1. 引言
快消品具有消费频率高、使用时限短、拥有广泛消费群体等特点，其市场需求受季节性促销、节假日及竞品活动等因素影响显著，这使得快消企业的库存管理面临巨大挑战。这类企业常面临三重典型困境：高价值进口品类因采购周期长、市场预判偏差，易出现大规模积压，占用大量资金并增加仓储成本；而爆款商品因需求波动剧烈，若补货节奏滞后，极易陷入缺货危机，不仅错失销售机会，还可能导致消费者流失；更棘手的是临期品损耗，日化产品保质期有限，一旦滞销临近过期，只能折价清仓甚至销毁，直接侵蚀利润。因此，精准平衡供需、优化库存周转，成为日化快消企业提升竞争力的核心课题。
S企业作为日本某跨国集团在中国的全资子公司，主营日化类快消品，其供应链结构复杂，上游依赖日本进口核心产品，中游通过华东、华南两大区域仓覆盖全国分销网络，下游对接商超、便利店及电商平台等多元化渠道。在此多层级供应链体系下，长期受高价值进口库存积压严重、爆款商品缺货率较高、临期品损耗较大等问题困扰，这些问题不仅增加了企业的运营成本，还影响了企业的市场竞争力。有效的库存管理是快消企业实现可持续发展的关键。通过科学合理的库存优化策略，企业能够在保证市场供应的前提下，最大限度地降低库存成本，减少资金占用，提高资金周转率。本研究将K-Means聚类算法应用于库存管理中，通过对产品进行精准分类并制定差异化策略，为解决库存管理痛点提供切实可行的方案。同时，本研究的成果也可为其他快消企业的库存优化提供借鉴，具有一定的理论和实践意义。
本研究旨在以S企业为例针对快消行业不同类别的产品制定差异化库存优化策略，旨在降低库存成本并减少缺货率，为快消企业的库存管理提供参考，2024年全品类库存数据为基础，通过K-means算法构建多维度商品分类模型，设计差异化库存策略，实现降低S企业的库存成本及减少缺货率的目标。研究内容如下：
(1) 收集并预处理S企业2024年的销售数据，包括异常值清洗和缺失值填充，并对产品进行传统的ABC-XYZ库存分类。
(2) 基于K-Means算法，选取月均销量、CV变异系数、ABC-XYZ分类构建三维特征空间，对产品库存进行聚类分析。
(3) 结合聚类结果，为不同类别的产品制定相应的安全库存策略和优化建议。
2. 文献综述
库存管理始终是学术界与企业界聚焦的重点领域。在国内，传统库存管理方法中的经济订货量(EOQ)模型，被诸多学者探讨其在实际应用中的局限性。例如，有研究指出该模型假设需求恒定，与现实市场中需求的动态变化不符，致使其在指导企业订货决策时存在偏差。安全库存模型同样受到关注，周群(2021)认为制造企业可借助制造系统(CIM)和资源管理系统(SAP)实现信息共享，以此优化安全库存的确定[1]。然而，实际操作中安全库存的设定非常依赖经验，缺乏精准的科学依据。伴随供应链管理理念在国内的深入发展，各类先进库存管理方法不断涌现。李梅(2020)基于中国传统企业存货管理的复杂环境，提出运用ERP管理系统对企业存货进行动态管控，从而实现采购、生产配送及售后环节的精细化管理，提升企业存货管理水平[2]。供应商管理库存(VMI)方面，熊璐(2020)从第三方物流视角，探讨了供应链管理存货对企业存货成本的影响[3]。联合库存管理(JMI)强调供应链各节点企业协同参与库存管理，通过信息共享与协同决策优化库存配置，国内相关研究表明，JMI有助于提升供应链整体的响应速度与效率。此外，国内在库存管理领域还积极探索新技术的应用，如物联网、大数据等，以实现库存的实时监控与精准预测。
聚类算法作为无监督学习算法，在国内库存管理研究中得到了极为广泛的应用。其中，K-Means聚类算法凭借其原理易懂、运算高效等特性，深受众多学者青睐，成为该领域的研究焦点。盛剑等(2017)基于Spark + MLlib的K-Means+算法，通过考察零售户的年销售量和年库存量，对卷烟零售户行为进行聚类分析，将客户分为三大类别，为卷烟销售和库存管理策略的制定提供了有力的决策支持[4]。刘文杰等(2024)在平均单位成本、全年货币使用量和提前期这三种库存决策要素的基础上，提出基于密度峰值聚类方法的多准则ABC库存分类模型，经研究发现，在成本–服务绩效方面，该DPC模型优于K-Means模型[5]。
ABC分类法依据产品的重要程度，如销量、利润等指标，将产品分为A、B、C三类，A类产品作为价值高、对企业影响大的部分，需重点管理；B类产品次之；C类产品价值相对较低，可采用较为宽松的管理策略。XYZ分类法则根据产品需求的稳定性，即需求波动率，将产品分为X、Y、Z三类，X类产品需求最为稳定，预测准确性高；Z类产品需求波动剧烈，预测难度大。国内研究将两者结合，形成ABC-XYZ分类法，这种融合方式能从价值和需求稳定性两个维度出发，更全面地反映产品特征。相关研究运用该分类法对产品进行分类，并制定与之适配的库存策略，有效提高了库存管理效率。徐晨伟(2025)提出结合ABC与XYZ分类法，实现库存的动态分级管理，并探讨滚动分类的必要性，为库存管理提供了新的思路[6]。孟超(2018)指出，传统ABC-XYZ分类法存在明显不足，其分类维度相对单一，难以全面涵盖产品在复杂市场环境中的特征。例如，产品的供应周期这一重要因素在传统分类法中未得到充分考虑，而供应周期长的产品可能需要提前规划库存，以避免缺货风险[7]。
3. 研究框架
3.1. 模型的构建
K-Means聚类算法的核心逻辑是通过迭代优化实现数据的智能分组，其核心目标是让同一簇内的样本具有高度相似性，而不同簇的样本则表现出显著差异。这种“簇内紧凑、簇间分离”的特性，能够精准捕捉数据中隐藏的结构模式，为后续分析提供清晰的分类依据。K-Means聚类算法的基本思想是将n个样本划分为k个簇，使得簇内样本的相似度较高，而簇间样本的相似度较低。其具体步骤如下：
(1) 随机选择k个样本作为初始聚类中心。
(2) 计算每个样本与各个聚类中心的距离，将样本分配到距离最近的聚类中心所在的簇。
(3) 重新计算每个簇的聚类中心，即簇内所有样本的均值。
(4) 重复步骤(2)和(3)，直到聚类中心不再发生明显变化或达到预设的迭代次数。
在本研究中，选取月均销量、CV变异系数、ABC-XYZ分类作为特征变量，运用K-Means算法对产品进行聚类分析。为确定最优聚类数量k，研究采用肘部法则与轮廓系数进行双重验证。肘部法则通过计算不同k值对应的误差平方和(SSE)——即所有样本到所在簇中心的距离平方总和，绘制SSE-k曲线。随着k增大，SSE持续下降，但当k超过某一临界值后，下降幅度显著放缓，形成“肘部”拐点，此时的k值在聚类精度与模型简洁性间达到平衡。轮廓系数则从样本个体层面评估聚类质量，通过计算样本与同簇其他样本的平均相似度、与最近异簇样本的平均相似度，得出单个样本的轮廓系数，整体系数越接近1，说明聚类效果越优；接近−1则提示分类错误；接近0则表明样本处于簇边界。
3.2. 数据来源及实验平台
数据来源及处理
(1) 数据来源
本研究的数据来源于S企业2024年一整年的销售数据，包括产品编码、销售数量和销售金额等信息。
(2) 数据处理
1) 异常值清洗：通过箱线图法检测销售数据中的异常值，发现部分产品存在销量或销售金额异常偏高或偏低的情况。对于异常偏高的数据，核实是否为促销活动等特殊情况导致，若为正常数据则保留，否则进行修正或删除；对于异常偏低的数据，检查是否为数据录入错误，若为错误则进行修正，否则保留。
2) 缺失值填充：在收集到的销售数据中，存在少量缺失值。对于缺失值较少的产品，采用该产品相邻月份的销量或销售金额的均值进行填充；对于缺失值较多的产品，由于其数据的可靠性较低，予以删除。
3) ABC分类：根据产品的销售金额占比进行分类。A类产品销售金额占比约60%，B类产品销售金额占比约30%，C类产品销售金额占比约10%。
4) XYZ分类：根据产品销量的变异系数(CV)进行分类。X类产品CV系数较小，需求相对稳定；Y类产品CV系数适中，需求有一定波动；Z类产品CV系数较大，需求波动较大。
5) 数据转换：为了使数据更符合K-Means算法的要求，对月均销量进行对数转换，以降低数据的偏态性。同时，对ABC-XYZ分类结果进行数值化处理，如将AX类记为1，AY类记为2，以此类推。对原始数据进行异常值清洗和缺失值填充，并进行传统的ABC-XYZ库存分类。
本实验使用的工具包括Python (Scikit-Learn, Pandas, Matplotlib)和EXCEL。其中，Python主要用于数据预处理、K-Means算法的实现、聚类结果的可视化等；EXCEL用于数据的初步整理和统计分析。算法核心是先对S企业的产品进行传统ABC-XYZ分类后，选取月均销量、CV变异系数、ABC-XYZ分类，基于K-Means聚类算法对产品库存进行分类。
4. 实验及结果分析
4.1. K-Means算法实验步骤
特征选择：选取月均销量、CV变异系数、ABC-XYZ分类构建三维特征空间。
(1) 绘制月均销量和CV变异系数的正态分布图，见图1：
Figure 1. Shows the normal distribution of the average monthly sales volume and the coefficient of variation of CV
图1. 月均销量和CV变异系数的正态分布图
通过绘制月均销量和CV变异系数的正态分布图(图1)，发现两个因子都呈现了极大的偏态特征，说明数据中存在较多的异常值，这也进一步验证了进行数据预处理的必要性。
(2) 数据清洗及异常值处理
对原始数据进行简单的数据处理，剔除实际销售数量不满六个月的产品，以保证数据的完整性和可靠性。
(3) 对产品库存进行ABC-XYZ分类
根据ABC-XYZ分类方法，对预处理后的产品进行分类。
(4) 聚类分析选取最优K值
通过肘部法则和轮廓系数评估，最终确定最优K值为4，见图2。
将K = 4代入K-Means算法，对产品进行聚类分析，从月平均销量、CV系数、ABC-XYZ分类三个维度建立坐标系，得到三维聚类分布图，见图3。
4.2. 聚类分析结果
4.2.1. 聚类中心点分析
不同聚类类别的产品在月平均销量、CV系数和ABC-XYZ分类等方面存在明显差异。Cluster 1的月平均销量最高，达到901,472.06，CV系数最小，为0.36，属于AX类产品，说明该类产品销量高且需求稳定；Cluster 2的月平均销量最低，仅为2491.79，CV系数最大，为2.19，属于CZ类产品，表明该类产品销量低且需求波动大；Cluster 3的月平均销量和CV系数处于中间水平，属于BX类产品；Cluster 0的月平均销量较低，CV系数适中，属于CX类产品，见表1。
Figure 2. Evaluation diagram of elbow rule and contour coefficient
图2. 肘部法则和轮廓系数评估图
Figure 3. Three-dimensional clustering distribution map
图3. 三维聚类分布图
Table 1. Cluster center points corresponding to different materials
表1. 不同物料对应的聚类中心点
聚类类别 |
月平均销量 |
CV系数 |
ABC-XYZ |
ABC-XYZ分类 |
数量 |
Cluster 0 |
6415.51 |
0.68 |
7.33 |
CX |
255 |
Cluster 1 |
901,472.06 |
0.36 |
1 |
AX |
3 |
Cluster 2 |
2491.79 |
2.19 |
9 |
CZ |
29 |
Cluster 3 |
44,671.42 |
0.59 |
3.55 |
BX |
131 |
4.2.2. 典型样本分析
不同族类的典型样本展示，见表2~5：
Table 2. Typical samples of cluster 0
表2. Cluster 0典型样本
物料编码 |
月平均销量 |
CV系数 |
ABC-XYZ |
S00496 |
6356.57 |
0.547405 |
7 |
S00238 |
160.25 |
0.83161 |
8 |
S00084 |
1250.4 |
0.771605 |
7 |
Table 3. Typical samples of cluster 1
表3. Cluster 1典型样本
物料编码 |
月平均销量 |
CV系数 |
ABC-XYZ |
S00020 |
675,950.1 |
0.304478 |
1 |
S00022 |
738,038.2 |
0.414355 |
1 |
S00381 |
1,290,428 |
0.355678 |
1 |
Table 4. Typical samples of cluster 2
表4. Cluster 2典型样本
物料编码 |
月平均销量 |
CV系数 |
ABC-XYZ |
S00328 |
8575.33 |
1.513705 |
9 |
S00325 |
1099.17 |
1.673994 |
9 |
S00350 |
593.83 |
3.627305 |
9 |
Table 5. Typical samples of cluster 3
表5. Cluster 3典型样本
物料编码 |
月平均销量 |
CV系数 |
ABC-XYZ |
S00052 |
25,792.58 |
0.476468 |
4 |
S00498 |
19,984 |
0.482501 |
4 |
S00291 |
12,390.33 |
0.332407 |
4 |
通过对典型样本的分析，可以进一步验证聚类结果的合理性。例如，Cluster 1的典型样本S00020、S00022、S00381的月平均销量均较高，CV系数较小，符合AX类产品的特征；Cluster 2的典型样本S00328、S00325、S00350的月平均销量较低，CV系数较大，符合CZ类产品的特征等
4.3. 库存优化策略
4.3.1. Cluster 1 (AX类)优化策略
(1) 特征分析
Cluster 1的产品具有超高销量(90万+/月)、需求高度稳定(CV = 0.36)的特点，且仅有3个SKU。这类产品是S企业的核心产品，对企业的销售收入贡献较大，一旦缺货将严重影响企业的业绩。
(2) 优化策略
1) 保障核心库存
采用连续补货策略(如VMI供应商管理库存)，由供应商根据S企业的库存水平和销售数据主动进行补货，确保库存充足，避免缺货影响收入。设置自动补货触发点，如安全库存为月销量的10%~20%，当库存水平低于触发点时，自动发出补货请求。利用高销量特性，通过批量采购降低单位采购成本，同时优化仓储布局，提高仓储空间的利用率，降低单位仓储成本。
2) 优化供应链优先级
与供应商签订长期协议，争取最优价格和快速响应时间。在供应链的各个环节，如采购、运输、仓储等，优先保障该类产品的供应。优先分配仓储空间至核心区域，缩短分拣路径，提高订单处理效率。
3) 动态监控
尽管该类产品需求稳定，但仍需定期(每周)检查销量趋势，密切关注市场动态和竞争对手的情况，防范突发性需求波动(如促销活动、竞品推出等)。建立预警机制，当销量出现异常波动时，及时采取应对措施。
4.3.2. Cluster 3 (BX类)优化策略
(1) 特征分析
Cluster 3的产品具有中等销量(4.4万/月)、需求较稳定(CV = 0.59)的特点，共有131个SKU。这类产品是S企业的重要产品，对企业的收入和利润有一定的贡献，需求波动相对较小，但仍需关注库存的平衡。
(2) 优化策略
1) 平衡库存与成本
采用定期补货策略(如每2周补货)，结合经济订单量(EOQ)模型计算最优的订货数量，降低采购和持有成本。设置动态安全库存，如覆盖1.5倍标准差需求，根据历史数据校准波动范围，确保在需求波动时能够及时满足市场供应。
2) 分类管理
对BX类中CV系数接近0.5的产品(更稳定)实施轻度优化，如适当降低安全库存水平，减少库存持有成本；对CV系数接近0.7的产品(波动增大)，按CY类部分策略处理，如增加库存检查频率，提高安全库存水平等。
4.3.3. Cluster 0 (CX类)优化策略
(1) 特征分析
Cluster 0的产品具有低销量(约6400/月)、需求波动中等(CV = 0.68)的特点，共有255个SKU。这类产品销量较低，占用一定的库存资金和仓储空间，若管理不当容易造成库存积压。
(2) 优化策略
1) 降低持有成本
推行JIT (准时制生产)按需补货，根据市场需求及时采购，减少库存积压。将周转率目标提高至行业基准的1.2倍，通过提高库存周转率降低库存持有成本。对非关键SKU采用供应商代管库存(Consignment Stock)模式，由供应商负责库存的管理和维护，S企业只有在使用或销售产品后才支付货款，减少资金占用。
2) SKU精简与整合
分析255个SKU中是否存在功能重叠或低效产品，淘汰尾部20%的滞销品，减少SKU数量，降低库存管理复杂度。对保留的SKU实施捆绑销售或阶梯定价，刺激需求，提高销量和库存周转率。
4.3.4. Cluster 2 (CZ类)优化策略
(1) 特征分析
Cluster 2的产品具有极低销量(约2500/月)、需求高度不稳定(CV = 2.19)的特点，共有29个SKU。这类产品销量低且需求波动大，库存管理风险较高，容易出现库存积压或缺货的情况。
(2) 优化策略
1) 最小化库存风险
采用按单采购(Make-to-Order)模式，仅在接到客户订单后才进行采购或生产，减少库存积压的风险。设置最高库存上限，如不超过月均销量的50%，当库存水平超过上限时，停止采购，强制定期清理滞压库存。
2) 退出或转型评估
对连续3个月无销售的SKU启动下架流程，避免无效库存占用资源。对有一定市场需求但销量较低的SKU，转为预售制测试市场需求，根据预售情况决定是否继续生产或采购。探索定制化服务可能性，将CZ类产品转化为高附加值服务的一部分，提高产品的竞争力和盈利能力。
5. 研究总结
通过对S企业2024年销售数据的分析和处理，运用K-Means聚类算法将产品分为4个类别，并针对不同类别的产品制定了差异化的库存优化策略。实验结果表明，该分类方法能够准确地反映不同产品的销售特征和需求波动情况，所制定的优化策略具有一定的针对性和可行性。与传统的ABC-XYZ分类法相比，K-Means聚类算法考虑了更多的特征变量，能够更全面地反映产品的特性，分类结果更加精准。例如，传统的ABC-XYZ分类法可能将一些销量中等但需求波动较大的产品归为同一类别，而K-Means聚类算法能够根据多个特征将其与其他产品区分开来，为制定更合理的库存策略提供依据。
本研究以S企业为研究对象，将K-Means聚类算法应用于库存管理中，通过对产品进行精准分类并制定差异化的库存优化策略，取得了以下结论：
1. K-Means聚类算法能够有效地对S企业的产品进行分类，选取月均销量、CV变异系数、ABC-XYZ分类作为特征变量，确定最优聚类数量为4，得到的4个聚类类别在销售特征和需求波动方面存在明显差异。
2. 针对不同聚类类别的产品制定的差异化库存优化策略，具有一定的针对性和可行性。Cluster 1 (AX类)应保障核心库存，优化供应链优先级；Cluster 3 (BX类)应平衡库存与成本，进行分类管理；Cluster 0 (CX类)应降低持有成本，精简SKU；Cluster 2 (CZ类)应最小化库存风险，进行退出或转型评估。
研究的局限性：数据范围有限，本研究仅使用了S企业2024年的销售数据，数据的时间跨度相对较短，可能无法完全反映产品的长期销售趋势和季节性波动。后续研究可以尝试使用其他更先进的聚类算法，如层次聚类、密度聚类等，与K-Means聚类算法的结果进行对比分析，选择更适合S企业库存管理的聚类算法。同时，建立动态管理框架具有重要的现实意义——企业需建立定期复盘机制，每季度或每半年重新运行数据分析与聚类模型，以此适配产品生命周期的动态变化。这一框架的核心逻辑在于，SKU的分类标签并非终身性标识。例如，一款刚上市的BX类产品，经过市场培育和营销策略调整，可能在数月后成长为AX类；反之，曾经的明星产品也可能因竞品冲击或需求饱和，从AX类滑落至CX类。若企业沿用固定分类进行管理，极易陷入用静态策略应对动态市场的困境，导致资源错配或错失增长机会。
结合机器学习算法，如回归分析、时间序列分析等，对产品的销量进行预测，为库存优化策略的制定提供更有力的支持。
总之，库存管理是一个复杂的系统工程，需要不断地探索和创新。本研究为快消企业的库存优化提供了一种新的思路和方法，希望能够为企业的实践提供有益的参考。