# 電商需求預測:2026年完整指南 > 逐步了解電商需求預測:方法、促銷效應、準確度指標與庫存規劃。看看 ELECTE 如何將其自動化。 Source: https://www.electe.net/tc/post/ecommerce-demand-forecasting Site guide: https://www.electe.net/tc/llms.txt 你正準備發出一筆上市訂單,桌邊放著去年的銷售數據和供應商的報價單。數量看起來合理——直到行銷部門排定了一場限時特賣,加上某電商平台調整了商品的曝光方式。沒多久,某個倉庫的貨架空了,另一個倉庫卻堆著賣不動、非得降價才能出清的庫存。 直覺反應是去改善預測模型。但如果你的銷售歷史把缺貨商品當成滯銷商品來處理,或者採購人員下單時根本不參考預測結果,再先進的演算法也無濟於事。你需要的是一套決策系統,而不只是一張更有說服力的圖表。 **電商需求預測**把顧客需求與採購、出貨及資金承諾串連起來。只要做得細緻,它還能讓不確定性變得可見——讓你分辨得出哪些是可靠的補貨估算,哪些是應該縮小首批訂單規模的上市預測。 實際作業從你的庫存紀錄開始,終於一項營運決策。在這兩個節點之間,你需要依產品型態選用方法、在不洩漏未來資訊的前提下進行測試,並評估促銷活動在初期銷售高峰之後的後續影響。成功與否的衡量標準很簡單:這份預測是否幫助你更有效益地採購與促銷? ## 電商需求預測預測的內容及其重要性 在前述的上市情境中,直接沿用去年的訂單,等於假設會有相同的顧客透過相同的通路前來,並在相同的地點購買。限時特賣改變了購買誘因;電商平台的曝光度調整則改變了觸及範圍。這兩者都不屬於一般的季節性調整範疇。 **電商需求預測**會依產品、通路與地點,估算顧客在未來每個期間會想要購買的數量。可以把它想成是你倉庫的天氣預報:過去的模式建立起基本預期,而已知的未來事件則會改變預測結果。 [聯合國貿易暨發展會議(UNCTAD)估計](https://unctad.org/news/global-e-commerce-jumps-267-trillion-covid-19-boosts-online-sales),2019 年全球電商銷售額約為 **26.7 兆美元**,約相當於**全球 GDP 的 30%**,並指出網路零售佔整體零售的比重從**疫情前的 16% 提升至 2020 年的 19%**。這些數字涵蓋的範圍比單一商家的網路商店更廣,但足以說明通路假設可能變化得有多快。 成長、週期性高峰與突發衝擊,在銷售數字欄位中可能看起來很相似。在投入資金之前,務必先將它們區分開來。 若想打好「將預測與營運連結」的基礎,Reddog Consulting Group 的[需求規劃基礎知識](https://www.reddog.group/blogs/unleashing-insights/what-is-demand-forecasting)一文提供了很好的輔助參考。你的預測最終應該要能指導以下三件事: - **採購:**該訂什麼、何時訂。 - **出貨能量:**庫存與人力該配置在哪裡。 - **資金規劃:**未來的庫存承諾需要多少資金挹注。 ## 建模前的特徵工程與資料清理 在更換演算法之前，先檢查輸入資料表。重複訂單、不符的 SKU 識別碼，以及缺失的庫存紀錄，都可能讓一個技術上健全的模型回答錯誤的問題。 **特徵**是你向資料提出的問題。不要只提供昨天的銷售資料，應讓模型擁有足夠的脈絡，以區分顧客興趣與銷售條件的差異。 ### 建立買家能夠理解的特徵 一組實用的起始特徵包括： - **滯後銷售量：**上週銷售量與去年同期的可比數值，作為需求的後照鏡。 - **滾動平均：**作為候選設定，測試 **7 天、28 天與 91 天**的平均值，以區分近期變化與整體基準線。 - **日曆標記：**假日、發薪日模式，以及當地的交易活動。 - **價格與折扣深度：**實際銷售價格，而不僅是促銷標籤。 - **可用性：**有庫存天數、上架狀態，以及出貨限制。 - **曝光與轉換：**在資料可靠的情況下，納入商品曝光數、流量與購買數。 - **退貨：**退回的件數，以及可售庫存何時重新可用。 讓預測目標保持明確。總訂購件數有助於規劃揀貨產能；保留件數與可售退貨則在估算淨庫存消耗時尤為重要。 盡可能使用彙總後的行為資訊。在整合電子商務與分析系統時，限制對顧客層級紀錄的存取、移除不必要的識別資訊，並遵循適用的隱私規範。 ### 為零銷售日找出原因 一項[零售預測研究](https://arxiv.org/pdf/2506.05941)評估了缺失率達 **20.9%** 的資料，發現 **99.9% 的商品序列**至少包含一個零銷售日，平均每個序列有 **492 個零銷售日**；在該情境下，局部化的樹模型表現也優於更先進的深度學習架構。 這些結果並未指出每個零值背後的原因。你的營運紀錄必須能區分真正的低需求，與缺貨、市場平台資料缺失、下架商品，以及商品目錄變動等情況。 將無法供貨的日子標記為**受限需求（censored demand）**：銷售量是可觀察的，但你原本可能滿足的需求卻無法得知。不要自動以憑空估算的銷售數字取代它。保留原始紀錄、加上可用性標記，並記錄任何估算規則。 對於新上架或動銷緩慢的 SKU，可依類別、價格與銷售通路，匯整類似商品的資訊。利用曝光度、轉換率、有庫存時間與替代品資訊，來區分「顧客尚未看到的商品」與「顧客已拒絕的商品」。 > **資料檢查：**你能解釋每一個零值嗎？你能重建每日的可用性紀錄嗎？ 在觀測資料足以支持更精確的估算之前，請在點預測旁顯示**較寬的預測區間**。買家需要看到的是範圍及其涵蓋率，而不僅僅是一個看似精確的數字。 ## 為每種商品類型選擇預測方法 沒有任何單一模型能適用於所有情況。預測方法必須配合需求模式，以及下單當下所能取得的資訊。 穩定熱銷商品可能有明顯的每週規律。促銷導向商品可能主要在活動期間才有銷量。間歇性銷售商品，例如小眾替換零件，可能長時間沒有銷售紀錄，然後突然收到訂單。 這些是不同的預測問題。用同一套設定硬套用在所有商品上，雖然維護較為簡便，卻可能讓採購決策變差。 ### 依商品模式區分的預測方法 以下的歷史資料長度請視為**起始建議值**，而非普遍適用的最低標準。每週週期所需的證據與年度週期不同，且近期的結構性變化可能使較舊的歷史資料參考價值降低。 方法最適用情境所需資料主要缺點季節性單純法或移動平均法穩定、高銷量的暢銷商品建議起始區間為 1 至 2 年的每日或每週銷售資料無法反映促銷活動、趨勢變化與新產品指數平滑法（Holt-Winters）具明顯每週或每年季節性的穩定銷售商品建議至少有 2 個完整的季節週期需針對每個 SKU 進行調校；對促銷高峰的反應較弱ARIMA 或 SARIMA具趨勢與自相關性的單一序列建議起始區間為 2 年以上的穩定歷史資料需個別建模與維護，面對數千個 SKU 時負擔沉重Croston 法或 SBA 法銷售不連續、波動大且常有零銷售日的商品先評估 12 個月以上的歷史資料及非零銷售事件的次數僅提供點預測；需搭配安全庫存邏輯使用加入價格與促銷變數的迴歸分析具明確折扣計畫、由促銷驅動的商品類別價格、折扣幅度與活動排程需要足夠的過往促銷資料才能估算提升效果梯度提升法（XGBoost、LightGBM）應用於整合 SKU具交互訊號的大型商品目錄理想情況為數百個可比較的 SKU 及豐富的特徵資料較難解釋；需要謹慎驗證 有關序列模式與季節性建模的詳細說明，請參閱[使用 ARIMA 預測庫存需求](https://www.electe.net/post/arima-models-explained)。ARIMA 適用於過去觀測值含有可重複資訊的情況，而非產品整個商業背景已經改變的情況。 ### 讓複雜度有存在的價值 一項[2025 年零售預測研究](https://ideas.repec.org/a/bfy/oajsas/v6y2025i1p35-67id2679.html)涵蓋 **10 間門市共 50 項商品**，比較了隨機森林（Random Forest）、XGBoost、線性迴歸（Linear Regression）與 ARIMA，並強調最佳演算法取決於資料集與商業問題本身。 特徵細節也可能只幫助某一種方法，而對另一種方法沒有幫助。在一項[短期電商預測研究](https://www.atlantis-press.com/article/125982175.pdf)中，細緻的折扣分類顯著改善了線性迴歸、脊迴歸（Ridge）與套索迴歸（Lasso）的表現，最佳 MAPE 改善幅度達 **36.19%**，但對支援向量機、梯度提升或隨機森林模型則沒有顯著改善。 這背後的營運啟示並非從已發表的排名中挑選一個贏家，而是要測試新增的方法是否能讓你自身的決策改善到足以證明其準備、說明與維護成本是值得的。 先從季節性基準開始。若一個複雜的候選方案無法在未見過的時期中勝過可重複的參考基準，就還不具備投入生產使用的資格。 ## 教導你的預測模型辨識季節性與促銷活動 演唱會是理解銷售訊號的實用比喻。**趨勢**是底層的節奏，**季節性**是重複出現的副歌，**促銷**是暫時改變演出的獨奏，而**雜訊**則是觀眾。 就營運層面而言，趨勢代表持續的成長或衰退。季節性涵蓋每週重複出現的模式，以及黑色星期五或返校季等行事曆高峰。促銷會創造出不同的銷售狀態，而雜訊則是剩餘的、無法解釋的日常波動。 ### 將行事曆效應與活動效應分開 假日與折扣可能重疊，但兩者並非可互換。如果你讓模型把每次假日高峰都當作正常需求，當你取消折扣時，它可能仍會預期相同的銷售量。 記錄活動的起訖日期、折扣幅度、通路、產品類別，以及相關的履約限制。當你的市場有不同的假日或購物模式時，應將各國的行事曆分開處理。 一項[針對丹麥折扣雜貨連鎖店的研究](https://link.springer.com/chapter/10.1007/978-3-030-29996-5_66)發現，對於**歷史促銷次數超過五次**的產品，樹集成模型（尤其是 XGBoost）表現最佳；而對於**促銷次數少於五次**的產品，懲罰式線性迴歸表現較好；促銷紀錄稀少的產品，誤差仍然相對偏高。 應將此發現視為分群處理的依據，而非一體適用的分界點： - **促銷頻繁的產品：**測試能學習相關 SKU 之間互動關係的匯總非線性模型。 - **促銷稀少的產品：**選用較簡單的正則化模型，以抑制不穩定的估計值。 - **活動評估：**檢視個別促銷事件，而非僅依賴可能掩蓋時機誤差的月度總計。 為了將活動成效衡量與商業規劃連結起來，請使用一致的流程來[衡量促銷帶來的銷售提升](https://www.electe.net/post/promotion-optimization-in-retail)。同時也要確保退款能依活動識別。PlatformDTC 關於如何[處理折扣訂單退款](https://platformdtc.com/blog/discounts-promo-codes)的指南，在將折扣機制與購後記錄對齊時非常有用。 ### 在決策時點凍結資訊 **資料外洩**是指模型取得了在做出預測當下其實尚不存在的資訊。實際活動流量、已發生的缺貨，以及最終的折扣變動，都可能讓歷史測試看起來比實際即時預測更出色。 保存一份附有日期標記的快照，記錄當時規劃的折扣、活動時程、庫存狀況與產能假設。訓練與評估時，應依據規劃人員當時所知的資訊，而非事後才變得明顯的事實。 > 在活動開始前所做的預測，必須以活動開始前可取得的資訊來評判。 ## 能顯示預測是否有效的評估指標 平均誤差看起來不錯，但同時也可能存在滯銷品囤貨過多、暢銷品缺貨的情況。單一的綜合分數無法告訴你，採購人員是否做出了更好的下單決策。 保留最近一段期間的資料，確保所有候選模型在訓練時都無法接觸到這段資料。針對相同的產品、日期與預測時程比較各候選模型，然後在連續的歷史切點上重複測試，以檢驗結果是否能在不同的交易條件下依然成立。 ### 電子商務的預測準確度指標 指標它告訴你什麼容易誤導之處MAE（平均絕對誤差）以單位計算的平均誤差難以在規模差異極大的 SKU 之間進行比較RMSE（均方根誤差）典型誤差幅度，且加重大誤差的權重少數幾個極端值可能主導整體分數MAPE（平均絕對百分比誤差）誤差佔實際需求的比例當實際需求為零時，數值無法定義或不穩定MASE（平均絕對比例誤差）相對於樸素預測的誤差對非分析人員來說較不直觀RMSSE（均方根比例誤差）用於間歇性需求基準測試的比例化平方誤差難以向買家和規劃人員解釋偏差預測值是否系統性偏高或偏低平均偏差為零可能掩蓋了雙向的大幅誤差 一份[間歇性需求預測回顧研究](https://www.tandfonline.com/doi/abs/10.1080/00207543.2025.2578701)指出，指標選擇會改變模型排名，MAPE 在需求為零時會變得不穩定或無法定義，而隨機森林在庫存專用衡量指標上的表現可能不及 Croston 類方法。 使用 **MAE** 來傳達單位誤差，使用 **RMSE** 來調查代價高昂的尖峰異常。使用標準化指標來比較不同規模的產品，但在某個序列變動幅度很小時，要檢查基準分母。以有明確記錄的正負號慣例來回報偏差，讓每個人都清楚正值代表預測過高還是過低。 將間歇性產品與 Croston 系列方法進行比較，將常規暢銷品與季節性單純預測法進行比較。分別回報快速流通、間歇性、新品和過時產品，而不是讓暢銷品主導平均值。 ### 評估預測期間與經濟後果 一項[沙烏地阿拉伯電子商務預測研究](https://www.ijml.org/vol15/IJML-V15N3-1180.pdf)報告指出，**每週預測的 RMSE 為 0.4537**，**長期預測的 RMSE 為 8.1938**。這些是該研究特定的誤差值，並非可直接套用的單位目標，但這項比較說明了分別監測不同預測期間的必要性。 您的補貨週期應與供應商前置時間相符。您的產能預測可能需要不同的時間範圍與彙總層級。 將誤差轉化為營運成本： - **缺貨成本：**損失的邊際貢獻、加急運費，以及可衡量的替代品損失。 - **過剩成本：**倉儲、融資、降價促銷與報廢處置。 - **決策結果：**在相同訂購政策下達成的可得性與已投入的庫存。 仔細評估缺貨期間，因為觀察到的銷售數據無法揭示所有未滿足的需求。在報告中將這些期間獨立區分，並針對您的未滿足需求假設進行敏感度測試，而不是宣稱掌握了無法得知的真實情況。 ## 如何將預測轉化為補貨與促銷決策 採購人員需要的是一個觸發機制，而不僅僅是一條預測銷售曲線。請明確定義預測結果如何改變訂單、由誰核准例外情況，以及什麼證據會促使修正。 以下是一個**假設性的實作範例**，並非適用於所有產品目錄的建議服務政策。其中的數量與目標旨在說明計算方式，您可以替換成自己的經濟數據。 ### 將需求轉化為補貨觸發點 1. **依產品類別設定服務水準目標。**舉例來說，將**暢銷品的週期服務水準設為95%**，**長尾商品設為90%**。週期服務水準是指在補貨週期內避免缺貨的機率，而非商品齊備率。實際目標應根據利潤、對顧客的影響及持有成本來設定，而非僅憑銷售速度。 2. **估算供應商前置時間內的需求。**當每日預期需求相對穩定時，以日均需求乘以前置時間。若該期間內有促銷活動或季節性變化，則改以每日預測值加總計算。 3. **設定安全庫存緩衝量。**在固定前置時間、每日需求相互獨立且採常態近似的示範模型下，採用**安全庫存 = z × 每日標準差 × √前置時間**。範例中95%的週期服務目標對應的**z值約為1.65**。若存在趨勢、自相關性、間歇性訂單或供應商延遲變動，則需採用更合適的前置時間需求分布模型。 4. **設定再訂購點。**將前置時間需求加上安全庫存。觸發條件應根據**庫存水位**，即可用現有庫存加上已確認的在途庫存，再減去已承諾需求，而非僅看實體庫存。 5. **以淨增量價值核准促銷活動。**將活動期間需求與可信的無促銷基準進行比較，再考量被遞延的未來購買及其他產品的替代效應。 關於如何[建立安全庫存緩衝](https://npoint.digital/how-to-prevent-stock-outs/)的實務操作參考，Next Point Digital的缺貨預防指南是很實用的輔助資源。 ### 下單前先算清楚數字 假設某SKU每日銷售**40件**，供應商前置時間為**14天**，每日需求標準差為**8件**。依上述簡化假設： - **前置時間需求：**40 × 14 = **560件**。 - **安全庫存：**1.65 × 8 × √14 ≈ **49件**。 - **再訂購點：**560 + 49 = **609件**。 此緩衝量採用每日需求變動來計算。在以預測為基礎的實作中，應根據補貨期間內的樣本外預測誤差來估算不確定性，以免將可預期的季節性變化誤判為隨機變動。 現假設一場**為期四天的促銷活動**每日銷售**120件**。活動期間總銷量為**480件**，相較於**160件的基準值**，表面上帶來**320件的提升**。若接下來**十天**的每日銷量為**25件**，而非正常的**40件**，則**150件的短缺**使得估計的**淨增益為170件**。 這項估算的前提是基準線具有可信度。在可行的情況下，與未受影響的產品、市場或客群進行比較，同時要確認這些比較對象本身未受該活動影響。 《國際預測期刊》（International Journal of Forecasting）[2025年的一項研究](https://ideas.repec.org/a/eee/intfor/v41y2025i2p554-570.html)發現，當目標服務水準較高時，促銷活動可能導致預測人員高估需求。額外庫存並非自動就是較穩健的經濟決策。 在評估獲利能力之前，應先扣除折扣成本、廣告費用、退貨及履行費用。若需要實施方面的協助，可參考[零售業30天庫存試行方案](https://www.electe.net/post/inventory-optimization-for-retail)來規劃權責歸屬與檢討流程。建議的實務節奏是：暢銷品每週檢視一次，較慢的產品每月檢視一次，供應或活動變動後則立即進行例外檢討。 ## 重點整理與90天試行方案 啟動您的**90天電商需求預測試行方案**時，應選擇一個規模足夠重要、但採購人員仍能妥善檢視的品類。建議範圍可考慮**銷售額前20%的SKU**，再納入具代表性的滯銷品，以免測試忽略了長尾風險。 讓以下操作原則保持清晰可見： - **複雜度須靠實績爭取：**要求候選方法在保留測試期間表現優於季節性參考基準。 - **保留供貨情境：**不要訓練採購人員或模型將缺貨解讀為顧客拒絕購買。 - **評估商業成果：**評估庫存曝險與貢獻度，而非僅評估單位準確度。 - **衡量促銷生命週期：**納入基準需求、活動帶動的增量，以及後續的需求變化。 ### 為試行方案指定負責人與決策機制 針對此建議的試行方案，請在可取得的範圍內收集**12至24個月**的每日或每週銷售資料、庫存供應紀錄及促銷排程。保留**最近三個月**作為最終比較之用，並以平均絕對誤差（MAE）、偏差及預估缺貨成本，對季節性基準及**兩種候選方法**進行回溯測試。 在採購政策保持一致的前提下，選擇經濟效益表現最佳的方法。將其補貨建議套用於所選的SKU，每週檢討例外狀況，並記錄每一次人工覆寫及其原因。 **ELECTE 是一個為中小企業打造、由AI驅動的數據分析平台**，會在使用者資料上執行**六種預測方法**，相互比較評分，並選出最準確的一種。大多數使用者可在**5分鐘內**完成上線，連接會計軟體或上傳檔案後即可立即開始分析並產出初步預測；但實際運作驗證仍需要具備適當的銷售與庫存供應紀錄。 快速上手本身並不能證明具有商業價值。試行方案真正要驗證的，是在您團隊實務上所面臨的採購限制下，所選方法是否能在您的資料上勝過目前的做法。即使儀表板看起來很有說服力，也應堅持這項標準。 --- ELECTE 提供需求預測功能，並附帶免費的再訂購點計算工具，協助將預測結果與採購決策連結起來。請造訪 [ELECTE](https://www.electe.net)，探索此平台，並透過個人化示範體驗 ELECTE 的實際運作。