零售庫存預測 AI：定義時間邊界、誤差指標與補貨流程

先定義要預測什麼

門市與品項的銷售預測，要服務一個具體決策：何時補貨、要看多長期間，以及誰批准訂單。先定義目標、時間粒度、門市與品項範圍，再確認補貨提前期和資料更新頻率。

銷售量不一定等於需求。商品缺貨時，POS 只能記錄已售出的量，未滿足需求可能無法直接觀察。新品、促銷、間歇性需求與下架品也有不同條件；評估時應列出納入與排除的範圍，避免只留下容易預測的品項。

為每次預測記錄產生時間、目標期間、資料版本與來源時間。已排定的促銷可能是已知資訊；未來實際天氣、其他門市銷量或事後修訂，則不能當作當時已知的輸入。若使用天氣預報，要保留當时的預報版本。

資料轉換、缺值處理與模型訓練都應限定在各次評估的訓練範圍內。以後續期間或滾動預測起點，對照適用的簡單基準，並使用相同預測期間與品項範圍。《Forecasting: Principles and Practice》的時間序列交叉驗證說明這種時間切分與多步預測評估。

來源過期、補送或中斷時，要決定延用哪個基準、是否停止建議，以及由誰處理。這些是待建立的評估與運作條件。

MAPE 是各觀察值的絕對相對誤差平均。它不是訂錯商品的比例，也不表示誤差方向或合計量的偏差。實際值為零時，標準百分比誤差無法計算；接近零時，也可能極不穩定。

選擇指標時，明訂零值、缺值、權重與彙總方式，並報告排除的資料。FPP3 準確度評估提供百分比誤差與其他誤差衡量的範圍。依補貨用途搭配可解讀的誤差或基準比較，不能把「100 減 MAPE」直接寫成訂單正確率。

點預測、分位數、區間與完整分布是不同輸出。傳統方法也能提供預測分布；指定某種 AI 模型並不代表區間已校準。若使用不確定性，應在對應期間與品項群檢查區間涵蓋情況，再評估其對決策的影響。

補貨還要考慮庫存與已承諾用量、在途貨量、交期、最小訂購量及門市限制。服務目標也要有定義：沒有缺貨的機率，與需求件數被滿足的比例，是不同衡量。預測區間本身不能直接決定安全庫存。

先在既有流程中比較建議，讓採購保留覆核與批准權，記錄建議版本及實際執行。促銷特徵有預測價值，也不等於已辨識促銷的因果效果。評估營運結果時，應記錄同期供應、調撥、價格與流程改變。

監測資料品質、預測表現與採購負擔；若表現變差，先調查原因，再驗證候選版本。約定批准更換、退回基準與回復版本的負責人，避免把固定日曆或短期波動直接變成自動發布規則。

上述 FPP3 章節於 2026-10-04 查閱，頁面未標示更新日期；其範例不能當成本地預測或補貨成效。

需要分開計算庫存、行銷與客服價值時，參考零售電商 AI ROI 評估；討論既有來源、介面與覆核範圍，參考零售電商方案。