某运动品牌春季主推一款跑鞋，上市第二周售罄率冲到38%。商品团队刚看到增长，门店反馈就接踵而至：42码全国多店断货，44码仓库却堆了三百多双。

消费者进店，试了鞋，尺码不对，转身走了。等补货到店，两周过去，那波购买冲动也凉了。季末盘点，44码五折清仓，42码的正价利润没人赚到。

这到底是爆款，还是商品管理出了问题？

 

一、断货先别急着判断是爆款

很多团队看到断货，第一反应是：卖太好了，补货跟不上。

但把数据拆开看，问题往往不在销售速度本身，而在库存结构。

先拆清楚：到底是货少了，还是货放错了。

总量不够，通常是OTB判断偏差、首单比例偏低，导致补货追不上销售速度。结构不对，则可能是总量够了，但尺码配比偏了、渠道分配不均、门店级需求差异没有被识别出来。于是就会出现一个典型场景：畅销尺码断货，滞销尺码压库存。

两类问题的解法完全不同。

总量不够，要回到OTB和首单比例；结构不对，要调整尺码曲线和门店分配逻辑。如果分不清，就会陷入“越补越断、越断越补”的循环：补了一大批货，断的尺码还是断着，压的尺码越压越多。

 

二、断货的隐性成本

断货的代价，远不止少卖几双鞋。

正价期损失。

断的往往是畅销尺码，错过的是正价期最赚钱的销售窗口。一双42码跑鞋，正价899元，断货两周后补到店，已经进入折扣期，只能599元出。利润就在这两周里蒸发了。正价售罄率每掉一个百分点，后面往往都要用更深的折扣找补。

消费者流失。

消费者到店买不到尺码，通常不会等你补货。在第七在线服务品牌客户的实践中，尺码缺货造成的离店损失，常常会被商品团队低估。尤其是跑鞋、户外鞋、基础服饰这类强尺码依赖品类，缺一个核心尺码，就可能直接丢掉一批本来已经接近成交的顾客。

调拨成本上升。

临时跨店调拨的物流成本和执行成本，远高于计划内补货。救火式调拨解决的是“今天断货”，但消耗的是整季毛利。频繁调拨还会打乱门店陈列和库存节奏，让一线团队不断在追货、找货、等货之间消耗精力。

季末积压。

畅销尺码断了，滞销尺码还在。到季末，总库存金额看上去可能没有超OTB，但库存质量已经偏了：该卖的没卖够，不该留的全留下了。清仓压力陡增，毛利率被进一步压缩。

 

三、四个环节的断裂

爆款断货很少是单一环节的问题。更常见的情况是，首配、售罄监控、补货、调拨四个环节同时出现偏差，层层累积，最后在终端表现为“爆款断货”。

首配环节：首配结构靠经验。

首配，即商品到仓后按门店等级、渠道和销售预期进行的首批库存分配。很多品牌的首配结构仍然基于“去年类似款经验”或“大区统一尺码曲线”，没有按门店级历史销售数据推演。结果就是，同样一款鞋，A店42码不够，B店42码压货。首配一旦偏了，后面的补货和调拨都在补窟窿。

售罄监控：只看款色总量。

大部分品牌的售罄率报表停在款色层面：这款卖了60%。但60%的售罄率可能意味着42码已经100%售罄，44码才卖了20%。只看总量，看不出结构偏差，更看不出哪个尺码在哪个门店先断。

补货环节：补货只看总量水位。

门店报“断货了”，补货系统看的是总库存还有多少。总量够，不补。但实际断的是42码，压的是44码。等到44码也开始动销，42码已经错过两周销售窗口。

我们把这种情况称为“假补货”：总量补上去了，但真正断货的尺码没有补上。它比不补更浪费，因为物流、人力和库存都被占用了，真正的缺货问题却没有解决。

调拨环节：调拨靠人发现。

某门店42码断货，另一门店42码积压，这种跨店尺码错配，如果靠人工巡店或区域经理手动发现，通常已经错过最佳处理窗口。等问题被看到，正价销售机会可能已经过去。

一个500家门店、单季200个款色的品牌，门店×款色×尺码的组合很容易超过50万个。靠Excel公式和人工经验，很难同时盯住这些变化。问题不是人不够努力，而是数据维度和决策频次已经超出了人工处理能力。

这正是第七在线AI商品决策系统切入的核心场景：用鞋服行业商品经营模型，把首配、售罄监控、补货、调拨四个环节串联起来。系统的价值，在于把散落在报表、群消息和人工经验里的信号，变成商品团队看得见、能判断、可执行的预警和建议。

 

四、从事后救火到事前预判

爆款断货的关键，不只在补货速度，更在于能不能提前判断哪些门店、哪些尺码会先断。针对前面四个环节的断裂，第七在线系统在实际部署中通常会构建四层能力。

第一，可销周数自动预警。

别等售罄率冲到80%才反应。系统为每个款色码在每家门店计算可销周数：当前库存÷周均销量。低于安全线时，自动触发预警。

商品经理不用每天翻报表找断货，而是直接看到：哪里快断了、还能卖几周、应该优先处理哪一批门店和尺码。

第二，售罄率穿透到款色码级。

款色总售罄率只能说明“这款整体卖得怎么样”，不能说明结构是否健康。系统需要进一步看到每个尺码在每家门店的售罄节奏。

比如，42码在三里屯店售罄率已经85%，44码在成都某店只有15%。这类信息用热力图呈现后，总部可以快速判断：哪些门店该补，哪些门店可以调出，哪些尺码已经形成结构性风险。

第三，补货建议下沉到尺码级。

补货不能只看款色总量够不够。门店缺的是哪个尺码？补过去的尺码结构是否正确？这些问题必须穿透到款色码级。

如果系统只判断“总量够，不补”，就会放大假补货风险。第七在线的补货建议会结合尺码级缺货状态、门店销售速度、现有库存和可调拨资源，生成更接近真实需求的补货优先级。

第四，跨店调拨智能匹配。

当系统检测到A店42码可销周数低于2周，而B店42码可销周数超过8周，就可以自动生成调拨建议。

调拨建议不只是告诉商品经理“A店缺、B店多”，还要结合调拨成本、物流时效、目标门店销售潜力和库存可调拨规则做排序。哪些货值得调，哪些货调过去也来不及，系统先算清楚，商品团队再拍板。

这四层能力的底层，是同一套AI商品决策引擎：预测每个款色码在不同门店的需求走势，预警即将断货的门店和尺码，生成补货与调拨建议，并根据实际销售结果持续校准模型。

最终判断仍然属于商品团队。系统提供的是更快、更细、更可执行的判断依据。

 

五、跑通这套能力，需要先做好三件事

系统要真正跑起来，光有功能清单不够，前面的数据、规则和执行机制都要先搭好。第七在线在服务品牌客户时，通常会先和商品团队确认三类基础工作。

第一，数据口径先统一。

POS、ERP、库存系统至少要实现T+1数据贯通。款号、色号、尺码、门店、渠道、库存状态这些基础字段，要有一致口径。否则系统看到的“库存”，和门店理解的“可卖库存”，可能不是一回事。

第二，业务规则先建模。

可销周数安全线是多少？哪些门店可以参与调拨？调拨成本超过多少就不建议执行？核心尺码断货优先级是否高于非核心尺码？这些规则必须由商品团队提前定义。AI可以推演方案，业务边界仍然要由商品团队先定清楚。

第三，执行闭环要跑通。

预警只是起点。真正有效的链路应该是：预警生成、商品经理判断、补货或调拨执行、结果回流、模型校准。少了结果回流，系统就会变成一个昂贵的消息提醒工具。

AI商品决策系统真正有价值的地方，是让预警、判断、执行和结果回流连成一条完整链路，而不是只增加报表数量。

 

结语

爆款断货表面看是运气，往深了看，考验的是商品管理能力。

下次门店报“这款断货了”，别急着庆祝卖得好。先问三个问题：

断的是哪个尺码？

断在哪个门店？

是总量不够，还是结构不对？

很多所谓“爆款卖断货”，拆到最后，问题都落在补货和调拨逻辑上。

真正的爆款管理，要管到每个门店、每个款色、每个尺码，让货尽量出现在最该出现的位置上：该补的补得明白，该调的调得及时，该断的也断得清清楚楚。

这正是第七在线AI商品决策系统持续构建的能力：把售罄率监控、可销周数预警、尺码级补货优先级和跨店调拨匹配，从人工救火变成系统推演。商品团队不再事后追着问题跑，而是在问题发生前，按数据做判断。

 

FAQ

1. 如何区分总量断货和结构断货？

看总库存和尺码库存是否同时不足。总量断货是整体库存不够；结构断货是总量看似够，但核心尺码、重点门店或重点渠道已经缺货。

2. 为什么款色售罄率高，不一定代表卖得好？

因为款色售罄率会掩盖尺码结构。一个款色售罄率很高，可能是核心尺码卖空，也可能是部分门店卖空、部分门店积压。只有穿透到门店×款色×尺码，才能判断库存是否健康。

3. 什么是假补货？

假补货指总量补上去了，但真正缺货的尺码没有补上。它会消耗物流和人力成本，却没有解决实际销售机会流失的问题。

4. 跨店调拨什么时候值得做？

当缺货门店仍处于正价销售窗口，目标尺码需求明确，且调拨成本和时效可控时，调拨才值得做。否则，调过去可能已经错过销售窗口。

5. 没有AI系统，能不能做尺码级补货？

可以做，但规模一大就很难持续。少量门店、少量款色可以靠人工盯；当门店、款色、尺码组合达到几十万级，人工就很难保持及时性和准确性。

免责声明：

本文转自 [7thonline]，版权归原作者所有。文中图片源自网络，仅为辅助说明文章观点，其版权归原作者所有。如涉及侵权，请联系我们删除。