近期与朋友沟通，有不少人问到存销比指标，大致是几个方面，一个是存销比怎么算，另外一个，就是存销比怎么看，还有一个就是存销比多少合适。第一个问题好说，但是对于存销比如何去看去分析，多少合适这个问题，是值得进一步思考与探讨的。
从理论培训角度上出发，可以给出三四五六这样的数字，亦可给出依据期望的年周转次数去推平均的存销比，可是笔者认为，这些都不能算是贴切的。很显然，企业会想需要一个符合自身经营品类、品牌定位和管理需求的数字作为答案。遗憾的是，似乎很难直接产出这样符合需求的数据。那么，是否企业可以着手挖掘自身历史数据，往期若干年份的运营数据中，提炼数据，来寻求解答呢。笔者认为一定程度上是可以的。本文就将沿着这条路线，探讨存销比指标数据提炼。本文所述，假设是为自营的组织整体级数据。
通过结合实际数据的观察，服装企业中，存销比指标数值，是与品类相关的，譬如，相对于不同的品类来说，并不能说哪个高一点就是相对来说有积压风险。另外，观测存销比时，所在的时点，也是非常重要的一个因素，我们知道，通常商品季初的存销比是要高于季末的，这个是正常合理情况。因此，棉服11月比2月份存销比高很多是正常的，7月份衬衫存销要高出牛仔裤许多也可能是正常的。
基于存销比与品类相关性高的特点，提炼历史数据的时候，考虑按品类来进行，尤其可先挑选重点品类来操作。需要注意的是，如果企业的品类设置调整较为频繁，则需要做适当的数据梳理，避免各年份之间的不可比对性。
基于服装行业季节性强的特点，存销比在年内各个时间节点上会有较大的变化，因此需要呈现多个时间节点的数据状况。查看多年份的数据是必然需要的，而时间间隔粒度则可以推敲。可以分析每月末的，亦可分析各年份内每个周末的存销比。两个粒度相比较，鉴于同货期商品在各年份的入库时间如果在月份上有差异，则可能会造成较大的波动，因此倾向于在周级别进行分析提炼与比对。各年之间的周，还会存在差异，这种情况下，也可按每旬来进行统计。
还有一个问题，是存销比的计算规则，计算周存销比，还是月存销比。个人倾向于每周计算，但是计算的是月度存销比数据，取周末库存与近三十日的零售数据的比值。
至此，可以尝试一下各品类（单选）在多年份内各周的月度存销比数据的趋势分析。
绘制折线图图形如下：
X轴，自然周；
Y轴，存销比；
标签序列，各个年份；
品类在当前年份的最近一周的数据 ，可与过往年度进行直观的对比，发现是否存在异常。概要的抓总体的趋势，以及显著的异常，波峰波谷的稍有偏移，可以结合具体年份的运作情况进行参考。另外的，如果入仓的次数相对比较稳定，譬如按波段顺序执行，有个设想，在特定年度的趋势图中，在需要时，加入柱形数据，变成组合图予以辅助，柱图为进货，更清晰的的了解波动。
一个极为重要的步骤是提取数据，设定正常值、理想值等数据阀值，作为企业运营管理方面的数据资产。在此，不宜直接从历史上某年数据摘录，事实上，过往年份每年的数据亦会不一样，去哪一年份的，都似乎不太合适，历史数据，未必就好。因此，需要采取数据加上专业人士的判断，结合各商品季季中运作水平及季末结果，对数据线进行判断，一般新近年份好进行判断，久远一点的就难度较大了。系统+专家，两方面相辅相成，都不可少。提取完之后，各项数值可作为贴切与企业实际情况的个性化的品类存销比数据指导值，并在当年的运营数据进行验证，以终为始，开始下一轮的修正与完善。
上文简要描述了在企业实际数据环境中，提炼自身所需的品类存销比数据一个构思设计。借助于系统的处理，亦有可能提炼到区域、终端的合理数据，当然在此过程中，最好要对终端有科学划分的规则或模型。总的来说，可以作为服装企业借助历史数据，辅助监控当前业务的一个尝试，是数据资产用于数据分析发挥其价值的一个极佳途径。整个过程不是一次性的，一蹴而就的，而是逐步改进，逐步优化，以适应更为复杂的情况。
