烘焙行业常用订货算法介绍

烘焙订货的难点在于产品特性两极分化：现烤面包、蛋糕这类短保产品保质期以天计，订多即滞销、订少即缺货；面粉、馅料这类长保原料则要控库存、防积压。单纯凭经验订货，很容易陷入"缺货流失生意、滞销造成损耗"的两难。围绕这一矛盾，行业沉淀出三种适配性较强的订货算法，按门店规模、产品特性与订货周期分别适用；在它们之上，还要按促销、退货率、估清、同期波动、节日与起订区间各修一轮。本文说明这三种基础算法的核心逻辑、计算口径与适用边界，并逐条给出系统预置的六套微调规则模板原文，供配置智能订货时参考；这些算法在系统中的编写与落地见 订货算法。

一、最低库存补齐订货法

核心逻辑

以固定库存为基准补齐缺口。提前为每款商品设定"最低库存"（门店日常运营所需的最低保障量），订货时只算最低库存与当前库存的缺口，缺口即订货量；订货周期不是一天一次时，再按周期天数放大基准。无需历史销售统计，是三种算法里最基础、最易上手的一种。

计算口径

• 订货周期为 1 天时：订货数量 = 最低库存 − 当前结存数；
• 订货周期大于 1 天（如 3 天、7 天）时：订货数量 = 订货周期 × 最低库存 − 当前结存数。

算出的订货量还要落到总部起订标准内收口：低于最低起订数量按 0 处理（本次不订），高于最高起订数量按最高起订数量订，避免超出管控范围。

适用场景

品类少、管理成本低的小型单店；保质期不小于 3 天、销量波动小的长保原料常规补货；培训资源有限、只需记住"补齐最低库存"的新店长；标准化程度高的连锁门店的基础补货。

特点与落地建议

优点是设置简单、无需统计历史销量、能守住基础库存、断货风险低。短板是灵活性差，无法跟随周次波动、节假日与促销调整订货量，容易出现"旺季缺货、淡季积压"，不适合短保产品。落地时长保原料的最低库存按 1–3 天用量设定（如面粉按 3 天用量），订货周期可取 3–7 天；短保产品若临时使用，最低库存按半天用量、按 1 天周期订货，以减少滞销。

二、安全存量订货法（销售预测补齐订货法）

核心逻辑

在最低库存补齐的基础上引入销量预测与安全存量，兼顾"防断货"与"控损耗"。先用历史同期销售数据预测当期销量，再叠加一层"安全存量"作为防止超预期、保障陈列的备用量，最终按"预测销量 + 安全存量 − 当前库存"补齐。它是烘焙行业最常用、最适配短保产品的算法，也是连锁品牌的主流选择。

计算口径

分四步：

1. 计算安全存量：安全存量 = 日均销用量 × 安全系数；
2. 按同期权重预测销量：预测销售数 = 上周同期销售数 × 0.5 ＋ 上二周同期销售数 × 0.3 ＋ 上三周同期销售数 × 0.2；
3. 计算基础订货量：订货数量 = 预测销售数 ＋ 安全存量 − 当前结存数；
4. 按起订标准收口：低于最低起订数量置 0，高于最高起订数量取最高起订数量。

第 4 步在系统里是一条独立的模板【按起订规则调整订货结果】，内置的【安全存量订货法】代码本身只算到第 3 步；需要起订区间收口时，把这条模板的代码接在算法最后即可。

关键参数：安全存量与安全系数

安全存量又称"展示量"，既防断货，也通过充足陈列吸引购买。例如门店希望打烊时货架仍留有 2 个蛋挞，这 2 个就是蛋挞的安全存量。安全系数把日均用量折算成这层备用量，取值越高陈列越满、损耗风险越大，越低越省但易缺货。

系统内置模板对这两个参数给了一套行业口径，可以直接对照自己的情况调整：

• 按保质期分开设。 长保质期货品（干货、内场保质期 3 天及以上的原料、面粉、外场的蛋糕曲奇等）安全存量建议设为 1 天的用量；短保质期货品（内场面包、外场裱花、切片、寿司等）按中厨、边厨冷藏冰箱的空闲、面包盘与甜甜盘的数量来定，一般每盘 2–3 个产品作为基本展示量。
• 短保的展示量有上限。 原则上短保质期货品的展示量不能超过当天预估销售量的 50%（营业额极低的门店除外），超过之后大概率出现滞销浪费。
• 两种定法。 门店面积大，安全存量通常取日平均销量的一定比例，这个比例就是安全系数；门店面积小，则按布局或营业状况给出一个相对固定的数量。
• 跟生意好坏挂钩。 生意好的门店安全系数应设高些，避免损失生意机会；生意差的要调低，避免过期损耗。建议按门店对商品物料批量设置，也可以对爆款单品或排名靠前的商品单独设一个更高的系数。
• 跟订货时点挂钩。 订货时间距离下班关门越近，安全系数可以越低——这段时间的安全系数约等于"该周期销量 ÷ 全天总销量"。举例：门店晚上 10 点下班，长期约定下午 6:00 订货、安全系数 0.4；若以后改到晚上 8:00 订货，安全系数应下调到 0.2–0.3。
• 没有绝对标准。 系数具体定多少，本质上是不同品牌门店的管理思想与管理策略，不存在唯一正确答案。

特点与落地建议

优点是贴合短保"新鲜度为王"的特性，既控损耗又防断货，行业经验上使用该算法的门店其短保损耗通常明显低于纯经验订货。它对历史销量与安全存量的准确性有要求，新品缺历史数据时预测偏差较大，宜先用保守参数试运行、积累销量后再收紧。适合 1 天 1 次订货的现烤类门店与连锁品牌。

三、销售预测订货法（日清产品专用）

核心逻辑

专为每日清库、未售当日退回工厂的烘焙产品设计。它依托烘焙销售较强的星期周期性，只用近 3 周同星期的历史销量加权测算，不再另设最低库存与安全存量，建议订货数直接取预测销量，再按日常业务微调，实现"以销定订、日清无积压"。

计算口径

预测销售数 = 上周同期销量 × 0.5 ＋ 上二周同期销量 × 0.3 ＋ 上三周同期销量 × 0.2，系统建议订货数即取该预测值。

特点与落地建议

权重随时间由近及远递减，上周权重最高（50%），更贴近近期消费趋势；只用历史同期数据即可测算，逻辑直观、数据易取。适合每晚清零、当日退回的日清产品；对需要跨天留存、或受促销与节日显著影响的品类，需叠加促销上浮、退货率下调、节日修正等调整规则，这部分在 订货算法 中以可维护的逻辑实现。

四、六套微调规则模板

前三节解决"基础订多少"，实际业务里还要按促销、退货、售罄、节日、起订区间再修一轮。系统【订货知识学习】页签一共预置九套模板，除上面三套基础算法外，其余六套就是这类微调规则：它们都不重新计算需求，只在上一步算出的 [订货数量] 或 [预测销售数] 上乘一个系数、或做一次加权，因此可以按需串接在同一段算法里。以下代码逐字取自系统内置模板，系数按自己门店的经验值改。

1）考虑促销调整订货结果

//  促销活动 会提升多少销售量 这个比例1.2相当于提升 20% 是一个经验值
if  [参加促销] then
 [订货数量] :=  [订货数量] * 1.2  ;

物料当期参加促销即上浮 20%。系数 1.2 是经验值，促销力度大的品类可以调到 1.3–1.5，力度小或只是常规会员价的可以降到 1.05。

2）考虑退货率调整订货结果

//  如果退货率过高，我们可以 降低订货数量，例如降低10%，这是一个经验值
if  [近7天平均退货率] >  [退货率标准]  then
 [订货数量] :=  [订货数量] * 0.9  ;

近 7 天平均退货率一旦超过【智能订货用户特点】里设定的退货率标准，说明上一轮订多了，本次整体下调 10%。退货率标准与是否计入报废、退回类型口径都影响这个数，改标准前先看 智能订货用户特点。

3）考虑估清时间调整订货结果

//  如果连续过早估清，我们可以 增加订货数量，例如增加10%，这是一个经验值
  if  [近3天估清时间]  < '18:01'  then
   [订货数量] :=  [订货数量] * 1.1  ;
  if  [昨天估清时间]  < '18:01'  then // 昨天仍然提前估清 继续增加订货数量
   [订货数量] :=  [订货数量] * 1.05  ;

估清时间就是当天卖空、报估清的时刻，字符型时间可以直接比大小。近 3 天平均在 18:01 之前就售罄，说明需求没被满足，先加 10%；昨天仍然提前售罄，再叠加 5%。这条规则专门对付短保爆品"天天订、天天早早卖光"的情况。判定时刻 '18:01' 要按门店打烊时间与估清录入习惯改。

4）考虑同期订货调整订货结果

// 为了保证订货数量不会波动过大 我们可以参考上周同期订货量来调整本次订货
  [上周订货量]  :=  0 ;
   if  [星期几] = 1 then
    [上周订货量]:= [近七天星期一订货量] ;
   if  [星期几] = 2 then
    [上周订货量]:= [近七天星期二订货量] ;
   ...（3～7 依此类推，分别取 近七天星期三订货量 到 近七天星期天订货量）

  if [上周订货量] <>  0 then
    [订货数量] :=  ([订货数量]*0.6) + ([上周订货量]*0.4) ;

按当天的 [星期几] 取最近 7 天里同星期几的实际订货量，再用 6:4 加权平滑本次结果，避免订货量在周与周之间大起大落。代码里的 [上周订货量] 是脚本内部的中间变量，不属于系统提供的输入参数，只在这一段里有效。

5）节假日调整销售预测

  if [节假日] then
   begin
    if  [公历节日] <> ''  then
    begin
      if ([公历节日] = '情人节')or([公历节日] = '圣诞节') then
          [预测销售数]  := ([预测销售数] *0.4)+([去年公历同期销售数]*0.6)
        else
           [预测销售数]  := ([预测销售数] *0.6)+([去年公历同期销售数]*0.4)
    end
    else
    begin
      if ([农历节日] = '除夕')or([农历节日] = '春节') or ([农历节日] = '元宵节')or([农历节日] = '中秋节') then
        [预测销售数]  := ([预测销售数] *0.4)+([去年农历同期销售数]*0.6)
    end ;
   end ;

系统识别的公历节日包括儿童节、父亲节、母亲节、感恩节、国庆节、记者日、建党节、建军节、教师节、劳动节、老人节、青年节、情人节、圣诞节、万圣节、愚人节、元旦节；农历节日包括除夕、春节、端午节、三八节、七夕节、元宵节、中秋节、重阳节。

写法上有三个要点：

1. 情人节、圣诞节这类对烘焙拉动最强的公历节日，把去年同期权重放到 0.6；其余公历节日按 0.4 去年同期、0.6 常规预测；
2. 农历只处理除夕、春节、元宵、中秋四个大节，其余农历节日不改预测；
3. 公历节日为空时才走农历分支，所以两个名称字段不要同时填。

内置模板给的这些权重同样只是参考起点，实际影响因子应当由零售企业按自己以往的经验重新定义。

6）按起订规则调整订货结果

//  针对订货数 考虑当前门店的订货模版的标准范围进行调整 建议这个规则放在算法的最后
  if  [订货数量] <  [最低起订数量] then
   [订货数量] :=  0 ;
  if [订货数量] > [最高起订数量] then
   [订货数量] := [最高起订数量]  ;

把结果收进门店订货模板的起订区间：低于下限直接归零（本次不订），高于上限按上限订。模板注释明确建议这一条放在算法的最后，前面所有上浮、下调都做完之后再收口，否则收口之后的微调又会把数量推回区间外。

串接顺序建议

一条完整的算法通常按"基础算法 → 促销 → 退货率 → 估清 → 同期平滑 → 节日 → 起订收口"的顺序书写。前五种微调是对 [订货数量] 连乘，同时命中时效果叠加而不是取最大值；节日修正动的是 [预测销售数]，要放在算出预测之后、算出订货数量之前。配好之后用 模拟测试数据 逐条验证单一规则与多重命中两种用例，再走 订货算法版本管理 上线。

五、三种算法的选用

算法	是否需要历史销量	主要适配	订货周期	局限
最低库存补齐	否	长保原料、小型单店基础补货	可 3–7 天	不随波动调整，短保易滞销
安全存量（销售预测补齐）	是	短保现烤、连锁主流品类	一般 1 天	依赖预测与安全存量准确性
销售预测订货法	是	每日清库、当日退回的日清产品	1 天	需叠加促销、退货率、节日修正

实际配置时通常按品类混用：长保原料走最低库存补齐，常规短保成品走安全存量法，日清产品走销售预测订货法，再按第四节的六套微调规则补上促销、退货、估清、节日与起订收口，最后在 订货算法 里为不同物料绑定不同算法、通过 订货算法版本管理 验算上线。

附：本文档变更记录

日期	变更
2026-11-09	初稿
2026-11-10	按客户端内置模板补第四节「六套微调规则模板」，代码逐字取自【订货知识学习】页签的预置模板；安全系数一节补入内置模板注释里的行业口径（长短保分设、展示量不超当日预估销量 50%、与订货时点的换算）；第三节改回系统里的模板名【销售预测订货法】；注明起订收口是独立模板、需接在算法最后