停止在库存上盲目下注

在实体消费品（Consumer Goods）的日常运营中，库存失衡往往不是市场判断失误，而是库存计算逻辑与反馈机制存在设计缺陷。当品牌陷入「畅销品断货与长尾品积压并存」的困境时，传统表格和静态公式给出的补货建议往往在放大波动（牛鞭效应）。要构建高精度的动态补货逻辑，核心在于解决四个物理层面的现实问题。

1. 穿透静态账面：近未来可用库存（Effective Inventory）

静态仓储数值无法反映真实的商品流转状态。补货决策依赖的是近期真正能用于售卖的库存总量：

Effective Inventory = (实物库存 - 锁定订单) + 采购在途 + 退货在途 + 预估未退

实物可用数（Available）：仓库物理在库扣除已付款待发货订单。双向在途（Inbound Pipeline）：采购在途加上已发出但处于退货途中的商品。预估未结算退货（Est. Unsettled Return）：处于售出后退货窗口期内的订单中，根据统计概率未来注定会有一部分回流。这部分是「潜在的未来可用供给」，必须按概率预先加回可用库存，避免因虚假缺货而导致过度追单。该回流概率需基于 SPU 累计样本、细分品类基准及品牌长周期数据进行多重校验收敛。

2. 过滤数据噪音：解耦退货的时间差（Return Latency）

直接提取短期净销量（Net Sales）来计算日均流速（ADS, Average Daily Sales）是导致补货误判的核心原因。

退货具有天然的时间延迟。在短期窗口（如 7 天）内观测到的退货，本质上对应的是更早周期卖出的订单。在销量放缓的阶段，短期退货率甚至可能在账面上超过 100%，导致短期净销被完全扭曲。

长期基准（30 天窗口）用来平滑退货时间差，算出平稳可靠的真实日均净销（ADS_30d）。短期感知（7 天窗口）只用来捕捉突发爆发趋势。仅当短期流速突破阈值（ADS_7d > 1.2 × ADS_30d）时，系统才引入加权调整，避免将随机波动误判为长期爆发（系数和权重需要测试和优化）：

ADS = 0.7 × ADS_30d + 0.3 × ADS_7d

3. 统计规律：SPU 总量汇总与 SKU 大数配比

在细分规格（SKU 级别）上直接做需求预测，必然会落入小样本随机偏差的陷阱。若单个规格的历史销量太小，直接计算出的流速毫无参考意义，照此补货必定导致规格失衡（如小码断货、大码积压）。

两步分拆：基于整个款式的日均净销与目标备货周期，计算该款式的总需求量。再提取该品类长周期沉淀的真实规格分布，按比例分配到各细分规格，并分别扣减各自的近未来可用库存。核心逻辑是：永远在款式层面（SPU）做总量决策，在规格层面（SKU）用大数统计概率做比例分配。

4. 生产现实约束：MOQ 决策逻辑

需求预测算出的是连续的理论数值，而工厂交付的是离散的起订量（MOQ）。补货逻辑的核心难点在于处理「预测需求小于工厂起订量」的腰部商品。

建议量已经达到工厂 MOQ，就按算法建议量下达生产。建议量不到 MOQ、但已经达到一半以上，强制按比例向上补齐至 1 倍 MOQ，并同步评估消化周期与保本风险。建议量连一半都不到，放弃本轮补货，或等待后续合并拼单。

强制补齐到 1 倍 MOQ 之后，测算消化周期。若预计库存周转天数过长（如超出安全售卖期），坚决阻断独立排产。再建立成本临界点：当商品以最低起订量交付时，预期能售出的比例（根据历史数据推断）即可覆盖固定生产与开模、物料成本，剩余商品才是利润。

5. 闭环反馈：记录快照与动态调参

每次触发补货时，记录当时的建议值、人工修改值、核心参数（日均净销、当前退货率基准）。到货后 15 天，检查备货周期内是否发生断货。若因计算过于保守导致缺货，小幅调高安全库存系数。销售期 45 天，评估实际周转天数与预测偏差。若出现非预期积压，下调安全库存系数，并重新校准退货率基准。

实体消费品的供应链效率，取决于系统能否准确反映物理世界中的流转时间差、统计规律与生产起订限制。看清真正的可用库存，过滤掉退货的时间噪音，用大数法则分配细节，算清工厂的起订量底线，才能让补货从每天被动应对变成稳定运转的规则体系。