球衣卖断货为什么不一定值得庆祝？供应链可能已经错过了最好的销售窗口

一个模拟场景：夺冠后48小时，3.8万件主场球衣全部售罄

先看一个模拟示例。某职业联赛球队在赛季末打进决赛，品牌方按照常规赛季的销售节奏，为决赛周准备了3.8万件主场球衣，其中线上2.2万件、门店和场馆零售点1.6万件。决赛当晚球队夺冠，一位当红后卫在最后时刻完成绝杀。第二天上午，线上旗舰店的主场球衣搜索量是平时的9倍，到第二天晚上库存全部清零；门店的热门号码在第一天中午就只剩下小码和特大码。

运营群里的第一反应是庆祝：全部卖完，零库存，售罄率100%。但如果把时间轴拉长，这个结果并不好看。夺冠后的第3天到第10天，是球迷购买意愿最强的阶段，而这8天里商品页面显示的是“暂时缺货”。等补货到仓，已经是第24天，那时搜索量回落到峰值的两成左右，媒体话题转向了转会和新赛季。补回来的2万件里，有相当一部分最后要进入折扣渠道。

这篇文章想讨论的是：售罄是一个结果，不是一个结论。BB体育供应链研究组在看这类案例时，会把“卖完了”拆成几个问题——需求到底有多大、预测差了多少、补货为什么慢、窗口是什么时候关上的、下一次应该在哪个环节提前动作。

提前售罄首先说明的是：预测偏保守，而不是备货刚刚好

很多团队把售罄率当作商品计划的成绩单，售罄率越高越好。这个指标在常规商品上有一定道理，因为它反映库存没有积压。但对于球衣这类强事件驱动的商品，售罄发生的时间比售罄本身更重要。

如果备货在销售窗口的最后一天刚好卖完，说明预测和实际需求很接近；如果在窗口开始后两天就卖完，说明实际需求远大于预测，供应链在剩余的窗口时间里没有货可卖。上面的模拟场景中，窗口大约持续三周，而库存只撑了两天，这意味着对夺冠情景的需求估计偏低了好几倍，而不是“略有不足”。

预测偏保守通常有几个来源：

• 用常规赛季的周销量乘以一个固定系数来估计决赛周，没有区分“进决赛”和“夺冠”两种情景；
• 把上一次类似赛事的销量当作需求上限，而上一次本身也发生过缺货；
• 商品团队担心积压，在审批环节层层压缩，每一层砍掉10%到15%，最后的订单量比模型建议少了三分之一；
• 没有把球星个人热度和号码集中度放进模型，只看球队整体。

其中第二点最隐蔽，下一节单独讲。

报表里看不见的那部分需求：缺货以后记录下来的销量不是真实需求

销售系统只能记录“卖出去了多少”，不能记录“想买但没买到多少”。当货架空了、页面显示缺货，顾客会离开、会转去买别的号码、会等待，也可能直接去其他渠道购买。这些行为在销售报表里都不会以“需求”的形式出现。统计上这叫截断需求（censored demand）：观测到的销量被库存上限截断了。

在模拟场景里，报表显示决赛周卖出3.8万件。如果下一届决赛的预测直接用3.8万件作为基准，模型就会再次低估。更合理的做法是先还原被截断的部分，可以参考几类信号：

1. 缺货期间的商品页面访问量和“到货提醒”登记人数，例如缺货8天里有4.6万次到货提醒登记；
2. 售罄前每小时销量的斜率，在库存归零前是否仍在上升；
3. 替代购买比例，比如主场球衣缺货后客场球衣和训练服销量上升了多少；
4. 门店的询问记录和导购反馈，这部分需要人工整理。

把这些信号放在一起估算，模拟场景中夺冠情景下的真实需求大约在7万到9万件之间。这个区间很宽，但比“3.8万件”更接近事实。Demand Model 的第一项任务不是预测未来，而是先把历史数据里被截断的需求补回来，否则后面每一步都建立在偏低的基础上。

补一批球衣到底需要多久：把 Lead Time 拆成五段

“卖完了就赶紧补”听起来很简单，问题在于补货的 Lead Time 往往比销售窗口还长。一件印好号码的球衣从下单到上架，要经过面料准备、排产缝制、印号、质检包装、物流分拨几个环节。下表是一个模拟的时间拆解，用来对比需求窗口和补货周期：

即使全部环节都加急，最快也要两周以上才能把货送到顾客手里，而需求最强的10天在这之前已经过去。这就是为什么“卖完再生产”在事件型商品上几乎总是来不及。能在窗口内救回销量的，只有事先准备好的部分：已经锁定的面料、预留的产线产能、提前生产但未印号的空白球衣，以及分布在各区域仓的安全库存。

销售窗口在什么时候关上：热点衰减比补货速度快

球衣需求的时间形态和日常商品很不一样。日常商品的需求相对平稳，补货晚几天，损失的只是这几天的销量，后面还能卖回来。事件型需求是一条先陡升、再衰减的曲线：夺冠当晚到第3天是情绪高点，第4天到第10天是庆典、游行和媒体报道带动的第二波，之后逐步回落。错过峰值的销量大部分不会延后发生，而是直接消失。

模拟数据里，夺冠后第1到10天的日均需求约为5000件，第11到20天约为1800件，第21到30天约为900件。如果补货在第24天到仓，能接住的只是尾部需求；按照峰值估算下的2万件补单量，在尾部需求下需要两到三个月才能消化，中间还要经历新赛季球衣发布，旧款的价格会被进一步压低。

所以衡量一次球衣备货是否成功，看的不是售罄率，而是“窗口内满足率”：在需求最强的那段时间里，有多少比例的需求被满足了。模拟场景中这个数字不到一半。

缺货和积压是同一个问题的两面，两种成本都要算进来

商品团队倾向于保守，往往是因为积压的代价看得见：仓库里堆着的货、季末的折扣、财务报表里的跌价准备。缺货的代价看不见，没有一张报表会写“本次损失了4万件销量”。当一种错误有账可查、另一种错误没有，组织自然会倾向于回避前者。

比较合理的做法是把两种错误都量化。以模拟数据为例，一件球衣的毛利约为180元，窗口期后清仓的单件亏损约为60元。少备一件的损失是180元，再加上顾客转向其他渠道的长期影响；多备一件的损失大约是60元。在这个比例下，适度多备比少备更划算，备货量应该落在需求预测分布的偏高位置，而不是中位数。这和零售业常用的报童模型思路一致：缺货成本越高于积压成本，备货就应该越靠近需求区间的上沿。

当然，这种计算要按号码、尺码、渠道拆开做。热门号码的缺货成本高，冷门号码的积压风险大，把它们合成一个总数，会同时掩盖两类问题。具体怎么按情景拆分决赛备货，可以参考决赛前球衣需求预测的讨论。

AI应该在哪个环节提前介入，而不是在售罄之后才报警

如果AI只在库存归零时发出预警，它提供的价值很有限，因为那时候补货已经来不及。BB体育在设计体育供应链AI时，把判断前移到需求、生产、库存、物流四个环节，每个环节由不同的模型分工：

• Demand Model：在决赛前两到三周，根据赛程、球队胜率、球星热度、搜索和社交讨论，分别给出“止步半决赛”“进入决赛未夺冠”“夺冠”三种情景下的需求区间；
• Forecast Model：把需求区间按号码和尺码展开，给出每个情景下的号码集中度，例如夺冠情景中前三个热门号码可能占到总量的55%；
• Supply Chain Analytics：对照面料、产线、印号和物流的 Lead Time，倒推出每个决策点的最晚时间，例如“空白球衣必须在决赛前12天完成生产”；
• 库存与分仓策略：计算各区域仓的 Safety Stock，把一部分空白球衣放在靠近主场城市的仓库，赛后24小时内按实际热门号码印号发货。

这里最关键的一个动作是“延迟差异化”：把最难预测的部分（哪个号码会火）推迟到结果出来之后再决定，把最耗时的部分（面料和缝制）提前完成。空白球衣的积压风险比印好号码的球衣低很多，因为它可以在下一场比赛、下一次活动中继续使用。

这些模型的输出都需要商品和供应链负责人复核。模型可以把情景和成本算清楚，但“愿意为夺冠情景承担多少预投入”是一个经营判断，要由人来做。在BB体育的项目里，这一步通常以一张情景对照表的形式交给决策人，而不是直接生成采购单。

哪些判断可能出错，又该怎么验证

把预测前移，也意味着更早承担不确定性。常见的出错点有三类。第一，情景概率估错：球队夺冠概率被媒体情绪带高，导致预投入过多。第二，把一次性事件当成趋势：夺冠带来的需求高峰被误读为球队长期人气上升，下一季的常规备货也跟着放大，这类问题在球星热点与趋势误判中有更多讨论。第三，物流假设过于乐观：赛后城市庆典可能导致主场周边交通管制，区域仓到门店的配送时间比平时长一倍。

验证的方法是事后复盘，并且复盘要看对的指标：

1. 窗口内满足率，而不是售罄率；
2. 还原后的真实需求与预测区间的偏差；
3. 各号码、各尺码的缺货时长；
4. 补单到仓时间与需求峰值之间的时间差；
5. 窗口结束后剩余库存的清仓折扣率。

这些指标连续记录几次赛事之后，模型的情景概率和成本参数才有依据去校准。只看一次结果就调整参数，很容易被偶然因素带偏。

下一次决赛前，供应链可以提前做的几件事

回到开头的模拟场景。如果重来一次，供应链团队可以在决赛前三周完成情景预测，前两周锁定面料和一部分产线产能，前十天完成约3万件空白球衣的生产，并在主场城市附近的区域仓放置其中一半作为安全库存。赛后24小时内根据热门号码印号，48小时内开始分批发货。这样补货的实际 Lead Time 从24天缩短到3天左右，需求最强的10天里可以多满足三四万件订单。

如果球队没有夺冠，这3万件空白球衣也不会立刻变成损失，它们可以用于新赛季首发前的预售和季票持有人活动。这笔预投入的风险是有边界的，而且边界在决策前就能算出来。

球衣卖断货的那一刻，供应链真正需要问的不是“卖得好不好”，而是“本来还能卖多少、为什么没有卖出去”。把售罄率换成窗口内满足率，把“卖完再补”换成“按窗口倒推”，是BB体育供应链研究组在事件型商品上最常给出的建议。