用 AI 智能採購，上線我們自己的補貨管理系統

我們每天都在處理數百筆訂單、上千個 SKU 與超過 50 家供應商的採購與補貨作業。每週依賴 POS、PowerBI 加上 Excel 表單，不斷地比對銷量、庫存、計算進貨量，這些本來就是公司的基本功──但隨著品牌代理規模快速擴大，人工判斷下遺漏熱賣品或錯補滯銷品的情況，總是一次又一次在團隊裡被討論。大家都知道再下去不是辦法，所以當老闆嘗試自己做一套 AI 補貨建議系統。

採購作業的過去痛點

過去公司採購流程高度仰賴個人經驗。採購經理與 PM 各自用自己的判斷標準分析數據，補貨量的決策缺乏一致的依據。每次要補貨，都要從多個 Excel 檔案抓資料、人工歸納各品牌、通路的銷量，依賴人腦追蹤哪個 SKU 近況如何。品牌多了、通路多了、商品 SKU 達千件以上，這套方式很難再維持效率。其實團隊一直都知道這樣下去會愈來愈辛苦──再細心也不可能避免漏掉重點，尤其營收規模成長之後，壓力更大。

與此同時，市面上到處都在賣 AI Agent 解決方案，也有不少業界朋友參加“AI+零售”的各種軟體課程。但對公司來說，最常聽到的聲音不是“想要一套AI”，而是“這個AI到底會不會直接產生用得出來的建議、流程上大家真的能跟得上”。各種花俏的數據儀表板可以輔助決策，但從“洞察”到具有執行力的建議，才是我們最渴望的進步。這也是這次自建系統最大的立意基礎。

系統架構與設計思路

老闆帶頭，把過去在 Telegram 實驗的補貨 Agent 概念，轉化成一套公司內部專用的「AI 智能採購管理系統」：核心資料存在 BigQuery，前端用 Flask 製作一個 7 步驟的採購單精靈。每個採購員只要用公司 Google 帳號登入，通過白名單認證之後，就可以進行線上一條龍的採購申請，流程涵蓋：

1. 申請人資訊填寫
2. 選擇供應商（支援名稱/代碼/品牌搜尋）
3. 採購模式選擇（AI 智能 or 手動專案採購）
4. 品項確認（按 AI 演算法產出預設清單，可編修數量）
5. 核對時程資訊（自動帶入建議日期、需可覆核調整）
6. 補充備註（像是採購原因或急迫性）
7. 預覽最後確認，送單

整個設計邏輯，就是落實“把複雜流程簡化，讓 AI 模型給實用建議，人工負責判斷與最終確認”。

AI 補貨模型核心邏輯

最具顛覆性的設計，是補貨量公式與判斷機制直接嵌入系統。以 ABC 分類法為例，公司將 12 週銷售歷史資料，動態計算每個 SKU 的盈收貢獻度：

• A 品：佔前 80% 累計營收
• B 品：貢獻度次高，續佔 15%
• C 品：剩下 5%的“邊緣品項”
• D 品：12 週內沒銷量

分級即時滾動，不是一次標籤永遠適用。根據商品分類、補貨週期、供應商能力、前置期等參數，由 AI 模型計算補貨建議。安全係數隨週期長短自動調整：

• 補貨周期越短，安全係數降低，減少囤貨現象。
• C 品若連續 12 週平均銷量低於 0.5 件，或營收不滿 NT$500，自動降級為 D 品，不補貨。
• D 品自動歸零建議，款項直接標示“應清理庫存”。

公式也清楚呈現：

目標庫存＝週均銷量 ×（補貨週期＋前置天數/7）×安全係數
建議補貨量＝max(0, ceil(目標庫存 − 現有庫存))

所有參數明碼可見，讓每個採購人都能問：「為什麼建議這個數量？」我們可以有據可查。

前期建置問題與改進

這次系統設計與測試雖然只花了幾個小時的密集迴圈，但團隊在過程裡也真正學會建構 AI 模型不是寫程式而已，核心還是業務邏輯必須搞清楚。幾個明顯失誤和後來的修正，對全組很有啟發：

1. 短週期給太高安全係數
   最早設定 A 品短週期安全係數 1.5，B 品 1.3，結果發現根本不需要這麼大緩衝，系統會每週重複補一堆貨。調整後把係數拉回 1.05～1.02，數量更貼合理。
2. 採購單價抓錯欄位
   一開始系統直接用商品主檔的零售建議價顯示商品金額。這樣的採購單根本無法對帳！後來趕快改成調用 ERP 實際最近一次的進貨成本，並允許手動修正。
3. 幣別僅改標籤不換算
   由於公司涉外採購需求，流程設計提供多幣別選項，但一開始僅標示 USD/JYP，數字沒換算。經過流程跑一圈才發現這漏洞，立即補上自動換算和手動輸入匯率功能。
4. 沒意義的重複欄位
   最早第五步要填通路分布，結果這資訊無後續用途而純屬多餘。反而將時程自動化，第三步已填前置天數，後面步驟帶入避免重複輸入，流程反而更流暢。
5. 即時 AI 使用引導
   新系統特別加上內部 AI 助理“熊古錐”浮窗，採購人員操作整個過程可隨時詢問細節：倍率怎麼算？降級標準是什麼？這遠比厚厚教學手冊有效省時。

我們目前的成果和下一步挑戰

這套智能採購系統，已經讓我們能：

• 根據即時12週歷史資料，準確推算補貨量
• 用 ERP 抓取最新進貨成本，精算採購預算
• 支援多幣別換算處理
• 可隨時存草稿、送出、查詢單據版本
• 系統所有建議都有基於數據的計算邏輯可追溯

當然，現階段仍有一些限制，像是供應商比價、自動化下單、與外部系統串接還沒完成，這會是未來優化的重點。不過現在最重要的是，採購決策再也不是憑感覺、記性或者每週 Excel 大亂鬥，有一致的標準──數據在前，判斷在後。

AI 商業系統的最大門檻不是工程，而是業務邏輯

參與這次專案，最深刻體會並不是AI 工具有多神，而是沒有把業務細節、部門協作和決策流程的規則定義清楚，AI 系統無論技術多成熟，都只是個半成品。每一個工作上的失誤，幾乎都來自我們對「規則」想得不夠周到，只有把這些困難攤開、徹底討論、邏輯補強，這套系統才會真正變成公司運營的靠山，而不是形同雞肋的“科技擺設”。

這才是真正讓公司實現數據落地、AI 實質陪跑的價值所在。

關於零售數據整合，我們還做了這些：

• 老闆拿到 OpenClaw 後：把會員、流量、廣告、客服、YouTube 串成一條完整零售情報鏈，零售生意有了「全鏈視角」
• 購物檔期壓力大，從定價戰到棄單挽回，資深零售 AI 如何幫電商團隊破解 5 個營運難題？