2. 库存周转率计算模型：公式推导、行业基准对比、数据采集与清洗

2.1 库存周转率核心公式推导

库存周转率（Inventory Turnover Ratio, ITR）是衡量企业库存管理效率的核心指标，反映库存资产在特定周期内的流转速度。其基本逻辑是：一定时期内，库存被消耗并补充的次数。

2.1.1 标准公式与变体

2.1.2 公式拆解与陷阱

• COGS vs 销售额： 必须使用销售成本（COGS），而非销售额。销售额包含毛利，会导致周转率虚高。
• 平均库存口径： 使用金额还是数量？金额口径受单价波动影响，数量口径更纯净，但无法汇总多品类。
• 周期对齐： 计算月度周转率时，COGS需取当月值，平均库存取月初+月末均值。年度周转率则取12个月COGS总和与12个月平均库存。

# Python 示例：计算月度库存周转率
import pandas as pd

def calc_monthly_turnover(df):
    """
    df 必须包含列: 'month', 'cogs', 'begin_inv', 'end_inv'
    """
    df['avg_inv'] = (df['begin_inv'] + df['end_inv']) / 2
    df['turnover'] = df['cogs'] / df['avg_inv']
    return df[['month', 'cogs', 'avg_inv', 'turnover']]

# 示例数据
data = pd.DataFrame({
    'month': ['2024-01', '2024-02'],
    'cogs': [500000, 520000],
    'begin_inv': [1200000, 1150000],
    'end_inv': [1150000, 1100000]
})
result = calc_monthly_turnover(data)
print(result)

2.2 行业基准对比：你的周转率处于什么水平？

孤立看周转率数字没有意义，必须与行业基准对标。不同行业的库存特性差异巨大，快消品与重工业的周转率可能相差10倍以上。

2.2.1 典型行业基准参考

2.2.2 基准对比分析框架

1. 定位自身： 计算企业近12个月的滚动周转率。
2. 选择对标组： 选取3-5家直接竞争对手或行业龙头。
3. 差距量化： 计算自身周转率与行业平均/优秀值的百分比差距。
4. 根因诊断： 差距来自采购周期长？安全库存过高？还是滞销品积压？

2.3 数据采集与清洗：构建可靠的计算基础

周转率计算的准确性，90%取决于底层数据质量。脏数据会导致公式输出完全失真。数据采集与清洗是工程化落地的第一步。

2.3.1 数据采集清单

2.3.2 数据清洗六大规则

1. 去重： 同一物料在同一时间点的库存记录只能保留一条，按更新时间取最新。
2. 异常值处理： 库存金额为负（盘盈/盘亏未调整）、COGS为0或空值，需标记并人工复核。
3. 单位统一： 确保所有物料的库存单位（个/箱/吨）与COGS单位一致，避免数量级错误。
4. 时间对齐： 库存余额必须与COGS的会计期间严格对齐，例如1月COGS对应1月初+1月末库存。
5. 缺失值填充： 若某月库存数据缺失，使用前后月均值插补，或标记为“不可用”不参与计算。
6. 品类归集： 将SKU级数据按ABC分类或产品线聚合，便于分层分析。

2.4 数据质量校验清单

在正式计算周转率之前，建议执行以下校验，确保数据可信。

• 完整性校验： 每个物料在计算周期内是否都有期初和期末库存？缺失率是否 < 5%？
• 一致性校验： 库存总金额是否与财务总账一致？差异是否在可接受范围（如 ±2%）？
• 合理性校验： 周转率是否出现极端值（如 > 100 或 < 0.1）？需排查是否因数据错误导致。
• 趋势校验： 月度周转率是否出现异常跳变（环比变化 > 50%）？需确认业务活动是否真实发生。