疫情再襲零售業的備戰之道:如何提高需求預測準確度?

對零售業來說，現今最重要的事，就是增加營收、降低因為疫情而造成的業績衝擊。然而要實現這個目標，光靠發放折價卷或提供購物優惠等方式還不夠，零售業必須從根本做起，提高需求規劃的精準度，才能真正從疫情衝擊中恢復，並建立日後若再面臨類似衝擊時，可以從容應對的能力。

掌握疫情帶來的 New normal，提高需求預測準確度

從消費端來看，疫情令消費行為產生了許多改變。舉例來說：抗菌消毒或醫療用品需求快速成長；因為居家自炊比例增加，帶動可保存食品、生鮮食品、即食品的需求上升；購物通路從實體店面走向線上商店。

知名人工智慧解決方案供應商SAS，其台灣業務顧問部副總經理陳新銓認為，這些不一定是臨時的變動，有些改變可能會變成一種永久的消費行為，例如：口罩也許會變成家庭常備品，零售業在進行需求預測時，如果沒有考量到這些新的消費常態（new normal），就會變得難以「預測」未來的消費需求，更無法準確地進行供應鏈規劃，包括訂貨、庫存管理與物流，也就容易出現資金積壓在庫存、消費者買不到商品等問題。

因此對於零售業與快消產業（FMCG）來說，關鍵挑戰在於如何預測需求，並且應用人工智慧與機器學習技術，將消費需求的劇烈變動納入預測過程中，提高預測及供應鏈規劃管理的準確度。

某法國大型零售商，原本有一套需求預測系統，卻因為疫情影響，造成通路實際銷售狀況與預測結果有很大的落差，尤其像衛生用品、醫療用品、生鮮食品等商品，需求落差更明顯。因此該零售商疫情發生後決心找上SAS導入機器學習模型，由人工智慧來學習「預測不準確的地方」，並將結果回饋給原始預測系統，如此一來，不只解決舊有預測系統無法應對劇烈變動的困擾，更能藉由結果自行反饋的方式，讓預測系統持續學習、優化預測精準度，目前初步驗證需求精準度將可達90%以上。

突破Excel線型基準盲點 加速打造AI 需求預測模型

只可惜到目前為止，台灣許多零售業仍然利用Excel表格進行銷售預測。其做法是將過去交易數字匯入 Excel 試算表中，使用平均值或是同期推估，再根據今年的業績目標，以巨集或數學運算式產出未來的需求預測，管理階層再依據經驗法則進行人工微調。

陳新銓表示，這種做法的問題在於，很難量化各「事件」的影響程度，也看不出異常的歷史資料、或是忽略地理因素，如分店人口結構等所造成的影響，導致需求預測結果不精確。

而人工智慧可以克服傳統 Excel 潛藏的問題。陳新銓指出，一個好的 AI 需求預測模型，首先要匯入銷售和庫存歷史記錄，讓模型學習時間趨勢的變化。

第二則要建立事件資料庫，讓模型瞭解歷史趨勢變化，除了固定節日促銷活動，還有偶發促銷事件，包括在什麼時間、針對哪些產品、規劃了什麼樣的促銷活動，重點是將所有影響消費需求的事件紀錄下來，模型可以在特殊事件的前後如疫情初期瘋搶衛生紙與米糧等狀況，透過產品與地理位置資訊，了解消費者偏好。

而在時間和事件之外，其他可再納入的外部資料還有：線上商店流量以理解線下線上轉換情形、經濟指標與總體市場趨勢、失業率、油價、社群媒體的網路口碑與情感分析結果，就新冠肺炎疫情而言則還有案件數量與基本傳染數（R0）。

圖：以時間序列技術納入各事件資料庫，建立更完備預測模型

尤其新冠肺炎相關資訊全球都還持續累積，零售業者如能在疫後也整合回溯過往資料，這些珍貴的數據都將是第二波大流行或是類似偶發事件的預測基石。也可透過預測模型，產生出各程度衝擊的最佳與最壞情境模擬，加速決策者於日常營運的因應策略。

Why？將疫情視為契機，完備轉型體質

隨著數據經濟時代到來，數據應用能力，是企業建立競爭力的關鍵要素之一，陳新銓建議，台灣零售業應趁著疫情之際，啟動數位轉型藍圖，導入 AI 解決方案或相關工具，用好的工具彌補資料科學家的人才缺口，並在企業內部建立數據分析文化。

尤其目前AI技術愈趨平民化，像提供視覺化操作介面、分析流程自動化等優勢，即便是不具 IT 背景的行銷或是採購部門也能輕易上手，不必自行寫程式、建模型 ，只要專注維護事件資料庫及商品品項，發展應對存銷貨策略就可以。陳新銓強調，新冠肺炎疫情看似總會結束，但其實已揭露零售業高度仰賴人工經驗值的盲點企業應藉此機會建立「將分析融入日常營運」的決策文化，取代過往依靠專家經驗的模式。才能差異化成本管控策略，真正地做到化危機為轉機。