供應鏈需求預測 AI 怎麼落地?從 Excel 到模型上線的 90 天劇本

去年底，一家做家電通路的客戶把我們找進去。他們的計畫部門有三個人，每週花整整一天在一張長到要橫向捲三次的 Excel。欄位是門市、SKU、週別，公式疊了七層，維護的那位資深專員一請假，整個補貨節奏就亂。他們想上「需求預測 AI」，預算也批了，問題是：從這張 Excel 到一個真的能被採購按下去下單的模型，中間到底要走多久、走哪些步驟？

我們給的答案是 90 天，但重點不在天數，在於這 90 天要分三段走，每一段都有明確的驗收物，做不到就不准往下一段跳。

為什麼需求預測 AI 卡在資料，不是卡在模型

先說一個違反直覺的事實：把預測做壞的，幾乎從來不是模型不夠強。是資料。

大多數企業的歷史銷售資料裡藏著三種毒。第一種是缺貨掩蓋真實需求——那週賣得少不是沒人要，是根本沒貨，模型卻學成「這週需求低」。第二種是促銷沒有被標記，模型把一次雙十一的爆量當成常態基準。第三種是主檔混亂，同一個 SKU 在三個系統有三種編碼，串不起來。

如果不先把這三件事處理掉，你用 LSTM 還是 XGBoost 還是最新的時序基礎模型，結果都一樣爛。所以我們的 90 天，第一段整整 30 天只做一件事：讓資料乾淨到可以信任。

90 天三階段劇本

這張表最容易被跳過的是最後一欄。很多專案第 60 天模型驗收漂亮，簡報做得美，然後就沒有然後了——因為沒有人真的拿它下單。

驗收要驗的是「贏過現在」，不是「準不準」

第二段最常見的爭執，是拿什麼當及格線。

資料科學家愛講 MAPE 多少才算好。但企業要的不是一個絕對數字，是「比我現在這位資深專員的手感更好」。所以我們的做法是：把過去 12 個月，客戶當時人工填的預測數字整條調出來，跟模型在同一段歷史上的 backtest 結果，放在同一張圖上比。不是跟理論最佳比，是跟現狀比。

而且要分層看。快銷、走量的 A 類品項，模型通常能穩定贏兩到三成誤差；但長尾的慢銷品項，資料太稀疏，模型不一定贏得了人，這時我們會誠實建議這類 SKU 先維持人工，別硬塞給模型。這一步的取捨如果不講清楚，上線後採購遇到一次離譜的長尾預測，就會對整套系統失去信任，前面全白做。

上線那 30 天才是真正的戰場

模型接進補貨系統的第一週，我們一定保留「人可以覆寫」的按鈕，而且每週盯一個數字：覆寫率。

第一週採購覆寫了七成，很正常，他還不信任。我們要做的不是關掉覆寫功能逼他用，是每週坐下來看那七成裡哪些是模型真的錯了、哪些只是採購憑舊習慣。錯的補進資料重訓，習慣性的就一條一條解釋給他聽。三四週後覆寫率掉到兩成以下，這套需求預測 AI 才算真的活了。那家家電通路，第 78 天採購第一次整批照模型下單沒改一個數字——那天我們才敢說專案成了。

我們做這類案子，工程師是進場蹲在客戶的計畫部門旁邊做的，不是遠端交付一包模型就走。Demo 準得漂亮不算數，採購願意閉著眼睛按下下單、而且覆寫率一路往下掉，那才算把它推上了生產線。