每到月底或季末，很多老闆與店長都在問同一句話：「下個月大概賣多少？要備多少貨？」過去答案多半來自業務的手感、老闆的經驗，或是「去年這時候差不多賣這麼多」的模糊印象。問題是，手感會被最近一兩件大單帶偏，記憶也常記不清淡旺季的真實節奏，結果不是旺季缺貨少賺，就是淡季囤貨壓死現金。
這篇要解決的問題：怎麼把你手上的歷史銷售數據，交給 AI 抓出趨勢、估出下期營收、辨識淡旺季，進而輔助備貨與人力決策。 適合誰讀：零售、電商、批發、餐飲、製造等需要預測需求的店長、業務主管、老闆與企劃，不需要統計或程式背景。 讀完你會得到：一套可重複的預測流程、一個可直接複製的 Prompt、一張 Workflow 流程圖、常見錯誤清單，以及兩個台灣本地導入前後的成果對照。
免責聲明：本文為教學與觀念說明，所提預測方法、Prompt 與數據僅供參考，非投資建議，也不構成任何財務、會計或經營決策的保證。AI 預測必有誤差，實際備貨、訂價與資金安排請結合自身數據、產業狀況與專業意見審慎評估，重要決策仍應由人把關。
為什麼要用 AI 做銷售預測？
傳統銷售預測有三個老問題。第一是靠感覺：人很容易被最近的事件影響，上個月剛接到一張大單，就誤以為趨勢往上，把整季預估拉高。第二是看不清季節性：你可能知道「過年前會旺」，但旺多少、從哪一週開始旺、哪些品項旺、淡季又會跌到哪，這些細節人腦很難精準記住。第三是慢又不一致：用試算表手工拉趨勢，一個人一種算法，換個人接手就斷掉。
AI 的價值，不在於它有水晶球能看到未來，而在於它能穩定、快速、客觀地從歷史數字裡找出規律。它會把資料拆成「長期趨勢」「季節性循環」「一次性異常」三層，讓你看清楚：到底是真的在成長，還是只是旺季到了；某個月暴跌是常態還是當時剛好遇到颱風停業。
更重要的是，AI 能用白話解釋它的推論，不像傳統統計軟體丟一堆係數讓你看不懂。你問「為什麼預估下個月會掉？」它能回答「因為過去三年同月平均都比前一月低約 15%，屬於季節性淡季」。這讓沒有數據背景的人，也能把預測變成可以討論、可以決策的依據。當你開始把這套思維延伸到更廣的數據分析，整個團隊的決策品質都會提升。
核心概念：銷售預測其實是三層數字的疊加
要看懂 AI 在做什麼，先理解一個簡單的觀念：任何一條銷售曲線，都可以拆成三層疊在一起。把這三層分開看，預測就不再神秘。
| 組成 | 代表什麼 | 生活化比喻 | 對決策的意義 |
|---|---|---|---|
| 趨勢（Trend） | 長期是往上、往下還是持平 | 一個人的「身高成長線」 | 決定要不要擴張、加碼或收縮 |
| 季節性（Seasonality） | 固定週期的高低起伏，如每年旺季 | 一年四季的「溫度循環」 | 決定淡旺季備貨與人力節奏 |
| 異常／雜訊（Noise） | 一次性事件造成的偏離 | 突然下雨的「天氣意外」 | 要剔除，避免被單次事件誤導 |
舉例來說，一家手搖飲店的營收，長期可能因為品牌變大而趨勢向上；每年夏天又會固定季節性走高；但某個月剛好遇到連假人潮爆量，那是異常。如果不把三層拆開，你會把那個爆量的月份當成新常態，明年照那個量備貨，結果慘賠。
AI 做的事，就是幫你把這三層自動分離，再把「趨勢 + 季節性」往未來延伸，得到預測；同時告訴你信心區間有多寬，提醒你別把估計值當成鐵板釘釘的事實。理解了這層，你下的 Prompt 才會問對問題。
實際教學：五步驟用 AI 做出可用的銷售預測
Step 1：整理乾淨的歷史數據
預測的品質，九成取決於數據品質。先把過去 12 至 24 個月的銷售紀錄，整理成欄位一致的表格，建議至少包含：日期（年月）、品項、銷售數量、銷售金額、通路。常見地雷要先處理：缺漏的月份補成 0 或標註原因、退貨要扣除、贈品與正常銷售分開、幣別與單位統一。
如果你資料散在 POS、電商後台、Excel 各處，先匯整到一張總表。記住一句話：垃圾進、垃圾出。AI 不會幫你修正錯誤的原始數據，只會在錯誤的基礎上算出看似精美的錯誤答案。
Step 2：讓 AI 找出趨勢與季節性
把整理好的表格貼給 AI，明確要求它做三件事：分解出長期趨勢、找出季節性（哪幾個月是淡旺季）、標出明顯異常的月份並請你說明原因。關鍵是要求它用白話、給數字，例如「整體年成長約 12%」「每年 11、12 月是旺季，較淡季高約 40%」，而不是丟一堆統計術語。
這一步的產出，本身就很有價值——光是看清自己的淡旺季節奏，很多老闆就會恍然大悟：「原來我每年都在錯的時間囤貨。」
Step 3：估算下期營收的三種情境
請 AI 不要只給一個數字，而是給保守、最可能、樂觀三種情境，並寫清楚每個情境背後的假設。例如最可能情境假設「維持現有成長與正常季節性」，保守情境假設「成長趨緩、無促銷」，樂觀情境假設「旺季加上一波行銷活動」。
三情境的好處是，你拿到的不是一個會被打臉的精準數字，而是一個決策範圍。後面備貨時，就能依品項風險決定要靠近哪一端。
Step 4：把預測轉成備貨與人力建議
數字本身不會自己變成行動。請 AI 把預測換算成具體建議：各主力品項的建議進貨量與安全庫存、進貨的時間點（旺季要提前幾週備料）、旺季可能需要的加班或臨時人力。這一步是把「預測」變成「決策」的關鍵，也是 AI 真正幫你省時間的地方。
Step 5：每月回測，讓預測越來越準
預測不是做一次就結束。每個月底，把實際銷售與當初的預測並排比較，算出誤差（例如預估 100 萬、實際 92 萬，誤差 8%），再把這個落差與原因回饋給 AI，請它修正假設。回測（backtesting）是讓預測從「猜」進化到「準」的唯一途徑。把這流程固定下來，三個月後你的預測會明顯比一開始可靠。
範例：Prompt 與 Workflow
下面這個 Prompt 可以直接複製使用，把方括號內容換成你的實際資料即可。
你是一位資深的零售營運與需求預測顧問。我會提供一家[手搖飲料店]過去[24]個月的銷售數據，請依下列步驟分析，全程用繁體中文（台灣用語）、白話說明，並附上具體數字。
【我的數據】
（在此貼上表格：年月、品項、銷售數量、銷售金額、通路）
【請依序完成】
1. 趨勢分析：判斷整體是成長、持平或衰退，給出年化成長率約略數字。
2. 季節性分析：指出哪幾個月是旺季、哪幾個月是淡季，旺季比淡季高約多少百分比。
3. 異常標註：列出明顯偏離常態的月份，並提醒我回想當時是否有特殊事件，不要直接當成趨勢。
4. 下一季營收預測：給「保守 / 最可能 / 樂觀」三種情境的營收區間，並寫清楚每個情境的假設。
5. 行動建議：把預測換算成各主力品項的建議備貨量、進貨時點，以及旺季的人力提醒。
【限制】
- 明確說明這是基於歷史的估計，必有誤差，非保證。
- 如果數據不足以判斷某一項，直接說「資料不足」，不要硬編造。
- 用條列與表格呈現，最後給我一段三句話的白話總結。跑完之後，建議搭配下面這條工作流程把它變成每月固定動作。以下為文字版流程圖：
匯出 POS／電商銷售數據
↓
清理整理成統一表格（補漏、除錯、去識別化）
↓
丟給 AI 分解趨勢 + 季節性 + 異常
↓
產出保守／最可能／樂觀三情境預測
↓
換算成備貨量、進貨時點、人力安排
↓
人工判讀並結合在地脈絡微調
↓
執行（下單備貨 / 排班）
↓
月底回測：實際 vs 預測，算誤差
↓
回饋 AI 修正假設 → 下個月更準（回到第三步）這條流程的精神是「人機分工」：AI 負責穩定、客觀的數字運算，人負責 AI 看不到的在地脈絡與最終拍板。想把這套流程進一步自動化、定期觸發，可以參考 AI Agent 的做法，讓系統每月自動拉數據、跑分析、產報告。
常見錯誤
一、拿太短或太髒的數據就硬算。 只有三個月資料卻要 AI 預測全年，等於請它瞎猜；資料裡夾雜退貨、贈品、測試訂單沒清乾淨，結論一定歪。寧可花時間整理，也別急著要答案。
二、把單一數字當聖旨。 預測是區間不是定點。看到「下季 320 萬」就照這個數字砸錢備貨，一旦實際落在保守情境就會壓貨。永遠用三情境思考。
三、忽略一次性異常。 去年某月因為一場爆紅活動暴衝，今年照那個量備貨。記得請 AI 把異常標出來剔除，別把意外當常態。
四、只做一次、不回測。 很多人做完第一次預測就收工，從不檢討準不準。沒有回測的預測，永遠停留在猜測階段，越用越不信。
五、完全外包給 AI、人不判讀。 AI 不知道下個月隔壁要開競品、供應商要漲價、政府要發消費券。這些在地脈絡只有你知道，一定要由人做最後微調。
最佳實務
- 資料先去識別化再上傳。 移除客戶姓名、電話、地址，只留分析需要的數量與金額，降低個資外洩風險。
- 固定每月同一時間跑。 讓預測變成例行公事（例如每月 1 號），趨勢比較才有意義，也方便累積回測紀錄。
- 依品項風險選情境。 高單價、易過期、補貨慢的品項偏保守；熱銷、好補、毛利高的可偏樂觀。一張表不該用同一套膽量。
- 留下假設紀錄。 每次預測都把「當時假設了什麼」寫下來，回測時才知道是哪個假設錯了，而不是只怪 AI。
- 小範圍先試。 先挑一兩個主力品項或單一門市試跑兩三個月，準了再擴大到全品項、全通路。
- 把預測和資料視覺化結合。 把趨勢與三情境畫成圖，比一堆數字更容易在會議上對齊共識。
實際案例：台灣場景的導入前後
案例一：台中一家手搖飲料連鎖（5 間門市）
導入前，這家飲料店全靠區經理的經驗備料，淡旺季全憑印象。夏天常因為原料備不夠而中午就賣完熱銷品項，錯失營收；冬天又因為怕缺貨而過量進貨，水果與配料報廢率偏高。每月光是報廢與缺貨損失，估計就吃掉不少毛利。
導入後，店長每月把 POS 銷售數據去識別化後，用上述 Prompt 跑分析。AI 清楚指出「每年 5 至 9 月為旺季，旺季週末單量約為淡季的 1.6 倍」，並依此產出各品項的分週備料建議。三個月後，熱門品項的中午售罄缺貨次數從每月約 14 次降到 4 次，配料報廢率下降約三成，旺季營收因為不再賣完就斷貨而提升約 9%。店長說，最有感的是「不用再每天提心吊膽猜要叫多少貨」。
案例二：桃園一家小型 3C 配件電商
這家電商過去靠老闆盯著後台「感覺」要補多少庫存，遇到雙十一、母親節這類檔期常常抓不準：熱賣款缺貨斷單，冷門款卻囤了一倉庫,占用現金又占空間。
導入後，老闆用 24 個月的訂單數據讓 AI 分解趨勢與檔期效應，產出三情境營收預測，並換算成各品類的安全庫存與下單時點。第一季回測誤差約 11%，第二季透過持續修正假設，預測誤差收斂到約 6%。更實際的成果是：滯銷庫存金額下降約 25%，等於把壓在貨架上的現金釋放出來，週轉變健康，旺季也因為提前備貨而少了斷單。老闆的心得是：「AI 給我的不是神準數字，而是一個能跟團隊討論的基準，吵架變少、決策變快。」
兩個案例的共同點是：他們都沒有把 AI 當成預言家，而是當成一個客觀、不會累、隨叫隨到的數據助理，把繁瑣的趨勢運算交給它，把最後的判斷留給自己。
結論
AI 銷售預測的核心，不是追求一個百分百準確的神奇數字——那不存在。它真正的價值，是把你從「靠感覺、憑記憶」的猜測，升級成「有數據、有情境、可討論、可回測」的決策方法。當你能清楚看見自己的趨勢、淡旺季與異常，備貨、人力與資金安排就不再是賭博。
實作上請記住三件事：數據要乾淨、預測用三情境、每月要回測。再加上一條鐵律——AI 給基準，人做最後拍板，因為市場的在地脈絡永遠需要你的判斷。從一兩個主力品項、單一門市開始小範圍試跑，累積信任後再擴大，你會發現預測這件事，從此不再是月底最讓人焦慮的猜謎，而是一個越用越順手的決策工具。
再次提醒：本文所有方法與數據僅供教學參考，非投資建議，預測必有誤差。實際經營與財務決策請結合自身狀況與專業意見審慎評估。
❓ 常見問題 FAQ
我不懂統計，也能用 AI 做銷售預測嗎？
歷史數據要多久才夠做預測？
AI 預測會比老闆的經驗準嗎？
預測抓出來的數字可以直接拿去備貨嗎？
用 AI 做預測，我的銷售數據會外洩嗎？
🔗 延伸閱讀
每週把這類實戰教學寄給你
訂閱 AgentAI 智庫情報週報，新的 Prompt、AI Skills、工作流與教學第一時間收到。
免費 · 隨時取消