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「事件/變數」的影響程度，也看不出異常的歷史資料、或忽略地理因素，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還有案件數量與基本傳染數（R0）。

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？趁後疫情契機，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緩解之際，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。

延伸閱讀: 如何打造 AI 需求預測模型，預測與規劃未來消費市場需求?