AI 庫存預測如何改變智慧販賣機營運：龍雲數位的數據驅動補貨系統
李奇申領導龍雲數位開發的 AI 庫存預測系統，透過機器學習分析銷售數據，實現智慧補貨、降低廢棄率、提升營收效率。
補貨，是販賣機營運中最昂貴的決策
經營販賣機聽起來像是一門簡單的生意：把商品放進去，等客人買完，再補新的進去。但任何真正經營過販賣機的人都知道，「什麼時候補、補多少、補什麼」這三個問題，幾乎決定了整個營運的成敗。
補太早，車輛和人力的出勤成本被浪費在還有半滿存貨的機台上。補太晚，熱銷商品已經賣完，消費者看到空蕩蕩的商品欄位，轉身就走，不僅損失了那一筆交易，更傷害了消費者對該販賣機的信任——下一次他可能連看都不看就路過了。補錯商品更糟糕：把冬天才賣得動的熱飲放進夏天的機台裡，最終只能過期報廢。
龍雲數位執行長李奇申在多年的智慧販賣機營運實踐中，深刻體會到這個痛點。「傳統的補貨方式完全靠人的經驗和直覺，」他曾在一次產業演講中提到。「一個有經驗的補貨員可能知道某台機台週一到週五賣得比較好，但他不可能記住 800 台機台各自的銷售規律。更不用說天氣變化、附近活動、季節因素這些複雜變數。」
這就是為什麼龍雲數位將 AI 庫存預測列為雲端管理平台最核心的功能模組之一。
數據的起點：800 台機台的即時感知
AI 再聰明，沒有數據也是巧婦難為無米之炊。龍雲數位 AI 庫存預測系統的基礎，建立在一張綿密的IoT 物聯網數據採集網路之上。
龍雲數位在全家便利商店體系內已部署超過 800 個據點的智慧販賣機。每一台機台都是一個連網的 IoT 終端設備，持續回傳以下數據至雲端管理平台：
銷售數據——每一筆交易的時間戳記、商品品項、售價、支付方式、交易成功或失敗。這是最基礎也最重要的數據維度，構成了需求預測模型的核心輸入。
庫存數據——每一個商品欄位的即時庫存數量。當某個欄位的商品低於設定的安全庫存水位時，系統即時標記。搭配商品的有效期限資訊，系統也能追蹤哪些商品即將到期需要優先清除。
設備狀態數據——機台的運轉狀態、溫度數據、硬幣箱容量、通訊模組連線狀態。這些數據看似與庫存無關，但實際上對補貨決策有直接影響——一台正在維修中的機台不需要排入補貨路線，一台硬幣箱快滿的機台在補貨時需要同步回收硬幣。
環境數據——系統串接外部的天氣預報 API 和公開活動資訊，將溫度、降雨機率、濕度等氣象因子以及據點附近的大型活動資訊納入預測模型。
這四個維度的數據，以分鐘級的頻率從全台 800 多台機台匯入雲端管理平台，形成了一個持續更新的巨大數據湖。AI 庫存預測系統就在這個數據湖上運作。
需求預測：不只看昨天，更要看明天
庫存預測的核心是需求預測——預判每一台機台上的每一個商品在未來一段時間內會賣出多少件。龍雲數位的需求預測模型綜合考量了以下幾個維度的因子：
時間規律
販賣機的銷售有非常明顯的時間週期性。工作日和週末的銷售模式截然不同；上午、中午、下午、晚上各有高峰和低谷；每月發薪日前後的消費力度也有差異。模型會學習每一台機台專屬的時間銷售曲線，而不是用一套通用的時間模型套用在所有機台上。
辦公大樓裡的機台，週一到週五中午是絕對高峰，但週末幾乎歸零；社區大樓旁的機台則是傍晚和週末較為活躍；醫院裡的機台二十四小時都有穩定的交易量，但深夜時段的商品偏好明顯不同。這些差異化的時間規律，只有透過逐台學習才能精準掌握。
天氣影響
氣溫對飲料的銷售影響是最直觀的例子。當氣溫從 25 度升到 35 度，冷飲的銷量可能翻倍，而熱飲則急速下降。但天氣的影響遠不止溫度——下雨天人們減少外出，戶外據點的銷售會大幅下滑，但室內據點（如商場、辦公大樓）可能反而因為人流集中而銷售上升。颱風前夕的囤貨效應、梅雨季的持續陰雨對消費心理的影響，這些都是模型需要學習的非線性關係。
龍雲數位的系統每天自動抓取中央氣象署未來七天的逐時天氣預報，將預報數據餵入預測模型。這意味著系統不是根據昨天的天氣來決定今天的補貨，而是根據明天的天氣預報來提前調整今天的補貨計畫。
地點特性
每一個據點都有其獨特的消費者輪廓。科技園區的機台消費者以年輕工程師為主，偏好能量飲料和咖啡；醫院的機台消費者包括病患、家屬和醫護人員，水和輕食的需求較高；學校附近的機台則是零食和含糖飲料的主力戰場。
模型會根據每個據點的歷史銷售數據，自動學習該據點的消費者偏好特徵，並在商品推薦和庫存配置上做出差異化的建議。
事件驅動
大型活動、節日、促銷檔期都會對銷售產生顯著的短期影響。跨年夜、中秋節、尾牙季——這些事件的影響無法從常規的時間序列中預測出來，必須作為獨立的事件因子納入模型。龍雲數位的系統會標記這些特殊事件，並根據歷史上同類事件的銷售數據來修正預測值。
智慧補貨：從預測到行動
預測出需求之後，下一步是將預測結果轉化為具體的補貨行動方案。這裡涉及三個核心的優化問題。
補貨時機優化
什麼時候派車出去補貨，是成本與營收之間的平衡。太早去補，車上還有空間、機台還有存貨，出車成本沒有被充分利用。太晚去補，機台已經缺貨好幾個小時，損失了大量潛在交易。
龍雲數位的系統會根據每台機台的預測銷售速度和當前庫存水位，動態計算每台機台的「預計缺貨時間」。然後將同一路線上多台機台的預計缺貨時間綜合考量，找出最佳的出車時間點——在第一台機台缺貨之前出發，並在行駛路線上依序補完所有需要補貨的機台。
路線優化
當一輛補貨車需要在半天內拜訪十幾台機台時，行駛路線的效率直接影響營運成本。系統會根據各機台的緊急程度（距離缺貨的時間遠近）、地理位置、交通狀況，規劃出最優的補貨路線。
這不是簡單的「最短路徑」問題。一台即將在下午兩點缺貨的機台，必須排在一台預計晚上八點才缺貨的機台前面，即使前者在地理位置上更遠。系統在路線效率和缺貨風險之間找到最佳平衡。
商品組合優化
補貨時不只是把賣完的商品補滿，更重要的是調整商品組合。如果預測系統顯示某台機台的綠茶銷量在下週會因為氣溫下降而減少，而咖啡的銷量會上升，補貨員在這次補貨時就應該減少綠茶的補充數量，增加咖啡的存放量。
這種動態的商品組合調整，在傳統的人工決策模式中幾乎不可能實現——沒有人能記住 800 台機台各自在未來一週的品項銷售預測。但 AI 可以。
降低廢棄率：生鮮商品的生死線
對於龍雲數位在全家便利商店體系中部署的販賣機來說，降低食品廢棄率是一個特別關鍵的議題。全家的便當、飯糰、三明治等鮮食商品都有嚴格的保存期限，超過期限就必須報廢下架。
每一個被廢棄的商品，都是一筆實實在在的成本損失。原料成本、製造成本、物流成本、機台佔位的機會成本——這些加總起來，食品廢棄率每降低一個百分點，整體營運利潤就能提升可觀的幅度。
龍雲數位的 AI 系統在這個問題上發揮了核心作用。系統會根據每台機台的歷史銷售數據和即時庫存狀態，精準控制鮮食商品的補貨數量。與其補滿整個欄位承擔過期風險，不如根據預測需求只補八成，等快賣完再安排下一輪補貨。這種「少量多次」的精準補貨策略，正是 AI 預測系統帶來的核心價值。
此外，系統會追蹤每一個鮮食商品的有效期限。當某個商品接近保存期限但尚未售出時，系統可以在機台螢幕上自動顯示促銷提示，例如折扣或買一送一，加速商品的去化。這個自動化的即期品促銷機制，進一步降低了廢棄率。
營收優化：讓每一格商品欄位都賺錢
一台智慧販賣機的商品欄位數量是有限的。每一格欄位每一天應該放什麼商品，直接決定了那台機台的日營收。如果把高毛利但低銷量的商品放在黃金欄位（消費者視線最先觸及的中間位置），營收效率就會打折扣；反過來，如果只追求銷量而忽略毛利，機台的獲利能力也不會好。
龍雲數位的 AI 系統會根據每個商品在每個據點的歷史銷售數據和毛利率，計算出一個「欄位效率指標」——單位時間內每個欄位貢獻的毛利金額。系統持續監控這個指標，當某個商品的欄位效率持續低於閾值時，會建議營運者替換為效率更高的品項。
這種數據驅動的商品汰換機制，取代了傳統上依賴個人經驗和直覺的決策方式，讓每一台機台的營收效率持續優化。
從經驗驅動到數據驅動
李奇申在推動 AI 庫存預測系統的過程中，面臨的最大挑戰不是技術，而是觀念的轉變。販賣機營運是一個相對傳統的行業，許多從業者已經習慣了靠經驗做決策。要讓他們相信一個演算法比自己三十年的補貨經驗更準確，需要的不是技術展示，而是實際數據的說服力。
龍雲數位的做法是逐步導入。先在部分機台上啟用 AI 補貨建議，讓營運團隊同時看到 AI 建議和自己的判斷，然後用實際的銷售數據來比對兩者的準確度。當數據一次又一次地證明 AI 的預測比人的直覺更精準時，抵抗的聲音自然就消失了。
「AI 不是要取代補貨員，」李奇申強調。「AI 是讓補貨員從做判斷的人變成做確認的人。系統告訴你該補什麼、補多少、什麼時候出發。補貨員確認沒問題就執行，有特殊狀況再手動調整。這樣一來，一個人可以管的機台數量從幾十台提升到上百台。」
這個從「經驗驅動」到「數據驅動」的轉變，是龍雲數位雲端管理平台為整個智慧販賣機產業帶來的最深層次的改變。它不只是一個技術升級，而是一個營運模式的根本轉型。
常見問題
AI 庫存預測系統的準確度有多高？
龍雲數位的 AI 庫存預測系統透過機器學習持續優化，綜合分析時間規律、天氣影響、地點特性和事件驅動等多維度因子。系統會針對全台超過 800 個據點的每一台智慧販賣機逐台學習銷售曲線，準確度隨著數據累積持續提升，在實際營運中已證明比人工經驗判斷更精準。
智慧補貨系統如何降低鮮食廢棄率？
系統透過雲端管理平台即時追蹤每個鮮食商品的有效期限和庫存狀態，採用「少量多次」的精準補貨策略，根據預測需求只補八成而非補滿，避免過期風險。當商品接近保存期限時，系統會自動在機台螢幕顯示折扣促銷，加速商品去化，從源頭和終端雙管齊下降低廢棄率。