零售連鎖用 AI 補貨預測踩雷：預測失準反而囤更多貨

一間經營十幾家門市的連鎖零售品牌，長期被兩個問題夾殺：熱門商品常常缺貨，冷門商品又囤到過期或滯銷打折出清。店長每週花好幾個小時土法煉鋼看報表、憑經驗抓進貨量，準確度看人不看系統。當時聽到 AI 需求預測可以吃歷史銷售資料、自動抓季節性與促銷效應、算出建議補貨量，總部採購團隊覺得這正是解方——不用再猜，讓數據說話，理論上進貨會更準、庫存會下降、缺貨也會變少。

於是找了一家提供零售需求預測模組的廠商，把過去兩年的 POS 銷售資料匯進去，模型跑起來，第一版建議補貨量出來的時候，大家都覺得終於要脫離土法煉鋼的日子了。結果上線幾個月後，倉庫的庫存水位不但沒降，還悄悄往上爬。

為什麼系統一開始看起來很準，上線後卻走樣

模型在測試階段用歷史資料回測，準確率數字很漂亮，這其實是常見的陷阱：回測資料本身就是「已經發生過的結果」，模型只是在學著複製過去的模式。但零售的現場變數遠比歷史資料複雜——新品上市沒有歷史可學、促銷檔期的加乘效應每次不同、門市之間的客群差異也沒有被拆分建模，全部門市共用同一套邏輯在跑。結果就是明星商品、大檔期表現正常，但中長尾商品、新品、區域限定商品的預測開始鬆動，而這些恰好是零售最容易誤判的品項。

更麻煩的是資料本身的品質問題。有些門市的退換貨沒有即時登錄，有些促銷活動的起訖時間跟系統紀錄對不上，甚至同一款商品在不同門市的品號還打得不一致。這些資料斷點、延遲、格式不統一，模型全部照單全收，等於是拿一份有雜訊的地圖在導航，預測型 AI 不僅沒發揮效益，反而放大了誤差。

代價：庫存不降反升，採購團隊開始不信系統

問題浮現的方式很典型：某一波新品上市，系統依歷史相似品項給出保守的補貨建議，結果到貨當天就秒殺，門市反映到總部要追加急單；緊接著下一批換季商品，系統又因為抓到前一年類似商品滯銷的資料，建議大量減少進貨，結果那一波反而賣得不錯，又是缺貨。來回幾次之後，採購人員開始「先看系統建議，再憑自己經驗打折或加碼」，等於多做一層人工校正，反而比原本純手動作業還多花一道工。有一段時間，總倉庫存水位比導入前還高，因為大家在不確定系統準不準的情況下，傾向多備一點保守庫存以防萬一，資金卡在庫存裡的壓力反而變大。這段適應期前後拖了將近半年，比原本預期能看到效益的時間多了將近一倍。

後來怎麼調整：從「全店一套模型」改成分層處理

團隊後來做的第一件事，是把商品依照銷售穩定度分層——長銷穩定品項交給模型自動預測，新品、促銷檔期、區域限定品項另外設定人工覆核的規則，不讓模型單獨決定這些高不確定性的品項。第二件事是先花時間把資料源頭清乾淨，統一品號、補齊退換貨即時性、把促銷檔期資訊結構化餵給系統，而不是讓模型自己從雜訊裡猜。第三件事，是把「模型建議」跟「人工核准」做成一個有紀錄的兩層流程，而不是採購人員各自默默調整，這樣才能追蹤到底是模型錯得多，還是人工調整帶來新的偏差。調整之後，預測準確度回穩，庫存水位也才慢慢降回合理區間。

避雷清單：導入 AI 補貨預測前該先確認什麼

零售的補貨預測本質上是在管理不確定性，AI 能做的是把歷史規律抓出來，但抓不出資料本身沒紀錄清楚的現場變化。導入前如果能先老實盤點資料品質、把高不確定性的品項獨立出來處理，比急著把全店庫存都交給一套模型，會少踩很多不必要的雷。