每到月底或季末，許多中小企業老闆都會做同一件事：盯著上個月的數字，憑感覺加減一成，當作下個月的進貨與排班依據。猜對了皆大歡喜，猜錯了不是倉庫堆滿賣不掉的貨壓著現金，就是熱賣品缺貨眼睜睜看客人轉身離開。
這篇要解決的問題：教你用 AI 把過去的銷售數據變成「站得住腳的預測」，從整理資料、選對方法、納入季節與促銷因子，到算出基準值並持續修正，每一步都有依據而非靠運氣。 適合誰讀：零售、電商、餐飲、批發的老闆與營運／採購人員——任何要決定「下個月該備多少貨、排多少人、準備多少現金」的人，沒有統計或程式背景也能跟上。 讀完你會得到：一套中小企業可落地的銷售預測心法、可複製的 AI Prompt、一個台灣食品電商導入前後的真實對照數據，以及最常踩的預測陷阱清單。
TL;DR：銷售預測不是算命，而是「把過去的規律延續、再用已知事件修正」。先把資料整理乾淨、找出趨勢與季節性，讓 AI 算出客觀基準值，再由你補上促銷、新品等生意脈絡，最後每月比對誤差滾動修正——這套循環跑三個月，預測就會明顯比憑感覺準。
免責聲明：本文的預測方法與數字為教學示範，實際結果會因產業、品項與市場狀況而異；AI 計算可能出錯，涉及大額進貨或財務承諾的決策前，請由具數據或財務專業者覆核。
為什麼中小企業更該用 AI 做銷售預測？
很多老闆覺得「預測是大公司在玩的，我們規模小、憑經驗就好」。但真相恰恰相反：規模越小，預測錯誤的代價越痛。大公司有緩衝資金、有分散的品項、有專人盯數據；小公司常常是一筆進貨壓掉半個月現金，一次缺貨就丟掉老客人，根本禁不起亂猜。
過去中小企業不做正式預測，多半是因為三個門檻：要懂統計、要會程式、要買貴鬆鬆的軟體。AI 把這三個門檻幾乎全部打掉了。
第一，它把專業翻成白話。你不需要懂「指數平滑」或「ARIMA」是什麼，只要把資料給它、用中文問「下個月大概會賣多少、為什麼」，它會算出來並解釋給你聽。
第二，它能在幾分鐘內看穿你看不出的規律。一個店長對自家生意再熟，也很難在一張幾千列的表格裡同時看出「週五晚上特別好」「每月十號發薪日有小高峰」「梅雨季飲料下滑」這些交織的模式。AI 可以。
第三，成本趨近於零。你的銷售資料本來就躺在 POS 匯出檔或 Excel 裡，整理乾淨後交給 AI 對話分析，幾乎不花錢，卻能把「靠感覺」升級成「靠數據」。
但要先講清楚 AI 不是萬能的。它無法預測沒發生過的事（疫情、突發爆紅、對手倒閉），也不知道你心裡的計畫（下個月要辦週年慶）。它的角色是把「歷史規律」這塊算到最準，剩下的「未來事件」要靠你補。把分工搞清楚，才不會對 AI 失望或誤信。延伸的數據整理技巧，可以搭配AI 資料分析教學一起看。
核心概念：好預測的三層結構
很多人以為銷售預測就是「畫一條趨勢線往後延」，這只對了三分之一。一個可用的預測，其實是三層東西疊起來的：基準（規律）＋ 因子（已知事件）＋ 不確定性（區間）。把這三層分開看，你就不會再被單一數字綁架。
把它想成預報天氣。氣象局不會只說「明天 28 度」，而是說「明天高溫 28 度（基準），但有鋒面接近（因子），降雨機率 70%（不確定性）」。銷售預測也該如此：不是「下個月賣 1000 件」這麼一個假裝很確定的數字，而是「基準約 900 件，因為有週年慶可能拉到 1300，合理區間落在 1100 到 1500」。
下面這張對照表，幫你分清楚常見的幾種預測方法，以及各自適合誰：
| 方法 | 白話意思 | 適合情境 | 需要的資料量 | 中小企業上手難度 |
|---|---|---|---|---|
| 移動平均 | 取最近幾期的平均當下期預測 | 銷量平穩、沒明顯季節性 | 3 個月以上 | 很低 |
| 加權移動平均 | 越近的資料權重越高 | 近期趨勢比舊資料重要時 | 6 個月以上 | 低 |
| 季節分解 | 把趨勢、季節、隨機拆開再組合 | 有明顯旺淡季（節慶、氣候） | 18 個月以上 | 中 |
| 情境式預測 | 基準加上促銷／新品等變數調整 | 促銷頻繁、品項常變動 | 12 個月以上＋活動紀錄 | 中 |
| 機器學習模型 | 用多變數自動學規律 | 品項多、有外部數據（天氣、流量） | 大量且乾淨 | 高（建議交給工具） |
中小企業的甜蜜點，幾乎都落在前四種。多數人的最佳起點是「加權移動平均當基準 ＋ 情境式調整」——簡單、好解釋、AI 完全能勝任，而且老闆一聽就懂。等資料累積夠、品項夠多，再考慮升級。
區分「需求」與「銷售」
還有一個容易被忽略但很重要的觀念：你手上的「銷售數字」不等於「真實需求」。如果某個品項上個月賣 80 件，但其中有 10 天根本是缺貨狀態，那真實需求其實遠高於 80 件。直接拿被缺貨壓低的銷售去預測，會讓你越預測越缺貨。所以整理資料時，要特別標記「缺貨期間」，並請 AI 在估算需求時把這段排除或還原。庫存與安全水位的算法，可參考AI 庫存管理教學。
實際做法：五步驟把資料變成預測
Step 1：整理一張乾淨的銷售資料表
預測的品質，八成取決於資料的乾淨度。先把過去 12 到 24 個月的銷售紀錄，整理成最單純的四欄：日期、品項、數量、金額。從 POS 或電商後台匯出 CSV 通常就有這些欄位。
接著做四件清理工作：補上有交易卻漏記的日期（補 0）、移除退貨與作廢單、刪掉重複列、標記缺貨期間。如果欄位很亂、格式不一，可以參考AI 資料分析教學裡的清洗技巧，或直接把表格貼給 AI 請它幫你抓異常值與遺漏。
Step 2：請 AI 找出趨勢、季節性與因子
資料乾淨後，把它交給 AI 做「健檢」。你要它回答三個問題：整體是成長、持平還是衰退（趨勢）？有沒有固定的旺淡季或週內規律（季節性）？哪些事件會讓銷量明顯偏離（因子，如促銷、節慶、發薪日、天氣）？
這一步的價值在於「讓你看見自己看不見的東西」。很多老闆做完才驚覺：原來自家生意每個月十五號前後有一波小高峰，原來連假前一週特別旺。這些洞察本身就值回票價。
Step 3：選對預測方法
依照前面對照表，用三個問題決定方法：資料有多少？季節性明不明顯？促銷頻不頻繁？
- 資料少於一年、銷量平穩 → 加權移動平均。
- 資料超過 18 個月、有明顯旺淡季 → 季節分解。
- 促銷檔期頻繁、品項常換 → 情境式預測（基準＋因子調整）。
不確定就請 AI 推薦，並要它說明為什麼選這個、其他方法的取捨。重點是方法要「你解釋得出來」，而不是越複雜越好。
Step 4：算出基準預測，再用已知事件調整
請 AI 先算「乾淨基準」——假設下個月一切如常、不辦任何特別活動，銷量會是多少。這個基準是客觀的地板。
然後輪到你出場：把 AI 不知道的計畫補上去。下個月要辦週年慶？參考過去檔期的提升倍數往上加。某個熱銷品供應商要斷貨兩週？往下砍。新品上市？另外估。這一步是人機分工的精髓：AI 管規律，你管未來。
Step 5：每月比對誤差，滾動修正
預測不是做一次就結束，而是一個循環。每個月底，把上個月的「預測值」和「實際值」並排，算出誤差百分比（MAPE，即平均絕對百分比誤差）。
看三件事：整體誤差多大？哪些品項一直高估或低估（系統性偏差）？偏差是不是有共通原因（例如某類商品的季節性沒抓對）？把發現的問題回饋到下一輪參數。跑滿三個月，你會明顯感覺預測越來越貼。想把這個比對流程自動化，可以接到自動化中心的排程工具。
可複製的 Prompt
下面這段 Prompt 適合貼上你的銷售資料後直接使用。把方括號內容換成你的實際情況，並把整理好的表格（CSV 或貼上前幾十列）附在後面。
你是一位專長中小企業需求預測的數據分析師。我會提供過去的銷售資料，請你用繁體中文、白話、可執行的方式協助我做下個月的銷售預測。
【我的生意背景】
- 產業／品類：[例如：常溫食品電商]
- 主要銷售品項：[例如：3 款熱賣零食＋約 20 款長尾品項]
- 資料區間：[例如：2024/06 至 2026/05，共 24 個月]
- 已知的未來事件：[例如：下個月 6/18 辦週年慶全館 85 折；某品項 6 月中供應商斷貨約 2 週]
【銷售資料】
（以下為 CSV，欄位：日期, 品項, 數量, 金額；缺貨日期已標記）
[貼上你的資料]
請依序完成下列工作，每一步都先說結論再附理由：
1. 資料健檢：指出缺漏、異常值或可疑數據，並說明你怎麼處理。
2. 規律分析：整體趨勢（成長／持平／衰退）、季節性（旺淡季、週內規律）、關鍵影響因子。
3. 方法建議：針對我的資料量與特性，推薦一種主要預測方法，說明為什麼，以及其他方法的取捨。
4. 基準預測：算出「下個月一切如常、不辦活動」的基準銷量（總量＋主要品項分項）。
5. 情境調整：依我提供的未來事件，給出調整後的最終預測，並標明合理區間（樂觀／保守）。
6. 風險提醒：這份預測最大的不確定來源是什麼？哪些品項最不可信？
最後用一張表彙整：品項 ｜ 基準 ｜ 調整後 ｜ 保守值 ｜ 樂觀值 ｜ 建議備貨量。
請避免過度自信，數字無法確定時請明說。進階使用者可以把這段 Prompt 模組化，套用到不同品類或門市，更多可填空的範本見Prompt 產生器。
台灣中小企業實作案例：常溫零食電商「嘴饞鋪」
「嘴饞鋪」是一家位於台中的常溫零食電商，主力是三款自有品牌的堅果與果乾，加上約二十款代理的長尾品項，月營收約 180 萬元，全公司含老闆共 6 人，採購由老闆娘一人兼著做。
導入前的痛點：採購完全憑老闆娘的記憶與手感。旺季（中秋、農曆年前）常常熱銷品提早賣光，客服整天回「補貨中」；淡季又進太多，倉庫堆著快到期的果乾只能流血出清。更麻煩的是現金流——一次大進貨壓掉的錢，常讓月中差點軋不過票。她自己估算，過去半年因為缺貨流失的訂單與過期報廢，加起來吃掉了大概一個月的淨利。
導入做法：他們沒有買任何昂貴軟體，就是照本文五步驟做。先把後台兩年的訂單匯出成 CSV，花一個下午整理乾淨、標好歷年缺貨期間；接著用上面那段 Prompt 把資料交給 AI，做了第一次健檢與分析。AI 一下就點出兩件他們沒意識到的事：一是堅果類在「天氣轉涼的第一週」會跳升、二是某款果乾的銷量其實長期被缺貨壓低，真實需求比帳面高出三成。
方法上，他們對三款主力品用「季節分解」抓旺淡季，對二十款長尾品用「加權移動平均」簡單估，促銷檔期則用情境式往上加。每個月底，老闆娘花半小時把實際銷量貼回去，請 AI 算 MAPE 並指出哪些品項估歪了。延伸的現金流安排，他們也參考了AI 現金流預測教學，把進貨節奏跟收款週期對齊。
導入後成果（三個月對照）：
| 指標 | 導入前 | 導入後 | 變化 |
|---|---|---|---|
| 主力品月度預測誤差（MAPE） | 約 40%（憑感覺） | 約 18% | 誤差砍半以上 |
| 熱銷品缺貨天數／月 | 平均 9 天 | 平均 2 天 | 大幅改善 |
| 過期報廢損失／月 | 約 3.2 萬元 | 約 0.9 萬元 | 降約 72% |
| 月底現金缺口告急次數 | 3 個月中 2 次 | 3 個月中 0 次 | 不再軋票驚魂 |
| 採購作業時間／週 | 約 5 小時 | 約 1.5 小時 | 省七成 |
老闆娘的回饋很實在：「以前進貨像在賭博，現在至少知道自己在賭什麼、賭多大。AI 不會幫我決定要不要衝週年慶，但它會告訴我『不衝的話大概賣這麼多』，我加碼多少心裡就有底了。」這正是中小企業做預測最務實的目標——不是百分百準，而是把決策從「黑箱直覺」變成「有依據的判斷」。
常見錯誤：別讓預測反而誤事
錯誤一：把銷售目標當成預測。 老闆說「下季要成長 30%」，於是預測就填成長 30%，然後照這個數字備貨備人，結果目標沒達成、庫存爆倉。預測要中立客觀，目標歸目標，兩者分開。
錯誤二：用被缺貨壓低的數據去預測。 沒標記缺貨期，AI 以為那段時間「需求就是這麼低」，於是建議你備更少貨，下個月缺得更兇，形成惡性循環。一定要還原真實需求。
錯誤三：促銷數據污染基準。 把打折檔期的暴衝銷量混進日常基準，會讓你高估平時的需求，活動一結束就積一堆貨。促銷期要單獨標記、單獨估。
錯誤四：對單一數字過度自信。 預測天生有不確定性。只看「下個月賣 1000 件」這個點估計，不看區間，一旦市場波動就措手不及。永遠要有保守值與樂觀值。
錯誤五：做完一次就不再回頭比對。 不算誤差、不修正，預測就永遠停在第一版的準度。真正的價值來自「滾動修正」這個循環，跳過它等於白做。
錯誤六：追求過度複雜的模型。 為了「看起來專業」硬上機器學習，結果自己看不懂、解釋不出來、出錯也不知道。中小企業的好預測是「夠準、好解釋、跑得動」，簡單而能持續才是王道。想理解不同品項的需求結構，可搭配AI 客群分析教學交叉檢視。
常見問題 FAQ
Q1：資料只有半年，能做銷售預測嗎？ 能，但要降低期待。半年資料無法看出完整的季節性（例如年底旺季、農曆年），只能抓短期趨勢與週內規律。這時建議用簡單的移動平均搭配人工判斷，並把預測區間放寬。隨著資料累積到 18 個月以上，再導入季節分解，準確度會明顯提升。
Q2：我不會寫程式、不會統計，也能做嗎？ 可以。本文的做法是把整理好的銷售表格丟給 AI，用白話 Prompt 請它分析趨勢、算基準預測並解釋。你需要的不是程式能力，而是把生意脈絡（促銷檔期、缺貨、新品）告訴 AI 的能力，以及看懂誤差、判斷合理性的常識。
Q3：AI 算出來的預測數字可以直接拿去進貨嗎？ 不建議直接照單全收。AI 的預測是「在過去規律會延續」的前提下產生的基準值，但它不知道你下個月要辦特賣、不知道供應商要漲價、不知道對手要開店。正確用法是把 AI 基準當地板，再由你補上這些已知事件做最後調整。
Q4：預測準到什麼程度才算夠用？ 對中小企業而言，重點不是追求百分之百準確，而是「比現在的猜法更準、且誤差可控」。以快速消費品為例，月度預測誤差（MAPE）能壓在 15% 到 25% 就很實用了；高單價、低頻次的商品本來就難預測，能抓對趨勢方向就有價值。
Q5：促銷活動會打亂預測，要怎麼處理？ 把促銷當成一個獨立的「提升因子」來處理。先請 AI 算出沒有促銷的基準銷量，再根據過去類似檔期的提升幅度（例如打八折通常讓銷量成長 1.8 倍）往上加，活動結束後也要預留可能的「買氣透支」回落。關鍵是把促銷期的數據另外標記，別讓它污染基準。
Q6：預測一定要用昂貴的 BI 或預測軟體嗎？ 不用。中小企業多數情境用試算表加上 AI 對話就足夠了。你的銷售資料可能本來就在 Excel 或 POS 匯出的 CSV，把它整理乾淨後交給 AI 分析，成本幾乎為零。等到品項數破百、需要每天自動更新，再評估是否升級到專門的預測工具或自動化流程。
Q7：怎麼知道我的預測在退步還是進步？ 建立一張「預測 vs 實際」的追蹤表，每月記錄每個主要品項的預測值、實際值與誤差百分比。連續看三到六個月，如果誤差持續縮小代表方法在進步；如果某些品項一直高估或低估，就是系統性偏差，要回頭調參數或檢查是不是有沒納入的因子。
Q8：需求預測和銷售目標是同一件事嗎？ 不是，這是最常見的混淆。需求預測是「最可能會發生的銷量」，要客觀中立；銷售目標是「我們希望達成的業績」，帶有企圖心。把目標當預測，會讓你備過多貨、排過多班；把預測當目標，又會缺乏衝刺動力。兩者要分開，預測用來備料備人，目標用來激勵團隊。
結論：把猜測升級成有依據的判斷
銷售預測對中小企業的意義，從來不是變成數據科學家，而是把每個月攸關現金與庫存的決策，從「憑感覺」升級成「有依據」。AI 把過去高不可攀的統計與程式門檻幾乎抹平了，剩下的工作其實很樸實：整理乾淨資料、找出規律、讓 AI 算基準、由你補上生意脈絡、每月回頭比對修正。
記住三層結構——基準、因子、不確定性——你就不會再被單一數字綁架；記住人機分工——AI 管歷史規律、你管未來事件——你就不會對 AI 失望或誤信。先從你最重要的三到五個品項開始，跑滿一個季度的循環，你會清楚感覺到：倉庫不再堆滿賣不掉的貨，熱銷品不再動不動缺貨，月底也不再為現金提心吊膽。
預測永遠不會百分百準，但「有方法的不準」遠勝「沒方法的猜」。今天就把你的銷售資料匯出來，照著本文五步驟和那段 Prompt 跑第一輪吧。想把整套流程自動化、定期更新，可以接續看AI Workflow 設計教學，或直接到自動化中心找現成的排程工具。
常見問題 FAQ
資料只有半年，能做銷售預測嗎？
我不會寫程式、不會統計，也能做嗎？
AI 算出來的預測數字可以直接拿去進貨嗎？
預測準到什麼程度才算夠用？
促銷活動會打亂預測，要怎麼處理？
預測一定要用昂貴的 BI 或預測軟體嗎？
怎麼知道我的預測在退步還是進步？
需求預測和銷售目標是同一件事嗎？
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