運動用品店缺貨預警與智慧補貨建議流程

🎯 這條流程解決什麼

運動用品店最怕的不是賣不掉，而是「想賣卻沒貨」與「不該補卻補一堆」同時發生。熱門跑鞋的 US9、US9.5 這兩個黃金尺碼總是先賣完，客人試穿喜歡卻沒尺寸，當下就轉身走人，這種斷碼流失幾乎天天上演；另一頭，某個顏色、某個冷門款卻因為當初進太多，靜靜壓在倉庫角落佔位、佔資金。問題的根源在於運動用品的 SKU 特別碎——同一款鞋有十幾個尺碼、好幾個配色，加上補貨還得算供應商交期與最小訂購量，靠人工盯一張幾百列的 Excel，眼睛再利也會漏。

純人工管庫存的成本，藏在很多看不見的地方。一位店務人員每天要花一到兩小時匯出銷售、比對庫存、憑經驗判斷哪些該補，月底還要再花半天做一次大盤點對帳。即便這麼盯，仍免不了兩種損失：暢銷品斷貨造成的營業額流失，以及滯銷品積壓造成的資金與倉儲成本。一家中型運動用品店光是斷碼流失，一個月少賣掉的訂單往往就是好幾萬營業額，而這些客人一旦在別處買到，很可能就回不來了。這條流程要解的，就是把「補貨」從靠人工經驗的事後補救，變成靠資料預測的事前預警。

導入後的改變

導入前，補貨是被動的:通常是店員上架時發現某個尺碼空了，或客人來問才驚覺斷貨，這時候再下單，等供應商交期一到，黃金銷售期早就過了。盤點與對帳也都集中在月底，問題累積一整個月才一次爆出來。導入後，庫存變成每天主動監控、提前預警的機制——系統每天自動掃描所有 SKU 與尺碼，在還沒斷貨前就把警示與補貨草稿送到採購手上。

效益上，最明顯的是減少斷貨流失。原本因為斷碼而流失的訂單，務實估計能攔下其中大半，等於把過去每月白白溜走的營業額追回來一大塊。其次是工時，原本每天一到兩小時的人工盯庫存，可縮減到每天花十幾分鐘審核系統推來的補貨建議，等於省下約八成的例行盯盤時間。第三是降低呆滯庫存,因為系統用週轉率把「賣得快的多補、賣得慢的少補或不補」量化出來，能有效避免憑感覺進貨造成的積壓，讓壓在倉庫的資金逐步釋放出來，週轉更健康。

流程怎麼運作

整條流程對應 frontmatter 的四個節點，由「庫存水位變動事件」與「每日定時排程」雙觸發：平時每天定時全面掃描，遇到大量出貨讓某 SKU 跌破門檻時即時補一次檢查。

第一步是庫存監控。系統從庫存資料庫即時撈出每一個 SKU 與尺碼的現有水位，對照事先設定好的安全存量，把低於水位的品項標記出來。安全存量不是一個固定數字，可依該品項平日的銷售速度與供應商交期動態設定，賣得越快、交期越長的品項，安全水位就要拉得越高。

第二步是缺貨預測。AI 預測模型依近期的銷售速度，加上即將到來的檔期需求（例如馬拉松季前跑鞋會爆量、開學前童鞋會衝），推估每個品項大約幾天後會斷貨，把「快斷貨」的品項按急迫程度排序，提早在真正斷貨之前發出警示。

第三步是補貨試算。針對需要補的品項，系統依供應商交期、最小訂購量與該品項的週轉率，算出一個既能撐到下次到貨、又不會過量積壓的建議補貨量，並依供應商把品項彙整成一張張採購單草稿，供人工核定。

第四步是通知派發。系統把預警清單與採購草稿透過 Line 官方帳號或 Email 推給採購與店長，等他們在試算表或表單上確認、調整數量後，才正式送出採購，全程留下誰在何時核定了什麼的紀錄，方便日後追溯。

需要的工具與串接重點

平台用 n8n 或 Make 串接整條流程。庫存資料庫是核心資料源，必須能即時或近即時提供各 SKU、各尺碼的庫存水位，若店家用的是 POS 或進銷存系統，串接重點是確認它有可讀取的 API 或定時匯出，且庫存數字與實際出貨同步更新。試算表作為安全存量參數表、補貨建議與採購草稿的工作區，方便採購直接在上面調整與核定。

AI 預測模型負責把銷售速度與檔期變數轉成缺貨時點與建議補貨量，建議在設定時餵入足夠長的歷史銷售資料，並把已知的檔期日程當作輸入，預測才會貼近實況。供應商通訊用來把核定後的採購單送給供應商，可走 Email 或既有的下單管道。Line 官方帳號負責把預警與待辦推給店長與採購，串接時把不同急迫程度的警示分流到不同訊息或群組，避免重要的斷貨警訊被淹沒。串接的關鍵是「人工核定關卡」絕不能省——系統只到草稿為止，按下送出的一定是人。更多串接細節見 自動化指南。

常見錯誤與注意事項

第一，補貨量與採購金額牽涉資金與供應商合約，AI 預測永遠只是建議。實際下單的數量、單價與交期條件，務必經採購與店長人工確認後再送出，避免一時誤信系統而過量進貨積壓資金，或不小心觸動合約裡的最小訂購量、價格級距等條款。把「金流相關步驟需人工確認」設成流程的硬規則。

第二，供應商往來的合約與報價屬於商業機密，存放在試算表或資料庫時要做好權限控管，不得外流，AI 的 prompt 裡也不要塞入完整報價結構。

第三，系統庫存與實際盤點難免有落差。退貨未入帳、贓損、盤差都會讓帳面數字失真，因此系統的預警只是提醒，遇到金額較大的補貨決策前，仍建議以實地盤點為準。AI 不取代採購對市場與供應商的專業判斷。

台灣中小企業情境案例

桃園一家經營了十幾年的運動用品店，店面加倉庫共有上千個 SKU，主力是跑鞋與球類裝備。過去老闆每天早上第一件事就是泡杯咖啡、開 Excel 對庫存，眼睛盯到酸還是常常漏掉熱門款的某個尺碼，等客人來問才發現斷貨，馬拉松旺季更是手忙腳亂。導入這條流程後，系統每天清晨就把「三天內可能斷貨」的清單和補好數量的採購草稿推到老闆的 Line，他只要花十幾分鐘看過、微調幾個數字按下送出就完成補貨。一季下來，熱門尺碼的斷貨次數明顯下降、旺季沒再因為缺貨流失大單，倉庫裡那些賣不動的舊款也因為系統提醒「別再補」而慢慢消化掉，週轉變得健康許多。

延伸應用

這條流程是店務自動化的地基，能往前也能往後接。往前，可搭配 商品諮詢配裝流程，讓店員在推薦商品給客人時，系統先確認該品項與尺碼真的有現貨，避免推了客人卻拿不出貨。往後，可接續 換季促銷流程，把系統判定為「滯銷、週轉慢」的庫存提早規劃出清，從源頭減少呆滯。

進階一點，這套預測補貨邏輯也能擴充成多店調撥——當 A 店某尺碼快斷、B 店卻過剩時，先建議店間調貨而非向供應商加訂，省下進貨成本。想把缺貨預警、會員經營與促銷出清串成完整的店務自動化系統，可逛 食譜庫 找更多組合，或瀏覽全部 工作流清單。

流程圖

用到的工具

更多「零售商店」工作流

瀏覽全部工作流藍圖 → 自動化工作流中心 → AI Skills 食譜庫 →