SKU库存库存销量预判：依托SKU库存消耗预判未来销量
每天打开后台，运营看到的是一个“库存余量列表”，但真正决定补货是否及时、资金占用是否合理的，不是这个列表上的数字，而是这些数字正在以什么速度变化。过去几年，我拆解过数百个SKU的动销数据，发现一个规律：大多数运营在库存管理上的动作都是事后反应，要么等系统弹出了“库存不足”的预警，要么等爆款断货了才去追单。这种模式不是预测，是补救。这篇文章要讲的，是怎么样把SKU库存消耗这个每天都在产生、又每天都在被忽视的信号，变成一条可落地的未来销量预判路径。
我先把这套方法的核心结论放在最前面，方便你在读完全文之前就抓住判断基准。接下来的所有案例、数据推演和操作步骤，都是围绕这个结论展开的。
核心结论：库存总量只是“静态水位”，库存消耗速度才是“动态动能”。未来销量的变化，会率先显影在SKU消耗速率的变化上。用一套“四数字监控法”对SKU消耗状态做每日跟踪，可以比传统库存预警提前5-9天识别销量拐点，并据此做出更准确的补货、清仓和备货决策。
这套预判逻辑和传统的“安全库存公式”有一个本质区别。传统公式先假设未来销量稳定，然后倒推出一个静态的库存安全阈值；而四数字监控法不假设销量稳定，它跟踪的是“动销速率”的趋势变化。当需求发生变化时，数据会告诉你“变化正在发生”，而不是等变化完成后再给你一个滞后的平均值。
营销端的数据往往有滞后性。广告报表要等当天流量结束、成交报表要等订单关闭、行业大盘数据要等平台发布。但库存消耗是实时发生的，每一件商品的售出都同步扣减库存。当一个SKU的需求开始抬头，最先变的不是你的广告排名，而是这个SKU的库存消耗速度。
我见过一个女装店铺的真实场景：某个连衣裙的SKU在5月10日到5月17日期间，日均销量稳定在12件左右，库存充足，运营没有做任何干预。5月18日起，一条短视频带火了同类款式，这个SKU的日均销量在三天内从12件跳到21件。但运营看到“库存还剩380件”的时候，并没有意识到风险，因为按后台默认的“30天日均销量”计算，库存还能支撑很久。直到可售天数跌破11天，运营才开始联系供应商，但10天的采购周期已经来不及了。
这个故事说明了一个关键问题：库存消耗数据本身不是一个滞后的财务指标，它是一个接近实时的需求传感信号。你只需要换一个视角去看它。
我把电商运营的库存预判能力，按照对消耗数据的利用程度分成四个档次。你可以对照自己当前的状况，判断自己处于哪一档。
你可以在这四个档次里做一个简单的定位。如果你发现自己还在第一档或第二档，恭喜你，你只需要把“看库存”这个动作的频率从“每周一次”提升到“每日一次”，并且把观察的焦点从“还剩多少”转移到“每天在消耗多少”，就已经能比大多数同行提前一步做出反应。
如果你的水平已经处于第三档，你可能会有疑问：“我明明已经用日均销量做预测了，为什么还是不准？”这正是接下来要展开的核心问题。均值预测的误差，并不在于计算本身，而在于它压制了消耗速率的变化信号。下面这张图直观地展示了静态判断与动能判断之间的决策效率差异。
任何方法都有前提条件。这套“依托SKU库存消耗预判未来销量”的方法，不是放之四海而皆准的，它有明确的适用边界。
它最适合的场景是：日销型店铺，SKU数量在500个以内，有稳定的日维度销量和库存数据，采购或生产周期在7-30天之间。服装、鞋帽、美妆、家居百货、食品等品类都适用。
它不太适合的场景是：纯大促驱动的店铺（一年只靠双11活着）、预售型定制类目（库存不备货）、数据质量很差的手工记账模式。这些场景需要的是另一套备货逻辑，我会在第七章详细说明边界。
“每天看库存”这个动作本身没有错，错的是看库存的方式。大多数运营看库存，本质上是在看一个既定的“结果”。这个结果的背后，是几周前、甚至几个月前的一次补货决策。你盯着一个已经发生的结果去看，当然无法预判未来。要理解这个问题，需要先看清库存数据的三个先天缺陷。
（1）它是存量，不是流量。
库存是一个存量概念，它只告诉你“现在有多少”，不告诉你“正在流走多少”。同一件商品的库存，如果今天比昨天少了3件，和今天比昨天少了300件，运营动作完全不同。但大多数后台的库存页面并不会把这个“流量”概念放在显著位置。看存量让人产生一种“可控感”，但这种可控感是假的，就像看着浴缸里的水位，却不看排水口开了多大。
（2）它是结果，不是原因。
库存数量是过去采购决策和过去销量的共同结果。当你看到“库存偏高”的时候，你看到的是过去的误判，而不是未来的机会。一个SKU库存偏高，可能是因为采购量过大，也可能是因为近期销量下滑。这两种原因对应的处理动作不同。只看库存数字，你无法区分这两种截然不同的情况。
（3）它是总量，不是分布。
店铺后台的“总库存”是一个加总数字，它掩盖了结构问题。总库存很充足，但主力款的某个颜色码数已经断货；总库存不算高，但80%的库存集中在滞销款上。这种结构性风险，靠看总库存数字是永远看不出来的。
我模拟一个高频发生的工作场景：周一早上的运营例会，你打开后台的库存报表，发现A款短袖有两个尺码已经显示“库存不足”，B款连衣裙的库存堆积如山。你做了两件事：第一，给供应商发了一条消息，催A款补货；第二，给美工提了一个需求，准备给B款做一张清仓海报。
这个场景的问题不在于你处理得对不对，而在于你所有的行动都是被动的。A款的断货信号，实际上是过去三天的消耗加速早就预示了的；B款的库存积压，也是过去两周的消耗放缓早就反映出来的。你完全可以在周一之前就预判到这些状态，提前把补货单发出去，提前准备好清仓方案，而不是等到问题暴露在报表上才行动。
库存管理的本质，不是管理库存，而是管理“库存与销量之间的关系”。这个关系是动态的，它的速度变化，就是销量变化的第一信号。
很多商家会看“全店库存周转”或“类目库存深度”这样的宏观指标，它们是必要的，但不够。原因很简单：品类预判指导的是预算和方向，SKU预判指导的是当下的操作动作。
品类级预判回答的问题是：“这个季度，整个连衣裙类目大概能卖多少件？”它可以帮助你制定季度采购预算，但它无法告诉你：“这个白色M码的裙子什么时候需要补货？”因为即便整个类目的平均销售是健康的，也不代表每一个SKU的动销是健康的。
SKU是库存管理的最小颗粒度，也是销量预判的最小观测单元。任何低于SKU级别的预判，都可以用于做计划，但不能用于做决策。这就是为什么要把预判动作落到SKU上的根本原因。
“学了公式，也算了库存，凭什么预判结果比别人差？”这个问题我经常听到。大多数人并不是没有做预判，而是陷入了几个典型的误区。下面的四个误区，按照出现频率从高到低排列，建议逐条对照。
可售天数是一个运营最常用的指标，但大部分人对它的理解有一个隐含假设：可售天数是线性消耗的。比如一个SKU还有180件库存，按过去7天日均10件的销量计算，可售18天。运营看到这个数字，觉得“还有18天，不用急”。
这个假设在销量平稳时是对的，但在销量上升期是陷阱。如果这个SKU的销量正在以每天15%的速度增长，今天日均10件，一周后日均可能已经超过20件，那时“18天可售”立即会缩水到9天。可售天数是一个基于历史计算的滞后指标，当它显示“还有18天”时，它反映的是过去7天的平均速度，而不是未来7天的真实速度。
正确的做法是：把可售天数当作一个“下限检查工具”，而不是“预警工具”。可售天数只用来判断“我目前还有多久会出事”，具体这个时间在怎样收缩，要看下面的日消耗趋势指标。
平台后台默认的“日均销量”通常取30天窗口。这个默认值方便了通用统计，但伤害了预判精度。不同生命周期的SKU，动销节奏完全不同。
一个新品SKU，上架前两周处于爬坡期，销量逐步上升。用30天平均计算日均销量，会把前期的低销量与近期的高销量混在一起，导致结果严重偏低。一个接近衰退期的老款，近30天可能已经走完了一个“平稳，下滑”的完整过程，平均值虽然稳定，但趋势早已拐头向下。一个被活动带动的SKU，可能在活动结束后迅速回落，30天平均会掩盖这个回落。
用一个具体的计算对比来说明：某SKU过去30天日均销量17件，看起来是可以正常补货的节奏；但如果把它拆开看，近14天日均已经到26件，近7天日均达到35件。用30天均值计算可售天数，结果是用近7日均值计算的2倍以上。这个偏差，足以让一次补货决策出现数量级的失误。下图直观展示了这一现象。
很多ERP系统的“安全库存预警”功能，本质上是把安全库存公式固化成了一个阈值。当库存余量低于这个阈值时，系统弹出一条提醒。这个机制对于供应链周期很短的行业（比如同城配送）是有效的，但对于采购周期7天以上的商品，等预警触发时再采购，大概率已经晚了。
预警机制是用来兜底的，不是用来预判的。它假设销量是稳定的，当天剩余库存还能支撑的时间，等于安全库存设定的时间。但真实的销量不会那么听话。如果未来销量高于预期，实际可支撑时间只有预警时间的一半；如果低于预期，库存又会积压。预警触发的本质是“结果已经发生了，通知你来处理”，而不是“我预判到结果将发生变化，建议你提前准备”。
把库存预警当成预判工具，是库存管理中最容易犯、又最不引人注意的一个误区。你可能会觉得自己已经在预测了，实际上你只是在等待系统通知。
还有一种情况是过度自信：算出“未来30天预计销量500件”，就直接下单采购500件。一次下单，买断所有风险。
真实世界里的任何预测，都应该是一个范围，而不是一个点。未来销量不是一个确定值，而是一个概率分布。当你说“预计销量500件”时，真实结果可能是400件，也可能是700件。如果你用500件下单，结果实际卖到700件，断货；实际只卖到400件，积压。
正确的做法是给预测结果加上一个“置信区间”。不考虑决策金额大小，至少你心里要清楚：这个预测值偏高还是偏低，波动范围有多大。四数字监控法中的异常波动率指标，正是用来量化这个置信度的。波动率越高的SKU，预测的置信度越低，下单时越要保守。
这一章是全文的方法论核心。我会把四个数字的计算公式、业务含义、阈值判断和Excel实现方式完整展开。这套方法不需要任何编程基础，用Excel或在线表格就能落地。
在设计这套方法时，我给自己定了三条标准：第一，每个指标都必须有明确的业务含义，不能是数学概念的空转；第二，数据必须是日常后台能直接导出或简单计算的，不能依赖复杂的BI系统；第三，最终形成的结论必须能对应到具体的运营动作上，比如补货、清仓、暂停补货。下面这张框架图可以帮助你建立整体印象。
| 监控数字 | 回答的业务问题 | 指标属性 |
|---|---|---|
| 可售天数 | 当前库存还能卖多久？ | 底线指标（滞后） |
| 日消耗趋势 | 最近卖得比平时快还是慢？ | 方向指标（领先） |
| 库销比偏离度 | 现在的库存结构偏离健康水位多少？ | 结构指标（现状） |
| 异常波动率 | 我对这个预判有几分把握？ | 置信指标（约束） |
这四个数字不是孤立的。它们按照“底线，方向，结构，置信”四个维度组合起来，共同构成一个完整的判断闭环。下面分别解释每个数字的计算方式和用法。
这是最基础、最常用的指标，也是动态判断的底线。计算公式为：
可售天数 = 当前可售库存 ÷ 近7日日均销量
为什么用“近7日”而不是“近30日”？前面已经说过，30天均值对近期变化不敏感。7日在平滑短周期波动（如周一低、周末高）的同时，又能比3日更稳定。如果你经营的是高周转品类（如生鲜、烘焙），可以缩短到近3日；如果是低周转品类（如家具、大家电），可以拉长到近14日。具体窗口可以根据品类调整，但计算逻辑不变。
可售天数的业务含义是“在你的供应链介入之前，这个SKU还能支撑多久”。它不预测未来，只描述现状。它之所以重要，是因为它是所有判断的基准线。如果可售天数已经跌破你的采购提前期，那么不论其他指标怎么样，你都需要立即行动。
这是四个指标中最关键的领先指标，也是我认为最值得投入时间计算的指标。
日消耗趋势 = 近3日日均销量 ÷ 近14日日均销量
这个比值的含义非常直观：大于1，说明近期消耗速度高于近期平均水平，销量在加速；小于1，说明近期消耗速度低于平均水平，销量在放缓。我的判断阈值如下：
这个指标的设计逻辑是，用14天的均值作为参考基线，用3天的均值捕捉最近的动能。3天足够短，不至于被一周内的周期性波动淹没；14天足够长，能够稳定地代表“正常水平”。如果一次流量波动导致单日销量暴增，3日均值会显著高于14日均值，趋势值会立刻上升到1.3甚至2.0以上，这时你就能第一时间感知到需求的异常抬升。
可售天数和日消耗趋势解决的是单品在时间维度上的判断，库销比偏离度解决的是库存结构在空间维度上的判断。
库销比偏离度 = (当前库销比 ÷ 目标库销比) − 1
其中，库销比 = 当前库存数量 ÷ 近7日日均销量。目标库销比需要按SKU的品类属性设定。我通常建议按照“目标库销比 = 采购提前期 + 销售安全期”来设定。示例：
计算出偏离度的数值后，正数代表库存比目标水位高，负数代表比目标水位低。举例：当前库销比为25天，目标库销比为17天，则偏离度为+47%，意味着库存明显偏多，需要考虑减缓补货或者加大推广；如果当前为12天，目标为17天，偏离度为-29%，说明库存偏紧，需要加快补货节奏。
这个指标最大的价值在于：它可以帮你把不同品类的SKU放到同一个尺度下比较，让你可以回答“这200个SKU里，哪些结构最不合理”。
最后这个数字，不是用来做预测的，而是用来告诉你“前面的预测有多可信”。
异常波动率 = 近7日销量标准差 ÷ 近7日日均销量
这是统计学中的“变异系数”。它可以消除均值本身大小的影响，衡量相对稳定性。我的经验阈值如下：
举例：一个SKU过去7天的销量分别为50、12、48、9、55、11、52件，日均34件，但每天的差异非常大，它的异常波动率约为0.71。这时候，用“日均34件”去预判未来就非常危险，因为真实每天的需求量分布极度不均匀，平均值不能代表典型的一天。相反，另一个SKU的7天销量为20、22、19、23、21、20、20件，异常波动率约为0.08，日均20件就很有代表性，用它做预判的置信度高很多。
下面这张雷达图展示了爆量期与衰退期在四个监控数字上的形态差异，可以帮助你更直观地理解四个指标的联动关系。
四个数字单独看都只是信息，组合起来才有决策意义。我根据四个数字的组合形态，把SKU分成四种状态。每种状态对应一组明确的运营动作。
| 状态 | 可售天数 | 日消耗趋势 | 异常波动率 | 库销比偏离度 | 运营动作 |
|---|---|---|---|---|---|
| 稳定期 | 高于采购提前期 | 0.8 – 1.2 | 低（<0.3） | 接近0 | 按常规节奏补货，不做额外干预 |
| 爆发期 | 快速收缩 | > 1.3 | 高（>0.5） | 负偏离明显 | 立即按当前趋势的1.5倍评估补货，优先保障供应 |
| 衰退期 | 充裕或攀升 | < 0.8 | 低或中 | 正偏离明显 | 暂停补货，启动清仓或促销预案 |
| 异动期 | 不确定 | 突升或突降 | 极高 | 不规律 | 先排查流量和活动因素，暂不下单，等待动能稳定 |
这套状态判断逻辑，是后面所有行动建议的基础。你在复盘任何SKU时，都可以先把它的四项数据填进这个表格，判断它当前处于哪个状态，再决定动作。值得注意的是，这里的阈值不是绝对的。你可以根据自己类目的特点调整，比如高客单价的耐用品可以把趋势阈值上调到1.5，而快消品可以下调到1.2。重要的是逻辑，而不是某一个固定的数字。
整套四数字监控法，用Excel就能实现自动计算。下面是具体的操作模板，照着做就可以在10分钟内搭出属于你自己的监控表。
第一步：在Excel里建立三列基础数据。每一行代表一个SKU在某一时刻的“库存-销量-日期”快照。你需要维护的数据只有日期、SKU编号、当前库存、当日在售订单数或发货数（单一电商平台也可以用“当天付款件数”代替）。
A列: 日期
B列: SKU编号
C列: 当前可售库存(件)
D列: 当日销量(件)
第二步：通过公式计算近7日均值和近14日均值（假设数据日报表从第2行开始，每天追加一行）：
E列: 近7日日均销量 = AVERAGE(D2:D8)
F列: 近14日日均销量 = AVERAGE(D2:D15)
第三步：写入四个监控指标的公式：
G列: 可售天数 = ROUND(C2 / E2, 0) H列: 日消耗趋势 = ROUND(AVERAGE(D2:D4) / F2, 2) I列: 库销比偏离度 = ROUND((C2 / E2) / 17 - 1, 2) // 假设目标库销比为17天 J列: 异常波动率 = ROUND(STDEV(D2:D8) / E2, 2)
第四步：给几个关键列添加条件格式。比如：当日消耗趋势大于1.3时标红，可售天数低于15天时标黄，异常波动率高于0.5时标橙。这样每天打开表格，异常SKU会自动跳出来，你不需要逐条去看所有数据。
这个模板的扩展性很好。当SKU数量很多时，你不需要每天维护所有SKU的日报，只需要维护“A类SKU”的日报即可（ABC分层的具体方法在第七章展开）。
理论讲完了，现在用一个完整的案例把整个过程串起来。以下为模拟推演数据，它基于我观察到的真实动销模式构造，具体数字做了脱敏和调整。你不需要记住每个数字，要看的是从第1天到第30天，四个监控数字如何一步步暴露风险。
某女装店铺的一条法式碎花连衣裙，SKU编号WH-M（白色M码），5月10日的初始可售库存为420件。该店铺的采购提前期为10天（从下单到入仓需要10天）。目标库销比设置为17天（10天采购提前期+7天安全期）。5月10日至6月8日，这个SKU经历了从稳定到爆发再到断货的完整周期。
| 日期 | 当日销量(件) | 日消耗趋势 | 可售天数(天) | 状态判断 |
|---|---|---|---|---|
| 第1周(5/10-5/16) | 日均12件 | 0.95 | 35天 | 稳定期，安全 |
| 第8天(5/17) | 14件 | 1.12 | 30天 | 温和加速，继续观察 |
| 第10天(5/19) | 21件 | 1.61 | 22天 | 明显加速，触发预警 |
| 第12天(5/21) | 25件 | 1.75 | 16天 | 爆发期前兆，需立即补货 |
| 第14天(5/23) | 27件 | 1.68 | 11天 | 可售天数跌破采购提前期 |
| 第18天(5/27) | 31件 | 1.42 | 5天 | 库存告急，已无法挽救 |
| 第19天(5/28) | ， | ， | 0天 | 完全断货 |
我们按时间线复盘一下这个数据。第1周的数据非常正常，日均销量12件，日消耗趋势接近1，可售天数35天，怎么看都是一个稳定SKU。在第8天，当日销量上升到14件，日消耗趋势达到1.12，仍然在“温和加速”区间。很多人会在这一步选择忽略，因为14件和12件差别不大。
真正的拐点信号出现在第10天：当日销量21件，日消耗趋势1.61，可售天数从35天收缩到22天。如果你按“四数字监控法”操作，此时应该启动补货评估。按第10天的动能看，未来日均销量可能在25件以上，加上10天采购提前期、21件的安全余量（7天安全期×3件增量），第一次补货量取整为250件是比较稳妥的选择。
可惜案例里的运营没有这么做。他等到第14天，可售天数跌破11天才下单，补货量为300件。但由于消耗速度在第12天已经加速到日均25件以上，库存以更快的速度消耗，第18天只剩5天库存，而补货尚未入仓，第19天就断货了。最终补货在第24天到仓，这意味着该SKU断了5天货。按第12，23天的日均销量26件估算，直接损失销量约130件。
我再用下面这张图展示库存水位与趋势的演进关系，重点在于观察可售天数的快速收缩与日消耗趋势上升之间的时间关系。
为了让你更直观地看到“早几天反应”的价值，我做了这样一个对比。其他条件不变，只是在启动补货的时间点上做改变：
下面这张图把不同反应时间下的断货损失放在一起，你可以直观地看到“决策时间”如何变为“真实利润”。同样一波流量增长，有人在增长开始时就准备了库存，有人在断货后才追悔莫及。
这个案例展示了“库存消耗预判未来销量”的完整逻辑：未来销量的增长，并不是凭空发生的。它在发生前会先表现为“日消耗趋势的抬升”，再表现为“可售天数的加速收缩”，最后才反映为“断货”这个结果。如果你能看到前两个信号，你就能在结果发生之前行动，而不是等结果发生之后再补救。
案例中那个运营在第14天才看到“可售天数只剩11天”，这已经是一个强烈的危险信号了。但更专业的做法是在第10天看到趋势值1.61的时候就做出预判。到第14天，即使马上加急补货，也已经损失了几乎一周的销量。趋势指标把“预判窗口”提前了至少4天。
四数字监控法的应用不能“一刀切”。不同的店铺阶段、不同的业务场景，应该采用不同的行动策略。下面按四个最常见的应用场景分别说明。
日常运营不需要每天把四数字都看一遍。我的建议是每天花15分钟，只看两个关键视图：
第一个视图是“可售天数最短的20个SKU”排名。这一步帮你判断哪些SKU正在逼近断货边界。只看排名前面的，不逐一翻阅全部SKU。如果这20个SKU的可售天数都在采购提前期之上，当天不需要做任何补货动作。
第二个视图是“日消耗趋势涨幅最大的10个SKU”。哪怕它们的可售天数看起来还很充裕，只要趋势值超过1.3且连续两天保持上升，就值得点进去看一眼，判断是流量来了还是活动效应。这一步是预判的核心，也是在别人还没发现“这个款要起量”的时候你先看到信号。对于触发关注阈值的SKU，应当立即启动补货评估。
日常运营关注“当下的补货”，类目规划则需要关注“下一步的结构调整”。四数字监控法同样可以用在品类规划上，只是观察的时间维度要拉长。我的建议是：以两周为单位，观察每个SKU的日消耗趋势均值。
这套逻辑的核心是：不要用“过去卖了多少”决定未来给多少资源，而是用“最近动销的加速度”决定资源优先级。
大促期间是一个特殊场景，日常的消耗趋势判断会失效，因为大促的流量结构、转化率与日常完全不同。在大促前期，我不建议使用四数字监控法做销量预估。更可靠的方式是“活动目标拆解法”：
预估销量 = 活动期预估访客数 × 预估转化率 × 客单因子
但四数字监控法在大促中并非无用，它的用途从“预测”切换到“校验”。我的建议是：在备货量算好之后，用库销比偏离度做一次压力测试。比如，目标库销比17天，大促预估销量是日常3倍，那么大促前目标库销比应该临时调整到30天以上。如果当前备货方案算出来的库销比偏离度仍然为负，就说明备货量不足，需要增加采购。同时，大促期间要定期观察异常波动率，如果波动率远高于日常，说明流量分配极不均衡，需要重点关注广告预算和库存分配的联动调整。
新店铺面临的现实问题是数据量不足。一个上架两周的新品，没有14天的历史数据来计算日消耗趋势。在这种情况下，不要贸然照搬全部方法，先用“简化版”跑起来：
第一步：只要数据满7天，就计算“可售天数”和“近3日日均销量”这两个基础指标。至少每周手动更新一次两个指标。
第二步：新品SKU没有自身历史可参照，采用“同品类相似款替代法”。找一个价格带相同、风格相近、上架已有30天以上的老款，用它的日消耗趋势曲线作为新品未来趋势的参考基线。比如，老款在第9天，第16天的趋势均值为1.2，新品如果同时期也超过了1.2，就说明它的动销表现不低于同品类平均水平。
第三步：等单品数据积累到30天以上后，再逐步引入异常波动率和库销比偏离度。不要一上来就追求完整的四维监控，先保证每天把最简单的基础数据完整记录下来。数据真实完整，比算法复杂重要得多。
任何预测方法都有成本。四数字监控法的成本是每日的数据维护和监控时间。在SKU数量极大、数据样本不足或波动极度剧烈的情况下，盲目套用这套方法反而会浪费精力。下面是几个具体的边界情况和取舍建议。
如果你的店铺有3000个SKU，每天更新3000行的日报显然不现实。解决办法是ABC分层。将SKU按销售额贡献排序，累计贡献前80%的划为A类，接下来15%的划为B类，最后5%（长尾）的划为C类。
四数字监控法的精力分配是：A类SKU逐个做四维监控；B类SKU每周做一次“可售天数+趋势”的两维抽查；C类SKU不做日常监控，只依赖安全库存兜底和定期清仓。下面这张图说明了不同SKU分层在收入贡献、SKU数量和精力占用上的关系。
这个配比的逻辑不算复杂：把最多的精力放在对销售额贡献最大的少数SKU上。C类SKU即使完全断货，对店铺整体影响也有限，不值得投入太多人力去预判。
新上架SKU和进入衰退期的老款是两种“数据不完整”的极端。新品的问题是没有历史数据，无法计算可信的趋势值；老款的问题是历史数据虽然多，但已经失去了参考价值。
新品处理的关键是“参考同款”。我在第六章已经提过相似款替代法，这里补充一点：参考同款的筛选条件要严格，至少匹配“同品类+同价格带+同风格属性”三个维度。如果找不到匹配的同款，建议直接放弃对该新品的趋势预判，把它当作“试销款”处理，首次备货量控制在预估需求的50%以内，用销量的真实结果来小步试探。
老款处理的关键是“停止均值依赖”。一个SKU进入衰退期后，过去30天的数据包含了“上升期+平稳期+衰退期”三段不同的动能，用它做任何预测都是扭曲的。正确的做法是，对老款只看“近7天可售天数+近7天的日消耗趋势”。如果趋势连续14天低于0.8，直接启动淘汰流程，清仓价格、清仓周期、最低毛利目标一并制定。
有些类目的销量天然带有高波动性，比如季节性极强的应季商品、受天气影响的商品、依赖直播脉冲式出货的店铺。这些品类的SKU往往日消耗趋势会在短时间内出现4到5的极端值，异常波动率长期高于1。在这种情况下，任何基于历史数据的预测模型都会失效，因为变化的驱动力不是历史规律，而是外部随机事件。
我的建议是在这类场景下不要追求“预测准确”，而是构建“弹性供应能力”。具体的取舍方向有两条：第一，与供应商谈更短的翻单周期和更小的起订量，用“快速加单”代替“一次性备足”；第二，把资金从“库存资产”转向“快速响应能力”，即使单件采购成本略高，也比一次押注大量库存最终沦为折扣品更划算。预测的价值不在于算准，而在于帮你判断什么时候该放弃预测，转而建立应对不确定性的能力。
四数字监控法是一个低成本、可解释、易落地的运营工具。它有明确的适用上限：当你想对预测做更精细的优化，或者SKU管理规模大到需要系统化决策时，就需要考虑更复杂的模型了。下面这些信号出现时，可以考虑升级：
一个务实的升级路径是：先跑通四数字监控法三个月以上，积累足够多的监控数据和决策记录，再引入更复杂的模型。不要在一张白纸上直接建大厦。
我最后想强调一个在内容生态里很少被提到的观点：库存预判的目的，不是算出未来的准确销量，而是让你在变化发生的第一时间就能看见它。“精确”是一种幻觉，“及时”才是真实的能力。SKU库存消耗数据之所以比任何报表都值得关注，是因为它是你距离真实市场最近的一个信号源，它不受统计报告期的影响，不依赖别人的平均值，它只反映你自己的商品与真实消费者之间的一次次交易。
这篇文章的整个方法，可以浓缩为三句话：库存总量是“快照”，消耗速度才是“视频”；预测的价值不在于算得复杂，而在于异常发现得早；最好的预判，是让你在别人还没意识到变化的时候，已经做完了决策。
如果你打算从今天开始行动，我建议你做一个最小的启动动作：建一张Excel表，找一个最近让你头疼的SKU，记录它过去7天的每日库存和每日销量，按文中的公式算出可售天数、日消耗趋势和异常波动率这三个数字，持续跟踪两周。两周后，你就会直观感受到“看库存余量”和“看消耗动能”之间的区别。等你在两三个SKU上验证了这套方法的信号价值，再把它扩展到全店A类SKU，你的库存管理就会完成从“事后补救”到“事前判断”的转换。
读者评论
文章把库存管理从“看水位”拉到了“看流速”的维度，这个类比很清晰。我实际做过电商运营，确实发现“可售天数”在销量爬坡期严重失真，文中那句话很扎心：它反映的是过去7天的平均速度，而不是未来7天的真实速度。第二档到第四档的能力划分，也让我对照出了自己的管理盲区。
比较认同“30天均值会掩盖近端趋势”这个观点。实操中很多ERP的补货建议就是基于近30天日均倒推的，遇到季节性单品几乎必错。文中用近14天和近7天窗口对比计算的例子很有说服力，建议这类分析可以再展开讲讲不同品类如何选窗口长度。
有个实际问题：文中的“四数字监控法”没有给出具体的四个数字定义和阈值算法。对中小卖家来说，最需要的是一份可以直接用在Excel模板里的看板公式。建议后续能补充一个按天记录、自动计算消耗加速度的示例，不然大多数人看完还是不知道怎么落地到自己的日报里。