零售庫存優化：實務指南

顧客想要一件系統顯示有庫存的外套，但你的團隊卻找不到。與此同時，另一個尺碼卻靜靜躺在倉庫裡，等著被打折出清。

這是一個示意性情境，並非零售商實際案例。但它捕捉到了零售庫存優化背後的日常挑戰：當記錄與顧客需求不總是一致時，如何做出採購、補貨與分配的決策。

答案不只是少買一點或預測得更準。你需要可信賴的庫存記錄、明確的服務目標，以及一套方法，用來比較提升可得性所賺到的錢，與持有多餘庫存所花費的錢。否則，一個漂亮的儀表板可能掩蓋了代價高昂的營運政策。

你不需要從一個複雜的模型開始。先從確認實際可得的庫存著手，對每個指標的定義達成共識，並測試一項可管理的變動。從這裡開始，預測與安全庫存計算就會成為有用的決策輔助工具，而不是團隊必須盲目接受的數字。

為什麼庫存優化決定零售獲利

更好的能見度可以同時改變成本與銷售。麥肯錫在其2021年零售RFID分析中報告，庫存準確度提升超過25%，與庫存相關的工時減少10–15%，全價商品售罄率提升1–3.5%，並指出透過改善缺貨管理與降低耗損，營收有潛力成長最多5%，此為其對RFID部署案例的評估結果。

這些是已報告的部署成果，並非對你店鋪的保證。它們顯示了為何可得性與記錄準確度，值得與採購成本同等重視。

庫存優化意味著在對的時間、把對的產品放在對的地方，同時不佔用不必要的現金。想想你家的食品儲藏室：食物太少會打亂晚餐計畫，但買太多則會讓食材在更新的採購品後方過期。

你正在權衡的成本

• 缺貨成本：你錯失一筆銷售、讓顧客失望，或付出代價來補救訂單。
• 持有成本：在產品等待銷售期間，你需負擔儲存、資金、處理與耗損的費用。
• 折價成本：你犧牲利潤來清掉過時、季節性或滯銷的庫存。

起始的平衡點很重要。阿肯色大學RFID研究中心的一項研究發現，在傳統系統下，只有35%的品項擁有準確的庫存資訊，並估計庫存不準確可能使利潤減少約10%。

先盤點，再計算

如果系統顯示的庫存實際上並不存在，你可能會延後補貨。如果系統低估了實際可得的庫存，你可能會買進你早已擁有的產品。

如果一開始的庫存盤點數字就不準確，再精密的補貨計算仍然是個糟糕的決策。

有用的操作順序是:資料準備、可靠的指標、預測、安全庫存、品項與促銷規劃,然後進行為期30天的試點。每個步驟都應該改善下一個決策,而不只是產出另一份報告。

關鍵庫存指標及其各自意義

家庭儲藏室可以縮影呈現這個問題。清點罐頭數量能告訴你架上有什麼,但無法說明晚餐是否都有著落、日常用品消耗的速度有多快,或哪些東西在被吃掉之前就已經過期了。零售指標刻意將這些問題拆分開來,每個指標只回答它自己的問題。

這些零售業核心庫存指標回答的是不同的問題。週轉率追蹤的是流動情況，到貨率追蹤的是即時服務水準，而庫存毛利報酬率則將積壓在庫存上的資金與其賺取的毛利聯繫起來。並列檢視這些指標，能避免其中一欄的亮眼數字掩蓋另一欄的疲弱表現。

保持單位一致。計算庫存天數時，平均庫存應以成本計價，因為分母是銷貨成本；計算縮水率時，應先將帳面與實際盤點的差異換算成貨幣金額，再除以貨幣銷售額。

讓定義落地可用

SKU是指特定的產品款式，例如某一尺寸、某一顏色的夾克。SKU-門市-日則是指該款式在某一門市、某一天的狀態，這比單純計算貨架空置情況更能公平地比較缺貨狀況。貨架空置可能隱藏著缺貨待補、運送途中、或等待檢驗的退貨，而每種原因都需要不同的解決方案。

在比較結果之前，先就報告規則達成共識：

• 可用性：決定已預留、受損及隔離的貨品是否算作可用庫存。
• 需求：將未完成訂單與已知的流失銷售額，與已完成的銷售分開記錄。
• 時間點：在各項比較中使用相同的期間與庫存估值方法。
• 責任歸屬：指派專人調查無法解釋的指標變動。

先在試算表中計算週轉率公式，讓各項輸入值保持透明可見，接著查核您的庫存週轉率作為交叉驗證，並將結果與可用性及毛利一併檢視。

別獎勵錯誤的改善方向

假設某款熱門夾克一到貨就立刻售罄，接著在下次到貨前都處於缺貨狀態。即使顧客一再空手而回，它的週轉率數字看起來仍可能相當亮眼。

較低的庫存天數可能反映出更精實的營運，也可能只是庫存量過於單薄，單一指標無法區分這兩種情況。更穩妥的做法是檢視同一期間的總體經濟價值：賺取的毛利、因缺貨流失的銷售額，以及所承擔的持有成本。某個品類可能在週轉率上表現亮眼，但一旦把缺貨天數的代價計入，實際上仍是虧損的。

分別比較各品類與各門市，並在核對庫存盤點數字後，以第一季作為基準。保持該基準固定不變，以免後續變動抹去原始起點，並註記會影響可比性的促銷活動、歇業或供應商中斷事件。將任何外部基準視為起始問題，再讓您自己經過核對的基準提供答案。

您需要的資料基礎與技術架構

根據Priority 零售業調查，一項2025年零售業調查發現，59%的零售商仍依賴多個互不相連的工具、試算表或人工流程來進行庫存預測與管理；只有27%的受訪者表示擁有整合銷售點、庫存與財務數據的系統。

這是優先處理資料準備度的實際理由。如果退貨更新了電商系統卻沒有更新倉庫庫存，再精細的需求模型也無法解決這種矛盾。

從擷取到執行的建構流程

1. 資料來源：收集銷售點交易、倉庫出入庫記錄、電商訂單、退貨、供應商前置時間、促銷活動排程，以及相關的天氣資料。舉例來說，要區分等待檢驗的退貨外套與已可販售的外套。
2. 主資料：在各系統間使用共通的SKU識別碼與地點識別碼。倉庫代碼與電商產品名稱必須對應到同一個可銷售的品項變體。
3. 分析：對已核對一致的記錄套用預測、安全庫存計算與異常偵測。庫存突然減少應先觸發調查，而非直接解讀為需求變化。
4. 執行：將核准的建議轉化為採購單、警示與門市任務。為每一項例外指定負責處理的人員。

就哪個記錄為準達成共識

為每個欄位指定權威資料來源。銷售點系統可以管轄已完成的門市銷售資料，而經過驗證的實際盤點則管轄盤點當下時間點的在庫庫存，並根據後續異動進行調整。

每週核對差異，並對重大例外及早展開調查。切勿在沒有留下紀錄的情況下直接覆蓋差異：保留調整內容、原因、時間戳記與負責人，讓團隊能夠找出反覆發生的收貨或同步錯誤。

誤差的方向很重要。阿肯色大學針對Bloomingdale's門市的研究於13週期間測量可視度，模擬結果顯示缺貨減少21%，超額庫存減少6%。在該研究的用語中，缺貨是指記錄數量超過實際庫存，而超額庫存則是指記錄數量低估了實際庫存。

信心門檻：唯有在識別碼相符、資料饋送為最新狀態，且未經解釋的庫存異動已獲解決或明確核准的情況下，才釋出預測用於自動補貨。

自動警示唯有在團隊對其含意與應對方式達成共識時才會發揮作用。限制對營運資料的存取權限，移除非必要的客戶識別資訊，並記錄妥善的保存與共享規則。

選擇需求預測方法

比較各種預測方法時，應以其支援的決策為判斷標準。用於供應商訂單的預測必須符合補貨週期，而不只是準確預測明天的銷量。

表格中的歷史資料準則並非資格限制。移動平均法可以用較短的歷史資料來運算，而季節性模型則需要足夠的相關觀測值，才能分辨可重複的模式與異常事件。

更高的準確度可能掩蓋了什麼

一項使用公開的 M5 Walmart 資料集進行的機器學習補貨研究，針對沃爾瑪 CA_1 門市的前 100 大食品 SKU，比較了七日移動平均法與隨機森林（Random Forest）模型。在為期 28 天的樣本外測試中，加權絕對百分比誤差從 39.82% 降至 35.03%，模擬缺貨率也從 3.04% 降至 2.43%。

然而，在基準假設下，隨機森林模型的補貨策略卻導致總成本略高，原因是它持有更多庫存。該研究發現，當缺貨懲罰成本上升或持有成本下降時，此策略才會變得具有經濟吸引力。

這項結果並非反對使用機器學習的論據，而是反對僅憑預測誤差來選擇補貨策略的論據。

測試決策本身，而不只是預測結果

先建立一個簡單的統計基準，再用模型尚未見過的後續觀測資料測試其他方案。請保持補貨規則與成本假設一致，以便找出變化的真正原因。

• 配合週期：依採購決策所需涵蓋的期間來測試需求。
• 檢查偏差：持續性的低估與高估需要不同的應對方式。
• 納入業務成本：比較各策略下的持有成本、缺貨成本與折價成本。
• 記錄人工調整：記下規劃人員調整預測的原因，以及該調整是否有助於結果。

對於尚無既有歷史資料的產品，請比較各種新品上市預測方法，而不是把缺乏銷售歷史視為沒有需求。

混合式方法可以在保留統計基準的同時，加入模型訊號與有紀錄的規劃人員調整。請務必讓這些調整可被追溯；否則，你將無法得知結果究竟是模型造成的，還是人工調整所致。

安全庫存與再訂購點：簡單上手

以下僅為示意性計算，並非實際零售商數據。假設平均每日需求為 40 件，每日需求標準差為 10 件，供應商固定前置時間為 7 天。

標準差描述每日需求圍繞其平均值的波動幅度。安全庫存是你為應對不確定性而持有的額外緩衝，而再訂購點則告訴你何時該再下一筆訂單。

逐步進行計算

假設每日需求相互獨立、前置時間固定，且前置時間內需求大致呈常態分佈：

安全庫存 = z × 每日需求標準差 × √前置時間

z 值是與您選定的週期服務水準目標相對應的服務係數。以示例性的 95% 週期服務水準為例,約使用 1.645:

安全庫存 = 1.645 × 10 × √7 ≈ 44 單位

接著,涵蓋等待交貨期間的預期需求:

再訂購點 = 平均每日需求 × 前置時間 + 安全庫存

再訂購點 = 40 × 7 + 44 = 324 單位

依據庫存部位觸發訂單,也就是現有庫存加上確認中的在途庫存,再減去未完成的需求承諾。若僅以現有庫存為準,在交貨已在途中時可能導致重複下單。

看看更高服務水準目標要付出什麼代價

以下數值皆依據相同的假設輸入計算得出,緩衝量則無條件進位至整數單位。

在此範例中，從 95% 提升到 99% 會增加 18 個單位的緩衝庫存。這樣做是否值得，取決於產品的利潤率、缺貨造成的後果，以及商品老化或降價促銷的風險。

週期服務水準並不等於滿足率。它描述的是在補貨週期內避免缺貨的機率，而不是你能立即供應的需求單位比例。

了解這個捷徑何時會失效

變動的前置時間、相關需求、促銷與季節性因素，都需要更精細的計算方式。一項採用因果需求模型的零售安全庫存研究支持納入外部驅動因素，並在明確的服務水準限制下設定緩衝庫存。

選擇不確定性分位數時，應權衡缺貨後果與持有及降價風險之間的關係。不要對每項產品套用固定比例的需求量，尤其是當需求劇烈變動時。

重新校準觸發條件：當預測誤差、供應商前置時間或促銷反應出現重大變化時，應重新檢視緩衝庫存。

商品組合與促銷活動如何改變你的庫存計劃

將這份依產品品類劃分的庫存政策作為起始框架使用，而非自動採購規則。供應商最低訂購量、保存期限與交貨可靠度，都可能改變某一品類內的最佳政策。

ABC-XYZ 分類法結合商業重要性與需求波動性。ABC 依營收或利潤貢獻為產品排序；XYZ 則區分需求穩定、波動漸增或不規則的產品。

管理整體補貨政策

一項實證零售補貨模擬發現，高效全方位服務策略在維持相同目標客戶服務水準的情況下，將平均庫存降低了22%，並減少了17%的訂單處理行數。

該結果取決於研究中的營運政策與需求模式。這並非一個通用的削減目標，也不代表每家零售商都應該以相同幅度削減緩衝庫存。

有用的經驗是協調訂單頻率、配送整合、補貨時機與安全庫存。頻繁的小額訂單或許適合銷量穩定的商品，但若最低訂購量要求或配送成本使其不划算，則未必可行。

在促銷開始前就規劃好結束方式

促銷預測應將一般需求與預期的活動效應區分開來。檢查消費者是否可能提前購買，或從您產品線中的其他商品轉而購買此商品。

• 上市前：確認供貨日期、門市分配，以及最後一個合理的補貨日期。
• 活動期間：比較實際反應與促銷預測，並調查供應限制的情況。
• 活動結束後：有計畫地減少訂單，並執行已協議好的調貨、保留或降價計畫。

為了在零售促銷期間保護利潤，應根據履約成本與剩餘庫存風險來評估活動成效，而不僅僅看銷售提升幅度。

每季檢視一次產品線。質疑那些佔用空間與資金、卻沒有足夠利潤或明確顧客角色的長尾產品，同時保留那些策略上重要、其貢獻超越直接銷售範疇的品項。

進行為期30天的庫存試點並評估整體價值

一個為期30天的試點，就像在為整個廚房制定新的採購流程之前，先重新整理一層儲藏架。您觀察哪些東西用完了、哪些乏人問津、新流程究竟能省下多少，然後再決定是否要全面推行。

在您能夠可靠清點與監督的品類中，選取20至50個SKU進行試點。挑選可比較的對照庫存，並盡量讓定價、促銷與營運條件保持相似。

短期試點可測試執行方式並及早發現取捨問題，但無法確立長期的季節性表現，尤其是當供應商前置時間超出測試期間時更是如此。

遵循受控的營運排程

1. 第 1–7 天：稽核紀錄並核對各門市與倉庫間的試點庫存。解析識別碼並記錄調整規則。此階段的乾淨紀錄，往往比後續更精巧的演算法更能提升準確度。
2. 第 8–14 天：運用現有的核對後歷史紀錄，建立滿足率、缺貨率、庫存天數、周轉率與耗損的基準值。
3. 第 15–21 天：將產品分類分群，並透過回測或模擬，比較統計基準模型與因果模型或機器學習替代方案。
4. 第 22–30 天：套用核准的服務目標與再訂購點，接著將初期結果與對照組比較。若補貨週期尚未完成，則持續觀察。

評估零售庫存優化的成效時，應以總經濟價值為準：回收的利潤減去增量的持有成本、降價損失、缺貨成本與加急運費。請將營運資金獨立檢視，以避免將庫存投資及其融資成本重複計算。

ELECTE 是一個為成長型企業打造的 AI 財務預測平台，涵蓋預測、自動化報表、儀表板與 KPI，並在其免費工具中提供免費的再訂購點計算器。該平台會在您的資料上執行六種預測方法，互相比較評分，並選出最準確的方法。大多數使用者在不到 5 分鐘內即可上線運作，只要連接會計軟體或上傳檔案後，AI 便會立即分析資料並產生初步預測。快速設定仍需您自行進行核對與基於成本的政策評估。

關鍵要點

• 先修正數量：在調整任何模型之前，先建立可信賴的起始庫存狀況。
• 保持基準一致：使用共通的定義與可比較的報告期間。
• 依經濟效益選擇：將預測改善效果與營運成本進行比較測試。
• 區分緩衝庫存：依產品風險與服務需求調整保護程度。
• 評估整體結果：納入緊急出貨、降價與現金占用等因素。

以一個直接的問題來結束試行：整體經濟價值是否提升？依據這個答案來決定保留、調整或淘汰該政策。

ELECTE 提供預測與自動化報表功能，協助您評估補貨決策，無需反覆重建試算表。請在您的試行庫存數據上，到 ELECTE 試用免費的再訂購點計算器，並使用免費的 ROI 計算器，為更大規模的推行建立價值論據。