# 新產品需求預測：實用指南 > 學習新產品需求預測，透過實用方法、類比分析、機器學習技術、驗證步驟，以及專為中小企業量身打造的庫存建議。 Source: https://www.electe.net/tc/post/demand-forecasting-for-new-products Site guide: https://www.electe.net/tc/llms.txt 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](https://research.utwente.nl/en/publications/forecasting-demand-profiles-of-new-products/)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](https://researchportal.bath.ac.uk/en/studentTheses/new-product-sales-forecasting-the-relative-accuracy-of-statistica/)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](https://webdoc.sub.gwdg.de/ebook/serien/e/monash_univ/wp24-05.pdf)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** 方法所需數據優勢主要風險最適用情境類比法可比較的上市歷史紀錄提供可追溯的起點誤導性的比對結果存在相關產品時結構化判斷法相關專家與假設條件能掌握上市背景脈絡誘因偏誤資料紀錄稀少時擴散模型採用曲線與假設條件呈現採用時程參數移轉效果不佳採用過程隨時間演變時屬性導向模型產品特性與過往上市紀錄運用多項產品特徵在有限歷史資料上過度配適上市紀錄具一致性時 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](https://ideas.repec.org/a/eee/tefoso/v86y2014icp49-64.html)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](https://revistas.unal.edu.co/index.php/dyna/article/view/45223)，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](https://www.electe.net/post/time-series-forecasting)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](https://www.electe.net/post/monte-carlo-simulation)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](https://journals.sagepub.com/doi/full/10.1177/00222429211014902)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 指標白話說明支援的上線決策**MAE**以單位計算的平均絕對誤差了解典型的數量誤差**RMSE**強調較大誤差的誤差衡量方式找出嚴重誤差的風險暴露**WAPE**總絕對誤差相對於總需求量跨產品組合比較誤差**sMAPE**使用預測值與實際值進行比較的百分比式指標比較不同 SKU，接近零時需謹慎**偏差方向**平均誤差的方向偵測持續性的預測過高或過低 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](https://supplyautomate.com/blog/how-to-calculate-safety-stock)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](https://www.electe.net/post/best-inventory-management-software-for-small-businesses)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](https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0350729)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](http://apjcriweb.org/content/vol12no9/13.html)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](https://www.electe.net)，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。