做電商久了會發現，賺錢與賠錢的分水嶺，常常不在行銷、不在客服，而在最前面那個動作：這批貨要不要進、要進哪一款、要備多少量。這個決定一旦做錯，後面再怎麼努力都是在填坑。進太少，熱賣時卻只能掛缺貨，把辛苦累積的流量與排名拱手讓人；進太多，賣不動的貨堆在倉庫裡，佔資金、佔空間，最後只能認賠出清。多數中小賣家做這個決定時，靠的是老闆的經驗與那句「我覺得這個會紅」。經驗當然有價值，但憑感覺的問題在於：它無法被檢驗、無法被複製，而且會把過去的成功慣性，錯當成未來的保證。這篇文章想談的，是怎麼用數據與 AI，把選品與備貨這件事，從賭博變成一套可以持續修正的流程。
憑感覺選品備貨，到底錯在哪
先講清楚，反對的不是「感覺」，而是「只有感覺」。人的直覺其實是一種壓縮過的經驗，資深買手看一眼就知道某個款式對不對味，這是真本事。問題在於，直覺有幾個系統性的盲點，而這些盲點剛好都會直接反映在庫存數字上。
第一個盲點是倖存者偏誤。我們記得住去年那款一上架就秒殺的爆品，卻很容易忘記同期進的另外五款默默躺在角落。於是下一季進貨時，腦中浮現的參考點是那個爆品，信心被無形放大，備貨量也跟著膨脹。第二個盲點是近因效應，最近賣得好的東西會被過度看重，導致一窩蜂重押同一個方向，等貨到了市場風向卻已經轉了。第三個盲點是規模問題，當你只賣三五個品項時，靠腦袋還轉得動；一旦 SKU 上到數十上百個，每個品項的補貨節奏、前置時間、季節高低點都不一樣，人腦根本無法同時追蹤，最後只能靠「感覺哪個快沒了就補哪個」，反應永遠慢半拍。
這些盲點的代價都是真金白銀。缺貨的成本是看不見的：消費者點進來發現沒貨就走了，你連他來過都不知道，更別說那次缺貨可能讓平台演算法判定你的商品熱度下滑，連帶影響曝光。呆滯庫存的成本則是看得見卻很痛：它是被凍住的現金，是你本來可以拿去進更好賣的貨、卻卡在爛貨上的機會成本。憑感覺不是不能做決定，而是它讓你無法分辨「這次是我判斷準」還是「這次只是運氣好」，於是你永遠學不會。
資料能怎麼幫忙：把模糊的直覺換成可查的訊號
數據的角色不是取代判斷，而是把你腦中那些模糊的假設攤開來檢驗。當你說「我覺得這個會紅」，數據要問的是：紅的證據在哪？需求正在上升還是已經退燒？別人是不是早就在賣、賣得如何？以下幾類資料，是選品與備貨最實用的基本盤。
搜尋趨勢：需求的溫度計
消費者想買東西之前，通常會先搜尋。搜尋量的變化，等於是需求的即時溫度計。透過搜尋趨勢工具，你能看出一個品類是長期穩定、正在爬升，還是曇花一現的短波。這件事對備貨的意義很大：一個穩定成長的需求，值得你建立常態庫存；一個已經衝到頂點、開始回落的熱潮，就算現在還有單，也不該重壓，因為等你的貨到，浪頭可能已經過了。
競品熱銷與平台榜單：市場已驗證的答案
平台的熱銷榜、暢銷排行，本質上是「市場已經幫你做過的測試結果」。它告訴你哪些品項現在真的有人在買、賣到什麼量級、集中在哪些價格帶。這比你自己憑空猜要可靠得多。觀察競品時，重點不只是看誰賣得好，更要看評價數的成長速度，一個月內評價從幾十衝到幾百的商品，代表它正在放量，是值得跟進的訊號。
關鍵字：需求的細節與缺口
關鍵字資料能把需求拆得更細。同樣是賣保溫瓶，搜尋「保溫瓶」和搜尋「兒童保溫瓶 附吸管 防摔」是完全不同的兩群人，後者的購買意圖更明確、競爭可能更小。長尾關鍵字往往藏著還沒被滿足的缺口，這正是選品可以切入的角度。
歷史銷售與季節性：你自己的資料最誠實
別忘了你手上最寶貴的資料，是自己的歷史銷售紀錄。哪些品項每年幾月會固定拉高、哪些會固定掉，你的訂單資料裡都寫得清清楚楚。母親節、雙十一、農曆年前，這些季節性高峰對你的品類影響有多大，過去三年的數字會告訴你答案。這也是所有需求預測最扎實的地基。
AI 與機器學習做需求預測：有用，但別神化
談到 AI 需求預測，得先把期待值調到正確的位置。它不是水晶球，不會告訴你下個月一定賣幾個；它做的事情，是從你過去的銷售資料裡，找出人眼難以同時掌握的規律，然後給出一個帶有信心區間的估計值。
它的原理其實不神秘。傳統上，我們可能用移動平均或簡單的趨勢外推來抓下個月大概賣多少。機器學習模型能做得更細：它可以同時考慮這個品項的長期趨勢、週期性的季節波動、星期幾的差異、是否遇到促銷檔期、甚至天氣或連假等外部因素，把這些訊號一起丟進模型，算出一個比人工拍腦袋更穩定的預測。當你的品項一多、變數一雜，這種能同時處理大量變數的能力，就是它的價值所在。
但它的限制也要誠實面對。第一，AI 預測靠的是歷史，對於全新的品項、沒有前例的爆紅事件、突發的供應鏈斷貨，它其實無能為力，因為沒有可學習的資料。第二，它給的是機率不是保證，任何負責任的預測都會附帶一個區間，例如「下月估算需求落在 800 到 1,100 之間」，而不是斬釘截鐵的一個數字。第三，垃圾進、垃圾出，如果你的銷售資料本身就因為長期缺貨而失真（缺貨期間的真實需求根本沒被記錄下來），模型只會複製這個錯誤。所以務實的態度是：把 AI 當成一位不會累、不帶情緒、能同時盯上百個品項的助手，它負責算出基準，最後拍板的還是人。
選品的訊號要去哪裡找
把上面的觀念落到實際操作，選品階段你可以固定去這幾個地方蒐集訊號，交叉比對，而不是只看單一來源就下判斷。
- Google Trends：判斷一個品類或關鍵字的需求是上升、持平還是衰退，並比較不同關鍵字的相對熱度。重點看趨勢方向與季節形狀，別太在意絕對數字。
- 平台熱銷榜：各大電商平台的暢銷排行、飆升榜，看的是「現在什麼真的在賣」。特別留意排名快速上升的新面孔，那往往是還沒被打爛的機會。
- 社群聲量：短影音平台、社群討論、團購社團裡被反覆提到的品項，代表話題正在發酵。社群的領先性通常比平台榜單更早，適合抓早期訊號，但雜訊也更多。
- 比價站與價格分布：看一個品項有多少賣家在賣、價格帶怎麼分布。如果賣家爆多、價格已經殺到見骨，代表這是紅海，就算需求還在，你也很難賺到錢。
- 你自己的搜尋與客服紀錄：站內搜尋沒有結果的關鍵字、客人一直問「有沒有賣某某」，這些都是最直接的需求缺口，別浪費。
單一訊號都可能騙人。搜尋量高但賣家已經爆滿，是紅海；社群聲量高但搜尋沒起來，可能只是同溫層自嗨。真正值得進的選品，通常是幾個訊號同時亮燈：需求在成長、競爭還沒白熱化、而且你有辦法在價格或組合上做出差異。
把預測接回庫存：安全庫存與再訂購點
預測算得再準，如果不接回補貨動作也是空談。這裡有兩個實務上最該搞懂的概念：安全庫存與再訂購點。
安全庫存，是為了應付「需求比預期高」或「補貨比預期慢」而預留的緩衝。它不是拍腦袋定一個數字，而是取決於兩件事：你的需求波動有多大，以及你的供應商前置時間有多不穩定。需求越飄忽、補貨越慢又越不準時的品項，安全庫存就要抓得越厚；反之，一個賣得很穩、供應商三天必到的品項，安全庫存可以很薄。
再訂購點，則是回答「庫存降到多少就該下單」。它的基本邏輯是：在補貨到貨之前的這段前置時間裡，預估會賣掉多少，再加上安全庫存。用一個範例說明（數字為示意）：假設某品項每天平均賣 10 個，供應商前置時間 7 天，你抓的安全庫存是 30 個，那麼再訂購點就是 10 乘以 7 加 30，等於 100 個。也就是當庫存降到 100，就該立刻下單，這樣新貨到的時候，理論上剛好還剩安全庫存那 30 個當緩衝。AI 預測在這裡扮演的角色，是把「每天平均賣 10 個」這個數字算得更貼近未來、更會隨季節調整，而不是死板地用過去平均。
傳統憑感覺 vs 用數據與 AI：兩種做法對照
| 環節 | 傳統憑感覺 | 用數據與 AI |
|---|---|---|
| 選品依據 | 老闆直覺、同業在賣、上次賣得好 | 搜尋趨勢、平台榜單、社群聲量、關鍵字缺口交叉驗證 |
| 備貨數量 | 抓個大概、寧多勿少或寧少勿多 | 依需求預測＋安全庫存＋前置時間推算 |
| 補貨時機 | 看到快沒了才補，常常慢半拍 | 庫存觸及再訂購點自動示警 |
| 季節與促銷 | 憑印象調整，容易漏抓或抓過頭 | 用歷史檔期資料量化拉高／壓低 |
| 新品導入 | 看好就一次進一大批 | 小量試水溫，用實際數據決定要不要放量 |
| 結果檢討 | 賣好賣壞都說不清為什麼 | 預測值與實際值可比對，持續修正模型 |
| 擴充性 | SKU 一多就管不動 | 系統可同時盯上百個品項 |
看這張表要注意一件事：右邊那一欄不是要你一步到位全部導入，而是一個方向。就算你只做到其中兩三格，決策品質也會明顯提升。
新品測試：用小量試水溫，別一把梭
面對沒有歷史資料的新品，AI 預測幫不上忙，這時候最聰明的做法是把「猜」變成「測」。新品導入的原則就一句話：小量進、快速看數據、再決定要不要放量。
- 先進一個能觀察的最小量。目標不是靠這批賺錢，而是用最低的成本買到真實市場反饋。這個量能撐你觀察一到兩週的銷售即可。
- 盯轉換而不是只盯銷量。新品初期流量本來就少，直接看賣幾個容易誤判。要看的是進到商品頁的人裡有多少下單、加入購物車的比例、以及退貨與負評的訊號。轉換率好，代表產品本身有需求，放大流量就有機會放大銷量。
- 設定明確的放量門檻。事先講好，例如「兩週內轉換率達到某個水準、且退貨率低於某個比例，就追加補貨並加大廣告」，達不到就止損下架。把標準寫在前面，才不會事後用感情做決定。
- 放量時再讓預測接手。一旦這個新品累積了兩三週的真實銷售，就有資料餵給預測模型，補貨節奏才能從「用猜的」切換到「用算的」。
小量試水溫的本質，是把單一大賭注拆成很多個小實驗。你允許自己犯很多次小錯，來換取抓到大爆品的機會，這比一次重押一款要健康得多。
避免呆滯庫存：定期健檢，果斷處理
再好的預測都會有失手的品項，重點是別讓失手的貨一直躺著爛。建議每個月固定做一次庫存健檢，把品項分類處理。
一個實用的分法是看「動銷」與「庫齡」。賣得動、庫存健康的，維持正常補貨；賣得慢但庫齡還短的，先觀察、暫停補貨、想辦法搭配促銷帶動；賣得慢又放很久的，就是呆滯庫存的高危群，該做的是果斷出清，用組合包、加購價、清倉活動把它換回現金。很多賣家的心魔是「再放放看說不定會賣」，但呆滯庫存最貴的成本不是它本身賠多少，而是它把你的現金卡住，讓你進不了更會賣的貨。認賠出清不是失敗，是把資金解放出來的必要動作。要防患未然，最好的辦法還是回到源頭：進貨當下就用數據把量抓準，讓呆滯根本不容易發生。
小賣家做得起來的簡化版
看到這裡你可能會想，這些聽起來很像大公司才玩得起。其實不是，核心觀念完全可以用很輕的方式落地，工具越簡單越好，重點是養成看數據做決定的習慣。
- 選品：不需要買昂貴系統，養成習慣每次要進新品前，花十分鐘查一次搜尋趨勢、翻一次平台熱銷榜、看一下同款有多少人在賣、價格砍到哪，把這四件事變成固定動作。
- 備貨：用一張試算表就能做。把每個品項的日均銷量、供應商前置天數、安全庫存三個欄位填好，再訂購點用公式自動算，庫存低於門檻就標紅，這已經比憑感覺補貨可靠太多。
- 預測：先別急著上機器學習。把過去一到兩年的月銷量攤開，抓出每個品項的季節形狀（哪幾個月固定高、固定低），下一輪備貨時照這個節奏調整，就是最基本又最有效的預測。
- 進階：等品項多到試算表管不動、或你想更精準時，再考慮導入有需求預測功能的庫存管理工具，或用電商平台本身提供的銷售分析。工具是為了省力，不是為了炫技，能解決你當下痛點的才值得花錢。
小賣家的優勢反而是船小好調頭。你不需要完美的模型，只要每一次補貨都比上一次多用一點數據、少用一點情緒，累積下來就是實實在在的競爭力。
常見誤區：這幾個坑別踩
最後整理幾個實務上最常見、也最傷的誤區，幫你少走冤枉路。
第一個是把工具當答案。買了系統、接了 AI，就以為可以放手不管，結果模型算出來的數字沒人檢查、沒人修正，錯得離譜也照單全收。工具是輔助決策，不是替你負責，人的最終判斷永遠不能外包。
第二個是資料髒了還硬用。長期缺貨會讓歷史銷售低估真實需求、一次性的異常大單會拉歪平均，這些如果不先清理，預測只會複製垃圾。餵資料前先看它乾不乾淨，遠比選哪個模型重要。
第三個是只看銷量不看利潤。有些品項賣得嚇嚇叫，扣掉成本、退貨、廣告和倉儲後其實在賠錢。選品與備貨的目標從來不是賣最多，而是賺最多，別被熱銷的表象迷惑。
第四個是過度反應短期波動。看到某天暴衝就急著大補、看到一週低迷就急著砍單，結果被雜訊牽著鼻子走。需求預測要抓的是趨勢與週期，不是每天的上下跳動，決策節奏要穩。
常見問題
完全沒有技術背景，也做得了 AI 選品與需求預測嗎？
可以。真正重要的是觀念與習慣，不是技術。你不需要會寫程式，用一張試算表把日均銷量、前置時間、安全庫存管起來，加上進貨前固定查搜尋趨勢與熱銷榜，就已經抓到八成的價值。等規模大了再考慮現成的庫存管理或預測工具，讓系統代勞計算即可。
需求預測會不會很不準，反而害我做錯決定？
任何預測都不會百分之百準，重點是它比憑感覺穩定，而且錯了能被檢討修正。務實的用法是把預測當成基準值，搭配安全庫存吸收誤差，並定期比對預測與實際的落差來調整。只要方向對、能持續修正，就算單月失準也不會造成大災難。
新品沒有歷史資料，AI 幫不上忙，那怎麼辦？
新品階段本來就不該靠預測，而該靠測試。用小量進貨試水溫，觀察一到兩週的轉換率、加購與退貨訊號，事先設好放量門檻，達標才追加、不達標就止損。等累積了兩三週真實銷售，再把資料交給預測接手補貨，這樣風險最小。
怎麼判斷一個品項是不是快要變成呆滯庫存？
同時看兩個指標：動銷速度和庫齡。賣得慢、又放很久的品項就是高危群。建議每月固定做一次庫存健檢，把這類品項揪出來果斷用組合包或清倉活動換回現金。別抱著「再放放看」的心態，呆滯庫存最貴的是被卡住的資金機會成本。
選品訊號那麼多，看到互相矛盾時該信哪個？
不要依賴單一來源，而要看訊號是否同時亮燈。理想的選品通常是需求在成長、競爭尚未白熱化、你又能做出價格或組合差異，三者兼具。如果搜尋量高但賣家爆滿，那是紅海；若社群很熱但搜尋沒起來，可能只是同溫層自嗨。矛盾時，優先相信「已經真的產生購買」的訊號，例如平台銷量，勝過純討論聲量。