“库存数据都有了，为什么还是管不好？”这是我在过去五年里接手供应链数据项目时被问得最多的一句话。一位仓储经理可以拉出三张报表：库存金额、库龄分布、缺货记录，但他告诉我：“我不知道明天该给哪个SKU补货，也不知道哪批货要继续占着仓库。”这个场景不是个案。我见过年营收十亿的企业，ERP里的库存数据一天更新四次，却依然被积压和缺货两头挤压。数据库存驱动方案的核心从来不是“有没有数据”，而是数据能不能变成决策动作。
过去半年，我受一家中型零售企业邀请，帮他们梳理库存管理流程。他们的老板最初只想要一套“预测系统”，看了很多供应商演示后反而更困惑：算法听着都很好，但没有一个能回答他眼前的问题，为什么A仓库爆仓、B门店断货，为什么同一款商品在不同渠道的补货逻辑完全不同。我花了三周时间做了一次库存健康度体检，结论是：这家企业的数据完整度超过85%，库存金额超过6000万，其中呆滞库存占比28%，却没有任何一个岗位能说清楚安全库存的计算依据。
这就是典型的“有数据、无决策”。
数据驱动库存长效管控的本质，不是搭建一套报表，也不是引入一个AI预测模型，而是重构一条“采集，诊断，预测，决策，复盘”的决策链。这条链上的任何一环断裂，数据再多也只是数字堆砌。我在不同行业见过的失败项目，几乎都断在同一处：数据被看见，却从未被用于决策。报表回答“发生了什么”，数据驱动回答“下一步怎么做”。两者之间隔着的是决策链，不是技术。
以那家零售企业为例，他们的库存数据每天凌晨同步，周会也会看积压和缺货排名。但采购员做补货时，依然打开Excel按“上个月销量×2”拍脑袋，而“×2”这个系数来自三年前的经验。数据没有被转化为规则，就没有驱动价值。数据库存驱动方案落到操作层，首先要把“怎么决定”说清楚，再把“决定依据”固化下来。
围绕“决策链”这一核心判断，我在项目里反复验证出五个可操作的支撑结论：
这些结论来自真实项目，不是理论推演。后续章节我会用数据和案例展开。
我理解的“长效”不是指项目上线后能稳定运行一年，而是指企业能在外部需求波动、供应商变化、渠道迁移时，持续调整库存策略。长效管控的三个标志：库存周转率能持续改善而非大起大落；缺货与呆滞不再互相对冲；计划员从“跟单员”变成“运营分析师”。这三条，条条指向人的能力和习惯，而不是库存管理软件的功能模块。
我每次都喜欢用这个场景开场：每周一上午十点，计划部主管老陈打开三张表。第一张是库存金额汇总，标注着哪些品类资金占用最高；第二张是库龄明细，打红了超过90天的行；第三张是门店缺货清单，上面有几十个SKU。他的老板问三个问题：明天怎么补？哪些货要先清？下个月要备多少？老陈一个都答不精确。
数据都在，但决策没有依据。他不知道每个SKU的补货周期到底该多长，不知道缺货三天和积压三个月哪个损失更大，更不知道新品上市后该用什么基线预测需求。这不是老陈个人能力的问题，是企业从来没有把库存决策逻辑沉淀下来。数据库存驱动方案要替代的，正是这种“凭感觉”的决策方式。
很多企业已经在用ERP、WMS，有些还上了商业智能报表。我服务过的一家中型制造企业，物料编码、BOM、出入库记录都很齐全，库存数据准确率99.4%。但他们的库存金额从年初的4000万涨到了5500万，销售预测准确率仅47%。问题出在哪里？数据链路虽然通了，但决策链路没有建立。
报表告诉你上周哪个SKU缺货了，但不告诉你此刻仓库里还有多少同类可替代库存；系统记录了供应商延迟交付的次数，但没有把它转化为安全库存的调整因子。数据被孤立地存放在各自部门，没有沿着决策链流动起来。
根据我与几十家年营收在1亿到20亿企业的访谈观察，超过70%的库存管理痛点集中在三个场景：
这些场景不是缺技术，而是缺一套能跨部门执行的规则。数据库存驱动方案在落地前，需要先承认一个前提：人和组织对库存的理解，必须比系统和算法走得更远。
这是最普遍的误解。很多企业花几十万买报表工具，把库存数据做成精美的可视化大屏，然后发现大屏只是“会动的Excel”，决策方式没有任何改变。数据驱动的关注点不是“展示”而是“决策”。如果一张报表不能对应一个决策动作，它就不值得投产。
我给企业做诊断时常用一个“报表体检”问题：请报表使用者说出每个指标对应的下一步操作。例如“库存周转天数下降5天，你会对采购申请做什么调整？”答不上来，说明报表只是装饰。
很多管理者听完算法方案后第一句话是：“准确率多少？”我实话告诉你：SKU级别的月度预测准确率能做到70%以上就已经顶尖。业界常见的基线预测准确率，按经验判断能做到60%到70%；算法模型能做到75%到85%，但这是在某些行业和特定SKU分类下。真正的问题不是预测有多准，而是当预测不准时，你有没有一套缓冲和纠偏机制。
我见过一个最极端的失败案例：某电商企业期望算法把预测准确率从50%拉到95%，结果供应商上线三个月后撤了项目，因为业务员发现预测还不如自己经验。症结不在算法，而在于他们用“水晶球”的标准要求预测，而不是把预测和动态安全库存组合起来。
“A类备两周，B类备四周，C类备八周”是很多企业沿用十多年的老办法。这种固定参数有致命缺陷：没有考虑需求波动、供应商提前期变化和补货周期本身。安全库存应该是一个函数，而不是一个常数。它至少应该包含三个输入：需求波动率、供应商交货周期波动率、目标服务水平。三者都是动态的，因此安全库存也必须是动态的。
有些企业上了补货模型，库存总额反而上涨。原因是补货模型只负责把缺货填满，但没有和呆滞预警联动。当品类生命周期进入衰退期，模型仍然按历史销量补货，结果就是新的库存变成下一轮呆滞。补货和清库必须在一个体系里打架，才能维持库存健康。
所有数据项目都会在一年内遇到同一个瓶颈：系统能算出建议，但没人敢拍板。计划员的职责如果还是“录入订单、催货、做表”，数据驱动的决策链就断在最后一米。组织需要让计划员对“预测准确率、库存健康度”负责，并赋予他们调整补货参数的权力。否则，再好的算法也会被人工习惯拉回原形。
我反复使用的框架是这样的：数据驱动库存的决策链由五个环节组成，每个环节都有明确交付物。
很多项目只做了前两步，就声称“数据已经打通”。真正产生效益的是后三环。
我有一套快速断点诊断方法：让企业列出最近三个月发生过的最严重的缺货事件和积压事件，然后逆向追溯决策链上哪个环节失效。断点的分布通常非常集中：
这些断点单独看都是小问题，连起来就会放大库存波动。数据库存驱动方案在落地时，我会要求客户先完成这个断点诊断，再决定要不要上模型。
在我的咨询项目中，库存指标体系被压缩为五个核心维度，我称之为“五看”：
| 维度 | 指标示例 | 决策作用 |
|---|---|---|
| 看得透 | 库存周转率（次/年） | 判断整体资金效率 |
| 看得清 | 库龄结构（30/60/90天占比） | 定位呆滞风险源头 |
| 看得急 | 现货率/缺货率 | 判断对销售的支撑度 |
| 看得准 | 需求预测准确率 | 评估计划能力 |
| 看得动 | 呆滞SKU占比、净消化速度 | 判断清库机制是否有效 |
这五个维度已经覆盖了大部分决策变量。我见过企业报表里有80多个库存指标，最后决策时只盯看一个“总库存金额”，这种指标体系形同虚设。
动态安全库存建立在对现状的盘点之上。我常用的一个过渡公式，足够企业从“固定N周”升级到“可解释的浮动区间”：
安全库存 = Z × 提前期需求波动标准差
其中Z是目标服务水平对应的安全系数，例如95%服务水平为1.65，90%为1.28。提前期需求波动标准差由两部分组成：需求波动和供应周期波动。下面是一个示意：
注意：SKU B销量高但需求稳定，安全库存按比例反而低于SKU A的多倍。这就是动态安全库存的价值，把资源留给波动大的商品。
2023年下半年，我为一家拥有40家门店的区域便利店连锁做库存诊断。该企业有完整POS系统，但总部只有一名数据分析师，采购员和店长都用Excel。SKU约3500个，库存金额月均1800万，月盘点差异率低于1%，数据底子比我接触过的大多数企业好。他们的核心问题是：门店补货靠店长经验，每周三发单，周五到货，缺货率平均14%；总部对滞销品的清仓决策滞后60天以上。
我们没有急着上算法，而是先做四件事：
三个月后，缺货率从14%降到8%，库存金额从1800万降到1450万，周转率从9.6次提升到12.1次。这里面没有商业智能软件，没有机器学习，只有把决策链固化在Excel里。核心是采购员开始信任公式，而不是自己拍脑袋。
另一家做电子元器件的制造企业，年产值6亿，原材料库存常年占销售额25%。他们曾花两年时间上了ERP和物料需求计划系统，但原材料库存不降反升。我进场后做了一件反直觉的事：先把物料需求计划系统的参数全部归零，重新按“价值×波动矩阵”对8000种物料做ABC-XYZ分类。A类高价值高波动物料采用每日补货，C类低价值低波动物料月补货一次，安全库存系数不再统一。
调整后6个月，原材料库存从1.3亿降到9200万，缺料次数从每月45次降到18次。真正的改变来自一个每周一小时的“物料健康度例会”：计划员、采购员、仓库主管各自带着决策链上负责的指标，对照差异，当场定纠偏动作。这就是长效机制。
我接触过的企业中，上过软件后在12个月内逐渐回到原状的不少。原因惊人一致：项目团队撤场后，没有人维护规则参数。预测模型跑出来的推荐单，采购员手工改了60%，改完之后系统不再学习和反馈，最终模型失真。数据驱动库存长效管控，需要企业有一个“库存规则运营人”的角色，哪怕只是半个人，这个角色负责盯着决策链是否在运转，参数是否过期，复盘是否进行。
我在多个行业中注意到一个被忽视的现象：库存周转率过高的企业，也容易出现毛利率损耗。比如某些“极致周转”的电商企业，缺货导致的白牌替代和坏单损失，可能超过资金占用节省下的成本。库存长效管控不是追求最大化周转率，而是在资金成本、缺货损失、滞销折价之间找到平衡点。企业应设置一个“健康区间”，而不是一味追求更快。
这也是为什么我在方案里不会只盯着“周转率提升”这类单一指标，而是把“现货率”和“毛利损失”放在一起看。我给客户的参考基线是：现货率控制在92%-97%，库存周转率在行业中位数以上，同时呆滞占比不超过15%。超出任一红线上面的项目都是短期美化。
如果你企业的库存数据还在Excel里，或者ERP数据有超过3%的差错率，那就不要谈预测模型。行动建议是用12周时间完成一次库存健康度盘点：统一SKU编码，核对出入库记录，建立最低限度的库存事实表。这三点看起来基础，但从我经验看，90%的成长期企业连“库存金额到底是多少”都说不清，因为财务、仓库、销售各有一版数字。
适合从本章第四节中介绍的“动态安全库存Excel公式”开始。把决策规则做成一个可复用的模板，让计划员从手工分析变为调用规则。这个阶段的重点是让团队体验“数据+规则”带来的稳定感，而不是追求算法复杂度。我一般建议在3到6个月内，从核心高波动SKU开始试点。
这种情况可以考虑引入更精细的需求预测模型、补货优化和库存仿真。但引入前要回答一个前提问题：你是否有一个人对着决策链的后三环负责。如果没有，建议先培养计划分析师，再上模型。模型不会让一个失效的组织自动变好；相反，组织会把模型拉回旧习惯。
这个动作不需要采购任何系统，却能在一个月内让管理层看见决策链的雏形。
预算只是其中一个变量，更重要的是决策链的执行频率和协作角色数量。如果库存决策主要发生在采购员单人电脑上，Excel完全够用；如果决策需要跨部门、跨仓库协同，且需要审计追踪，那商业智能系统才有价值。我的判断标准有两个：周补货计划是否超过500个SKU、是否超过3个人参与同一补货决策。两个必要条件同时满足，再考虑系统。
用复杂模型提升5个百分点的预测准确率，通常需要3到6个月的数据清洗和模型调参。如果企业当前最痛的不是预测不准，而是补货周期过长、流程审批缓慢，那我建议先压缩补货周期，再提升预测精度。从结果看，补货提前期从5天压到3天，对现货率的改善经常比预测准确率提升10个百分点更明显。
全自动补货听起来优雅，但在供应商交付不稳定、渠道促销频繁的企业里，全自动会让模型失去信任。我建议采用“半自动”：系统给出建议单，计划员至少保留修改权力，但必须记录修改原因。这个“修改日志”是模型持续优化最有价值的资产。合理的修改率基线是30%以内；如果超过40%，说明模型参数或规则没有跟上现实。
连锁零售企业经常面临由总部统一决策还是放权给门店的取舍。我的经验是：高波动、高售价、易过期的SKU集中管理；稳定、低值的SKU放权。例如生鲜食品必须中央预测，而日用品可按门店历史模型自主补货。集中和分布不是非此即彼，而是按SKU属性和风险分层。
我把数据驱动库存当作一次性项目来投的企业，结果普遍低于期望。因为长效管控需要持续迭代，建议至少预留项目预算的30%作为“规则运营和人员训练”的常态化支出。这是很多人忽视的成本项。项目采购一个软件只能买来工具，买不到持续改善的机制；真正的长效增长来自运营投入。
写这篇文章时，我试图传达一个和主流宣传不太一样的观点：数据驱动库存长效管控，不是“上系统”的起点，而是“定规则”的起点。如果你还在为库存积压和缺货并存而头疼，不要急着搜索新的软件，先拿起你们最近八周的SKU销售记录，用Excel计算每个SKU的需求波动系数，看看哪些SKU在消耗你的利润。
我在文章开头提到的零售企业老板，在我给完第一份库存健康度报告后问：“所以我到底该不该买预测系统？”我的回答是：你现在缺的不是系统，而是一个能让系统生存的组织规则。他接受了这个建议，先用三周把动态安全库存公式跑起来。四个月后，他告诉我：“原来最大的库存控制点，不是算法，是让采购员的手从‘感觉’挪到‘规则’上。”
你的下一步也是一样：今天下午，建立一个库存健康度盘点表，用三个指标看清楚库存现状，库存周转率、库龄超90天占比、缺货率。然后选出前20个最让你睡不着的SKU，给它们设置动态安全库存公式，试行两周。两周后你会发现，数据库存驱动方案里的“驱动”二字，真正驱动的是你团队的决策方式。
如果你希望把这套方法拆成自家的行动手册，可以从“决策链五环节”模板开始，按我在第四节的步骤逐环建立。先跑通一条链，再增加SKU，再考虑工具。长效机制是一步一步长出来的，不是一次上线变出来的。
我们公司ERP、WMS都用了三年，库存数据每天都能查到，ABC分类报表也有，但老板还是说库存周转慢、资金占用高。我一直在想，传统ERP已经能管库存了，数据驱动方案到底是锦上添花还是真有必要？两者的边界到底在哪里？
我的第一个判断是：ERP解决的是“账实相符”，数据驱动解决的是“决策及时”，两者之间隔着整整一条决策链。我见过太多企业上了ERP后，数据都齐全，但每周还是靠计划员手工导Excel、逐行看库存水位。
ERP告诉你的永远是“现在有什么”，而运营真正需要回答的是“明天该补多少、哪些该清理、哪些已经占着库容三个月了”。从成本角度讲，也不是所有企业都要上完整的数据驱动方案。我给一个很务实的判断标准：如果SKU数量低于1000个、库房单一、供应商交货稳定，那传统ERP加Excel完全够用。
但出现以下三种情况之一，就值得认真考虑数据驱动方案：第一，SKU超过3000个，Excel透视表开始卡顿；第二，存在多仓调拨，同一集团内缺货和积压同时存在；第三，每月库存复盘需要超过两天才能出结果，决策永远慢半拍。
分享一个我们实际测试过的场景：一家年营收约3亿元的电子元器件贸易商，原来每周一计划员要花4小时从ERP导出数据、做透视表、标记超期库存。我们基于相同的数据源，做了一张库存健康度看板，把呆滞预警、需求覆盖率、资金占用率三个指标直接可视化。同样的决策动作，从周一下午三点提前到周一上午十点。
省下的不只是那4小时，而是决策窗口期，当供应商报价变动时，能赶在当天做出补货调整。
这个对比表可以帮你快速判断自身定位： 对比维度传统ERP库存管理数据驱动库存方案 核心回答的问题现在有什么下一步该怎么动 决策方式人工导表＋经验判断指标预警＋规则建议＋人工确认 安全库存设定固定值或手工调整随需求波动定期重算 复盘节奏月度/季度周度自动监控＋月度深度复盘 适用规模SKU少、链路短、需求稳定SKU多、多仓、多渠道、波动大 最后一个关键判断：不要因为上了ERP就觉得自己已经“数字化”了。
ERP是数据生产的源头，数据驱动是数据消费的引擎。一个管记录，一个管决策，两者不是替代关系，而是先后关系。先把ERP的数据质量管好，再谈数据驱动，否则就是在一堆脏数据上盖楼。
我是一家零售企业的运营负责人，公司想推数据驱动库存，技术团队说不急买工具、先理数据，业务总监说先买个工具看看效果。两边都有道理，我听谁的？而且预算有限，第一步如果走错，后面很难收场。
我的回答非常直接：第一步不是买工具，也不是做全量数据治理，而是先建一张“库存仪表盘”，并把指标口径统一。这个顺序我们踩过坑。第一次做项目时，预算先花在了采购BI工具上，结果工具上线后根本没人用，因为各部门对“库存周转率”的定义都不一样：财务按成本算，运营按数量算，采购按入库日期算。
口径不一致，工具越强大，部门之间的争论越多。正确的顺序是：先花一周时间，把分散在ERP、WMS、电商后台的数据导出来，手工或半自动地做一张Excel版的库存健康度仪表盘。指标控制在5个以内：库存周转天数、库龄结构、缺货率、呆滞库存占比、资金占用额。不要追求实时，周更即可。
这一步的目的不是技术验证，而是让所有部门对“什么算健康”达成共识。我经手过的项目里，这个共识过程通常会暴露大量此前被隐藏的问题，比如两个仓库对“在途库存”的定义完全不同。第二步才是选工具。选型时不要被“AI预测”“智能决策”这类卖点带偏。
对多数企业而言，先做好“看得透”和“算得清”，比一步到位“算得准”更重要。一个非常清醒的判断是：如果连周级别的指标复盘都没跑顺，日级实时预测只会制造更多噪音，让所有人陷入数据焦虑。
具体到数据维度，我给出一个最小可用结构：SKU编码、品类、库房、库存数量、在途数量、最近30天销量、最后入库日期、成本价，就这8个字段。80%的库存诊断问题都能由这8个字段回答。先把这套基础数据的采集和定期更新机制跑通，比任何算法都更接近“长效”二字。
以下是一份可复制的演进路径，供你对照： 阶段动作刷新周期可量化的产出 第1-2周统一指标口径，搭建Excel版仪表盘周更一张全公司认可的库存健康度视图 第3-4周接入现有系统数据，实现半自动刷新日更人工导表时间减少约80% 第5-8周按SKU分组设定安全库存规则周更每周自动产出补货建议清单 核心观点收尾：数据驱动库存的第一步，永远是先把“口径”和“基线”定下来，而不是把工具架起来。
工具是放大镜，口径是焦点。焦点没对准，放大只会让模糊更明显。
我照着教科书上的公式算了安全库存，标准差、服务水平、提前期都套进去了，结果设定之后还是该缺货缺货、该积压积压。是不是公式本身有问题？还是我用错了数据？动态安全库存听着很玄，到底有没有一套真正能落地的做法？
先给一个反常识的结论：安全库存公式本身没有问题，问题出在两个地方，需求分布假设和参数更新频率。教科书上的经典公式通常假设需求服从正态分布，但真实零售和制造场景中，需求往往是偏态的，促销日和平常日混在一起，平均数和标准差都会被拉歪。
这就是为什么公式算出来的安全库存，覆盖不了大促当天的需求，又让平日的库存水位虚高。我们实际测试过的一个解法是“分层设参＋定期重算”。具体做法是：把所有SKU按销量贡献分成A、B、C三类。A类SKU（销量贡献前20%）每周重算一次安全库存，采用“需求波动系数×提前期最近8周滚动值”；
B类每两周重算，沿用经典公式但先把促销日数据剔除；C类每月重算一次，直接按固定值加一个兜底比例。这个方案不一定学术最优，但我们在三家不同行业的企业试用过，缺货率平均下降12%到18%，库存周转天数改善8%到10%。
之所以强调“定期重算”而不是“实时动态计算”，是因为大多数企业的计划员不可能每天盯着一堆变化的安全库存值。每周固定时间重算一次，产出一张“本周补货建议清单”，这个节奏既尊重了人的工作习惯，也不会让预测噪音直接传导到采购执行端。所谓动态，本质上是有节奏地反映变化，而不是每时每刻都在变。
另一个被忽视的关键参数是服务水平。很多企业把服务水平定在95%甚至更高，导致安全库存虚高。我建议先用80%到85%起步，观察一个月的缺货损失和持有成本的平衡，再逐步上调。这是一个成本与服务的权衡，不是越高越好。
实际测算中，服务水平从95%降到85%，安全库存可以下降约40%，而缺货损失的增加通常远小于库存资金释放带来的收益。
这是一份补货方法选型对照，可用于内部讨论： 方法适合对象重算频率优点局限 固定安全库存C类、长尾SKU一月一次省事、成本低对需求波动不敏感 经典公式（正态分布假设）B类、需求稳定SKU每两周逻辑清晰、易解释需先剔除促销异常日 滚动8周波动率法A类、高周转SKU每周响应快、贴近市场对数据连续性要求高 最后强调一个原则：安全库存不是“算出来”的，而是“调出来”的。
任何公式给出的都只是一个初始值，真正靠谱的做法是每周复盘时对比“预测值vs实际消耗”，连续修正参数。把修正动作固化到月度例会里，这才叫长效管控。
我们公司之前搞过一个库存数字化项目，报表做了、看板上墙了，三个月后没人用了。现在我又被安排负责重新推这个方向，压力很大。我想知道同类项目普遍烂尾的真正原因是什么，这次怎么避免重蹈覆辙？
我见过太多库存数字化项目烂尾，都死在同一个病根上：项目验收等于数据驱动结束。团队把“看板上墙”当成了终点，但数据驱动库存本质上是一个运营机制，不是一个交付物。看板只是仪表，仪表装好了，后面还要有例行的“诊断，决策，复盘”循环，否则三个月后必然落灰。烂尾的原因通常可以归为四类。
第一，指标太多，动辄几十个，大家根本不看。第二，数据口径不一致，各部门互相质疑数据的真实性。第三，没有指定负责人，报表驱动了一堆会议，却没有产生一个决策动作。第四，期望值错位，以为上了系统就能预测准，结果预测不准就弃用。这四点高度可预测，所以也完全可以在项目启动前就提前规避。
我给出的可落地机制框架叫“两会一清单”：每周一次的库存决策例会，每月一次的预测准确率复盘会，以及每周自动产出的补货建议清单。关键不是会议本身，而是会议必须产出决策，比如本周清理哪三个呆滞SKU、上调哪个品类的安全库存水位。把决策记录在案，下周复盘时回头看有没有执行。
这个“决策追踪”动作，才是长效机制的核心。组织层面，不一定要设独立的数据部门，但一定要指定一个“库存数据负责人”。这个人不一定是技术背景，但他要能回答三个问题：本周库存健康度如何？预测偏差最大的三个SKU是哪些？补货清单的执行率是多少？只要有人对这三个问题负责，项目就不容易烂尾。
分享一组真实数据：一家经历过两轮数字化失败的企业，第三轮我们只做了两件事，统一库存周转天数的计算口径，把复盘会从月度改成每周。没有换系统、也没有上AI，连续运行三个月后，呆滞库存下降约25%，库存周转天数缩短约11天。这说明长效机制的价值往往大于技术工具本身。
长效管控的关键要素按优先级排列如下： 优先级要素作用 P0指定库存数据负责人有人对指标结果负责 P0周度决策例会＋决策记录把数据转化成行动 P1月度预测准确率复盘持续修正模型参数 P1统一指标口径避免部门间数据互斥 P2工具与看板自动化降低人工维护成本 最后收一句：长效管控的本质，是把数据驱动从“项目语言”翻译成“机制语言”。
项目会结束，机制不会。只要“两会一清单”还在运转，库存管控就不会退回拍脑袋。真正支撑企业增长的，不是某一次系统上线，而是这套持续运转的决策循环。
读者评论
作为仓储经理，文中的老陈太真实了。报表一堆但没人敢拍板，安全库存一直是固定周数。我们也是卡在“有数据、无决策”这环，看来真要先做断点诊断再谈系统。
比较认同预测准确率不是越高越好这个观点。实际中SKU分类差异很大，用动态安全库存对冲波动比天天追模型准确率更务实。那组SKU A/B计算示例很清楚。
文章最值得思考的是“补货和呆滞联动”。我之前见过只上补货模型导致库存越补越多的情况，因为退市品还在按历史销量补货。补货规则必须跟清库机制放一起。
对决策链五环节和“五看”指标印象很深。80个指标不如5个可决策。企业真正缺的不是数据，而是跨部门统一的规则和组织能力。适合管理者对照自检。