雅寶社區 · 頂客論壇 (AHPAL.COM)

🤖 AI 趨勢

一家五金行的 AI 庫存，老闆娘親自盯了三個月

發表時間：2026 年 11 月 07 日 | 更新日期：2026 年 11 月 07 日 | 編輯：雅寶社區編輯團隊

這個結構其實很健康——78 天的周轉在五金材料行算正常，呆滯 18% 也不算離譜。真正的問題是「它是一個靜止的數字」：老闆娘知道自己有 428 萬壓在架上，但不知道哪 50 萬是可以今天就換回現金的。

1-3　為什麼是「老闆娘」而不是「資訊人員」

這家店的二代（兒子）在主導數位轉型，一開始的想法很工程師：把 POS 資料接上雲端、跑一支預測模型、自動產生叫貨單，然後「讓系統去跑」。結果第一週就出事——系統建議叫兩箱某款冷門規格的膨脹螺絲，因為那筆品項在半年前有一次大量叫貨紀錄（其實是某個工地專案，早已結束）。

老闆娘看到單子只說一句話：「這個叫進來，放到明年也不會有人拿。」

於是她做了一個關鍵決定：系統可以建議，但每天的叫貨單她要亲自看，為期三個月。不是不信任 AI，而是她要親手搞清楚「這台機器到底懂不懂我們這一行」。事後回看，這三個月正是整個專案成功的分水嶺——因為 AI 庫存系統失敗的原因，九成不是演算法，而是參數與現實脫節。

二、三個月盯盤實錄：從對帳、修AI，到人機分工

以下按時間順序記錄這三個月發生的事。如果你也想在自己的店裡做類似的事，這個節奏可以直接參考。

2-1　第一個月：先把「帳」對起來，資料比模型重要

第一個月幾乎沒有動到 AI。老闆娘與工讀生做的第一件事是清洗品項資料，而這也是所有中小企業導入 AI 庫存時最容易低估的一步。

他們遇到的典型狀況：

同一樣東西三種名字：「3分白鐵螺絲」、「3分不鏽鋼螺絲」、「3/8 白鐵」在 POS 裡是三筆不同品項，實際上同一個箱子。

單位不統一：螺絲有些論「盒」、有些論「斤」、有些論「包」，導致系統算出來的需求量根本不能比。

組合品與單品混在一起：「水龍頭含凡而組」與單賣的水龍頭被當成同類在算。

盤點誤差：第一次實盤與帳面差異達 2.3%，最誇張的品項帳上有 40 盒、架上只有 6 盒。

老闆娘的做法很土但很有效：她拿紅色標籤貼紙，把每一個「疑似重複」的品項貼上，叫工讀生一個一個核對條碼與實物，然後在系統裡做合併與停用。一個月下來，品項從 12,180 筆收斂到 10,640 筆，其中 900 多筆是「同一物的分身」。

第一個月結束時的關鍵體悟：AI 再聰明，餵給它髒資料，它只會更快地算出錯誤答案。老闆娘後來說了一句很傳神的話：「不是 AI 不準，是我們自己都沒搞清楚我們賣什麼。」

2-2　第二個月：AI 的預測開始被「修理」

資料整理到一個程度後，系統開始每日產出建議叫貨清單。老闆娘為自己立了一個規矩：每天早上八點到八點二十，只看清單，紅筆圈出「不同意」的項目，並寫下理由。理由一定要寫，因為那是後面調參數的依據。

第二個月她總共「駁回」了約 30% 的建議量，理由大致分五類：

「這是季節品」：例如颱風季前的防水膠帶、沙包袋、抽水馬達，AI 只看歷史平均，會在非季節亂叫。

「這是專案尾單」：某個工地的特殊規格，工程結束就不會再動，AI 卻以為是穩定需求。

「這個要整箱叫」：供應商最低出貨是一箱 24 入，AI 算出需求 3 個也叫，等於浪費。

「這個客人會自己帶」：某些高價品（如特定品牌電鑽）客人多半自備或指定型號，不宜囤。

「這個留給老客戶」：人情庫存。有位合作二十年的水電行老闆固定會拿某款停產的開關，數量不多，但「不能斷」。這種需求，任何模型都算不出來。

她把這五類做成一份「AI 禁區清單」，請二代在系統裡設定人工鎖定：被鎖定的品項，AI 只能提示、不能自動建議下單量。同時，她把季節品標上「月份標籤」，讓系統在正確的月份才把它們拉進預測。

到了第二個月下旬，駁回率從 30% 降到 14%，缺貨率從 9.8% 降到 6.5%。這不是因為 AI 突然變聰明，而是人把機器的邊界畫清楚了。

2-3　第三個月：從「照單全收」到「人機分工」

第三個月是收穫期。老闆娘已經把每日檢視時間從 20 分鐘壓到 12 分鐘，因為清單上「需要她判斷」的項目變少了，只剩下黃燈區那三五筆。

這個階段真正發生的事情是工作分工的重新定義：

AI 負責：計算每日均銷、推估交期、算出補貨點與建議量、標記呆滯天數、監控異常波動（例如某品項突然三天內賣掉半個月的量，系統會跳出警示）。

老闆娘負責：核心品項的「最低庫存地板值」、季節與專案的切換、供應商關係、以及那 50 個「絕對不能斷」的品項清單。

店員負責：收貨時核對數量、把「客人問了但我們沒有」的品項登記到缺貨登記表（這份表回頭會變成 AI 的訓練資料）。

三個月結束時，數據如下表：

指標

導入前

第一個月

第二個月

第三個月

庫存金額（萬元）

428

415

396

372

缺貨率

9.8%

8.6%

6.5%

4.1%

呆滯 SKU 數

2,140

1,980

1,540

1,180

庫存周轉天數

78 天

74 天

67 天

61 天

每日叫貨決策時間

60 分鐘

45 分鐘

22 分鐘

12 分鐘

庫存少了 56 萬元，缺貨率反而腰斬。這在傳統零售的直覺裡是矛盾的——「不是庫存越多越不容易缺貨嗎？」答案是：當庫存結構錯了，多出來的量全部壓在錯的地方。AI 庫存真正做的事，是把錢從「不會動的品項」搬到「會動的品項」上。

三、五金行的 AI 庫存，到底在算什麼？

這一段用白話拆解技術原理，讓非技術背景的老闆也能聽懂，並且知道哪些參數該由自己決定。

3-1　補貨點與安全庫存：不是魔法，是乘法和加法

多數 AI 庫存系統的核心，其實就是兩個公式的自動化：

補貨點（Reorder Point）＝ 平均日銷量 ×（供應商交期 ＋ 檢視週期）＋ 安全庫存

安全庫存 ＝ 服務係數 × 需求標準差

舉個實例：某款 3 分白鐵螺絲，平均一天賣 4.2 盒，供應商叫貨後三天到、每週檢視一次，假設安全庫存抓 8 盒，那補貨點就是 4.2 ×（3＋7）＋8 ≈ 50 盒。也就是架上掉到 50 盒，系統就該提醒叫貨。

AI 的價值在哪裡？在於這兩個公式不是固定值。五金行的日銷量會因為季節（颱風、年前裝修潮）、區域事件（附近工地開工）、甚至天氣而變動，人工很難每週重算三百個品項的標準差，機器可以每天重算。但「服務係數要抓多高」這種事，機器不會知道——它不知道這款螺絲斷貨會讓老客戶跑掉，還是只是被唸兩句。這就是老闆娘要親自盯的原因。

3-2　ABC–XYZ 分類：長尾品項不要硬管

五金行最貴的管理成本，其實落在長尾品項上。多數系統會用 ABC 分類（按營業額貢獻）再疊加 XYZ（按需求穩定度）：

AX 類：高貢獻、需求穩定。這類給 AI 全自動補貨，設好地板值就好，最省心力也最有效益。

AY／AZ 類：高貢獻但波動大。AI 只提供建議，老闆娘決定，因為波動往往來自專案或大客戶。

C 類長尾：低貢獻、偶爾才動。這類的正確做法不是「精準備貨」，而是降低持有成本——改成客人叫才向供應商調、與同業調貨、或直接告知「需預訂三天」。

建成五金行在第三個月做的事，就是把 C 類裡 90 天零動的品項，一部分下架退回、一部分降價出清、一部分改為「預訂制」。呆滯 SKU 從 2,140 降到 1,180，主要貢獻就來自這裡。

3-3　交期、最小訂量與供應商分級：AI 最容易忽略的「人情現實」

純粹的庫存模型假設「我叫多少就來多少」，但現實是：供應商有最小出貨量（整箱、整件）、有固定送貨日、有「這款缺貨要等兩週」的狀況，還有「叫太少老闆會念」的人情壓力。

因此第二個月時，二代在系統裡補上了三件事：

每個品項設定最小叫貨單位與倍數（例：24 入／箱，需整箱叫）

每個供應商設定平均交期與可靠度，交期不穩定的供應商，安全庫存自動上調

替代品與調貨關係：同樣功能的兩個型號互設為替代，A 缺貨時系統提示可用 B

補完之後，系統建議的「可行率」（老闆娘願意照單全收的比例）從 70% 提升到 86%。這個數字比預測準確率更能反映系統實際上線的價值。

四、老闆娘三個月學到的五個教訓

這段是整篇最實用的部分。老闆娘說她一開始以為自己是在「監督 AI」，三個月後發現其實是在「重新認識自己的店」。

4-1　教訓一：AI 不懂「不能斷」，你要自己標

她做的第一件事，是在系統裡挑出 50 個「絕對不能斷」的核心品項——最常見的螺絲規格、止水帶、電火布、常用管件、砂輪片。這 50 項她親自設了「地板值」，也就是不管 AI 怎麼算，庫存低於這個數字就一定補。這 50 項大約占營業額的三成，但占了「客人失望」的絕大多數。

4-2　教訓二：資料髒，AI 只會錯得更快

第一週的錯誤叫貨，原因不是模型不好，而是同一樣東西有三個名字。她現在的建議是：導入 AI 之前，先花兩週把品項命名規則統一（品牌＋規格＋材質＋單位），這一步沒有捷徑，但它決定了後面所有預測的天花板。

4-3　教訓三：不要讓 AI 接管你完全不懂的東西

她有句話很值得記：「我可以不懂 AI，但我不能不懂我的貨。」系統的每一個建議，她至少要知道「為什麼」，否則就無法判斷對錯。這也是她堅持每天看 20 分鐘的原因——不是為了核准，而是為了保持手感。

4-4　教訓四：看指標，不要看感覺

以前她的判斷標準是「我覺得這格快空了」，現在她看四個數字：缺貨率、周轉天數、呆滯金額、每日決策時間。指標化之後，好處是吵架有依據——二代說系統很好，她可以拿出缺貨登記表說「這三樣這禮拜又被客人問了五次」。

4-5　教訓五：三個月是個剛好的長度

太短，AI 還沒學到季節性；太長，人會疲乏。三個月剛好走完「資料整理 → 參數修正 → 分工穩定」的循環，也剛好夠看到第一批現金釋放的成果（本案約 56 萬元庫存金額下降）。她現在的節奏是：每天 12 分鐘看黃燈清單，每月一次檢視呆滯報表，每季一次調整核心品項與地板值。

五、給五金行與中小零售同業的實務建議

如果你也想在自己的店裡做類似的事，以下是從這個案例整理出的行動清單，按順序做，不要跳步。

第一步：先量基線。缺貨率、周轉天數、呆滯 SKU 數、庫存金額。沒有基線，你永遠不知道 AI 有沒有幫到你。

第二步：清洗品項。合併重複、統一單位、補齊條碼與供應商資訊。這是最枯燥也最關鍵的一步。

第三步：挑 50 個核心品項。由最懂現場的人（通常就是老闆或老闆娘）親自指定，設地板值。

第四步：建立「AI 禁區清單」。把季節品、專案尾單、人情庫存、高價不囤品全部標記鎖定。

第五步：補上最小訂量與供應商交期。這一步做完，系統建議的可用率會明顯上升。

第六步：設定每日 15 分鐘的檢視儀式。只處理黃燈項目，紅筆寫理由，理由就是下一輪調參的依據。

第七步：三個月後回頭檢視四項指標。如果缺貨率沒降、呆滯沒降，先檢查資料與參數，不要急著換系統。

另外要提醒的是成本與期待值。這類雲端 AI 庫存系統對中型門市的月費，通常落在數千元台幣等級（依品項數與門市數而定），加上導入初期的顧問或設定費用。以本案的規模，庫存下降所釋放的現金與減少的跑單損失，大約在第四到第六個月就能打平。但它不是裝了就會自己變好——沒有老闆親自盯的前三個月，多數專案會停在「有系統但沒人看」的狀態。

六、常見問題 FAQ

Q1：五金行品項這麼雜，AI 真的算得準嗎？

不需要「全部算準」。實務上只要 A 類（高貢獻）算準，缺貨率就會明顯下降；長尾品項改用「預訂制、同業調貨」處理，比硬要預測更省成本。與其追求預測準確率 95%，不如追求「核心品項不缺貨、呆滯不再增加」。

Q2：老闆娘不懂電腦，這樣也能用嗎？

本案的老闆娘只會用 LINE 和 POS 基本操作，她的工作介面其實就是一份每日清單：打勾（同意）、畫叉（不同意）、寫一行理由。真正的技術設定由二代與系統商處理。懂現場的人不必懂技術，但必須擁有否決權。

Q3：三個月太長了吧？有沒有更快的方法？

可以更快看到「帳面數字」的變化，但要看到「穩定的分工」很難低於兩個月。因為第一個月幾乎都在整理資料，第二個月在修參數，第三個月才是收成。如果跳過前兩個月直接上線，通常會在第三週就因為錯誤叫貨而放棄。

Q4：小型五金行（只有夫妻兩人）也適合嗎？

適合，但做法要更簡化：只做前 200 個核心品項的自動補貨建議，其餘維持手工。重點不是全面自動化，而是把每天早上一小時的叫貨時間，壓到二十分鐘。

Q5：AI 庫存會不會讓老闆失去對店裡狀況的掌握？

會，如果完全放手的話。本案老闆娘的做法是保留「地板值」與「禁區清單」的控制權，並且每天花十幾分鐘看清單。她說：「以前我是靠記憶管庫存，現在我是靠規則管庫存，但貨架我還是每天走一圈。」

七、結語：AI 不會取代老闆娘，但會淘汰「沒有規則的手感」

三個月結束後，建成五金行的庫存金額從 428 萬降到 372 萬，缺貨率從 9.8% 降到 4.1%，呆滯品項少了將近一千筆，而老闆娘每天花在叫貨上的時間從一小時變成十二分鐘。但最有價值的改變，其實不是這些數字。

是她終於能回答一個問題：「這 372 萬的庫存裡，哪一些是下個月就能變成現金的？」

這也是 AI 在傳統零售裡最真實的角色——它不是來替你做大決定的，它是來把那些你從來沒時間計算的東西，每天算一遍給你看。真正讓這家五金行改變的，不是模型，而是那位願意每天花二十分鐘，紅筆圈出「我不同意」並寫下理由的老闆娘。她把三十年的手感，一筆一筆翻譯成參數、地板值、禁區清單，然後交給機器去重複執行。

如果你也經營一家有很多 SKU、很多供應商、很多「靠感覺」的老店，或許可以這樣開始：不用急著買最貴的系統，先花兩週把品項整理乾淨，挑出 50 個不能斷的貨，然後親自盯三個月。三個月後你會發現，你重新認識的不只是 AI，還有你自己那家店真正的樣子。

```

🏠 返回首頁