內容目錄
- 模組一｜商業困境：24 小時的快閃特賣，容不下「慢慢調價」
- 模組二｜人機協作的分析流程：從驗證假設到可解釋模型
- 模組三｜決策模擬與模型邊界：找到甜蜜點，也要看清限制
- 模組四｜組織落地：從一次性建議，變成可以累積的系統資產
- 結語：Art × Science，人與 AI 各自負責一半
當資深採購說「我做這行 30 年，我知道什麼價格會賣」時，AI 到底能不能幫上忙？
有些商業問題，表面上看起來是在問：
「到底應該賣多少錢？」
但真正困難的其實是：
「這個決策到底應該相信人的經驗，還是相信數據？」
最近我拿到一個很有意思的商業案例——HBS 的 《Flashion: Art vs. Science in Fashion Retailing》。Flashion 是一家線上快閃特賣電商，每天上架大量商品，每個活動大約只有 24 小時。
問題是：新品第一次上架時，沒有人知道它到底會賣多好。 資深採購靠經驗定價，資料分析師則想知道：如果我們已經有幾萬筆歷史交易資料，為什麼不能讓資料幫忙回答？
這次我沒有把 AI 當成「幫我寫答案的工具」，而是把它當成一個分析協作夥伴：
我提出問題 → AI 幫我快速驗證 → 我判斷結果 → AI 協助建模 → 我重新解讀商業意義。
最後我發現，真正值得研究的甚至不是「AI 能不能取代採購」，而是：
人和 AI，到底應該怎麼分工，才能讓一個原本存在員工腦中的決策能力，變成公司可以複製的系統？
模組一｜商業困境：24 小時的快閃特賣，容不下「慢慢調價」
Flashion 的商業模式很簡單：每天上架數百種商品，以低於 MSRP（建議售價）的價格進行快閃銷售；每個活動大約只有 24 小時，活動結束後就停止販售，商品以 style 為定價單位，活動期間價格基本固定。
這會讓「定價」變成一個非常高風險的決策。傳統零售可以「先賣 → 賣不好 → 打折 → 再賣」，Flashion 沒有這麼多調整空間——價格一開始訂錯，24 小時之後就可能留下大量庫存。而價格太低也不是好事：如果商品一下就全部賣完，很可能代表其實消費者願意付更多錢。
案例中的 Wilson 看了 2016 年首次曝光商品的售罄率分布後，發現一個有意思的現象：有些商品很快就售罄，另一批商品第一次曝光卻只賣掉不到一半。公司明明把 80% 售罄率視為目標，實際結果卻呈現明顯兩極化。這代表什麼？可能不是商品不好，而是價格沒有訂準。
採購真的只是「憑感覺」嗎？
這裡不能太快把採購貼上「不科學」的標籤。案例裡的資深採購並非沒有能力，相反地，他們非常有經驗。女鞋採購主管 Margie Pulaski 就表示，她長期掌握潮流與市場，因此對「哪些鞋款、哪些價格會成功」有很強的直覺。採購主管 Johnson 更直接提出一個很合理的反駁：
「訂價是藝術。」
某個明星突然穿了一雙鞋、某個風格突然流行、消費者情緒改變、某個品牌突然爆紅——這些東西，模型未必抓得到。
所以我認為這個案例真正有價值的地方，不是 Art vs. Science，而是 Art + Science：人的經驗留下來，數據負責驗證。
模組二｜人機協作的分析流程：從驗證假設到可解釋模型
這是我這次實作裡最重要的一個改變：如果直接問 AI「Flashion 的最佳價格是多少？」，它很容易直接開始給答案——但這不是分析。所以我先把問題拆開來做。
Step 1｜先驗證直覺，不急著建模
我先問：折扣越深，真的賣得越好嗎？ 如果連這件事都沒有數據支持，後面的模型都是空談。於是我讓 AI 協助把首次曝光的歷史資料按折扣幅度分組，比較不同折扣區間的平均售罄率。結果很直觀：折扣越深，售罄率整體越高，符合商業直覺。
但這時候還不能下結論，因為「折扣和售罄率有關」≠「只要一直降價就好」——真正的問題還有毛利。
Step 2｜把問題從「賣不賣得掉」轉成「值不值得」
售價高、一件賺很多但只賣掉一半的商品，跟售價低、一件賺得少但幾乎全賣光的商品，到底哪個比較好？如果只看毛利率，很容易選錯。所以我把三個指標放在一起看：
價格 × 售罄率 × 毛利
這時候問題才真正變成「定價問題」，而不是單純的「怎麼把庫存賣掉」。真正的商業分析，不是找到一個漂亮的數字，而是先決定「什麼叫做好的結果」。
Step 3｜讓 AI 把「老師傅的直覺」翻譯成可解釋的模型
到這一步我才開始做迴歸，而且沒有一開始就選複雜的 Machine Learning，反而選擇 Multiple Linear Regression（多元線性迴歸）。原因很簡單：我不是要做一個「AI 看不懂、主管也看不懂」的黑盒子，我想回答的是——如果採購問我「為什麼你建議這個價格？」我能不能解釋？
我讓 AI 協助處理程式撰寫、資料整理與模型輸出，而我負責決定：哪些變數值得放進模型？這個變數在商業上代表什麼？係數是否合理？結果能不能拿去支持決策？
Y（預測目標）：售罄率 ＝ 賣掉數量 ÷ 初始庫存
X（放進模型的變數）
| 變數 | 為什麼放進去？ |
|---|---|
| 折扣幅度 | 最核心的價格因素 |
| 成本 | 控制商品本身的價格／品質訊號 |
| MSRP | 控制商品原本的市場定位 |
| 商品部門 | 女裝、男裝、鞋類需求可能不同 |
| 上架月份 | 控制季節因素 |
| 上架星期 | 控制消費者購買時機 |
這個思考方式其實比「會不會寫 R」重要很多，因為AI 可以幫你寫模型，但 AI 不應該替你決定研究問題。
模型結果：我得到的不是答案，而是「一部分規律」
跑出來的結果是：折扣係數約 1.43，且具有統計顯著性——折扣每增加 1 個百分點，模型預測的售罄率平均增加約 1.4 個百分點。這符合前面的描述性分析。
但更值得注意的是另一個數字：R² 約 25%。這代表模型中的這些變數，大約只能解釋售罄率變異的四分之一，剩下的 75% 可能來自款式、品牌、流行程度、明星效應、商品照片，甚至一些根本沒被蒐集的變數。
所以 AI 給我的不是「我找到答案了」，而是「我找到一部分規律，但還有很多東西不知道」。我反而覺得這才是好的分析結果——一個誠實揭露自己極限的模型，比一個號稱萬能的黑盒子更值得信任。
這一步也讓我把「人機分工」定義清楚：
- AI 負責：整理大量資料、撰寫分析程式、跑統計模型、快速測試不同假設、計算不同價格情境、把結果視覺化
- 我負責：定義商業問題、決定分析方向、選擇變數、質疑模型結果、判斷異常值、解釋商業意義、做最後決策
所以不是 Human vs. AI，而是 Human × AI。
模組三｜決策模擬與模型邊界：找到甜蜜點，也要看清限制
新品從沒賣過，沒有自己的歷史資料，這才是這個案例真正困難的地方。案例真正提出的方向是：能不能利用過去大量首次曝光商品的資料，找出商品屬性、折扣幅度、活動時段等特徵，預測新商品在不同價格下的銷售表現？模型不再只是「分析過去」，而開始變成「幫我做下一個決策」。
把模型變成「價格情境模擬」
有了模型之後，假設今天有一件新品：女裝、成本 150、MSRP 336、12 月星期五上架。我不直接問「它應該賣多少？」，而是讓 AI 跑出多種價格情境，比較「預期售罄率 × 毛利率 × 整體營收」，得到一張決策表：
| 目標售罄率 | 建議售價 | 毛利率 | 相對營收 |
|---|---|---|---|
| 60% | 237 元 | 36.8% | 中 |
| 70% | 214 元 | 29.8% | 中高 |
| 80% | 190 元 | 21.2% | 最高（營收甜蜜點） |
| 90% | 167 元 | 10.1% | 中高 |
80% 售罄率，剛好落在這個案例商品的營收甜蜜點——這也讓我重新理解 Flashion 的「80%」目標：它不一定是憑空出現的數字，至少在這個模擬裡，它可能代表售罄率與單件獲利之間的一個平衡點。
但這裡有一個非常重要的限制
這不代表模型已經證明「80% 就是所有商品的最佳售罄率」，也不是說「AI 算出 190 元，答案就是 190 元」。因為模型的預測能力有限，而且存在重要的因果問題：歷史資料告訴我們「價格和售罄率有關」，不代表只改價格就一定能得到相同結果。
一雙鞋可能因為剛好被明星穿過所以賣得好——模型如果沒有這個變數，就可能把效果錯誤歸到價格上。所以：
模型是決策輔助，不是決策真理。
這也是為什麼我不主張 Flashion 做「AI 自動定價」。
模組四｜組織落地：從一次性建議，變成可以累積的系統資產
有了模型，真正的挑戰才開始：怎麼讓一群相信「訂價是藝術」的資深員工，願意跟一個演算法協作，而不是抗拒它？
① AI 給價格區間，人拍板；每一次修改都留下來
不是「AI：190 元」，而是「AI：根據歷史資料，這件商品在 185～200 元區間，預期售罄率約落在 75%～83%」，最後採購決定 195 元——而且要記錄為什麼沒有採用 AI 建議，因為這個「例外」本身就是很有價值的資料。
例如 AI 建議 190 元，採購最後決定 210 元，理由是「該品牌本季剛被大型 KOL 穿搭曝光」。這個資訊一開始不在資料庫裡，但如果之後這種情況反覆發生，公司就多了一個新的決策特徵。這就形成：
人教 AI → AI 幫人 → 新資料再回到系統
這才是真正有價值的知識累積。
② 不爭論誰比較準，直接做 A/B 測試
找相似商品分兩組：A 組照採購原本方法定價，B 組採用 AI 建議價格，比較售罄率、毛利、營收、庫存與後續再次曝光率。AI 贏，採購看到數據；採購贏，我們研究 AI 為什麼錯。 這比開一場三小時的「AI 到底懂不懂時尚」會議有效得多。
③ 分階段推進，而不是一次改掉整間公司的定價
案例本身就指出，真正困難的不只是模型，而是「如何讓原本相信『定價是藝術』的採購組織願意相信並採用分析結果」。所以落地順序建議是：先選一個資料完整的品類 → AI 只提供建議、不改變採購權限 → 做 A/B Test → 確認真的帶來改善後再逐步擴大。 這不是要求一群做了 20、30 年的人「從今天開始相信 AI」，而是「先讓我們一起做一個小實驗」。
④ 真正難的不是模型，而是 KPI 不一致
Flashion 沒有單一的「最佳答案」，因為不同部門想要的東西不同：採購在意售罄率與毛利、CEO／行銷在意顧客回訪與低價承諾、營運在意庫存均衡、財務在意毛利底線。案例明確指出內部 KPI 並不一致，但核心仍然回到價格—需求關係。
所以真正的 AI 定價系統，不該只是「預測售罄率」，而應該是「在企業限制條件下，找出可接受的價格區間」——例如毛利率不得低於 25%、預期售罄率維持在 75%～85%、不得高於品牌／競品可接受價格，最後 AI 才在這些條件裡找出最佳解。這才是真正的商業決策系統。
結語：Art × Science，人與 AI 各自負責一半
Flashion 表面上是一個定價案例，但拿掉 AI，它仍然是一個典型的企業問題：公司的重要決策，掌握在少數資深員工腦中。這些人可能真的很厲害，問題不是他們的經驗錯了，而是經驗沒有被結構化、沒有被記錄、沒有被驗證、也沒辦法快速傳給下一個人。
所以這次實驗最後留給我的，不是一個「最佳價格」，而是一句話：
人的經驗負責提出假設，AI 與數據負責驗證，人負責最後判斷——而每一次決策，又重新成為下一次 AI 可以學習的資料。
原本只存在某個資深員工腦中的直覺，才有機會慢慢變成一個公司可以累積、複製、傳承的數位資產。這也是我理解的 Human-AI Collaboration：不是把人拿掉，而是讓人的判斷，第一次有機會被系統接住。
如果你也在做 AI 導入、商業分析或一人公司的工作流，別急著問「我該學哪個 AI 工具？」，先問：
「我現在有哪些工作，是靠經驗、重複、資料很多，但又需要人做最後判斷？」
那裡通常才是最值得開始的人機協作實驗。
📌 本次實驗的 AI 協作流程
我： 定義商業問題、提出假設、選擇變數、解讀結果
AI： 資料整理、程式撰寫、統計計算、模型測試、情境模擬
我＋AI： 反覆驗證 → 修正假設 → 形成決策框架
本文以 Harvard Business School 案例《Flashion: Art vs. Science in Fashion Retailing》為分析基礎；文中的迴歸分析、價格情境模擬與人機協作流程，屬於我針對案例所做的延伸分析與方法實驗，不代表原案例已實際導入上述 AI 系統。案例本身的核心問題，是利用歷史首次曝光資料預測新品需求，進一步協助定價。
