我每天在 ECPRO 看台灣電商的數據，看久了會發現一件事：多數品牌收攤，不是敗在廣告、也不是敗在客服，而是敗在最前面那一步——選錯了商品。行銷可以優化，物流可以外包，但一檔選錯的貨壓在倉庫裡，是連本帶利地吃掉你的現金流。這篇想談的，是這一兩年真正在改變選品邏輯的變數：AI 選品。它不會讓你穩賺，但它能把「憑感覺賭一把」的選品，變成「先把勝率算出來再下注」。
我不打算把 AI 講得神乎其神。站在品牌商與代營運的角度，我只關心三個問題：AI 能幫選品這關省掉什麼、實際怎麼跑一遍、以及哪些地雷會讓你以為算得很準其實一路走偏。以下都是我在數據現場看到的觀察，案例一律匿名處理。
選品是我在數據裡最常看到的「死因」
先把問題講清楚。過去品牌選品，翻來覆去大概就這幾套路數：自己愛所以進、看什麼在紅就跟、查 Google Trends 找搜尋量、盯社群廣告看誰在猛投、上架平台看別人賣多少。這些方法都不算錯，但它們共通的毛病是——只看到拼圖的一角，而且全靠人力去蒐集、去判斷。
一個再勤勞的選品負責人，能同時盯緊的品類、市場、競品數量都有天花板。等他把資料整理完，市場風向可能又換了。更致命的是，這些方法多半是事後驗證：商品上架賣了一段時間，你才知道自己選對還選錯，而那時候庫存早就壓下去了。我在看流量與商品數的變化時，最常見的崩壞就是這種——某個品項衝了兩週就熄火，倉庫裡卻備了三個月的量。
選品真正的成本從來不是進貨金額，而是機會成本加庫存風險。選錯一檔，賠掉的不只是這批貨，還有本來能拿去推爆款的行銷預算與通路檔期。AI 選品要解的，正是「在下注之前，盡量把不確定性算清楚」這件事。
AI 改的是選品的哪一段：三個切面
與其問「AI 有多強」，不如把它拆成三個切面，對應三種傳統痛點。
一、需求預測：進貨前先看見買氣
這是最直接的一層。現在的需求預測工具，能把歷史銷售、季節性、搜尋趨勢、社群聲量整合起來，用機器學習預估一個品項未來的買氣強弱。對品牌最實際的用處，是決定備多少貨、什麼時候備、備哪個規格。我在替品牌做代營運時，最常拿這層來判斷「進貨節奏」——一個會紅的品項，紅多久、什麼時候退燒，直接決定你該一次大量進貨壓成本，還是分批試水溫。AI 把這條買氣曲線先畫出來，庫存決策的品質就差很多。
我特別想強調「節奏」這兩個字。同樣一個會賣的品項，判斷它是長青款還是一波流，採購策略天差地遠。長青款可以放心備量、把單位成本壓到最低；一波流則要嚴守分批、寧可缺貨也別壓到退潮。傳統做法只能等賣完一輪才回頭看，AI 則能在你下第一筆採購前，就把這條曲線的形狀大致描出來——這不是要你盲信數字，而是讓你在下單當下多一個對照的參考。
二、市場與競品：輸入關鍵字就看清戰場
更進階的工具，只要丟進產品關鍵字或商品編號，就能拉出這個品項在台灣、美國、日本等不同市場的需求量、銷售表現、競爭強度與定價區間。這層最值錢的地方，是幫你避開即將飽和的紅海。很多品牌一看到某品類熱賣就想跳進去，但數據會告訴你：這個市場現在有多少賣家、價格戰打到見骨了沒、新進者還剩多少利潤。同一支登山水壺，在 A 市場可能是一片血海，在 B 市場卻還缺貨——這種跨市場的落差，人工一個一個查幾乎做不到，AI 幾分鐘就攤開給你看。對做跨境或要把海外商品引進台灣的團隊，這層尤其關鍵，它能在你砸下翻譯、報關、行銷之前，先回答最該問的問題：這個品項在台灣到底有沒有市場。
三、AI 購物代理：選品邏輯反過來服務消費者
選品不只是品牌端的事。這一兩年冒出來的 AI 購物代理，能結合視覺辨識與推理，代替消費者比價、挑選甚至下單；語音助理也開始依購物偏好做個人化推薦。更貼近體驗的，是 AI 用「愈問愈細」的方式幫人選物——消費者說想找登山鞋，AI 不會丟一堆結果，而是追問預算、季節、高筒低筒、顏色偏好，問得愈細，推薦愈準，成交意願也愈高。
這對品牌是個很現實的提醒：當挑商品的不再只是人、還包括 AI 代理，你的商品資料結構化程度會直接決定能不能被選中。規格、適用情境、材質、尺寸這些欄位填得清不清楚，過去影響的是消費者體驗，現在還會影響 AI 讀不讀得懂你的商品。商品頁的結構化資料，正在從「影響體驗」升級成「影響曝光」。
傳統選品與 AI 輔助選品，差在哪
| 面向 | 傳統做法 | AI 輔助 |
|---|---|---|
| 判斷時機 | 事後驗證，上架才知道對錯 | 事前預估，下注前先看勝率 |
| 覆蓋廣度 | 受限人力，同時盯不了幾個市場 | 多市場、多品類並行掃描 |
| 紅海判斷 | 憑印象，容易跟到末班車 | 量化競爭強度與利潤空間 |
| 庫存決策 | 憑感覺抓量 | 依買氣曲線抓量與節奏 |
| 最終拍板 | 人的經驗 | AI 縮小範圍，人做決定 |
重點不在右邊那欄取代左邊，而在兩欄合起來——讓 AI 負責規模化的排除，讓人負責在地化的決定。我看過不少品牌把這張表理解反了，以為導入工具就能「自動選品」，結果把 AI 的初篩結果直接當成採購清單，連供應鏈拿不拿得到貨都沒確認就下單。工具給的是候選名單，不是決策本身，這個界線一旦踩過去，數字再漂亮都會反咬你一口。
我實際跑一遍 AI 選品的四步
工具再強，用不對照樣白搭。以我實際操作的經驗，AI 選品要出效果，通常走這四步。
- 第一步，先框戰場。別一開始就把一堆關鍵字丟進工具。先想清楚要進哪個市場、面對哪群人、價格帶落在哪。範圍框得愈清楚，AI 給的分析愈有參考價值。
- 第二步，用 AI 做初篩。靠需求預測與競爭分析，把品項從幾十個砍到剩幾個，淘汰掉需求不足、紅海太深、利潤被壓到見骨的。AI 在這裡是「快速排除」，不是「幫你拍板」。
- 第三步，把數據對齊你的真實條件。AI 算出某品項利潤很好，你得追問：這利潤建立在什麼進貨成本上？你的供應鏈拿得到這個價嗎？物流、關務、退貨算進去了沒？很多漂亮數字，套回真實營運條件就縮水了。
- 第四步，小量試單再放大。預測再準也是機率，市場真實反應要靠實單。先用小批量、小預算驗點擊、轉換、回購，數據對了再加碼。
一個匿名案例：明星商品不一定是你的開路先鋒
分享一個匿名案例。我曾看過一個海外居家生活用品品牌想進台灣，團隊信心滿滿地鎖定一款在母國賣到翻的明星商品。但把它丟進選品分析後發現，這品項在台灣的同類競品已經多到爆、價格戰打得兇，新進者幾乎無利可圖；反倒是他們產品線裡一個自己都不看好的冷門配件，在台灣搜尋需求穩定成長、競品稀少、定價空間充裕。
後來的做法，是先用這個冷門配件當開路先鋒，小量試單驗證轉換確實不錯，靠它把品牌名先打進市場，再回頭帶動主力商品。如果一開始就照直覺把資源全壓在那款明星商品，很可能在紅海裡耗光預算還打不出聲量。這就是 AI 選品最值得的地方：它不保證告訴你哪個一定會爆，但它能幫你避開明顯的坑，把有限資源放在勝率較高的地方。
選品工具有三種取向，別迷信單一神器
我要提醒的是，市面上的選品工具各有取向，別指望一套包辦全部。大致分三類：
- 特定通路的賣家工具：主攻某大型跨境拍賣通路，提供選物分析、銷售預測、關鍵字研究、競品追蹤，貼著單一平台的生態。
- 純數據分析預測平台：強項在自動化建模與買氣評估，跨品類、跨市場的預估能力較全面。
- 市場動態與定位探勘工具：專注在趨勢偵測與產品定位，適合找切入點與差異化。
沒有一套能全包，搭配使用、交叉驗證，遠比迷信單一神器實在。這也是我在 ECPRO 觀察數據時一貫的態度：任何單一來源都有盲區，重要的是把多個訊號疊起來看。
AI 選品的三個地雷：別把預測當成保證
AI 選品很方便，但我在實務上踩過、也看別人踩過不少坑，這裡講三個關鍵。
- 資料的乾淨度是地基。AI 的判斷品質，取決於餵進去的資料乾不乾淨、全不全、新不新。來源有偏差、時間太舊，預測就會失真。用工具前，先搞清楚它的資料哪裡來、多久更新一次。
- 捕捉變化的速度要跟得上。趨勢會跑，尤其社群帶動的品類，一週前的熱門這週可能已退燒。工具的檢索與更新頻率符不符合你的節奏，是很容易被忽略的一點。
- AI 給方向，人做決定。這是我最在意的一條。AI 擅長處理規模化資料、找出人眼看不出的模式，但它不懂你的供應鏈底細、品牌調性，也不懂只有在地經營才知道的眉角。最好的用法，是讓 AI 縮小範圍、排除明顯錯誤，最後拍板留給人。把預測當保證，遲早吃虧。
說到底，AI 是放大器：它會把一個懂市場的團隊放得更強，也會把錯誤的判斷放得更快。工具會愈來愈強，真正的差距落在「會不會用、用得對不對」。我在替品牌做代營運時，花最多力氣的從來不是導入工具，而是建立一套「AI 初篩加人工複核」的流程，讓數據與經驗各司其職。
結語：選品從賭運氣，走向算勝率
AI 不會讓選品變成穩賺不賠，但它確實把選物從「賭運氣」推向「算勝率」。從需求預測、跨市場競品分析，到 AI 購物代理改寫消費者選物的方式，每個環節都在告訴品牌同一件事：在下注之前，你能掌握的資訊比過去多太多了。真正拉開差距的，不是誰買了最貴的工具，而是誰建立起「讓 AI 算、讓人決定」的選品流程，並且願意用小量試單驗證、用真實營運條件校正。把這件事做扎實，選品就不再是壓力最大的那一關，而是你最有把握的起跑點。