新產品需求預測：實用指南

你的供應商等著收到採購訂單，行銷團隊已經排定上市活動，產品頁面也幾乎準備就緒。你負責訂購一款尚未經過市場驗證的SKU，但沒有人能告訴你，顧客會穩定購買、立刻搶購，還是等到促銷結束才下單。

訂購過於保守，可能在上市活動尚未展開聲勢前就流失銷售；訂購過於積極，則可能把現金壓在最終需要打折出清的庫存上。一份列出自信銷售目標的試算表，並無法解決這種取捨。

新產品需求預測在被視為一種學習與決策的過程時效果最好，而不是追求一個完美的數字。你需要一個站得住腳的初始估計值、清楚說明哪些因素可能改變它，以及當顧客行為與預期不同時該如何應對的規則。

實務上的任務，是將可比較的上市案例、結構化的專家判斷，以及合適的模型，與庫存決策連結起來。這代表要謹慎定義需求、測試假設，並事先決定何時補貨、暫停或修改計畫。

為什麼新產品預測比看起來更困難

假設你經營一家線上居家用品零售店，正準備推出一款保溫旅行杯。你有銷售水杯類商品的經驗，但這款SKU配有不同的杯蓋、較高的售價，且行銷活動鎖定的是通勤族，而非送禮族群。它足夠熟悉，讓人忍不住拿來比較，但也足夠不同，讓這些比較充滿不確定性。

你的採購同事想知道訂購數量；行銷部門想確保庫存足以支援這次活動；財務部門則想知道，如果市場接受度緩慢，還有多少現金會暴露在風險之中。

這些問題彼此相關，但並不能互相替代。需求預測是在既定條件下，估計顧客的購買量；庫存計畫則是決定企業願意承擔多少風險，以滿足這些購買需求。

在選擇模型之前，先釐清不確定性

對於沒有豐富上市紀錄，也沒有太多空間承受首批訂單失誤的中小企業來說，我會將這個問題拆解成幾種不同的不確定性：

• 缺乏歷史資料：你尚未擁有這款新SKU本身的需求模式。
• 採用不確定性：你還不知道哪些買家會回應，或他們會多快採用。
• 上市條件變動：你的定價、通路與促銷決策，都會影響你試圖預測的結果。

最後一點很容易被忽略。你的上市活動並不是一場被動的實驗，一切條件保持不變，只等顧客展現他們的偏好。

如果行銷團隊延後發送電子郵件活動，原本的預測假設就不再適用於這次上市。如果某個電商平台的商品頁面上架延遲，銷售下滑也不必然代表顧客興趣減弱。

釐清你真正需要的訊號

觀察到的銷售並非無約束的需求。顧客只能購買在他們能接觸到的通路中可供應的商品。因此，缺貨、通路限制和促銷衝擊都需要與銷售數據一併記錄，而不是任由模型將其解讀為一般的顧客行為。

對於實際的起始預測期間，先預測前八到十二週的每週需求，接著依據新產品需求曲線預測研究所述方法評估誤差與庫存影響。該研究的 DemandForest 方法結合了分群、隨機森林與分量迴歸森林，報告指出潛在庫存節省約 15%，但實際結果取決於前置時間與服務水準，並非每家零售商都能保證達到此結果。

從一份精簡的上市紀錄開始：

• 產品中繼資料：類別、價格層級、通路、上市季節、顧客區隔，以及相關產品特性。
• 可比較的上市案例：歷史上市曲線，並附上說明異常狀況的註記。
• 商業假設：計畫價格、促銷強度、活動時程，以及通路涵蓋範圍。
• 顧客訊號：預購與候補名單活動，與已完成的購買分開記錄。
• 供應證據：有庫存期間、上架啟用日期，以及通路覆蓋範圍。

候補名單是興趣的證據，而非自動成立的訂單簿。應明確界定其意義，而不是將每一筆登記都轉換為預期銷售。

實用原則：記錄顧客「能夠」購買的商品，而不只是系統顯示他們「已經」購買了什麼。

為上市紀錄指派一位負責人，並保留每一版預測連同其假設。否則，團隊可能反覆修改計畫，最終失去對最初預期內容的掌握。

對於顧客訊號，只蒐集分析所需的部分。優先使用彙總計數，限制可識別資訊的存取權限，並建立保留規則。你並不需要顧客的完整個人檔案，就能了解上市興趣是否正在增強。

類比產品方法與專家判斷預測

一個可比較的產品之所以有用，是因為它具有相同的需求驅動因素，而不是因為它在產品頁面上看起來相似。你的旅行馬克杯外觀上可能類似高檔禮品隨行杯，但在商業行為上更像是通勤用水壺。

以有紀錄依據的評分選擇可比較對象

依據類別、價格區間、通路組合、上市季節與促銷強度來比對候選對象。在檢視銷售結果之前，先記錄每個屬性重要的原因，以免最終只挑選出支持樂觀目標的上市案例。

假設有兩個比較案例：一個主要透過你的網站銷售的通勤水壺，以及一個由季節性廣告支持的禮品隨行杯。當用途與通路相符時，應賦予通勤水壺更高的參考權重；至於禮品隨行杯，則應針對其行銷活動進行調整，而非直接套用其上市高峰數據。

一項針對統計與專家判斷新產品預測的研究發現，相較於僅依賴單一最相近的類比對象，跨多個類比對象平均參數可提升準確度，但超過約五、六個類比對象後，額外效益便相當有限。已發表的參數平均值所產生的誤差，也高於本地估算的參數，這再次凸顯了必須針對自家實際上市案例進行驗證的必要性。

讓專家估算保持獨立

請商品企劃、行銷與營運部門分別提交各自的估算，並附上其假設依據。接著採用德爾菲法（Delphi）進行討論，以匿名方式分享推論過程，並允許修正意見，避免由最資深人員主導訂出初始數字。

在以類比為基礎的判斷方面，結構化類比預測法提供了一套有文件記載的程序：專家找出可比對的情境、評估相似程度，並將歷史結果與目標上市案例連結起來。在進入綜合評估階段之前，請將此專家判斷估算與統計估算分開處理。

在常見新產品預測方法中做出選擇

這些方法是互補的輸入條件。不要只是請專家核准一個他們早就看過的模型。

適合中小企業的統計與機器學習模型

從團隊能夠測試並解釋的最簡單候選模型開始。只有當更複雜的模型能改善那些未曾用於訓練的上市案決策時，才值得採用。

Bass 擴散模型透過外部影響（例如廣告）與內部影響（例如口碑）來描述採用行為。可以這樣理解兩者的差異：顧客是從一則廣告得知你的馬克杯，還是從已經在使用的人那裡聽說。

讓模型配合可取得的證據

Bass 模型使用創新係數來表示受外部影響的採用行為，並使用模仿係數來表示受內部影響的採用行為。這些是關於採用行為的假設，而不是可以不經質疑就從其他類別直接借用的現成設定。

一項結合 Bass 模型與統計及機器學習方法的上市前預測研究發現，大多數個別預測模型的表現優於傳統的類比基準，而組合模型則進一步提升了準確度。這支持了測試互補模型的做法，而不是假設 Bass 模型或機器學習一定會勝出。

對於中小企業的候選清單，可考慮：

• 迴歸分析：適合用來將上市需求與已記錄的屬性（如價格、通路和促銷）建立關聯。
• 梯度提升模型：適合在你想測試屬性組合、而不必手動指定每一種關係時使用。
• 相似度加權神經網路預測：適合在可比較產品擁有足夠歷史資料可單獨建模時使用。

一項涉及兩家跨國食品公司的同行評審研究，將類似產品的神經網路預測與質性相似度權重相結合，在86% 的分析案例中產出了更準確的預測。這是該組合方法在該案例研究中的證據，而非普遍適用的準確度保證。

機器學習重新整理了現有的證據，但無法在毫無上市歷史的情況下，憑空創造出可信的上市紀錄。

在與數據合作夥伴討論候選方案時，詢問每個模型在預測時需要哪些資訊。ELECTE 的避免預測錯誤指南提供了相關背景，但新產品編號仍需要超越其本身（不存在的）銷售歷史的證據。

將預測結果整合為具有預測區間的組合模型

組合模型是多個預測結果的結合。其目的在於避免讓整個上市計畫完全依賴單一模型的假設。

讓各項輸入條件保持獨立：一個由類比產品推導出的基準值、一個擴散預測，以及一個獨立準備的專家估計。如果每個人都只是抄襲同一個初始估計值，將他們的答案取平均並不會增加多少資訊量。

建立組合模型，同時不要隱藏假設

採用以下實作順序：

1. 先固定輸入值。在任何人協商出最終計畫之前，先保留每個組成預測。
2. 模擬早期的上市情況。只提供每種方法在那些上市之前應該已經存在的資訊。
3. 比較組合規則。在這些歷史模擬中，測試等權重與基於誤差的權重之間的差異。
4. 保留一個簡單的基準。要求混合模型證明其額外複雜度的合理性。
5. 保存決策依據。記錄你選擇這些權重的原因，以及什麼情況會觸發變更。

反誤差規則會讓歷史誤差較低的方法擁有更大的影響力。當需求不接近零時，反 MAPE 加權是一個可能的候選方案，但對於間歇性上市而言，這並非理想的預設選項，因為百分比誤差會變得不穩定。

呈現範圍，而非只是中間值

預測區間描述的是圍繞點預測值的未來需求可能範圍。請勿將其與信賴區間混淆，後者關注的是對某個估計量的不確定性，而非未來結果的分散程度。

根據歷史預測誤差和明確的上市情境來建立該範圍。關於以情境為基礎的探索，ELECTE 的蒙地卡羅模擬指南說明了一種用於檢視不確定輸入值的相關方法。

將產品元資料、類比分數、回測結果和預測版本一起儲存。在比較試算表、分析師建立的工作流程和分析平台時，應將此視為一項實作要求，而不是假設任何平台都會自動提供整個流程。

當廣告支出、通路分佈或顧客反應偏離原先記錄的假設時，重新檢視該組合。請勿僅因為某位主管不喜歡目前的數字就更改權重。

以上市階段指標驗證預測

一次上市可能在年度預測上接近完成，但在過程中仍可能造成嚴重的補貨問題。總數並不能顯示你是否訂貨過早、在活動期間缺貨，或是在熱度消退後才補貨。

在一項關於創新耐久財預測的研究中，在所報告的研究條件下，第一年的預測誤差分別為1.9%、0.0% 和 20.0%，而對應的月平均絕對百分比誤差則為18.6%、26.5% 和 44.4%。在誤差為零的年度結果中，當時可取得實際廣告支出數據，這說明了為何更新的商業資訊如此重要，也說明了為何一個準確的總數可能掩蓋時間點上的誤差。

使用一套指標體系

明確定義誤差的計算方式。例如，採用「預測值減實際值」，讓正值一律代表預測過高。

測試團隊當時實際能掌握的資訊

採用時間序列回溯測試：以較早期的上市產品作為訓練資料，用較晚上市的產品進行評估。若隨機分割樣本，可能讓後期階段的資訊影響前期階段的預測，使測試結果失真地過於樂觀。

依產品生命週期階段、促銷曝光程度與間歇性需求分別檢視結果。別讓一項穩定的高銷量產品掩蓋了慢熱型新品屢次預測失準的問題。

管理層檢核重點：在調整模型之前，先釐清誤差是來自需求估計本身、上市假設有所變動，還是缺貨所致。

對於新產品的需求預測，計分卡應能支援問題診斷。追蹤初始估計值、後續修正過程，以及由此產生的庫存決策，才能分辨出究竟是預測能力確實提升，還是只是在結果明朗後才做出反應。

將預測不確定性轉化為庫存與補貨決策

預測描述的是可能發生的情況，而庫存政策則明確規定你將如何因應。

其中關鍵的取捨在於非對稱損失：訂貨過少與訂貨過多所造成的後果並不對等。缺貨可能打斷產品上市的氣勢，而庫存過剩則可能需要額外的倉儲、降價或報廢處理。

制定明確的風險政策

分位數預測可標示出可能需求結果中的特定位置。請根據服務目標與未能滿足需求的成本，選定適用的分位數，再將其套用於補貨前置時間內的需求上。

你的再訂購決策應將該前置時間所需的數量，與庫存部位（即現有庫存加上在途供應，再扣除已承諾的需求）進行比較。單靠檢視銷售數字是不夠的。

可依循以下上市執行指南：

• 分階段投入初始訂量。若庫存過剩是主要風險，可考慮以較保守的低需求情境為基準，先進行小規模試投。並確認此投入量仍足以支撐學習與觀察。
• 訂定升級處理的條件。當需求超出預測中位數時，可觸發檢討機制，但須先確認庫存部位、前置時間與剩餘促銷活動後，才能進行再訂購。
• 在上市初期每週檢視一次。區分出真正的需求變化，與因促銷活動或供貨狀況所造成的變化。
• 授權例外處理。指定可核准緊急再訂購、擴大投入量或暫停執行的負責人員。

若要了解該政策背後的安全庫存計算方式，Supply Automate 所提供的安全庫存計算方法說明是很有用的參考資源。在評估可用於執行補貨的系統時，可將各項工作流程需求與ELECTE 精選的庫存管理軟體相互比較。

監控的是決策本身，而不只是預測結果

使用機器輔助監控來標記偏離假設的情況,並提示經理審查。將採購權限與自動警示分開保留。

一項針對多品種、小批量製造的研究報告指出,使用類比法、機器學習、殘差修正與流程監控,在五個實際案例中平均絕對誤差(MAE)降低了35.7%。這支持了嚴謹的組合與修正方法,但並未證明零售商能獲得同等的庫存節省效果。

當沒有可信的類比對象時

有時候,最重要的預測決策是拒絕採用現有的可比對象。一款改變顧客行為方式的產品,可能與既有產品共享同一個類別標籤,卻不共享其需求驅動因素。

需要生態系統支援的聯網裝置、等待法規核准的產品,或是唯有在其他人加入後才具有用處的服務,可能需要不同的採用假設。若將這些視為普通的產品線延伸,可能會產生不合理的精確度錯覺。

以明確的情境取代錯誤的比對

一篇針對突破類別產品預測的系統性回顧指出,當歷史需求關係不再適用時,擴散模型、專家類比法、機器學習與基礎模型方法仍然面臨挑戰。該文獻也指出,高效能基礎模型方法所需的預訓練資料與運算資源,對規模較小的企業構成限制。

對於這類新品上市,我會採用情境清單,而非強行套用單一歷史曲線:

• 採用假設:顧客在購買前必須理解、改變或信任哪些事物?
• 外部依賴因素:銷售成長是否需要核准、基礎設施、合作夥伴或互補產品?
• 可觀察的訊號:哪些競爭對手動態或顧客行為能支持各個情境?
• 修正規則:什麼樣的證據能夠證明應擴大、縮小或放棄目前的預測範圍?

將情境假設與實際測量的觀察結果分開保存。經理對於採用情形的看法若能清楚標示,就具有參考價值;若偽裝成模型輸出,則不然。

關鍵要點

• 界定目標:在明確記載的商業與供貨條件下預測需求。
• 運用獨立證據:在整合之前,先保留模型估計值與專家判斷。
• 進行實際測試:僅使用當時可取得的資訊來評估先前的新品上市案例。
• 將不確定性與行動連結:就分階段承諾、補貨觸發點與決策負責人達成共識。

新產品的需求預測,終究是一門管理學問。在上市之前,你不需要消除所有不確定性,但你確實需要讓它變得可見,並決定該如何應對。

一份站得住腳的上市計畫，會說明你的預期是什麼、什麼情況會推翻這個預期，以及接下來你會怎麼做。相較於一個沒人能解釋清楚的精確數字，這能為團隊提供更好的基礎，來保護現金並服務客戶。

ELECTE 是一個為中小企業打造的 AI 數據分析平台，提供預測分析、自動化報告，以及能監測業務數據趨勢與異常狀況的 AI 代理。歡迎造訪 ELECTE，了解這些功能如何協助你的上市審查工作，並準備一份產品元數據、庫存紀錄與補貨決策的樣本，評估是否適合貴公司使用。