本文定位：客户案例。客户为鞋服连锁零售企业，门店数量、品类结构和具体数据已按授权口径脱敏。文章重点讲方法：如何把库存数据从“月底统计”变成“每天预警”。
这家鞋服连锁有 40 多家直营和联营门店，同时经营小程序商城。老板最焦虑的不是“有没有系统”，而是库存永远说不清：畅销款经常断码，滞销款堆在仓里，门店之间调拨靠运营在群里问，采购复盘总是等季末才发现买错了。
客户一开始想做一个“老板经营驾驶舱”，把销售额、毛利、库存、会员、导购业绩都放进去。我们没有直接做大屏，而是建议第一阶段只聚焦库存：每天看清哪些款、哪些码、哪些门店正在产生库存风险，并把补货、调拨、清货动作推给对应角色。
一、客户背景：门店多、SKU 多、季节短，库存风险放大很快
鞋服连锁的库存难，不只是数量多，而是维度多。一个款有颜色，一个颜色有尺码，一个尺码分布在不同门店、仓库和线上渠道。只看总库存，很容易误判。
例如某款运动鞋总库存还有 300 双，看起来不少，但 38-40 码集中在仓库，门店真正好卖的 41-42 码已经断了。总部如果只看总数，会以为不用补；店长如果只看自己门店，会在群里喊“没货”；采购如果等月底汇总，就错过了销售窗口。
客户当时有 POS、仓库系统、小程序订单和采购 Excel，但没有统一的数据分析层。每个系统都有数据，却没有一张能指导动作的库存风险表。
二、原始问题：数据都有，但没人能回答“今天该做什么”
我们访谈运营、采购、仓库和 6 位店长后，把问题归成四类：
| 问题 | 原来怎么做 | 带来的后果 |
|---|---|---|
| 断码断货 | 店长在群里反馈 | 反馈慢，容易被淹没 |
| 滞销识别 | 月底导表分析 | 清货太晚，折扣更深 |
| 门店调拨 | 运营人工问库存 | 时间长，责任不清 |
| 采购复盘 | 季末看销售汇总 | 无法及时调整订货 |
最典型的场景是周末。某几个门店卖爆一款鞋，店长周一才反馈，运营再查其他门店和仓库有没有货，等调拨到店已经错过高峰。另一边，低效门店的同款尺码积压还没被发现。
这类问题不是靠“多开几个报表”解决的，而是要让数据形成动作闭环：发现风险、分配责任、执行调拨或清货、第二天复查结果。关于连锁门店系统集成，我们在 连锁零售门店系统集成指南 里也讲过同样原则：总部要看的不是一堆数字，而是跨门店协同动作。
三、第一阶段目标：只做库存日度预警
第一阶段我们没有做全量经营驾驶舱，只定义一个闭环目标：每天早上 9 点前生成库存风险清单，运营能据此决定补货、调拨、清货和采购调整。
这个目标拆成四个看板：
- 断码断货看板：按款色码和门店识别缺口；
- 滞销预警看板：按上架天数、近 7/14/30 天销量和库存量识别风险；
- 调拨建议看板：找出“甲店缺、乙店滞”的可调拨组合；
- 采购复盘看板：按波段、品类、款式看订货和销售偏差。
我们没有把会员、导购、活动 ROI 放进第一阶段。原因很简单：客户当前最大的现金压力在库存，先把库存周转做起来，后续再扩展到全域经营分析。这个收口逻辑和 数据分析 项目里的“先找能改变动作的指标”一致。
四、落地路径：先统一款色码，再做预警规则
1. 主数据先行：款号、颜色、尺码、门店必须统一
鞋服数据分析最容易翻车的地方，是款号和尺码口径不统一。同一个款，在 POS 里用供应商款号，在仓库里用内部编码，在采购表里又写简称。颜色也有“黑色”“雅黑”“BK”多种写法。
我们先做了一张主数据映射表：款号、品类、季节、波段、颜色、尺码、吊牌价、成本价、供应商、上市日期、门店。没有这张表，后面所有看板都会变成“看起来很美，但数对不上”。
2. 断码断货不是看总库存，而是看可销售尺码
第一版断码规则没有追求复杂模型，而是用业务能理解的规则：近 7 天销量高于阈值、门店可售库存低于安全线、关键尺码缺失，就进入预警。
例如女鞋某款在 A 店近 7 天卖出 12 双，但 37/38 码库存为 0，系统就把它标为红灯；如果仓库或周边门店有同款尺码，则给出补货或调拨建议。
3. 滞销预警结合上架天数和销售速度
滞销不能只看“卖得少”。新上架 3 天卖得少很正常，上架 45 天仍然动销慢才危险。我们把规则拆成波段、上架天数、库存深度、近 14 天销量和折扣状态。
看板不只告诉运营“这款滞销”，还要提示可能动作：门店陈列调整、跨店调拨、会员定向券、活动清货或采购停补。
4. 调拨建议必须考虑门店类型
不是所有库存都适合互调。商圈店、社区店、奥莱店和线上仓的客群不同，同款在不同门店表现可能差异很大。系统给调拨建议时，会同时看门店类型、历史销量和距离成本。
这一点很关键。只按库存高低自动调拨，可能把货从一个慢店搬到另一个慢店。数据分析不是替运营拍脑袋，而是给运营更好的候选方案。
5. 每天固定推送，不等人主动打开
第一阶段上线后，库存风险清单每天早上推给运营负责人；门店只收到和自己相关的断码、补货、调拨任务；采购每周看一次波段复盘。我们没有期待所有人每天主动打开大屏，因为这不现实。
真正有效的看板，必须进入工作流。这个原则也适用于 AI Agent 落地路线图：不要只做一个入口，要让系统把异常推到责任人面前。
五、关键取舍：没有一开始做“全公司大屏”
客户最初很想要一块漂亮大屏，放在办公室展示实时销售额。我们做了一个很小的总览，但没有把主要精力放在视觉大屏上。
第一阶段舍弃了三类需求：
- 舍弃复杂预测模型：历史数据口径还不稳定，先用可解释规则；
- 舍弃导购个人排名：避免门店把项目理解成总部考核工具；
- 舍弃全指标驾驶舱：先把库存风险跑通，再扩展会员、活动和毛利。
取舍的依据只有一个：这个功能能不能在一周内改变库存动作？不能，就先不做。
六、结果变化：从季末复盘，变成日度预警
上线第一版后，客户最明显的变化不是“多了一个报表”，而是会议节奏变了。
以前运营周会主要听店长反馈：哪个款好卖、哪个款不好卖。现在周会先看库存风险清单：哪些款连续 3 天断码、哪些款 14 天动销低、哪些门店适合互调、哪些采购计划要停补。
门店店长也从被动填表，变成收到具体任务：某款 39 码建议从 B 店调 3 双；某款滞销建议调整陈列并参加周末活动；某款断码但仓库有货，今天补到店。
更重要的是，采购终于能在季中看到偏差。过去订货对不对，要等季末清货才知道；现在上市两三周后，就能看到某些波段和尺码结构偏差，下一批采购可以及时修正。
七、可复用经验：鞋服连锁先别追求 AI，先把库存口径做准
很多零售企业一上来就问能不能用 AI 预测销量。可以，但前提是底层数据干净、动作闭环稳定。对大多数 20-100 家门店的鞋服连锁来说，第一阶段更该做的是：
- 统一款色码和门店主数据；
- 每天同步 POS、仓库、线上订单和采购数据；
- 先用规则识别断码、滞销和调拨机会；
- 把风险推给运营、店长和采购；
- 每周复盘规则是否误报、漏报。
等这些动作跑稳，再考虑销量预测、智能订货和 AI 问数。否则 AI 只会把错误数据包装得更像答案。你也可以参考 企业知识库 RAG 落地 里关于“先治理数据，再谈智能”的思路。
八、下一步：带库存表做一次看板拆解
如果你也是鞋服、服饰、母婴、运动户外或多门店零售企业，可以先准备四张表：门店销售明细、当前库存、商品主数据、采购/入库记录。我们可以帮你判断第一阶段应该先做断码、滞销、调拨还是采购复盘。
如果你还没确定是做系统集成还是数据看板，可以先看 客户案例、数据分析服务 和 连锁门店系统集成指南。不要先追求大屏漂亮，先让库存风险每天有人处理。
