，把补货触发线写进大促执行手册。做完这三步，你就不再是"赌库存"，而是在"管库存"。大促的胜负，往往在开战前30天就已经定了一半。
常见问题解答（FAQ）
1. 大促前如何科学预测SKU备货量，避免断货和积压？
每次大促前，我都靠感觉定备货量，结果不是断货就是压货，亏了不少钱。有没有一套科学的预测方法？最好能结合实操，比如怎么用Excel算，怎么定系数，让我能真正落地。
预测备货不是拍脑袋，而是拆成两个动作：定基线、乘系数。第一步，收集该SKU近90天日均销量，剔除促销和异常流量日，作为基线。第二步，定爆发系数。参考去年同期大促日销与平日销的倍率，再结合类目大盘增速。比如去年爆发系数是5，今年流量整体涨了30%，那系数就可以设为6。第三步，明确时间窗口。
总备货周期=大促天数+采购提前期+机动天数（建议3天）。计算公式：备货量=日均销×爆发系数×(大促天数+提前期天数)×安全系数。安全系数通常在1.1到1.3之间。举例：一款保温杯日均销80件，去年双11爆发系数6，大促5天，提前期7天，安全系数1.2，则备货量=80×6×12×1.2=6912件。
如果当前库存有1500件，补货量就是5412件。我自己踩过的坑是有一年把安全系数设成了1.0，结果大促第一天就超卖。后来才意识到，安全系数要结合供应链稳定性：供应商发货慢、物流波动大，就往1.3以上调。
最后建议用Excel做模板，把SKU、日均销、系数、提前期、安全系数、备货量这些字段列出来，自动计算。关键不是算完，而是每次大促后记录实际销量与预估的偏差，持续校准系数。这样预测准确率才会从60%慢慢爬到85%以上。
2. SKU数量多，如何分层管理？如何确定哪些SKU重点备货？
我的店铺有一千多个SKU，每个都精细备货根本不可能。有没有一种分级方法，快速识别核心SKU并重点备货？求具体判断标准和操作。
分层管理的核心不是按销量一刀切，而是看两个维度：贡献度和确定性。贡献度=该SKU预估的大促期销售额+毛利；确定性=是否有6个月以上稳定销售记录、历史波动是否小。根据这两个维度，把SKU分成四类： S级：贡献度高+确定性高，通常是前5%的爆款，扛起60%以上的销售。
备货深度按爆发系数的1.5倍打，还要额外留应急库存。A级：贡献度高但确定性低，或者贡献度中等但确定性高。备货按1.2倍，并设置补货预警线。B级：贡献度中等且确定性低。只备日常销量的1.5倍，不追爆发。C级：长尾SKU，只保最低陈列量，甚至大促期间可以下架，避免占用资金和仓库。
我之前管过一个2000多个SKU的店铺，第一年所有SKU平均分配备货精力，结果S级断货，C级压了80%的库存。后来用这个分层方法，把需要精细预测的SKU压缩到80个，库存准确率明显提升。落地操作很简单：在Excel里加两列，一列是近90天销售额贡献度排名百分比，一列是历史数据可追溯月数。
用条件格式把S、A、B、C级标成不同颜色，然后只对S和A级做详细预测，其他按默认规则处理。需要提醒的是，分层不是一劳永逸。每次大促玩法不同，流量结构也不同，SKU层级会变化，所以大促前两周一定要重新跑一遍数据。
3. 多平台多仓如何分货？大促期间如何动态调配库存？
我们的货分散在多个平台和仓库，每次大促前把货分出去，结果总有平台卖断货，另一个仓还堆着。到底怎么分货才合理？有没有动态调拨的实操经验？
多平台分货，最忌讳平均主义。正确思路是“按销售占比分货，再留机动池”。第一步，查看近30天各平台销量占比，按比例分货。比如天猫50%、京东30%、抖音20%，就把大促备货按这个比例分到对应仓。如果某平台有大促专场或直播活动，要单独调高系数。第二步，每个仓都要设安全库存。
安全库存=该仓日均销×爆发系数×在途天数×1.5。当可售库存低于这个值时，立即触发调拨。我之前吃过亏：双11当天，天猫仓爆单，库存快顶不住了，而京东仓因为促销力度弱，大量积压。我发现后申请调拨，但物流花了两天才到，天猫仓还是断货了一整天。
后来我改成大促前把S级爆款按“预估各平台销量的120%”预铺到所有仓，多余的量作为机动池放在总仓，用来紧急补货。这样断货风险大大降低。动态调拨的核心是时间窗口。如果两个仓之间的调拨需要2天，那么触发线必须设为“可售库存≥日均销量×3天”，留足缓冲。
大促期间物流拥堵，调拨会慢，所以触发线要比平时更保守，再乘1.5倍。实际操作中，我用Excel建立库存监控表，每天早中晚三次刷新各仓库存和销量，一旦触发预警就开调拨单。如果你的跨仓库存特别多，可以借助进销存软件自动同步，原理是一样的。
4. 大促后如何快速处理滞销库存，复盘优化下一次备货？
每次大促后，仓库都会剩一堆滞销品，清仓亏钱，不清仓占资金。到底该什么时候清仓？怎么复盘这次备货的准确率，下次才能更准？求可执行的复盘方法。
大促后第一步别急着复盘，先止损。滞销库存每多放一天，资金占用和仓储成本都在增加。我给自己定的规则是：大促结束后14天内，必须对所有滞销SKU做出清仓决策，要么清，要么留。清仓优先级我按这个顺序走： 1. 搭配爆款做满赠或加价购，用爆款带动滞销。
直播间秒杀，价格够低，但注意别把整个品类价格体系打穿。3. 跨平台分销，比如把A平台库存调到B平台的特卖渠道。4. 实在不行再直接降价清仓。
举个例子，我们有款SKU滞销了2000件，我本来打算直接五折清仓，后来改成“买爆款加9.9元换购”，结果爆款带动了1800件滞销，只损失一点包装费，比清仓划算太多。清仓决定做完，马上做复盘。我会建一个表，字段包含：SKU、预估销量、实际销量、偏差率、偏差原因。
偏差原因可以写“低估平台流量”“竞品降价”“天气影响”等。整体预测准确率=1-SUM(ABS(实际-预估))/SUM(实际)。如果准确率低于70%，说明你的预测模型或系数需要调整。比如你发现所有SKU都系统性低估了20%，那下次大促的爆发系数就要提高20%。
复盘最重要的产出是优化清单和下一轮备货基数。把这些数据存档，下次大促直接调用，比临时拍脑袋可靠得多。我坚持做了两年，预测准确率从65%提升到85%以上，断货和积压带来的成本损失都大幅下降。
读者评论
文章里两个案例很真实，我们去年双11就是备货备超了，几百个SKU平均备货，结果长尾款压了一堆库存，利润全填进仓储费了。分层备货的思路值得试一下，把资源集中给主力款确实更能打。
比较认同“库存是杠杆不是成本”这个说法，但操作起来难点在分层判断上。贡献度好算，确定性对季节性商品来说不好预估。建议结合往年同款趋势和今年流量变化做两层验证，不然后半程补货依旧被动。
作为小卖家最头疼的就是资金占用，文中C级SKU只保陈列量的做法很实用。以前怕断货每款都多备，现在敢砍长尾了。不过A级动态补货的频率还是要看工厂配合度，小批量多次下单需要供应链跟得上。
有运营经验的人应该一眼能看出这套模型的价值，尤其T-30到T+7的倒推节奏和补货触发线，比单纯看销售预测靠谱。但文中提到的系数确实需要按类目校准，我们标品和服饰的爆发系数差别太大了。
数据复盘的例子很典型，断货型损失和积压型损失确实结构不同。不过库存管理最终还是要跟平台流量分配规则联动，分仓如果预估不准，按这套模型备了货也容易区域失衡。建议再加一道分仓模拟的环节。