不同商品角色不同命：一套策略打天下的时代结束了

系列写到这里，前面十一篇其实都在回答同一个问题的不同侧面。这一篇把它挑明：供应链里最大的浪费，不是库存多了或者缺货多了，而是用同一套策略管一万种命运完全不同的商品。

日销 500 件的水饮和日销 0.3 件的进口奶酪，用同一条安全库存公式；履约评分 98 的供应商和连续三次节前放鸽子的供应商，用同一个 VLT；刚上市的新品和等着出清的尾货，走同一个补货流程。这些场景每家公司的系统里都在发生，而且都被统称为”精细化管理”。

给商品分角色，而不是分等级

传统做法是 ABC 分类，按销售额砍三刀。这个方法没有错，只是不够用。销售额只描述”卖多少”，不描述”怎么卖”和”怎么死”。我们实际用的是四个维度交叉出来的角色矩阵：

生命周期：它处在引入、首配、正常、淘汰还是出清（第 06 篇的状态机）。首配期没有历史，任何基于历史的算法都使不上劲；出清期的目标不是卖得好，是死得快。

需求形态：它的出库是什么分布（第 08 篇的七类）。正态的用公式，稀疏的用订货点，双峰的拆开促销单算。

销量分档：日销过不过 10 件。低销品的倍数、百分比全是噪声，直接上绝对值（第 11 篇）。

供应商履约：给它供货的供应商靠不靠谱。履约差的，公式之外加囤货系数，而且先核实事实再定系数。

四个维度一叉，每个商品落进一个格子，每个格子绑一套策略组合：用什么公式、什么服务水平、什么补货节奏、要不要节假日叠加。策略从”一条规则管全网”变成”一张路由表”。

两个格子展开讲讲

低销长尾格：日销 3 件、正态检验不通过、供应商履约一般。策略组合是：订货点法 + 绝对值安全库存 + 节假日只加固定件数 + 周转考核放宽到 45 天。这类商品占 SKU 数的大头、占销售额的小头，策略的目标是”别缺得太难看，别管得太贵”。用管爆品的人力去管它们，是组织资源的错配。

履约差供应商格：商品本身可能是爆品，但供应商历史上节前必出问题。策略组合是：正常公式 + 节前囤货系数 + 提前下单窗口 + 重点监控名单。这里的教训是，商品策略绕不开供应商策略，同一个商品换个供应商，格子就该换。

角色不是终身制。新品三个月后该转正常品，分布检验发现需求形态变了，供应商换了线路，路由表就要跟着改。我们每周跑一次全量重新打标，标签发生变化的商品单独出清单，人工只看这一小撮。

缺货时的最后一招：替代品路由

角色矩阵还有一个延伸用途，处理最尴尬的场景：这个商品缺了，怎么办。

门店等不了补货周期的时候，系统能做的是推荐替代品。我们按”分区 × 商品”算了相似度 Top5，三路打分加权：商品内容的 embedding（名字、品类、保质期，语义上是不是一类东西）、物理结构相似度（价格带、密度、规格接近不接近）、区域销量足迹（在这个区域的货架上，它们是不是吸引同一拨人）。

这个用法的意外收获是，它比”同品类推荐”聪明的地方在于区域足迹：同样缺货，华东门店的替代推荐和西北门店不一样，因为两地消费者的替代选择本来就不同。大模型时代，embedding 是基础设施，这个三路打分的架子搭好之后，里面的内容向量随时可以换成更强的模型，架子不动。

收尾：这张网织完了

系列正文到这里写完。回头看这张知识网：预测（01、02）给出可信的需求信号，补货（03）把信号变成订单，仿真（04）让决策先试后行，归因（05）保证价值说得清，仓网（06）搭好流通的结构，周转（07）找到结构性的空间，安全库存三连（08、09、10）把缓冲做对、做稳、做明白，节假日（11）处理时间的特殊性，这一篇处理商品的特殊性。

每一篇单看都是一个工具，连起来才是一套体系。体系的价值不在于每个零件多先进，在于零件之间的接口是对的：预测的分位数输出正好喂给安全库存的分位数法，补货的留痕正好是归因的输入，归因的结论正好回流成策略规则。这也是我对”AI 重构供应链”这句话最朴素的理解：不是一个超级模型从天而降替你管仓库，而是每一环都换上更好的引擎，环与环之间的咬合不变。

番外篇我们聊聊工具和人：怎么用知识库驯服数据口径。下一篇先从每个分析师每天都在受的罪说起：写 SQL。

附录：商品角色矩阵与替代品相似度速查表

四维矩阵

替代品相似度三路打分

总分 = 0.55 × 内容相似（商品名 + 品类路径 + 保质期的 embedding）
     + 0.20 × 结构相似（价格带 / 保质期 / 密度）
     + 0.25 × 区域足迹（商品 × 地理分区销量的余弦相似度）

细则：只在单一分区有销量的商品，足迹不可信，回退内容+结构两路；替代推荐按分区生效，同一缺货商品不同区域推荐不同 Top5；embedding 模型可替换，三路架子不动。

供应链实战系列 · 第 12 篇 · 卷五「场景深化篇」（正文收官）｜ 上篇：节假日怎么办 ｜ 下篇：告别古法 SQL 分析 文中数字均为 DEMO 示意，非真实业务数据。