80% 的 SKU 不服从正态分布：安全库存的公式用对了吗

每个供应链从业者都背过这条公式：安全库存 = Z × σ × √提前期。教科书说它假设需求服从正态分布，但很少有人真的去检验过。大家心照不宣：先用了再说。

我们较了一次真。把大量仓 × SKU 的日出库序列拉出来，逐个做分布检验。结果出来的那天，办公室里安静了几秒：超过三分之一的仓品不服从正态分布，有些品类里不适合正态公式的比例高得吓人。换句话说，我们给一大半商品开着一副不对症的药，而且开了很多年。

这件事让我记住一句话：错的不是人，是公式的前提假设。

七种分布，七副药

检验做多了之后，仓品的需求形态大致归成七类，每一类都有自己该用的算法：

近似正态，占比比想象的小。放心用经典公式，Z 值按服务水平取，每年复检一次分布有没有漂移。

泊松型，日销个位数的长尾品。需求的方差约等于均值，不确定性只跟平均销量有关，用泊松公式，不需要单独估标准差。

双峰型，最容易被误伤的一类。日常需求是一个峰，促销脉冲是另一个峰，混在一起算出来的标准差被促销日拉得巨大，安全库存虚高一大截。正确的做法是拆开：日常波动走常规公式，促销走独立的计划单，促销的量绝不混进常态安全库存。我们有个 DEMO 案例，剔除促销日后真实 σ 从 310 降到 105，安全库存直接砍到原来的三分之一。

强偏态型，促销依赖品和新品居多。分布的尾巴不对称，正态公式会系统性低估一侧风险。放弃公式，用历史分位数：取历史需求的 95 分位当作”极端日”，减去平均水平，就是安全库存。

厚尾型，台风天抢水、疫情抢菜的那类刚需品。极端事件比正态预测的频繁得多，要么把 Z 值提高到 3 以上，要么用极值理论。这类商品还有个隐藏变量：需求和提前期往往正相关，大家都在抢的时候供应商也在拖，相关系数超过 0.3 必须在公式里修正，否则两头风险撞在一起。

稀疏需求型，大部分时间不出货，偶尔来一批。这类商品没有”日均需求”的概念，安全库存公式整体不适用，改用订货点法：库存掉到触发线就补，安全库存不是水位线，是触发器。

边缘正态，检验在通过线附近徘徊的，经典公式加 20% 缓冲先用着，数据攒够了重新检验。

精力应该花在哪

这个结论值得单独成段，因为它反直觉：调 Z 值、调 σ 系数，折腾一个季度的收益大概 3 到 5 个点；把分布形态校准对，文献和我们自己的验证都指向 30% 到 50% 的优化空间。团队八成的精力不该花在调参上，该花在回答”这个 SKU 到底是什么分布”。

落地做成了一条自动流水线：每天对全部仓品跑分布检验，打上类型标签，公式路由器按标签调对应的算法。人工只看两头——类型发生切换的商品（需求形态变了，往往有业务原因），和检验数据不足的商品。

这件事在 AI 时代有了新解法

回头看，“分布适配”本质上是策略层的 AutoML：自动诊断特征、自动路由算法。这条路这两年被 AI 的发展又往前推了一步。

时序基础模型（TimesFM、Chronos 这一类）有个不太被宣传但很实用的特性：它们天然输出分位数预测，而不是一个点。强偏态商品需要的”95 分位极端日”，以前要从历史里统计，现在可以直接问模型要，分布假设这一步甚至可以被整个跳过。我不认为公式会被消灭——泊松、双峰这些结构性知识仍然值钱，而且公式便宜、透明、可解释——但”诊断分布、路由算法”这套机制，恰好是把传统统计和新一代 AI 模型接起来的那个接口。不管未来用什么模型，接口是对的，里面的引擎随时可以换。

下一篇讲一个代价不小的教训：这套更聪明的算法第一次全量上线时，缺货率翻了四倍。

附录：七类分布与公式路由表

Z = 服务水平系数（90%→1.65，95%→1.96，99%→2.33）。

厚尾相关性修正：需求波动与提前期波动的相关系数 r > 0.3 必须修正，否则两头风险撞在一起。

精力分配参考：调 Z 值/σ 系数，预期改善 35%；校准分布形态，3050%；需求-提前期相关性修正，20~40%。

供应链实战系列 · 第 08 篇 · 卷四「库存策略篇」｜ 上篇：缺货与周转的平衡术 ｜ 下篇：算法全切翻车记 文中数字均为 DEMO 示意，非真实业务数据。