但它也有缺点，由于固定了最大和最小库存，如果需求波动比较大，按照当初设定好的最大、最小库存水平进行补货，很容易出现断货的情况。读者可以拿上述表格做一下模拟，调整日均销售，让它出现一定幅度的波动，观察库存的变化情况。为了应对这种问题，出现了这种方法的一个进化版本。如图5-38所示，根据近期的销售趋势重新计算最大、最小库存量。比如对于有季节性趋势的商品，观测历史同期数据，即将进入相应季节时，修正最大和最小库存量即可，等到预判销售起伏即将结束时，再更正最大最小库存量，这样的方式甚至也能应对营销活动导致的需求波动。

图5-38　动态计算最大最小库存的方法

第二种方法，只有最大库存，没有最小库存。有部分零售商定期往门店发货，比如每两天发一次货，或者每周二、每周四进行发货。但它也有缺点，由于固定了最大和最小库存，如果需求波动比较大，按照当初设定好的最大、最小库存水平进行补货，很容易出现断货的情况。读者可以拿上述表格做一下模拟，调整日均销售，让它出现一定幅度的波动，观察库存的变化情况。为了应对这种问题，出现了这种方法的一个进化版本。如图5-38所示，根据近期的销售趋势重新计算最大、最小库存量。比如对于有季节性趋势的商品，观测历史同期数据，即将进入相应季节时，修正最大和最小库存量即可，等到预判销售起伏即将结束时，再更正最大最小库存量，这样的方式甚至也能应对营销活动导致的需求波动。

图5-38　动态计算最大最小库存的方法

第二种方法，只有最大库存，没有最小库存。有部分零售商定期往门店发货，比如每两天发一次货，或者每周二、每周四进行发货。这种情况下，只要商品库存低于最大库存就进行补货，补到最大库存，而不再将现有库存和最小库存进行比较，这种方法也称为库存上限法。如果拿给汽车加油做比喻，这种方法就是有事没事，只要经过加油站，就把油箱加满，不管油箱里剩多少油。这种方法下，最大库存等于两次补货间隔之间的总需求加上安全库存或陈列库存。

用表5-13举例示意，假设仓库每周二、每周五早上送货到门店，门店需要在前一天晚上下班前提交补货计划给仓库。周一早上的库存假设有140个，销售预测（日均需求）为70个，期末库存就有70个，考虑到周二早上到货，下次到货要到周五早上，这段时间的需求有（周二、周三、周四，总共3天）70×3=210（个），再加上安全库存70个，需求总共为280个。周一期末库存有70个，那么总共还需要280-70=210（个），因此补货计划量为210个。仓库连夜拣货，第二天一早送到，周二早上的库存就有280个。到了周四下午又要订货了，这时候库存有70个，下次到货是周二早上，因此需要覆盖4天（周五、周六、周日、下周一）的需求，再加上安全库存，总共350个，减去现有库存70，补货计划量等于280个，周五一早就到货了。

表5-13　库存上限补货法示意这种情况下，只要商品库存低于最大库存就进行补货，补到最大库存，而不再将现有库存和最小库存进行比较，这种方法也称为库存上限法。如果拿给汽车加油做比喻，这种方法就是有事没事，只要经过加油站，就把油箱加满，不管油箱里剩多少油。这种方法下，最大库存等于两次补货间隔之间的总需求加上安全库存或陈列库存。

用表5-13举例示意，假设仓库每周二、每周五早上送货到门店，门店需要在前一天晚上下班前提交补货计划给仓库。周一早上的库存假设有140个，销售预测（日均需求）为70个，期末库存就有70个，考虑到周二早上到货，下次到货要到周五早上，这段时间的需求有（周二、周三、周四，总共3天）70×3=210（个），再加上安全库存70个，需求总共为280个。周一期末库存有70个，那么总共还需要280-70=210（个），因此补货计划量为210个。仓库连夜拣货，第二天一早送到，周二早上的库存就有280个。到了周四下午又要订货了，这时候库存有70个，下次到货是周二早上，因此需要覆盖4天（周五、周六、周日、下周一）的需求，再加上安全库存，总共350个，减去现有库存70，补货计划量等于280个，周五一早就到货了。

表5-13　库存上限补货法示意第三种方法，用预测计算最大、最小库存。对于需求有波动或者有季节性、周期性的商品，可以采用预测驱动补货的方式。它与上述静态最大最小库存方法最大的区别在于，需求不是采用历史需求的平均值，而是采用往前看的“预测值”。这种方法下，最大库存会随着预测的变化而变化，并不是一成不变的。

如图5-39举例示意，该商品每三天送货一次，提前三天下达补货计划。假设明天是6月29日，期初库存有80个，销售预测为45个，期末库存是35个。到了第二天，销售预测为26个，期末库存到9个，需要制订补货计划了。这次补货计划需要覆盖7月1日、7月2日、7月3日3天的需求即111（=34+38+39）个，同时安全库存和最小陈列两者的最大值是30，再加上这30个，总需求是141个。现有库存9个，因此需要补货132个，如果有最小包装规格，则需要进位到最小包装规格，其余各天的计算逻辑可以依次类推。第三种方法，用预测计算最大、最小库存。对于需求有波动或者有季节性、周期性的商品，可以采用预测驱动补货的方式。它与上述静态最大最小库存方法最大的区别在于，需求不是采用历史需求的平均值，而是采用往前看的“预测值”。这种方法下，最大库存会随着预测的变化而变化，并不是一成不变的。

如图5-39举例示意，该商品每三天送货一次，提前三天下达补货计划。假设明天是6月29日，期初库存有80个，销售预测为45个，期末库存是35个。到了第二天，销售预测为26个，期末库存到9个，需要制订补货计划了。这次补货计划需要覆盖7月1日、7月2日、7月3日3天的需求即111（=34+38+39）个，同时安全库存和最小陈列两者的最大值是30，再加上这30个，总需求是141个。现有库存9个，因此需要补货132个，如果有最小包装规格，则需要进位到最小包装规格，其余各天的计算逻辑可以依次类推。图5-39　基于预测的最大最小库存法示意图

补货说难也不难，说不难也难。说它不难是因为，通过简单的补货方法，可以用直觉来做判断；说它难是因为，假如你非要追求99%的准确率，用了很多高深的技术，费了很大的劲儿，结果可能也没有达到你想要的效果。

☞流行服饰、新潮电子产品零售流行服饰、新潮电子产品的销售速度比较慢，一天卖1～5件就已经算很不错了。同时，它们往往有不同的细分规格，比如服装，同种风格、同一系列有不同的颜色和尺码，导致SKU数量很多，再如同样型号的手机，有不同的内存、CPU组合。上述两种原因导致SKU级别的销售数据更为稀疏，单店SKU级别的预测很难做准确。

这种情况下一般会用“目标库存”（target lvetory level）的方式来驱动补货，目标库存是指每次补货后的库存到达的水位（order up to level），它应该能覆盖下个周期内的需求。周期性补货时，目标库存其实就是补货下单时的库存量再加上要补货的量，换言之，也就图5-39　基于预测的最大最小库存法示意图

补货说难也不难，说不难也难。说它不难是因为，通过简单的补货方法，可以用直觉来做判断；说它难是因为，假如你非要追求99%的准确率，用了很多高深的技术，费了很大的劲儿，结果可能也没有达到你想要的效果。

☞流行服饰、新潮电子产品零售流行服饰、新潮电子产品的销售速度比较慢，一天卖1～5件就已经算很不错了。同时，它们往往有不同的细分规格，比如服装，同种风格、同一系列有不同的颜色和尺码，导致SKU数量很多，再如同样型号的手机，有不同的内存、CPU组合。上述两种原因导致SKU级别的销售数据更为稀疏，单店SKU级别的预测很难做准确。

这种情况下一般会用“目标库存”（target lvetory level）的方式来驱动补货，目标库存是指每次补货后的库存到达的水位（order up to level），它应该能覆盖下个周期内的需求。周期性补货时，目标库存其实就是补货下单时的库存量再加上要补货的量，换言之，也就是每个SKU在补货周期内的总需求加上安全库存量。这种方式讲究的不完全是精准性，而是根据市场销售趋势动态调整库存水位。当销售得好的时候，目标库存定高一点，以应对未来的需求；当销售得不好的时候，目标库存定低一点，避免库存积压。

以手机为例，它是分系列的，每个系列下面有多种型号，每种型号的手机由多种配置（内存+颜色）构成，一种配置唯一地决定了一个SKU。如图5-40所示，2020年华为推出的P40系列手机分为三种型号，每种型号下面细分为多种配置。

图5-40　华为手机系列、型号、配置示意图

补货的颗粒度必须到SKU和门店，我们没有办法根据型号进行补货，目标库存的测算也必须在SKU级别。目标库存的计算方法分为两步。第一步，计算到货周期内的需求量，比如2天到一次货，那么就计算2天的需求量再加上安全库存。

需求量=送货周期内的需求+安全库存是每个SKU在补货周期内的总需求加上安全库存量。这种方式讲究的不完全是精准性，而是根据市场销售趋势动态调整库存水位。当销售得好的时候，目标库存定高一点，以应对未来的需求；当销售得不好的时候，目标库存定低一点，避免库存积压。

以手机为例，它是分系列的，每个系列下面有多种型号，每种型号的手机由多种配置（内存+颜色）构成，一种配置唯一地决定了一个SKU。如图5-40所示，2020年华为推出的P40系列手机分为三种型号，每种型号下面细分为多种配置。

图5-40　华为手机系列、型号、配置示意图

补货的颗粒度必须到SKU和门店，我们没有办法根据型号进行补货，目标库存的测算也必须在SKU级别。目标库存的计算方法分为两步。第一步，计算到货周期内的需求量，比如2天到一次货，那么就计算2天的需求量再加上安全库存。

需求量=送货周期内的需求+安全库存