导语：生鲜补货最难的不是「买」，而是「买多少、什么时候买、发给哪个仓」。智能补货要做的，就是让每一份库存都刚好够卖，既不断货，也不积压。

一、一个门店长的两难：多进怕烂，少进怕断

李店长负责新疆某生鲜连锁的 12 家门店。每天早上 8 点，他都要在群里@采购小王：「今天阳光玫瑰补不补？补多少？」

小王也很委屈。上周按经验补了 300 件，结果第二天降温下雨，门店客流腰斩，最后 80 件只能半价出清；这周他保守地只补了 150 件，没想到周末促销爆单，下午 3 点就断货，门店被客诉了十几条。

这不是采购经验的问题，而是补货决策缺少数据支撑：

• 不知道未来 7 天能卖多少；
• 不知道每个门店该分多少；
• 不知道仓库当前库存还能撑几天；
• 更不知道在途采购什么时候到。

经验补货的结果，就是永远在「积压损耗」和「缺货流失」之间摇摆。

二、智能补货要解决的三道算术题

把补货问题拆解开来，核心是三件事：

问题	传统做法	智能补货做法
未来会卖多少	凭经验拍脑袋	基于历史销量 + 节假日 + 促销 + 天气预测未来 7/15/30 天销量
什么时候该补	看到货架空了才下单	设置补货点，库存触线自动生成补货建议
补到哪里去	全店统一分配	按门店销量、库容、距离动态分仓配额

解决了这三道题，补货就从「事后救火」变成「事前规划」。

三、需求预测：给未来销量画一条概率曲线

智能补货的起点不是仓库，而是需求预测。

系统每天凌晨会基于以下因子计算未来销量：

• 历史同期销量：去年、上月、上周同一天的表现；
• 节假日与节气：中秋、春节、周末、学校开学等；
• 促销活动：满减、秒杀、直播、门店地推；
• 天气数据：高温、雨雪、极端天气对生鲜品类的影响；
• 门店特征：商圈类型、客单价、会员密度。

以「阳光玫瑰葡萄 1kg」为例，系统给出未来 7 天预测：

周一：112 件

周二：98 件

周三：135 件

周四：156 件

周五：189 件

周六：230 件

周日：201 件

------------------

7 天预测总销量：1,121 件

预测不是算命，而是一个带有置信区间的概率分布。系统会同时给出乐观、中性、悲观三档方案，采购经理可以按当前资金与库存压力选择。

四、补货点与补货量：什么时候买、买多少

有了预测，下一步就是算「补货点」和「补货量」。

核心公式：

补货点 = 安全库存 + 采购提前期 × 日均预测销量

建议采购量 = MAX(预测销量 + 安全库存 - 当前库存 - 在途库存, 0)

以樱桃番茄为例：

• 未来 7 天预测销量：315 件；
• 安全库存：7 天销量 = 315 件；
• 当前库存：180 件；
• 在途库存：0 件；
• 采购提前期：2 天。

系统计算：

补货点 = 315 + 2 × 45 = 405 件

建议采购量 = MAX(315 + 315 - 180 - 0, 0) = 450 件

当当前库存 180 件低于补货点 405 件时，系统自动生成一条补货建议：采购樱桃番茄 450 件，目标到货日期为 2 天后。

五、从建议到订单：人机协同的审批流

系统自动生成的补货建议不会直接变成采购订单，而是进入补货建议池，由采购经理确认或调整：

1. 系统按优先级标红紧急补货、标黄建议补货、标绿库存健康；
2. 采购经理可一键「同意」生成采购申请，也可修改数量、供应商、到货仓库；
3. 超过一定金额的采购申请自动进入审批流，推送给采购总监；
4. 审批通过后，采购申请一键转采购订单，同步供应商系统。

这种人机协同的好处是：系统负责计算和提醒，人负责判断和决策。既不会漏掉该补的货，也不会让系统自动下错单。

六、多仓协同：总仓、前置仓、门店各补各的

对于多仓企业，智能补货还要解决「货往哪里发」的问题。

系统会根据每个仓库的库存水位、预测销量、库容上限、配送时效，自动拆分采购量：

仓库	当前库存	7 天预测销量	库容上限	建议补货量	优先级
总仓	1,200 件	980 件	5,000 件	800 件	中
前置仓-A	80 件	210 件	600 件	250 件	高
前置仓-B	45 件	156 件	400 件	200 件	高
门店-1	12 件	89 件	80 件	85 件	紧急

门店-1 库存只够卖 1 天，系统会优先给它补货；总仓库存充足，补货优先级相对较低。这样就能避免「总仓堆成山、门店却断货」的结构性失衡。

七、智能补货全流程闭环

（智能补货闭环：数据采集 → 需求预测 → 补货建议 → 审批确认 → 采购下单 → 供应商发货 → 入库上架 → 销售反馈 → 模型迭代）

八、系统里长什么样

在中台实际界面中，智能补货通过需求预测、补货建议、采购申请、到货跟踪四个模块落地。

（需求预测页面：展示 SKU 历史销量、未来 7/15/30 天预测曲线及节假日/促销标注）

（补货建议页面：显示 SKU、当前库存、预测销量、安全库存、建议采购量、优先级和建议动作）

（采购申请页面：可修改数量、选择供应商、指定到货仓库，自动触发审批流）

（到货跟踪页面：按采购订单展示在途数量、预计到货日期、物流状态与入库进度）

九、效果：从「拍脑袋」到「刚好够卖」

上线智能补货三个月后，李店长的区域发生了明显变化：

• 缺货率：从 12% 降至 4% 以下；
• 库存周转天数：从 9.6 天降至 6.3 天；
• 生鲜损耗率：从 8% 降至 3.5%，月省损耗约 13 万；
• 采购决策时间：从每天 2 小时缩短到 20 分钟；
• 预测准确率：TOP 50 SKU 的 7 天预测准确率达到 82%。

更关键的是，采购小王的工作从「每天问店长今天要什么」变成了「每周Review系统建议、处理异常和调整策略」。

十、适用场景

智能补货最适合以下企业：

1. SKU 多、保质期短的生鲜/冷链企业：补货频次高，靠人工无法精细管理；
2. 多仓或多门店运营：需要统一预测口径和分仓配额；
3. 促销和节假日波动大：销量起伏剧烈，经验容易失效；
4. 正在从「被动补货」向「主动计划」升级：希望用数据降低缺货和积压双重风险。

十一、写在最后

供应链数字化的第四步，是让「补货」从经验驱动变成数据驱动。

智能补货不是取代采购经理，而是把采购经理从繁琐的算术题中解放出来，去做更有价值的事：供应商谈判、品类策略、异常处理。

如果你也正在经历「多进怕烂、少进怕断」的阶段，欢迎评论区留言：

下一篇预告：《私域小程序：B2C 商城 + B2B 代采的混合玩法》——一个中台如何同时服务 C 端会员和企业集采客户。