连锁门店智能补货方案：从销售数据到订货建议

每天清晨或前一晚的固定时点，连锁门店的店长或订货专员要面对同一件事：为成百上千个SKU决定订多少。订多了，货架和仓库被占压，临期与折损随之而来；订少了，畅销品断货，顾客转身就走。更棘手的是，这两类问题常常同时出现在同一家门店——A类商品积压，B类商品缺货，而决策依据往往只是"上次卖得还行"或"感觉该补了"。

智能补货要解决的正是这个日常决策问题。它不替代采购流程，而是把销售、库存、在途、促销等数据整理成一份可执行的订货建议单，让门店人员从"从零估算"变成"在建议基础上复核与调整"。下面按数据接入、规则设计、建议单生成、人工复核、效果评估的顺序拆解，并说明规则驱动与预测驱动各自适合什么条件。

从哪些数据开始：销售与库存的接入范围

补货建议的质量，首先取决于输入数据的完整度和颗粒度。落地时通常需要接入以下几类数据：

• 销售数据：按门店、商品、日期（部分场景到时段）的销量、成交价、退货与折扣信息。日颗粒度是补货的基础，促销期可能需要更细。
• 库存数据：门店可用库存、锁定库存、残损与临期库存，以及仓库到门店的在途数量。库存口径不统一是常见障碍，需要先明确"可用库存"的定义。
• 商品主数据：品类、规格、保质期、最小起订量（MOQ）、箱规、是否可拆零。这些直接决定建议单能不能被供应商和门店执行。
• 供应与履约数据：供应商到货周期、配送频次、缺货记录。补货周期算错，再准的预测也会失真。
• 外部与计划数据：促销排期、节假日、天气等。搜索资料中的产品方案普遍把天气、日历、季节、促销、成交价列为预测输入因子，但具体哪些因子对某家企业有效，需要用自身数据验证，不宜照搬。

需要提醒的是，数据接入不是一次性工程。门店改造、商品汰换、促销机制变化都会让历史数据出现断点，系统需要具备异常识别与剔除能力，否则错误的历史会把建议带偏。

规则驱动还是预测驱动：先看适用条件

这是选型时最容易被简化成"哪个更先进"的问题，实际上两者解决的是不同层次的需求。

实践中更常见的是混合模式：对长尾稳定商品用规则控制成本和复杂度，对重点品类和波动商品引入预测。搜索资料中提到的"动态上下限方案"本质上也是规则与预测的结合——上下限由预测结果动态生成，而非固定值。企业不必一开始就追求全品类预测，先从贡献销售额高、缺货影响大的品类切入，投入产出更清晰。

建议单怎么生成：从预测到可执行订单

一份能直接进入采购流程的建议单，通常要经过四步处理：

1. 需求预测：给出未来补货周期内的销量估计，可以是规则计算的目标库存，也可以是模型输出的预测值。
2. 库存策略计算：结合安全库存、订货点、目标周转天数，算出理论补货量。
3. 约束校验：用MOQ、箱规、供应商配送日、资金与效期限制对理论量做修正。这一步决定了建议单"能不能真的下单"。
4. 建议单输出：按门店、供应商、品类组织，标注建议数量、建议理由和异常标记。

其中约束校验最容易被低估。一个理论最优但不符合箱规或配送节奏的数量，对门店没有意义。搜索资料中提到的"多因子补货公式"和"多维业务约束处理"，指向的正是这一层工程化工作。建议单的字段设计应至少包含：商品、当前可用库存、在途、建议订货量、建议理由（如低于安全库存、预测上升）、置信或异常标记。

哪些异常必须由人员复核

智能补货的定位是辅助决策，不是无人值守。以下情形应当强制进入人工复核，而不是自动下单：

• 预测置信度低：新品、历史数据不足或近期销量剧烈波动的商品。
• 异常波动：单日销量突增或突降，可能来自团购、录入错误或竞品活动。
• 促销与节假日：促销排期未同步或临时变更时，模型往往无法自动感知。
• 供应侧异常：供应商缺货、配送延迟、临时改期。
• 资金与效期约束触发：建议量与资金计划冲突，或临期库存需要优先消化。
• 门店特殊情况：装修、闭店、周边施工等系统无法自动获知的信息。

把这些规则显式写进流程，比事后追责更有效。人工复核的价值不在于"改数字"，而在于把系统不知道的信息补回去，同时把复核结果沉淀为后续优化的依据。

试点怎么选、系统怎么接

不建议一次性全门店全品类上线。试点门店的选择可以参考三个标准：数据基础相对完整、店长配合度高、门店间差异具有代表性（既包含高销店也包含普通店）。品类上先选贡献度高且缺货敏感的少数品类，跑通一轮完整的订货周期。

系统对接路径通常有两种：一是补货模块作为现有ERP或进销存系统的扩展，复用主数据与订单接口；二是独立部署补货引擎，通过接口与ERP、POS、WMS交换数据。前者改动小、上线快，后者灵活度高但需要维护数据同步。选择时重点确认三件事：主数据由谁维护、订单最终写入哪个系统、异常数据由谁处理。接口边界不清，是后期扯皮的主要来源。

效果怎么评估：先定义指标再看变化

补货效果评估需要提前约定指标和口径，否则容易陷入"感觉好多了"的模糊判断。常用指标包括：

• 缺货率：按门店、品类统计缺货SKU占比或缺货时长。
• 库存周转天数：关注整体与重点品类的变化，避免只看总量掩盖结构问题。
• 建议采纳率：人工调整的比例和方向，是判断建议质量的重要信号。
• 报损与临期金额：反映积压改善情况。
• 订单执行准确率：建议单转化为实际订单的合规程度。

评估时应设置对照：试点门店与相似门店对比，或试点前后同口径对比。需要注意的是，销量受促销、季节、竞品等多重因素影响，把变化全部归因于补货系统并不严谨。更稳妥的做法是观察多个周期的趋势，并结合采纳率、异常处理量等过程指标一起判断。

落地时的几个现实提醒

• 不要承诺未经验证的改善幅度。不同企业的品类结构、数据基础和执行力差异很大，任何具体的百分比都应来自自身试点数据，而非通用宣传。
• 参数需要持续维护。安全库存、配送周期、MOQ都会变化，缺少维护机制的系统会逐渐失真。
• 组织配合决定成败。补货涉及门店、采购、仓储、供应商多方，流程和数据口径需要有人牵头对齐。
• 从小闭环开始。先让一个品类、一批门店跑通"数据—建议—复核—下单—复盘"的完整循环，再逐步扩展，比全面铺开更容易发现问题、积累信心。

智能补货的本质，是把分散在门店经验里的判断，转化为可复用、可复核、可迭代的流程。它不会让订货决策消失，但能让每一次决策都有据可依。