AI 庫存預測能信嗎？先建立資料門檻、誤差與人工覆核

AI 庫存預測可以協助賣家，但「能產生預測」與「能拿來採購」是兩件事。最安全的用法，是先讓模型與一個簡單基準比賽，連續通過回測、偏誤與資料品質檢查後，只產生補貨建議，最後仍由人確認 MOQ、現金與活動計畫。

如果連昨天真正賣出多少都說不清楚，再進階的模型也只會更精密地放大錯誤。

先定義預測目標，避免拿錯數字驗證

庫存預測的目標通常是「未來一段期間的有效需求量」，不是下單數、瀏覽量或含取消的件數。建議每個 SKU、每天保留：

• 已完成或可合理視為有效的銷售件數。
• 取消、退款、退貨與未取貨件數。
• 可售庫存與缺貨時段。
• 價格、折扣、廣告與活動標記。
• 預購、停售、改版與上架日。
• 資料產生時間與最後回填時間。

缺貨日的零銷量不能直接當成零需求。那一天可能是「想買但沒有貨」，應標為受限資料；否則模型會因為缺貨而預測更低，形成越缺越少補的循環。

什麼資料量才夠

沒有所有品類通用的天數。可先用下面這些最低資料門檻：

樣本不足時，輸出範圍比單一數字誠實，例如未來 14 天需求 80 ~ 120 件，並說明信心低。

驗證要用時間順序，不能隨機切資料

一般機器學習常把資料隨機分成訓練與測試；時間序列若打亂，模型可能偷看到未來。應採 rolling backtest：

1. 用第 1 ~ 8 週預測第 9 週。
2. 用第 1 ~ 9 週預測第 10 週。
3. 持續向前滾動，保留每次預測與實際值。
4. 以同一期間比較 AI、去年同期、近 4 週平均或「上週等於下週」等基準。

OTexts 的 Forecasting: Principles and Practice 也以 time series cross-validation 評估預測。只有 AI 穩定優於簡單基準，複雜度才有價值。

三個指標一起看

MAE = |實際量 − 預測量| 的總和 ÷ 預測筆數

MAE 的單位是件，容易轉成安全庫存與缺貨風險，但不同銷量 SKU 不宜直接互比。

WAPE = |實際量 − 預測量| 的總和 ÷ 實際量總和 × 100%

WAPE 適合看整體相對誤差；實際量總和為 0 時沒有定義，不要硬填 0%。

Bias = (預測量 − 實際量) 的總和 ÷ 實際量總和 × 100%

Bias 長期為正代表高估，容易囤貨；長期為負代表低估，容易缺貨。分母同樣為 0 時停算。

極端大促或供應中斷若有業務意義，應標記事件並分層回測，不可為降低誤差直接刪除。四捨五入應在最終採購單位才做。先保留原始小數預測，彙總到箱數或 MOQ 後再向上或依規則取整，不能每天先四捨五入再相加。

假設案例：誤差小，但方向一直錯也不行

以下是示意資料。某 SKU 連續四週實際需求為 100、110、90、100 件，AI 預測為 115、120、105、115 件。

MAE = (15 + 10 + 15 + 15) ÷ 4 = 13.75 件。

WAPE = 55 ÷ 400 = 13.75%。

Bias = 55 ÷ 400 = 13.75%。

WAPE 看起來可能可接受，但模型四週全部高估。若 MOQ 大、庫齡成本高，這種單向偏誤比正負相抵的誤差危險。應先校正或下調採購建議，不可直接自動下單。

從預測到補貨，中間還有四道牆

第一道是資料成熟度。最近 14 天退款仍可能回填，就標記資料截至何時成熟。

第二道是營運事件。大促、價格變動、斷貨與廣告增減，不能假設會照常重演。

第三道是供應限制。模型預測 130 件，不代表應買 500 件；MOQ 與交期另由 供應商採購條件 評估。

第四道是現金與風險。預測量進入 補貨點公式 後，還要通過現金安全水位與庫存上限。

人工覆核清單

只要出現以下任一情況，AI 僅能提出區間與警告：

• 新品或有效資料少於最低門檻。
• 近 30 天缺貨日超過 10%。
• 未來有大型活動、漲價、下架或改版。
• WAPE 分母為 0，或低頻需求讓百分比失真。
• 連續三期 Bias 同方向且超過店內容忍值。
• 資料延遲超過一個補貨決策週期。
• 建議數量會觸發高 MOQ、跨越現金安全線 或明顯增加庫齡。

停止條件： 若 AI 連續三個回測窗口都輸給近 4 週平均，先停用該 SKU 的 AI 採購建議，回到簡單基準並檢查資料。模型可以繼續學習，正式採購仍由授權人批准。

下一步不是買一套工具。先挑 5 個穩定 SKU，用過去資料做四個 rolling backtest，把 AI 與簡單平均放在同一張表。通過後再擴到更多 SKU。

延伸資料

預測方法參考 OTexts《Forecasting: Principles and Practice》第三版及 Google Cloud BigQuery ML 的官方評估指標，資料查核到 2026-09-06。誤差要容忍多少，最後仍取決於每次缺貨和積壓會讓你損失多少。