全球库存明明充足，为什么还会断货？——多仓时代的库存与需求预测

“全球总库存有46,000件，这还不够充裕吗？”

只看数字，确实如此。但就在同一时间，这个品牌的仪表板讲述的却是完全不同的故事。

全球总库存：46,200 unit
可用于广告的库存：31.2%（按 Available 计）
各仓库存天数（DOS）：6天～86天不等

一个海外仓里压着86天的畅销品库存，另一个仓库却预计6天后断货。从总量上看是“充足”，实际上积压和断货却在同时发生。

当只用一个国内仓库运营自营商城时，“现有库存 vs 安全库存”这一个标准就够了。但随着海外节点一个个增加、为节省运费从空运转为海运、电商平台渠道不断扩张，库存管理的难度就不再是线性增长，而是成倍攀升。

本文以一家在全球运营多个仓库的D2C品牌的真实咨询案例为基础，梳理一套超越简单安全库存公式的3阶段库存与需求预测模型：① ADI需求诊断，② 基于DDMRP的NFP与缓冲订货，③ DAF动态调整。

如果说上一篇文章《知道“库存还剩多少”，却不知道“什么时候该补货”的品牌，请看这篇》中介绍的安全库存、ROP和ABC分析是库存管理的基本功，那么本文就是叠加了多仓库、长交货期、需求波动大等条件后的进阶篇。

为什么仅靠标准安全库存公式已经不够

安全库存公式（Z × σ × √交货期）建立在一个隐含前提之上：需求稳定且相对均匀。一旦这个前提被打破，公式的可靠性也会随之崩塌。

前提被打破的典型情形：

• 并非每天都有销售的商品。一个月只卖几次、每次几十件的商品，“日出库量标准差”这一概念本身就会失真。

• 促销峰值很大的商品。按平时需求计算出的缓冲，一次促销就会被击穿。

• 交货期以周计的海运。交货期越长，√交货期这一项就越大，安全库存随之膨胀，而且期间还会出现“在途库存”这一新变量。

• 有多个仓库。按全公司合计的安全库存失去意义；而一旦按仓库拆分，又会冒出“各仓库分配多少”这一新问题。

还有一个重要的发现：商品的物理属性不同，应参考的库存运营方法论本身也不同。

经营耐用品的品牌如果直接照搬消耗品类的基准（以高周转为前提的库存指标），判断就会出现偏差。在这个案例中，同行业的数据也几乎没有，反而以电子产品（手机、平板）的库存运营方法论作为参照更加准确。

因此，第一步不是计算订货量，而是先诊断自家各SKU的需求属于什么性质。

第1阶段：需求诊断——用 ADI × CV² 把SKU分为4种类型

需求预测学界广泛使用的 Syntetos–Boylan 分类法，从两个维度诊断SKU的需求。

ADI  = 观测期 ÷ 需求发生次数          → “多久卖一次”
CV² = （需求量标准差 ÷ 平均值）²       → “每次卖出的数量是否稳定”

临界值：ADI 1.32 / CV² 0.49（Syntetos, Boylan & Croston, 2005）

以这两个维度画出四个象限，所有SKU都会落入4种类型之一。

这种分类之所以重要，原因只有一个：类型不同，就不能套用同一个公式。把适合Smooth SKU的安全库存公式用在Lumpy SKU上，平时会造成积压，活动时又会断货。反过来，如果把Intermittent类配件也塞进精密的预测模型，只会放大噪声——果断排除反而能提高准确度。

这种分类无需手工完成

计算ADI与CV²所需的只是各SKU的需求时间序列，也就是早已积累下来的出库记录。Laplace利用RPA采集的预计入库、实际入库与采购订单（PO）数据，自动计算各SKU的ADI与CV²，并自动打上4种类型标签。临界值（1.32 / 0.49）、汇总周期（按周/按月）以及各SKU的手动覆盖，都可以在管理后台直接设置——从学术标准值起步，再根据自家品牌的数据进行调整。

第2阶段：订货模型——依据NFP而非现有库存来判断

在多仓库、长交货期的环境下，“现有库存”并不适合作为订货判断标准。仓库里的部分库存早已被订单占用，海上还漂着几周后才到的货。因此，DDMRP（Demand Driven MRP）方法论使用一个名为NFP（Net Flow Position，净流量头寸）的综合指标来判断。

NFP = 现有库存（On-Hand）+ 未到货订单（On-Order）− 确定需求（Qualified Demand）

通俗地说就是：“现在仓库里有的 + 正在路上的 − 已经确定要发出去的”。把这个NFP代入各SKU的缓冲区，即可判定是否需要订货。

Green  ── NFP落在此区间 → 无需订货（正常）
Yellow ── NFP落在此区间 → 执行订货（补至 Top of Green）
Red    ── NFP落在此区间 → 紧急处理（expedite——改空运、调拨等）

订货量 = Top of Green（TOG）− NFP

实际判定结果如下

以下是三个需求类型不同的SKU在同一天的快照。

值得注意的是：只看现有库存，SKU B（420件）似乎比SKU C（310件）更宽裕；但把未到货和确定需求都计入NFP后，两者都需要订货，而且C已处于紧急状态。“仓库里有多少件”和“实际头寸在哪里”是两个不同的问题，订货应依据后者来判断。

决定缓冲大小的输入

Red、Yellow、Green各区的大小并非随意设定，而是由三项数据输入和一项策略输入决定。

数据输入（自动采集与计算）：

1. 订货类型区分——同样是出库，性质却不同。AI会自动区分是库存补货（Replenishment），还是有实际交期要求的订单（Order），并标注国内/海外、B2B/B2C等区域属性。Order有允许的交期，因此会直接反映到防断货缓冲中；用户也可以在管理后台自行重新设定分类。

2. 供应可靠度——把供应商履约的程度量化。

数量满足率 = Σ 实际入库量 ÷ Σ 预计入库量
准时履约率 = 准时入库次数 ÷ 总次数
供应可靠度 = 数量满足率 × 准时履约率   （OTIF概念 · 0～1）

可靠度为0.9的供应商和0.6的供应商，安全区（Red）不可能一样大。可靠度越低，Red越厚——这一调整会自动完成。

1. 交货期——根据实际的下单→出库→入库记录，分段（运输、清关、其他）实测。没有数据的环节先以行业标准耗时起步，随着记录积累，估算值会逐步被实测值取代。

策略输入（用户设置）：

1. 缓冲配置——波动系数（需求与供应波动越大，Red越大，并按ADI类型差异化）与交货期系数（交货期越长，Green越大）。与上一篇文章中的Z值一样，这不是数据，而是“断货成本与库存成本，哪个更需要警惕”的经营判断，是由品牌自己设定的调节旋钮。

第3阶段：DAF动态调整——缓冲不是固定值

到目前为止的缓冲都基于历史数据。问题在于，未来已知的变化——促销、季节、新渠道上线——并不存在于历史数据中。DDMRP用DAF（Demand Adjustment Factor，需求调整系数）来解决这个问题。

调整后ADU = 基准ADU（日均需求）× DAF

例）促销期间应用 DAF 1.8
→ 该期间的缓冲临时上调至1.8倍
→ 根据交货期倒推，在促销“之前”通过海运提前备货

关键在最后一行。对于转为海运、交货期长达数周的品牌来说，应对促销不应该是“临时用空运紧急调货”，而应是“提前几周把缓冲加大，装上船”。DAF就是让系统来完成这种倒推的机制。

同样，管道（在途）库存的地位也随之改变。从空运转为海运能节省运费，但交货期变长，海上会一直漂着货。把它当作“还没有的库存”就会过量订货，当作“已经有的库存”又会缺货。正确做法是作为On-Order准确计入NFP——它既不是免费的缓冲，也不是可以忽略的东西，而是需要管理的对象。

在仪表板上是这样呈现的——3个运营界面

模型再精密，如果没有每天查看的界面，也无法真正用于运营。以下是该案例中实际搭建的三个界面。

① 各仓DOS对比——揭示“合计”所掩盖的失衡

就是文章开头提到的那个界面。同一款畅销SKU在各仓库的库存天数：

枢纽仓（国内）：22天  → 健康（标准：14～45天）
海外节点A：86天  → 积压——资金被占用
海外节点B：6天  → 即将断货

这个界面的价值在于，三项决策可以在同一个界面上同时得出：① 针对积压节点的清库存活动，② 从枢纽仓向即将断货节点紧急调拨，③ 重新分配下一批订货在各节点的比例。只看合计数字的时候，这三项决策都无从发现。

② 库存状态拆解——Available / Committed / QC Hold

把46,200件总库存按状态拆开来看：

能够支撑广告投放的库存只占总量的31%。尤其是QC Hold占14.9%，是通常水平（约7%）的两倍——这个界面揭示出一条连锁反应：某个节点的入库质检瓶颈，正在加剧其他节点的断货危机。“有库存”和“有可用库存”是两回事。

③ 断货风险趋势——把库存数据接入广告运营

将销售速度 × 可用库存 × 交货期合成为风险指标（0～100），按仓库×SKU维度进行追踪。当某节点主力SKU的风险值在7天内从14飙升至86时，运营团队在同一个界面上一次性执行了三项操作。

1. 将该SKU的广告日预算削减30%（超过风险阈值时放缓广告投放节奏）

2. 从枢纽仓向该节点紧急空运调拨

3. 调整排序，优先展示Available库存

这就是该模型的最终落点：库存分析不再止步于物流团队的报告，而是与广告、调拨、订货等执行动作在同一界面上同步。在断货状态下投放的广告费会白白蒸发；而在库存系统与广告系统相互割裂的组织里，这种浪费每次都要事后才被发现。

总结——分阶段概览

一句话概括：没有诊断（ADI）就不要计算；计算（NFP）要看头寸而非现有库存；执行要和广告在同一个界面上完成。

如何应用到自家品牌

这个模型的原料并不是什么特殊数据。采购订单（PO）、预计入库、实际入库、出库记录——大部分品牌的履约服务商或WMS里早已积累了这些数据。Laplace通过RPA自动采集并标准化这些数据，把上述诊断、计算和界面搭建成可以实际运营的形态。

Step 1. 基于出库记录自动进行ADI与CV²分类 → 先确认自家SKU中Smooth类占百分之几。如果Smooth占比偏低，那么一直依赖标准安全库存公式的订货为什么总是出偏差，在这一步就能得到解释。

Step 2. 整理订货类型、供应可靠度与交货期实测数据——尤其是供应可靠度，大多数品牌从未量化过这一指标。

Step 3. 将缓冲配置（波动系数与交货期系数）确定为策略——按ADI类型差异化应用

Step 4. 把NFP与RGY判定纳入每周订货例行流程，并通过DAF联动促销日历

Step 5. 将各仓DOS、库存状态与断货风险界面与广告运营打通

多仓库、出海、转为海运——只要符合其中任何一项，“现有库存 vs 安全库存”的框架很可能已经触及极限。如果库存充足却仍在断货，问题不在库存数量，而在于解读库存的框架。

不妨和Laplace一起，从诊断自家品牌的需求类型开始。

方法论参考：需求类型分类中ADI与CV²的临界值（1.32/0.49）依据 Syntetos, Boylan & Croston（2005）的“On the categorization of demand patterns”；订货模型遵循DDMRP（Demand Driven MRP）方法论中的NFP与缓冲区概念。