驚人的AI需求預測：從庫存控管、新品開發到找出商機，用AI精確預測提升銷售的13個方法(電子書)

AI需求預測是企業提升競爭力最新的突破口

使企業降低30%的庫存成本，增加3%毛利率的關鍵技術

不管是製造業、零售業、科技業和各行業都能扭虧為盈、突破停滯、再創高峰

當AMAZON 、麥肯錫、家樂福、全家 皆相繼搶入智慧商業模式

用AI創造高銷售額的時代到了！

★★ 全面解析企業實際案例，第一本理解「AI需求預測」的實務與思維。

★★ 過去已無法再提供精準數據，導入AI提高營運效率，才能減少影響銷售的所有屬性。

 國立臺灣大學資訊管理學系 李家岩教授 專業推薦

我撰寫本書的目的，是為了在不確定性增加的商業環境中，幫助各個職種、階層的商業人士理解並培養需求預測的技能，藉此創造出新的商業價值。AI需求預測不是傳統調查或數據分析，而是能夠從需求相關的數據感知，到根據預測結果解讀並做出避險提案的技能。

什麼是需求預測？

「需求預測」就是「預測未來需求」，需求指的就是被視為必要的事物。這個概念不僅適用於物品，也適用於服務；我們在購物時，總是邊衡量物品是否會腐壞或長期占據空間，邊估算需要的數量。這就是需求預測。

以製造業為例，製造業需要評估3、5個月後的市場需求，依此向上游廠商訂料、向工廠下單製造。倘若預測的需求過多，會導致大量商品滯銷造成浪費，但如果預測過少，又會錯失賺錢機會，因此準確的需求預測非常重要。

過往中，需求預測本只在供應鏈管理和行銷上做討論。這本書的主旨在於企業導入AI，將需求預測的範圍擴大，更能影響營收和管理決策。

以AI預測需求可以降低成本、控管現貨、提升營利，除了是做好供應鏈管理的第一步，也將產線和倉儲管理、總經、氣象、客群喜好、促銷等所有變因縮到最小，並且精準掌握消費者的動向，以及市場的變化。

作者簡介 山口雄大Yamaguchi Yudai
NEC AI．分析事業總部需求預測技術傳教士。於青山學院大學擔任兼職講師（Supply Chain Management）。YCP Solidiance需求預測顧問。
畢業於東京工業大學社會理工學研究科，早稻田大學經營管理研究科。在資生堂股份有限公司負責各種化妝品品牌的需求預測，曾擔任S&OP團隊經理，現任職於NEC。日本物流系統協會「將SCM與行銷結合！需求預測的基礎」講師。在《Journal of Business Forecasting》（Institute of Business Forecasting & Planning）等刊物發表需求預測的論文。
其他著作包括《新版 一本就搞懂　需求預測的基礎》（暫譯，日本實業出版社）《需求預測的戰略與活用》（暫譯，日本評論社）《全圖解　製造商的工作》（暫譯，合著，Diamond社）等。

譯者簡介 林詠純

專職日文譯者。譯有《聲音經濟》、《關於人生，我這樣投資》、《半工作半退休的微FIRE理財計畫》等書。

前言　需求預測創造未來──足以左右所有商業情境未來發展的技能

為什麼鐵路時刻表會用到需求預測

只靠數據分析無法預測消費的時代

行銷、業務與經營管理不可或缺的技術

從13個案例來看「需求預測的價值」

第1章　為什麼現在需要需求預測

──VUCA時代必備的商業技能

1-1 SCM是什麼？

為什麼Amazon的商品隔天就會送達

影響供應鏈的需求預測

連結需求、供給與經營

負責需求預測的是誰

1-2 需求預測原來這麼有趣！

最具代表性的3種概念

難以掌握的「第二次商機」

預測多久以後、多長時間單位的需求？

全世界的預測水準

1-3 疫情？地震？緊急時的預測對策

疫情前的預測數據無法使用？

情境分析是處理不確定性的對策

為了敏捷地更新預測而活用AI

提高供應鏈恢復力的需求預測

第1章重點

第2章　預測AI顛覆商場上的慣例

──人力預測的能與不能

2-1　決策占了商業需求預測的9成

春天只有反應春天心情的商品才會暢銷

預測是「用腦的活動」

「今年銷售一空」，明年的需求會增加嗎？

透過認知科學考察預測錯誤

防止預測認知偏誤的思考法

2-2　開發預測AI

AI的優勢

預測AI可以創造價值的領域

成功實現商品訂購自動化的食品超市

累積符合商業課題的數據

利用專家的默會知識設計AI學習資料

2-3　活用預測AI時的注意點

AI否定行銷？

AI模仿不來的「商業技能」是什麼

從預測評估商業風險

商業人在「AI創造的時間」該達成什麼目標

2-4　利用預測AI創造未來

克服物流危機的祕密策略

提高配車計畫的精確度，削減多餘的輸配送

更小規模、更快速度的預測

食品業界CPFR的未來預想圖──廠商之間共享資料，

彼此「合作」

第2章重點

第3章　全球新知帶來需求預測的革新

──提高組織之間的協作力

3-1　解決業務部門與製造部門的衝突

結合彼此的智慧創造出新點子

在各個業界都能看見的組織間衝突

透過代理人理論思考的組織課題

解決道德危險的2個切入點

3-2　驗證！利用比利時模型診斷預測力

提高預測精確度的驅動力

缺乏中長期視野的「日本企業預測力」

不同組織類型的預測改革

引領改革的專業見解

3-3　超越數據的直覺

為什麼明明蒐集許多數據卻預測失準

直覺超越數據的情況

重點在於重現性高的流程

需求預測的直覺

第3章重點

第4章　利用需求預測勾勒出未來的商業模式

──創造超越預測的需求

4-1　控制供需的模型

從重視效率轉變為重視持續性的庫存管理

有計畫的庫存──理想的庫存計畫模型

實際產生的「應設想庫存」

設計控制供需的行動

4-2　預測對象從商品到顧客

隨感測結果改變的需求預測

統計的觀點能提高預測精確度

從個數預測到機率預測

提高ROMI的AI預測

4-3　創造「未來消費」的需求預測

預測改變未來

與其磨練數據分析不如動起來！

超越分析的敏捷性

是否能敘述有說服力的故事

第4章重點

結語　Forecasting ERRA的黎明

注釋

行銷、業務與經營管理不可或缺的技術

在如此嚴苛的商業環境變化中也能看見一絲光明。那就是技術的進步。除了消費資訊之外，現在還能夠近乎即時地（near time）取得消費者的屬性、生物辨識資訊、當時的情緒等各種數據。而能夠儲存這些大量資訊的基礎設施也逐漸完備，甚至連能夠分析這些數據並協助人類進行決策的AI（人工智慧）工具都登場。

由於需求預測與不受規則束縛的行銷及顧客心理密切相關，如果只導入AI也無法提高準確性。但如果是熟知市場與顧客的專業人士，就能在商業中巧妙地運用AI，即使在VUCA環境中也有辦法創造出新的價值。實際上，二○一七年實施的海外調查也顯示，AI將是二○二五年需求預測第一名重要技術。

企業的需求預測，一直以來都被視為是產品製造、原料及材料的調度，以及將其運往零售商店及消費者的物流等企業供應鏈的啟動器。因為企業也能夠根據需求預測，安排工廠人員和物流中心的貨車等。

但如果除此之外還能夠取得消費者的意見、行銷的效果與競爭對手的資訊，並透過AI等工具分析其複雜的關係，需求預測就具有從新的面向協助企業經營的可能性。

需求預測針對每一項商品分別進行。換句話說，如果能夠敏銳地（agile）反映市場變化，就能掌握市場正在變動的是哪個類別，還能以數字來量測其程度。

舉例來說，口罩的使用因為疫情關係而變得日常，口紅的市場規模也隨之縮小，但因為進行了個別商品的需求預測，所以能夠知道不易沾附於口罩的霧色口紅，或是以保溼為主的淺色護脣膏，需求量並沒有掉得太多。

除此之外，也能夠以區域、品牌、類別等為單位，預測銷售額和利益率。如果預測的結果偏離企業設定的戰略、銷售額計畫的目標等，甚至能夠在季報等業績報表出來之前，評估是否要採取一些修正軌道的行動。同時也能站在經營管理的角度考慮重新分配成本，使獲利目標更容易實現。

換句話說，需求預測不僅能夠應用在過去所認知的商品供應及「供應鏈管理」（SCM），也能應用在更貼近市場的行銷與銷售，甚至是經營管理與財務等企業核心領域的決策。

只不過，這需要一定程度以上的預測精確度與全新思維，不是只提出一個數字，而是需要擬定多套劇本，藉此避開商業風險。

需求預測傳統上需要統計學的知識與數據分析的技術。但為了在VUCA的環境下協助企業做出經營決策，引導技巧也同樣重要，必須要能參考各個利益共享者（stakeholder）的使命與限制，依此主導議論。

日後的需求預測將以掌握對數據的主導權為目標，除了主動蒐集市場和客戶相關的數據並試圖解釋其背景之外，也必須負起說明的責任，簡單明瞭地向利益共享者解釋預測的根據，取得包含經營層在內的信賴。

而需要培養出這種需求預測技能的，不是只有SCM的專業人員。

● 負責擬定商品開發案或行銷宣傳案，以提高投資報酬率為目標的行銷人員
● 掌握負責區域與對口客戶的需求，以擴大銷售額及利潤為目標的業務負責人
● 根據預估利潤分配成本，以投資最佳化為目標的經營管理人員
● 調整業務、行銷、SCM之間的平衡，帶領企業邁向成長的事業營運負責人

需求預測逐漸成為這些負責事業各領域的各職位、階級所必須具備的技能。

最具代表性的3種概念

接下來將介紹，如何在不確定性增加的商業環境中，提升需求預測的精準度，其中也包含必要的技能。但在此之前，必須先解釋需求預測的基本概念。

了解需求預測中包含哪些方法論、必須利用什麼樣的指標管理，就更容易思考其戰略性的應用。

SCM的全球標準知識體系，由美國名為APICS／ASCM的組織所建立。本 書引用的專業術語，也來自APICS發行的詞典的對譯版。此外就我所知，Institute of Business Forecasting & Planning（IBF）這個組織蒐集並傳播了最多關於需求預測的知識，其中包含了許多耐人尋味的商業現場需求預測調查，本書也不時會引用。

話雖如此，本書所聚焦的內容並非需求預測的理論解說，這些理論儘管當成參考文獻介紹，詳細內容還是必須參閱原著，或是參閱以需求規劃師為對象撰寫的拙作。

需求預測的方法論，大致可分成三種。

第一種是根據過去連續性的數據變化進行預測，稱為「時間序列模型」。這種方法認為，過去發生的事情也會影響未來，舉例來說，「我喜歡這項商品，所以會再次購買（或使用服務）」，或者「最近流行這個，我也買來試試」等，換句話說，這種方法預測的是顧客的心理與行為。反過來看，「這個月已經買了，下個月就不需要」這種對未來的需求帶來負面影響的心理與行為也同樣能夠預測。

知名的需求預測古典模型「ARIMA模型」，也可以解釋成反映上述心理與行為的模型。

第二種是根據需求原因進行預測的「因果模型」。時間序列模型中的過去數據也可視為原因，因此也可將時間序列模型想成是因果模型的一種。由此可知，需求預測的模型區分可看作是粗略的分類。

以書籍為例，需求受到作者的人氣、主題的魅力、價格、書店的配貨、書腰的訴求力、封面的設計力、出版社的品牌力、「前言」的吸引力和衝擊力、口碑等多種因素的影響。將這些因素以模型化的公式展現就是因果模型。

時間序列模型中的過去購買行為成為原因，就這層意義來看，可能更適合預測需要反覆購買的消耗品與食品等商品。至於因果模型，則適合用來預測書籍或外出服等，通常每個人只會購買一次的商品種類。當然，因果模型也能有效地應用在預測消耗品的需求，其具體的應用方法也會在本書的各個章節介紹，總而言之，想像消費者在需求背後的心理與行為，並建立預測模型非常重要。

第三種模型稱為「判斷性模型」，主要靠人為判斷。某家由明星社長率領的通信販賣企業，行銷人員與業務人員齊力合作，致力於實現社長一聲令下所決定的銷售額目標。這也屬於預測模型的一種，命名為「Jury of Executive Opinion」（編注：主管意見法）。先不論名稱，像這種將由上而下的目標，或是業務負責人的業績目標視為需求預測的企業也不在少數。

當然也有更符合科學的判斷性模型，但這些模型的主觀性很高，根據也往往不夠清晰。但反過來看，其優點就是只靠少量數據也能進行預測。在資訊不確定性高的市場，這種模型所創造的價值，可能比精細的數據分析更高，也開始有人發表這樣的研究結果。

難以掌握的「第二次商機」

基本上，過去數據的分析對於任何一種需求預測的模型都很重要，即使是基於人為判斷的預測，所根據的也多半是預測者過去的經驗。

然而在商業領域中，只靠數學和統計學客觀地延續過去的數據，往往得不到高度精確的預測結果。有些人一聽到學習需求預測，就期待學到ARIMA模型或機器學習等複雜的方程式或演算法，但實際上，這些並不是商業領域的需求預測本質。了解概念固然不錯，但更重要的是，在理解消費者心理和購買行為、企業的行銷策略和競爭對手的反應、以及經營戰略的目標與方向性等要素之後，以此為基礎解釋需求預測並善加利用。

開頭舉出了服裝品牌作為例子。疫情導致遠端工作急遽增加，家居服的需求量擴大，使得該品牌因此而幸運地推出了熱賣商品。

該品牌於是得意忘形，在下一個夏天又推出了新款家居服，但這次卻滯銷了。原因之一是，競爭對手也把握住這個機會。商場上的第二次商機往往會落到別人手上。對於大多數的服裝品牌來說，製作能夠在家穿的舒適工作服不是什麼難事。這可以用管理學家巴尼（Jay B.Barny）的資源基礎觀點（Resource Based View）來解釋。

巴尼提出了企業利用內部資源解釋其競爭力的VRIN框架。倘若企業所擁有的資源具有以下特徵，就能產生高度的競爭力：

● 具有價值（Valuable）
● 具有稀少性（Rarity）
● 不易模仿（Inimitable）
● 無可替代（No substitutable）
 
就開頭的案例來看，如果使用競爭品牌無法輕易模仿的技術或材料，製造出舒適的家居服，那麼就有可能在下一個夏天也製造出熱門商品。

尤其在進行新商品的需求預測時，重要的是不能只憑當下的創新性進行評估，還必須考慮是否能維持中長期的競爭力。因此反過來說，如果競爭品牌使用類似的技術或材料製造出夏天用的家居服，就會對自家的銷售額造成負面影響。

進行需求預測時，不能只就過去數據進行統計上的分析，還必須想像這些數據的背景，譬如目標消費者有什麼樣的需求、自家公司的促銷活動是否遭到競爭對手嚴重反擊、是否能夠持續提供足以與之匹敵的價值等。這就是商業領域所需要的需求預測技能。

當預測者能夠將對於需求背景的想像與過去的數據在自己腦中結合，並將其使用於預測新商品的需求時，才足以稱得上專業。我開發出一種預測模型，能夠將這種默會知識（Tacit knowledge）轉化成外顯知識（explicit knowledge），並發表於IBF的期刊上，關於這個模型將在第3章介紹。