AI 選品與庫存管理實戰：讓 AI 當幕僚、人做最後決策

這幾年只要談電商，幾乎都會談到 AI。但在選品與庫存這兩件事上，多數討論停留在「AI 很厲害」的層次，很少有人講清楚它到底該站在哪個位置。我們的看法很直接：AI 是幕僚，負責把大量、雜亂的原始資料整理成你看得懂的素材；拍板的永遠是人。這篇是 AI×電商系列的第五篇，聚焦選品與庫存管理的實際做法。如果你對電商整體架構還在打底，建議先讀電商是什麼完整指南，再回來看這篇會更有感。

AI 在選品的正確定位：整理與摘要的幕僚

先把話說在前面：選品是要花錢的決策。每一次進貨都牽動現金流、倉儲空間與品牌方向，做錯的成本由你承擔，AI 不會替你扛。所以在選品這件事上，AI 的正確位置是幕僚——它擅長在短時間內讀完人讀不完的資料量，把雜訊濾掉，整理成有結構的摘要、清單與比對表，讓你用更完整的視野做判斷。

反過來說，把 AI 當老闆是危險的。AI 給的答案語氣往往很篤定，但它不知道你的資金水位、不知道你的倉庫還剩多少空間、也不知道你跟供應商之間的交情與帳期。這些脈絡都在你腦中，不在模型裡。讓 AI 產出素材、由人加上脈絡後拍板，才是可長可久的分工。

這個分工原則會貫穿本文所有場景。若想先盤點電商各環節有哪些 AI 工具可以用、各自適合什麼情境，可以搭配電商 AI 工具應用全指南一起讀。

四個實用場景：讓 AI 把原始資料變成判斷素材

場景一：把大量商品評論歸納成痛點與需求清單

評論是最誠實的市場調查，但一款熱門商品的評論動輒數百上千則，人工看到第五十則就會開始麻痺。這正是 AI 最能發揮的地方：把自家商品與同品類商品的評論整批餵給它，請它歸納成主題分類，例如材質、尺寸、包裝、物流、客服，再統計各主題出現的相對頻率，並附上顧客原話當佐證。你拿到的不是一句「這個商品評價不錯」，而是一張「顧客在意什麼、抱怨什麼」的結構化清單，這才是選品與改品的起點。

場景二：把社群與搜尋趨勢整理成選品筆記

台灣的社群討論分散在各大平台與論壇，搜尋趨勢又是另一個資料源，人工追蹤很容易顧此失彼。做法是固定一個節奏，例如每週把你關注品類的公開討論串標題、熱門貼文主題與搜尋字詞變化整理成純文字，交給 AI 做成一頁選品筆記：這週冒出哪些新話題、哪些需求被反覆提起、哪些字詞的討論熱度明顯改變。重點是要求 AI 區分「事實整理」與「它自己的推測」，推測的部分你再自己驗證，不要照單全收。

場景三：競品頁面的規格與訴求比對表

要判斷一個品項值不值得進，你得知道市場上已經有誰、賣什麼規格、主打什麼訴求。把幾個競品商品頁的公開文字內容整理後交給 AI，請它做成比對表：規格欄位逐項對齊、主訴求各自條列、贈品與保固政策並排。舉例來說，做保溫杯的比對時，你會很快看出大家都在講保冷時數，卻很少有人講清潔便利性，這種「大家都沒講的缺口」往往就是切入點。AI 負責把表格做出來，缺口值不值得打，由你判斷。

場景四：把自家銷售資料丟給 AI 找異常與季節性

自家後台的銷售報表是最被低估的資料。把去識別化後的品項銷量、退貨與流量資料整理成表格交給 AI，請它指出三件事：哪些品項的走勢跟整體不同步、哪些品項有明顯的季節性起伏、哪些數字看起來像異常值需要人工查證。注意用詞：是「找出需要查證的地方」，不是「告訴我該進什麼貨」。AI 找到的異常可能是資料登錄錯誤，也可能是真的市場訊號，查證這一步永遠是人的工作。

庫存端的應用：補貨、滯銷與安全庫存

把補貨規則寫成明確條件

很多老闆的補貨邏輯只存在自己腦中，「感覺快沒了就叫貨」。AI 在這裡的用法不是替你決定補多少，而是幫你把腦中的直覺翻譯成白紙黑字的條件句。舉例來說（示意）：「當某品項的可售庫存低於過去四週平均週銷量的兩倍，且供應商交期為兩週時，觸發補貨提醒。」把規則寫明之後，你才能檢討規則、交接規則，也才能請系統代替你盯著數字。

滯銷品的出清企劃發想

滯銷品壓的是現金，出清的難處常常不在折扣，而在「想不出說法」。這時可以把滯銷品的特性、原本的目標客群與庫存狀況整理給 AI，請它發想多個出清角度：組合搭售、換一個使用情境重新包裝、搭配內容文章導流。AI 給的是企劃草稿，可行性與品牌調性由你把關。如果出清要搭配內容與搜尋流量操作，這部分屬於長期基本功，可以參考我們的電商 SEO 與內容行銷服務的做法思維。

安全庫存的思考框架

安全庫存沒有標準答案，它是「缺貨損失」與「壓貨成本」之間的取捨。AI 能幫的是把思考框架攤開：交期波動、銷量波動、供應商備援、資金成本，逐項列出你該回答的問題，並用示意情境幫你推演不同設定下的後果。要把這件事做扎實，你得先知道自己每個品項的週轉速度，建議先用庫存週轉計算機算出目前的週轉狀況，再來談安全庫存要抓多緊。

提示詞示範：用示意資料請 AI 做評論歸納

以下用示意資料示範怎麼下指令。假設你手上有某款保溫杯的一百則顧客評論純文字，可以這樣寫提示詞：

• 「你是一位電商營運助理。以下是某款保溫杯的顧客評論（示意資料）。請你：第一，把評論歸納成五到八個主題分類；第二，每個分類附上兩到三句顧客原話；第三，標註每個分類屬於產品問題、物流問題或客服問題；第四，最後整理一張『痛點×出現頻率高低』的清單。只做整理與歸納，不要給我採購或定價建議。」

幾個實務要點：一次餵的資料量要在工具的處理範圍內，太長就分批；明確要求附上原話出處，方便你回頭查證；明確禁止它給決策建議，避免自己被 AI 篤定的語氣帶著走。拿到結果後，抽查幾則原始評論比對摘要是否失真，這個習慣要一直保持。

哪些事不能交給 AI

講完能做的，更要講不能做的。第一，進貨決策不能交給 AI。下單金額、下單時點、跟哪家供應商叫貨，這些決策綁著你的現金與信用，AI 沒有承擔後果的能力，自然沒有拍板的資格。第二，任何涉及現金流的承諾不能交給 AI，包含對供應商的付款承諾、對通路的供貨承諾、對團隊的預算承諾。AI 可以幫你整理做決策所需的資訊，但承諾一旦說出口就是你的責任。

第三，對外溝通的最後一關不能省。AI 草擬的出清文案、給供應商的信件，都必須經人審過才能送出，因為 AI 可能寫出與事實不符或超出你意願的內容。原則很簡單：資訊整理可以放手，涉及錢與承諾的動作一律過人這一關。

資料安全：銷售資料進外部工具前先分級

把公司資料丟進外部 AI 工具之前，先做資料分級，這一步很多團隊直接跳過，風險其實不小。建議至少分三級：第一級是本來就公開的資訊，例如商品頁文案、公開評論，可以直接使用；第二級是內部營運資料，例如銷量、庫存、退貨率，必須先去識別化——拿掉客戶個資、把品項改成代號、金額可改成相對比例——才考慮進外部工具；第三級是絕不外流的資料，例如客戶名單、進貨成本、供應商合約條件，這一級只留在內部環境處理。

另外兩個習慣：確認你使用的工具方案是否會把輸入內容拿去訓練模型，能關就關；團隊內部要有一份白紙黑字的規範，寫清楚什麼資料可以進什麼工具，不要靠每個人自己的判斷。

把 AI 納入日常，而不是取代日常

回到最初的定位：AI 選品不是按一顆鈕就跑出爆款清單，而是把原本做不完的資料整理工作變得做得完，讓你的每一次判斷都建立在更完整的素材上。從一個品類、一個場景開始，把提示詞變成固定模板，把查證變成固定習慣，AI 才會真正長進你的營運流程裡。選品與庫存終究是人的生意，AI 只是讓認真做功課的人，功課做得更快而已。