零售巨頭靠AI預測|一年省下十億庫存
走進任何一間香港的連鎖服裝店，你會看到兩種貨架：一種永遠缺碼，一種永遠在打折。這個看似微不足道的現象，背後其實是整個零售業最昂貴的痛點——庫存預測失準。而過去兩年，全球大型零售商正用AI把這個痛點變成利潤。
痛點有多貴？先看數字
零售業有一個流傳多年的經驗法則：每賣出1元商品，背後平均壓著0.6至0.8元的庫存。對一間年營收100億的零售商來說，這意味著60至80億資金被綁在倉庫裡。更糟的是，其中約15%到25%最終會變成滯銷品，只能靠打折清倉，直接吃掉毛利。
傳統做法是靠採購經理的經驗加上Excel，用「去年同期加減一個百分比」來下單。問題是，疫情後消費行為變得極不規律：天氣異常、社群媒體爆紅、跨境電商促銷、匯率波動，任何一項都能讓歷史數據失效。有採購主管形容，這就像「用去年的地圖找今年的路」。
AI預測怎麼運作？拆解三層架構
目前主流零售AI預測系統，通常由三層組成：
**第一層是需求信號層。**系統不只看自家銷售紀錄，還會吃進外部變數：當地天氣預報、節慶日曆、社群討論熱度、競爭對手價格、甚至搜尋趨勢。例如氣溫驟降3度，系統會自動上調某幾款外套的補貨建議。
**第二層是預測模型層。**這裡混合了傳統時間序列模型與深度學習。關鍵在於「分層預測」——不是預測「全公司下個月賣多少」，而是細到「旺角分店、這款M碼、下週三、預測賣出4.2件」。顆粒度越細，補貨越準。
**第三層是決策與自動下單層。**預測出來後，系統會結合交期、最低訂購量、倉儲成本，算出「最賺錢的訂單量」而非「最準的訂單量」。這點很重要：預測準確率提升不等於利潤提升，要同時優化成本結構。
真實ROI：頭部企業的成績單
幾間公開談過數字的企業值得參考：
- Zara母公司Inditex導入AI需求預測後，將設計到上架的週期從數週壓縮到數天，並把過季庫存佔比降到同業的一半以下。其庫存周轉天數長期維持在約80天，明顯優於快時尚同業平均的100天以上。
- 沃爾瑪在部分品類導入AI補貨後，公開表示缺貨率下降、同時庫存水位降低，兩者罕見地同時改善——這正是AI預測最有價值的地方：過去「不缺貨」和「不積壓」是蹺蹺板兩端，AI讓兩端同時往好的方向移動。
- Uniqlo母公司迅銷則用AI分析門市即時銷售與天氣，動態調整生產與配貨，把暢銷款追加生產的決策時間縮短。
綜合多家顧問機構的估算，成熟的AI需求預測系統，可為零售商帶來庫存成本降低10%至25%、缺貨率降低20%至30%、滯銷打折損失減少15%以上。對年營收百億級的企業，這相當於一年省下數億到十億級別的成本。
香港台灣的中小企，抄得到嗎？
看到這裡，很多香港台灣的中小企老闆會想：「那是沃爾瑪的遊戲，我玩不起。」其實未必。
**第一，工具門檻已經大幅下降。**現在有不少雲端庫存管理SaaS已內建AI預測模組，月費由數百到數千港元，中小企可直接訂閱，不需要自建數據團隊。
**第二，先從「一個品類、一間店」試點。**不要一次全公司上線。挑一個銷售穩定、數據乾淨的品類，跑三個月，把AI建議的補貨量與人手決策做對照。多數企業在第二個月就會看到差異。
**第三，數據乾淨比模型先進更重要。**很多中小企失敗不是因為模型不夠強，而是因為進銷存紀錄混亂、退貨沒登記、促銷沒標註。先把數據整理好，AI才有用。
延伸閱讀
給管理層的三個提醒
最後，這波AI庫存革命有幾個容易被忽略的教訓：
- **AI不是取代採購，而是改變採購的工作。**採購從「算數字」變成「處理例外」——系統處理95%的常規補貨，人處理爆紅、斷貨、突發事件。
- **要有人對「預測失準」負責。**AI會出錯，關鍵是建立回饋機制，讓每次失準都變成模型下一次的養分。
- **別只優化預測，要優化決策。**最準的預測若配上錯誤的訂購策略，一樣虧錢。
零售業的下一場競爭，不在貨架，而在演算法。對香港台灣的企業來說，問題已經不是「要不要用AI做預測」，而是「你比對手晚多久開始」。