先預測後優化

Predict-then-optimise（先預測後優化）是預測性分析與規範性分析結合的兩階段決策架構。第一階段利用歷史數據與機器學習技術（如梯度提升樹、長短期記憶網絡）預測未來不確定變數的期望值；第二階段將預測值作為參數輸入到數學規劃模型中求解最佳決策。此方法源自統計學與運籌學的交叉研究，在業務持續管理（BCM）領域中，用於應對如供應鏈中斷、需求波動或自然災害等不確定情境。與直接使用期望值的傳統方法不同，此框架強調預測準確性對最終決策品質的直接影響，符合ISO 22301對業務持續性規劃中「基於風險評估的決策」要求。其核心限制在於「預測誤差」會直接傳遞至決策結果，因此預測模型的校準（Calibration）是此方法成敗的關鍵。

在臺灣企業的業務持續管理（BCM）實務中，Predict-then-optimise通常依以下步驟導入：第一步，建立關鍵業務指標（KRI）的預測模型，例如預測未來48小時內供應商交付延遲的機率分佈；第二步，設計對應的緩衝策略模型，將預測結果轉化為庫存安全水位或備援資源配置指令；第三步，建立閉環回饋機制，根據實際執行結果調整預測模型參數。例如，某臺灣汽車零件供應商在面對全球物流不確定性時，透過預測零件交期波動，動態調整生產排程，成功將生產中斷風險降低25%。此方法相較於靜態BCP計畫，能使企業在不確定環境中維持95%以上的服務水平，符合ISO 22301第8.4條關於業務衝擊分析（BIA）的動態應對要求。

臺灣企業導入此方法主要面臨三個挑戰：首先是數據孤島問題，許多企業的生產、物流與銷售數據分散於不同系統，導致預測模型缺乏訓練樣本，建議透過ISO 27701認證下的數據整合平臺解決；其次是技術人才稀缺，臺灣企業缺乏同時精通統計學與業務領域的複合型人才，企業應考慮與學術機構或專業顧問公司合作；第三是文化抗拒，高階主管習慣依經驗決策而非模型輸出，需透過量化效益驗證（如導入前與導入後風險事件減少率）來建立信任。建議企業採取「先小規模驗證、後全域推廣」策略，首年目標設定為降低15%的營運中斷損失，成功後再擴大至全供應鏈管理。