库存预测

库存耗尽是电商运营中最昂贵的错误之一——它会严重降低搜索排名，让竞争对手抢走销售机会，并可能需要数周时间才能恢复。本技能通过分析历史订单速度、季节性需求模式、供应商交货周期以及即将到来的促销活动，预测未来的库存需求，帮助你在缺货前自信地下达补货订单，避免影响业务势头。

快速参考

解决的问题

1. 快速动销SKU因缺货导致搜索排名下降和Buy Box位置丢失，直到库存归零才被发现。
2. 促销活动（如闪购、9.9/11.11大促、Prime Day）在几小时内售罄备货，因为未提前建模需求增长。
3. 供应商交货周期长（30-90天），使得“库存低时补货”不可行——补货决策必须在货架空之前数周完成。
4. 现金被滞销品占用，而畅销品却因预算不足无法及时补货。
5. 缺乏对哪些SKU需要紧急处理的清晰可见性——所有信息都记录在没人更新的电子表格中。
6. 新仓库或FBA分配决策依赖直觉而非区域需求数据。
7. 季节性需求波动（节假日、开学季、夏季）每年都会导致商品库存不足或过剩。

工作流程

第一步 —— 收集输入数据

从用户处获取以下信息：(a) 每个SKU的销售历史——理想为12个月，至少90天，粒度为每日或每周；(b) 当前在库及在途库存；(c) 每个SKU的供应商交货周期，包括生产、运输方式和清关时间；(d) 未来促销计划，包含日期和预计折扣力度；(e) 最小起订量（MOQ）和箱规约束。若数据以CSV或导出文件形式提供，请解析处理。若关键数据缺失，请明确说明所做假设，而非停滞等待。

第二步 —— 计算基础销量

针对每个SKU，计算过去90天的日均销量，其中最近30天赋予更高权重（例如按50/30/20分配三个时间段）。剔除或校正受过往促销和缺货影响的日期——缺货日并非零需求日，应根据缺货前的正常销售速率估算流失需求。

第三步 —— 应用季节性和趋势调整

若有12个月以上的自有历史数据，基于该数据构建季节性指数（每月销量 ÷ 平均月销量）；否则使用品类通用季节曲线并予以说明。将基础销量乘以预测期内的季节性指数。若SKU明显呈增长或衰退趋势（对比近30天与近90天销量），可加入趋势因子。

第四步 —— 加入促销需求提升

针对每项计划中的促销活动，估算销量：促销提升倍数 × 基础日均销量 × 促销持续天数。若已有同类SKU的历史促销数据，优先使用；否则采用保守的品类基准（如闪购2-4倍，全站促销1.5-2.5倍，直播活动3-8倍），并标注不确定性。增加促销后的需求回流衰减（通常促销结束后1-2周内销量下降10%-20%）。

第五步 —— 计算补货点与补货数量

对每个SKU：

补货点 = (预测日均销量 × 全周期交货天数) + 安全库存

安全库存 = z × σ_需求 × √(交货周期)，其中z=1.65对应A类SKU的95%服务水平；C类SKU可接受25%的固定缓冲。

补货数量 = (交货周期 + 审查周期)内的预测需求 − 当前在库 − 在途库存 + 安全库存，向上取整至MOQ或箱规。标记已超过补货点的SKU为“紧急”。

第六步 —— 构建补货日历

生成滚动90天的补货日历：对每个SKU，列出最晚安全下单日期（促销日期或预计缺货日期减去完整交货周期）、补货数量和预估采购成本。按周排序采购计划，使现金流支出清晰可见。标记冲突情况：本周必须下单的订单，以及因交货时间不足无法完全满足促销需求的选项（如部分空运、限制促销数量、分批发货）。

第七步 —— 验证并交付结果

进行合理性检查：总预测需求是否大致匹配近期收入？补货后的库存覆盖天数是否在A类SKU的30-90天范围内？是否存在既被标记为“紧急”又处于过量库存状态的SKU（数据错误提示）？

使用 references/output-template.md 中的输出模板交付结果，运行 assets/forecast-quality-checklist.md 中的检查清单，并明确列出所有假设。

实际案例1 —— 45天交货周期下的闪购准备

输入： 我在 TikTok Shop 销售一款胶原蛋白饮品。过去 90 天的日均销量约为 38 单，最近 30 天为 45 单/天。我已确认将于 7 月 15 日举行限时促销活动，折扣 25%，持续 24 小时。供应商生产周期为 30 天，海运时间 12 天，到货验收需 3 天。当前库存：1,850 单；在途库存：1,000 单，预计 6 月 20 日到达。上一次促销（3 月）日销量达 410 单，当时日均基础销量为 30 单。最小起订量（MOQ）为 500 单，包装规格为每箱 50 单。

处理过程：

加权日均销量 ≈ 42 单（近期 30 天数据加权上调）。3 月促销倍数 = 410 ÷ 30 ≈ 13.7 倍 — 远高于 2–4 倍的基准值，因此采用自身历史数据：促销日预测销量 ≈ 13.7 × 42 ≈ 575 单，加上前后两天 15% 的溢出效应，总促销期需求 ≈ 640 单。促销后销量回落：-15%，持续 10 天。完整前置时间 = 45 天。从 6 月 1 日至 7 月 15 日（共 44 天）的需求 ≈ 42 单/天 × 44 天 ≈ 1,850 单 + 促销需求 640 单 ≈ 2,490 单。可用库存 = 1,850 + 1,000 = 2,850 单。促销后剩余库存 ≈ 360 单，相当于约 9 天覆盖量 — 低于安全库存水平（z=1.65，σ≈12，√45 ≈ 6.7 → 安全库存 ≈ 135 单）。但以 45 天前置时间计算，9 天覆盖意味着在下一订单到货前存在缺货风险。下个 75 天的补货数量：42 × 75 × 1.05 季节性系数 ≈ 3,300 单 − 促销后剩余 360 单 + 安全库存 135 单 ≈ 3,100 单 → 四舍五入为 3,100 单 → 3,100 ÷ 50 = 62 箱。最晚下单日期：7 月 15 日 + 9 天覆盖 − 45 天前置时间 = 6 月 9 日 — 本周内完成下单。

输出：

紧急采购 3,100 单，确保促销期间有充足库存；促销后库存恢复至 75 天覆盖水平。若该订单延迟至 6 月 14 日之后，建议改用空运 600 单（门到门 12 天）作为临时补货方案。

实例 2 — 多 SKU 库存优先级评估与积压处理

输入： 来自 Shopee 家居类店铺的 14 个 SKU 的 CSV 导出数据，包含 12 个月的历史销售记录、当前库存水平，所有商品来自同一供应商，门到门交付周期为 60 天，每月审查一次订单。

处理过程：

按每个 SKU 计算加权日均销量和季节性指数。结果分为三类：

(a) 三个 A 类 SKU（收纳盒、晾衣架）日均销量 25–60 单，库存覆盖 20–35 天 —— 在 60 天前置时间下均已超过再订货点 → 紧急处理，并进行缺货损失修正：因晾衣架 5 月曾缺货 6 天，实际销量从 31 单/天修正为 36 单/天。

(b) 七个 B 类 SKU 库存覆盖 70–100 天 → 按日历安排正常采购，未来六周内分批执行。

(c) 四个 C 类 SKU 库存覆盖 180–400 天，其中一款季节性风扇支架即将进入淡季 → 不再补货；建议在 11.11 期间捆绑收纳盒并打 20% 折扣，预计可释放约 4,200 元现金流，实现年底资金回笼。

输出：

生成包含“紧急”、“计划”、“跳过”标记的补货清单表，一份涵盖未来 90 天的采购日历（共分三批，总采购金额约 18,400 元），更新后的缺货修正后日均销量数据，以及积压库存处置方案。假设说明：无促销计划（用户已确认）；对两个历史数据不足 12 个月的 SKU 应用了品类季节性调整。

常见错误

1. 使用生命周期平均销量。 一个月环比增长 15% 的 SKU 会远早于生命周期平均值预测的时间发生缺货；必须优先使用近期数据加权。
2. 将缺货天数视为零销量天。 这会把过去的失败固化进未来预测，导致重复缺货。应根据缺货前的正常销量估算流失需求。
3. 直接使用供应商提供的交货周期。 供应商所说的“30 天”仅指生产时间。真正影响库存的应是门到门总周期（含运输、清关、收货）。
4. 忽略促销后的销量回落。 大促会提前消耗需求；若按促销周的高销量水平继续补货，会导致库存过剩。
5. 对所有 SKU 采用统一的安全库存策略。 A 类 SKU 应设置基于统计模型的高服务水平安全库存；若对 C 类 SKU 也施加相同缓冲，将造成资金占用。
6. 忽视 MOQ 和包装规格的整数约束。 数学上理想的订单量如 1,037 单，若 MOQ 为 2,000 单，则毫无意义。必须揭示冲突，并建模持有成本。
7. 仅以单位数量做预测，而用户预算以现金为单位。 必须同时展示采购成本的时间线，而非仅列出数量 —— 资金账户往往是真正的约束条件。
8. 隐藏假设。 当用品类基准替代缺失数据时，必须明确说明；一个未经披露假设的预测，比没有预测更不可靠。
9. 一次性完成预测即结束。 预测两周后即失效。必须明确后续复审频率及重新运行的触发条件。

参考资源

• references/output-template.md — 预测报告的标准输出模板
• references/demand-forecasting-methods.md — 销量加权方法、季节性指数、促销拉升建模
• references/lead-time-and-safety-stock.md — 前置时间拆解、安全库存公式、服务水平设定、再订货点计算
• assets/forecast-quality-checklist.md — 预测交付前的质量检查清单