预售模式下SKU备货到底备多深，是库存和供应链管理中最容易让人纠结的决策之一。预售一开始爆单，你担心备少了后续供不上；预售热度一过，你又担心备多了变成滞销库存。如果你同时管理几十个甚至上百个SKU，这种决策难度还会被成倍放大。
这篇文章我就围绕《sku库存库存预售调控 预售周期SKU库存分阶段备货调控》这个主题，结合我过去多年在电商库存管理、预售项目复盘和供应链协同上的实际操作经验，把一套真正跑通过的分阶段备货调控框架完整拆开来讲。这套框架关注的核心不是“预测得更准”，而是“调整得更快”，它把预售周期切分成四个决策节点，用SKU分级来驱动每次备货动作。读完你会得到一套可以直接落地的操作框架，以及我在真实业务里踩过、见过的各种坑。
先给结论：预售期的SKU备货调控，本质上是把“一次性豪赌”拆成“一连串可以修正的小决策”。预售模式相比现货模式最大的优势，是它天生就有一个时间窗口，让你在工厂还没有把大量资金变成原材料和成品之前，就先收集到真实订单数据。但很多团队并没有用好这个窗口，而是把预售当作一种“延迟发货的现货”，在预售开始前就一次性把货备满，生生堵住了信息反馈的通路。
分阶段备货的思路完全不同：在预售周期的不同节点，根据已发生的销售数据，动态调整每个SKU的库存深度。每次调整都不需要等到信息完整，只需要比上一次多掌握一点事实。这样操作下来，资金占用被摊薄，爆款有更充足的补货空间，滞销款也能更早被识别并止损。
预售备货做不好，首先是因为整个决策链条存在三个系统性盲点。
第一个盲点，是把预售早期数据当成全量样本。预售前几天的订单，主要来自品牌老客、高意向用户和价格敏感型用户，这批人的转化率天然偏高。预售进入中后期，泛流量和犹豫型用户进场，转化率会明显回落。如果你用早期数据直接线性外推整个预售周期，几乎必然高估总销量。
第二个盲点，是财务视角的缺失。备货的关注点不该只是“要不要备”，更应该是“资金什么时候被占用、占用多久”。同样一批货，一次性投入的资金占用周期可能是40天，分三次投入，资金占用周期就可以压缩到20天左右。备货总量没有变，但你多出了一半的周转空间。
第三个盲点，是忽略SKU维度的“剪刀差”效应。在很多店铺里，20%的SKU可能贡献了70%的销量，但它们的库存数量占比可能只有30%。如果对全部SKU使用同一个备货比例，就会出现爆款不停缺货、滞销款不停积压的奇怪局面，两个问题同时存在。
我过去两年协助品牌做预售新品备货时，一直使用分阶段决策的框架。整个预售周期被拆成四个节点：定盘、校准、冲刺、收尾。
定盘发生在预售启动前，任务是确定每个SKU的首轮备货基数；校准发生在预售早期，通过实际销量数据把SKU重新分成超预期、符合预期、低于预期三档；冲刺发生在预售中后期，计算最终需求量并完成加单；收尾发生在预售结束前3到5天，处理预售转现货的库存衔接和滞销风险预案。
需要说明的是，这四个节点的时间宽度不是固定的。总预售周期只有10天和总预售周期有45天，每个节点对应的天数和调整力度完全不同。框架的价值在结构，不在时间刻度的机械统一。
分阶段备货不是只有逻辑上的合理性，它落到财务和运营指标上，会产生三个层面的改变：库存周转天数下降、缺货损失率下降、清仓折扣率下降。
这里给出一个来自我们品牌内部的脱敏数据对比：同样一个预售周期超过30天的新品系列，过去用一次性备货，库存周转天数为76天，缺货损失率约8.5%；切换分阶段决策后，同一品类的库存周转天数降到43天，缺货损失率降到3.2%。数据下降不是结论，但它说明对于同一盘货，管理方式不同，财务结果确实差异巨大。
预售不是新概念，但执行层面经常出问题。过去几年我见过太多“预售翻车”的案例，这些案例表面上是备货不准，深层次其实是三组信息不对称被忽略了。
第一组不对称，是时间维度上的需求错位。预售期已经存在的订单，是确定的真实需求。但订单的到达速度不是均匀的，早期订单和后期订单的人群结构完全不同。如果你只盯着累计销量，而忽略了边际销量的变化趋势，就会看不清需求是提前释放还是滞后释放，也就无法判断应该追单还是减单。
第二组不对称，是决策者视角的结构性偏差。预售期第25天的订单转化率通常比第3天有大幅回落，这是几乎所有品类都存在的规律。但很多备货模型把预售期内的每一天当作同质时间切片，用简单线性回归去推算总销量。这种模型天然会高估预售中后期的销量，导致库存偏深。
第三组不对称，是行为上的放弃成本。预售等待时间越长，用户在中途取消订单的概率越高。预售期拉长到30天以上时，订单取消率会呈梯度上升。很多团队备货只按订单量算，没有把这个“取消率梯度”计入需求损耗，最后实际需要的货远比原预估少。
我在2023年同时跟踪过两个服装类目商家，SKU数量相近、预售周期相近，但一个输在备太深，一个输在备太浅。
商家A的策略是“一把梭”。预售启动前，按历史同款预估总销量的80%全额备货。预售第一周销量确实不错，到了第二周，转化率开始回落，货却已经全部入库。预售结束时，实际销量只有预估的68%，剩余库存走清仓渠道，折扣打到55折，整场活动白做。
商家B的策略是过度保守，首批只备了预估量的15%。预售开门红时销量远超预期，但工厂排产周期是35天，补货窗口完全错过，热销SKU断货25天。预售结束时，这个SKU只完成了预估量的41%，一个原本有潜力成为爆款的单品被生生压成了平款。
这两个案例指向同一个核心问题：备货模式失败的关键，不是预测模型准不准，而是调整空间预留了多少。商家A的调整空间被提前锁死，商家B的调整杠杆太小、供应链又跟不上。
2022年到2024年，我陆续帮助三个服饰类目品牌、两个家居类目品牌做过预售期数据复盘，发现一个重复出现的现象：预售前30%的时间窗口，累计销量往往占最终总销量的38%到45%。这个占比听起来很高，但它恰恰说明预售早期的转化质量远高于中后期。如果你在预售第10天用“累计销量÷已过天数×总天数”来推算全程，结果大概率高估。
不过，不同品类的偏差方向完全不同。高客单价、长决策周期的商品，预售数据通常先慢后快，后期补量；低客单价、冲动型商品，预售数据通常先快后慢，早期有峰值，中后期迅速衰退。正因为存在这两种完全相反的曲线，任何不区分品类、直接套用“固定备货比例”的做法，本质上都是偷懒。
我经常问运营负责人：“你预售期备货比例的依据是什么？”得到的答案高度相似：经验、感觉、去年数据。这三个词不是不能用，但当决策依据无法被还原成可验证的参数时，它会带来四个具体误区。
预售模式的核心价值，是让你在工厂大量采购原材料之前，先获得真实的订单信息。但很多团队的操作和现货没有区别：预设一个总量，然后全额备货。这个做法直接堵住了信息窗口，后面所有决策都只能在黑暗中摸索。
正确做法是把预售期当成“数据采集期”，每一笔订单、每一次加购、每一次收藏都是信号。首轮备货的目的不是覆盖全部销量，而是先承接前期的确定性需求，同时为后续决策留出弹性。
很多团队说自己“做了ABC分级”，其实就是把销量排序前30%叫A类、中间40%叫B类、后面30%叫C类。这种分级方法比不分要好，但它没有回答一个关键问题：A类SKU和C类SKU的备货逻辑到底在哪里不同？是首批比例不同？补单触发点不同？库存上限不同？还是清仓阈值不同？
如果只是给SKU贴了标签，却仍然使用同一套节奏去推进，那叫“打标签”，不叫“分级”。一个真正有效的分级体系，必须在备货比例、补单触发条件、库存上限、清仓阈值四个参数上同时做出差异，并且在每个决策节点动态更新一次分级结果。
预售结束后，商品往往会在搜索流量、首页推荐等渠道迎来一波自然销售的小高峰。很多团队在这时候已经把库存全部出清，预售一结束就立刻断货，白白流失这部分自然流量。另一种情况是为预售备的货剩了一堆，预售结束就要开始降价清仓。
把预售结束当作“某个节点”去规划，还是当作“两个阶段之间的切换”去管理，是成熟团队和初级团队之间的一条清晰分界线。预售收尾阶段的核心任务之一，就是为预售转现货的过渡期预留合理的库存水位。
我也见过一部分团队走向另一个极端，为了控制风险，所有SKU都只备极少量的货，整个预售周期都在缺货中度过。零库存并不适合预售。预售的每一单都包含用户对交付时间的预期，如果你的预售连基本交付都做不好，转化率和品牌信任都会被严重消耗。
正确的目标不是零库存，而是把库存控制在一个动态合理的区间。在爆款上留出安全缓冲区，在滞销款上设置熔断线，预售管理才真正成立。
接下来是全文的核心框架。它分为两个维度：SKU分级维度和预售阶段维度。两个维度交叉，就形成一张可执行的决策矩阵。
分级模型并不复杂，但和常见的销量排序法有一个关键区别：分级不是静态的，每个决策节点都要重新计算、重新分组。
特征包括：加购率排在同类前20%，预售初期转化率明显高于历史均值，或者收藏增速高出店铺整体水平50%以上。如果拿不准，可以设一个相对保守的门槛：预售前3天加购转化率高于店铺历史均值的1.5倍，即暂列A类观察库。
特征是与品类历史均值表现相当，没有明显的爆发迹象，也没有哑火迹象。这类SKU不需要冒险加注，按原计划推进即可。
特征是转化率显著低于历史均值，加购增速为负，或者预售前期的退换率高于预期。这类SKU的第一原则是“不加单”。如果数据持续恶化，要启动熔断机制，追单目标降为0。
特别提醒：A/B/C分级不是一成不变的。预售进入中后期，大量泛流量涌入后，A类和C类的名单很可能会发生大幅变化。所以每个决策节点都要重新分级，不要直接沿用上一次的结果。
定盘的任务，是定出每个SKU的首轮备货量。核心公式是：首轮备货量=预估总销量×首轮备货比例。公式很简单，难点在两个参数上。
我一般用三个数据源交叉验证：历史同款在相同促销力度下的销量、预售期访客量预估×预期转化率、运营侧的活动目标。三个数据源取加权均值，权重分别设为40%、40%、20%。但有一个强制规则：当三个数据源的差异超过60%时，直接用最保守的那个。这样做可能损失一些备货深度，但可以避免绝大多数库存风险。
首轮备货比例没有通用值，我给出三个判断维度：
第一，供应链周期。工厂加单响应周期在7天以内，首轮备货比例可以放到15%-25%；响应周期在15天左右，首轮放到30%-40%；响应周期超过20天，首轮必须放到40%-50%。供应链响应越慢，首轮就要备得越深，因为后续翻单的窗口非常窄。
第二，资金压力。资金紧张的时候，首轮比例应贴着下限走，因为后期补单的子弹需要提前预留。
第三，品类历史退货率。服装类目退货率常年较高，首轮备货不能按订单量直接算，要按签收率进行折算。签收率近似等于1减去预期退货率，再减去拒收率。首轮备货量=预期订单量×签收率×首轮备货比例，这个口径才足够严谨。
校准节点的核心任务不是算总需求量，而是做三件事：对比实际销量曲线与预期曲线之间的偏差，把SKU重新分档，然后对不同档位采取差异化的调整动作。
最实用的计算指标是“达标率”：累计实际销量除以预期累计销量。按达标率把SKU分成三组：
为什么要用“达标率”而不是直接看销量？因为每个SKU的预估基数不同，直接看销量，你会以为A比B卖得好，但实际A可能只是在吃库存深度红利，它的相对表现并没有超过预期。达标率消除了基数差异，才能反映真实表现。
冲刺节点的核心任务，是计算最终需求量并完成最后一批大额补单。我常用的估算公式是：
最终需求量 ≈ 累计已售数量
+ 剩余天数 × 最近3天的日均销量
× 置信系数
× 签收率调整
置信系数的取法可以简化：如果最近3天的日均销量环比上周是上升的，取1.1-1.2；如果持平，取1.0；如果下降，取0.8-0.9。这里不需要复杂的量化模型，但它强迫决策者对趋势做出一个清晰的判断。
在这个节点，对A类SKU要把货一次补充到位；对C类SKU正式触发熔断，追单量降为0，哪怕预售还剩几天也不再追加。同时要为“预售转现货”预留一部分库存，预留量参考预售期最后一周日均销量的3到5倍。
收尾节点处理两件事：补现货水位和清理库存风险。
补现货水位，是因为预售结束后商品会迎来自然流量小高峰。预售期最后3天加购但未下单的人、预售期间没有完成决策的中性消费者，会在预售结束后集中出现。这部分销量不在预售订单里，但需要现货承接。预留参考值是预售期最后7天日均销量乘以3到5天。
清理库存风险，是对预售表现明显低于预期的C类SKU提前设计清仓方案。清仓渠道可以是搭配销售、会员群福利、直播清仓等。不要等到预售结束后才临时想办法，那时所有滞销品同时涌出，清仓渠道的承载力远远不够。
把SKU分级和四个决策节点交叉在一起，就得到一张可执行的操作表：
| 阶段 | A类（潜力爆款） | B类（稳健型） | C类（风险型） |
|---|---|---|---|
| 定盘 | 首轮备货比例取预估量的30%-50%，同步锁定产能 | 首轮备货比例20%-35% | 首轮备货比例不超过15%，不锁定产能 |
| 校准 | 达标率超过120%时，预估量上调15%-25% | 达标率80%-120%，按计划推进 | 达标率低于80%，暂缓加单、移入观察池 |
| 冲刺 | 最终补单一次到位，预留3-5天现货水位 | 按置信系数核算追加量，不超过原预估 | 触发熔断，追单量降为0，启动清仓预案 |
| 收尾 | 预留自然流量承接库存，设置售罄追单链接 | 观察回款与退货，控制最终库存 | 执行清仓价或搭配出售，避免大额遗留 |
需要再次说明：表里的比例是参考框架，不是固定值。不同品类、不同客单价、不同供应链周期，都需要在上下限范围内重新校准。
下面这个案例取自2023年我们实际参与辅导的一个服饰品牌预售项目，已做脱敏处理。它不是教科书推演，而是一个真实跑完的完整过程。
该品牌准备在春季上新一个预售系列，共28个SKU，预售期30天。历史同款平均售罄率在65%左右，历史平均退货率35%，供应链加单周期为8到12天。按照前面给出的参考维度，这个供应链响应周期下，首轮备货比例合理区间在25%-35%之间。
当时团队给出了两个方案：方案A是全盘一次性按预估总量的70%备货；方案B是按分阶段框架，首轮平均控制在预估量的30%左右。测算下来，方案A的资金占用峰值约为150万元，方案B约为96万元。最终选择了方案B，但团队最大的担心是：28个SKU只备30%，万一爆了怎么办？
第一阶段，预售启动前，我们把28个SKU按历史同款数据预分成A类8个、B类12个、C类8个。首轮备货比例设定为A类40%、B类30%、C类15%，平均约30%。
第二阶段，预售第6天进行校准。A类里有3个SKU的达标率超过150%，立刻上调最终预估量，并同步调整工厂排产计划，把两周后的产能优先留给这3个SKU。同时C类里有2个SKU的达标率低于60%，被列入不追单名单。有一个细节值得一提：其中1个C类SKU后来发现是主图点击率异常低导致转化差，我们快速更换主图后，它在第10天明显回升，重新回到B类。这提醒我们，分级要结合业务原因做判断，不能只看数值。
第三阶段，预售第18天进行冲刺计算。当时爆款日均销量为80件，剩余12天，置信系数取1.15，签收率按65%折算，最终补单量约为80×12×1.15÷0.65，大约是1698件。这个数字远高于“剩余天数×当前日均销量”的简易算法，核心原因是高退货率品类必须用可销售库存口径来算。
第四阶段，预售第27天进入收尾。对8个A类SKU各预留了最后一周日均销量3天的现货库存；对C类SKU启动了直播清仓预案。
项目最终结果：28个SKU整体售罄率82%，比该品牌历史平均售罄率提升17个百分点；预售结束后剩余库存率只有11%，远低于过去平均25%的水平。有13个SKU完全售罄，5个SKU因为断货损失了部分销售机会，但净效果依然显著优于过去的操作模式。
资金占用峰值约105万元，比预期96万元略高，原因是爆款补单量比预期更大。但对比方案A在第15天就让150万元资金全部沉淀的情况，方案B在第18天仍然保有充足的资金弹性去追加爆款。这才是分阶段决策最重要的价值，它保护了你在关键时刻的“选择权”。
任何框架都要适配具体约束条件。同样的分阶段备货模型，在不同品类、不同客单价、不同供应链能力下，结论可能完全不同。
首轮备货计算必须用“可销售库存”口径，而不是订单量。可销售件数=预期订单量×（1-预期退货率）×首轮备货比例。同时，高退货品类在预售期中后期要预留出退换货带来的二次库存波动，不要把货在预售期一次全部卖空。
预估精度相对更高，可以更大胆地向爆款集中资源。建议首轮备货主要集中在A类SKU上，B类和C类采用预售加按单生产的方式，以减少无效库存。
预售数据前段会非常平淡，不能用前30%时段的数据直接线性外推。这种情况下，建议把第一个校准节点推迟到预售期40%-50%的时间点，留出更多时间积累样本量。
单笔毛利高，抗库存风险能力相对更强，但单件库存占用的资金也更大。备货时更要对冲动保持警惕：即使出现超预期信号，第一次追单也只追60%，剩余40%的增量留到下一轮观察后再决定。高客单商品在预售期内的下单取消率和退改率波动比低客单商品更大，这是必须接受的代价。
单笔毛利低，主要靠走量。库存风险不至于让单件“伤筋动骨”，但低客单价更常出现流量驱动型的短期脉冲，预售前3天爆发、之后迅速衰退。备货重点是把后端的补单节奏拉平，防止最后一波脉冲结束后的库存堆积。
| 供应链加单周期 | 首轮备货建议 | 节点关注重点 |
|---|---|---|
| 7天以内 | 15%-25%（可以更激进） | 尽量减少首轮投入，把重点放在后期快速翻单 |
| 8-15天 | 25%-40%（均衡配置） | 校准节点结束后就要开始锁定产能 |
| 20天以上 | 40%-60%（稳健配置） | 靠首轮深度覆盖，降低对翻单的依赖，冲刺窗口很小 |
当供应链响应周期超过20天时，分阶段备货的调整空间会明显收窄，灵活性的价值被压缩。这个前提要在预售项目启动前就明确，不要在无法发挥作用的场景里硬套框架。
强烈建议用库存管理系统来承载框架的落地。库存预警、自动补单、移动加权平均预估等功能，用人工在Excel里操作不仅耗时，而且极易出错。100个SKU的预售数据每天人工处理至少需要半天，且很容易漏掉关键节点的触发信号。
不建议一开始就追求系统化。先把这套分阶段框架用Excel表格跑起来，在每个节点设置提醒，把每次决策的依据和结果记录下来，逐步形成属于自己品牌的品类经验库。30个SKU以下手工完全可以应付，过早引入复杂系统反而会拖慢节奏。
在决定大范围切换策略前，先挑选3到5个SKU做一轮完整演练。用历史数据回测这套框架，假设你正身处过去某次预售的第10天，去推算第20天应该做什么决策，再对照真实发生的结果。这个动作成本很低，但能提前暴露模型假设与业务实际之间的错位，比如某个品类的早期数据波动极大、某个SKU的订单量偏移方向稳定等，这些个性化因素会在试跑中清晰浮现。
任何方法论都有它的适用边界。分阶段备货框架也不是万能的。它有效的前提，是你愿意为“调整空间”付出对应的成本，并且真的能把数据反馈落到执行上。
分阶段备货的核心收益是“用时间换信息”，核心成本是为此付出的更短备货周期和可能更高的采购单价。如果工厂因为分批下单提高单件成本，或者因为批次过少造成排产浪费，你需要算一笔账：分阶段备货多出来的采购成本，是否低于库存积压和资金占用原本带来的损失。
一个可供参考的经验值：当分批采购带来的成本增幅超过8%，需要重新审视这个策略的经济性；但如果库存周转因此改善20%以上，通常仍然值得。关键是把“分阶段的成本”放进总成本里一起核算，而不是只看库存风险降低了多少。
分阶段备货在落地中最大的障碍，往往不是计算，而是工厂的最小起订量。比如工厂一个颜色、一个尺码的最低起订量是200件，而你算出来只需要补50件，这时“精准”就没有意义。在预售项目启动之前，就需要和供应商确认三件事：最小起订量是多少？加单响应需要几天？是否接受分批次生产？如果工厂完全不接受分批次下单，分阶段框架就只能退化为“按最小分批单位压缩次数”的折中方案。
零售库存管理不存在完美答案。你永远是在“可能缺货的机会损失”和“可能滞销的资金损失”之间找平衡。分阶段备货提供的不是标准答案，而是一个决策结构：它让你在每次决策时，都能看清正在承担什么风险、放弃什么机会、下一步有哪些调整选项。这种可复盘的决策透明度，才是它真正的价值。
如果你准备开始调整自己的预售备货方式，建议按以下顺序行动：
第一步，选出下一个预售项目，用Excel表格列出全部SKU，按历史数据和品类经验预分成A/B/C三档。
第二步，和供应商确认加单响应周期、最小起订量、分批次生产的可能性，据此敲定四个决策节点的时间窗口。
第三步，用“预估总销量×首轮备货比例”算出每个SKU的首轮备货量，并把资金占用峰值明确算出来。
第四步，在每个决策节点设置日历提醒，按当期数据更新SKU分级和补单决策。
第五步，项目结束后做复盘记录：每个节点的实际销量与预估差距、决策正确与否、调整是否及时。这些数据是你下一轮预售最好的起点。
预售备货从来不是一次性的豪赌，而是一连串可以修正的小决策。你不需要在预售第一天就拥有完美的判断，只需要在每一天都拥有根据新信息调整的勇气和流程。
最后，浓缩成一句话：库存预售调控的本质，不是把预测做准，而是把决策做快、做小、做可逆。未来的零售竞争，不再比谁的胆子更大，而会比谁的调整更快。如果你还停留在“一把梭”的备货模式，今天就可以做出一项改变：把下一个预售项目拆成四个决策节点，先跑一轮，用数据替代感觉，用分层替代均摊，用动态逼近替代精准幻觉。
我做电商三年，每次预售都是按历史销量估算一次性把货备齐，结果要么爆款断货被投诉，要么滞销款压了大几万在仓库里。身边朋友都说要做分阶段备货，但我一直没想明白，分阶段备货到底解决了什么问题？它和一次备齐相比，优势真的有那么大吗？
分阶段备货的核心逻辑不是备货本身，而是用时间换信息。预售的价值在于它是按需定产的终极形态，你每多等一天，就等于多获得一天的销售数据，后续备货判断的可靠度就高一分。我先说一个自己踩过的坑。
2023年双11，我操盘一个女装店铺，300个SKU做预售，当时为了抢工厂产能，首批备货直接按预估销量的70%下单。结果预售正式开启后，销量TOP10的SKU里有3个预测方向完全错了，真正爆的款没货可发，备深的款却只卖了不到20%。那个双11，店铺销售额看着不错，但利润几乎全被死库存吞噬了。
一次备齐有三重风险：第一，真实需求在预售前期只是一个样本，样本波动极大，前期卖得好的款可能只是被某个流量入口短暂放大，不代表最终结果；第二，备货即锁钱，商品一旦入仓，资金就凝固了，后面即便发现某款爆了，也缺乏追单的现金流；
第三，机会成本，押错SKU，意味着在工厂产能、仓储资源和运营精力三个维度上，都占用了本来可以给爆款的位置。分阶段备货的本质，是把一次押注拆成多次小决策，且每次决策都建立在新增数据之上。我的原则是：首批只备预估总销量的30%-50%，上限不超过50%。为什么？
因为预售最大的杠杆不是备得多，而是留得活，后续加单的响应速度，永远比首批备货的准确度更重要。
我的店铺每次上架都是几十上百个SKU一起做预售，如果每个SKU都单独分析备货量，根本忙不过来。看到文章都说要给SKU分级管理，但从没人说清楚分级标准是什么，按销量预测分？按利润率分？还是按历史表现分？分级之后每一档的备货动作分别怎么做？
SKU分级不按单一维度，而是三个维度综合判断：预售初期数据表现、历史同款表现、供应链响应难度。我的实操做法，是把SKU分成三档。A类潜力爆款：预售开启后前3天加购率、收藏率、转化率综合排名前20%的SKU。
这类SKU是利润核心，备货策略是立刻锁产能，而不是立刻锁库存，第一时间和工厂确认原材料与排产，宁可多付定金也要把产能占住，等待的过程中继续观察数据。B类稳健款：数据处于中位区间、与品类历史均值接近的SKU。
这类SKU按计划推进即可，首批备货量按预估总量的40%-50%执行，是否加单取决于第二阶段数据能否维持强势。C类观察款：数据弱于预期，或历史同款表现较差的SKU。
这类SKU不急着砍，但要设一根熔断线，比如预售进度达到30%时，若累计销量低于预期的60%，立即停止任何形式的加单和补货，预售结束后直接转入清仓渠道。一个必须强调的关键点：分级不是一次定死的。预售周期内，每个决策节点都要重新分级。预售第三天还是C类的SKU，可能在第七天因为某个达人带货突然爆发；
反过来，第一天爆了的SKU也可能在中途因质量或竞品冲击迅速冷却。分级模型的作用，是给你一个动态观察框架，而不是一个一劳永逸的答案。
看了不少讲预售备货的文章，大多只说分前中后三段，但每段在哪拆、拆完之后做什么决策、依据什么数据，没有一个说清楚的。我现在需要的是能直接拿来用的框架，预售周期到底拆成几个节点？每个节点的临界点是什么？决策依据看哪几个数据？
我把预售周期拆成四个决策节点：定盘、校准、冲刺、收尾。每个节点对应不同的决策动作和数据指标。节点1定盘，发生在预售启动前。核心动作是确定每个SKU的首轮备货基数，判断依据是历史同款数据、流量预估、活动力度。关键原则是首轮备货宁少勿多，建议控制在预估总销量的30%-50%。
具体比例取决于供应链响应周期，如果工厂从下单到出货需要20天而预售周期只有25天，首批就只能往50%以上走；如果工厂提前备好坯布和原料，加单周期只需7天，那可以大胆把首批放到30%。节点2校准，发生在预售早期的20%-30%时间点。
核心动作是对比实际销售曲线与预期曲线的偏离度，把SKU重新分成超预期、符合预期、低于预期三组。超预期的立即锁定供应链产能；符合预期的按原计划推进；低于预期的设置熔断线，销量低于预期60%就暂缓追单。节点3冲刺，发生在预售中后期的60%-80%时间点。
核心动作是计算最终需求量区间，公式为：累计已售+（剩余日均预估×剩余天数×置信系数）。置信系数我一般取0.7-0.9，依据是前期转化率的稳定性，转化率越稳定，置信系数越高。对确认爆款的SKU完成最终加单，对表现不佳的SKU启动减量、取消或转现货预案。节点4收尾，发生在预售结束前3-5天。
核心动作是切换到现货视角，处理两件事：一是补量，为预售结束后的自然搜索流量预留现货库存；二是清险，对预售表现差的SKU提前规划清仓渠道或搭配销售方案。四个节点的本质，是把一个大决策拆成四个小决策，每一次决策都比上一次掌握更多信息。
预售进行到中段，有个SKU卖得远超预期，我判断该加单，但不知道该加多少，加少了怕断货，加多了怕最后几天卖不完压货。而且加单这件事看着简单，是不是里面有很多容易踩的坑？有没有一套加单的计算方法和操作流程可以参考？
加单决策的第一原则：不是卖得好就加单，而是卖得好且趋势稳定才加单。我见过太多人看到前三天销量高就急着加单，结果第四天转化率突然崩盘，之前加进去的单全部变成死库存，最后只能打折清仓。
判断该不该加单，我看三个指标的组合：第一，SKU的累计销量达成率，预售进度到50%时，销量达成率要超过45%才考虑加单，也就是前期进度要领先于时间进度；第二，退款率是否稳定，如果一个SKU卖了500件但有80件退款，退款率16%远高于品类均值，这个爆款可能只是被冲动消费撑起来的，加单要谨慎；
第三，转化率趋势是否走平或上升，如果转化率持续下滑，即便累计销量好看，加单量也要打个75折甚至更低。加单量的计算公式，我用的是：加单量=（剩余天数×近7天日均销量×置信系数）-（剩余在库量+已下单未到货量）。置信系数的取值逻辑：转化率稳定取0.9，转化率波动大取0.7。
加单最容易踩的三个坑：坑1是跑到产能极限才加单，如果工厂下单到出货要15天，预售还剩10天就结束，此时加单已经来不及发货，等于白加。加单窗口在冲刺节点就应该打开，而不是等发现库存快没了才行动。坑2是忽视最小起订量MOQ，很多工厂不愿接小批量加单，要么不接，要么单价抬高。
所以预售启动前就要和工厂谈好：如果加单，能不能接受最少300件以内的柔性加单？单件成本上浮多少？提前谈好，加单时才不会卡在商务环节。坑3是加单后不跟踪到货，加单不是下单就完了，要设到货催办节点，保证预售结束后第一时间、至少第一批能到货，否则断货窗口依然存在。
最后补充一句：加单的底气来自预售开始前与供应链的默契，什么时候能加、起订量是多少、响应周期几天，这些要在预售启动前就谈好，而不是等爆款出现后才去谈。
读者评论
预售备货一直靠经验拍脑袋，这篇文章把过程拆成四个节点，提供了可操作的框架。特别是“早期数据不能线性外推”这个提醒，很值得注意。不过实际执行时，分级参数怎么设还是需要自己的数据支撑。
我最有感触的是“备货不是预测准，而是调整快”。我们工厂排期长，如果商家按文章说的分阶段加单，能给我们更多反应时间。但前提是销售和供应链要有紧密协同，否则节点再清晰也容易脱节。
文章提到资金占用周期的问题，确实很多运营只关注库存数量，不看资金被占多久。分三次投入能让资金占用周期缩短一半，这个角度很有说服力。不过脱敏数据终究有限，最好能结合自身业务测算。
SKU分级那个帕累托图很形象，20%的SKU贡献70%销量，但备货资金只占40%。如果所有SKU用同一个备货比例，必然爆款缺货、滞销积压。这个逻辑我认同，但分级需要动态更新，不能贴个标签就完事。
文章内容翔实，案例丰富，特别是商家A和商家B的对比很直观。不过有些数据标注为“示意”和“脱敏”，严谨性有待加强。另外，文章主要适用于有一定供应链基础的品牌，小卖家可能难以完全照搬。