补货这笔账里最贵的不是缺货，而是缺货和积压同时发生。11 月 11 日这个时点，唐久便利把旗下 2600 多家门店与 12 个配送中心的补货决策交给一套预测系统，此前这套动作主要靠门店人员经验加 ERP 里的历史销量。对管着几十家到上千家门店的人来说，变化的分量不在系统上线，而在考核口径——当补货从「谁更懂这家店」变成「谁的数据更细」，门店可售率和库存周转会第一次被摆到同一张表上。
一次补货决策里，藏着两个方向的成本
便利店的日配品类是压力最大的地方：鲜食、乳品、短保面包当天订、次日到，订多了直接报损，订少了下午就空架。公开信息显示，唐久目前运营 2600 多家门店、12 个配送中心，常态化管理约 2500 个 SKU，此前的日常补货与供应链管理主要依托 ERP 系统与内部自建工具（未来网报道）。
缺货和积压看起来是两个问题，落到一张补货单上其实是同一个决策的两面。门店鲜食订量偏高，报损吃掉毛利；订量偏低，下午三点后货架见底，客流被隔壁便利店接走。唐久把痛点写成「容易出现商品缺货或积压」，这句话值得留意的地方在于，它把两个互斥的成本放进了同一句描述——要优化的不是某一个指标，而是两者之和。
门店端：日配品类先露出破绽
日配商品的订货窗口很短，通常前一晚下单、次日凌晨到店。人工经验在这个窗口里管用，前提是店长熟悉自己门店的客流曲线；一旦人员轮换、周边写字楼入驻率变化，经验就开始失真。算法补货把天气、节假日、门店历史销量、促销排期放进同一个预测里，输出的是建议订量，而不是一份固定配额。
总部端：策略穿透比算法更稀缺
连锁体系里更常见的失败不是算法不准，而是总部策略到门店就变形。唐久把升级目标写成两条：提升总部运营策略在门店端的执行穿透力，以及提升门店运营效率。这两条其实是一件事的两端——总部改了某个品类的订量规则，门店第二天是否真的照新规则下单，决定了这套系统能不能拿到有效反馈；拿不到反馈，算法只能在旧数据上打转。
2500 个 SKU 的颗粒度，决定补货能算多准
补货精度的上限，取决于商品主数据的颗粒度。同一个 SKU 在不同门店的周转差异可能有三倍，主数据只有品类层级时，算法只能给出品类级建议，门店还得自己做二次分配。2500 个 SKU 铺到 2600 家门店，等于六百多万个「门店-商品」组合，每个组合都需要一条独立销量曲线，这才是补货项目真正的工作量。
准确率上不去通常有三个来源：主数据不准（同款不同码、包装规格混用）、促销信息不同步（门店不知道明天有活动）、缺货记录本身失真（缺货当天销量为零，被算法读成不畅销）。第三条最隐蔽——用缺货数据训练出来的模型，会系统性低估真实需求，结果越补越少，缺口越补越大。
换季第一周是模型的照妖镜
换季是补货模型最容易失准的时段。去年同期销量对今年几乎没有参考价值，天气一跳档，某些品类的需求曲线会在三天内换一个形状。系统能不能在这一周里快速修正，取决于门店有没有把「看得见的空架」及时回传，而不是等到月底盘点才发现某个品类早已断货。
可售率和周转率，被摆上同一张表
过去缺货率归运营、库存周转归财务，两边各自优化，矛盾留在门店。算法补货把两个指标拉近，是因为它同时输出建议订量与预期售罄时间，任何一端偏离都会在同一张报表上显形。
| 观察项 | 过去的做法 | 现在要看的 |
|---|---|---|
| 门店可售率 | 月底抽查几个品类 | 按日看，重点在日配 |
| 报损金额 | 只算损耗总额 | 与可售率同看，防过度加量 |
| 库存周转 | 月度财务口径 | 按品类拆，找出被平均掩盖的慢品 |
表里的顺序就是排查顺序：先看可售率有没有抬起来，再看报损有没有同步上升。如果两个都涨，说明某些品类的预测被过度修正，该按品类调参数，而不是整体加量；如果两个都不动，问题多半不在算法，而在补货单到门店后的执行。
如果预算只够改一件事
如果预算只够做一件事，先改缺货记录的口径。门店端的「缺货」多数记在店长脑子里，系统里只留下一条零销量，这也是很多补货模型一上线就偏保守的起点。
- 统一口径：缺货按下单时门店不可售记录，不用仓库库存判断。
- 补主数据：把同款不同规格的 SKU 拆干净，避免销量被摊薄。
- 先跑日配：选 30 家门店试点，跑满四周再扩品类。
三步的顺序不能颠倒。口径不统一，后面的数据都是噪音；主数据不干净，试点结果复制不到别的门店；不从日配开始，很难在四周内看到报损与可售率的反向变化。做完这三步再谈模型，才不至于把工具问题当成数据问题。
常见问题
门店可售率和缺货率是一回事吗？
不是。缺货率通常按仓库库存统计，可售率按门店能不能卖统计。仓库有货、门店没上架的情况，在缺货率里看不见，在可售率里会直接暴露，两者差出来的部分正是补货执行的空间。
2600 家门店一起上算法补货，最大的风险在哪里？
风险不在算法本身，而在主数据与口径。SKU 主数据不干净、缺货记录按仓库口径登记，模型学到的就是失真的需求曲线，规模越大偏差被放大得越快，先小范围试点是必要动作。
日配品类和常温品的补货逻辑差在哪？
日配的订货窗口只有一晚，报损与缺货的代价都当天结算，所以预测必须按天、按门店做；常温品可以靠安全库存缓冲，补货频次低，预测精度要求反而没那么高。
中小连锁没有算法团队，能先做什么？
先把缺货口径和 SKU 主数据理顺，再挑一个高频品类做人工加规则的补货频次调整。这一步不需要算法团队，但它是后面任何系统上线的前提。
