電商零售 · 案例解析
從人工補貨到可追溯的庫存判斷
門市越多，補貨不該越依賴少數人的經驗。OVM 協助連鎖生活選物品牌串起銷售、庫存與配送資訊，讓店長看得懂建議、總部掌握需求，也讓商品在需要的時候出現在對的門市。
CONTEXT
企業背景
OO生活是一個在台灣經營 40 間直營門市的生活選物品牌，透過中央倉儲供應超過 8,000 項商品。隨著門市網絡與營收成長，補貨工作卻仍停留在店長試算、總部彙整、倉儲逐筆確認的模式。每個環節都有人努力處理，資訊卻沒有形成共同的判斷依據。
問題不只是庫存太多或太少，而是兩者同時發生：暢銷品斷貨、滯銷品占用資金，檔期一變又得重新調整。OVM 將改善重點放在整條補貨決策流程，從資料、預測到店長覆核與物流安排一併串接，讓 AI 建議能真正進入每天的營運，而不是再增加一張需要人工整理的報表。
FRICTION
營運痛點
商品賣得動，門市卻不一定有貨
暢銷商品可能上架隔日就售罄，另一端卻有商品在倉庫停留半年。年終盤點時，滯銷品約占庫存 23%，占用超過 NT$1,200 萬資金。店長與採購面對的不是單一缺貨事件，而是供需判斷長期不同步。
店長的時間花在表格，而不是門市
每位店長每週平均花 8 小時計算補貨，反覆比對銷售與庫存，再憑個人經驗修正數量。這些判斷難以在門市之間累積與共享，也壓縮了商品陳列、現場服務和人員管理的時間。
補貨跑得比需求慢
門市提出申請後，總部仍須人工彙整、核對歷史資料再安排出貨，從申請到到店平均需要 4.7 天。遇到天氣突然變化或促銷升溫時，等資料走完流程，銷售機會可能已經過去。
節慶備貨在過量與不足之間擺盪
中秋禮盒曾因高估需求，留下 3,200 組需要節後出清；端午檔期又因低估需求，讓重點門市提早售罄。若只沿用上一年度數字，很難同時納入天氣、活動與各門市客群差異。
總部缺少即時、可信的庫存全貌
手動盤點的誤差會一路帶入採購決策，跨店調貨則依靠通訊群組逐一詢問。當庫存、需求與配送狀態分散在不同工具，總部難以判斷應該採購、調貨，還是先確認資料。
OVM SOLUTION
OVM 解決方案
OVM 以 AI 銷售預測為起點，串接既有 POS、ERP 與物流系統，將預測、建議、覆核和執行接成同一條工作流。既有系統繼續承接交易與庫存紀錄，AI 負責協助整理變化，營運團隊保留補貨決策的確認權。
以門市為單位，預測真正會發生的需求
整合歷史銷售、天氣、節慶、促銷活動與社群聲量五類訊號，以每間門市、每天的需求為單位建立預測。相同商品在不同商圈不再只套同一份備貨比例，也能把突發天氣或活動帶來的波動放進判斷。本案的預測精準度達 92%。
把零散訊號轉成可比較的需求依據，讓店長知道補貨建議為何改變。把預測變成每天可確認的補貨清單
系統每天比對各店庫存水位與預測需求，產出建議補貨品項及數量，並依急迫程度分級。店長不必從空白試算表開始，而是檢視例外、核對現場情況後再提交；原本繁複的計算，轉為約 5 分鐘的審核確認。
減少重複計算，同時保留門市對現場狀況的最後確認。讓倉儲與配送承接同一份需求
總部彙整各門市需求後，結合配送路線與車輛調度安排出貨，避免門市已確認、物流卻仍重新整理一次資料。補貨前置時間由 4.7 天降至 1.8 天，運輸成本降低 18%，也讓短期需求變化更有機會及時被承接。
改善不只停在預測準確，而是延伸到商品實際到店的時間。用即時看板，讓異常提早被看見
門市與總部可從共同看板查看庫存健康度、預測銷售趨勢及補貨建議。過量或缺貨會形成提醒，讓團隊聚焦需要處理的品項，而不是等到月底盤點才知道問題；跨店調撥也能回到一致資訊進行判斷。
從逐筆追問轉為查看狀態，把注意力放在真正需要決策的例外。IMPLEMENTATION
導入流程
- 1
整理資料與需求訊號
先串接交易、庫存與物流資料，將門市、品項和日期對齊，再納入天氣及活動訊號，建立預測所需的共同基礎。
- 2
產生建議並由門市覆核
以需求預測對照現有庫存，將建議補貨量與急迫程度交給店長確認；現場差異在提交前就能被看見。
- 3
銜接出貨與配送安排
門市確認後，由總部彙整需求並安排倉儲與物流，讓補貨單一路連到執行狀態，減少人工重複轉錄。
- 4
回看成果與例外
透過看板持續檢視缺貨、滯銷與配送表現，將門市回饋帶回日常判斷，讓改善成為營運工作的一部分。
OUTCOME
導入成果
營運效率
- 改善前
- 補貨作業每店每週 8 小時
- 改善後
- 每店每週 1.2 小時
作業時間縮短，店長能將精力轉向門市陳列、顧客與現場管理；營運效率提升 22% 為整體指標。
總庫存成本
總庫存成本下降 15%；另一項庫存健康指標——滯銷品占比由 23% 降至 7%，釋放約 NT$780 萬資金。
缺貨天數
- 改善前
- 月均 12.4 天
- 改善後
- 月均 2.6 天
降低暢銷商品供應中斷，減少顧客有需求、門市卻無貨可售的情況。
補貨前置時間
- 改善前
- 4.7 天
- 改善後
- 1.8 天
從補貨需求到到店的等待縮短，讓天氣與檔期變化更快反映到實際供應。
營業額成長
商品可得性改善後，原先因缺貨流失的銷售機會能被重新承接。
年化節省
涵蓋庫存持有、人工作業與物流浪費的改善；本案於一年內回收導入成本。
WHAT CHANGED
營運改變
這次改變不只是多了一套預測工具，而是重新分配了團隊的時間。店長從反覆計算回到陳列與服務，總部採購則從日常補貨審批，轉向品類規劃與供應鏈策略。當資訊能在門市、倉儲與總部之間接續，規模成長就不必同步增加相同程度的人工協調。
對連鎖零售而言，AI 的價值不是取代現場經驗，而是讓經驗有更完整的資料支援。把需求判斷接到可覆核的建議、再接到實際配送，才能讓一次模型預測變成每天都能運作的營運能力。