做了十多年仓储库存数据分析，我见过最普遍的画面是：月底盘点夜，账面显示A类物料5000件，实物清点只有3200件。仓管员说“系统不准”，IT说“流程没毛病”，老板说“扣绩效”。等我翻完操作日志才发现，三周前那张领料单在系统里漏审了12小时，恰好卡在库存快照生成的时间点上。这根本不是谁的责任问题，而是整条数据链条里某个环节产生了失真，失真又在日后的层层汇总里被持续放大。
所以，资深仓储库存数据的高阶优化，核心结论只有一句话：你缺的不是更贵的系统，而是一套从数据可信度到决策可视化的完整治理方法。先分清哪些数据能信，再把数据结构理顺，让差异可控，让周转加快，最后让决策看得见。顺序一颠倒，花钱越多，错得越远。
我把库存数据优化拆成五个层次，每一层都建立在上一层之上：
大量企业真正的现状是：L1还没达标，就急着上BI工具做L5。数据每天靠人工补录，大屏上的“周转率”和“达成率”只是把假数据修饰得更精致。我在一次诊断中发现，某企业看板上显示库存周转天数45天，实际从WMS底层日志算出来是71天，中间差了26天，因为看板取数的表本身就是错的。
顺序为什么不能反？因为每一层都为下一层提供输入。没有可信的数据，建模再漂亮也是垃圾进垃圾出；没有合理的结构，差异分析和水位优化都要手动拼表；没有差异管控，驾驶舱上的每一个指标都值得怀疑。
华南某电子元器件分销商，月销售额8000万元，SKU总数超过14000个。ERP和WMS都上了，管理层一直认为库存数据“大方向是准的”。直到一次对账，发现某颗通用料的账面数量虚高8%。追查后发现，晚上7点出库的一批货，在OA审批流里卡到第二天上午10点才过账，而库存快照每天凌晨0点生成。这批物理上已经出库的货，被系统地甩在了账外。
这不是人的态度问题，而是数据采集节点的时序设计有缺陷。
某汽配经销商在华东、华南、西南各有一个仓，三套WMS版本不同，SKU编码规则也不一致。总部看到的“全国库存”是三张Excel人工汇总，滞后整整2天。客户要180个零件，系统显示全国库存充足，实际可用只有70个，另外两个仓的库存还在途，没有进入可用库存口径。
某服装电商，退仓包裹从签收到重新上架要经过拆包、质检、修复、重新包装四个环节。前三个环节靠纸质单记录，录入系统平均晚3天。双11结束那周，退仓区堆了12000件货，系统却显示库存充足，运营还在继续接单。库存数据的失真不是“某个数错了”，而是“某个断面根本没有数据采集节点”。
我连续追踪了多家企业的盘点差异来源后发现：入库、出库这两个断面相对受控，因为仓库日常管理的重点都放在这里；真正失控的是退库和在途两个断面。退库链路长、人工环节多，在途库存缺少中间节点状态，两者叠加贡献了超过一半的账实差异。
把盘点当成“把账调平”的工具，是库存管理最大的失职。盘点的真正价值是“对差异做归因”：差异集中在哪些SKU、哪些库位、哪些操作环节。只调账不修流程，下个月同一批SKU会继续产生差异。我的判断标准很简单：如果一个仓库连续三个月盘点差异都集中在同一类物料，那不是SKU的问题，是流程设计的问题。
从库存数据看，先进先出只解决批次优先级，不解决需求消失。假设某SKU的需求曲线在三个月前已经断了，先进先出规则会把最早批次逐步出完，但不会告诉你“这个SKU根本不该继续备货”。要识别呆滞，看的是“最后一次出库日期”和“未来订单概率”，不是先进先出执行得干不干净。
很多企业花大几十万做LED大屏，展示库存周转率、达成率、缺货率。但底层数据每天靠人工补录，屏幕上的趋势线只是把同样的错误重复画了好几遍。数据模型没理顺之前，可视化只是“让错误看得更清楚”。
ERP本质上是记账系统。它把流程线上化，但不保证记录可信。SKU主数据不统一、单据节点设计不合理、快照策略不对，ERP反而会稳定地产出格式规整的错误报表。一家企业上了ERP两年，库存准确率还在92%左右，问题出在“收货差异没有确认动作”上。系统没有坏，是流程设计没有闭环。
需求预测不准确实是原因之一，但不是全部。大量库存属于“流程性库存”：审批等待、在途运输、暂收未上架、质量待检，这些环节压着大量资金。与其一开始就折腾预测模型，不如先用库存数据把流程性库存识别出来压缩掉。我在多个项目里看到，流程性库存占比通常在30%以上，而它的压缩不需要任何预测算法，只需要把数据按状态维度打开看一眼。
这一层不涉及任何建模和算法，但决定后续所有工作的成败。我的动作清单是：把单据时间、系统过账时间、实物操作时间拉成同一条时间轴，寻找时间差。
| 断面 | 核心问题 | 常见失真信号 | 优先动作 |
|---|---|---|---|
| 入库 | 实收数量和应收数量不一致时，系统有没有“差异确认”动作 | 无单入库、暂收未上架、收货差异直接忽略 | 增加差异确认标志位，实收差异必须生成调整记录 |
| 出库 | 物理出库时间和系统过账时间是否同步 | 晚间出库单据次日过账，快照时间恰好漏记 | 把快照生成时间调整到业务静止时段 |
| 退库 | 退货包裹从签收到系统入库经过了多少人工环节 | 纸质单操作，系统录入延迟2-3天 | 在拆包台增加扫码点，先记录后质检 |
| 在途 | 调拨单是否有中转节点状态 | 只有发站和到站，没有中间状态 | 增加在途中间状态标签，确保在途可计数、可追踪 |
找一张差异最大的SKU，把它过去30天的所有流水按时间轴展开：每一条入库、出库、退库、调拨单据，标注“实物操作时间”和“系统过账时间”。差异出现的地方，就是流程断点所在。这个方法不需要数据团队，一个懂Excel的仓库主管就能做。
某企业完成这个诊断后，发现出库过账平均延迟4.6小时，库存快照在0点生成，导致每晚7点后的出库全部漏记。把快照时间从0点改到凌晨4点后，系统库存偏差金额下降了60%。这个改动没花一分钱系统升级费，只是改了一个调度配置。
大部分企业的库存数据就是一大堆流水。查询某个SKU的历史结存时，就要把全表SUM一遍，报表越来越慢。更麻烦的是，流水表回答不了“某天结束时这个SKU到底有多少库存”，因为它没有“状态”概念。数据建模不是IT人员的自嗨，而是让数据能够、快速、准确地回答业务问题。
用数据集市的思维，至少拆成三张核心表：库存事务事实表、SKU维度表、库存快照表。一个简化的库存快照表示例如下：
— 库存事务事实表：记录每一次物理或系统移动
CREATE TABLE fact_inventory_txn (
txn_id BIGINT PRIMARY KEY,
sku_id INT NOT NULL,
warehouse_id INT NOT NULL,
txn_type TINYINT NOT NULL,
qty DECIMAL(14,4) NOT NULL,
txn_time DATETIME NOT NULL
);
— 库存快照表：按天推送各SKU结存数量
CREATE TABLE dim_inventory_snapshot (
snapshot_date DATE NOT NULL,
sku_id INT NOT NULL,
warehouse_id INT NOT NULL,
stock_qty DECIMAL(14,4) NOT NULL,
available_qty DECIMAL(14,4) NOT NULL,
locked_qty DECIMAL(14,4) NOT NULL,
PRIMARY KEY (snapshot_date, sku_id, warehouse_id)
);把“全量流水SUM”改成“读快照+增量事务”之后，某商贸公司的日报生成时间从40分钟降到6分钟，历史库存追溯从“重跑全部流水”变成“快照加载”。这就是结构化优化的意义：不换数据库，也能改出数量级的变化。
全面盘点集中在月底，业务影响大，结果受操作员疲劳度影响大。循环盘点按库位轮换，每次只盘一小块，长期积累出高质量的差异数据。3个月后就能画出差异率分布，这是全面盘点给不了的统计资产。
A类物料（SKU占20%、金额贡献80%）差异率要控制在99.5%以上；B类物料控制在98%；C类物料95%就够了。这里不是C类可以放任，而是C类差异追查的成本往往高于账面损失。精细化管理不意味着所有SKU平均用力。
把差异率按SKU画分布图，你会看到大多数SKU的差异率落在±1%以内，但有一小撮SKU的差异率跳到±10%。应当优先对这些“尾部SKU”做交叉分析：看它们的库位、供应商、操作员。差异从来不是随机分布的，它总是悄悄聚集在某种共性里。
通用公式是：安全库存 = 服务水平系数 × 需求标准差 × 补货提前期的平方根。大多数企业连需求标准差都没算过，直接用“销量1.5倍”做安全库存。波动大的SKU应该多囤，波动小的应该少囤，这个道理只有数据能告诉你。一个SKU一个安全库存系数，要比全品类统一倍数科学得多。
不是“三个月没动”就算呆滞。更可靠的判断是双重信号：最后出库日期距今超过N天 + 未来有订单的概率低于阈值。后一个信号可以从过去60天的询价记录、BOM引用、重复采购行为里算出来。把两个信号叠加，能把“真呆滞”和“慢周转”区分开。
某汽配企业用“动销年龄分布”识别出：18%的库存金额在240天内没有任何出库，资金占用约570万元。通过降价促销和供应商退货，6个月回收约220万元现金流，呆滞库存金额占比从18%降到7%。这个动作不需要采购任何新系统，只需要一张按SKU维度聚合的“最后出库日期”表。
看板展示数据，驾驶舱引导动作。如果一张库存可视化只是告诉你“仓库周转天数42天”，它不会产生任何决策。有用的驾驶舱会在周转天数超标时，把Top 5拖累SKU列在旁边，并给出“清理、调拨、补货”的动作建议。
我的推荐做法是：横轴是时间，纵轴是品类，核心指标只有3个，周转天数、账实相符率、呆滞金额占比。每个品类根据指标落点打上红黄绿标记，红色即触发行动清单。
不要一次上10个指标。先选3个“动作指标”画在一张图上，坚持3个月。决策密度比决策数量重要。
这家企业月销售额8000万元，SKU约14000个，ERP和WMS都已上线，但库存准确率只有93.4%，周转天数67天，每月盘点投入4人日，差异追查另需6人日。按照五层框架逐层推进：
一年后，库存准确率从93.4%提升到99.1%，周转天数从67天降到41天，呆滞库存金额占比从18%降到7%，月度盘点和差异追查人力从10人日降到2.4人日。注意，这个过程中没有更换任何核心系统。
这家企业的问题不是建模，而是主数据混乱。三个仓三套WMS，SKU编码规则不同，总部库存报表滞后2天。先统一SKU编码和客户编码，再打通调拨在途状态。跨仓调拨准确率从73%升到96%，总部库存报表从滞后2天变为T+0。
这个案例给到我的判断是：不要一上来就谈算法，先把“同一件东西在不同系统里叫同一个名字”这件事做好。
先不要买系统。把Excel模板规范成“一份主数据+四张流水表”，每天花5分钟录入出库，每周五抽查一个库位。目标是：一、库存准确率先做到95%；二、把“录入”变成习惯。没有数据积累，任何系统都是空壳。
优先做L1和L3。调整快照时间、补退库扫码点，然后启动循环盘点试点，先选一个库区跑3个月。不建议直接上AI预测，因为底层数据可信度不够，预测模型只会把误差放大。
优先做L2和L5。梳理事实表和快照表结构，同时做一页纸驾驶舱。建议在IT团队内部增设“数据管家”岗位，这个岗位不写复杂算法，只负责维护主数据、监控数据质量、处理异常口径。
库存数据优化不是一味地追求“更准、更快、更全”，而是在不同约束下做权衡。以下五种取舍，我建议根据企业自身情况判断。
A类物料按批次、按库位精确管理，C类物料容忍95%的准确率。放弃对低值物料的100%精确追求，把人力投到高价值物料的差异追查上。但如果是医疗耗材、危化品这类必须严格追溯的行业，这条取舍就不成立。
库存快照按天生成，通常已经足够。按小时生成快照会显著增加存储和调度成本，而且大部分历史查询用不上这么细的粒度。只有高频出库、需要对每小时库存做审计的A类SKU，才值得升级到小时级快照。
安全库存调高，缺货率下降，资金占用上升。核心客户订单缺货代价高，可以多备；普通周转料缺货代价低，把库存满足率控制在95%附近即可。用数据算清楚“缺一次货的真实成本”再决定。
循环盘点把月度全盘的压力分散到每天，但前提是库位码清晰、盘点日历可执行。如果仓库连库位规划都没做好，先补库位规划，再谈循环盘点。否则循环盘点会变成另一种形式的全盘。
扫码枪加自动标签机的投入一般在2-3万元，月出库单量超过2000单的企业，半年内可通过减少录入差错回本。月单量低于500的企业，先靠制度和标准作业流程，不要急着上设备。
| 取舍维度 | 更优选择 | 需要放弃的 | 适用信号 | 慎用信号 |
|---|---|---|---|---|
| 精度 vs 成本 | A类严控、C类容忍 | 所有SKU统一100%精确 | 高货值、高差异损失 | 医疗耗材等强追溯行业 |
| 模型复杂度 vs 运维复杂度 | 日快照为主 | 小时级快照全覆盖 | 日结型业务、报表查询为主 | 高频出库、审计粒度要求高 |
| 库存水位 vs 服务水平 | 按SKU分级设安全库存系数 | 一刀切高库存 | 缺货代价差异清晰 | 订单波动极大且缺货损失不可接受 |
| 盘点频率 vs 业务打扰 | 循环盘点分散到每日 | 月度集中全盘 | 库位码清晰、库区规划完善 | 库位混乱、缺乏库区规划 |
| 自动化投入 vs 人力成本 | 月出库2000单以上先上扫码设备 | 依赖肉眼和手工录入 | 出入库量大、SKU分拣频率高 | 单量低、人力充足、流程复杂多变 |
这些取舍没有标准答案，但有一个判断顺序：先看数据可信度够不够，再看结构撑不撑得住，最后才谈自动化和智能化。顺序不对，任何投入都会变成库存数据里的又一项沉没成本。
库存数据优化这件事，本质上不是IT项目，也不是财务项目，而是一次数据治理实践。系统只是工具，真正的杠杆是把“失真，汇总，误判”这条链路切断，让每一次账面变动都有依据，每一个决策指标都经得起追问。
下一步，别急着买系统。先做三件事：一、挑一个差异最大的SKU，拉出最近30天所有流水，把实物操作时间和系统过账时间排成一条时间轴；二、去查你库存报表的生成时间和晚间出库单的过账时间，看是否存在系统性错位；三、下一周抽一个库区，做一次小范围循环盘点，只盘20个SKU。做完这三步，你就知道自己的数据是在哪个环节开始撒谎的，从那一刻起，你才算真正摸到了资深库存数据优化的门。
我在公司管仓储已经三年多了，每个月盘点都像打仗一样，账实差异总是出现。仓管说是系统数据录错，IT说是业务流程有漏洞，财务说是操作不规范，每个人说得都有道理。我想知道的是：有没有一套方法能顺着数据流，一步一步找到断点到底在哪里？
先给结论：库存账实不符的根因，通常不是单点的"录入错误"，而是操作时序错位。要精准定位断点，不要凭感觉去查单据，而是用"三线对照法"，把操作记录、单据流转、系统记录三条线的时间戳逐一对齐。凡是三条线对不上的地方，就是数据断点。我刚做仓储诊断时，接过一个汽车配件仓的案子。
1800个SKU，月底盘点差异率4.2%。按直觉先查入库和出库，结果两头都没有大问题。后来把退库单据拉出来逐笔对照时间，才发现仓库是"先发货后退单"，系统按退单时间记库存，但实物在退单当天就已经离开了库位，差异就这样产生了。
把退库流程改成"先退单后出库，当天事当天毕"之后，第四个月差异率降到了1.1%。这个案例给我的判断是：账实不符不是"人不小心"，是"流程时序在骗人"。顺着这个思路，库存数据最容易出问题的断面集中在四个：入库、出库、退库、在途。入库的常见断点是货到了但单据未到；出库的断点是拣货与过账不同步；
退库的断点最隐蔽，很多企业退单滞后一两天；在途的断点是货物已离仓但系统仍未确认运输状态。我的实操习惯是，先按这四个断面分别拉出最近三个月的差异清单，统计每个断面的差异金额占比。哪个断面占比最高，就先拆哪个断面的时间序。只要把"实物动作时间"和"系统记账时间"的差值量化出来，断点就会自动浮出水面。
给你一条可复用的执行路径：第一步，锁定差异金额最大的Top 20个SKU；第二步，逐个SKU拉出最近30天的全部流水；第三步，把每条流水标注为入库、出库、退库或在途；第四步，标记实物动作时间与系统记录的差值。完成这四步，你就能得到一张"断点分布图"，后续该改流程还是该改系统，依据都在图里。
我当了五年库存主管，每天用Excel做库存账，数据量已经到几十万行了，透视表越来越卡，很多报表要等好几个小时。公司让我考虑上系统，但我觉得核心问题也许是数据本身的结构。我是做业务出身的，没有计算机背景，想知道有没有一种通俗易懂的建模思路，能让我的库存账彻底改头换面？
先回答你的疑虑：数据建模不是过度设计，恰恰是解决重复劳动的唯一出路。你现在用Excel做的流水账，属于"现象层"，它只记录了每一笔发生了什么，但不具备解释"库存为什么变成这样"的能力。建模的目的，就是帮你把原始流水升级成一套可追溯、可复算、可预测的结构。我用一个乐高类比来解释。
杂乱的流水账就像一箱混在一起的乐高零件，找一块红色砖块要翻半天。数据建模要做三件事：把相同类型的零件归到同一个盒子里（维度表），把每一次拼接动作记录下来（事实表），再定期给整个拼好的模型拍一张照片存档（快照表）。具体到库存数据，你需要拆出三张核心表。
第一张是库存事务表，就是事实表，记录每一次入库、出库、退库、盘盈盘亏的明细，每行一条事务，字段包括物料编码、仓库、库位、数量、单价、发生时间。第二张是物料和仓库的维度表，把物料属性（品类、ABC分类、供应商）和仓库属性（库区、库位类型）单独存成资料表。
第三张是库存快照表，按天或按周把"某个时间点每个SKU的结存数量"存下来。很多老手会忽略快照表，但我在实际项目里发现，快照表才是复盘历史库存的黄金钥匙。没有快照，你想知道上个月5号那个SKU到底结存多少，只能把今天之前的流水全部重算一遍，又慢又容易出错。
有快照，任何一个历史时点的库存状态都是直接可查的。我曾经帮一家电子元器件贸易商做过一次轻量级改造，没有上任何WMS，只是在Excel里把原有的120万行流水拆成了"事务明细表"和"每日快照表"两份文件。改造之后，月结报表的生成时间从3个多小时缩短到20分钟以内，核心原因是查询不再对全量流水反复汇总。
如果你要从零起步，我的建议是别急着建五张十张表，只做两张就够了：一张库存事务表，一张每日快照表。先用这两个月的运行把数据口径跑顺，再把物料属性和仓库属性单独独立出来。记住一个判断标准：建模不是为了让系统看起来更复杂，而是为了让你回答任何一个业务问题时，都能在五分钟内拿到数据，而不是再花半天去拼。
我们公司每个月盘点都有差异，管理层定的目标是差异率不能超过1%，但事实上每个月都有一些物料超过5%。我发现A类高价值物料差异很小，反而是C类低价值物料差异很大。我很困惑：是不是所有物料都应该用一个标准来考核？有没有更聪明的分级管理方式，既能控制风险，又不会让大家为了达标而造假？
直接说结论：账实相符率100%做不到，也不应该追求。库存差异的根源是流程噪音，只要有人在操作、有单据在流转，误差就不可避免。所以真正的问题不是"怎么做到100%"，而是"把有限的盘点精力和纠错资源，压到最容易造成损失的那一部分库存上"。行业里有个常见做法是按ABC分类设定差异容忍阈值。
我现在常用的经验值是：A类物料账实相符率目标不低于99.7%，B类不低于98%，C类不低于95%。注意，这是基于实操的经验值，不是强制标准。这么划分的逻辑很简单：一颗芯片和一颗螺丝钉的差异率虽然都是0.5%，但前者可能值几百块，后者只值几分钱。
用同一个百分比去考核所有物料，对A类太松懈，对C类又太苛刻。我见过大量企业的误区是，把C类物料当成重点管控对象。曾经有一家工厂，所有物料统一按差异率1%考核，仓库为了给几万颗垫片凑数字，每周花两天反复点数，而真正高价值的IC芯片反而不够时间盘。
后来我把考核口径改成了"差异金额"，A类按金额差异控制，C类只看有没有大的整箱损失。调整之后，盘点人效提升了30%，而且高价值物料的差异金额反而下降了。这里给你一个实操建议：别再死盯差异率，改用"差异金额 × 差异次数"两个维度给SKU排优先级。
一张SKU即使差异率很高，但如果连续三个月差异金额都不超过50元，把它放在每周循环盘点的C类即可；反之，某个SKU只要出现过一次金额超过500元的差异，就应该立即拉入下一周的Top 10分析清单。最后说下我自己的复盘方法。
每周从系统里导出一份循环盘点结果，筛出差异金额最高的10个SKU，逐个查最近30天的入库、出库、退库记录，找出共性原因。根据我过去服务的客户数据，这类复盘里最常见的根因集中在三个方向：领料未及时过账、退库未入系统、不同批次混放导致盘错批次。每个方向的占比只要超过30%，就值得单独立项去修正流程。
去年公司花了几十万上了一套可视化大屏，屏幕很大很漂亮，但老板开会的时候从来没真正看过，仓库经理也说那些图表对日常干活没什么帮助。我现在被要求重新做一个库存驾驶舱，我真心想问：到底什么样的可视化才是真正有用的？应该先放哪些数据才不会做成一个高级摆设？
大多数库存可视化失败的原因只有一个：指标陈列，而不是答案驱动。就是把库存金额、出入库数量、库存周转率等二三十个指标全部堆在一块屏幕上，看起来信息量很大，但老板问"下周哪些料会断货"，没有一张图能回答。真正有用的驾驶舱，设计的起点不是图表，而是问题清单。
我建议你做驾驶舱之前，先写下管理层和仓库经理每周必问的三个问题：库存够不够、库存健不健康、数据可不可信。这三个问题直接决定了应该放什么指标。第一个问题"库存够不够"，对应的指标是库存满足率和缺货SKU清单，不要只放一个汇总百分比，一定要能下钻到具体品类和具体库位。
第二个问题"库存健不健康"，对应的指标是库存周转天数、呆滞库存占比、超期未动销SKU数。第三个问题"数据可不可信"，对应的指标是最近一个周期的账实相符率和循环盘点差异趋势，这个指标最容易被人忽略，但恰恰是决策者敢不敢用这套数据的基本前提。我拆解过一个反面案例。
某制造企业定制了大屏，一共放了33个图表，涵盖了出入库趋势、库龄结构、A类物料周转等等。我让仓库经理打开页面找"下个月资金占用前三的物料"，他翻了四个页面才找到一张深藏的表格。这就是典型的指标陈列，不解决真实决策。
后来重新设计，只保留六个指标：可用库存金额、缺货SKU数、呆滞库存占比、账实相符率、库存周转天数、未来七天预计到货量。页面精简成一张纸，问题却全部能回答。一页纸驾驶舱的设计逻辑我通常按两个维度搭：横轴是时间趋势，纵轴是品类或仓库的对比。
核心指标控制在六个以内，超过六个，阅读者就会开始"看数据"而不是"做判断"。每个指标保留一个下钻入口，而不要把汇总数据和明细数据平铺在同一屏上。最后给你一个落地建议：不要贪大求全，先做一个"最小可用驾驶舱"。
选一个最关键的决策问题，比如"每周库存周转天数是升还是降"，用一张趋势图和一张品类对比表跑通整个数据链路。确认决策者在开会时会主动看它，再逐步扩展指标范围。宁可慢，也不要再花几十万做第二次摆设。
读者评论
文中提到退库和在途贡献超一半账实差异，这个观察很真实。我们仓库退库确实靠纸质单，录入晚两三天，问题一直在但没从数据断面角度想过。快照改到凌晨4点那个案例很有启发，成本几乎为零。
五层框架的顺序很认同。很多企业确实L1没达标就上BI，最后大屏上的数没人敢信。快照时间和过账时间错位那个案例，改一个调度配置就能降60%偏差，说明很多问题不是系统不行，是时序设计不合理。
收益贡献和投入占比那个对比很有说服力。我们公司花了几十万做可视化大屏，底层数据还是在用人工补录，看完文章意识到顺序确实反了，应该先把数据可信度和差异管理做扎实。
存量流水表全表SUM那个痛点太真实了。事实表、维度表、快照表的建模思路很清晰，但文章最有价值的部分是诊断方法，不用建团队，用Excel就能定位流程断点，这对中小企业很实用。
流程性库存占30%以上这个数据让我重新审视自己的库存结构。我们一直怪销售预测不准，但把审批等待、在途、暂收未上架的数据按状态维度展开后，确实有很大压缩空间。不是预测算法的锅。