一款当季主力鞋靴，到货3000双，要在两天内分配到全国180家门店和三个电商仓库。买手团队拿着上季销售汇总表，按门店级别手工填写配货单——这是中国鞋服行业今天仍然高度普遍的配货场景。

 

问题在于，这种做法在两个方向上同时失效：销售好的门店经常断货，因为初始配货量不足；销售差的门店积压库存，因为初始配货量过多。同一批货，同一时间，既有机会损失，又有积压压力。这不是买手能力的问题，而是人工配货的信息处理边界决定了它必然存在系统性误差。

 

根据IHL Group 2024年数据，部署AI和机器学习的零售商，其销售增长是竞争对手的2.3倍，利润增长是竞争对手的2.5倍——而配货优化是其中贡献最直接的应用场景之一。

 

本文将完整覆盖：什么是智能配货、人工配货与AI配货的本质差距、配货模型的核心逻辑、尺码配比与门店分群的落地方法、中国鞋服品牌的全渠道配货特殊挑战，以及配货准确率从60%提升至85%的四阶段路径。

 

核心要点

• 配货是连接商品计划与销售执行的关键环节。配货决策的质量直接决定门店的售罄率——配多了积压，配少了断货，两种错误都在同时发生。
• 智能配货通过算法实现人工无法达到的数据处理深度。同时处理数十个变量，覆盖全部SKU×全部门店，将决策时间从1-3天压缩至分钟级。
• 尺码配比（Size Curve）是鞋服配货的核心决策维度。基于门店历史尺码销售建立独立模型，可将断码率降低15-30%。
• 门店分群是差异化配货的数据基础。以销售特征和客群画像将门店聚类，是从”按级别配货”升级为”按需求配货”的前提。
• 全渠道库存统一配置是中国鞋服品牌的核心挑战。天猫、京东、抖音与线下门店的库存协同，需要突破渠道数据孤岛。

什么是配货？标准定义与核心价值

 

配货（Allocation）是指商品到货后，根据各门店或渠道的历史销售数据、库存水位、门店规模和市场定位，将商品合理分配至各销售终端的商品分发管理过程。

 

配货回答一个核心问题：这批货，应该怎么分？

 

区分配货和其他相关概念至关重要。配货是新货到仓后的首次分配，发生在商品生命周期的起点；补货是库存不足时从上游仓库追加，发生在门店销售过程中；调拨是在门店之间重新分配已有库存，是配货失误后的修正手段。三者解决的是库存分配问题的不同时间节点和来源方向。

 

配货决策的失误代价是双向的：配多了，门店库存积压，资金沉淀，最终需要折扣清货；配少了，门店销售高峰期断货，机会损失无法追回。根据零售配货研究，一家门店收到过多库存会折扣清货；收到过少库存则会丢失无法弥补的销售机会——两种错误都会直接体现在售罄率的下降上。

 

人工配货 vs 智能配货：5个关键维度的效率差距

 

人工配货和智能配货的差距，不只是”有没有用系统”的问题，而是两种根本不同的决策逻辑——一种依赖人的经验和精力上限，另一种依赖数据和算法的处理能力。

 

智能配货在数据处理范围、响应速度、尺码精准度、门店差异化和全渠道协同五个维度全面超越人工配货。来源：IHL Group 2024；McKinsey；SymphonyAI Retail 2024

 

这五个维度的差距叠加在一起，产生了可量化的经营结果差异。SymphonyAI的行业数据显示，AI驱动的库存分配使缺货率平均降低25%，6/10的买手确认AI工具改善了库存管理效果。

 

从成本角度看，人工配货的核心问题不是慢，而是”精力无法扩展”——无论买手团队多努力，同时照顾200家门店×500个SKU×5种尺码的矩阵计算，都是人力的边界。智能配货解决的正是这个扩展性问题。

 

配货模型的核心逻辑

 

智能配货系统的底层是一套配货模型，用于将”总货量”最优分配到”各门店需求”。理解配货模型的工作原理，是评估和使用任何配货工具的前提。

 

基础配货逻辑：需求驱动分配

 

最基础的配货逻辑是：每家门店应该获得与其历史需求成比例的库存量。公式表达为：门店配货量 = 总到货量 × （门店预测需求 / 全部门店预测需求之和）

 

这个基础公式的准确性，完全依赖需求预测的质量。预测越准，配货越接近最优。AI需求预测相比传统方法，在多品类零售数据集上MAPE可从28.76%降至16.43%，预测准确率提升42.87%，直接转化为更准确的门店配货量。

 

进阶配货约束：库存余量与最低陈列要求

 

实际配货中，基础比例分配还需要叠加两类约束：

• 最低陈列库存约束：每家门店必须获得至少能支撑正常陈列的最低库存量（例如每款每色最少2件），避免某些小门店因占比过低而接近零配货，影响商品完整性。
• 总仓安全缓冲约束：首批配货通常不应超过总到货量的80%，保留20%作为总仓安全缓冲，用于快反追单、爆款补货和后续动态调拨。这个比例根据品类特性和货期阶段动态调整。

动态配货：销售反馈驱动持续优化

 

最高级的配货模型是动态配货——上市后持续追踪各门店的实际销售速率，识别”预测高于实际”（积压风险）和”预测低于实际”（补货机会）的门店，自动触发调整建议。AI配货模型持续学习门店销售数据，静态规则无法做到这一点——规则在季初设定后保持不变，AI模型随实际数据不断更新推荐。

 

尺码配比（Size Curve）：鞋服配货的核心决策维度

 

尺码配比是鞋服行业配货中最具行业特殊性的决策维度，也是人工配货最容易犯系统性错误的地方。

 

什么是Size Curve？

 

Size Curve（尺码曲线）是指某款商品在总库存中各尺码的数量分布比例，基于历史销售的尺码分布建立。例如一款女装上衣的Size Curve可能是：XS 5% / S 25% / M 35% / L 25% / XL 10%。

 

错误的Size Curve直接导致断码：M码卖光了，XS码积压，顾客来了买不到合适的尺码，既损失了销售，又沉淀了库存。

 

门店级Size Curve vs 全国统一Size Curve

 

大多数品牌使用全国统一的Size Curve，这是人工配货时代的必要简化。但这个简化带来系统性误差——中国不同地区的客群尺码分布差异显著：

 

 

智能配货系统基于每家门店的历史尺码销售数据，为每个品类×每个门店建立独立的Size Curve，并随新的销售数据自动更新。这使得断码率可以降低15-30%，同时减少因尺码结构失衡导致的被动折扣。

 

门店分群：差异化配货的数据基础

 

门店分群（Store Segmentation）是将旗下门店按照经营特征分类的分析方法，是从”按门店级别统一配货”升级为”按门店特征差异化配货”的前提。

 

门店分群的核心维度

 

有效的门店分群通常综合以下四类维度：

 

销售绩效维度：历史销售额、售罄率、动销率、库存周转率——反映门店的整体销售能力。

 

客群特征维度：客单价、连带率、年龄层分布、复购率——反映门店的客群结构，影响品类偏好和尺码分布。

 

商圈属性维度：购物中心/街边店/奥特莱斯、城市级别（一线/新一线/二三线）、周边竞品密度——反映门店所处的竞争环境和消费场景。

 

商品偏好维度：历史爆款品类分布、高毛利品类占比、新品接受速度——反映门店客群对不同类型商品的偏好，直接指导配货的品类结构。

 

分群方法：规则分群 vs 聚类算法

 

规则分群（如按销售额划分A/B/C类）操作简单，但只能按单一维度分类，无法捕捉门店的多维度特征组合。聚类算法（如K-means、层次聚类）将多个维度的数据同时纳入，找到自然形成的门店特征群组，结果更接近门店的真实经营特征。

 

实际操作中，建议采用”算法聚类+人工校正”的混合方式：算法基于数据得出聚类结果，商品团队根据对市场的理解做最终调整，确保分群结果在业务上有意义。典型的门店群组数为3-8个，太少无法体现差异，太多则难以制定有针对性的配货策略。

 

中国鞋服品牌的全渠道配货特殊挑战

 

配货的标准方法论主要面向线下单渠道场景。在中国鞋服市场，配货面临一个西方零售教科书几乎没有充分描述的复杂场景：多平台全渠道并发。

 

挑战一：天猫、京东、抖音与线下的库存割裂

 

一个典型的中国鞋服品牌同时运营：100-500家线下直营门店、天猫/京东旗舰店（独立备货仓）、抖音小店（直播间备货仓）、微信小程序（可能共享总仓或独立备货）。这四类渠道的库存往往独立管理，相互之间无法实时共享。

 

结果是：线下某款鞋大量积压，同时天猫旗舰店的同款已售罄补货等待中。同一批货，两个渠道同时处于过量和不足的状态，却因为数据隔离而互不可见。根据Salesforce 2025年数据，75%的零售商认为AI是维持竞争力的必需条件，而全渠道库存统一可视化，是AI配货发挥价值的数据基础。

 

挑战二：直播大促的配货节奏冲击

 

抖音/快手/天猫直播已成为中国鞋服品牌的重要销售渠道，但直播的销售节奏与传统配货周期完全不同：一场直播可能在2小时内消化平时一周的库存。这对配货提出了新要求：需要在直播前预判直播备货量、直播中实时监控库存消耗速率、直播后立即启动补仓计划。

 

这三个动作的时间窗口极短，完全依赖人工决策会导致：直播前备货不足（直播高峰期断货损失），或备货过多（直播效果不理想时库存沉淀在直播仓）。

 

挑战三：经销商渠道的配货数据缺失

 

对于有大量经销商门店的品牌，总部对经销商的实时库存数据掌握不完整，导致全渠道配货视图存在盲区。品牌总部无法判断哪些经销商门店严重缺货、哪些严重积压，也就无法做出针对性的配货或调拨建议。解决这个问题的关键在于建立经销商库存数据的接入机制，而非只靠季度盘点报告。

 

配货准确率：定义、公式与提升路径

 

配货准确率是衡量配货决策质量的核心KPI。

 

配货准确率 = 1 − Σ|实际配货量 − 最优配货量| / Σ最优配货量 × 100%

 

其中，”最优配货量”是指基于门店真实需求预测应该配送的数量。鞋服行业的配货准确率优秀水平为≥80%，行业中位数通常在60-70%之间，仍有较大改善空间。

 

配货准确率提升四阶段路径。配货准确率每提升10%，整体售罄率提升约4-7%，季末折扣深度降低约2-3个百分点。来源：第七在线行业数据库；IHL Group 2024

 

四个阶段的累计时间通常为9-15个月。值得注意的是，阶段一的数据打通工作是整个提升路径的瓶颈——研究显示，AI系统实施中65-75%的项目时间用于数据清洗、归一化和整合，而非算法本身。数据基础不牢，算法模型再好也无法发挥应有效果。

 

智能配货的5个最佳实践

1. 首批配货不超过总到货量的75-80%。始终保留20-25%的总仓安全缓冲，用于快反追单、爆款补货和动态调拨。一次性全部配出会丧失在季灵活调整的能力。
2. 新品配货使用相似款参照，而非直接预测。对无历史数据的新品，AI通过相似款分析找到历史商品库中特征最接近的参照款，以参照款的门店销售分布作为初始配货依据，比纯经验判断更有数据支撑。
3. 按品类设置独立的配货规则，而非全线统一。鞋和服装的配货逻辑不同：鞋对尺码精准度要求更高（断码损失更大），服装对颜色配比更敏感（颜色结构影响陈列效果）。应对不同品类设置差异化的配货权重和约束条件。
4. 配货完成后48小时内追踪销售速率，识别早期信号。商品上架后的前2-3天销售速率是识别配货误差的最早信号窗口。速率显著高于预期，立即触发总仓补货；速率显著低于预期，暂缓后续配货并评估调拨需求。
5. 每季配货结束后做系统性回顾，更新门店分群和Size Curve。门店的客群结构会随时间变化（商圈改造、竞品进入、消费升级），Size Curve也会随流行趋势变化。每季货期结束后，用本季实际销售数据更新模型参数，确保下季配货的起点数据是最新的。

第七在线如何支撑智能配货全流程

 

第七在线是一家专注于鞋服商品经营决策的AI平台。在智能配货与补货场景中，第七在线的系统支持以下核心能力：

 

以门店为最小颗粒度的需求预测，综合历史销售、门店分群、季节性指数和促销计划，为每个SKU×每个门店生成配货建议量。系统内置多套配货约束模型（最低陈列量、安全缓冲比例、品类权重），商品团队可按货期和品类灵活调整参数，无需重新编写规则。

 

在尺码配比层面，第七在线支持为每家门店、每个品类建立独立的Size Curve，并在每季销售数据更新后自动刷新模型。门店分群功能整合多维度特征数据，支持算法聚类与人工校正的混合分群方式。

 

对于全渠道场景，第七在线支持线下门店、天猫/京东/抖音等电商渠道的库存统一接入，在同一视图中管理各渠道的配货状态，并支持渠道间的动态库存调度建议。通过商品智能分析模块，配货结果可直接与商品财务计划（MFP）和在季OTB联动，形成从计划到执行的完整闭环。

 

常见问题（FAQ）

 

什么是智能配货？

智能配货（Intelligent Allocation）是指利用机器学习算法，综合分析门店历史销售数据、门店画像、库存水位、商品属性（品类/颜色/尺码）等多维度信息，自动计算每个门店最优商品分配数量的智能决策过程。相较于人工配货，智能配货可将配货准确率提升15-30%，决策时间从1-3天压缩至分钟级。

 

配货和补货有什么区别？

配货是新货到仓后的首次分配，决定每家门店获得多少库存；补货是门店库存降至触发点后，从总仓或供应商处追加库存的决策。配货发生在商品生命周期的起点，补货发生在销售过程中。配货质量决定了补货压力的大小——配货越准确，爆款补货和滞销款调拨的处理量越少。

 

配货准确率怎么计算？

配货准确率 = 1 − Σ|实际配货量 − 最优配货量| / Σ最优配货量 × 100%。其中”最优配货量”是基于门店需求预测应该分配的数量。鞋服行业配货准确率优秀水平为≥80%，行业中位数在60-70%之间。配货准确率每提升10%，整体售罄率约提升4-7%，季末折扣深度降低约2-3个百分点。

 

什么是尺码配比（Size Curve）？

尺码配比（Size Curve）是指某款商品在总库存中各尺码的数量分布比例，基于历史销售的尺码分布建立。合理的Size Curve因地区、门店类型和品类不同而差异显著。智能配货系统为每家门店建立独立的Size Curve，将断码率降低15-30%，同时减少因尺码结构失衡导致的被动折扣。

 

门店分群应该按什么维度划分？

有效的门店分群通常综合四类维度：销售绩效维度（销售额、售罄率、周转率）、客群特征维度（客单价、年龄层、复购率）、商圈属性维度（城市级别、商场类型、竞品密度）和商品偏好维度（历史爆款品类、新品接受速度）。建议采用算法聚类+人工校正的混合方式，典型群组数为3-8个。

 

首批配货应该配出总货量的多少？

通常建议首批配货不超过总到货量的75-80%，保留20-25%在总仓作为安全缓冲。这部分缓冲库存用于：快反追单的到货承接、爆款门店的紧急补货、配货误差修正后的调拨。一次性配出所有库存会丧失在季灵活调整的能力，是配货管理中最常见的失误之一。

 

新品没有历史数据，如何配货？

新品配货有两种主要方法：一是相似款参照法，通过AI在历史商品库中找到特征最接近的参照款（相似款分析），以参照款的门店销售分布作为新品初始配货依据；二是小批测款法，首批配货量保守（建议为预测量的50-60%），集中到高销售能力门店快速测试市场反馈，再根据2-3周销售数据决定是否追加。

 

全渠道配货和单渠道配货有什么区别？

全渠道配货需要在线下门店、天猫/京东旗舰店、抖音小店等多个渠道之间统一分配库存，并实时监控各渠道的销售和库存状态，实现跨渠道的动态调度。单渠道配货只管一个渠道的库存分配。全渠道配货的核心难点在于渠道数据打通——各渠道的库存和销售数据如果不在同一系统中实时可见，全渠道配货优化就无从实现。

 

什么时候需要启动调拨，而不是等待补货？

当满足以下条件时，优先考虑调拨而非补货：总仓库存已耗尽或低于安全水位、缺货门店与积压门店地理距离可接受（调拨物流成本合理）、货期剩余时间足够消化通过调拨获得的库存。调拨的本质是利用同级库存消化的时间差，而不是引入新库存，因此更适合货期中后期的库存再平衡。

 

配货系统需要哪些数据基础？

有效的智能配货需要四类数据：门店历史销售数据（至少2-3个货期，用于建立需求预测模型和Size Curve）、实时库存数据（总仓+各门店，账实准确率≥95%）、商品属性数据（品类/颜色/尺码/波段/上市日期）以及门店属性数据（位置/面积/商圈类型/客群画像）。其中实时库存数据是最容易忽视但最关键的基础——数据不准确会导致配货模型的所有输出都偏离实际。

 

配货准确率低，应该先从哪里入手改善？

按优先级排序：首先检查库存数据准确率（账实相符率低于95%是配货准确率低的最常见原因之一）；其次建立门店维度的需求预测（而非只看总量）；再次引入门店分群和品类级Size Curve；最后逐步过渡到AI预测驱动的自动化配货建议流程。不建议跳过前两步直接上AI系统——数据基础不牢，AI模型的输出也无法准确。

 

第七在线观点

 

在鞋服零售中，配货是商品计划落地执行的第一道关口。计划再好，配货失误，一切都要从折扣和调拨中弥补。

 

中国市场的配货复杂度在持续提升：渠道越来越多，SKU越来越丰富，消费者对尺码和款式的个性化需求越来越强。在这个背景下，人工配货的精力边界越来越快地成为经营效率的瓶颈。

 

配货能力的竞争，本质上是数据质量和算法能力的竞争。最先完成从”经验配货”到”数据驱动配货”转型的品牌，将在售罄率、折扣率和毛利率三个维度同时建立领先优势。

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。