需求预测一直是企业关注的重点，企业越了解自身的需求与库存，越能掌握产品的生产过程及产量。国际调研机构Gartner指出，企业以需求导向做决策，平均可降低15~30%的库存成本，还可增加1~3%的毛利率。供应链从生产端到销售端，只要能够提升对需求的精准预测，就可帮助管理阶层进行决策，达到更好的成本管控。

在众多产 业中，食品业最在乎销售预测，由于食材、原物料效期短、耗损率高，生产者与供货商经常以人力经验法则预估采购量，再决定供货量，来降低食品耗损成本。在供货与耗损的考量中，一旦预估不准，形成生产过剩，就会造成食品的腐坏与浪费；生产不足则造成缺货，减少收入，导致客户订货困难，甚至间接产生物流难题。因此，食品预测已成为企业亟待建立的能力，在原本的供需上，增加流通服务的稳定性与规模，能够更好地掌握先机，降低无效成本。

供应链供货考量因子与流程

由于长期以来企业缺乏对数据的合理使用，即使导入现成的库存管理系统，也无法使历史数据发挥出价值。随着AI应用的普及，以人工智慧与机器学习技术为基础，预测供应链需求，并建立更精准的需求预测模型，是企业值得思考的方向。例如，雀巢拥有上千种商品，为了提升商品销量，进行预测精准度，将总体经济、季节变化、客群需求，以及商品促销等皆放入统计模型中，其运行结果提升了9%，既降低了库存成本，也为商品提供了更佳的保鲜期。

在AI食品供货预测模式中，可分为供货量预测模式及供货组合规划模式，供货量预测模式分别考量了供应链中的供货预测因素与商品订货因素，协助供应链中生产端、物流端、渠道端等不同角色，预测各自的供货量；供货组合规划模式用于规划分析历史订单组成结构，取得单品之间的共购相关性，以协助物流仓储及渠道商设计销售组合与仓储空间。

供货量预测模式满足新型态的食品供货服务

从上游生产端来看，考量食材的单价与订购量的趋势，以天气、季节、促销活动与节日等因素（下文简称：四大因素）进行订购量预测。接着以订购量预测结果与预期产能进行比较，预测是否会缺货或是过剩，进行商品替换或寻找新渠道。

从物流仓储端来看，仓储能够以历史出货量为预测基础，以四大因素进行出货量预测。接着以出货量预测结果为基础，以安全库存天数、最小订货量决定备货量。配送则以历史收货量为预测基础，辅以四大因素进行收货量预测，预先进行物流的调度，尤其在特殊时期下，提供最佳的运输安排。

最后，从下游渠道来看，针对不同的渠道，以历史销售量为预测基础，以四大因素进行销售量预测。接着以销售量预测结果为基础，辅以安全库存值、最小订货量，来决定订货量，通过系统演算为每个渠道需求提供建议。

上述供货量预测模式整合下游客户及上游食材供货商，通过后续的补货、生产、采购、物流等各环节作业建议，使整个供应链服务精度大大提升，满足新型态的食品供货服务，达成稳定的供货目标。

供货组合规划模式设计商品销售组合提高销量

供货组合规划模式是依照历史订单资料设计订单或餐点供货组合，需要考虑单品间的搭配与共购率，设计最合适的组合，其中，物流仓储端通过分析历史订单结构，取得单品间的关联性，并在仓储空间内将关联商品放置于邻近区域，在仓储检货时，可大幅提升出货效率；渠道端则通过分析历史订单结构，取得单品间的共购率，协助企业设计最合适的销售组合，提高促销量，亦可建议企业在采购商品时，作为附加采购商品的参考。

常见做法与AI平台做法的差异

AI食品供货预测模式给企业带来诸多改变，对于销售端而言，结合历史订单预测未来市场需求量，可提前掌握客户的喜好进行食材供货，或者设计供货组合，协调市场供需，让供货商提前进行商流准备；对于物流端而言，则可通过货品进出仓分析货物进出动态，提前了解客户需求进行仓储与运输资源的准备。

结合云平台发展以AI为基础的食品供货预测模式

传统供货预测依赖人员的经验与人工计算，耗时费工；食材供货预测系统主要结合人工智能、商业分析与云计算等技术，针对内外部特征，应用资料处理与机器学习等技术建立需求预测模型，可同时进行上千种品项资料的分析，协助作业人员加快预测速度，即时引导后续的补货、生产、采购、物流等活动，提高供应链服务精度。

食材供货预测系统

应用食材供货预测系统量化预测运算因素的影响程度

在食材供货预测系统中，在运用企业内部的历史订单资料（如：渠道型态、渠道点、历史出货量、促销、价格）外，亦可将外部资讯（如：天气、季节、疫情状况、节假日）纳入预测运算考量，取代人工运算或是人员经验值，降低人工误判机会与人员计算时间。AI需求预测是未来的主流趋势，精准的需求预测不仅可满足使用者需求，了解商品是否满足市场期望；同时可降低企业营运成本，避免过量采购及生产所造成的存货成本、管理成本问题，达到更精准的备货。此外，可协助物流端了解运输需求波动，提前准备储运资源。