AWS 利用基礎模型革新零售需求預測

AWS 以基礎模型革新零售需求預測

在零售補貨流程中，需求預測的時效性往往決定商品是否會斷貨。傳統上，預測模型需要針對每一個 SKU（庫存單位）進行個別調校，導致整個流程耗時且易出錯。AWS 近期結合 基礎模型（Foundation Model），首次實現一次性預測整個目錄，徹底改寫了「預測」這一步的瓶頸，讓焦點轉向「預測→下單」之間的落差。

背景與技術架構

1. 基礎模型的突破

   • 基礎模型不需針對單品微調，即可在整個商品目錄上產生需求預測。這意味著即使是銷售波動最快的熱銷商品，也能在數分鐘內得到可靠的需求數據。

2. 系統斷層的根源

   • 預測結果儲存在受管控的 資料平台，而供應商可供量資訊則來自另一個作業資料流（Operational Feed）。兩者分屬不同系統，且負責下單的使用者往往無法同時登入兩端，造成資訊孤島。

3. 完整的「偵測‑決策‑執行」迴路

   • Databricks 負責產生 Chronos‑2 基礎模型的需求預測。

   • Amazon Quick 充當中介，透過 Genie MCP 連接器 直接呼叫 Databricks 的 Genie Agent，取得即時預測；同時以 Direct Query 方式讀取存放於 S3 Tables 的供應商可供量資料。

   • 在 Amazon Quick Flow 中，系統以共享的 retailer_product_id 為鍵，將需求與供應進行即時比對，若符合規則則自動下單；若無法匹配則自動產生例外工單交由人工處理。

4. 工具鏈

   • 從本機終端即可使用 Databricks CLI、AWS CLI、jq、uv 等指令完成部署，實現全程自動化。

影響與商業價值

• 縮短補貨週期：從需求預測到下單的整體延遲由原本可能的數小時縮減至分鐘等級，避免熱銷商品因資訊滯後而斷貨。
• 降低人工成本：自動化的決策與下單流程減少了大量手動比對與資料輸入的工時。
• 提升供應鏈彈性：即時偵測需求激增，系統可快速挑選有庫存的供應商，提升整體供應鏈的回應速度。

未來展望

隨著基礎模型在更多領域的成熟，未來有望將 價格預測、促銷效益分析 也納入同一套自動化迴路，形成「需求‑供應‑價格」的全方位決策平台。此外，若能將多家供應商的 API 標準化，Amazon Quick 將更容易在跨品牌、跨國際的零售環境中實現即時下單。對於零售業者而言，掌握這樣的端對端自動化能力，將是未來競爭力的關鍵。