断货的代价远比想象的严重。根据WAIR.ai的消费者行为研究，60%的购物者在遇到断货时会直接转向竞品购买，且一次断货体验即可将该顾客的生命周期价值降低15-20%。而在全球层面，2024年零售商因缺货和积压并存造成的损失高达1.7万亿美元（IHL Group 2024）——这个数字的根源，很大程度上正是补货决策的失效。
智能补货（Intelligent Replenishment）的核心价值，不只是”更快补货”，而是将补货模式从事后响应（有人发现断货才补）升级为事前预测（系统预判将要断货就触发补货），从根本上消除缺货窗口。本文将完整覆盖：补货的核心定义与公式体系、被动补货与主动补货的本质差距、安全库存和再订货点的设置方法、中国鞋服四大特殊补货场景，以及AI补货的落地路径。
补货（Replenishment）是指当门店或仓库的商品库存降至预设的触发水位时，从上游总仓、供应商或其他库存节点处补充库存的商品运营决策。
补货与配货的区别：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；补货是门店在售期间库存不足时的再补充，发生在销售过程中。配货决定了起点，补货决定了能否抓住销售高峰。与调拨的区别：调拨是在现有门店之间重新分配库存，不引入新货；补货是从上游引入新库存。两者解决问题的方向不同，不可相互替代。
补货管理的核心矛盾始终是：补少了，爆款断货，损失机会；补多了，滞销款积压，损失毛利。这个矛盾在鞋服行业尤为突出，因为商品有货期（鞋服不像快消品可以无限期销售），补货量还需要考虑剩余货期能否消化。
大多数鞋服品牌今天仍在做被动补货——等人发现断货、等门店上报、等审批流程走完，再出货到门店。这个模式在渠道单一、SKU有限的年代尚可接受，在今天的多渠道、数千SKU场景下，系统性失效已是必然。
五个维度的差距中，最容易被低估的是”渠道覆盖范围”。人工补货的精力集中在高销门店和头部SKU，中小门店和长尾SKU的隐性缺货往往长期不被发现——账面上没有断货报告，实际上消费者已经买不到。AI分析可将零售商的缺货率降低25%，很大程度上来自于这些此前不可见的隐性缺货的消除。
智能补货的数学基础由三个公式构成，三者层层递进：安全库存决定缓冲量，再订货点决定触发时机，补货量决定每次补多少。
安全库存 = Z × σ × √LT
安全库存是防止需求波动和供应延迟导致断货的缓冲库存。三个参数的含义：
| 参数 | 含义 | 鞋服行业典型值 | 管理要点 |
| Z | 服务水平系数，反映对断货容忍度 | 90%服务水平 → Z=1.28 95%服务水平 → Z=1.65 99%服务水平 → Z=2.33 |
爆款核心SKU建议95%，普通SKU可用90% |
| σ | 日销量标准差，反映需求波动程度 | 波动大（促销/季节品）σ高 波动小（基础款/经典款）σ低 |
需至少30天历史数据才能准确计算 |
| LT | 补货周期（Lead Time），从下单到到货的天数 | 总仓到门店：1-3天 供应商快反：7-21天 期货订单：30-90天 |
LT越长，安全库存越高，需精确追踪实际LT |
一个实际计算示例：某鞋品爆款，日均销量5件，日销量标准差2件，总仓到门店补货周期3天，要求95%服务水平。安全库存 = 1.65 × 2 × √3 ≈ 5.7件，取整为6件。
ROP = 日均销量 × 补货周期 + 安全库存
再订货点是触发补货的库存临界水位。当某SKU在某门店的库存降至ROP时，系统自动发出补货指令，确保在货物到达前库存不会耗尽。ROP的核心逻辑是：库存降至这个水位时触发补货，货物在到货前库存正好降至安全库存线，不会断货。
沿用上例：日均销量5件，补货周期3天，安全库存6件。ROP = 5 × 3 + 6 = 21件。当门店该款库存降至21件时，系统自动触发补货建议。
ROP不是固定参数，需要随以下变化动态更新：销售速率变化（旺季日均销量提升，ROP应上调）、补货周期变化（供应商延迟，LT增加，ROP应上调）、服务水平目标调整（爆款期提高服务水平，Z增大，安全库存增加，ROP上调）。静态安全库存水平已经过时，自动化系统应根据销售趋势动态重新计算再订货点。
补货量 = 目标库存 − 当前库存 − 在途库存
目标库存的计算：目标库存 = 日均销量 × （补货周期 + 目标覆盖天数）+ 安全库存。目标覆盖天数是品牌设定的库存覆盖目标，通常为下一个补货周期的1.5-2倍，避免频繁补货。
在途库存的重要性经常被低估。如果已有30件在途但还未到货，却忽略这个数字，就会触发重复补货，到货后出现短期积压。鞋服品牌补货系统必须实时追踪在途订单，再订货点触发时，补货量的计算必须扣除已下单未到货的库存量。
标准的补货方法论假设补货周期稳定、渠道单一、需求相对平稳。中国鞋服市场有四个典型场景，会让标准补货逻辑失效，需要专门的应对策略。
直播是中国鞋服品牌的重要销售渠道，但直播的销售节奏与传统零售完全不同：一场头部达人直播可能在2小时内消化平时2-3周的库存。这对补货提出了特殊要求：
大促前：需要在标准ROP之上叠加”大促备货量”——根据历史大促提升系数（该品类在直播期间的销售倍数）和直播预计时长，计算额外备货需求，提前将直播仓库存补至安全水位。
大促中：实时监控直播仓库存消耗速率，若消耗速度显著高于预测（意味着直播效果超预期），及时触发总仓补货指令，为可能的延续场次备货。
大促后：若库存有余量，立即评估是否可转入日常销售渠道，避免专属直播库存长期占压仓储资源。
中国鞋服品牌普遍运行期货+快反双轨采购模式。当季识别到爆款后，品牌向快反工厂追加订单（7-21天交货），这批货到仓后的分配和补货，是标准补货流程中最容易遗漏的环节。
快反货到仓时，门店销售已进行了数周，各门店的库存水位和销售速率已与货期初始时截然不同。快反货的分配不能按照初始配货逻辑，而应以当前各门店的库存水位和实时销售速率为基础，优先补充库存最低、销售速率最快的门店。这要求补货系统与实时销售数据深度联动。
同一款商品，线下门店积压，天猫旗舰店断货——这个场景在中国鞋服品牌中极为常见，也极难用传统补货流程解决，因为线下补货和线上备货通常由不同团队负责，数据相互隔离。
跨渠道补货协同的核心是：建立全渠道统一的库存可视化视图，使补货决策能够以”全渠道整体售罄率最大化”为目标，而非只关注单一渠道的库存状态。当天猫旗舰店断货时，系统应能自动判断：是从总仓补货到电商仓，还是从积压的线下门店调拨更经济。
对于有大量经销商（加盟商）的品牌，经销商自主管理库存意味着品牌总部对经销商门店的实时库存数据往往不可见。品牌总部无法判断哪些经销商门店严重缺货、需要补货建议，也无法统筹管理渠道整体库存结构。
解决路径不是强制管控，而是通过数据能力建设，让经销商自愿接入品牌的库存数据平台，实现总部对经销商库存的可视化，再基于数据为经销商提供补货建议，帮助经销商降低自身的库存风险，从而建立数据共享的正向激励。
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，第七在线支持以下核心补货能力：
系统基于各门店各SKU的实时销售数据，自动计算和更新安全库存、再订货点和最优补货量三个核心参数，每日自动刷新，无需人工维护。当任一门店任一SKU的库存降至ROP时，系统实时生成补货建议，包含补货量、建议来源仓库和优先级，买手只需审核异常情况和策略性调整。
对于全渠道补货场景，第七在线整合线下门店、天猫、京东等电商平台的库存和销售数据，支持跨渠道的库存补货协同决策，避免渠道间库存冷热不均。通过与在季OTB管理的联动，系统在生成补货建议时自动校验OTB余额，避免补货预算超支。商品财务计划（MFP）层面的年度和季度补货预算，也与日常补货决策形成完整的上下游数据闭环。
对于直播大促场景，第七在线支持在标准ROP之上叠加大促系数，生成大促专属备货建议，并在直播期间实时监控消耗速率和触发实时预警。
智能补货（Intelligent Replenishment）是指系统根据门店实时库存数据、历史销售速率、季节性因素、促销计划和安全库存模型，自动计算补货时机和补货数量，并生成（或直接执行）补货建议的智能决策机制。相较于人工补货，智能补货将触发延迟从48小时以上压缩至分钟级，并实现对全部门店全部SKU的100%覆盖。
安全库存 = Z × σ × √LT。Z是服务水平系数（95%服务水平对应Z=1.65），σ是日销量标准差（需求波动程度），LT是补货周期天数。鞋服行业建议爆款核心SKU使用95%服务水平，安全库存通常覆盖7-14天的销售量。
ROP = 日均销量 × 补货周期 + 安全库存。举例：某爆款日均销5件，补货周期14天，安全库存20件，则ROP = 5×14+20 = 90件。当门店该款库存降至90件时，系统自动触发补货建议。ROP不是固定参数，应每周根据最新销售数据自动更新。
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，决定每家门店的初始库存量；补货是门店在售期间库存不足时的再补充，发生在销售过程中，用于维持门店的持续供货能力。配货决定起点，补货决定能否抓住销售高峰。
补货从上游仓库或供应商引入新库存，会增加整体库存总量；调拨是在现有门店之间重新分配库存，总库存量不变。补货适用于总仓有货或可快速采购的场景；调拨适用于总仓已耗尽、但某些门店有积压库存的场景，是不引入新货前提下的库存再平衡手段。
鞋服行业的缺货率（Out-of-Stock Rate）健康目标为核心SKU低于2%、整体SKU低于5%。AI驱动的库存管理系统普遍可将缺货率控制在5%以下，而行业中位数水平仍在9.5%左右，优化空间显著。
补货频率取决于商品的销售速率和补货周期：高销速爆款（日均销量高）应尽可能高频补货（每日或每2日触发检查）；普通款可按周补货；慢速款按双周或月度补货即可。补货频率过高增加物流成本，过低增加断货风险，应根据各SKU的销售特征差异化设置。
常见原因有三：一是目标库存设置过高，没有将剩余货期纳入计算，导致货期末补货量超过实际销售能力；二是在途库存数据不准确或未纳入补货量计算，导致补货量虚高；三是大促前备货系数估算偏高，大促效果不及预期时造成过量积压。解决方案是建立数据自动联动的补货系统，同时按SKU生命周期阶段差异化设置补货上限。
快反货到仓时，应以当时各门店的实时库存水位和销售速率为基础重新计算分配，而非沿用货期初的配货比例。优先补充库存最低、销售速率最快的门店，同时核查各门店剩余货期是否足够消化快反补货量。快反到货后的分配实质上是一次”微型配货”，应独立决策而非纳入常规补货流程。
经销商渠道的智能补货分两步：首先是数据接入，通过API或数据导入方式获取经销商门店的实时库存和销售数据，建立数据可视化基础；其次是建议推送，基于接入的数据为经销商生成补货建议，帮助经销商减少断货和积压。关键是将补货建议定位为帮助经销商赚钱的工具，而非品牌对经销商的管控手段，从而提高经销商主动参与数据共享的意愿。
三个核心指标可以快速评估：缺货率（核心SKU是否超过2%）、补货响应时间（从库存触发到货物到店平均需要几天）、补货准确率（实际补货量与最优补货量的吻合程度）。如果缺货率超过5%、补货响应时间超过3天、且无法量化补货准确率，说明补货管理体系需要系统性升级，而不只是调整某个参数。
补货是商品经营中时间窗口最短、损失最不可逆的决策环节。配货失误可以用调拨修正，选款失误可以通过折扣消化，但断货损失的销售机会，没有任何手段可以追回。
在中国鞋服市场，补货管理的复杂度还在持续上升：渠道越来越多，SKU越来越丰富，直播大促的节奏越来越快。人工补货的精力边界，正在成为品牌销售效率的硬约束。
从被动响应到主动预测，是补货管理从”救火”升级为”防火”的根本转变。最先完成这个转变的品牌，将在断货率、售罄率和库存周转三个维度同时建立可持续的经营优势。
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。
在线咨询
电话沟通
微信咨询
400-774-7617
