近年来，各行业呈现“快消品化”趋势，导致 SKU 数量泛滥、批量变小、复杂度升高及规模效益降低。SKU 泛滥已成为供应链管理的重大挑战，但许多企业，尤其是大批量生产行业，往往低估其复杂度。
常规需求预测多停留在产品或产品线层面，未深入至具体型号与规格。虽然这满足财务与销售需求，但生产线与采购需依托具体的 SKU 数据运行物料需求计划（MRP）。若直接对 SKU 层面进行预测，准确度往往极低，部分企业甚至不足 20%。
提升 SKU 层面预测准确度是供应链管理的关键难题，主要可通过以下三种策略应对：
控制 SKU 复杂度，从源头降低预测难度
最根本的解决方案是通过产品设计的标准化、模块化和系列化来控制复杂度。例如，采用无性别区分的设计或弹性单一尺寸的袜子，可大幅减少 SKU 数量。苹果公司早年机型精简，预测难度远低于机型繁多的三星；美国西南航空仅使用波音 737 单一机型且只提供经济舱；好市多（Costco）单店 SKU 控制在 4000 个左右，远少于普通超市的 30000 个。这些案例表明，在企业战略上放弃“量小货杂”的 SKU，专注于核心品类，能有效解决销售与供应链的协同难题，但这对产品开发和需求管理提出了更高要求。
不在 SKU 层面做预测，以执行灵活性弥补
该策略的核心是延迟差异化，利用供应链的柔性在执行环节满足多样需求。以兰州拉面为例，面条宽度（大宽、二细、毛细等）即为 SKU，拉面师傅无需预测具体口味的销量，而是根据顾客点单现场制作，用执行灵活性替代计划预测。
在制造业中，惠普曾采用“延迟战略”：基于预测生产通用的裸机库存，而将插头、标签、说明书等差异化部件留待订单拉动阶段组装。然而，国内部分手机巨头因供应链缺乏柔性、响应周期长，难以实施此策略，被迫在 SKU 层面进行低准确度的预测，甚至依赖非专业人员的直觉判断，导致计划可靠性不足。
在大颗粒度做预测，自上而下分解至 SKU
企业可在更宏观的维度（如款式、颜色组合）进行预测，再依据历史数据形成的“比例库”分解至具体 SKU。例如，耐克先预测款色组合总量，再按稳定的尺寸曲线分配至各尺码。这种方法降低了预测复杂度，节省了资源，并便于高层级的产能规划。
建立"SKU 比例库”是关键。企业可基于历史数据，定义大小、颜色、材料、配置及渠道（线上/线下）等因子的比例关系。需要注意的是：
数据清洗与动态调整
首先，需求历史数据需经过清洗。对于因缺货导致的低销量需进行“填谷”处理，对于因过量备货打折产生的异常高销量则需剔除，以确保比例计算的准确性。
其次，SKU 比例需随产品生命周期动态调整。在产品导入期，可参考类似老产品的比例进行首期铺货；成长期依据实际销售数据修正比例；衰退期则应将资源向主力 SKU 倾斜，以降低呆滞风险并消化渠道库存。
图 1：SKU 比例库的结构（示意）
来源：Reaping the Rewards of Sub-SKU Forecasting, Logility, 2013.
图 2：SKU 的比例随生命周期调整（示意）
来源：Reaping the Rewards of Sub-SKU Forecasting, Logility, 2013.