不需要資料科學家的需求預測：你真正需要的東西

兩種失敗，同一個原因：第二週就賣光的熱銷品，以及三月還躺在倉庫裡的那一批別的東西。兩者都是預測問題，而兩者都被往後拖，因為「預測」聽起來像是需要一個店裡根本沒有的人。

要拿到大部分的價值，不需要那個人。需要的是足以看出規律的紀錄、一個你真的看得懂的方法，以及一條決定何時補貨的規則。以下依序是：定義、手算、缺貨預警，以及工具開始值回票價的那條線。

需求預測是什麼，不是什麼

需求預測就是估計你在未來一段期間會賣掉幾件，好在對的時間買進對的數量。定義就這樣。它不是什麼宏大的預知未來，而是一個帶著誤差範圍的估計——而誤差範圍才是有用的那部分。

• 它回答的是採購問題，不是分析問題：幾件、什麼時候之前、哪個規格。
• 它一定會有一定程度的偏差。沒有信賴區間的預測，是穿上西裝的直覺。
• 它預測的是一筆訂單行，不是某一位客人的行為。
• 它的價值完全在於改變了哪個決定。如果你本來就會訂同樣的量，那你並不需要它。

用一張試算表就能跑的三種方法

多數文章會把十幾種預測方法依複雜度排開，結果店主一種也沒用。只要三種，用試算表和你的訂單紀錄就能跑，依費力程度由低到高。挑「比用猜的更準」之中最簡單的那個就好。

• 移動平均：最近 4 到 8 週取平均。適合賣得穩定的商品，缺點是永遠比變化慢一步。
• 加權移動平均：一樣，但最近幾週權重更高。多花一行工夫，反應明顯更快。
• 季節性天真法：去年同一週賣了多少，再依你的成長幅度調整。凡是受天氣或節慶牽動的商品，這招不用數學就贏過前兩種。

單一商品的具體做法：取最近八週的每週件數，把最後兩週加倍計算，那就是下一週。乘上供應商的前置時間週數，對不好補的商品再加一到兩週的安全存量，然後和現有庫存相比。要據以行動的是這個比較結果，而不是預測本身。對前十名商品做一遍，大部分的營收就顧到了。

先用手算的理由是：你會學到自己的誤差。一個月之後，你會知道哪些商品可預測、哪些不行；有了這個認識，之後導入的工具才會是有用的，而不只是看起來厲害。

唯一重要的輸出：在缺貨之前知道

預測只被讀一次，通知才會被處理。實務上的目標是在補貨還來得及時就發現缺貨風險：警示應該在「現有庫存 ÷ 預測週銷量 < 前置時間」時響起，而不是貨架空掉那天。

要讓這個通知可信，需要兩件事：知道每一家供應商各自的前置時間，而不是一個全域預設值；以及在缺貨也不痛不癢的商品上保持安靜。

AI 加了什麼，沒加什麼

AI 預測常被當成跳躍來賣，理解成「省下工夫」會更準確。模型可以同時衡量季節性、趨勢與促銷，涵蓋整個商品目錄，不需要有人逐品項維護表格。這確實有價值，但這和「更準」是兩回事：在一個有兩年乾淨紀錄的穩定商品上，加權平均並不好贏。

• 明顯勝出的場合：大量商品同時處理、彼此重疊的季節性、長到肉眼看不出規律的紀錄。
• 贏不了的場合：沒有紀錄的新品。任何方法都不會憑空生出資料；新品是靠類比商品推估，而系統應該明說這件事。
• 會誤導的場合：把預測呈現成單一數字。要求區間，並把寬區間讀成資訊而不是瑕疵。

什麼時候才值得買工具

從試算表換成工具，重點不是準確度，而是你每週要做多少決定、以及有沒有人真的在做。四個訊號：

• 真正有在動的品項超過五十個，而表格只有前十名會被更新。
• 前置時間長到「晚補一次」代表損失數週的營收，而不是幾天。
• 同一個商品缺貨兩次。第一次是運氣不好，第二次是流程沒建立。
• 沒有人是下單決策的負責人，於是它總在有人注意到的時候才發生，而那總是太晚。

如果一條都不符合，就繼續用試算表。AllHub 的需求預測代理正是站在這條線上：用你店裡已經有的銷售紀錄做預測，顯示信賴區間而不是一個自信滿滿的數字，並在貨架空掉之前告訴你該補貨了。

結論

做預測不是一個你沒資格啟動的資料科學專案，而是一個每週的習慣，只有三個輸入：賣了什麼、供應商要多久、缺貨會讓你損失多少。用手算對前十名商品做一個月，你就會清楚知道自己想自動化哪些部分。

要讓熱賣商品不缺貨，不需要資料科學家。你需要知道補貨點，並在越過它之前被通知——這就是需求預測代理替你做的全部。