Target 做庫存決策前已經先讓 Proxima 的數位分身把結果模擬一遍

零售業用了很多年的預測模型，最常回答的是一個很直接的問題：下週這家店的這個 SKU 會賣多少？

Retail Dive 最近報導，Target 已經把這件事往前推了一步。它開發名為 Proxima 的數位分身，用來模擬不同決策實際執行之後會怎麼發展，讓團隊在真正動手以前先找出可能的問題。這和把需求預測再算準一點不太一樣，因為管理者不再只是等模型吐出一個答案，而是可以先看幾個決策各自會把系統帶到哪裡。

Target 其實很適合拿來看這個轉變。幾年前它談資料科學時，重點仍是用機器學習預測商品在不同地點的需求、提高有貨率、降低後倉庫存。這套邏輯是「模型比人更會猜」。到了 Proxima，價值開始變成「我們能不能在不付出真實代價以前，先試幾種做法」。

預測模型給你一個數字，數位分身讓你看到不同選擇的代價

假設某款商品下週需求預測是 1,000 件。這個數字本身並沒有告訴管理者該怎麼做。

安全庫存要設多高？要不要提前補貨？哪一家店多放一些？如果某區突然促銷，其他區的貨要不要調過去？供應商延遲兩天怎麼辦？多放貨可以降低缺貨，但也可能增加 markdown；集中庫存可以提高周轉，卻可能讓偏遠門市服務變差。

傳統預測模型把「未來大概會發生什麼」算得更準，後面的決策仍然要靠規則與人的經驗把答案接起來。

數位分身的不同，在於它可以把規則、庫存、物流節點、需求、設備、人力甚至交通等條件放進同一個虛擬環境，然後問：「如果我改這個，後面會發生什麼？」

這讓 AI 與模擬系統的角色出現一個很有意思的變化。

早期企業資訊系統面對的是問答題：管理者問一個問題，再靠報表、分析師和經驗找答案。後來的預測與推薦模型，常常把問題縮成某種是非題：這個客人會不會流失？這張訂單是不是詐欺？這批貨要不要補？模型給一個機率或建議，人決定接受還是不接受。

數位分身與 scenario modeling 往前再走一步，開始把它變成選擇題。系統不必只告訴你「A 是最佳解」，而是把 A、B、C 幾種方案放進相同環境，讓你看到每個方案在成本、缺貨、營收、人力與服務水準上的不同後果。

這個改變很小，卻很重要，因為企業真正困難的決策很少只有一個 KPI。

Lowe’s、Walmart 和 Amazon 都在把「先試一次」搬進虛擬世界

Target 並不是孤例。Lowe’s 很早就把門市做成數位分身，讓團隊在虛擬空間裡調整貨架與 planogram、比較實際陳列和應有陳列，並讓門市人員與中央規劃團隊共同修改。這種應用後來延伸到更多門市與更多情境，本質上就是在真實門市動工以前先看到配置可能造成的結果。

Walmart 對 digital twin 的定義更直接。它把門市的貨架、配置、設備與人流建立成動態模擬，並用即時資料與 AI 持續更新。這個模型不只拿來看漂亮的 3D 店面，而是可以測試想法、找出問題，甚至提早發現冷凍設備或空調可能出現的異常。實體世界的一次故障很貴，在數位世界裡先跑一次則便宜得多。

Amazon 在物流中心的做法又更進一步。AWS 公開介紹 Amazon 規劃下一代 fulfillment center 時，會把新的倉庫配置、自動化設備、機器人與流程先建立成未來狀態的 digital twin，再用進階模擬比較設計。因為自動化設備是大型資本支出，一旦倉庫蓋完才發現動線錯了，代價遠高於模型裡多跑幾百次。

Microsoft 在供應鏈 digital twin 的案例裡也說得很明白：一個連結即時資料的數位分身，可以在真正執行前建立大量模擬情境，甚至比人工或簡單電腦流程多產生數千種 scenario。

這幾家公司做的事情不完全相同，技術架構也不能全部叫作同一種 AI。但它們有一個共同方向：企業開始把「決策之後才知道結果」的一部分成本，移到「決策之前先模擬結果」。

這時候，AI 不一定替你做決定

乍看之下，這好像意味著管理者又更接近被 AI 取代，實際上可能剛好相反。當系統只能提供一個預測值，人還可以把自己想成最後那個「判斷準不準」的人；當系統可以一次產生幾十、幾百甚至幾千種可行方案，人的工作會往前移到另一個更麻煩的位置：你到底要最佳化什麼？

最低庫存不等於最好，最低物流成本也不等於最好；最高服務水準通常最貴，最高營收可能伴隨更高 markdown，把所有商品塞滿貨架雖然可以降低缺貨，卻增加資金占用與報廢。模型可以把 trade-off 算出來，但「公司願意為少 1% 缺貨多付多少成本」不是物理定律。這是管理選擇。

所以數位分身最有價值的地方，未必是替決策者找出唯一答案，而是讓原本藏在會議室裡、各部門各自爭辯的 trade-off 變成可以被比較的結果。供應鏈部門說要降低庫存，營運部門說不能缺貨，財務說現金太貴，行銷又要做促銷；以前每個人帶一張自己的 Excel，現在至少有機會把幾種方案放在同一個模擬世界裡看。

這就是「選擇題」比「是非題」更接近企業決策的地方。

模擬很多未來，不代表真的知道未來

當然，數位分身也很容易被過度神化。

任何模擬都建立在模型與資料上。需求模型沒看到的消費者行為、供應商沒有回報的延誤、突然的氣候事件、競爭者臨時促銷、物流罷工，都可能讓虛擬世界和真實世界分開。

更危險的是，模擬結果通常長得非常精確。當畫面可以呈現每家店、每個 SKU、每條路線的結果，人很容易忘記那仍然只是「在某組假設下會發生什麼」，不是對未來的保證。

因此，scenario modeling 需要的不只是更多資料，也需要更成熟的決策紀律：哪些假設最敏感、哪些變數根本不知道、模型在什麼情況下會失準、不同方案之間的差距是否大到值得行動。選擇題如果四個選項都建立在錯誤前提上，選得再漂亮也沒有用。

這也是人仍然重要的地方。AI 擅長搜索龐大的可能性空間，模擬系統擅長讓後果提早可見；管理者還是要對目標、限制與風險承擔責任。

從「幫我算答案」到「把可選的未來攤給我看」

過去企業導入 AI，常用的 ROI 是省掉多少分析時間、預測準確率提高多少、多少決策可以自動化。這些都還會繼續。

但 Target 的 Proxima 代表另一種應用正在變得成熟：AI 與數位模型不只是把既有規則執行得更快，而是讓企業在採取行動以前，有能力看到更多可能的結果。

這對決策工作的影響很大。以前管理者的資訊稀缺，所以價值來自「我看過很多次，我知道大概會怎樣」；當模擬變便宜，經驗不再只是用來猜結果，而是用來判斷哪個結果值得要、哪個代價公司願意承受。

AI 並沒有把選擇拿走，反而可能把更多選擇送到決策者面前。真正被自動化的，是把每一條路都親自走過一次的成本。