缺货与周转的平衡术：库存优化空间到底在哪

供应链这行有一对永恒的冤家。销售嫌你缺货，财务嫌你压货。计划员夹在中间，今天被缺货率点名，明天被周转天数点名。最难受的是，这两个指标确实是你死我活：想不缺货就多囤，想周转快就少囤。

当了几年夹心层之后，我对这件事的看法变了：缺货和周转的矛盾是真的，但大部分公司的库存问题，根本轮不到这对矛盾出场。库存不是均匀地”多了”，而是结构性地”放错了”。 在动手解决矛盾之前，有一大笔结构性的空间可以先拿。

先把”空间”算出来，再谈”平衡”

我做的第一件事不是调参数，是回答一个更基本的问题：如果完全不考虑缺货风险，现有库存里有多少是理论上可以压缩的？

算法很朴素。每个仓品算出当前库存天数，再算它的合理天数（预测日均销乘上该覆盖的天数），前者减后者，就是这个仓品的可压缩量。全仓加总，再按仓、按品类两个维度一切，图就出来了。

结果很有意思（DEMO 量级）：全网库存总量里，能明确算出的可压缩部分占比不小，但它高度集中——少数几个仓贡献了大头，品类上也是两三个品类占了一半。也就是说，“降库存”这件事不需要全网平均用力，盯着少数几个仓、两三个品类打，就能拿走大半收益。这种感觉就像找漏水：房子整体没毛病，是几根水管在喷。

服务水平：从”拍的”变成”扫的”

结构性空间拿完，才轮到真正的矛盾。这时候的问题是：愿意为有货率付多少库存？

行业里通行做法是拍一个服务水平，比如 95%，然后所有地方都用它。我一直觉得这个拍法很奢侈。不同品类、不同仓，缺货一天的成本完全不同：日配鲜品缺货是直接丢销售，纸巾缺货门店大概率明天再来。同一个 95%，在两类商品上买到的价值天差地别。

我们做了一个对比分析：全网统一服务水平 vs 分品类差异化服务水平，在达到相同综合有货率的前提下，两种方案需要的总库存差多少。DEMO 数字：差异化方案总库存低了一截，而且低的这部分全部来自”低缺货成本品类让出来的水位”。这笔账算完，“服务水平多少合适”就从一道价值观判断题，变成了一道可以扫描的优化题：给定总库存预算，怎么分配服务水平让综合有货率最高；或者反过来，给定有货率目标，怎么分配让总库存最小。

五分类归因：超标库存是怎么长出来的

压库存之前还得搞清一件事：这些超标库存当初是怎么来的？我们把超出合理天数的库存按成因分了五类——预测偏高、采购超建议、到货集中（供应商一次性压货）、动销下滑（卖不动了但货还在）、参数过宽（安全天数设得太大）。

为什么要分？因为五类的解法完全不同。预测偏高的要回预测侧改；采购超建议的要回到第 05 篇的采纳率归因；到货集中的是供应商管理问题；动销下滑要走出清流程；只有参数过宽这一类，才是调安全库存能解决的。不分类就下手，等于把五种病开一张药方。

AI 在这件事上的正确位置

库存优化大概是供应链里被 AI 包装得最多的场景，动不动就是”智能降库存 20%“。我的实践经验反而很朴素：AI 在这件事上最大的价值不是”更聪明”，是”更勤快”。可压缩空间的测算、五分类的归因、服务水平的差异化扫描，每一样逻辑都不复杂，复杂的是要按仓、按品类、按周不停地算、不停地盯。人盯会疲，会漏，会三个月才复一次盘；机器不会。

至于”到底该压多少”这个最终决定，我建议永远留给人。因为压库存的真实成本是缺货风险，而缺货风险在很多公司没法完全用钱量化——它有时候是客户信任，有时候是货架位置，这些东西算不进公式。AI 负责把空间算清楚、把方案摆出来、把代价标明白，人负责签字。

下一篇开始进安全库存这个深水区。先从一个颠覆教科书的事实讲起：我们测了大量仓品，大部分根本不服从正态分布。

附录：库存空间测算与五分类归因速查表

可压缩空间测算

单仓品库存天数 = 期末库存 ÷ 预测日均销     （日均销 ≤ 0 时不参与）
合理天数     = 覆盖天数（BP + VLT + 安全天数）
可压缩量    = max(0, 期末库存 − 预测日均销 × 合理天数)

聚合视角：分仓 TOP 榜 + 分品类 TOP 榜。经验规律：可压缩空间高度集中，优先打头部。

服务水平优化问题的两种提法

预算约束型：min 总缺货损失   s.t.  总库存 ≤ 预算
目标约束型：min 总库存       s.t.  综合有货率 ≥ 目标

五分类归因对照

决策边界：机器负责测算空间、归因分类、方案扫描、代价标注；人负责最终压降决定——缺货风险中存在无法完全货币化的成本（客户信任、渠道关系），不应由公式独断。

供应链实战系列 · 第 07 篇 · 卷四「库存策略篇」｜ 上篇：仓网升级 ｜ 下篇：80% 的 SKU 不服从正态分布 文中数字均为 DEMO 示意，非真实业务数据。