# 零售需求預測:方法、數據與效益

> 了解零售需求預測的運作方式、可採用的預測方法、所需數據,以及如何透過更完善的庫存計劃減少缺貨與庫存積壓。

Source: https://www.electe.net/tc/post/demand-forecasting-for-retail

Site guide: https://www.electe.net/tc/llms.txt

缺貨往往被歸咎於供應商,但多數時候,問題出在自家營運內部。[一項在 IEOM Society 2025 年孟加拉會議上發表的零售庫存研究](https://ieomsociety.org/proceedings/bangladesh2025/372.pdf)指出,**超市缺貨事件中有 51% 至 73% 源自零售營運內部**,其中預測不準確(包括低估需求)與訂貨失誤是主要原因之一。

這項發現改變了我們看待問題的角度。**零售需求預測**並不是一場比拼誰的演算法最先進的競賽,而是一門營運紀律:從已被缺貨和促銷扭曲的數據中,提煉出真實的需求訊號;依每項商品的銷售特性選擇合適的方法;並把預測結果落實為採購人員週一早上就能直接採用的補貨點。

本指南涵蓋完整的流程:預測必須產出什麼、哪些輸入數據最關鍵、六種常見方法在不同零售情境下的比較、為何慢速流動商品需要不同的架構、囤貨與渠道轉移如何放大促銷提升的假象、不同決策該採用哪種誤差指標,以及在下一個採購週期前可執行的五步檢查。

## 需求預測在門店現場的意義

天氣預報之所以可信,是因為它具體到地點和時間:你所在城市週二下午的降雨機率,就足以決定要不要帶傘。需求預測對庫存的作用也一樣。它估算特定門店在特定一週內,顧客會購買某項商品多少件,讓採購人員下單的是準確數量,而不是看似合理的數量。

以下五個步驟是整個概念的縮影,從預測一直到由此觸發的採購訂單。

預測的目標是需求,而不是收銀機碰巧記錄下來的銷售數字。洗髮水貨架空空如也時記錄的零,屬於被截斷的需求;促銷帶來的高峰,可能是向未來兩週「預支」的,也可能是從鄰近門店搶來的。品類平均值和月度報表會掩蓋這些單品與門店層面的問題,因此訊號必須保持細緻,並頻繁更新。

實際運作流程如下:

1. **收集**按商品、門店和日期劃分的銷售與庫存記錄,包括貨架缺貨的日子。
2. **清理與對齊**:統一計量單位、統一日曆,並避免門店系統重新結算某週數據時出現重複記錄。
3. **建模與預測**:按訂貨決策所需的細緻程度,逐項商品、逐間門店預測需求。
4. **將預測轉化為訂單與安全庫存**,並結合供貨前置時間和你承諾的服務水平。
5. **衡量誤差並調整**,逐項商品進行,而不是每年預算時才檢討一次。

每一步都在防範三種成本中的一種。預測偏低,會損失無法挽回的銷售,因為顧客會改買替代品或直接離開。預測偏高,資金就壓在必須降價清倉的庫存上。數量大致準確但時間點錯誤,則兩頭都要付出代價:急單要付額外運費,多餘的庫存要付倉儲費。

> **最能省錢的原則:**預測只有在補貨規則據以執行時才有價值。一個再精準的數字,如果只躺在報表裡,貨架上不會有任何改變。

## 資料輸入項目,以及缺貨為何會扭曲資料

在比較模型之前,先看輸入的資料。對零售預測準確度影響最大的輸入項目既可預期又不起眼,而許多團隊卻缺少其中兩三項。

- **依商品、門市和日期劃分的銷售歷史。**粒度更粗的資料,會掩蓋承載訊號的促銷週和週末高峰。
- **現有庫存與缺貨時長。**沒有這些資料,就無法分辨是銷售平淡的一週,還是貨架空了。
- **價格與折扣幅度。**九折和七折帶來的反應曲線並不相同,因此請記錄顧客實際支付的貨架價,而非標價。
- **促銷日曆**,包括陳列位置與主打廣告。
- **節假日與在地活動。**兩條街外的學校園遊會,帶動的瓶裝水銷量比國定假日還多。
- **天氣**,尤其對生鮮、季節性和園藝類商品。
- **競爭對手價格**,只要能持續觀察到就應納入。
- **供應商前置時間與交貨延遲**,它們決定你需要多少安全庫存。

### 為什麼空貨架會寫入虛假的零

假設你的洗髮精平均每週賣出 40 件,而貨架空了三天。這三天的銷量記錄為零。以這份歷史資料訓練的模型,會學到「庫存耗盡時需求就會下降」,這與事實正好相反。找不到商品的顧客並沒有改變心意,他們只是去了別處。

供應商延遲、補貨緩慢以及你自己的訂貨決策,同樣會以這種方式截斷銷售資料。模型無法分辨是流失了一筆銷售,還是顧客失去了興趣,因此會持續對賣得最快的商品訂貨不足。

這種失誤已有大量文獻記載。[2026 年一份關於零售預測中機器學習的綜述](https://link.springer.com/content/pdf/10.1007/s10462-026-11723-2_reference.pdf)指出,資料集不完整、資料管道零散、顧客行為變化、促銷、競爭對手的反應以及季節性,都會導致模型出現偏差且脆弱。該綜述還引用了一項針對 **661 位庫存專業人士**的調查,其中 **51% 的人有時會在明知預測不可靠的情況下仍照此執行**,因為沒有更好的替代方案;而關稅與貿易政策變動(19%)以及通膨或大宗商品價格波動(17%)被列為最大的干擾因素之一。

### 四步修正法,依序進行

1. **標記每一個缺貨日**：在銷售歷史中記錄商品無法供應的小時數或天數。
2. **估算損失的銷售額**：根據同一門市、同一週內的可比商品，推算這些日子的銷量。
3. **標註每個時期**：在任何訓練開始之前，先將其標為「供應正常」或「受限」。
4. **以調整後的歷史資料訓練，並在保留的週次上比較結果**，切勿使用你已修補過的週次。

對大多數中小企業而言，這項工作比更換演算法更能提升準確度。模型只能學習紀錄中的內容；如果紀錄顯示缺貨期間需求崩跌，再精密的架構也只會更快學到錯誤的結論。我們的 [ELECTE 多來源整合指南](https://www.electe.net/post/multi-source-data-integration)說明了如何把銷售、庫存和促銷資料整合到一張可用的資料表中。

## 依零售情境比較各種預測方法

沒有最好的方法，只有適合當下情境的方法。下表是我希望貼在規劃人員桌前的比較對照。

方法最適合的零售情境所需資料優勢注意事項移動平均或指數平滑法需求穩定的高銷量品項1-2 年的每週銷售資料簡單、成本低、容易說明無法反映促銷與季節性變化SARIMA 等季節性模型具有明確週期或年度週期的品項兩個以上季節週期的歷史資料能掌握趨勢與季節性難以同時處理數千條時間序列Croston 系列方法間歇性需求、銷售緩慢的 SKU含大量零銷量期間的銷售歷史將銷售發生的頻率與銷量大小分開處理不適用於銷量穩定的商品納入促銷與價格特徵的迴歸模型由促銷帶動的品類促銷日曆與價格歷史可看出各項因素如何影響需求促銷次數稀少時效果會變差XGBoost 或 LightGBM 等樹模型集成大型品項—門市組合銷售、日曆、促銷與定價資料可從多條相關時間序列中學習需要乾淨的資料與持續監控LSTM-XGBoost 混合集成模型訊號豐富的多品類連鎖業者36 個月的銷售時點(POS)與促銷資料在[一項涵蓋 14 家零售企業的研究](https://sciety.org/articles/activity/10.31235/osf.io/4z9be_v1)中,四週預測期的平均絕對百分比誤差平均降低 28.6%建置與解釋的難度較高

比起任何單一數據列,背後的規律更重要。一篇[經同行評審的零售預測研究綜述](https://pmc.ncbi.nlm.nih.gov/articles/PMC9534457/)指出,當零售商需要預測大量銷售序列時,全域機器學習模型(包括前饋與循環神經網路、梯度提升迴歸樹和隨機森林)的表現,往往優於各自獨立的時間序列模型與迴歸模型。商品組合越大,這項優勢越明顯:當門市與商品的組合多達數千種,而單一商品的需求稀疏、間歇、具季節性或對促銷敏感時,差距尤其顯著。

### 在真實連鎖企業中,比較結果是什麼樣子

設想一家擁有 40 間門市的區域連鎖企業。每週銷量穩定的基本品項使用指數平滑法,因為品類經理看得懂這個數字,也能對它提出質疑。每年有八次促銷的季節性服飾,則使用同時以所有門市資料訓練的梯度提升模型,因為單一門市的歷史資料太少,無法從中學出折扣曲線。

該綜述同樣明確指出,較早期的方法並未過時。在資料集較小、商品穩定,以及可解釋性和有限資料比最後一點準確度更重要的情境下,這些方法的表現依然具競爭力。

克制是有回報的。[一項 2026 年針對美國零售需求的評估](https://econpapers.repec.org/article/alkfcsai0/v_3a5_3ay_3a2026_3ai_3a9_3aid_3a13509.htm)以 M5 資料集為基礎,涵蓋五個滾動 28 天視窗內的 **25,940 條商品-門市序列**。使用歷史需求的 LightGBM 模型,將平均加權絕對百分比誤差由季節性樸素基準的 **0.9006** 降至 **0.7022**,改善約 **22%**。加入零售與營運變數後僅降至 0.6979,再加入滯後的總體經濟指標則為 0.6978,增幅約為 **0.02%**。

> **先建立基準。**用季節性樸素法或指數平滑法,花一個下午就能得出一個數字,它可以告訴你機器學習模型的複雜度是否物有所值。讓兩者在相同的保留週數上運行,留下表現較好的那個。

模型的選擇應依據商品組合的規模與結構,而不是方法是否較新。這一項原則比任何超參數搜尋都更能為你省錢。

## 慢速動銷與稀疏需求需要專屬模型

有些商品沒有需求水準,只有需求事件。一年只賣四次的備用零件、電商長尾的商品規格、每月只動銷兩件的門市-SKU 組合:標準的季節性模型處理這類資料效果很差,原因出在結構上。

零值與正銷量來自兩個不同的過程。是否發生銷售是一個問題,發生時數量多大又是另一個問題。Croston 類方法將兩者分開估計,因此在大量零值的零售資料上表現穩健。一份[針對間歇性需求的零售預測基準研究](https://arxiv.org/pdf/2602.22685)報告,Croston 的 **WAPE 為 93.15%**、**MASE 為 0.9852**,優於測試中的樸素法與 SARIMAX 替代方案。請把這個 WAPE 視為在充滿零值的序列上的相對結果,而不是絕對意義上的良好準確度分數。

這種失誤模式很具體,代價也很高。標準迴歸或季節性模型看到一長串零,就會斷定需求低而穩定,並據此設定安全庫存。結果,銷售不規則、時有爆發的慢速商品庫存見底,而滯銷品卻囤著三個月的庫存量。一種錯誤損失的是一筆銷售,另一種損失的是現金與貨架空間。

同一領域還有第二個教訓。一項[針對間歇性需求、缺漏觀測值及商品組合頻繁更替的銷售資料所做的基準測試](https://arxiv.org/html/2506.05941v2)發現,在所測試的方法中,局部化的樹狀模型表現最佳,其中 XGBoost 的均方根誤差最低,為 **4.833**。重點並不是「所有場景都用 XGBoost」,而是:當商品快速更替時,按產品系列分別建立的模型,可能勝過被迫在互不相容的模式之間取平均的單一通用模型。

### 如何為每條時間序列分流

1. **先分類,再建模。**為每條序列計算平均需求間隔,以及非零需求的變異係數平方。前者是兩次銷售之間的典型間隔期數;後者衡量各次銷售量之間的波動幅度。
2. **將間歇性序列分流**至 Croston 系列、門檻(hurdle)或發生次數-數量模型。
3. **將穩定的高銷量商品交給**季節性模型或機器學習模型,這才是它們適合的場景。
4. **每季重新檢查分類。**商品會隨著生命週期、停產或熱賣而在類別之間移動,分流規則若從不重跑,效果就會逐漸變差。

> 把分類結果放在可供檢視的表格中。當品類經理問起為何某項產品採用特殊的預測方法時,答案應該是兩個數字,而不是聳聳肩。

## 促銷、囤貨與通路轉移

促銷週不是一般週,把它們混入基線只會讓兩者都失真。應將基線需求與促銷效應分開建模,再相加。

一項[零售預測方法比較](https://inria.hal.science/hal-02460504/document)發現,當 SKU 擁有**五次以上的歷史促銷**時,在連鎖層級的每日需求預測上,決策樹集成模型優於線性迴歸、懲罰式線性迴歸與迴歸樹方法。這項結果中,五次是實用的門檻。低於這個數字,模型就沒有足夠的樣本來學習折扣幅度、促銷時機與產品日曆交互作用如何影響需求,因此採用更強的正則化或較簡單的基準模型,造成的損害,比用靈活的模型去追逐雜訊要小。

為模型提供明確的特徵:促銷狀態、折扣百分比、陳列位置、與假日的距離,以及促銷後需求的滯後值。最後一項經常被遺漏,卻正是捕捉需求下滑的特徵。

### 無人預測的需求下滑

假設洗髮精打七折,帶動銷量上升一週,之後兩週銷量卻低於趨勢線。消費者只是提前囤貨,整個季度並沒有多買。請把這三週視為同一個分析單位。促銷期誤差告訴你,訂貨量夠不夠;促銷後誤差告訴你,這個月其餘時間是否訂多了。分開評分,兩項決策的得失都看得見;合併評分,兩種誤差互相抵銷,報表看起來一片乾淨,實際上兩個決策都做錯了。

[關於促銷生命週期的研究](https://ideas.repec.org/a/wly/jforec/v45y2026i1p293-315.html)指出,過去的研究常忽略促銷後階段:顧客在活動期間囤貨,導致需求下滑。研究同時報告,機器學習方法可以改善整個生命週期的預測,而不只是促銷期間本身。

通路則帶來第二層假象。一項[針對巴西地區超市多通路促銷的研究](https://prod.org.br/article/doi/10.14488/1980-5411.20250127)估計,需求從實體店轉移到線上的比例為**11.23%**,反方向則為**19.34%**;而協調一致的促銷使自我蠶食減少了**30.04%**。忠誠度獎勵帶來的實測提升幅度最大,為**3.5%**。如果各通路各自獨立預測,就會把只是換了地方的需求重複計算。

因此,評估請遵守以下四條規則:

- **分開評分促銷期與非促銷期**,避免一個好週掩蓋一個壞月。
- **與基準提升(base-lift)或類似的因果基準比較**,否則你只是在衡量模型學會銷量的程度。
- **按 SKU 與促銷頻率評估**,因為五次促銷這個門檻會改變你能合理期待的結果。
- **保留滯後的促銷後特徵**,讓模型能夠表達銷量下滑,而不是被它打個措手不及。

如果折扣正在侵蝕你的利潤,我們的指南[在折扣活動中保護利潤](https://www.electe.net/post/promotion-optimization-in-retail)會從定價面探討同一個問題。

## 衡量準確度,並把預測轉化為訂單

先確定決策,再選擇指標。每種指標回答的問題不同,隱藏的東西也不同。

指標適用情境注意事項WAPE(加權絕對百分比誤差)比較不同規模品項的預測準確度高銷量品項的權重最大MASE(平均絕對縮放誤差)在間歇性或大量為零的數列上比較不同模型需要搭配簡單基準預測才能正確解讀MAPE(平均絕對百分比誤差)針對穩定、高銷量品項的簡易報表實際需求為零時數值不穩定或無法計算偏差(Bias)找出系統性的預測偏高或偏低正負誤差相互抵銷可能掩蓋問題,需按期間逐一檢視服務水準檢查預測是否能保障貨架供貨取決於補貨設定,而非僅取決於預測

百分比誤差在慢速流動商品上會失效。當實際需求為零時,分母為零,指標要麼暴增,要麼被排除在平均值之外,兩種結果都會讓模型看起來比實際更好。請在偏差和服務水準之外,同時報告 WAPE 或尺度化誤差,並按品類分群解讀,而不是只看一個涵蓋整個商品目錄的數字。

### 從一個數字到再訂購點

預測變成訂單,靠的是團隊中任何人都能驗算的算式:前置期內的預期需求,加上依目標服務水準設定的安全庫存,就是再訂購點。

假設一家門市預期在五天的供應商前置期內需求 40 件,並保留 10 件緩衝庫存,再訂購點就是 50 件。當現有庫存加在途訂單降至 50 件時,就該下單。如果因為從未約定緩衝量,採購員只在 40 件時下單,貨車一旦延誤,貨架第一天就會空掉。

有兩項例行作業能讓這套做法保持可靠。第一,設定例外警示:當某商品的預測誤差連續兩期或以上超過門檻時發出通知,讓人去檢視該商品,而不是只看儀表板。第二,每月按品類做偏差檢查,找出單品誤差平均後被掩蓋的系統性高估或低估。

> 如果下單時機、盤點頻率或安全庫存設定失準,即使預測在統計上準確,仍可能造成缺貨。請同時檢討預測與補貨規則,否則你會一直在修正錯誤的那一個。

我們的 [ELECTE 庫存數據分析指南](https://www.electe.net/post/inventory-management-logistics)會進一步說明如何把庫存狀況與採購人員據以行動的數字連結起來。

## 在下一個採購週期前確認你的預測方案

在下一張訂單送出之前,請確認預測流程適合它所要支援的商品和決策。以下五項檢查能讓方案更具可行性:

1. **為商品組合分級。**找出貢獻大部分營收的商品,再將它們分類為穩定型、促銷驅動型或間歇型。其餘商品使用較簡單的規則可能就已足夠。
2. **檢查銷售歷史。**調出 12 至 24 個月按商品、門市和日期劃分的銷售資料,並標記缺貨日。如果只有 12 個月的資料,仍可使用,但要預期誤差會較大。
3. **以基準線進行測試。**先設定季節性基準線,再用保留的週次資料比較更複雜的模型。上文的 M5 結果說明了為什麼較複雜的模型必須證明自己的價值。
4. **建立衡量機制。**為每項決策選擇一個指標,並讓其門檻和檢討頻率在各週期間保持一致。
5. **檢討重複出現的偏差。**下單前,重新檢查預測誤差反覆出現的商品的再訂購點。

ELECTE 會對用戶資料執行六種預測方法,相互評分,並選出最準確的一種。其免費的再訂購點計算器可協助計算單一商品的再訂購點。

預測能降低風險,但無法涵蓋所有變化。模型可能會漏掉新品上市,或沒有可比銷售歷史的促銷活動。請在預測之外保留檢討機制,讓採購人員在實際需求與計劃不符時能夠應對。

ELECTE 整合銷售、庫存與促銷數據,依現有數據比較六種預測方法,並透過團隊可共享的視覺化儀表板呈現預測結果、準確度與異常情況。如果零售商想結合自身銷售數據來評估需求預測,歡迎瀏覽 [ELECTE](https://www.electe.net)。
