讓 AI 入魂，精準預測你的需求與庫存！

作者:SAS Taiwan
原文刊登自:TechOrange 科技報橘

AI 人工智慧、機器學習等新興應用的風潮帶動下，越來越多企業主開始關注如何利用更科學的方法對銷售或生產環節進行預測。當預測愈精準，企業對於「時程」與「需求」的掌握程度愈高，即愈能在企業競爭中搶佔先機。

近來企業開始關注以「時間序列」為基礎的「需求預測」技術：透過多維度的歷史資料分析並建立模型，藉此對未來可能的結果提出預測，是此技術的基本定義。最大的效果就是可以協助管理者在激烈的產業競爭下，做出以「需求導向（Demand-Driven）」的決策，達到更好的成本控管。據國際研究機構 Gartner 指出，企業以「需求導向」做決策，平均可降低 15 ~ 30% 的庫存成本、提升 15 ~ 30% 的現貨可用性，還可增加 1 ~ 3% 的毛利率!

全球數據分析領導廠商 SAS，台灣業務支援部副總經理陳新銓提出觀察：「台灣目前包含製造業應用在維修備料預測、能源業在原料價格預測以及零售業在供應鏈管理上，愈來愈多業者開始意識到過往報表系統已不敷需求，希望以 AI 技術為基礎，建立更精準的『需求預測（Demand Forecasting）』模型。」

Excel 做 BI 分析，你的員工真的能提供精確數據嗎？

到目前為止，仍有許多企業做銷售預測是將過去交易數字匯入 Excel 試算表中，透過撰寫巨集或程式以產出未來的預測，管理階層再依據經驗法則進行人工微調。

這樣的做法往往會碰到以下困擾。首先是資料源，若產品品項的資料過多， Excel 無法一次預測，必須拆成多次處理。且許多如市場行情、季節與行銷活動等外生變數或客群屬性等都將影響銷售，而這些都無法納入 Excel 做預測，只能靠人為判斷事後加入。

其次是關於模型， Excel 通常只能透過過去三個月的平均、去年同期的推估，或以上兩者做一平均來算出一個值，模型種類太少。至於模型比較或歷史資料與新資料的比較，在 Excel 都需要靠另外寫程式才能做到，還會面臨 Excel 跑大量分析的效能問題，並造成前線分析人員多工耗時作業困擾。

最後關於管理功能方面，使用 Excel 通常是各個人員依照各自負責的品項分別去做預測，形成各自作業各自控管，且下個月檢討預測是否精準時，往往看到的是經過人為微調後的數字，所有的微調可能都未能留下記錄。這樣的狀況導致跑出來的分析預測，不一定能符合企業管控的期望，連帶造成管理階層無法全方位掌握第一線狀況。

陳新銓補充：「從資料源、模型種類、模型比較到最後預測結果與管理，可以看到現行系統仍相當程度的仰賴人力介入在結果微調或程式撰寫上，突顯了產業對『自動化』預測系統的渴求，企業想要更迅速且降低人為主觀因素的策略建議，讓工作重點聚焦在產出高價值的決策。」藉此，陳新銓也提出幾個 SAS 曾服務過的案例做說明。

案例一：美國本田在客戶還沒想到要維修前，就先準備好服務客戶了

引擎的製造、維修成本對製造業很高，若沒有精準的預測，備料多一些可能增加庫存成本，少一些又擔心缺料影響客戶滿意度。要達到這樣的預測，必須要回答的關鍵問題是「在哪個時間點，哪個維修廠，應該要準備多少料」？

為了務實控制生產管理成本，美國本田公司（American Honda Motor）希望能夠掌握客戶未來的需求會在何時發生，因此尋求導入預測技術，將 1,200 個經銷商的客戶銷售與維修資料建立預測模型，推估未來幾年內車輛回到經銷商維修的數量，這些資訊進一步轉為各項零件預先準備的指標。該轉變讓美國本田已做到預測準確度高達 99% ，並降低 3 倍的客訴時間。

了解「如何以需求，達到更有價值的決策擬定」>>> 下載報告書

案例二：老字號品牌 Levi’s，如何建立完善的供應鏈預測滿足全球百萬粉絲

零售業在個性化時尚時代，面臨銷售需求的極大挑戰。Levi Strauss & Co. 希望選對尺寸、定對價格、送對數量，符合各分店通路的需求數量和複雜程度需求，因此利用分析功能掌握數百萬名全球各地消費者的需求，以及客戶所在地區特殊性與購買行為，中途還透過單一視圖平台做全球各分部銷售預估策略的溝通，最終加入需求預測的技術做出商品規劃、鋪貨以及庫存計畫。

Levi’s 現今因受惠確保經銷商和批發商維持最佳庫存量，且有效掌握各地每種造型的需求量，每年為 Levi’s 全球的生產流程節省 1.75 至 2 億美元（約 52.5 至 60 億新台幣）。

案例三：雀巢 Nestle 如何同時掌握食品生產的多項變因？

沒有人比食品業更在乎銷售預測，因為這將影響原物料的採購量，且其原物料不似維修零件，一旦超訂過了保鮮期就只能銷毀。在雀巢有上千種商品，包含在製造廠的產線與人力配置、倉儲/物流中心運量，及廣大的銷售通路等，從生產到銷售供應鏈只要提升些微的精準需求預測，都受到管理階層關注。與雀巢的合作中，也將總體經濟、季節氣象資訊等時間序列變因納入，加上客群的喜好，以及商品促銷事件皆放入統計模型中。

結果，雀巢除了提升 9% 商品銷量預測精準度、降低庫存成本外，現在也能為商品保鮮期提供更好的估算。

「視覺化建模」與可擴充的「自動化」，部署需求預測的關鍵

其實目前需要大規模預測，或專業預測人員不足而需要自動化的所有企業，都已可仰賴 AI 技術做出更有效率的營運規劃。陳新銓憶及：「我們曾跟台灣某能源業者進行模擬專案，當時從歷史資料還有經濟趨勢看來，客戶內部各報告都顯示該能源價格會持續走低，只有我們力排眾議告訴主管預測模型顯示會回升。結果年底實際價格出爐，價格是上揚的，也促使客戶立即與我們合作並且指示內部投入相關分析資源。」但他也提醒：「評估預測技術前，企業最好留意選擇的技術平台是否具備『視覺化建模』與可擴充的『自動化』功能」。

往往對預測有需求的企業，會同時進行上千種品項資料的分別建模，因此技術平台最好能支援數十種演算法來建置多個時間序列模型，並且有擴充彈性來納入外生變數與偶發事件。此外，如系統能俱備情境模擬與試算驗證功能、自動化重新產出模型，預測能力也才得以真正發揮。陳新銓最終補充，視覺化使用者介面，也是不可忽略的要素，因為圖形化建模才可降低撰寫程式的時間成本，且能讓負責實際建立預測的分析師，到負責監督預測與規劃程序的經理人員及主管，以透明且可信任的數據做溝通，妥善部署企業的預測流程。