每年大促结束后的仓库复盘会上，真正让人失眠的往往不是“卖了多少”，而是“还剩多少”。2024年双11结束后，我接触的一家服饰类目商家，活动期间销售额突破800万，老板原本准备开庆功宴，结果盘点库存时发现：滞销SKU共积压了价值260万的货品，其中仅加绒卫衣一个单品就压了12000件，按当时的行业折价率，这批货最终只能以3折以下清掉，亏损超过140万。这不是个例。
我过去三年持续观察18家不同规模的电商店铺，发现一个反常识的规律：在销量峰值周期，因“过度备货”导致的利润损失，普遍大于“备货不足”造成的缺货损失。今天这篇内容，不绕弯子，直接拆解SKU库存峰值应对的底层逻辑：为什么你的备货方案总是两头不讨好，以及一套按SKU分层、按时间分段、按风险分级的可执行框架。
几乎所有备货翻车的案例，问题都不出在“总量算错”，而出在结构失衡。A类爆款缺货断码，眼睁睁看着流量流失；C类长尾款堆满仓库，大促结束后变成一笔笔折价亏损。这就是库存管理里最常见的“齐套率陷阱”：总库存看着充足，但能卖的组合凑不齐。
所以我的核心结论很明确：应对销量峰值，不是要追求“备得准”，而是要建立“分段控制”的能力。所谓分段，包含三层含义：
第一层是SKU分层。不同贡献级别的SKU，在峰值期应该执行完全不同的备货策略，而不是用一套安全库存公式通吃。
第二层是时间分段。峰值前、峰值中、峰值后，三个阶段的目标函数完全不同，动作也完全不同。峰值前看预测，峰值中看监控，峰值后看回收。
第三层是风险分级。补货周期稳定的商品和供应商交期飘忽的商品，备货置信区间必须区别对待。
这套逻辑不是从教科书里搬来的，而是我陪跑了多个类目店铺之后总结出来的。接下来我会把每一层的具体操作方法和判断依据展开讲清楚。
先看一张对比数据，说明“分段管理”和“一刀切备货”在相同销量预测下的实际差异：
先还原一个典型的大促备货场景。你是一个年销3000万左右的食品类目运营负责人，距离双11还有45天。老板给你的指令是：爆款不能断货，新品要有量，库存不能积压。供应商那边，代工厂的排产周期是15天，原料采购还要再提前7天。平台的活动节奏已经公布：预售10月24日开始，开门红10月31日，峰值日11月11日。
这时候你面临的真实问题是：你要在10月9日之前，把所有SKU的备货量确定下来并下给工厂。而此刻你能依据的，只有去年双11的销售数据、近一个月的日均销量，以及你的直觉。
这种情况下，绝大多数运营的默认做法是：在预估销量基础上统一上浮30%作为安全缓冲。这是我在调研中见到的最普遍的备货方式。
问题在于，统一上浮30%，对A类爆款可能远远不够，对C类长尾款却可能造成三个月都消化不完的积压。因为不同SKU的销售波动性、补货周期、利润贡献和滞销风险差异极大，用一个比例系数去覆盖所有商品，本质上等于没有做风险管理。
我看过一份2024年华东地区某百货类目TOP商家的内部复盘数据：他们在618期间对全部1200个SKU统一上浮25%备货。结果618结束后，A类核心款缺货率仍然达到14%，而C类款中有超过40%的SKU产生了至少8周的库存积压。总库存金额虽然符合预算，但该缺的缺了，不该压的压了。
这个案例很能说明问题：库存峰值的本质，是一个节奏管理问题，而不是数量计算问题。你需要的不是更精确的预测公式，而是一套能在不确定性中保持弹性的分阶段控制机制。
关于SKU库存峰值应对，行业里流传着大量看似正确、实则误导的方法论。我在调研中发现，至少五个误区被反复提及却很少被质疑。逐一拆解如下。
“安全库存 = 日均销量 × 补货周期 × 安全系数”，这是出现频率最高的公式。但现实中的问题是：安全系数取多少才算合理？有的文章说1.2，有的说1.5，有的说2.5。这些数值从哪来？没有统一标准。
我在实际测算中发现，安全系数的合理取值范围，取决于至少三个前提条件：
所以，照搬公式不叫制定备货策略，叫碰运气。公式只是工具，真正的专业判断在于确定公式里每一个参数的实际取值。
这是误导性最强的一个误区。受“爆单发不出货等于丢市场份额”这种焦虑叙事的影响，很多管理者本能地倾向多备货。
但事实是：备货不足的损失是有限的、即时的、可以补救的；备货过多的损失是延后的、累积的，而且往往在下一个季度才爆雷。
缺货的损失是什么？是当天的销售额损失，可能还有一点广告费浪费。但如果你的商品不是绝对稀缺品，客户很可能就去别家买了，你损失的只是这一单。而过度备货的损失是什么？是资金占用、仓储成本、临期淘汰、折价清仓，是一个完整的损失链条。
我经手过的一个家纺客户，2023年双11前对一款四件套备了8000套，实际只卖出2800套。剩下的5200套在随后6个月里以平均4折的价格清完，单品直接亏损12万元。他们复盘时才发现，这款产品在去年双11的销量受短视频偶然带动，属于不可复制的流量脉冲。这就是被“备货不足恐惧症”绑架的典型结果。
我见过最离谱的做法，是运营用Excel拉出全店SKU列表，统一套用一个公式计算备货量。要知道，一个SKU的备货逻辑至少受七个变量影响：
当这七个变量在两个SKU之间存在显著差异时，它们就不应该被同一套逻辑管理。这一步判断，是用好所有库存方法的前提。
很多备货方案的起点是“去年双11我们卖了X件，今年按Y%增长”。听起来合理，但存在一个严重的隐患：历史数据里混杂了大量一次性因素。
去年你可能有个短视频爆了，带来了一波脉冲流量；去年你可能参与了某个频道活动，获得了额外曝光；去年你的竞品缺货，你捡了漏。这些都不是可以线性外推的“正常需求”。如果直接拿未经清洗的数据做预测，你实际上是在为去年的偶然事件继续买单。
我在做数据复盘时，习惯先做三类数据清洗：剔除促销脉冲数据、剔除退货数据、剔除被竞品缺货溢出的需求。做完清洗之后再做季节性分析和趋势判断。这一步看起来基础，却会显著影响预测精度。
如果你认为库存峰值应对只是大促前的一次性动作，那你的备货方案从一开始就是残缺的。我用一组时间对比来说明：
一个完整的SKU库存峰值应对方案，必须覆盖事前、事中、事后三个阶段。只看事前的备货量，等于只看了冰山一角。
在明确了常见误区之后，下面给出我认为最实用的应对框架。这个框架的核心是三个词：SKU分层、时间分段、风险分级。
SKU分层的标准不应只看销售额，而应综合销售额贡献、毛利贡献、补货周期和滞销风险四个维度。我建议用加权打分的方式，把全店SKU分成A、B、C三类。
A类SKU（核心款）：通常是销售额贡献前20%的商品，贡献了全店60%-70%的营收。这类SKU的备货策略是“锁量”，在销量预测基础上，设置一个较高的置信区间（比如90%），确保不轻易断货。
B类SKU（腰部款）：销售额贡献处于中间50%-60%区间的商品，有一定销量但不是绝对主力。这类SKU的备货策略是“弹性”，设置一个中等置信区间（比如75%），保留一定的动态补货空间，但不做超额备货。
C类SKU（长尾款）：销售额贡献低、SKU数量多的商品集合。这类SKU的备货策略是“极简”，宁缺毋滥。在大促峰值期，C类SKU缺货是可以接受的，因为这本来就不是主要利润来源。
关键在于，三类SKU的备货决策权限和流程也应该不同。A类的备货量需要管理层审批，因为它占用资金大、影响面广；C类的备货量则可以由运营专员直接决定，甚至可以大胆压缩到日常销量的一半。
我在给某家居店铺做方案时，把全店430个SKU按这个逻辑重新分层。结果C类164个SKU的备货资金被压缩了62%，释放出来的资金全部投入A类爆款的加量备货。那一年的峰值期，A类缺货率从11%降到3%，C类虽然出现了阶段性缺货，但非但没有影响销售大盘，反而倒逼运营对滞销款进行了主动清退。这就是分层的价值：资源的再分配，比总量的增加更有效。
举一个更具体的执行方法。我建议用表格给每个SKU打分，按综合分排序分层：
| 评分维度 | 权重 | 打分规则 |
|---|---|---|
| 近90天销售额贡献 | 35% | 排名前20%为10分，20%-60%为6分，末40%为2分 |
| 毛利率 | 25% | 毛利率≥50%为10分，30%-50%为7分，＜30%为4分 |
| 供应商补货周期 | 20% | ≤7天为10分，8-15天为6分，≥16天为3分 |
| 滞销风险（季节/保质/迭代） | 20% | 低风险为10分，中风险为6分，高风险为2分 |
综合分≥8分的为A类，6-8分为B类，低于6分为C类。这个打分卡你可以直接复制到Excel里跑一遍全店SKU，30分钟就能完成分层。
峰值前（T-60至T-1）：这个阶段的重点是确定“锁量”方案。具体来说，T-60天完成SKU分层和供应商产能确认；T-30天下达第一批备货订单，覆盖预售和开门红；T-7天根据预售数据对B类SKU做最后一轮弹性补货。值得注意的是，第一批订单建议控制在预计总备货量的60%-70%，预留出调整空间。
峰值中（T日整个活动周期）：这个阶段的重点不再是计算，而是监控。建议每天盯三个指标：动销率、可售天数、在途库存。具体判断逻辑如下：
峰值后（T+1至T+30）：这是大多数方案最薄弱的部分。峰值结束后的第一周，就应该启动滞销库存的识别和分级处理，而不是等到下个月才反应过来。处理方式分为三档：
这个三阶段框架，比任何单点公式都更接近库存峰值管理的全貌。
再好的分层和分段，如果忽略了一个基础变量，都可能失效：补货周期的稳定性。这是我的核心判断之一，补货周期的波动，往往是库存计划失效的罪魁祸首。
举个例子。假设某个SKU日均销量100件，补货周期7天。如果你用基本安全库存公式计算，安全库存大概是100 × 5 = 500件（假设安全系数偏低）。看起来没问题。但如果供应商实际交期在5到15天之间波动，情况就完全不同了。
当交期是15天时，你需要为这额外8天准备至少800件的缓冲库存。如果你没有考虑这个波动区间，那么在交期拉长的周期里，你的库存必然见底。这不是预测准不准的问题，而是你对供应链不确定性有没有预留容错空间的问题。
我建议用“补货周期波动系数”来修正备货力度：
对于依赖单一供应商且交期不稳定的SKU，再精确的备货计算都显得苍白，因为你本质上是在为一颗不稳定的心脏做手术。这时候的风险分级结论是：优先解决补货周期的确定性，再考虑备货数量的精确性。
理论讲得再多，最终都要落地。这里分享一个完整的实战案例，来自我2024年全程参与的一家休闲零食店铺。之所以选这家店，是因为它的商品结构非常典型：既有长保食品，也有短保锁鲜款，SKU数量跨越了快消和一般加工食品两个属性区间，峰值应对难度较高。
这家店铺年销售额约2600万元，全店368个SKU，主要覆盖肉类零食和烘焙糕点两个品类。2023年年货节期间，他们经历了一次典型的备货事故：
老板找到我们的时候，核心诉求是：下次年货节，能不能把缺货率控制在10%以内，同时减少过季损耗。这个诉求看起来不过分，但要做到，需要对整个备货逻辑重新洗牌。
第一步做SKU分层。我们把368个SKU按前文的四维打分卡重新分层，得到A类SKU 21个、B类SKU 104个、C类SKU 243个。分层的结果是：A类虽然只占SKU数量的5.7%，却贡献了约48%的销售额。
第二步调整备货策略。A类SKU从统一上浮30%改为按置信区间锁量，目标覆盖率90%。B类SKU设定75%置信区间，并预留了二次补货的资金。C类SKU直接按日常销量的50%备货，并明确允许阶段性缺货。
第三步是建立峰值中的监控机制。活动期间，每天上午10点拉取全部A类和B类SKU的可售天数数据，对可售天数低于阈值且供应商交期稳定的SKU，当天即触发补货流程。
第四步，也是最关键的一步：对供应商的补货周期做了重估和协商。主力供应商的交期从平均7天压缩到5天，其中两款核心单品争取到了“4天快反通道”。这为峰值中的动态补货留出了空间。
2024年年货节期间，这家店铺的数据如下：
最有说服力的数据是利润：那年年货节的净利润同比提升了约5个百分点。多出来的利润不是靠多卖货，而是靠减少折价清仓损失。
这个案例并没有使用任何复杂的预测算法。它只是做了四件事：分层、分段、盯盘、压缩补货周期。但就是这四件事，让库存结构从“混沌”变成“有序”。
我把这个案例的数据过程整理如下，便于你直观理解改造前后的变化幅度：
不同规模的店铺，掌握的资源和面临的复杂度完全不同。下面分别给出针对性的落地建议。
小店铺最大的特点是：没有专职的供应链计划人员，老板自己就是运营，能花在库存计算上的时间有限。对于这类店铺，我不建议上来就搭建复杂的打分卡模型，而是建议用“三值法”把备货逻辑简化到可执行的程度。
所谓“三值法”，就是只看三个数字：
备货量的计算方式就是：备货量 = 日均销量 × 补货周期 × 安全系数。这是整个方案的基线值。然后，对所有SKU执行一个简单判定：单品毛利率低于30%的，备货量打8折；保质期或季节属性强（如短保食品、季节性服饰）的，备货量降至基线值的50%。
另外，小店铺在峰值期建议保留一笔“应急补货款”。具体做法是：活动前从运营资金中预留当前备货总预算的15%，不提前下给任何供应商。当中期发现某个A类SKU动销超预期时，立即动用这笔钱以现金形式向供应商追加订单，换取优先排产。
中型企业的复杂度在于SKU数量开始变多，靠Excel手工管理容易出错，但又没有足够的预算购买成熟的智能供应链系统。我的建议是：用三张Excel表搭建一个轻量级的管理闭环。
第一张表：备货计划表。包含每个SKU的历史日均销量、上年度同期销量、促销预估增长系数、补货周期、安全系数、备货量、已下单数量、在途数量、可售天数等字段。这张表在峰值前使用，用于确定每个SKU的下单数量。
第二张表：动销监控表。每天更新每个SKU的销量、库存、在途、可售天数、动销率。设定条件格式：可售天数低于5天的标红，5-10天的标黄。标红的A类和B类SKU触发补货申请流程。
第三张表：滞销回收表。峰值结束后启用。记录每个SKU的剩余库存、库龄、成本金额、建议处理方式（维持、促销、清仓）、建议处理时间。每周回顾一次，确保不出现“库龄超过60天仍未处理”的SKU。
这三张表听起来简单，但严格执行起来，足以覆盖中型店铺80%的库存峰值管理需求。关键在于坚持更新，不要只做表面功夫。
大型企业的库存管理问题远超备货预案本身，会涉及多仓分仓、供应商协同、动态调拨和复杂的资金计划。在这个量级，单纯靠Excel已经无法支撑，需要考虑专门的库存管理工具，例如行业里常用的WMS、ERP或专业的供应链计划平台。以某项目管理工具为例，它可以在库存计划模块中关联供应商交期、仓库库存和在途数据，实现动态可售天数计算，这也是大型企业常见的数字化改造方向。
跨入这个阶段后，一个经常被泛化使用的概念需要被重新正名：供应商管理库存（VMI）。VMI不是简单地“和供应商保持好关系”，而是一种深度协同机制：供应商根据你共享的销售预测和库存水位，自行决定补货数量和时间，并对库存水位负责。这需要双方系统打通、信息共享、责任共担，对执行力的要求极高。如果供应商体系成熟，VMI确实能显著提升峰值期的补货弹性；如果供应商能力不足，强行推行VMI只会让库存风险外包变成双方的博弈。
对大型企业来说，我的建议是：峰值期前90天就要完成系统级的数据对齐，预测数据、产能数据、物流数据缺一不可。在VMI体系尚未成熟之前，至少要做到与核心供应商的产能数据共享，让对方提前为你的峰值期预留产能。
补充一句选型建议：如果你正在评估库存管理工具，不要只盯着系统功能列表。真正值得关注的是：这套系统能否支持你按SKU粒度设置不同的补货策略？能否实时计算可售天数并触发预警？能否把供应商交期波动纳入安全库存的计算逻辑？这三个问题比任何功能清单都更能帮你判断系统是否适用。
除了规模差异，品类属性对峰值备货策略的影响同样关键，这是最容易被通用方法论忽略的部分。
| 品类属性 | 峰值备货核心风险 | 应对原则 |
|---|---|---|
| 标品（数码、家电、日百） | 资金占用严重，库存周转慢 | 侧重按需补货，不追求高备货量，依赖稳定的供应链响应 |
| 非标品（服饰、鞋包） | 尺码/颜色齐套率问题突出 | 备货时按款式、颜色、尺码矩阵分别计算，不能只看单品总量 |
| 短保食品/生鲜 | 过期损耗率高，补货窗口极短 | 峰值中每日预测修正，备货偏保守，优先保障A类爆款 |
| 长保食品/美妆 | 保质期压力相对小，但仓储成本高 | 可适当多备，但必须同步规划库容利用率 |
| 季节性商品（季节性服饰、节庆品） | 峰值后滞销清零难度极大 | 严格控制备货上限，预留清仓渠道，宁可缺货也不多压 |
这张对照表可以根据你所在的类目，快速定位你峰值期最需要警惕的风险，并匹配相应的应对原则。
在真正的经营决策中，你永远无法同时做到“不缺货”“不积压”“高周转”。以下三个取舍，你需要根据自己企业的资金状况和目标优先级，提前做出选择。
这是最核心的取舍。现货率高，必然意味着资金占用率高；资金占用率低，必然要接受一定的缺货风险。不存在两全其美。
我的判断建议是：净利润率稳定在20%以上的企业，优先保现货率，用利润换口碑和市场份额；净利润率在10%上下的企业，必须严格控制资金占用率，因为一次压货可能会吃掉一个季度的利润。很多企业死在“表面风光、仓库压满”的状态里，就是这个原因。
在总资金有限的情况下，你是把钱全部压在A类爆款上，还是留出一部分给B/C类SKU做试错？我见过太多店铺把大部分资金压在爆款上，结果爆款遇到流量下滑，全店库存瞬间失衡。
我建议的比例是：A类SKU占用备货资金的60%-70%，B类占20%-25%，C类控制在10%以内。如果C类SKU的备货资金超过10%，说明你的品类结构本身出了问题，需要做SKU精简，而不是在峰值期拿着资金去赌。
很多老板执着于“算得更准”，想通过引入更复杂的预测模型来减少备货偏差。但在我的观察里，对于大多数企业，优化供应链响应速度比提高预测精度更划算。
打个比方：如果你的供应商交期波动从±5天压缩到±2天，你需要的安全库存可以下降25%以上。这比任何预测模型的改进都显著。所以，先和供应商谈交期、谈弹性产能、谈快速通道，再考虑上系统、上模型。顺序不能搞反。
这张图可以帮助你在做取舍时更直观地看到不同优先级下的资源分配结果：
文章的最后，我想把话题稍微拉高一点。
很多运营人员在制定备货方案时，天然地追求“准”，希望自己预估的数字和实际销量无限接近。但运营过几个大促周期后你会逐渐明白：“备得准”其实是一个陷阱。因为销量本身充满不确定性，任何预测模型都无法消除这种不确定性。你越执着于“准”，就越容易被波动打乱节奏。
真正健康的备货状态，是“从容”，你能接受预估偏差的存在，同时已经为偏差设计了缓冲方案。你允许A类SKU出现5%以内的缺货概率，因为你知道过度备货的资金成本远高于那5%缺货损失的利润；你允许C类SKU存在阶段性断货，因为你明白长尾款的利润贡献本来就不足以支撑高备货的滞销风险；你允许部分库存有冗余，但你的前置处理机制能够及时识别并启动回收流程，而不是等到滞销报表出现在眼前才开始焦虑。
这就是“三个允许”：允许预估偏差、允许阶段性缺货、允许冗余库存有上限。
回看开头提到的那个被260万滞销库存压垮的服饰商家。如果他当时能提前做一次SKU分层，把C类长尾款的备货削减一半，至少能释放出80万左右的资金；如果他能把A类爆款的备货优先级提高，就能避免在峰值期断码丢流量。这两件事不需要多高深的技术，只需要在备货决策前多问自己一句：“我是在为确定性下注，还是在为不确定性买单？”
库存峰值应对不是一道算术题，而是一道取舍题。你不需要算得比同行更准，只需要在关键决策上比同行少犯一些明显的结构性错误。
最后，给你一个具体的下一步行动建议：用今天文章里的四维打分卡，把你店铺的全量SKU跑一遍分层，从C类开始做库存清理。大多数店铺的库存问题，只要从C类开刀，就能在30天内看到现金流的明显改善。然后把这篇内容收藏起来，下一次大促备货前，按照“SKU分层，时间分段，风险分级”的顺序，把方案逐项过一遍。你不需要一次做到完美，但每次都比上一个周期从容一点，就已经在建立真正的库存竞争力了。
我是做家居日用品的，每年双11前都按上一年同期销量的1.5倍备货，去年备了3000件只卖出1800件，尾货清仓亏了4万块。是备货倍数错了，还是靠多备货这个思路从一开始就不对？
先给一个反直觉的结论：库存峰值期最贵的失败不是缺货，而是峰值后剩货。缺货损的是当期毛利，剩货损的是本金、仓储费加最终折价，前者可止损，后者不可逆。这个结论我是在真实店铺数据里反复验证过之后才敢说死的。2023年618我运营的家居店铺里，一款收纳箱按日均销量1.8倍备了货。
大促爆发力集中在头部3款SKU，这款实际只卖出备货量的42%，剩余货品到9月才清完，折价加仓储综合亏损6.8万元。如果当时把预算转投头部爆款加购，结局会完全不同。安全库存的本质不是防缺货，而是为不确定性支付一笔资金成本。
用预期销量乘固定倍数决定备货量，等于默认所有库存都会卖完，这是多数人第一步就走错的地方。能否区分“为畅销支付成本”与“为滞销支付成本”，决定了峰值过后你是在赚钱还是在填坑。正确做法是先看齐套率。大促用户按整单结算，核心SKU断货时整单会被取消，而不是改买替代品。
A类爆款按预估销量的110%到120%备货，C类商品按70%备货，省下的资金全部投给A类，峰值期利润结构才会是正的。
店铺里有200多个SKU，有的一天卖100多件，有的一月卖三五件。现在所有SKU都按日均销量×补货周期×1.5备货，结果爆款老断货、冷门款堆仓库。是不是根本不该用一个公式？SKU到底该按什么分？
一套公式管所有SKU，等于用一个平均数给所有极端值背书。日销百件与月销3件使用同一个1.5倍系数，结果一定是A类缺货、C类堆满仓。我在管200多个SKU的店铺时，为此在季末盘点里多花了三周才整理完积压货。分层的正确维度不是单一销售额，而是销售额贡献、补货周期、价格弹性三个维度。
先用三维矩阵把SKU分成四类，再为每类配置不同备货逻辑。补货周期超过30天的SKU，即使销售额不高也有缺货风险，必须单列。A类（销售额前20%，贡献60%到70%）：按预估销量110%到120%锁量，每日监控可售天数，低于安全线立即补货。
B类（中部30%，贡献20%到30%）：按80%到100%弹性备货，保留预算跟随7天动销率调整。C类（尾部50%，贡献10%以下）：按50%到70%极简备货，宁可缺货也不多备，缺货成本趋近于零。做分类前先剔除刷单与直播瞬时注水数据，否则分层结果会整体偏移。
我对比过清洗前后的数据，清洗前A类被灌入大量无效销售额，导致某款长尾商品被错误提为A类，多备了60%库存。用30天移动均值对比去年同期后再进公式，结果才稳定。
爆款是进口美妆，海外仓正常14天到货，但时不时海关查验变成25天甚至更长。按14天算的安全库存每次都在第20天附近断货，旺季断一次要亏好几万。交期这么不稳定，安全库存到底该怎么算？
安全库存公式里，补货周期常被当作固定值，这是模型失效的病根。补货周期本身是随机变量。交期均值同为14天的两家供应商，一家稳定、一家常延误，稳定方安全库存只需10天量，延误方可能要25天量。修正口径我建议直接取最差交期：安全库存=日均销量×(最差交期−平均交期)+日均销量标准差×1.5。
标准差用近6个月日销数据计算。不要调安全系数，系数是拿来兜底需求波动的，交期波动要用交期参数单独消化。2022年负责跨境美妆时，海外仓平均交期14天，某批货遇到海关查验拖到28天。按平均交期算的库存在第16天就断货，直接损失约3.2万元。改成按30天最差交期重新锁量后，连续两个大促期没有再断货。
交期记录本身就成了最重要的补货决策依据。如果供应商交期长期不稳定，优先建立双供应商或现货渠道。现货渠道单价高5%到8%，但断货造成的平台罚款和客户流失远不止这个数。每个SKU单独记录交期偏差率，每月复查；偏差率连续两次超过30%，就需要启动备选渠道。
大促后仓库剩一堆没卖完的库存，放久了既占仓又占资金。去年我选择等旺季再卖，结果第二年同款新品上市后只能三折出清，亏了快7万。峰值后到底什么时候处理最合适，止损线该怎么定？
过季库存每多放30天，折价幅度大约多10到20个百分点。年份越久、季节性越强、改款越快的商品，时间惩罚越重。处理剩余库存不是在止损，而是在收割残留价值；等待的意思是让残留价值每天蒸发。2023年春节后我手上一批加绒卫衣滞销，如果等到冬天再卖只能三折出清。
最终选在2月底前通过尾货渠道五折分销，回款40%，比等一年再卖少亏27个百分点。当时对比过两条路径的资金占用才做的决定，等待的隐性成本远高于账面价差。仓储与资金成本折算下来，每件滞销品每月约1.5到3元，这还不算占仓挤掉爆款补货空间的间接损失。
旺季仓租是平日的1.3倍以上，滞销库存每多占一托，爆款的补货计划就要往后挪一天。实际操作看三个时间窗。峰后第30天做首轮清仓，限时折扣加会员专享；第60天转入分销渠道；第90天仍未清完，做赠品或组合销售。
超过一个季度未处理的库存，剩余残值大概率低于成本的三成，建议直接走残值回收，不再投入任何运营成本。
读者评论
文章提到的“分段控制”思路很实在，尤其是C类SKU极简备货这点，确实能减少大促后的折价损失。我们去年就是统一上浮比例，结果长尾款压了一堆库存，今年打算按这个分层方法重新调整。
数据对比挺有说服力，齐套率从62%到91%的差距说明问题不在总量而在结构。不过执行起来可能没那么简单，比如A类爆款锁量到90%置信区间，对预测能力要求很高，小商家未必有足够数据支撑。
作为运营，最认同的是“备货不足的损失有限，过度备货的损失延后”这个观点。以前总怕缺货，现在复盘发现真正吃掉利润的确实是过季清仓。文章提到的峰值中动态补货通道，我们打算在下次大促前试试。