《库存为什么这么高》

📖 Vandeput《Inventory Optimization: Models and Simulations》（2020），第 4 章「Service Level」；Silver et al. 同上，第 7 章「Service Level Definitions」

原书观点：服务水平（service level）至少有 4 种不同定义，同一家公司用不同定义算出来的结果可以差 30%。Vandeput 在第 4 章明确区分了：周期服务水平（α）、期间服务水平（α_p）、客户服务水平、满足率（β）。最常见的混淆是把"满足率 β"当成"周期服务水平 α"——前者是需求满足比例，后者是不断货概率，两者在数学上完全不同。

对本章的支撑：0.1 节列出的 4 种口径正是 Vandeput 第 4 章的核心内容。老板们"算出来的数不一样"，往往就是因为用了不同的服务水平定义。

📚 拓展阅读：Vandeput 第 4 章给出了 4 种服务水平之间的换算公式，可以直接对照自己公司的口径。

📖 Vandeput《Data Science for Supply Chain Forecasting》（2021），第 2 章「Demand Patterns and the Moving Average」

原书观点：月均销量（moving average）的计算结果对时间窗口长度和数据清洗极其敏感。Vandeput 在第 2 章用案例证明：同一个 SKU，用近 3 个月、近 6 个月、近 12 个月算出来的月均销量可以差 40% 以上；是否剔除促销月、断货月，结果差异更大。他的结论是：不存在"正确"的月均销量，只存在"适合你决策场景"的月均销量——补货用短期均值，安全库存用长期均值。

对本章的支撑：0.2 节"三种算法差 40%"正是 Vandeput 第 2 章的结论。必须在计算前就定好用哪种窗口、是否剔除异常月。

📚 拓展阅读：Vandeput 第 2 章还讨论了加权移动平均（WMA）和指数平滑（ES），适合想进一步优化预测的读者。

📖 Silver, Pyke & Thomas《Inventory and Production Management in Supply Chains》第 4 版，第 13 章「Obsolescence and Slow-Moving Items」中关于 aging（库龄）的定义

原书观点：库龄（inventory age）有两种完全不同的定义：① 按入库日期算（这批货进仓多久了）、② 按最后一次出库日期算（这个 SKU 多久没动了）。Silver 明确指出：用于判定呆滞/死货时，必须用第二种定义——按最后一次出库日期。因为第一种定义会把"先进先出（FIFO）下一直有出库但最早一批货没卖掉"的 SKU 误判为死货。两种定义算出来的死货金额可以差一倍以上。

对本章的支撑：0.3 节"两种定义结论完全相反"正是 Silver 第 13 章的核心提醒。日化行业因为有保质期，两种定义的差异更大。

📚 拓展阅读：Nahmias《Production and Operations Analysis》第 5 章对库龄和保质期（shelf life）的联合处理有更详细的讨论。

📖 《化妆品监督管理条例》（国务院令第 727 号，2021 年 1 月 1 日施行），第三章「经营管理」；《化妆品生产经营监督管理办法》（国家市场监督管理总局令第 46 号）

原书观点：日化行业库存有三个普通制造业没有的特殊变量：① 效期（shelf life）——化妆品必须在保质期内销售，临期 6 个月内的货价值断崖式下跌，这不是库龄问题而是合法性问题；② 备案状态——《条例》第 13 条规定，已备案的化妆品若备案注销，产品不得继续销售，库存必须销毁；③ 委托生产（OEM/ODM）——《条例》第 27 条明确了委托方和受托方的质量责任，库存归属需按合同约定。这三个变量直接决定哪些库存"能卖"、哪些"必须销毁"。

对本章的支撑：0.4 节的三个日化特有口径，全部来自《化妆品监督管理条例》的具体条款。不考虑这三个变量，库存数字就是空中楼阁。

📚 拓展阅读：国家药监局官网（nmpa.gov.cn）可查询《化妆品监督管理条例》全文和备案状态。

📖 《Inventory and Production Management in Supply Chains》第 4 版，Silver, Pyke & Thomas（CRC Press, 2016），第 13 章「Obsolescence and Slow-Moving Items」

原书观点：呆滞库存的判定标准必须是可量化的时间窗口，而非"卖不掉"这种主观判断。Silver 提出：用补货周期的 2 倍时长作为判定窗口——一个 SKU 在这个窗口内没有任何出库记录，即可判定为呆滞。窗口长度因行业而异，但"用时间窗口代替主观判断"是核心原则。

对本章的支撑：美妆行业补货周期通常为 45 天，因此本章用 90 天（45×2）作为死货阈值。这不是拍脑袋，而是 Silver 方法在日化行业的落地。

📚 拓展阅读：Nahmias《Production and Operations Analysis》第 5 章关于 aging inventory（库龄老化）的处理方法，讲了不同库龄段该用什么处理策略。

📖 《7-11 零售心经》铃木敏文（日经 BP 社），第 3 章「单品管理与机会损失」；Silver et al. 同上，第 7 章「Reorder Point Systems」

原书观点：铃木敏文提出"机会损失"概念——断货不是少卖了几件，而是客户去了竞争对手那里，连带着品牌信任一起流失，比压货更可怕。Silver 则从补货点（reorder point）角度指出：计算日均销量时必须剔除断货日，因为断货日的销量为 0 是"没有货可卖"而非"没有需求"，把 0 拉进平均会系统性低估真实需求。

对本章的支撑：本章指出"可售天数虚高"的根源，正是把断货日算进了日均销量。铃木的机会损失理论解释了为什么这个问题必须优先解决——断货的代价比你想象的大。

📚 拓展阅读：Vandeput《Data Science for Supply Chain Forecasting》第 3 章「Data Cleaning」专门讲了如何识别和处理断货导致的需求数据截断（censored demand）。

📖 Silver, Pyke & Thomas《Inventory and Production Management in Supply Chains》第 4 版，第 2 章「ABC Analysis and the Pareto Principle」

原书观点：ABC 分类法基于 Pareto（帕累托）法则。Silver 在第 2 章明确给出操作标准：A 类 SKU（通常占 SKU 总数的 15–20%）贡献 70–80% 的库存金额，应投入最高管理精力（高频盘点、单独补货策略）；B 类（30% SKU）占 15–20% 金额，常规管理；C 类（50% SKU）只占 5–10% 金额，可简化管理甚至交给系统自动跑。核心不是"分类"本身，而是让管理精力和金额占比成正比。

对本章的支撑：本章案例中前 5 个 SKU 占 51.2% 金额，正是 A 类。结论"管好 5 个款等于管好一半库存"直接来自 ABC 法则。

📚 拓展阅读：Juran《Juran's Quality Handbook》中帕累托法则在质量管理中的起源（"vital few, trivial many"）；以及 F. Pareto 1896 年原始论文《Cours d'économie politique》。

📖 Chopra & Meindl《Supply Chain Management: Strategy, Planning, and Operation》第 7 版（Pearson），第 13 章「Determining the Optimal Level of Product Availability」中关于 inventory record accuracy（库存记录准确率）的讨论；Silver et al. 同上，第 1 章「Inventory Record Inaccuracy」

原书观点：库存记录与实物之间的差异（record inaccuracy / shrinkage）是隐性成本的主要来源。研究表明，即使管理较好的仓库，库存记录准确率也只有 70–90%，差异通常以"盘亏"、"报废"、"赠品"等名目藏在 ERP 的"其他出库"科目里。Chopra 指出：这些差异不是"正常损耗"，而是管理漏洞的显性化——每一笔其他出库都对应一个本该被堵住的漏口。

对本章的支撑：本章"半年漏掉 150 万"正是 record inaccuracy 的金额化。把其他出库乘以单位成本，就是把隐性漏洞变成显性数字。

📚 拓展阅读：Raman, DeHoratius & Ton 2001 年论文「Execution: The Missing Link in Retail Operations」（California Management Review），用实证数据证明库存记录差异对零售利润的影响。

📖 Vandeput《Data Science for Supply Chain Forecasting》（2021），第 3 章「Data Cleaning」；Talluri & Van Ryzin《The Theory and Practice of Revenue Management》第 7 章「Demand Estimation with Censored Data」

原书观点：Vandeput 在第 3 章明确指出：需求数据中的异常值（outliers）和截断值（censored data）必须先清洗，否则所有预测都会偏。断货期的零销量就是典型的截断数据——不是没有需求，而是没有供给。直接对含断货月的数据取平均，会系统性低估真实需求。正确做法是：识别断货期，对该期需求做插补（imputation）或剔除后再算均值。

对本章的支撑：本章"断货月销量=0 拉低月均"正是 censored data 问题。Vandeput 的清洗方法论给出了完整的处理步骤。

📚 拓展阅读：Talluri & Van Ryzin 第 7 章用统计方法（EM 算法）处理截断需求数据，适合想深入的读者。

📖 Silver, Pyke & Thomas《Inventory and Production Management in Supply Chains》第 4 版，第 7 章「Statistical Inventory Control: Reorder Point Systems」；Vandeput《Data Science for Supply Chain Forecasting》第 4 章「Forecast Accuracy and the ABC-XYZ Framework」

原书观点：Silver 在第 7 章提出 (s, S) 策略——不同需求波动模式的 SKU 应采用不同的再订货点（reorder point, s）和订货量（S）。Vandeput 进一步将其与 ABC-XYZ 分层结合：X 类（需求稳定，变异系数 CV<0.5）可用固定补货周期；Y 类（CV 0.5–1.0）需要适度安全库存；Z 类（CV>1.0，波动剧烈）必须用动态补货点，否则要么断货要么压死。用同一个备货天数管所有 SKU，等于对稳定款过度惩罚、对波动款放任自流。

对本章的支撑：本章"统一 45 天备货是库存高第一元凶"，正是 ABC-XYZ 分层的反面教材。波动系数 3.0 的防晒霜和 1.0 的精华水用同一个天数，必然出问题。

📚 拓展阅读：Peterson & Silver《Decision Systems for Inventory Management and Production Planning》第 5 章对 (s,S) 策略的数学推导。

📖 Chopra & Meindl《Supply Chain Management: Strategy, Planning, and Operation》第 7 版，第 10 章「Coordination in a Supply Chain」；Lee, Padmanabhan & Whang 1997 年原始论文「The Bullwhip Effect in Supply Chains」（Sloan Management Review）

原书观点：牛鞭效应（Bullwhip Effect）指供应链末端的需求波动会沿供应链向上游逐级放大。Lee 等在 1997 年提出牛鞭效应的四大成因：需求信号处理、限量配给博弈、批量订货、价格波动。其中"需求信号处理"指各环节基于自己看到的局部需求信号做决策，互不共享，导致上游收到的订单波动远大于真实终端需求。Chopra 指出：信息共享是缓解牛鞭效应的唯一根本手段——上下游必须用同一套需求数据。

对本章的支撑：计划员和采购用两套数，本质是企业内部的微缩牛鞭效应——两个角色基于各自看到的局部信号做决策，互不认账，导致库存同时高（怕断货多备）和低（爆款断货）。

📚 拓展阅读：Lee 等 1997 年原始论文是牛鞭效应的奠基之作，Sloan Management Review 官网可免费阅读。

📖 Fisher & Raman《The New Science of Retailing》（Harvard Business Review Press, 2010），第 4 章「Assortment Planning: The New Science of Stocking the Right Products」；Anderson《The Long Tail》（2006）

原书观点：Fisher & Raman 用实证数据证明：零售 assortment 中，大量 SKU 贡献极少销量，却占用了不成比例的陈列空间、库存成本和管理精力。他们提出 SKU rationalization（SKU 合理化）——在不损失总销售额的前提下，通过数据驱动的方法砍掉贡献极低的 SKU，把资源集中到头部 SKU。注意：Anderson 的"长尾理论"适用于电商无限货架场景，而实体零售和快消供应链恰恰相反——长尾 SKU 是现金黑洞。

对本章的支撑：本章"80% 的 SKU 只占 20% 销量"正是 Fisher 研究结论的日化版本。区分电商长尾和实体长尾是关键。

📚 拓展阅读：Kök, Fisher & Vaidyanathan 2009 年综述「Assortment Planning: Review of Literature and Industry Practice」，系统梳理了 SKU 合理化的各类方法。

📖 Chopra & Meindl《Supply Chain Management》第 7 版，第 13 章「Determining the Optimal Level of Product Availability」中关于 multi-echelon inventory（多级库存）的讨论；魏庆《通路精耕》（中华工商联合出版社）

原书观点：Chopra 指出，供应链库存分布在多个层级（echelon）：工厂仓 → 在途 → 经销商仓 → 零售终端。每一层级的库存状态、可动性、责任主体完全不同。管理库存必须按层级拆分，不能只看一个"总库存"数字——总库存数字会掩盖真实可动库存（available-to-promise）。魏庆在《通路精耕》中给出了经销商库存盘点的实操方法：区分"已开票未提货"、"在途"、"在库"、"已压货未动销"四类，每类对应不同的动作。

对本章的支撑：本章"自己仓、在途、经销商是三堆货"正是 multi-echelon 思想的简化版。三堆货对应三种动作：自己仓可立即动、在途需要等待、经销商需要盘点确认。

📚 拓展阅读：Sherbrooke《Optimal Inventory Modeling of Systems》（Multi-Echelon Techniques 的经典著作），适合想深入多级库存建模的读者。

📖 Agrawal, Gans & Goldfarb《Prediction Machines: The Simple Economics of Artificial Intelligence》（Harvard Business Review Press, 2018），第 2 章「Prediction」

原书观点：本书提出 AI 的核心经济学本质是降低预测（prediction）的成本。当预测成本从"高"降到"趋近于零"时，原本不值得做预测的场景变得经济可行——比如逐个人工判断 3000 个 SKU 的库存状态。Agrawal 等强调：AI 的价值往往不是"比人更准"，而是"能覆盖人覆盖不了的规模"。当预测成本足够低时，企业会在更多环节引入预测，进而改变整个决策结构。

对本章的支撑：本章"AI 十分钟分完 3000 个 SKU"正是 Prediction Machines 理论的直接体现——人工看 3000 行不现实，但 AI 可以，且成本极低。

📚 拓展阅读：Davenport & Kirby《All-in on AI》（2023）讲了企业如何将 AI 从实验性应用推向规模化运营。

📖 Agrawal, Gans & Goldfarb《Prediction Machines》，第 3 章「Judgment」；Kahneman, Sibony & Sunstein《Noise: A Flaw in Human Judgment》（2021）

原书观点：Agrawal 等在第 3 章提出一个关键洞察：当预测成本下降时，判断（judgment）的价值反而上升。AI 能给出预测和数据，但最终决策——"这个死货是清还是留"、"这个爆款要不要追加 3 万件"——需要人基于战略、风险、品牌影响做综合判断。Kahneman 等在《Noise》中进一步指出：人类判断有大量"噪声"（随机偏差），因此正确的分工是AI 负责预测和识别异常，人负责最终判断和拍板。

对本章的支撑：本章"AI 给依据，人拍板"正是 Prediction Machines 第 3 章的核心结论。AI 算出死货亏 31 万、回笼 52 万、需 4 个月，但"清不清"这个决定只能老板拍。

📚 拓展阅读：Kahneman《Noise》第 2 部分讲了如何减少判断噪声，对管理者做决策有直接指导。

📖 Vandeput《Data Science for Supply Chain Forecasting》，第 3 章「Data Cleaning」；Redman《Data Driven: Profiting from Your Most Important Business Asset》（2008）

原书观点：Vandeput 在第 3 章开篇就强调：Garbage In, Garbage Out（垃圾进，垃圾出）。预测和分析的质量，首先取决于输入数据的质量。他用大量案例证明：数据清洗（去重、补缺、异常值处理、格式统一）通常占整个分析工作量的 60–80%，但这一步往往被跳过——很多公司直接拿 ERP 导出的脏数据跑分析，结论当然不可信。Redman 则从企业管理角度提出：数据质量本身就是一项资产，需要专人、专流程维护。

对本章的支撑：本章"五步诊断第一步就是清洗"——3000 行里有 86 个零销量、24 个重复编码、14 个品类缺失，不清洗直接分析，结论全是错的。

📚 拓展阅读：Vandeput 第 3 章给出了完整的数据清洗 checklist，可以直接对照执行。

📖 Minto《The Minto Pyramid Principle: Logic in Writing and Thinking》（金字塔原理，第 4 版），第 1 章「Why Structure Matters」；Few《Information Dashboard Design》（第 2 版, 2013）

原书观点：Minto 在金字塔原理中提出结论先行（answer first）原则——决策者时间有限，报告必须先给结论，再给支撑数据，而不是先堆数据让读者自己推导。她还提出"MECE 原则"（相互独立、完全穷尽）来组织论点。Few 在《Information Dashboard Design》中补充：好的数据呈现应该让读者在 10 秒内抓住核心信息，而不是在 30 页 PPT 里找结论。

对本章的支撑：本章"6 页报告结构"（封面→总账→四类清单→三句话结论→三个动作→假设与边界）正是金字塔原理"结论先行+MECE"的落地：先给总账数字（结论），再给清单和动作（支撑），最后说清楚边界（可信度）。

📚 拓展阅读：Berinato《Good Charts: The HBR Guide to Making Smarter, More Persuasive Data Visualizations》讲了如何用数据可视化增强报告说服力。

📖 Davenport & Harris《Competing on Analytics: The New Science of Winning》（Harvard Business Review Press, 2007），第 3 章「Building an Analytical Capability」；Silver et al. 同上关于 ERP 实施失败的讨论

原书观点：Davenport 在第 3 章提出企业分析能力建设的顺序依赖：先有数据质量（data quality），再有分析模型，最后才是系统自动化。他用大量案例证明：在数据口径未统一、数据质量未达标之前就上 ERP/BI 系统，结果是把错误自动化——系统会以更高的效率、更快的速度输出错误的结论，而且更难被发现和纠正。这就是计算机领域的 GIGO 原则（Garbage In, Garbage Out）在企业管理中的体现。

对本章的支撑：本章"账没算清就上系统=错误自动化"正是 Davenport 顺序依赖理论的结论。月均销量算错、两套数没对齐、参数一刀切——这些问题不解决，上任何系统都是放大错误。

📚 拓展阅读：Davenport《Analytics 3.0》（2014）更新了企业在 AI 时代建设分析能力的路径，第 4 章专门讲"先有数据，再谈算法"。

📖 Vandeput《Inventory Optimization: Models and Simulations》（2020），第 6 章「Safety Stock and the Reorder Point」；Silver et al. 同上，第 7 章「Statistical Inventory Control」

原书观点：安全库存（safety stock）不是拍脑袋定的固定天数，而是由公式计算：安全库存 = Z × σ_d × √L，其中 Z 是服务水平对应的正态分布分位数，σ_d 是日需求标准差，L 是补货提前期。再订货点（reorder point）= 日均销量 × 提前期 + 安全库存。Vandeput 在第 6 章强调：波动越大（σ_d 越大），安全库存越高；不能用同一个安全库存天数覆盖所有 SKU，否则稳定款压货、波动款断货。

对本章的支撑：本章"安全库存应该是你卖得最好的那个月多出来的那部分"，正是 σ_d（需求波动）的通俗表达。MM-001 日均 200、波动倍数 3.0，它的安全库存远高于稳定款。

📚 拓展阅读：Vandeput 第 6 章给出了不同服务水平（90%/95%/99%）对应的 Z 值表，可以直接查表计算。