做库存数据优化这几年，我听最多的开场白是："老品卖不动了，赶紧打折清掉。"这句话表面看是在处理库存，实际上已经把问题从"这个品为什么不卖"直接跳到了"怎么少亏一点"。我见过太多滞销SKU，在打折清仓前，连基础的数据诊断都没做过。一个真正卖不动的老品和一个只是暂时被流量遗忘的老品，在数据表现上完全是两回事，处理手段也截然不同。这篇文章要讲的不是某个促销技巧，而是一条完整的路径：如何用数据给滞销老品做分型、匹配对应的盘活策略、以及通过指标监控确认库存数据是否真的在回暖。
我参与过多个电商和零售企业的库存优化项目，下面所有方法都来自这些项目里的真实操作复盘，数据做了模糊化处理，但量级和关系是真实的。如果你正被一堆"滞销老品"压住现金流，建议先耐住性子看完第一节的核心结论，再对照你自己的库存数据做一次分型。
一、核心结论：老品盘活是一场数据回暖工程
1. 库存积压是结果，"卖不动"是症候
库存积压从来不是原因，而是结果。"卖不动"这三个字，我做了几年数据分析之后，几乎不会再用了。因为它太笼统，掩盖了真正的问题。一个SKU在平台上卖不动，可能是曝光量不够，可能是点击率低，可能是加购失败，也可能是转化环节流失。这四个断点对应完全不同的修复动作：曝光不足要去查链接权重或付费流量的分配，点击率低要去改头图和卖点，加购率低往往是SKU组合和定价结构的问题，转化率低则大概率是评价和信任感出了问题。
我最早处理滞销品时也跳过诊断直接找营销资源，直到遇到一个"怎么打折都没用"的SKU。拆开四层漏斗才发现，它的曝光和点击数据都正常，唯独加购率接近零。后台一查，这个SKU的子规格被系统判为失效，用户点了加购直接提示缺货，再便宜都卖不出去。从那时起，我给自己立了一个规矩：任何滞销品，先拆漏斗，找断点，再谈处理方式。
2. 数据回暖有清晰的传导顺序
库存数据回暖不是一觉醒来库存金额就降了，它有一个传导过程。通常的路径是：流量效率先行回暖，曝光恢复、点击率回升；随后加购和转化跟上；最后才能真正看到库存金额下降、周转天数缩短。这个顺序极其重要，但很多运营人员没有意识到。
如果你今天优化了链接，明天库存金额就大幅下降，那大概率是数据口径变了或数据源出了问题，而不是策略生效。反过来，如果你盯着库存金额这个最终结果看，往往要等两到四周才能确认策略是否有效。而盯住曝光、点击、加购这些先行指标，七天内就能判断方向对不对。方向对了，给转化一些时间；方向不对，马上调整动作。这就是我说的"数据回暖"。它不是一个时间点，而是一条有先后顺序的传导链路。
下面这张图展示了一次老品盘活项目中，四层数据指标从优化到企稳的实际变化节奏。
3. 全文核心判断
我把文章的核心结论放在最前面：老品盘活的本质是数据回暖，而不是价格战争。先把滞销库存按数据表现分型，再为每个分型匹配对应的处理路径，最后建立一套可追踪的监控表去确认数据是否真的在回暖，这是投入产出比最高的方式。直接打折清仓，只能作为最后一步，不应该作为第一步。
二、一次真实的滞销库存复盘
1. 项目背景：1800万积压库存怎么处理
2023年三季度，我以外部顾问身份参与一家服装电商企业的库存优化项目。这家企业年销售额约8000万元，全渠道SKU超过5000个，覆盖天猫、抖音、唯品会三个主要销售平台。项目启动时，季末库存金额约1800万元，被内部定义为"滞销"的SKU数量占比达到38%。管理层的诉求非常直接：快速回笼资金。项目会上有人提出做全场五折清仓，气氛一度非常焦虑。
我当时做了一件事：先别定折扣方案，给我一周时间把滞销数据拉出来看清再决定。这一周的数据诊断，最终帮企业避免了一次无差别打折带来的毛利损失。
2. 诊断过程：拆数据比开会管用
那一周我们干了三件事。第一，按SKU统计库龄、近30天动销率、库存金额和可销天数，把积压库存按资金占用额排出TOP100清单。第二，对TOP100的SKU逐一拉取近30天的曝光、点击、加购、转化数据，定位四层漏斗的断点。第三，把ERP库存和三个电商平台后台的在售库存做逐品比对，结果发现差异率超过15%。
结论让我印象深刻：管理层眼里的"滞销"，拆开来看其实是三类完全不同的东西。
- 第一类：有曝光、有加购，但转化率只有类目均值的一半。排查发现评价区有大量差评、尺码表与实际版型不一致。这类SKU不是卖不动，是"卖不动"的表象掩盖了信任断点。
- 第二类：点击率和加购率都正常，但曝光量环比暴跌70%，基本可以确定是链接被系统降权。这类SKU的占比最高。
- 第三类：曝光、点击、加购、转化全面低迷，属于真正需求萎缩的"真滞销"。这类SKU只有28个。
TOP100里真正符合"全面低迷"标准的只有28个SKU。也就是说，超过七成被判定为"滞销"的老品，其实不是产品本身不行，而是数据链路或信任链路断了。
3. 调整策略之后发生了什么
我们把处理策略从"全场五折"改成"分类处置"。28个真滞销SKU进入折扣清货通道，折扣底线按毛利率逐品计算；被降权的SKU修正链接后用小预算付费流量做点击测试，恢复自然曝光；转化率偏低的老品集中补评价、修尺码表、重置SKU组合。整个项目周期60天。
最终结果：打折范围从计划中的全渠道覆盖缩小到约18%的SKU；库存消化周期从45天缩短到28天；毛利率损失比原全场五折方案减少了约6个百分点。这就是数据分型的价值，不是所有滞销老品都该被贱卖，但前提是你得能分辨哪些该救、哪些该清。
三、拆解四个常见误区
1. 误区一：把"卖不动"当成一个原因
我在多个项目里反复见到同样的对话：运营说这个品卖不动，老板说那就降价。"卖不动"听起来像一个结论，但实际上什么都没说清楚。四层漏斗里任何一层断掉，都会呈现为"卖不动"：曝光断了，用户根本看不到；点击断了，看到了不想点；加购断了，点进来买不了；转化断了，下单前流失了。四个断点对应的修复动作完全不同，把"卖不动"当成一个原因去处理，等于不看病症就开药。
2. 误区二：打折是万能的
打折确实是处理库存最直接的手段，但它的隐性成本常被低估。第一，折扣直接吃掉毛利，一个SKU原本毛利率只有20%，打七折基本没有利润，扣掉仓储和资金占用成本甚至亏钱。第二，折扣伤害价格体系，老客看到刚买完就降价，复购意愿明显下降。第三，也是我特别想强调的一点：打折对"假滞销"毫无用处。用户根本看不见你的链接，你降多少价格都传递不出去。这种情况下，折扣只是白白损失利润，没有换来任何流量。
3. 误区三：指标口径混乱
做库存分析时，口径不统一是比数据缺失更常见的问题。同一批SKU，A用件数算动销率，B用SKU数算；库龄有的从采购入库算，有的从上架日期算；周转天数有的用期末库存算，有的用平均库存算。口径不同，结论可能完全相反。一个在A口径下"滞销"的SKU，在B口径下可能是"正常"。所以做任何跨时间段、跨项目的对比前，先确认统计口径是否一致。口径不一致的数据，分析得越精细，错得越离谱。
4. 误区四：只看总量，不看结构
总库存金额下降了，不代表库存数据是健康的。有可能总金额下降是畅销款的贡献，真正积压的死库存纹丝不动。我见过不少企业在月度复盘时只盯总库存和总周转天数，问题SKU被平均数据掩盖，一年下来仓库里最差的一批货一直没动过。正确做法是把库存按库龄和动销率分成几个层级，每一层单独统计金额、SKU数量和趋势变化。总量健康是好事，但只有结构健康才说明盘活策略真的起了作用。
下面这张图展示了那次TOP100滞销SKU中，四层漏斗断点的归因分布。可以看到，问题最多发生在曝光断点，而不是产品本身。
四、老品分型框架：四种库存的数据画像
1. 两个基础维度
做分型判断时，我用两个基础维度组合：库龄和动销率。库龄决定剩余生命周期和仓储成本压力，动销率决定这个品还有没有活跃的市场反馈。两个维度组成一个四象限，再叠加毛利率空间和资金占用额两个修正参数，就得到清晰的处理画像。这套分型框架可以放进Excel里批量运算，不用依赖经验拍脑袋。
2. 四类库存的数据特征
（1）假滞销。库龄在30到90天之间，动销率低但类目搜索热度仍存在。数据特征表现为四层漏斗中的某一层单点断层，比如曝光被降权、点击率极低、加购提示失效。这类SKU的盘活空间最大，也是资源应优先投放的方向。
（2）低效老品。库龄在90天左右，动销率中等偏低，但漏斗中有某一层仍然保持正向反馈。低效老品还要再拆成两种：有流量没转化、有转化没曝光。前者是承接问题，后者是入口问题，修复路径完全不同。
（3）真滞销。库龄超过90天，动销率持续为0或趋近于0，四层漏斗全面低迷，类目搜索热度同步下滑。这类SKU不应该再投入运营资源，应当尽快进入控亏清货流程。
（4）死库存。库龄超过180天甚至跨年，曝光、点击、转化长期为零，仓储成本已经超过货物残值。死库存每多放一天，都是在亏仓储费和资金占用成本，必须止血，越快越好。
3. 一张分型判断标准表
为了方便你在自己的Excel里直接操作，我把分型逻辑整理成了下面这张表。注意这些阈值是通用参考值，不同品类需要按行业特性调整。快消品的库龄阈值通常缩短到15到30天，耐用消费品可以放宽到180天以上。
| 分型 | 库龄参考 | 近30天动销率 | 四层漏斗特征 | 处理优先级 |
|---|---|---|---|---|
| 假滞销 | 30-90天 | 低于10%，但历史有动销 | 曝光、加购或转化单点断层 | P0 优先修复 |
| 低效老品 | 30-90天 | 10%-30% | 流量与转化脱节，部分环节仍有正向反馈 | P1 按断点优化 |
| 真滞销 | 90-180天 | 持续接近0 | 曝光、点击、加购、转化全面低迷 | P2 控亏清货 |
| 死库存 | 180天以上 | 长期为0 | 无有效数据反馈 | P3 止血清理 |
分型做完之后，你会得到一个非常直观的结论：仓库里真正值得打折的，通常只占一小部分。大多数滞销老品的积压原因是链路问题、信任问题、入口问题，而不是需求消失。
五、分型后的差异化处理策略
1. 假滞销：先恢复数据入口
假滞销的处理重点不是降价，而是把断掉的链路接上。具体动作按断点类型来：如果是链接被降权导致曝光清零，就修正违规记录、重新优化标题和类目属性，再用小预算付费流量做点击测试；如果是SKU子项失效导致加购失败，就及时停用失效的规格，重新组合可售规格。先解决"用户看不见"和"看见了买不到"，再谈后续转化。修复周期通常在7天左右就能看到曝光数据的明显回升。
2. 低效老品（有流量无转化）：信任修复
这类SKU的曝光和点击都正常，说明用户有需求，问题出在转化环节。我优先检查四个方面：评价和问大家是否有近期差评、尺码表是否与实际版型一致、详情页是否还在用旧版卖点、到手价与同款竞品是否有差距。修复动作包括：用客服访客记录和退款原因反推信任断点，补充买家秀和场景图，调整SKU价格带。这类优化见效周期通常在14到30天，不能急。
3. 低效老品（有转化无曝光）：重新入池
有转化没曝光的老品，本质是"品本身能卖，但没有流量入口"。修复路径包括：重置链接生命周期，用新主图做A/B测试，配合小额度付费流量测试点击率，点击率达标后再逐步追加预算。系统权重不一定永久锁定，很多时候换一张图、换一个类目属性就能重新获得流量分配。关键判断标准是：测试期点击率必须达到类目均值的80%以上，达不到就换图继续测。
4. 真滞销：控亏清货
对于需求确实萎缩的老品，止损比情怀重要。清货时设置折扣底线：先算毛利率，再算仓储成本，最后决定折扣幅度。我一般要求折扣后的到手价必须覆盖可变成本，否则每一次"清仓"都是在扩大亏损。清货渠道建议走限时专区、直播清仓、员工内购、赠品绑定等相对隔离的通道，减少对主推款价格体系的影响。
5. 死库存：止血优先
死库存的处理只有一条原则：不要再投入任何运营资源。批量卖给二手回收商、公益捐赠并取得合法凭证、或者直接报废。很多企业不舍得这一步，结果死库存每年产生仓储费、管理费和资金占用成本，实际损失远超残值。把仓储空间和运营精力释放给新品和畅销款，才是数据上最优的决策。
六、建立一套库存数据回暖监控表
1. 按三个周期监控
监控周期直接决定你调整策略的速度。我通常设三档：7天是流量验证期，核心看曝光、点击、加购有没有变化；30天是转化验证期，看动销率、转化率、退货率是否稳定；90天是库存验证期，看库存金额、周转天数、资金释放是否达成预期。每一档都有明确的通过和不通过标准，避免陷入"再等等看"的无限拖延。
2. 六个核心指标
监控表不需要做得太复杂，六个指标够了：曝光量、点击率、加购率、转化率、动销SKU占比、30天滚动库存周转天数。他们之间的变化节奏是有规律的：曝光和点击最先反应，加购次之，转化和周转最后。如果你看到转化提升了但周转没有变化，先检查折扣和客单价是不是吃掉了利润，金额降了但毛利没保住，不能算真正的回暖。
3. 预警线的设置方式
我在项目里常用的预警线有三条：
- 第一条：优化执行后14天内曝光和点击没有回升，需要重新检查诊断是否准确，而不是继续加码投入。
- 第二条：30天内动销SKU占比没有提升，说明策略和产品错配，要考虑降级为清货处理。
- 第三条：库存金额下降了但毛利率异常走低，说明折扣过深，应暂停并重新评估清货节奏。
监控表本身建议做成自动化报表，减少人工统计的滞后。每个SKU的处理状态、责任人和下一步动作统一维护在一张表里，并与某项目管理工具联动，按周跟进任务完成率。这样盘活动作不会因为人员变动或工作交接而中断。
七、库存数据最容易出现的系统性问题
1. ERP库存和平台库存对不上
这个问题的普遍性远超想象。我在不止一个项目里发现，ERP库存和电商后台库存的差异率超过10%，有些SKU差异甚至超过50%。原因有几种：在途库存没有正确标记、退货未及时入库、赠品和正品共用同一货号、平台库存锁定机制和ERP逻辑不一致。结果就是系统显示有库存、前台实际不可售，或者前台在卖、仓库已经没货。老品盘活的数据基础建立在库存数量准确的前提上，如果这一步就是错的，后面所有分析都不可靠。
2. 多平台数据口径不统一
同时经营多个渠道的企业，还要面对平台口径不一致的问题。天猫看的是可售库存，抖音看的是可买库存，线下看的是实物库存，三个数天然就有差异。直接把各平台后台数据导出来做汇总，连"总库存"这个数都对不上。我自己的处理方式是给每个渠道定义统一的"可信库存"口径：实物库存减去锁定库存减去在途未到减去预留库存，各平台字段映射到统一逻辑下，再从ERP拉数做交叉校验。
3. 数据回填：从平台到内部数据中枢
为了解决系统间口径不一致的问题，我倾向于建立一条数据回填通道：把各渠道的销售、退货、库存变动数据定期同步到内部统一的数据表或数据中台。回填不是简单的复制粘贴，而是做字段映射、状态清洗和口径对齐。这样每次做库存分析时，只面对一份可信数据，不需要来回切换五六个后台。这个思路在行业内通常被称为"分析+回填"，本质上是让平台数据和企业内部数据打通，形成自己的数据中枢，避免"账上有货、实际无货"的信息错位。
4. 任务协同是最后一公里
数据打通了，人没有跟上同样白搭。老品盘活涉及的环节很多：运营负责链接修正，供应链负责库存调整，财务负责价格审批。每个SKU的处理进度如果不在同一个系统里跟踪，大概率会有人忘记执行。我习惯把SKU处理任务配置到某项目管理工具中，责任到人、按周检查完成率。任务协同机制建立后，项目的执行效率明显提升，这也是"数据回暖"能真正落地为"库存金额下降"的组织保障。
八、不同情况下的取舍判断
1. 库存资金占用 vs 折扣毛利损失
处理老品最常遇到的取舍是：库存继续占用资金，还是打折释放资金。资金占用成本通常按月计算，包括仓储费、管理费、资金利息和货品贬值风险。当折扣后的毛利损失小于继续持有三个月的资金占用成本时，清仓是更优选择。反过来，如果折扣会吃掉大部分毛利，而库龄还处在健康范围内，就应该继续运营而非降价。做决策前，先算出两个数字，再比较大小。
2. 库龄 vs 剩余生命周期
库龄不应该单独使用，它要结合品类生命周期来看。服装、数码这类迭代快的品类，库龄超过90天基本就该进入清货通道；耐消品或者基础配件，库龄超过180天可能仍有稳定的搜索需求。判断依据不是库龄数字本身，而是这个品类的需求曲线还处不处于上升期。一个库龄150天的汽车零部件，和一个库龄90天的快时尚女装，处理逻辑完全相反。
3. 修复投入 vs 清货回收
做盘活策略时，还要比较修复成本和清货回收的期望值。如果修复一个低效老品需要两周运营投入，预计能带来8万元资金释放，那值得做。如果修复需要复杂的供应链配合，预计只能释放1万元，不如直接清货。我的经验是：按资金占用金额从大到小排序，优先处理TOP20的SKU。它们对库存金额和现金流的影响最大。件数多但单价极低的滞销品，处理优先级反而可以往后放。
4. 品牌价格体系 vs 短期清货
最后一条取舍关于品牌。公开清仓折扣会伤害品牌价值，尤其对于刚建立认知的商家。这种情况下可以考虑：分渠道隔离清货，清货渠道不上主店；不公开降价，用员工内购或赠品形式消化；限时限量制造稀缺感。库存数据回暖的前提，是不制造新的价格问题。用一个伤害品牌信任的方式解决库存积压，往往得不偿失。
写到这里，老品盘活的框架和操作细节都讲完了。总结成一句话就是：老品盘活不是价格战争，而是数据工程。先分型，再匹配策略，后用监控表追踪回暖过程。不要一看到滞销就想到打折，先把数据拉出来看看它属于哪一类。
如果你正面临老品积压的问题，我建议明天就做一件事：把滞销SKU清单拉出来，加上三个字段，库龄、近30天动销率、库存金额，按这篇文章里的分型框架做个分类。分类完成那一刻，你会发现自己比昨天更清楚该做什么了。分类之后再决定哪些SKU值得修复、哪些该走清货通道、哪些需要直接止血。数据不会替你做决定，但它能让你做的每个决定都有据可依。
常见问题解答（FAQ）
1. 老品盘活时，为什么第一步不是清仓打折，而是先对库存数据分型？
我是一家服装电商的运营，最近仓库里积压了几百个老SKU，老板一直在催我快点清掉。我以前都是直接报折扣，但这次总感觉不对，想知道到底该不该先看数据，以及先看哪些数据才不会白忙。
先说结论：库存数据回暖的第一步永远是分型，不是定价。2021年我接手过一个服装类目项目，1200多个SKU里库龄超过90天的有400多个。
当时主管让我直接做7折专场，我没同意，因为拉了近30天四层漏斗数据后发现，400多个老品里真正完全没有曝光的只有80多个，其余都有曝光，但点击率低于类目均值的占六成。这些属于“假滞销”，核心问题是链接权重和流量结构，不是价格。
如果直接打折，你会同时面对三个问题：第一，历史价格体系被击穿，老用户比价后申请价保，退货率上升；第二，假滞销SKU就算降价也拿不到曝光，清仓效率极低；第三，毛利率先被压缩，后续想投付费流量已经没有预算空间。所以我的判断是先看四件事：库龄、30天动销件数、毛利率、四层漏斗断点。库龄决定是否进盘活池；
动销件数决定是真死还是假死；毛利率决定有没有“救”的价值；漏斗断点决定从哪里动手。做完这四步，再决定某类SKU是修复链接、做捆绑，还是直接走清货通道。折扣是最后一道手段，不是第一手段。
2. 如何判断一个滞销老品是“真滞销”还是“假滞销”？需要看哪些核心指标？
我经常分不清手里的老品到底是因为没流量才卖不动，还是真的没人要。每次让我报滞销品名单，我都只会看销量，但销量本来就是结果，不能解释原因，想知道到底应该拆哪些数据指标，才能避免误判。
我的标准是用一层漏斗拆到断点为止：曝光→点击→加购→成交。注意，不是只看成交量。具体拆法如下：先看近30天曝光量。如果曝光很低甚至接近0，说明链接已经掉出流量分配池，属于“没机会卖”，要做的是重新入池，而不是清货。再看点击率。
如果曝光正常，但点击率低于类目均值一半，比如类目点击率1.6%、这个SKU只有0.5%，问题在主图和价格认知，优先换主图测试。再看加购率和收藏率。如果点击不差，加购率只有类目均值的三分之一，问题在评价、详情页、SKU组合。最后看转化率。如果加购正常但成交差，才是价格、服务和信任问题。
我用这套方法判断过一个家居小件：SKU库龄120天，月销量为0，但拉数据发现它日均曝光1700多次，点击率0.7%（类目均值1.3%），加购率4.2%（类目均值2.1%）。这说明需求还在，主图没有把人吸引进详情页。
我和设计换了两版主图，第14天点击率恢复到1.4%，第30天这个SKU卖掉了当初库存的66%。如果只按“30天销量=0”把它判成真滞销，就白白葬送了一个还能救的老品。所以核心指标就五组：曝光量、点击率、加购率、转化率、库存周转天数。
再加一个“毛利率空间”做决策边界：毛利率低于15%的老品，即使救回来也没有利润，不如直接做资金回笼。
3. 老品库存数据回暖的具体操作路径是什么？分几个阶段、怎么设置监控节奏？
我之前做过一次清仓，活动结束确实清掉了一部分，但过两个月又积压了。现在想认真按数据来做老品回暖，但不知道应该按什么节奏推进，先做什么后做什么，怎么判断策略到底有没有效。
把老品回暖当成一个45天的小项目，分三个阶段推进。第一个7天是诊断阶段。我会先导出一张监控表，字段包括：SKU编码、库龄、30天动销件数、库存金额、毛利率、曝光量、点击率、加购率、转化率。
然后给每个SKU打标签：假滞销（需求存在、流量断）、真滞销（需求消失）、低毛利（利润撑不住）、死库存（库龄超过180天且零动销）。第8天到第21天是动作阶段。对假滞销做重新入池：刷新链接、换主图、修改标题关键词、投少量付费流量撬动自然推荐。对真滞销但毛利大于20%的SKU做捆绑和满赠，不做直接降价。
对死库存不做任何运营动作，直接进清货通道，比如员工内购、二手平台、公益捐赠，因为继续占用仓储成本更高。第22天到第45天是验证阶段。别每天盯销量，要盯两个核心指标：库存金额下降曲线和动销SKU占比。我的经验值是：14天后如果点击率或加购率没有变化，说明这个SKU的修复方向错了，直接转向清货；
30天后库存金额没有下降5%以上，需要复盘是不是流量效率没有恢复。
给一个具体的监控节奏表：
| 阶段 | 周期 | 关注指标 | 决策线 |
|---|---|---|---|
| 诊断 | 第1-7天 | 库龄、漏斗数据、毛利率 | 按标签分型 |
| 动作 | 第8-21天 | 点击率、加购率、曝光变化 | 14天无变化转清货 |
| 验证 | 第22-45天 | 库存金额、动销SKU占比、周转天数 | 30天库存金额未降5%重做归因 |
这套节奏最大的好处是给“放弃”设了一个数据底线，不是凭感觉清货。
4. 库存数据回暖之后，怎么防止老品再次积压？日常要维护哪些数据报表？
我最怕的不是卖不掉，而是这波刚清完，下个月又补出新的滞销。看销量补货肯定不行，但到底应该按什么逻辑补，日常维护什么表，才能不让老品死灰复燃？
我的核心判断是：库存数据回暖不是终点，库存健康才是。一家店铺只要补货逻辑错了，老品盘活就是给下一次积压腾地方。之前我见过一个项目：清仓活动卖了2000件，运营看到销量冲到类目前三，立刻按活动期销量补了5000件。结果活动结束后日销掉回30件，这批5000件又在两个月里变成了新老品。
所以补货永远不能用活动期销量，要用活动前30天的日均销量和供应商补货周期一起算。建议补货量 = 近30天日均销量 × 供应商补货周期天数 × 1.2安全系数 − 现有库存 − 在途库存。
日常需要维护一张“补货预警表”，字段包括：SKU、近30天日均销量、可用库存、在途库存、供应商补货周期、库存周转天数、库龄、动销率、建议补货量、风险等级。可以按周转天数设三色灯：绿灯为周转天数小于30天，正常按安全系数补货；黄灯为30到60天，小批量多批次补货；红灯为超过60天，不补货，进盘活池。
风险等级另外看库龄：库龄超过90天的SKU，无论销量如何都要设置动销预警。我要强调一个容易忽略的细节：动销率要按SKU数算，而不是按总库存量算。
比如你的仓库里100个SKU，其中10个SKU占了90%的销量，剩下90个SKU卖得很慢，但库存件数合计只有2000件，这种情况动销SKU占比只有10%，不是健康状态。
很多系统里的字段口径不一定统一，建议你每周五下午固定拉一次表，用同一个统计周期去对比，不要今天看30天销量、明天看7天销量，口径乱了，数据回暖就变成数字游戏。
读者评论
文章里提到的四层漏斗诊断法很实用，尤其是曝光断层占比高达46%这个细节，让我想起之前有个老品怎么打折都没量，后来一查是链接被降权了。如果早点看到这种拆解，就能避免白白损失毛利。
案例中ERP库存和平台后台差异率超过15%这一点让我感触很深。很多公司连基础数据都没对齐就开始谈滞销处理，口径不一致的情况下做分型等于白做。建议所有做库存优化的团队先花时间把数据根基打牢。
作为小卖家，没有专业数据分析师，最关心的是怎么高效落地。四象限分型框架思路很好，但想请教：如果后台数据不完整，有没有更轻量级的判断方法？比如用库龄和近30天销量两个字段能不能先做个粗略分型？
从财务角度看，文章最有价值的就是用数据证明无差别打折不是唯一出路。我们公司之前处理滞销也是拍脑袋打五折，结果毛利损失惨重。分类处置的思路值得推广，但落地时还是要结合每家公司实际的毛利率和现金流压力来平衡。
死库存那段写得很真实，仓储成本超过残值时确实该果断止损，但很多老板就是过不了心里那关，总想着等行情回暖。另外库龄阈值需要按品类调整这点很关键，比如我们做快消品的，30天不动销就非常危险了。