食品零售門市 AI 建議訂購

門市補貨原本靠業務經驗判斷。我們在 GCP 建立數據中台，納入天氣、節慶與商圈等外部變數，以 Vertex AI 預測未來 14 天銷量，再換算成每間門市、每支商品的建議補貨量；AI 預測準確率達 87.77%。

背景與挑戰

• 連鎖通路門市遍布全台，各店補貨量多仰賴業務經驗判斷。
• 銷售受天氣、節慶、檔期活動與周邊商圈影響，靜態報表難以即時反映。
• 銷售與門市資料分散在地端兩套資料庫，缺少可供模型使用的整合資料。

我們的做法

依 Datas 的四步方法：先把數據打底，再交付應用，最後持續維運。

1. 數據盤點：整理 2021 年起的銷售、門市分級、店型、貨架數與檔期資料，並定義外部變數：中央氣象署天氣、農曆與節慶日、與周邊量販店及同通路門市的距離。
2. 建置中台：以 Cloud Data Fusion 每日串接地端 MS SQL（9 張表），以 Cloud Run 取得外部資料，在 BigQuery 建立 ODS → DW → ADS 三層架構。
3. AI 應用：以 Vertex AI AutoML 預測各門市、各品項未來 14 天的每日銷量；業務選定補貨天數後，系統對比庫存與滿排面，算出建議補貨量與庫存警示，並同步到業務 App 與 Power BI。
4. 維運優化：Cloud Scheduler 排程更新資料並重新預測；Power BI 預實差與特徵歸因報表持續追蹤準確率；以技術手冊與教育訓練完成技術轉移。

成果

• AI 預測準確率達 87.77%（預測與實際誤差在 1 箱以內），模型 R² 0.89、平均絕對誤差（MAE）0.18 箱。
• 自動預測未來 14 天各品項銷量；業務選擇補貨天數，就能看到每間門市的建議補貨量與庫存警示。
• 預實差與特徵歸因報表讓團隊看懂模型：近期庫存與前一日銷售是影響預測最大的因素。
• BigQuery 數據中台成為資料治理基礎，可擴大到更多商品與通路。

相關服務與延伸應用

• 預測與分群模型：本案核心，以 Vertex AI 預測門市銷量並換算建議補貨量。
• 數據中台與資料工程：BigQuery 三層式數據中台，整合內部資料與天氣、節慶、商圈等外部資料。
• AI Agent 流程自動化：可延伸為庫存警示自動通知業務，並彙整每日補貨清單。