1 XYZ 分类总览
XYZ 分类（按需求波动程度对库存分层）是一种用于库存管理与补货决策的策略框架。它将 SKU（或其他可度量的物料单位）按照需求的“不确定性/波动性”分组，并为各组配置不同的库存水平、安全策略与补货节奏，从而在控制断供风险与避免过量持有成本之间取得更合适的平衡。
在该框架中，“波动”被视为决定补货体系弹性需求的关键变量。需求波动越低，通常越能采用更稳定、成本更友好的库存安排；需求波动越高，则需要更高的冗余、更频繁的复核与更快速的响应，以降低“缺货导致损失”与“预测偏差导致积压”的综合代价。
1.1 定义与适用场景
XYZ 分类的核心输出通常包括：每个 SKU 属于哪一层（低/中/高波动层）、该层对应的安全库存计算方式、订货或补货的复核周期，以及触发式补货的再订货点参数等。
它适用于存在明显差异的 SKU 集合，例如：
- 同一品类中，基础款需求稳定而爆款与季节品波动更强的场景；
- 批发、零售、电商等中随时间快速变化的销量结构；
- 供应交期固定但需求不稳定（或需求相对稳定但交期波动更突出）需要进行精细化安全策略的场景。
1.2 与传统 ABC/EOQ 等方法的关系
XYZ 分类并非替代 ABC 或 EOQ，而是从“优先级/数量最优”的角度之外，引入“波动驱动的差异化策略”。常见做法是把两者组合使用：用 ABC 做资源与管理关注度的分层（例如资金占用或销量贡献度），再用 XYZ 决定这些 SKU 的补货敏感度与安全策略强度。
- ABC 更偏向“价值或重要性排序”
- XYZ 更偏向“需求行为的不确定性强弱”
- 最终落到执行层面，通常需要把这两种维度同时映射到库存参数上
1.3 分层库存的基本逻辑与目标函数
分层库存的逻辑可概括为：根据需求波动程度分配“保障强度”。保障强度越高，通常意味着更高的安全库存、更快的复核与更灵活的订货策略；但保障强度越高也会带来更多持有成本或运营成本，因此需要以“总成本/综合绩效”作为导向。
一个常用的目标理解是：在给定服务水平要求或约束条件下，最小化缺货相关损失与持有相关成本的组合，同时考虑预测更新滞后、执行节奏带来的偏差。
2 需求波动程度的度量
需求波动程度是 XYZ 分类的输入变量。它通常基于历史数据计算，通过统计特征量化需求分布的离散程度、突变频率或缺货发生的频率等。
2.1 常用统计指标
波动指标的选择要能反映“未来需求可能偏离过去规律的程度”。常用指标包括集中度、离散度以及风险发生的频次类度量。
2.1.1 变异系数（CV）
变异系数是标准差与均值的比值，用于衡量相对波动强弱。由于它把“绝对波动”归一化到“平均需求水平”，因此在不同量级的 SKU 间具有更好的可比性。
CV 较高通常表示：需求围绕平均值波动更大，预测误差更可能带来显著后果。
2.1.2 需求标准差与波动区间
需求标准差反映绝对层面的离散程度。若将其进一步结合置信区间或经验波动区间（例如以历史分位数构造），便能得到“需求大致落在什么范围”的直观刻画。
在实践中，波动区间还能用于判断是否存在长尾行为或偶发的大幅波动。
2.1.3 缺货率与需求突变频次
对于部分场景，直接用运营结果反推波动更贴近业务含义。缺货率可以反映需求对当前库存策略的“冲击程度”；需求突变频次则衡量需求从历史常态跃迁的次数与频率。
这类指标的优势是面向“风险后果”，但也要求历史执行记录较为可靠，否则可能把策略问题误当成需求问题。
2.2 数据准备与口径选择
波动度量高度依赖数据口径。若口径不统一，计算结果可能出现偏差，导致分层“看似合理但实际失真”。
2.2.1 历史窗口长度
历史窗口长度决定了“波动估计的稳定性”和“对近期变化的敏感度”。窗口太短可能被噪声放大；窗口太长可能掩盖近期结构变化。
常见经验是在业务可接受的前提下进行窗口敏感性检验（例如对关键 SKU 或抽样 SKU 比较不同窗口的分层稳定性）。
2.2.2 业务周期与季节性处理
若需求存在季节性，直接对全期数据计算波动可能把季节波动当成随机波动。常见处理方式包括：按季节或周期对齐、剔除季节项、或在不同季节段分别计算后再合成。
这样能避免“季节品被错误归为高波动”或“稳定品被季节性稀释”。
2.2.3 异常值与促销影响剔除
促销、断货、渠道调整等会制造非典型需求。若不处理，波动指标会被这些事件显著抬高或扭曲。
实践中通常会对极端值设定剔除规则，或使用促销标记将其从统计口径中剥离。
2.3 从指标到分层的映射规则
将连续的波动指标映射到离散层级，需要一套可解释、可落地的规则。映射方式常见三类：阈值法、评分法和聚类法。
2.3.1 阈值法（分位数/固定区间）
阈值法使用分界点把 SKU 划入不同层级。例如用分位数将指标切成若干区间（前若干比例归为低波动等），或根据业务经验设定固定阈值。
该方法易解释、易实施，但对数据分布变化可能更敏感，需要定期校准阈值。
2.3.2 评分法（加权综合）
评分法将多个波动相关指标组合成总分，例如 CV、缺货率、突变频次等加权后得到一个综合评分，再按评分划分层级。
其关键是权重设定：权重应当反映业务对不同风险来源的优先级。例如缺货后果更严重的场景可能提高缺货率的权重。
2.3.3 聚类法（无监督分组）
聚类法把波动特征向量视为多维样本，通过无监督算法自动形成分组。它适合波动指标之间存在非线性关系或阈值难以稳定设定的情况。
聚类结果需要后处理：例如为簇排序（由低到高波动）并保证层级数量符合运营可承受范围。
3 分层策略设计
分层策略的设计要把“波动层级”翻译成可执行的参数。通常包含分层结构定义、安全库存设定与补货节奏/订货策略等模块。
3.1 分层结构与层级含义
建议层级数量与业务复杂度匹配，常见为三层：低波动层、中波动层、高波动层。
3.1.1 低波动层：稳态库存策略
低波动层的目标是以更经济的方式提供基本服务水平。由于需求相对可预测，安全库存通常较低，补货周期可以相对拉长，且更依赖稳定的预测与常规订货流程。
这类策略强调“少折腾”，让计划尽量按节奏执行。
3.1.2 中波动层：平衡型策略
中波动层在稳定性与不确定性之间折中。其安全库存往往高于低波动层，同时订货复核频率可能提高或引入更灵敏的补货触发机制，以应对需求偏离但不过度堆积库存。
3.1.3 高波动层：韧性与快速响应策略
高波动层强调抗风险。通常会提升安全库存或缩短补货复核周期，并更关注预测更新频率与预警响应速度。
在执行层面，这意味着需要更频繁的监控、更快的计划调整，以及可能更灵活的供应或内部资源调度（例如优先保障高波动层的可用量）。
3.2 安全库存的设定方法
安全库存用于覆盖需求波动与不确定性。其计算可按服务水平、预测误差或供应/交期风险进行建模，并在实践中形成组合修正。
3.2.1 基于服务水平的安全库存
在服务水平约束下，安全库存与需求分布的波动特征相关。常用思路是：在给定目标服务水平（例如期望不缺货的概率）时，计算覆盖“需求落在合理上沿”的库存补偿量。
该方法的优点是直观且可与业务指标对齐，但前提是需求分布假设与历史一致性较好。
3.2.2 基于预测误差的动态安全库存
将安全库存与预测误差挂钩，例如用历史预测偏差的分布估计未来误差的范围，再据此设置安全库存。相比仅看需求本身，预测误差方法能更贴近“预测系统的真实表现”。
动态安全库存通常需要随预测模型表现或近期数据更新，避免长期滞后。
3.2.3 基于供应/交期风险的修正
即使需求稳定，交期波动也会造成缺货风险。为此可将交期不确定性折算进安全库存，例如把交期方差与需求方差在同一风险框架中组合。
这种修正能避免“只盯销量不盯履约”的偏差。
3.3 补货节奏与订货策略
订货策略决定了补货行为的频率、触发条件与批量影响，是把分层思想真正落地的关键部分。
3.3.1 固定周期 vs 滚动复核
- 固定周期：按固定间隔进行计划复核与下单，适合低波动或预测稳定层级。
- 滚动复核：持续或更频繁地检查库存与预测偏差，适合中高波动层。
调整复核节奏能在“运营成本”与“风险覆盖”之间实现再平衡。
3.3.2 触发式补货（再订货点）
再订货点策略用“库存水平触及阈值即触发补货”来减少对预测细节的依赖。对高波动层，触发式策略常与更高频复核结合，以降低预测失真造成的滞后。
要点在于再订货点需要同时考虑需求变化与补货提前期带来的影响。
3.3.3 批量策略与成本折衷
批量大小会影响单位订货成本与持有成本。高波动层通常更难承受“批量过大导致积压”，因此可能采用更小或更灵活的批量策略；低波动层则可能通过更经济的批量降低订货频次。
实际落地时还需考虑最低订货量、运输合并规则与供应商约束。
4 库存执行与运营流程
将 XYZ 分类用于日常运营，需要明确数据更新、分层归属、执行监控与绩效回溯的闭环。
4.1 库存分层落地流程
落地流程的目标是：让分层结果可追溯、可更新、并能直接映射到执行参数。
4.1.1 分层建档与SKU归属
先建立分层维度的基础档案，例如为每个 SKU 记录当前波动层级、用于计算的指标与参数版本。然后将 SKU 与层级绑定，确保下单逻辑自动读取对应层级策略。
这样做能避免“口头约定策略”带来的执行偏差。
4.1.2 周期性重算与再分类
波动不是常数。需要设定重算周期（例如按月或按季度），重新计算波动指标并更新分层归属。与此同时应设置“层级切换规则”，避免频繁抖动带来运营混乱，例如引入滞后区间或设置最小持有期。
4.1.3 新品/冷启动的临时策略
新品缺乏稳定历史数据时，可采用临时层级策略：例如先使用同类 SKU 的先验波动估计，再在收集到足够数据后逐步更新。
冷启动阶段通常更依赖监控与人工复核，直到波动指标趋于稳定。
4.2 监控与预警机制
监控的对象包括缺货、过量、预测漂移等。预警系统的目标是让“分层策略”在执行中保持有效。
4.2.1 缺货预警与补货建议
当库存预计触及关键阈值，系统应给出补货建议，并结合层级策略给出不同强度的动作。例如低波动层可能只需按节奏下单，中高波动层可能触发提前复核或提高临时安全库存。
4.2.2 过量库存预警与降库存机制
对高持有风险的 SKU，需要识别“预测过度乐观”或“需求转弱”的迹象。预警可以基于库存偏离、周转恶化或预测误差扩大等信号，进而触发降库存或调整后续补货计划。
4.2.3 预测漂移告警
预测漂移指预测模型或数据环境随时间产生偏离。可通过对比预测值与实际消耗的误差趋势来触发告警，并要求重新校准模型或更新分层参数。
这类机制有助于避免分层长期“沿用旧逻辑”。
4.3 绩效评估指标
绩效评估用于验证 XYZ 分类带来的增益，并指导参数迭代。
4.3.1 服务水平与缺货次数
服务水平可用缺货次数、缺货率或满足率等指标表示。对不同层级，可比较其服务表现是否达标，以及缺货是否主要集中在某些层。
4.3.2 库存周转与持有成本
周转速度反映库存使用效率。持有成本则体现资金占用、仓储与相关费用的综合影响。高波动层通常周转较难，需要通过策略是否过度冗余来判断是否需调整。
4.3.3 总成本（缺货成本+持有成本）
综合总成本是检验“分层是否真正优化”的关键。它将缺货损失与持有成本纳入同一框架，使得策略调整不至于只优化单一指标。
5 与其他模型的协同用法
XYZ 分类常与其他计划与优化模型协同，以提升整体规划质量。
5.1 与 ABC 分类的组合
5.1.1 用ABC定优先级，用XYZ定波动策略
组合方式可概括为：ABC 决定管理资源与重点程度，XYZ 决定补货策略强弱。通常高价值 SKU 不一定高波动，但需要更多管理注意；而高波动 SKU 则需要更强的风险覆盖。
这种组合有助于在有限的人力与系统算力下，把“该盯的盯住、该灵活的灵活”。
5.2 与 S&OP/主生产计划的衔接
5.2.1 计划层如何影响分层参数
S&OP 或主生产计划提供中长期的约束与目标。它们可能改变需求形态、渠道结构或交期计划，从而影响波动指标的估计口径与参数。
因此在衔接时通常要明确：分层重算周期是否与主计划滚动节奏一致，是否需要对预测基础数据进行对齐（例如按计划口径调整未来需求）。
5.3 与供应链策略的联动
5.3.1 交期、可靠性与分层响应
供应商可靠性与交期波动会改变“供应侧不确定性”，从而影响安全库存与再订货点。在联动中，交期信息应成为分层参数的输入之一，而不是只在事后补救。
5.3.2 备选供应与分层缓冲
若存在备选供应或替代交付方式，高波动层可提前设置缓冲与切换条件。例如当主供应无法按时履约时，触发备选供应以减少缺货。
这相当于把“供应的不确定性”转化为“可操作的应对选项”，从而提高策略韧性。
6 常见问题与调参经验（轻度“吐槽式”）
在真实落地中，问题往往不是算法不会算，而是“数据和执行不配合”。以下经验以轻度吐槽的方式总结常见坑位。
6.1 阈值选错会发生什么
阈值一旦选得过于粗糙，可能出现两种反常结果：要么把大量 SKU 误归到高波动层导致库存冗余，要么把真正波动大的 SKU 归到低波动层导致缺货频发。更糟的是层级切换过于频繁，让运营团队像在跟着系统“猜谜”。
建议对阈值进行回测与稳定性评估，并在必要时引入滞后或缓冲区。
6.2 数据口径不一致的“隐形bug”
同一 KPI 在不同系统里可能含义不同：例如“销量”是否包含退货、是否剔除了促销期极端行为、缺货的定义是零售层面还是仓库层面。口径不一致会让波动指标失真，从而出现“系统很努力但结果很离谱”的情况。
解决办法是建立统一的数据字典与计算口径，并在数据管道中做一致性校验。
6.3 分层太多导致管理成本爆炸怎么办
分层层级越多，策略差异越细，参数维护与监控工作量也越大。若层级数量超过运营能承受范围，系统可能变得“很精细但不可用”。
通常做法是先控制在三层或有限层级内，把可变性放在同一层级内部的动态参数上，而不是把层级拆得太碎。
6.4 “需求不讲道理”时的应对套路
遇到需求结构突变、渠道重构或外部事件影响时，历史波动估计可能失效。此时可采用“加快更新频率+暂时提高高波动层保障强度+加强预测漂移监控”的应对组合。
同时要避免一刀切：对真正受到结构性影响的 SKU 做更快的重算，对其他 SKU 保持稳定策略，减少无意义频繁调整。
7 参考与拓展阅读方向
该部分给出进一步学习的方向，便于理解库存管理与预测方法的知识脉络，以及在不同行业的变体落地思路。
7.1 库存管理与预测的经典方法脉络
可关注时间序列预测、需求分布估计、服务水平建模、以及基于预测误差的库存策略等内容。理解“预测误差如何转化为安全库存”是衔接 XYZ 的关键。
7.2 分层策略在不同行业的变体
不同行业对“波动”的理解方式可能不同，例如制造业可能更强调交期可靠性，零售业更强调销量变化与促销影响。可按行业特点调整指标选择与阈值映射方式。
7.3 可实现的系统化落地要点
重点可以放在数据管道、参数版本管理、回测与监控闭环、以及与计划系统的接口方式上。落地的核心不止是算法本身，还包括可解释性、可追溯性与可维护性。