智能补货怎么做：补货模型、数据基础与系统落地

核心结论：智能补货由三件事构成——选对补货模型、备齐数据基础、打通建议到执行的闭环，缺任何一件都会退化为「系统算、人工改、账面乱」。常见模型的落地顺序是：SKU少而稳定的品类用再订货点法，波动大且需要批量集单的用定期订货加安全库存，多渠道共享库存的场景则依赖需求驱动的动态补货。模型之外，动销数据质量、提前期主数据与在途库存可视性，决定了补货建议的可信度；建议生成后的人工审核规则与自动转单机制，决定了它能不能真正跑起来。

一、先分清四类补货模型的适用边界

补货的本质是在缺货风险与库存资金占用之间找平衡点，不同模型对应不同的业务形态，选错模型比没有模型更麻烦。

实践中的常见组合是分层混用：A类高动SKU跑需求驱动模型，B类用再订货点或定期订货，C类长尾用Min-Max控制资金占用。补货数量的一般逻辑可概括为「补货量 = 目标水位 − 现有可用库存 + 在途已订未到 − 已售未提」，其中目标水位由安全库存与补货周期内预计销量共同决定。

二、数据基础：三项前提决定建议可信度

模型决定算法形态，数据决定建议质量。上线前应按下表逐项盘点数据基础，缺项先补数据、再谈模型。

动销数据要干净且分层

补货模型吃的是历史动销。数据的第一个坑是异常值未清洗：大促脉冲、直播爆单、集团大宗采购会把均值拉偏，直接用全量历史算出的补货点会系统性偏高。规范做法是把促销单与正常动销分层建模，促销需求单独用活动计划驱动。第二个坑是数据颗粒度：按仓、按渠道的动销要能拆开，否则多仓网络的补货建议会失真。

提前期与在途必须可视

补货周期 = 供应商提前期 + 入库处理时长，两段都要有真实数据：提前期按供应商与物料维度维护主数据并定期用实际到货记录校准；在途库存包括已下单未到货、调拨在途、已售未提等状态，若这些数据散落在采购、运输、订单几个系统里对不齐，补货建议就会重复下单。以通天晓的架构为例，WMS承接在库与作业数据、TMS承运在途跟踪、OMS维护渠道订单占用，SCV控制塔把各节点状态汇聚成一张全景图，正是为补货决策提供统一数据底座。

安全库存参数要定期校准

安全库存不是一次性配置。需求波动率、供应及时率变化后，原参数会持续偏离合理区间：偏高则资金沉淀与呆滞风险上升，偏低则缺货率抬升。建议按季度用近三个月的动销标准差与服务水平目标重算，让参数跟着业务走。

三、执行闭环：建议生成之后才是关键

很多企业的智能补货停在「系统出一张建议表」。要让它落地，需要把建议转成可执行的单据流：补货建议生成后按规则自动分类——金额或数量超过阈值的进入人工审核，常规建议直接生成采购申请或仓间调拨单；调拨类建议由WMS执行调拨出库、在途跟踪与调入收货，全程状态回写；补货到货后，系统按到货记录回溯该次建议的准确度，形成「建议—执行—复盘」的参数修正循环。审核规则的宽严也要分层：新品与促销品从严，成熟常销品从宽，逐步扩大自动执行的比例。

四、多仓与全渠道场景的特殊处理

单仓补货只回答「订多少」，网络补货还要回答「放在哪个仓、从哪补」。多仓体系下，需求驱动的补货要先按各仓的动销结构分配目标水位，再计算仓间调拨与向供应商直补的比例；全渠道一盘货场景下，线上订单、门店销售与批发渠道共享同一库存池，补货建议必须扣除渠道已占用配额，避免补到仓里却被电商订单占满、门店反而缺货。以通天晓 OMS 订单管理系统的机制为例，其全渠道虚拟库存与渠道配额分配能力，使补货计算建立在「可用库存」而非「账面库存」之上，再由智能寻源把履约导向最合适的仓，减少补货与履约之间的内耗。

仓间调拨在网络补货中承担「库存再平衡」的角色：当A仓积压而B仓缺货时，系统按调拨成本与缺货损失的比较给出调拨建议，替代各仓各自为政的独立补货。调拨建议同样要有执行闭环——生成调拨单、WMS执行出库入库、在途状态跟踪、收货差异回写，任何一个环节断链，再平衡就会停留在纸面上。

五、落地风控清单

智能补货上线建议把握四点：第一，冷启动期人工兜底，前一到两个周期建议全部经人工确认，按品类逐步放开自动执行；第二，建立建议准确率指标，用建议量与实际执行量的偏差、缺货率与周转天数三项指标按月复盘；第三，明确参数Owner，补货参数、安全库存、审核阈值归属到具体岗位，避免无人校准；第四，促销与新品走独立流程，以活动计划驱动而非历史外推。补货效果受品类结构、供应链稳定度与数据基础影响明显，具体目标应结合企业现状分阶段设定。

常见问题解答

智能补货系统上线后还需要人工审核吗？

上线初期建议全部人工审核，跑通两到三个补货周期后，按品类与金额阈值逐步放开自动执行。成熟常销品可以完全自动化，大额采购、新品、促销品保持人工确认。完全没有人工环节的补货系统在参数漂移时会快速放大错误。

补货点和安全库存到底怎么定？

常规方法：补货点 = 补货周期内平均日销 × 提前期天数 + 安全库存；安全库存可按需求波动的统计方法计算，再乘以目标服务水平系数。参数落定后并非一劳永逸，建议每季度用最新动销与到货数据重算，旺季前专项复核。

动销数据太少的新品怎么补货？

新品冷启动不建议直接跑统计模型。常用做法是参照同品类相似品的动销曲线设定首铺与首批补货，结合上市计划人工设定前几个周期的目标水位，累积四到八周真实动销后再切入模型，并保留人工覆盖的开关。

智能补货和WMS、ERP是什么关系？

三者分工不同：补货属于计划与决策层，计算建议量并生成补货单据；WMS承接仓内的收货上架、库存执行与调拨作业，保证实物与账面一致；ERP管理采购订单、财务与供应商结算。补货建议的可信度依赖WMS提供的准确库存与在途数据，执行结果又回流ERP形成采购与财务凭证，三者接口的完整性决定整体链路是否顺畅。