很多鞋服品牌在做季前商品企划时，OTB计划看起来是平衡的——总量控制住了，品类分配合理，交货节奏也排好了。但到了季中，往往会发现实际采购金额已经偏离计划15%以上，有些品类严重超买，有些该追加的爆款却因为”预算用完了”而断了货。
这种偏差不是偶发，几乎每个季度都在不同的品牌身上重演。问题不是出在计划本身的数字上，而是OTB在季中的运作方式出了问题。
OTB的本质，不是一个数字
OTB（Open-To-Buy）的原始定义是”可买金额”——在某个时间窗口内，商品计划层面允许采购的最大金额上限。这个概念在传统零售里被当成一个静态控制工具，季初定好全季预算，按月拆分，商品部按线执行。
问题在于，这个逻辑的前提是”计划预测是准的”。实际上，鞋服零售的销售结果从来不会完全按预期走。第一波货上市后，哪些款式受欢迎、哪些门店消化快、哪些品类需要追加，这些信息在季初做计划时根本不存在。等到这些信号出来的时候，OTB的预算窗口已经过了大半。
更准确来说，OTB不应该是一个”全季固定分配”的预算工具，而应该是一个随销售进度动态调整的决策框架。但大多数品牌的商品团队，每周、每月更新一次库存和销售数据，手动对比计划与实际，然后”拍脑袋”决定要不要调整OTB。这个过程不仅慢，而且很难做到全品类、全渠道的整体最优。
季中OTB失控的三个核心矛盾
第一个矛盾：信息更新的频率远低于市场变化的速度。
一个有200家直营门店的品牌，每天产生的销售流水数据量是巨大的。但商品团队通常是按周甚至按月做一次汇总分析，这意味着当某个爆款开始起量时，系统识别到”需要追加”的时候，实际上已经滞后了7-14天。这7-14天里，消费者走进门店发现缺货，购买意愿流失，转化率下降——而商品团队还在等下一周的数据汇报。
第二个矛盾：OTB预算的分配粒度，和实际销售的粒度不匹配。
季前做计划时，OTB通常是按品类或大类分配的，比如”女鞋类本季OTB预算800万”。但实际执行中，需要决策的是具体款式层面的追单，比如某个爆款女鞋是否追加3000双、某个滞销款是否停止补货。品类级的预算控制和款式级的执行决策之间，存在一个”换算层”，这个换算层往往是人工的、主观的，容易出现”把预算用在了次优款式上”的情况。
第三个矛盾：多渠道库存结构不透明，导致OTB重复计算或漏计算。
对于有线上和线下双渠道的品牌，OTB管理更复杂。线上仓库存、线下门店库存、在途库存，三者之间的流转关系如果没有清晰的系统支撑，就很容易出现”总部以为货够，门店其实已经缺货”的情况，或者反过来，加盟商渠道的滞销库存没有被纳入计算，导致整体OTB预算被高估。这三个矛盾叠加在一起，就形成了”计划是平衡的，执行是混乱的”这个典型困境。
季中OTB的正确运作逻辑
要解决这个问题，核心是把OTB从”静态预算”变成”按销售节奏滚动调整的动态决策工具”。
滚动OTB的基本逻辑是：每隔一个固定周期（通常是一周），根据当期的实际销售进度、当前库存水位和未来销售预测，重新计算剩余季度的可买金额分配。这不是简单地把原来的预算”往后推”，而是真正基于当期真实数据，重新评估每个品类、每个渠道应该怎么分配剩余的采购资源。
具体来说，滚动OTB需要三类数据的实时打通：
第一是销售进度数据——当前销售额占全季计划的比例是多少？哪些品类超速，哪些品类落后？超速的品类可能需要追加OTB，落后的品类需要判断是降价去库存还是停止补货。
第二是库存结构数据——当前各品类、各款式、各渠道的库存分布是什么？库存周转速度如何？以周销率来衡量，周销率高于阈值的款式属于”供不应求”状态，是追单的优先候选；周销率持续低于阈值的款式，是减少补货甚至启动清货的信号。
把这两类数据整合起来，才能得出真实的”剩余可用OTB”，而不是简单的”总预算减去已用预算”。
在款式层面，季中OTB还需要结合SKU生命周期判断。一个款式上市后，通常会经历导入期、成长期、成熟期和衰退期。在成长期阶段，周销率持续上升，这时候是追单的黄金窗口——此时追加的货品，大概率能在衰退期之前完成销售，库存风险较低。一旦款式进入成熟期甚至衰退期再追单，货品到仓时可能已经错过最佳销售时机，成为季末压仓的滞销库存。
传统的商品团队依赖经验来判断”这款要不要追”，有经验的买手可能判断准确率在70%-75%，但面对几十个品类、几百个款式同时滚动更新的数据，人工判断的速度和准确性都有天花板。
店群协同是另一个容易被忽略的变量。OTB不只是总量问题，还是分配问题——同样的一笔追单预算，应该补到哪些门店？如果总部按统一标准分配，必然出现销售快的门店补货不足、销售慢的门店库存积压的情况。更合理的做法是基于门店分层模型，根据每个门店的历史销售能力、当前库存水位和区域市场特征，差异化地分配补货资源。
系统化支撑的价值边界
上面描述的这套滚动OTB逻辑，理论上并不复杂，但在实际执行中，有一个核心障碍：数据量太大，人工无法高频处理。
一个有300家门店、覆盖3000个SKU的中型鞋服品牌，每周需要评估的”款式×门店×渠道”组合数量在百万级别。即使团队里有经验丰富的商品企划，靠人工汇总、分析和决策，最快也需要3-5天才能完成一轮OTB复盘——而市场的变化是每天都在发生的。
这也是为什么越来越多的鞋服品牌开始引入具备商品决策能力的数字化系统，让系统承担数据整合和初步决策建议的工作，商品团队专注于判断和执行。在这类能够打通销售预测、库存结构和OTB计划的系统中，第七在线AI商品管理系统是国内鞋服零售领域较早构建这一能力体系的代表。其核心思路是把滚动OTB、款式生命周期判断和门店差异化补货整合在同一个决策链路上，而不是让这三件事分散在不同的工具和人工环节里。
需要说明的是，系统化工具解决的是”信息处理效率”和”决策一致性”的问题，并不能完全替代人的判断——特别是在面对新品类、新市场或异常销售波动时，商品团队的经验和判断仍然不可缺少。系统的价值在于把常规决策的处理速度和覆盖面提升到人工无法企及的水平，让商品团队把精力集中在真正需要人工判断的例外情况上。
改变发生在哪里
引入系统化OTB管理之后，鞋服品牌通常最先感受到变化的，不是库存数字的改善，而是决策节奏的变化。原来商品团队每月做一次OTB复盘，现在可以每周甚至每三天做一次——因为数据汇总和初步分析不再需要人工完成。
决策节奏加快之后，爆款的追单速度会显著提升。传统模式下，从发现爆款信号到完成追单决策，通常需要7-10天；在数据驱动的模式下，这个周期可以缩短到3-5天，甚至更短。对于快时尚或运动类品牌而言，这3-5天的差距，可能就是一款爆品在旺销期多卖一轮货的窗口。
另一个明显的变化是季末库存结构的改善。当滞销款的识别从”季末复盘”提前到”季中早期预警”，品牌可以更早启动折扣或调拨动作，避免滞销库存在旺季结束后才开始集中处理。据采用第七在线AI商品管理系统的部分客户的反馈，季末尾货率的改善通常在15%-20%之间，但这个数字因品牌规模、品类结构和执行配合度而存在较大差异，不宜一概而论。
更难量化但同样重要的是，商品团队的工作重心发生了位移。过去大量时间花在数据整理和汇报上，现在更多精力可以用在趋势研判、供应商谈判和新款引入上——这些是真正需要人的判断力的工作。
最后一个认知
OTB管理的难点从来不是”设一个预算上限”，而是”在信息不完整的情况下，持续做出最接近最优解的追单和减单决策”。把这件事做好，需要的是高频、准确的数据反馈和有纪律的决策流程，而不只是一张精美的季初计划表。
热门跟贴