AI 預測需求為 120 件，你該採購多少？

概覽

用問答解釋如何把不確定的需求預測變成責任明確的採購決定。問題和回答均為編輯性說明，並非對真實人物的採訪。

問：預測已經給出明確數字，為什麼還要追問？

因為數字表達的是估計，而採購訂單會實際占用資源。在本文的假設案例中，一家小型批發商看到下週需求預測為 120 件。直接購買 120 件看起來很有紀律，卻忽略了現有庫存、到貨時間、最低訂購量，以及積壓或缺貨的後果。文中的數字都不是實際企業測得的結果。

先問模型預測的是什麼：顧客需求數量、出貨量，還是帳面銷售量？貨架空缺的一週，即使有未被滿足的需求，也可能只記錄到很低的銷量。AI 產生的解釋再有把握，也不能憑語氣補回缺失的需求。我們的建議是：先在每個預測旁標明預測對象，再談模型有多先進。

問：提供一個範圍，就能解決問題嗎？

只有解釋清楚範圍的意義，它才有幫助。Hyndman 和 Athanasopoulos 在其作者教材中介紹了預測區間和預測評估。一個標明涵蓋水準的區間，反映的是預測方法假設下的不確定性，並不保證某一次實際結果一定落在其中。 《Forecasting: Principles and Practice》第五章。

原創表一：三個數字，各有用途。以下均為假設值。

應詢問預測期間、區間涵蓋水準和計算方法。保留中心估計值，但不能讓介面悄悄把它變成建議下單量。如果系統透過另一種方法產生區間，也要記錄這種區別。

問：怎樣知道這個範圍是否有用？

應把預測與後來發生的實際結果比較，並且在每一個歷史預測時點，只使用當時已經可知的資料。教材介紹了這種滾動起點評估方法。測試的預測期間應與採購前置時間一致；如果供應商數週後才能送達，不能僅憑明天的預測很準確就慶祝成功。scikit-learn 團隊的分位數迴歸示例也展示了如何用保留的資料檢查區間涵蓋率。這些資料解釋的是方法，並不證明本例批發商的預測表現。 scikit-learn 官方示例。

我們的營運建議是同時看涵蓋率和區間寬度。極寬的區間可能包含很多實際結果，卻難以協助採購。還應分別查看一般週和促銷週；樣本不足時，要明確寫出尚不能得出結論。

原創表二：測試報告應回答的問題。

問：誰來確定目標庫存？

由企業決定。採購人員需要考慮缺貨後果、倉儲容量、資金限制和補貨選擇。同樣的預測，對耐儲存的備品和易腐商品可能意味著不同決定。這種差異應寫進明確的採購政策，而不是藏在解釋不清的模型調整裡。

原創表三：建議的決策紀錄，不是訂貨公式。

問：小團隊本週就能做什麼？

選一項補貨決定，保存結果發生前的原始預測、相關假設、採購人員的決定和最終實際結果。記錄人工調整及其理由，不要改寫最初的預測。檢討時應問預測有沒有改善決策，而不只是中心數字看起來夠不夠接近。AI 可以協助整理討論資料，但採購權限必須保持明確。

第一手資料於 2026 年 10 月 29 日核驗。本文屬於實務分析，不是產品發布報導，也不聲稱已經證明任何節省成果。