Shopee销量的季节波动：旺季前怎么提前判断

类目有没有季节规律

判断季节规律这件事，先要分清三种不同的周期。一种是节假日周期，比如节庆礼品、年货，买点集中在固定节日前后。一种是气候周期，比如泳装和保暖衣物，跟着气温走。一种是日历周期，比如学生用品，跟着开学日期走。三种周期的判断方法不完全一样。

节假日周期的特点是日期固定但需求窗口很窄。节前两三周需求爆发，节后迅速归零。这类类目的备货容错很低，早一周压货，晚一周错过。判断要点是确认历年的爆发窗口有多宽，然后按窗口宽度而不是按月来安排备货。

气候周期的特点是窗口宽但起点会漂移。气温比往年早暖两周，泳装的旺季就提前两周。这类类目没法靠固定日期踩点，只能靠持续的天气和热度观察来调整。备货要留出前后各两三周的机动空间。

日历周期的日期相对固定，但会被平台大促叠加放大。开学季恰好撞上平台促销，两者的需求叠在一起，销量会明显高于单纯日历周期应有的水平。判断容量时要把两个因素分开估，否则会高估纯季节需求。

还有一类是伪季节。看上去有波峰波谷，实际上是当年的运营动作或者平台流量分配造成的，明年未必重演。分辨办法是看两年的波峰是不是落在同一个位置。第二年没重演的，就不是季节规律，要当成当年事件处理。

实际操作上，验证季节规律的第一步是取两年的月度销量数据。一年的数据只能看出这一年的形状，看不出这个形状会不会重演。两年的同月数据摆在一起，波峰是不是落在同一个位置，一眼就能判断。

第二步是把月度数据换算成指数。每个月除以当年月均，得到相对水平。用指数比较而不是用原始量比较，是因为类目总量每年都在变。指数消掉了规模变化，剩下的是纯粹的季节形状。

第三步是区分季节和趋势。如果两年的指数形状相似但水平在抬高，说明类目既有季节又有增长。这两个因素要分开记，季节部分用来定备货时点，增长部分用来定备货总量。混在一起容易把增长当季节。

第四步是确认这个规律能不能用。判断标准是两年的波峰位置重合度。重合得好，规律可用，备货可以提前安排。重合得差，说明还有未被识别的因素在起作用，这时候按规律备货的风险偏高，应该先用小批量试。

确认规律之后要做的一件事是标注不确定区间。规律里哪些月份是确定的，哪些月份可能有漂移，写在表上。确定的部分按计划执行，不确定的部分留机动。这个区分能让备货计划既有依据又有弹性。

一个具体的例子。某做户外用品的店铺，一开始以为自己的类目没有季节，因为全年都有稳定出货。把两年月度数据排开之后发现，销量本身确实平，但防晒类的单品指数在夏季明显高，保暖类在冬季高。总量平是两类季节性商品互相抵消的结果，不是没有季节。

这个例子说明一个细节：判断季节规律要下到子品类，不能只看类目总量。总量平稳可能掩盖了内部的对冲。把子品类分开各算一次指数，才能看到真实的季节结构。这一步的工作量比只看总量大一些，但结论可靠得多。

边界情况是多市场经营。同一个类目在不同市场可能有相反的季节，北半球旺季在夏季的商品，南半球同期是淡季。做整体备货计划时要把各市场的季节相位对齐，不能用一个市场的规律去安排所有市场的货。

还有一个边界是季节切换期的库存。季节交界那个月，两个季节的商品同时在售，销量结构会很混杂。这个月的数据不适合用来判断任一季节的规律。处理办法是把交界月单独标注，排除在规律计算之外。

记录季节结构时，建议写清判断粒度。比如标注为按子品类判断，防晒类夏季指数一点八。粒度写清楚，后来人看到这个结论时就知道它适用范围有多宽，不会拿子品类的规律去套整个类目。

季节规律不是感觉出来的，是先把历史数据按月份对齐再看出来的

从历史数据找波峰

找波峰的第一步是把历史销量按月对齐。同一批链接，或者同一类目的大盘，把它们过去两年每个月的销量排成一张表。对齐的粒度用月比较稳，用周会在节假日漂移的时候错位，用季又太粗看不出窗口宽度。

第二步是算每个月的相对水平。把每个月除以全年月均，得到一个月度指数。指数大于一的月份就是旺季月，明显大于一的月份是波峰。用指数而不是原始量，是为了把整体规模增长的影响消掉。规模涨了但季节形状不变，指数才能看出形状。

第三步是看波峰的宽度。有的类目波峰是一个月，有的是两个月，还有的是双峰，一年里有两个小高峰。宽度决定了备货的持续时间和分批发货的节奏。单峰窄窗口和双峰宽窗口的备货安排完全不同。

第四步是看波谷的位置和深度。波谷的深度决定了淡季要承担多少固定成本，也决定了旺季要把多少费用赚回来。波谷浅的类目可以全年平推，波谷深的类目必须把资源压在旺季。这一判断直接影响推品的节奏安排。

第五步是看波峰之间有没有年际漂移。把两年的月度指数叠在一起比，看波峰月份有没有挪动。挪动一两周属于正常，挪动一整月说明类目的季节驱动因素发生了变化，需要重新找原因。

找波峰的操作第一步是选定统计对象。可以用自己的商品，也可以用同类目的一批竞品。用竞品的好处是数据不受自己运营动作的干扰，更能反映类目的真实季节。用自己数据的风险是把推广节奏当成了季节。

第二步是决定取数粒度。品类差异大的用月粒度，变化快的类目可以用双周。粒度太粗会把窄窗口的波峰抹平，太细又会因为单周波动大而看不清方向。先用月粒度看形状，确认有波峰之后再细化。

第三步是给每个月标上相对指数。把两年数据算出来的指数并排列出，波峰波谷会自动浮现。这一步不需要任何工具，一张表加一列公式就够。把结果可视化之后，波峰的位置和宽度都会更直观。

第四步是标出波峰的起止月。起止月决定了备货窗口的长度。窗口是四周还是八周，直接决定第一批下单多少、第二批什么时候下。只有知道了窗口宽度，备货计划才谈得上排期。

第五步是把异常年份单独标注。遇到平台大改版、类目结构大调整的年份，那年的形状会失真。用这样一年的数据去推规律会带偏判断。标注之后，宁可只用一年干净的数据，也不要掺进失真的一年。

一个具体的案例。某做礼品包装的对手，销量在每年的两个时间点明显抬升，一个在年节前后，一个在年中。单看一年会以为年节是唯一波峰，两年叠起来才看出年中那个稳定的次高峰。这就是双峰类目被单年数据掩盖的典型。

双峰类目的备货安排和单峰不同。不能在两峰之间完全停工，因为间隔短的话留着的人员和仓储成本反而更低。判断双峰之间要不要保留产能，看的是两峰之间的间隔长度和间隔期的出货量。间隔短且出货不为零的，保留连续供应更划算。

另一个案例是关于波峰位置的漂移。某类目的波峰连续三年都在往前提，一年提前一周多。原因是竞品们集体提前预热，把需求窗口整体拉前了。这种漂移不是自然季节变化，而是竞争行为造成的。识别出来之后，自己的预热节奏也要跟着前移。

边界情况是数据天数不足。如果某个历史月份的取数天数不满整月，那个月的销量会被低估，指数跟着偏低。用这种月份去算规律会拉低那个月的权重。处理办法是把不足整月的期次单独标注，不参与指数计算。

记录波峰信息时，建议同时记下宽度和漂移量。宽度用周数表示，漂移量用每年提前或延后多少天表示。两个数字一起记，明年的备货时点就不需要重新摸索，把今年的时点加漂移量即可。

波动幅度越大，提前判断的价值越高，备货踩点的收益也越明显

从搜索热度提前看

销量是结果，热度是前端。买家在成交之前通常先搜索，所以搜索热度的抬头往往早于销量的抬头。这个时间差就是提前判断的空间。差多少因类目而异，多数在两到四周这个区间，节庆类目会更长一些。

搜索热度的一个优势是颗粒度更细。销量按天看波动很大，热度按天看相对平滑，趋势线更容易看出方向。判断苗头时可以先看周维度的热度环比，连续两三周环比上行，就是需求在酝酿的信号。

加购和收藏是介于热度和成交之间的中间信号。它们既反映意图又反映犹豫。加购在涨而成交没动，说明需求已经在蓄积，等到价格或者活动条件合适就会释放。这类信号对判断爆发时点很有帮助。

广告的出价成本也是一个可用的领先指标。旺季来临前，同类目买家的竞争会推高广告位的成本，出价成本的上升往往先于销量的爆发。它反映的是同行在备战的节奏，用来判断旺季启动时点很直观。

用热度信号时要注意口径。同一个搜索词的表征会随季节变化，冬天搜的词和夏天搜的词可能不是同一批。跨季节比较之前要先确认词表有没有变。词表变了，热度的可比性就没了，前面的对比也没意义。

用热度做判断的第一步是把搜索词固定下来。同一个商品可能对应好几个搜索词，热度分别看会得到不同的曲线。选词的标准是哪一个词的搜索量最大、最贴近商品本身。选定之后长期不换，曲线才有可比性。

第二步是把热度按周对齐，算环比。单周的热度会因为偶发事件跳动，看连续两三周的环比更稳。连续上行说明趋势，上下反复说明还在震荡。判断苗头看的是连续性，不是单周的高低。

第三步是把热度和销量两条线叠在一起看时间差。把两个指标的峰值分别标出来，量出中间隔了几周。这个间隔就是自己类目的领先时间。不同类目不一样，要用自己的数据量，不要套用别人的经验值。

第四步是把加购和收藏作为辅助信号。当热度已经在涨而成交还没动时，看加购有没有同步涨。加购也涨，说明需求确实在蓄积；加购没动，说明热的可能不是自己的款，需要再核一次词表。

第五步是设一个触发阈值。热度环比连续上行超过三周就启动备货流程，这就是一个可以写进流程的触发条件。把判断变成触发条件之后，就不用每次都重新讨论要不要备货，执行效率会高很多。

一个具体的场景。某做厨房小家电的类目，发现平台的搜索热度从某周开始连续三周环比上行。当时销量还没有明显变化，按热度信号提前下了单。四周后销量果然跟上，货刚好在爆发前入仓。这个案例里热度比销量早了大约四周。

这个提前量因类目而异，不能照搬。决策周期短的类目，买家看到就买，热度与销量的时间差短。决策周期长、比价充分的类目，买家要先看几周，时间差就长。判断自己的时间差，只能用自己类目的历史数据量。

边界情况是热度被外部事件拉高。某个话题带火了一类商品，热度会突然飙升但未必转化为自己这个具体款式的销量。这时候要把热度拆到具体搜索词上看，泛词的涨不代表长尾词也在涨。词选错了，判断也会跟着错。

还有一个边界是热度的季节性与趋势性叠加。热度上行可能是季节因素，也可能是这个品类本身在扩大。两者处理方式不同，季节因素要按窗口备货，趋势因素要按长期扩量处理。区分办法是看往年的同期热度是不是也有类似的抬升。

记录热度信号时，建议写清三件事：用的哪个词、观察窗口多长、判断的时间差几周。这三项决定了这条信号能不能复用。只记一个涨了的结论，下次换人看时不知道该怎么判断。

提前多久准备库存

备货时点要从采购提前期往前倒推。假设从下单到货品可售需要六周，那么要让货到时间早于预计的热度峰值六周下单。倒推出来的这个时点是下单的最晚期限，不是理想期限，实际应该再留一点缓冲。

缓冲留多久要看供应稳定性。常规款供应商备料充足，缓冲可以短一些。定制品或者面料有交期的品类，缓冲要长。行业里的通行做法是把缓冲定成提前期的两成到三成，这个比例能覆盖多数意外。

备货量按什么定是第二个问题。简单的做法是按波峰月的预计销量备，但波峰月本身很难估准。更稳的做法是按去年波峰月的实际销量，乘上一个温和的增长系数，同时设一个上限，避免过度乐观。

分批下单是降低风险的关键动作。第一批备到能覆盖旺季前段，量不需要最大。等热度信号确认之后，再下第二批补足旺季后段。这个两段式结构比一次性押注更稳，代价是总量控制上要多一点协调工作。

还有一类品类不适合分批，就是窗口特别窄的节庆类目。节前两周需求爆炸，节后归零，第二批货到的时候窗口已经关了。这类只能一次性备足，判断的重点就变成了备货量有多准。风险集中在这一个决策上。

定提前期的第一步是把采购全流程的时间拆开。询价、下单、生产、质检、头程运输、清关、入仓上架，每一段各占多久。把每一段写出来，加起来才是完整的提前期。凭印象估通常偏乐观。

第二步是给每一段加上波动幅度。生产段可能因为排产紧而延后，运输段可能因为旺季舱位紧而延后。把各段的历史最长时长加总，得到的是最坏情况的提前期。备货计划要按这个最坏值来定，而不是按平均值。

第三步是从预计的旺季开始日往前倒推。倒推的结果就是下单的最晚时点。这个时点必须显式写进计划，而不是留在脑子里。写在计划里的日期才会被跟进，留在脑子里的日期会被别的事挤掉。

第四步是分批下单的时点也要一起排。第一批的时点由最坏提前期决定，第二批由热度确认时点决定。两个时点都要写清楚。只排第一批、第二批临时决定，很容易在两批之间出现断档。

第五步是给计划设一个复核点。在旺季开始前一个月回看一次，确认热度信号、在途进度、库存余量是否都对得上。复核发现偏差还有时间补救，等到旺季开始才发现就来不及了。

一个具体的排期例子。某商品的采购提前期是八周，其中生产三周、运输三周、清关与入仓两周。最坏情况下运输会延到四周半，那么整个提前期要按九周半来算。旺季在第五月第一周，最晚下单时点就是第二月第二周。这个日期提前半年就定下来。

这个例子的重点是排期要留出最坏情况的余量。按平均提前期排期，看起来时间宽裕，实际遇到运输延误就直接错过旺季前段。旺季前段的销量通常占整个旺季的一半以上，错过的代价比多备一点库存大得多。

边界情况是首单新品。新品没有历史销量作参照，备货量无法用去年同期估。这时可以先按类目里同类款的中位销量估一个基准量，再设一个小批量的试销。试销数据出来之后，再决定补货规模。不要一上来就按乐观销量备。

还有一个边界是取消订单的风险。旺季前下单量大，供应商通常要求更高的定金比例。如果备货押错，取消的成本会很高。分批下单能降低这个风险，因为第二批的决策是在看到热度信号之后才做的，押错的概率更低。

记录备货排期时，建议把计划时点和实际时点各记一列。计划什么时候下单，实际什么时候下单，偏差多少天。攒几轮之后就能看出自己的排期习惯是偏紧还是偏松，下一轮排期可以据此调整。

旺季中的库存调配

旺季中的核心矛盾是规格之间的失衡。总量备够了，但某个主销规格先卖完，剩下的规格堆在仓库里，链接的整体转化会跟着掉。旺季前的备货比例要按规格的历史销售结构来分配，而不是按总数平均分。

分仓是第二个可调的变量。如果同时经营多个市场，把货压在离主要市场近的仓里，能缩短最后一段的配送时间。旺季期间物流压力大，这一步节省的时间往往能决定排名能不能守住。

在途货物的优先级也是旺季中能做的调整。几批货同时在途时，把先到岸的那批优先分配给销量最快的规格。这个调度不需要改变总备货量，只是调整到货顺序，操作成本很低，效果通常很明显。

旺季中还要盯住竞品的断货情况。如果主要对手在旺季中途断货，它让出的流量会在短时间内被同行分掉。这时候如果有备货余量，加投是有价值的。前提是余量确实存在，不能动到主销规格的安全库存。

还有一个动作是动态调整价格。旺季中需求旺盛，适当收缩优惠幅度能改善毛利，但幅度太大会影响转化。判断依据是当期的转化率有没有明显高于常态，转化宽松的时候才有收缩的空间。

旺季中调配的第一步是每天盯主销规格的库存天数。用当前库存除以近几天的日均出货，得到还能撑几天。这个数字比库存总量更能反映风险，因为总量看着充足而主销规格可能已经告急。

第二步是给在途货物排序。同一批订单里有多个规格时，把先到的那批优先补主销规格。这个调整不改总量，只是改结构，实施成本很低。旺季期间把这个顺序理顺，能避免主销规格断档。

第三步是盯竞品的断货窗口。每天看主要对手的主销规格还有没有货。对手断货时它让出的流量会流向同层级的链接，此时有备货余量的话加投效率最高。这个机会窗口通常只有几天，需要提前把余量备好。

第四步是价格动作要谨慎。旺季需求旺，看起来可以抬价或者收优惠，但需求旺盛不等于价格不敏感。抬价前先看当期的转化率和加购情况，转化宽松才有空间，转化紧张时抬价会直接掉量。

第五步是记录每天的调配动作。什么时候挪了哪批货、为什么挪、结果怎样。旺季结束后复盘时，这些记录能告诉你哪种调配有效、哪种是白费。没有记录的话，旺季一过细节就全忘了。

一个具体的调配场景。某店铺在旺季第二周发现主销规格的库存天数只剩五天，而两批在途货物中先到的那批主要是冷门规格。于是临时把先到批次的规格结构做了调整，把主销规格挪到最早到达的那批。这个动作没增加总备货，却补上了最紧的口子。

这个场景里的关键指标是库存天数而不是库存量。同样的库存量，出货快的规格和大规格的耐用品消耗速度完全不同。用天数来衡量，各个规格之间才有可比性，也才能排出优先级。

边界情况是多市场之间的调货。不同市场的库存可以互相调拨，但调拨有时间成本，跨市场调货通常要一到两周。只有在断货风险高到值得这个时间成本时才做，否则不如用当地的在途货物优先补。

还有一个边界是平台活动资源带来的集中出货。某个规格被选上活动位，短时间出货量会远超平时。这类情况要在活动开始前就把该规格的库存单独预留出来，不与其他渠道共用。共用的话，活动一开就容易被别的渠道抽空。

记录调配动作时，建议把动作类型分成几类：规格间挪货、市场间调拨、在途优先级调整。分类记录之后，复盘时就能看出哪类动作最有效。混成一团记，复盘时只能看到一堆零散的操作。

不同信号领先的时间不一样，能落到备货的才是好信号

旺季后的收尾

旺季结束的判断依据是尾部斜率，也就是销量从峰值回落的速度。回落速度趋缓说明还有长尾需求，可以继续按小量补货。回落速度陡峭说明需求窗口关了，继续补货就是积压。这两条路的分岔要在第一周就判断出来。

收尾的第一件事是盘点库存结构，而不是只看总量。总量看起来充足，但主销规格可能已经空了、冷门规格堆着。旺季后的下一波需求往往还在主销规格上，缺的还是要补，多的要另想办法消化。

第二件事是核算这轮旺季的实际利润。把销量、单价、推广花费、退货率放在一起算，得到一个真实的投入产出比。旺季看着热闹但利润薄的情况很常见，算清楚才知道下一轮值不值得加大投入。

第三件事是复盘波峰的实际位置。这一年的波峰是不是和历史规律一致，提前了多少天，偏离了多久。把偏离量记进规律表，明年的备货时点就能更准。这个偏差本身就是最值钱的经验。

收尾的最后一步是清掉不适合过季的库存。季节属性强的商品留到明年会占用仓储并且有过时风险。该清的要尽早清，不要拿着旺季的销量去估明年的价格。过季清仓的价格和旺季完全不是一个量级。

收尾第一步是看尾部斜率。连续三天的销量相对峰值回落了多少，回落是加速还是趋缓。趋缓说明长尾还在，可以按小量继续补。加速说明窗口要关，别再补货。这个判断要在旺季结束后一周内完成。

第二步是盘点库存结构。按规格分开看，哪些已经空了、哪些还堆着。空的是下一波还可能缺的，堆的是要另想办法消化的。只盘总量会得出错误的结论，因为结构问题会被总量掩盖。

第三步是核算真实利润。把这一轮旺季的销售额、各项费用、退货损失放在一起算。旺季的推广花费通常高于平时，退货率也可能上升，两个因素都会吃掉利润。算清楚了才知道这一轮到底赚没赚。

第四步是复盘波峰位置。这一年的波峰比历史规律提前了还是延后了，量差了多少。把偏差写进规律表的备注列，明年排备货时把偏差考虑进去。年复一年积累，判断会越来越贴近实际。

第五步是处理过季库存。季节属性强的商品留在手里会占仓储并且有款式过时的风险。该处理的尽早处理，不要用旺季的价格去预期。处理价和旺季价不是一个量级，预期定高了会一直拖着。

一个具体的收尾例子。某店铺在旺季结束后的第二周盘点，发现总量还剩四成，看起来库存充足。按规格拆开后发现主销规格只剩不到一成，其余都是冷门规格。如果只看总量就停止补货，下一波复苏时会立刻缺主销规格。结构盘点的价值就在这里。

另一个细节是尾部的需求性质会变。旺季时的需求集中在几个主流规格上，旺季后的长尾需求反而更分散，买家开始挑冷门规格。这意味着旺季中堆积的冷门规格在旺季后有可能消化掉，不要急着按旺季的结构去清货。

边界情况是跨年库存。季节属性强的商品，过季之后要在两个选择之间决定：清仓处理，还是留到明年。留到明年的收益上限是明年的旺季价减去一年的仓储成本，还要承担款式过时的风险。仓储成本高或者款式更新快的类目，倾向清仓更稳。

还有一个边界是退货回流。旺季的退货往往在旺季后一到两周集中回来。这批退回的商品状态多半还能二次销售，盘点库存时要把这部分算进去，否则会低估实际可用库存，导致不必要的补货。

记录收尾结果时，建议记下三件事：波峰实际位置、库存结构剩余、这轮的真实利润。三件一起记，明年复盘时能形成完整的参照系。只记利润不记结构，明年还是会重复犯备货比例错配的问题。

搜索热度通常比销量早两到四周抬头，这几个月差就是备货的时间窗口

把季节规律写成表

规律表的结构建议分四块。第一块是类目与链接的范围，写清这张表覆盖哪些商品。第二块是月度指数，把两年和平均的月度指数都放进去。第三块是领先指标，记下热度抬头的通常时间点。第四块是备货时点与提前期。

月度指数要保留两年的原始值，不要只留平均值。两年的值都在，才能看出年际漂移。只留平均会把漂移抹平，而漂移恰恰是备货时点要调整的依据。多留一列的成本很低，价值却很高。

领先指标那一列要写清取数口径，包括搜索词、统计周期、地区范围。口径不写清，明年换人取数就可能不一致，整张表的可比性就断了。口径这一列看起来琐碎，实际是这张表能不能长期用的关键。

备货时点那一列要写成相对时间而不是固定日期。写成旺季前八到十二周下单，而不是写成某月某日。相对时间能自动适应波峰的漂移，固定日期每年都要重算，容易出错也容易忘。

表写完要设一个更新机制。每年旺季结束后更新一次，把实际波峰位置和实际提前期填回去。更新的时候顺手核对一下类目有没有结构变化。一张会自我修正的表，用三年之后比任何外部经验都靠谱。

搭表的第一步是固定列结构。建议包含月份、去年指数、前年指数、两年均值、波峰标记、领先指标状态、备货时点、备注八列。列定下来之后每年只填数不改结构，这样历史数据才能纵向比较。

第二步是把相对时间写进去。备货时点那一列写旺季前多少周，而不是写具体日期。相对时间能自动适应波峰漂移，不需要每年重新算。这一个写法上的选择，能让这张表多用好几年。

第三步是留出备注列记录例外。某年因为特殊原因没按规律走的，写进备注。备注列的存在让这张表能容纳异常，而不是被一次异常就推翻。规律表和例外记录放在一起，才算完整。

第四步是把表放在固定的位置并定期更新。存放位置要写进交接说明，让接手的人找得到。更新频率定为每年一次，在旺季结束复盘时做。位置不固定或者更新随缘的表，两年之后就没人用了。

第五步是把表的用途讲清楚。这张表是备货计划的输入，不是业绩总结。它的目的是让下一轮的备货时点更准，所以更新时重点填的是实际提前期和实际波峰位置。理解用途之后，填写重点自然会不同。

一个具体的表格结构示例。第一列月份一到十二，第二列去年指数，第三列前年指数，第四列两年均值，第五列标记旺季淡季，第六列领先指标观察期，第七列备货下单时点，第八列备注。八列铺开之后，全年安排一眼可见。

这个结构里最容易漏的是第六列。领先指标观察期决定了什么时候开始盯热度数据。没有这一列，热度信号是随机看到的，看到时可能已经晚了。把观察期写进表，盯数据就变成一个按日期触发的固定动作。

边界情况是表跨类目使用。不同类目的波峰位置和领先时间都不同，同一张表塞进多个类目会互相干扰。建议一个类目一张表，或者在一张表里按类目分区。混用会让每一行都要先判断属于哪类，用起来很累。

还有一个边界是表的更新者变动。换人更新时，新的更新者可能不理解某一列为什么这样填。所以每列的表头下面加一行简短说明，写清这一列填什么、从哪取数。这一行说明能让表在换人之后继续用下去。

最后一点是关于表的规模。不必做成大而全的系统，一张能覆盖主销品类的表就够用。表越大维护成本越高，越容易中断。小而稳定、每年更新一次的表，比全面但没人维护的表有用得多。这一点在记录类工作上普遍成立。

常见问题（FAQ）