Menü
库存优化器 - 安全库存计算、补货点设置、周转率分析、库存预测
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Basierend auf der SOC-Berufsklassifikation
A/B 测试设计器 - 设计产品页面 A/B 测试，包括样本量计算、统计显著性分析和结果解读
高级客户细分 - RFM 分析、客户生命周期价值(CLV)计算、行为细分和个性化营销建议
高级财务分析器 - P&L报表、现金流预测、部门/产品线盈利分析、财务比率分析、预算vs实际对比、财务仪表板、合规报告
异常检测器 - 销售异常检测、流量异常、转化率异常、库存异常、原因分析、告警设置、自动通知
API 集成连接器 - 指导电商 API 集成，包括 Shopify API、ERP/CRM 集成和 Webhook 配置
归因分析器 - 多触点归因模型分析，归因价值分配，渠道贡献度分析，转化路径分析
| name | inventory-optimizer |
| description | 库存优化器 - 安全库存计算、补货点设置、周转率分析、库存预测 |
| version | 1.0.0 |
| author | Shopilot |
| argument-hint | <product> <analysis-type> |
| disable-model-invocation | false |
| user-invocable | true |
智能库存管理系统，科学计算安全库存、智能补货提醒、优化库存周转、预测需求波动
通过数据驱动的库存管理，平衡库存成本和缺货风险，提升资金效率，确保订单履约率，最大化库存投资回报。
安全库存公式:
基础版:
公式: (最大日销量 - 平均日销量) × 供货周期
示例: (50 - 30) × 10天 = 200件
标准差法:
公式: Z × 日销量标准差 × √供货周期
Z值:
- 95%服务水平: 1.65
- 98%服务水平: 2.05
- 99%服务水平: 2.33
示例: 1.65 × 10 × √10 = 52件
考虑需求不确定性:
公式: Z × σd × √L
σd: 日销量标准差
L: 供货周期(天)
考虑供应不确定性:
公式: Z × d × σL
d: 平均日销量
σL: 供货周期标准差
综合公式:
公式: Z × √(σd² × L + d² × σL²)
## 安全库存计算示例
### SKU: ABC-123 运动鞋
**历史数据** (过去60天):
- 平均日销量: 30双
- 日销量标准差: 10双
- 最大日销量: 50双
- 平均供货周期: 10天
- 供货周期波动: ±2天
**服务水平选择**:
- 目标服务水平: 98%
- Z值: 2.05
**安全库存计算**:
方法1: 简单法
安全库存 = (50 - 30) × 10 = 200双
方法2: 标准差法
安全库存 = 2.05 × 10 × √10 ≈ 65双
方法3: 综合法 (推荐)
考虑需求波动:
需求部分 = 2.05 × 10 × √10 ≈ 65双
考虑供应波动:
供应部分 = 2.05 × 30 × 2 ≈ 123双
综合安全库存 = √(65² + 123²) ≈ 139双
**推荐**: 139双 (服务水平98%)
### 不同服务水平对比
| 服务水平 | Z值 | 安全库存 | 库存成本 | 缺货风险 |
|---------|-----|---------|---------|---------|
| 95% | 1.65 | 112双 | ¥16,800 | 5% |
| 98% | 2.05 | 139双 | ¥20,850 | 2% |
| 99% | 2.33 | 158双 | ¥23,700 | 1% |
**分析**:
- 98%服务水平是最佳平衡点
- 库存成本增加合理
- 缺货风险显著降低
再订货点 (ROP):
公式: (日销量 × 供货周期) + 安全库存
或: 预期需求 + 安全库存
预期需求 = 日销量 × 供货周期
示例:
日销量: 30双
供货周期: 10天
安全库存: 140双
ROP = (30 × 10) + 140 = 440双
含义: 当库存降到440双时,立即补货
订货量 (EOQ):
公式: √(2 × 年需求量 × 订货成本 / 储存成本)
示例:
年需求量: 10,800双 (30×360)
订货成本: ¥500/次
储存成本: ¥15/双/年
EOQ = √(2 × 10,800 × 500 / 15)
= √720,000
≈ 849双
最大库存水平:
公式: 再订货点 + 订货量 - 最小库存
或: EOQ + 安全库存
示例:
最大库存 = 849 + 140 = 989双
## 补货策略设置
### SKU分级管理
#### A类产品 (高价值/高销量)
**策略**: 严格监控,高频补货
| 参数 | 设置 |
|------|------|
| 安全库存 | 7-10天 |
| 再订货点 | 15-20天库存 |
| 订货频率 | 每周/每两周 |
| 服务水平 | 99% |
**示例**:
- SKU: ABC-001 (爆款)
- 日销量: 50件
- 供货周期: 7天
- 安全库存: 350件 (7天)
- ROP: (50×7) + 350 = 700件
#### B类产品 (中价值/中销量)
**策略**: 常规监控,定期补货
| 参数 | 设置 |
|------|------|
| 安全库存 | 14-21天 |
| 再订货点 | 30-40天库存 |
| 订货频率 | 每月 |
| 服务水平 | 95-98% |
**示例**:
- SKU: ABC-002 (常规款)
- 日销量: 20件
- 供货周期: 14天
- 安全库存: 420件 (21天)
- ROP: (20×14) + 420 = 700件
#### C类产品 (低价值/低销量)
**策略**: 宽松监控,批量补货
| 参数 | 设置 |
|------|------|
| 安全库存 | 30-60天 |
| 再订货点 | 60-90天库存 |
| 订货频率 | 每季/每半年 |
| 服务水平 | 90-95% |
**示例**:
- SKU: ABC-003 (长尾款)
- 日销量: 5件
- 供货周期: 30天
- 安全库存: 300件 (60天)
- ROP: (5×30) + 300 = 450件
### 补货触发条件
**自动触发**:
- 当前库存 ≤ ROP
- 预售订单超预期
- 促销活动前
**人工触发**:
- 价格优惠/批量折扣
- 供应商停产通知
- 季节性备货
- 供应链风险预警
库存周转率:
年周转率 = 年销售成本 / 平均库存价值
或: 365 / 库存持有天数
库存持有天数:
DIO = (平均库存 / 销售成本) × 365
示例:
年销售成本: ¥2,400,000
平均库存: ¥600,000
周转率 = 2,400,000 / 600,000 = 4次/年
DIO = 600,000 / 2,400,000 × 365 = 91天
周转率基准:
电商行业: 4-8次/年
快消品: 8-12次/年
服装: 3-6次/年
电子产品: 6-10次/年
家居: 2-4次/年
## 库存周转率分析报告
### 整体表现
| 指标 | 当前 | 上期 | 变化 | 行业平均 | 评价 |
|------|------|------|------|---------|------|
| 年周转率 | 4.2次 | 3.8次 | ↑10.5% | 5.0次 | ⚠️ 偏低 |
| 库存天数 | 87天 | 96天 | ↓9天 | 73天 | ⚠️ 偏高 |
| 库存价值 | ¥680K | ¥720K | ↓5.6% | ¥580K | ⚠️ 偏高 |
**结论**: 库存周转改善,但仍低于行业平均
### 分类分析
#### 按产品类别
| 类别 | 周转率 | 库存天数 | 库存价值 | 评级 |
|------|--------|---------|---------|------|
| 服装 | 5.1次 | 72天 | ¥320K | ✅ 良好 |
| 鞋类 | 4.3次 | 85天 | ¥210K | ⚠️ 一般 |
| 配件 | 2.8次 | 130天 | ¥150K | ❌ 较差 |
**问题**: 配件周转过慢
**建议**: 清理滞销款,减少备货
#### 按SKU分级
**A类 (前20% SKU, 贡献80%销售)**:
- SKU数: 50个
- 周转率: 8.5次
- 库存天数: 43天
- 评级: ✅ 优秀
**B类 (中30% SKU, 贡献15%销售)**:
- SKU数: 75个
- 周转率: 4.2次
- 库存天数: 87天
- 评级: ⚠️ 一般
**C类 (后50% SKU, 贡献5%销售)**:
- SKU数: 125个
- 周转率: 1.2次
- 库存天数: 304天
- 评级: ❌ 极差
**优化机会**: C类SKU占用大量库存,销售贡献低
### 滞销识别
**滞销标准**:
- 90天无销售: 滞销预警
- 180天无销售: 严重滞销
- 365天无销售: 死库存
**滞销清单**:
| SKU | 产品名 | 最后销售 | 库存 | 库存价值 | 状态 |
|-----|--------|---------|------|---------|------|
| C-001 | 旧款背包 | 2023-06-15 | 50 | ¥15,000 | 死库存 |
| C-023 | 过季配饰 | 2023-09-20 | 80 | ¥12,000 | 严重滞销 |
| C-045 | 非主流颜色 | 2024-01-10 | 30 | ¥6,000 | 滞销预警 |
**处理建议**:
1. 清仓促销 (50-70% off)
2. 捆绑销售
3. 赠品/抽奖
4. 捐赠/报废
### 资金效率分析
**库存占用资金**:
- 平均库存: ¥680,000
- 资金成本 (8%): ¥54,400/年
- 仓储成本: ¥42,000/年
- 保险/损耗: ¥8,500/年
- **总持有成本**: ¥104,900/年
- **持有成本率**: 15.4%
**优化潜力**:
- 目标库存: ¥580,000 (行业平均)
- 可释放资金: ¥100,000
- 年节约成本: ¥15,400
滞销分类:
轻度滞销:
标准: 60-90天无销售
库存: 中少量
处理: 促销/降价
中度滞销:
标准: 90-180天无销售
库存: 中量
处理: 清仓/捆绑
重度滞销:
标准: 180-365天无销售
库存: 大量
处理: 批量清仓
死库存:
标准: 365天+无销售
库存: 任意量
处理: 报废/捐赠
滞销原因:
产品因素:
- 过季/过时
- 款式不受欢迎
- 质量问题
- 价格过高
运营因素:
- 定价错误
- 缺乏推广
- 页面优化差
- 竞品冲击
市场因素:
- 需求下降
- 趋势变化
- 竞争加剧
## 滞销库存处理方案
### 方案1: 促销清仓
**适用**: 轻度-中度滞销
**折扣力度**: 30-50%
**预期效果**: 清除50-70%库存
**实施步骤**:
1. 确定折扣力度
2. 创建清仓专区
3. EDM通知客户
4. 社交媒体推广
5. 限时限量创造紧迫感
### 方案2: 捆绑销售
**适用**: 与热销款搭配
**组合方式**: 热销+滞销
**折扣力度**: 20-30%
**预期效果**: 清除40-60%库存
**示例**:
- 畅销运动鞋 + 滞销运动袜
- 原价: ¥599 + ¥79 = ¥678
- 捆绑价: ¥599 (节省¥79)
- 客户感知: 获赠品
- 实际: 清理库存
### 方案3: 会员专享
**适用**: 保护品牌形象
**折扣力度**: 40-60%
**对象**: VIP客户/订阅用户
**预期效果**: 清除30-50%库存
**优势**:
- 不影响公价
- 维护品牌价值
- 提升客户忠诚
### 方案4: 渠道转移
**适用**: 特定渠道滞销
**转移方式**:
- 线下门店
- 闪购网站
- 批发渠道
- 海外市场
**注意**: 避免渠道冲突
### 方案5: 最后手段
**报废处理**:
- 捐赠慈善
- 回收利用
- 报废处理
**财务处理**:
- 资产减值
- 税务抵扣
- 现金流改善
时间序列法:
移动平均:
适用: 需求稳定
公式: 最近N期平均
加权移动平均:
适用: 有趋势
公式: 近期权重更高
指数平滑:
适用: 短期预测
公式: Ft = α×At-1 + (1-α)×Ft-1
季节性调整:
加法模型:
适用: 季节波动固定
乘法模型:
适用: 季节波动比例
X-11/X-12-ARIMA:
适用: 复杂季节性
因果关系法:
回归分析:
自变量: 价格、促销、季节
神经网络:
适用: 复杂非线性关系
机器学习:
随机森林
XGBoost
LSTM (深度学习)
## 库存需求预测
### SKU: ABC-123 夏季T恤
### 历史销售数据 (过去12个月)
| 月份 | 销量 | 趋势 | 季节指数 |
|------|------|------|---------|
| 4月 | 200 | 基准 | 1.0 |
| 5月 | 250 | ↗ | 1.25 |
| 6月 | 400 | ↗ | 2.0 |
| 7月 | 500 | ↗ | 2.5 |
| 8月 | 450 | ↗ | 2.25 |
| 9月 | 300 | ↘ | 1.5 |
| 10月 | 200 | ↘ | 1.0 |
### 季节性分析
**季节特征**:
- 淡季: 4月、10月 (指数1.0)
- 旺季: 6-8月 (指数2.0-2.5)
- 过渡: 5月、9月 (指数1.25-1.5)
### 未来3个月预测
**方法**: 季节性调整 + 趋势
**基准销量**: 250件/月 (移动平均)
**5月预测**:
- 季节指数: 1.25
- 趋势调整: +10%
- 预测销量: 250 × 1.25 × 1.1 = 344件
**6月预测**:
- 季节指数: 2.0
- 趋势调整: +15%
- 预测销量: 250 × 2.0 × 1.15 = 575件
**7月预测**:
- 季节指数: 2.5
- 趋势调整: +10%
- 预测销量: 250 × 2.5 × 1.1 = 688件
### 备货建议
**当前库存**: 300件 (4月30日)
**5月需求**: 344件
**安全库存**: 50件 (7天)
**最小库存**: 394件
**行动**: ✅ 需要补货
- 补货量: 500-600件
- 考虑6-7月连续旺季
- 避免频繁补货
### 风险评估
**不确定性**:
- 预测误差: ±20%
- 天气影响: 高温延长旺季
- 竞争: 新品上市冲击
- 供应链: 供货周期波动
**应对策略**:
- 保持较高安全库存
- 建立快速补货通道
- 准备促销Plan B
按地理位置:
原则: 就近发货
算法: 覆盖半径分析
华东仓:
覆盖: 上海、江苏、浙江
优势: 快速配送
库存: 高频SKU
华北仓:
覆盖: 北京、天津、河北
优势: 覆盖北方
库存: 区域热门
华南仓:
覆盖: 广东、福建、广西
优势: 覆盖南方
库存: 区域热门
按库存类型:
快件仓:
SKU: A类高频
补货: 频繁
服务水平: 99%
慢件仓:
SKU: B/C类
补货: 定期
服务水平: 95%
按渠道分配:
B2C仓:
特点: 订单小、频次高
配置: 拣货效率优先
B2B仓:
特点: 订单大、频次低
配置: 存储密度优先
## 多仓库库存优化
### 仓库平衡策略
**当前状态**:
| 仓库 | A类SKU | B类SKU | C类SKU | 总库存 |
|------|--------|--------|--------|--------|
| 华东 | 5,000 | 3,000 | 2,000 | 10,000 |
| 华北 | 2,000 | 2,500 | 1,500 | 6,000 |
| 华南 | 1,500 | 2,000 | 1,000 | 4,500 |
**销售分布**:
- 华东: 50%
- 华北: 30%
- 华南: 20%
**问题**: 华北/华南库存不足,可能缺货
### 调拨方案
**从华东调拨到华北**:
- SKU: A类高频
- 数量: 500-1000件
- 成本: ¥2/件
- 收益: 避免缺货损失
**调拨决策树**:
是否调拨? ├─ 缺货风险 > 20%? │ ├─ 是 → 调拨 │ └─ 否 → 不调拨 │ ├─ 调拨成本 < 缺货损失? │ ├─ 是 → 调拨 │ └─ 否 → 不调拨 │ └─ 预计销量 > 当前库存? ├─ 是 → 调拨 └─ 否 → 不调拨
### 虚拟库存
**原理**: 各地库存统一展示
**实现**:
总库存 = 各仓库存 + 在途库存 + 供应商库存
示例:
客户下单:
### 智能分配算法
**输入**:
- 客户地址
- 各仓库存
- 配送时效
- 配送成本
**输出**:
- 最优发货仓库
- 预计送达时间
- 配送成本
**目标**:
- 最快送达
- 最低成本
- 平衡库存
/inventory-optimizer --safety-stock --sku "ABC-123"
/inventory-optimizer --reorder-point --sku "ABC-123" --service-level 98
/inventory-optimizer --turnover --period "Q1 2024"
/inventory-optimizer --slow-moving --days 90
/inventory-optimizer --forecast --sku "ABC-123" --months 3
/inventory-optimizer --multi-warehouse --balance
/cost-optimizer - 成本优化/returns-analyzer - 退货分析/order-automation - 订单自动化版本: 1.0.0 更新: 2026-04-12 作者: Shopilot Team