核心結論
因為缺貨時沒有成交紀錄，不等於沒有人想買。模型若只看已售數量，可能把受庫存限制的銷量誤當成真實需求，下一次仍少訂。先記錄缺貨開始與恢復時間、各時段可供應狀態，再讓預測系統辨識這些受限資料。
執行摘要
核心觀察：經濟部商業發展署把需求預測、庫存與訂貨管理列為商業服務業數據應用場景。[1] 但銷量不總等於需求：商品缺貨時，沒有成交不代表沒有人想買；若直接拿銷量訓練模型，可能持續低估需求。[3] 行動建議：先選一類商品，補齊商品、日期、門市、庫存狀態、促銷及價格紀錄；與原本補貨方法比較，讓採購人員確認例外後再下單，不以模型準確率單獨判定成效。
賣完了，資料卻說沒人買
一家店的熱賣品在下午賣完，收銀資料只會留下已成交的數量。若系統不知道後半天曾缺貨，就可能把當日低銷量解讀成需求變弱，下一次又少訂。生鮮零售原始研究將這種未觀測到的需求稱為受缺貨遮蔽的需求，並以標記缺貨時段的資料測試修正方法。[3] 這項研究不是台灣商家的成效保證，卻揭示了資料入口的一個關鍵問題。
因此，導入預測前，先問現場能否說清楚『何時沒貨』。若沒有庫存快照、缺貨開始與恢復時間，至少先讓店員或倉管能在異常日標記事件。模型可以估計未知需求，但不能把本來沒記錄的營運事實當成已知。缺貨標記的品質，會直接影響採購人員是否信任後續建議。
促銷與節日不能丟在表外
AWS 的零售預測架構把商品識別、時間與銷售歷史視為基本資料，並納入促銷、營業日、商品可供應狀態等相關訊號。[2] 一項零售與自動販賣機預測研究，也把平日、假日及銷售偏離納入模型比較。[4] 兩者共同提醒：同樣賣出十件，原價平日、折扣活動日與缺貨日所代表的未來需求並不相同。
對台灣中小企業而言，不必先蒐集所有外部資料。先讓 POS、庫存表、促銷檔與採購紀錄在商品、門市和日期上對得起來，再逐步測試假日、天氣或活動訊號是否真能改善本公司的決策。尚比亞中小企業研究探討天氣資料與預測、系統可用性的關係，但其地理與研究方法不同，不能直接搬用改善幅度。[5]
從補貨決策倒推最小資料
經濟部商業發展署已將需求預測、庫存與訂貨管理列為商業服務業 AI 營運應用。[1] 實務上可先挑一類容易缺貨或積壓的商品，整理每個商品在各門市的銷量、現有庫存、進貨交期、價格與促銷。若某些商品已停賣、換包裝或改單位，先處理識別與換算，否則看似完整的序列仍可能把不同商品接在一起。
先用目前人工作法或簡單歷史平均作為比較基準，讓 AI 產生候選補貨量，再由採購人員檢查供應商交期、最小訂購量、保存期限與特殊活動。正式下單仍由負責人確認，並記錄為何採納或調整。這是穹境提出的小範圍試點做法，不代表上述來源要求所有企業採同一流程。
準確率之外，要看貨架與現金
預測誤差變小，不保證庫存決策變好。模型可能整體平均得分漂亮，卻在最重要的熱賣品上持續低估；也可能為了避免缺貨而讓慢銷品占用資金。因此驗收要按商品重要性、門市與缺貨情境拆開比較，並把報廢、折價、緊急補貨與人工覆核時間一起納入。研究中的模型結果只適用於研究資料，不能當作本公司 ROI 承諾。[3][4]
Lead Measure 可追蹤缺貨標記完整率、商品與門市資料對應率、促銷資料及時性、採購人員調整原因；Lag Measure 則看缺貨次數、積壓量、報廢與折價、補貨時間及現金占用。先確認一條補貨流程是否更穩，才考慮擴到更多品類。AI 的角色是讓現場判斷有更完整的證據，不是讓訂貨責任消失。
關鍵要點
先分清銷量與需求：缺貨期間的零銷售不能直接當成零需求，應保留缺貨時段與可供應狀態。
補齊營運情境：商品、門市、日期、價格、促銷與假日應能對上同一段銷售紀錄。
先做小範圍試點：選一類高影響商品，以既有補貨方法作基準，再比較 AI 建議。
預測不等於訂單：補貨建議須納入交期、起訂量、保存期限與採購人員的例外判斷。
用營運結果驗收：同時看缺貨、過量、報廢或折價、資金占用與人工調整，不只看預測誤差。
參考來源
115年度商業服務業數據驅動價值創造計畫推廣說明會
經濟部商業發展署 · 2026-03-19
https://mnscdn.moea.gov.tw/Mns/Populace/news/NewsActive.aspx?kind=4&menu_id=43&news_id=122157Retail demand forecasting using AWS
Amazon Web Services · 2023-01-05
https://aws.amazon.com/blogs/industries/retail-demand-forecasting-using-aws/FreshRetailNet-50K: A Stockout-Annotated Censored Demand Dataset for Latent Demand Recovery and Forecasting in Fresh Retail
arXiv 原始研究 · 2026-06-18
https://arxiv.org/abs/2505.16319A Data-Driven Predictive Framework for Inventory Optimization Using Context-Augmented Machine Learning Models
arXiv 原始研究 · 2026-01-08
https://arxiv.org/abs/2601.05033Enhancing Supply Chain Resilience for Zambian SMEs Using Weather-aware Machine Learning Application: An SEM Analysis of Forecasting Accuracy and Business Outcomes Influences
Journal of Operations and Strategic Planning 原始研究 · 2026-06-13
https://journals.sagepub.com/doi/10.1177/2516600X261446127常見問題
Q：為什麼商品缺貨會讓 AI 需求預測失準？
A：因為缺貨時沒有成交紀錄，不等於沒有人想買。模型若只看已售數量，可能把受庫存限制的銷量誤當成真實需求，下一次仍少訂。先記錄缺貨開始與恢復時間、各時段可供應狀態，再讓預測系統辨識這些受限資料。
Q：中小企業要有多少歷史資料，才能開始預測庫存？
A：沒有對所有商品都適用的固定筆數或月份。先確認商品、門市、日期、銷量和庫存資料能對上，再看是否有足夠的季節、促銷與缺貨案例可比較。資料短或新品可先維持人工補貨基準，避免把模型輸出的精確數字誤認為可靠。
Q：促銷與天氣資料一定要放進 AI 預測嗎？
A：不一定。促銷、假日和天氣可能改變需求，但是否值得蒐集與使用，要看商品特性及本地資料驗證。先補齊價格、促銷和營業日這些企業已有的紀錄，再逐項加入外部訊號；若沒有改善決策，就不必為增加欄位而增加。
Q：AI 算出補貨量後，可以直接自動下單嗎？
A：起步階段不建議直接下單。預測量還要轉成符合交期、起訂量、保存期限與庫存現況的訂貨決策。先由採購人員檢視高影響與異常建議，記錄採納或調整原因；等資料、規則、權限與回復方式驗證後，再評估有限範圍的自動化。
Q：庫存 AI 試點多久能判定有沒有用？
A：不能只用固定天數判定，應涵蓋該商品的補貨週期與主要促銷、缺貨情境。試點前先固定比較基準與驗收指標，期間同時記錄預測誤差、缺貨、積壓、報廢及人工調整；若只看到模型分數改善，還不能宣稱營運效益已實現。
由穹境科技 AI 情報系統生成 · 2026-09-21 · 資料來源見上方參考列表