30 万件羽绒服在一个晚上卖完，川渝两地的烘干机购买量排到全国第一和第二。这轮降温把大促的品类结构改了一遍：需求由天气触发，不由日历触发，备货的时间坐标因此从活动周期换成了天气预报。淘宝闪购的数据显示，立冬周末鲜食熟食销售额同比增长 73%，母婴用品增长 72%，家用电器与居家日用均增长 71%。以下判断以 11 月 11 日的公开信息为界。
一场降温把品类结构改了
降温带来的需求有两个特征：突发和集中。突发意味着预测窗口很短，通常只有三到五天；集中意味着同一城市的同几款商品会在同一时间段被同时抢购。这两个特征叠加，刚好落在即时零售最不擅长的区间：门店后仓容量有限，补货周期以天计，一旦错过前两天，后面补上来的货只能等下一轮降温。
平台的品类数据印证了这一点。鲜食熟食、母婴、家用电器、居家日用四个品类的增速同时超过七成，说明需求不是单点爆发，而是围绕家庭近场生活成组出现。从品类趋势看，成组出现的需求比单品类爆发更难预测，因为每个品类的触发条件并不相同。品类成组出现，对备货的含义是组合式的：只补主品类不补关联品类，客单价会被拉低。
烘干机与羽绒服，库存位置完全不同
羽绒服是尺码生意。同一款要备齐颜色与尺码，深度不够就会出现断码，断码之后剩下的库存折价空间很大。这类商品适合把库存放在门店，让消费者试穿与即时取货，前置仓只保留最热的两三个尺码。
烘干机是安装与配送生意。单台体积大、客单价高，门店通常只放样机，实际库存放在城市仓，由配送与安装队伍完成履约。这类商品的瓶颈不在货架，而在安装排期，订单一多，等待时间会从三天拉到一周，退货率随之上升。
| 品类 | 需求触发 | 库存位置 | 最易失分的环节 |
|---|---|---|---|
| 羽绒服 | 降温当周 | 门店为主，前置仓补热销尺码 | 断码后剩余库存折价 |
| 烘干机 | 连续阴雨 | 城市仓，门店放样机 | 安装排期拉长导致退货 |
| 鲜食熟食 | 即时需求 | 门店冷柜 | 当日损耗与温区不足 |
| 母婴用品 | 刚需复购 | 门店与前置仓双点位 | 规格错配，替代品少 |
天气作为一个备货变量
把天气写进备货模型，难点不在数据获取，而在动作映射。降温三度对应多少件羽绒服、连续几天阴雨对应多少台烘干机，需要品牌用自己的历史动销回归出系数，而不是套用行业均值。系数一旦确定，就可以按城市设定触发线，气温跌破阈值自动加单。
天气驱动的备货怎么排
第一步是把品类按触发条件分层：天气触发型、日历触发型、刚需复购型。天气触发型需要短周期、小批量、多次补；日历触发型可以按活动节点一次铺足；刚需复购型看的是复购间隔而不是大促。
第二步是给每个城市设一条触发线。同一次冷空气对哈尔滨和广州的含义完全不同，用全国统一的备货系数，南方城市会缺货，北方城市会积压。第三步是把补货决策权下放到城市，总部只管总量与预算，具体到哪家门店补多少，由城市督导按当天的可售率决定。
即时零售把天气变量放大了
在货架电商时代，天气影响的是下单时点；在即时零售时代，天气影响的是门店有没有货。消费者在降温当天打开 App，看到的商品来自三公里内的门店实时库存，门店没货，需求就直接流向隔壁品牌。这意味着天气带来的窗口只有几个小时，而不是几天。
大促的日历正在被天气改写
平台侧的变化也在配合这件事。跨店满减与凑单机制在主要平台退场，规则简化为单品直降与官方立减，消费者的决策成本下降，冲动囤货在退潮，订单向整个促销周期分散。分散之后，单日的流量脉冲减弱，天气这类外部变量对单日销量的解释力反而上升。
对品牌的启示是备货表要多一列。过去按活动节点排一张表，现在要按城市、按品类触发条件、按后仓容量排三张表，再用可售率把它们串起来。表格变复杂了，但决策变简单了：哪家门店缺货，当天就能看见。
常见问题
天气驱动的品类为什么容易在大促期间缺货？
因为需求窗口只有三到五天，而门店补货周期以天计。预测晚一天，补货就晚两天，等到货到店，降温已经过去。
烘干机和羽绒服的备货逻辑有什么不同？
羽绒服是尺码生意，库存要贴近门店以支持试穿；烘干机是安装生意，库存放在城市仓，瓶颈在安装排期而不是货架。
全国统一的备货系数能用吗？
不建议。同一次冷空气对不同城市的影响差异很大，统一系数会让南方缺货、北方积压。系数应按城市回归。
可售率在这套方法里起什么作用？
它是把天气、备货与门店执行串起来的中间指标。按小时回传的可售率能当天暴露断点，按月结算的铺货率做不到这一点。
