AI 庫存預測實戰指南：中小電商補貨決策從憑感覺到有依據

庫存是電商最沉默的成本。廣告費燒掉會痛，人事費每月看得到，但壓在倉庫裡的庫存，往往要等到年度盤點或現金週轉出問題時，才會被認真面對。更麻煩的是，庫存問題是雙面刃：備太少，熱賣品斷貨，流量白買、排名下滑；備太多，現金卡死，最後只能折價出清。這篇是 AI×電商系列的第十二篇，接續AI 數據分析實戰的方法論，聚焦在庫存這個具體場景：怎麼用 AI 把補貨決策從「老闆的直覺」變成「有依據的流程」，而且不需要先花大錢買系統。

為什麼憑感覺補貨，是庫存災難的起點

多數中小電商的補貨流程是這樣的：倉庫回報某品項快沒了，採購憑印象抓一個數字下單，或直接沿用上一次的訂量。這個做法在品項少、銷量穩定的階段勉強可行，但只要品項一多、通路一多、開始跑檔期，直覺就會系統性地失靈。原因很簡單：人腦擅長記住極端事件，卻不擅長記住平均值。上個月某品爆單一次，你會高估它的常態需求；某品默默穩定賣了半年，你反而容易忽略它。結果就是熱賣品常斷貨、印象深刻的品備太多，庫存結構越來越歪。

憑感覺補貨還有一個隱藏成本：決策無法檢討。當初為什麼訂三百件而不是兩百件，沒有人說得出依據，所以錯了也不知道錯在哪，下次還是憑感覺。庫存管理要進步，第一步不是買工具，而是讓每一次補貨決策都有可以回頭驗證的依據。如果你已經在斷貨邊緣，先看熱賣品斷貨急救指南做止血，再回來建立長期的預測流程。

AI 庫存預測到底在做什麼：講清楚原理與限制

把神祕感先拿掉。AI 庫存預測的本質，是用歷史資料估計未來一段時間的需求分布。它看的訊號通常包括：歷史銷量的趨勢與波動、週期性（週間與週末的差異、月初月底的差異）、季節性（夏季品與冬季品的循環）、檔期與促銷事件的拉抬效果，某些品類還會納入天氣、節慶日期這類外部訊號。模型做的事，是從這些訊號裡找出重複出現的模式，然後往前推。

限制也要講清楚。第一，預測只能延伸「已經發生過的模式」，遇到史無前例的事件——新品類爆紅、供應鏈中斷、平台演算法大改——模型和人一樣沒有水晶球。第二，資料越少的品項預測越不可靠，新品尤其如此。第三，預測輸出的是一個範圍，不是一個精準數字；任何宣稱能精準預測的說法，都值得懷疑。理解這三個限制，你才能把 AI 放在正確的位置：它是把你從重複計算中解放出來、幫你看見人眼看不見的模式的工具，不是代替你承擔決策責任的神諭。

中小電商的入門做法：試算表加 AI 對話工具就能開始

好消息是，入門不需要買昂貴的預測系統。你需要的只有兩樣東西：一份乾淨的銷售紀錄試算表，和一個 AI 對話工具。具體做法是：從後台匯出至少一年的每日或每週銷量資料，欄位包含日期、品項、銷量、是否檔期、售價，然後把這份資料丟給 AI，請它幫你做幾件事——找出每個品項的銷售趨勢與季節模式、標出異常波動的日期並推測原因、估算未來四到八週的需求區間、指出哪些品項的波動大到需要人工特別盯。

這個做法的價值不在於 AI 算得多準，而在於它把你從「用肉眼掃幾千列資料」的苦工中解放出來，讓你把時間花在判斷上。實務上建議先從貢獻營收前百分之二十的核心品項開始，這些品項資料多、影響大，預測效益最明顯；長尾品項則用簡單的規則（例如維持固定週轉天數）管理即可。提問的品質決定答案的品質，這部分的提問技巧可以參考AI 數據分析實戰裡的框架。

安全庫存與補貨點：用 AI 校準參數，而不是背公式

預測解決「未來會賣多少」，安全庫存與補貨點解決「什麼時候該下單、下多少」。邏輯不難：補貨點等於前置期內的預期需求加上安全庫存；安全庫存則是用來吸收「需求比預期多」和「到貨比預期晚」這兩種不確定性的緩衝。舉一個純示意的例子：假設某品項平均每天賣十件，供應商從下單到到貨要七天，那前置期需求就是七十件；再依據需求波動程度加上一層安全庫存，庫存降到這個水位就該下單。

公式本身是死的，難的是參數。日均銷量該用近三十天還是近九十天？波動大的品項安全庫存該抓多寬？供應商交期最近是不是變長了？這些正是 AI 輔助最有價值的地方：把歷史資料丟給它，請它針對每個品項建議合適的參數區間，並說明理由，你再依據對供應商和市場的了解做最後裁量。參數不是設一次就結束，建議每季用最新資料重新校準一輪，因為銷售結構和交期都會變。

檔期備貨的三情境模擬：保守、基準、樂觀

檔期是庫存決策風險最高的時刻，因為需求會被促銷放大，而放大倍數每次都不一樣。單點預測在這裡最危險——押一個數字，錯了就是斷貨或爆倉二選一。實戰做法是用三情境模擬：請 AI 依據過去幾次檔期的拉抬幅度，分別估出保守、基準、樂觀三種需求情境，然後你依據現金水位和供應商彈性決定押哪一檔。

決策原則可以這樣想：毛利高、過季不跌價、供應商補貨慢的品項，可以往樂觀情境備，因為斷貨的機會成本高於庫存成本；毛利薄、有效期或退流行風險高的品項，往保守情境備，寧可賣完再說。介於中間的，備基準量但預先跟供應商談好快速追加的條件。這套流程可以直接用檔期備貨試算機跑一遍，把品項、預估日銷與檔期天數填進去，三情境的備貨量會算給你看。

預測一定會失準：重點是留好補貨彈性

先建立正確心態：預測失準不是流程失敗，而是流程的一部分。預測給的是區間，實際銷量落在區間邊緣甚至區間外，都是正常會發生的事。真正的功力不在於算得準，而在於失準時有沒有應變空間。具體做法有三個：第一，備貨時不要一次押滿，把訂單拆成首批加追加，保留至少一次修正機會；第二，跟主力供應商談好緊急補貨的條件與交期，這比任何模型都值錢；第三，每次檔期結束後，把預測值與實際值攤開來對照，看偏差出在哪個環節——是需求估錯、交期延誤，還是促銷力度跟計畫不同，然後把這次的教訓餵回下一次的預測。

失準往兩邊都要有劇本。賣超了，啟動急補流程並評估是否先下架保排名；賣不動，及早啟動出清而不是抱著等，因為庫存放越久，折價幅度只會越深。判斷該不該出清，可以用庫存週轉計算機算一下目前的週轉天數，數字會比感覺誠實。

資料品質是前提：垃圾進，垃圾出

這一段最不性感，但最關鍵。AI 預測的上限由資料品質決定，餵進去的是垃圾，吐出來的就是包裝精美的垃圾。中小電商最常見的資料地雷有幾個：品項編號不一致，同一個商品在不同通路用不同名稱，導致銷量被拆散低估；退貨沒有沖銷，銷量被高估；斷貨期間的零銷量被當成沒需求，其實是有需求買不到；檔期沒有標記，促銷拉抬被模型當成常態需求。

開始做預測之前，先花時間做三件事：統一品項主檔，讓每個商品在所有通路對應同一個編號；在銷售資料上標記檔期、斷貨、大幅調價這三類事件；建立固定的匯出習慣，每週同一天匯出同樣格式的資料。這些整理工作 AI 也幫得上忙——把兩份對不起來的品項清單丟給它做比對映射，比人工快得多。資料乾淨之後，你會發現不只預測變準，連日常的營運判斷都變清楚了。

何時值得上專業系統：訊號與判斷

試算表加 AI 對話的做法，優點是零門檻，缺點是要人手動跑。當出現以下訊號，就值得評估專業的庫存管理或預測系統：品項數多到每週人工跑一輪要花超過半天；多倉庫或多通路的庫存需要即時同步，人工對帳開始出錯；補貨頻率高到需要系統自動觸發採購建議；或者團隊已經因為庫存問題實際損失過大額營收。評估系統時，把本文講的邏輯當成驗收標準：它能不能輸出需求區間而不只是單點數字？能不能標記檔期與異常事件？參數能不能依品項分層設定？如果連你用試算表都做得到的事它做不到，再貴都不要買。

把補貨變成流程，而不是每次的賭注

回顧整條路徑：先承認直覺會系統性失靈，把銷售資料整理乾淨，用 AI 對話工具找模式、估區間，套上安全庫存與補貨點的邏輯，檔期用三情境模擬押注，失準時靠拆單與急補流程吸收，每一輪結束後檢討回饋。這套流程不需要昂貴系統，需要的是紀律。庫存管理做得好，省下的不只是倉租和折價損失，更是把現金從倉庫裡解放出來，投回廣告與新品的週轉能力。如果你想讓專業團隊幫你把這套預測與補貨流程建起來，或想先做一次庫存體質的健檢，美勢科技的電商顧問與數據透析服務可以從資料整理到參數校準一路陪你落地，把庫存從焦慮來源變成競爭優勢。