雅寶社區 · 頂客論壇 (AHPAL.COM)

🤖 AI 趨勢

一家小七的 AI 訂貨系統，丟掉了三成報廢

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

我們來拆解一下，一個認真的店長平常是怎麼訂貨的。

他會打開 POS 報表，看過去一到四週的同品項銷量，然後在腦中做加減：這禮拜三下雨、附近國中考段考、總部有第二件六折活動、上週末有廟會所以多賣了三成⋯⋯然後他得出一個數字，填進訂貨單。整個過程，大約花十五到三十分鐘，而且是在他同時要補貨、要結帳、要處理客人、要盯報廢的情況下完成的。

問題出在四個地方。

第一，人的記憶是平均值，不是分佈。店長記得的是「這個飯糰大概一天賣二十個」，但他記不住「週一賣 14 個、週五賣 31 個、下雨天賣 9 個」。而訂貨要對準的，恰恰是那個變異，不是平均值。

第二，變數太多，人腦無法同時處理。天氣、氣溫、濕度、假日、發薪日、學校行事曆、附近商辦的尾牙季、捷運施工、外送平台促銷、競品降價⋯⋯這些變數單獨看都有感覺，合在一起看，人腦就會直接放棄，改用「差不多就好」。

第三，新品沒有歷史資料。每次新品上市，店長只能「憑感覺先訂少一點」，結果不是缺貨就是報廢，然後總部再檢討「新品推廣不力」。這是一個結構性的死結。

第四，知識無法交接。阿宏請假，代班的人不知道「週三下午手卷要多訂十個」，於是那個禮拜三就缺貨。等阿宏回來，他發現少了十個手卷的營收，但沒有人知道為什麼。門市裡最珍貴的知識，全部存在一個人的腦袋裡，而且那個人會休假、會離職。

這不是店長不努力，這是用人力去對抗一個高維度的預測問題。當問題的變數超過人腦工作記憶能處理的範圍，經驗就會退化成直覺，直覺就會退化成猜測，猜測就會退化成報廢。

二、AI 訂貨系統到底在算什麼？拆解這套「會呼吸的訂單」

很多人對「AI 訂貨」的想像是：一個黑盒子，輸入銷量、輸出訂單。但實際上，一套能在門市現場活下來的訂貨系統，通常是由三層構成的：資料層、模型層、決策層。三層缺一不可，而且最容易失敗的地方，往往不是模型，而是資料與決策。

資料層：從 POS 到氣象局的十七種訊號

先說資料。這家門市導入的系統，總共接了十幾類訊號，我把它整理成五個群組：

銷售訊號：POS 明細，細到「單品 × 小時 × 門市」。這是最核心的資料，因為它同時告訴你賣了什麼、什麼時候賣的、有沒有搭配買（例如飯糰＋咖啡的組合率）。

環境訊號：每小時的氣溫、體感溫度、降雨機率、實際雨量、濕度。鮮食的銷量對天氣極度敏感，特別是沙拉、涼麵、關東煮、熱咖啡這幾類，氣溫每差三度，銷量曲線就不一樣。

時間與事件訊號：平日假日、發薪日前後三天、學校段考週、附近活動（廟會、路跑、演唱會、百貨週年慶）、選舉日、連假頭尾。這些事件的影響往往是「單日暴衝」型的，平均值完全抓不到。

營運訊號：目前庫存量、商品效期、配送日與到貨時間、最小訂購單位、總部配貨規則、門市排班人數（人力會影響補貨速度與陳列時機）。

外部訊號：競品促銷檔期、外送平台活動、周邊商辦或學校的作息變化。

這裡有一個很重要的細節：資料的品質比資料的數量重要得多。這家店在導入前，花了大約三週做「資料清理」，包括確認鮮食櫃的品項分類正確、報廢有沒有真的逐件掃碼登記、過期品是不是當天就登記、以及同一個商品有沒有出現兩個不同編號。這些看起來很笨的工作，後來被證明是整個專案成功的關鍵之一。因為如果報廢紀錄是「一鍵全丟」，模型學不到「哪個品項在什麼條件下會被丟掉」，它就永遠只能學到「這家店平均丟多少」——那就跟店長憑感覺訂貨差不多了。

模型層：不是預測「賣多少」，而是預測「剩多少」

這是整篇文章我覺得最值得畫重點的地方。

傳統的銷量預測，目標是預測「期望值」——例如「這個飯糰明天大概賣 20 個」。聽起來很合理，但用它來訂貨會出問題，因為訂貨要面對的不是期望值，是風險。

打個比方：如果明天真的賣 20 個，你訂 20 個，剛好賣完，完美。但如果明天只賣 13 個，你報廢 7 個；如果明天賣 27 個，你缺貨 7 個。問題是，這兩個錯誤的代價並不對稱——報廢是立刻、100% 確定的損失（成本全吞），缺貨是「少賺」，損失的是毛利，不是成本。而且缺貨還可能造成顧客流失，那個損失會延續到未來。

所以這套系統用的不是單點預測，而是分位數預測（Quantile Forecasting）：它會告訴你「這個商品明天賣掉 15 個的機率是 90%、賣掉 20 個的機率是 60%、賣掉 28 個的機率是 30%」。有了整個機率分佈，系統才能根據每一個商品的「報廢成本／缺貨成本比例」，去挑一個最適合的訂貨點。

舉例來說，報廢成本高、缺貨成本低的商品（例如高單價的沙拉、進口水果），系統會傾向訂得保守一點；報廢成本低、缺貨成本高的商品（例如茶葉蛋、咖啡杯、關東煮的常溫料），系統會傾向訂得寬鬆一點。這就是所謂的「非對稱損失函數」，也是 AI 訂貨跟 Excel 平均值訂貨最大的差別。

另外還有兩個技術細節值得一提。

一個是新品冷啟動問題。新品沒有自己的歷史資料，怎麼辦？這套系統用的是「相似品遷移學習」：它會去找口感、價位、包裝、品類相近的既有商品，用那些商品剛上市前兩週的銷售曲線，加上這家門市自己的商圈特性，去推估新品的初始需求。然後在上市後的前三天，用「每日快速更新」的方式修正。這解決了「憑感覺先訂少一點」的老問題。

另一個是時段顆粒度。很多門市訂貨只想到「一天賣多少」，但實際上鮮食的銷售有非常強的時段結構。早上七點到九點的飯糰、中午十二點的便當、下午三點的咖啡、晚上八點的關東煮，這些曲線完全不同。系統用「小時」為單位去建模，然後把它彙總成「當日該訂多少」，這樣才不會出現「早上賣光、晚上報廢」這種荒謬的組合。

決策層：把預測變成可執行的訂單與門檻

模型再準，如果它給店長的是一張「你自己看著辦」的訂單，那還是會失敗。所以第三層是決策層，它要解決三件事。

第一，給出「建議量＋信心度」。系統不是只給一個數字，它會標示：「三角飯糰（鮪魚）建議 18 個，信心度中高；如果你知道今天附近有活動，可上調到 24 個。」這讓店長知道什麼時候可以放手相信、什麼時候該自己判斷。

第二，例外管理。一間門市鮮食加起來少說上百個品項，如果系統每個都要店長確認，店長會直接放棄。所以系統只會把「跟平常不一樣」的品項挑出來——大約佔 10% 到 20%，例如「今天降雨機率 80%，沙拉建議量下調 40%」「發薪日，便當上調 25%」。剩下 80% 的品項走自動建議，店長掃一眼就好。這大幅降低了使用門檻。

第三，建立回饋迴路。店長每一次「手動修改訂單」，系統都會問一句：「原因是什麼？」選項包括：天氣、活動、客訴、缺貨風險、陳列調整、其他。這些理由會被記錄下來，成為下一輪訓練的資料。這一點非常關鍵——它讓店長的經驗變成系統的資產，而不是被系統排除在外。

三、上線九十天：從不敢用到離不開的三個階段

技術講完了，來講人的部分。這家店的 AI 訂貨系統上線後，不是第一天就一帆風順，而是經歷了三個很典型的階段。

第一個月：AI 當顧問，店長當法官

第一週，阿宏幾乎不信任系統。他看著螢幕上「建議訂 12 個三明治」的數字，心裡想：「12 個？我平常都訂 20 個，你這是要我等著被客訴嗎？」於是他把大部分品項都手動上調了三成。

結果那個禮拜的報廢沒有改善，缺貨也沒有改善。系統在後台靜靜記錄了這件事，並在週報裡呈現：「本週您手動上調 23 個品項，其中 17 個品項最終產生報廢，平均報廢率 34%。」

這個回饋很重要，因為它不是指責，是讓店長自己看到結果。第二週，阿宏開始對「信心度高」的品項放手，只堅持改「信心度低」的那幾個。第三週，他發現自己改的品項，準確率反而不如系統——因為系統看到了他看不到的變數，例如「今天體感溫度 31 度、濕度 78%，沙拉的歷史彈性係數是 -0.4」。

這個階段的重點不是 AI 多神，而是：系統必須允許人類覆寫，而且要用結果來說服人。如果一開始就強制全自動，店長會把它當成敵人，後面就推不動了。

第二個月：例外管理與信心建立

第二個月，店長開始習慣每天花五到八分鐘看「例外清單」。他會看到類似這樣的提示：

「週三下午手卷類建議上調 8 個——過去四週同一時段，附近補習班下課後手卷銷量平均增加 6.2 個。」

「週五晚間關東煮建議下調 15%——本週末氣溫預估回升至 28 度。」

「新品 A 上市第三天，目前銷售速度高於相似品 18%，建議明日上調 4 個。」

這些提示有一個共同點：它會說出理由。這是可解釋性在門市現場的實際價值——店長不需要相信黑盒子，他只需要驗證那個理由合不合理。而當他驗證了二十次、三十次，發現理由幾乎都成立之後，信任就會建立起來。

同一個月，店長也開始主動補充系統不知道的資訊。例如他知道下週三附近要辦路跑，於是他手動把早餐類品項全部上調，並在備註欄寫「路跑活動」。下一週，系統的自動建議就把這個事件納入了考慮。這是一個很好的循環。

第三個月：反轉——店長開始挑戰 AI，AI 也開始學習店長

第三個月出現了一個很有意思的變化：阿宏開始「質疑」AI。不是不信任，而是他發現 AI 有些建議沒考慮到某些現場因素。例如系統建議週六上午多訂十個飯糰，但阿宏知道那個週六隔壁大樓要施工，早上人流會少一半，於是他手動下修。

事後結算，阿宏那次是對的。而系統把這個修改理由記錄下來，並在下一次的類似情境中主動提示：「鄰近施工事件，建議下調早餐類 20%。」

這才是 AI 訂貨系統最理想的狀態：不是店長聽 AI 的，也不是 AI 聽店長的，而是兩者共同形成一個越來越準的決策系統。店長的現場嗅覺變成了模型的一部分，模型的記憶力則補足了店長的遺忘與休假。

四、數據會說話：三成報廢是怎麼被省下來的

接下來談數字。以下是這家門市導入前三個月與導入後三個月的平均值比較（以鮮食與低溫飲品類為主）。

指標

導入前三個月平均

導入後三個月平均

變化

鮮食報廢率（報廢金額 ÷ 進貨金額）

11.2%

7.7%

下降 3.5 個百分點

每月報廢金額

約 27,800 元

約 19,100 元

下降約 31%

鮮食缺貨率（缺貨品項 ÷ 應陳列品項）

6.8%

5.1%

下降約 25%

鮮食毛利額

基期 100

108.3

成長約 8%

店長每日訂貨時間

約 28 分鐘

約 11 分鐘

減少約 61%

這張表最值得注意的是第三列與第四列：報廢下降的同時，缺貨也下降了。這打破了很多人心中「少訂就少報廢、但會多缺貨」的假設。

報廢率、缺貨率、毛利額的三方平衡

為什麼兩者可以同時改善？因為真正被消掉的報廢，不是「本來會賣掉的貨」，而是「本來就賣不掉的貨」。換句話說，過去的報廢有很大一部分，來自「訂錯品項、訂錯時段、訂錯數量」，而不是「整體訂太多」。

我們用一個簡化的例子說明：假設某天下午，系統與店長各訂一批鮮食。

店長版本：三明治 20 個、沙拉 15 個、手卷 12 個。結果三明治剩 8 個報廢，沙拉剩 5 個報廢，手卷下午就賣完缺貨 3 個。

系統版本：三明治 13 個、沙拉 10 個、手卷 17 個。結果三明治剩 1 個報廢，沙拉剩 1 個報廢，手卷全部賣完，還多賣了 2 個。

你看，系統的訂貨總量其實差不多（47 個 vs. 40 個，甚至更少），但報廢從 13 個掉到 2 個，缺貨從 3 個變成 0，總銷售量還上升。這就是「結構性調整」與「整體減量」的差別。前者是零和遊戲，後者是真正的效率提升。

一個鮮食櫃位的實測案例

如果要挑一個最有感的案例，我會挑「三角飯糰」這個品類。

導入前，這家店的飯糰報廢率是 9.4%，缺貨率 7.2%。店長的訂貨邏輯很簡單：平日訂 24 個、假日訂 28 個、有活動再多加一點。問題是，他沒有注意到兩件事。

第一件事，是週三的異常。系統分析發現，這家店週三下午的飯糰銷量比其他平日低了約 22%。原因後來被找出來了：附近的補習班週三下午有課，學生不會繞過來買東西。這個模式存在了至少半年，但從來沒有人發現，因為它被「平日平均」給稀釋掉了。

第二件事，是週末晚上的第二波高峰。系統發現，週五、週六晚上八點到十點，這家店的飯糰銷量會出現一個小高峰，原因是附近有KTV與電影院，加上外送平台在這個時段的訂單也偏多。店長原本的訂貨都集中在早上，晚上幾乎不補貨，導致這個時段的缺貨率高達 14%。

系統的調整方式很簡單：週三下午下修、週五週六晚間上調，並且把配送與補貨時點配合調整。三個月後，飯糰類的報廢率降到 5.8%，缺貨率降到 3.9%，整體銷售量反而成長了 6%。

這個案例說明了一件事：報廢與缺貨往往不是「量」的問題，而是「時間與品項配置」的問題。而時間與品項的組合，正是人腦最不擅長處理的維度。

五、五個容易踩的坑：AI 訂貨不是裝了就會賺

講完好的一面，也要講現實的一面。這套系統能夠在九十天內見效，有一部分是運氣好（店長願意配合、總部願意給彈性），但更多的是事前避開了一些常見的坑。以下五個坑，是我觀察到最常讓 AI 訂貨專案失敗的原因。

坑一：資料是髒的。這是最常見、也最致命的問題。如果報廢沒有逐件登記、如果品項分類亂七八糟、如果同一個商品在系統裡有三個編號，那模型學到的東西就是垃圾。很多專案在第三週就發現「預測不準」，然後放棄，但真正的問題在資料，不在模型。建議做法：導入前至少花兩到四週做資料盤點與清理，並且把「報廢登記」納入門市日常稽核。

坑二：人的抗拒被低估。店長會覺得「你在懷疑我的專業」。如果系統一上線就要求全自動、不允許修改，反彈會非常大。比較好的做法是「先當顧問、再當助手、最後才當主導」，並且讓店長看到自己修改後的結果對照，用數據說服，不要用命令說服。

坑三：KPI 互相對沖。如果店長的 KPI 是「報廢率」，採購的 KPI 是「進貨達成率」，總部的 KPI 是「新品鋪貨率」，這三個指標會互相打架。店長為了降低報廢會少訂，採購為了達成進貨會塞貨，總部為了鋪貨會強迫上架。AI 夾在中間，怎麼算都錯。導入前一定要先把這幾個 KPI 的權重與換算關係講清楚。

坑四：一刀切的參數。辦公商圈的門市、住宅區的門市、學校旁的門市、醫院旁的門市，行為模式完全不同。如果把同一組參數套到所有門市，結果一定是「平均看起來還行，個別門市亂七八糟」。這也是為什麼前面一直強調「商圈特性」要進模型。

坑五：活動沒有進系統。門市自己辦的促銷、總部的臨時活動、附近的臨時事件，如果沒有被記錄進系統，模型就會被這些「異常」污染，然後開始把異常當常態。解法是建立一個簡單的「事件登錄」機制，讓店長用一分鐘就能把明天要發生的事寫進去。

六、給店長與加盟主的實務建議

如果你讀到這裡，正在想「我們家門市是不是也該試試」，以下是我會建議的落地順序。

第一步，先做「報廢盤點」與「缺貨盤點」。不要急著導入 AI，先花兩週，把每天報廢的品項、時段、數量記錄下來，同時記錄「客人問了但買不到」的品項。你會很驚訝地發現，報廢與缺貨往往集中在少數幾個品項與時段。先把這些找出來，就算沒有 AI，你也能立刻改善一部分。

第二步，從一個品類開始。不要一次全面導入。建議從「鮮食」或「低溫飲品」這種效期短、變異大的品類開始，因為這裡的改善空間最大、也最容易看到成果。等店長建立信心，再往下擴。

第三步，保留人工覆寫，但要求記錄理由。這是系統能不能愈來愈準的關鍵。沒有理由的覆寫，對系統來說就是雜訊；有理由的覆寫，對系統來說就是黃金資料。

第四步，設定合理的觀察期。至少給系統八到十二週。前三週通常會有一段「磨合期」，預測不準是正常的，因為系統還在學這家店的個性。太早下結論，通常會錯殺。

第五步，把「報廢成本」與「缺貨成本」換算清楚。這件事聽起來很財務，但它是整個系統的定錨點。你要先知道「丟掉一個飯糰損失多少」以及「少賣一個飯糰少賺多少」，系統才有辦法幫你算出最佳訂貨點。這個比例如果設錯，AI 再聰明也會訂錯。

七、結語：AI 不是取代店長，是讓店長的判斷更值錢

回到那個黑色塑膠袋。

導入系統三個月後，阿宏跟我說，他現在每天晚上丟的東西，大概只剩原來的三分之二，有時候更少。但他更在意的是另一件事：他每天花在訂貨的時間，從將近半小時降到十分鐘左右，省下來的時間，他拿去盯陳列、拿去跟熟客聊天、拿去處理那些真正需要人判斷的事情。

他說了一句我覺得很值得記下來的話：「以前我覺得自己在跟報廢打仗，每天都很累，但打不完。現在我比較像是在看一張地圖，知道哪裡會下雨、哪裡會塞車，然後提前繞路。」

這就是 AI 訂貨系統真正的價值。它不是要取代店長的經驗，而是把店長從「記數字、算平均、憑感覺」這種低價值勞動裡解放出來，讓他可以把經驗用在系統看不到的地方——客人的表情、門市的氣氛、臨時狀況的判斷。

三成報廢，聽起來像是一個很漂亮的數字。但對一家小店來說，那三成背後是三十幾萬的現金流、是店長每天少丟幾十件東西的心情、是總部少開幾張檢討單的行政成本。這些東西加起來，才是「AI 趨勢」在巷口轉角真正落地的樣子。

如果你也在便利商店產業、零售業，或是任何有「效期短、變異大、訂錯就報廢」的場景裡，我會說：值得試。但請記得，先清資料、先談 KPI、先讓人有台階下。技術從來不是最難的那一關，人才是。

常見問題（FAQ）

Q1：AI 訂貨系統會不會讓店長失去判斷力？

不會，但前提是系統設計要保留「人工覆寫」與「理由記錄」。比較好的做法是把 AI 定位成「副駕」而不是「自駕」：它負責處理大量、重複、高維度的計算，人負責處理例外、現場狀況與顧客關係。長期來看，店長的判斷力反而會提升，因為他每一次的判斷都會被記錄、被驗證、被回饋。

Q2：小型門市或單店加盟主，也有能力導入嗎？

能力不是問題，成本結構才是。目前市面上已經有以 SaaS 形式提供的訂貨預測服務，不需要自建機房或資料團隊。重點是先確認自己的 POS 資料是否乾淨、報廢是否有登記。如果資料基礎太差，建議先花一兩個月做人工盤點，再考慮導入。

Q3：為什麼報廢下降，缺貨也會下降？這不是矛盾嗎？

不矛盾。因為報廢的來源通常不是「整體訂太多」，而是「錯的品項訂太多、對的品項訂太少」。AI 做的是結構性調整：把資源從賣不掉的品項挪到賣得掉的品項，把訂貨量從錯的時段挪到對的時段。所以總量可能差不多甚至更少，但報廢與缺貨同時改善。

Q4：導入後多久可以看到效果？

以鮮食品類為例，通常在第四到第六週會開始看到報廢率下降，第八到第十二週會趨於穩定。前兩到三週是磨合期，建議不要在這個階段就下定論。另外，效果也跟「店長是否願意回饋理由」高度相關。

Q5：如果總部不支援，單店可以自己做嗎？

可以，但範圍會受限。如果總部掌握訂貨權限與配送規則，單店能調整的空間就比較小。實務上建議先從「門市可以自行決定的品項」開始試點，累積成果後，再用數據去跟總部爭取更大的彈性。

編按：本文為基於零售業實務觀察所改寫的案例敘事，門市名稱與部分人物為化名，數據為區間性呈現，旨在說明 AI 訂貨系統的運作邏輯與落地要點，不代表任何特定企業之官方說法。

```

🏠 返回首頁