易腐性商品二階段最佳補(bǔ)貨策略

1、易腐性商品三階段最佳補(bǔ)貨策略之研究,黃嘉彥 教授勤益科技大學(xué) 研發(fā)科技與資訊管理研究所,大綱,,1.1 研究背景與動(dòng)機(jī) 1.2 研究目的 1.3 研究範(fàn)圍與限制,2.1 易腐性商品相關(guān)文獻(xiàn)回顧 2.2 移動(dòng)平均法 2.3 支援向量機(jī) 2.4 資料包絡(luò)分析,3.1 研究架構(gòu) 3.2 研究對(duì)象與資料來源 3.3 研究

2、工具,4.1 移動(dòng)平均法 4.2 田口實(shí)驗(yàn)設(shè)計(jì) 4.3 支援向量機(jī) 4.4 資料包絡(luò)分析,5.1 結(jié)論 5.2 建議 5.3 未來研究方向,,,研究動(dòng)機(jī)與背景,1.1,1.3,,1.2,研究目的,研究範(fàn)圍與限制,,,,第一章 緒論,1.1 研究背景與動(dòng)機(jī),近年來因時(shí)代環(huán)境的變遷與生活結(jié)構(gòu)的改變，讓易腐性商品的存貨政策開始備受注目。以便利商店來說

3、，由於外食人口逐年增加，鮮食商品是便 利商店最能表現(xiàn)出差異化的服務(wù)。但鮮食卻是屬於易腐 性，常常讓店長不易準(zhǔn)確預(yù)估每天的訂貨量。 一般便利商店主要是參考POS系統(tǒng)作為各項(xiàng)訂貨的依據(jù)，部份時(shí)候，以店長自由心証下決策，往往其訂購的結(jié)果也會(huì)與事實(shí)需求有所落差。若有一套有科學(xué)依據(jù)的訂貨模式，可以讓經(jīng)營者快速且正確的掌握訂貨數(shù)量，將可為企業(yè)創(chuàng)造更佳的競爭優(yōu)勢。,1.1 研究背景與動(dòng)機(jī),,,為提高SVM分析的準(zhǔn)確度，本研

4、究運(yùn)用田口方法，找出影響SVM預(yù)測最佳訂購量的關(guān)鍵因素組合,1.2 研究目的,利用田口實(shí)驗(yàn)法，找出影響訂購決策中的關(guān)鍵因素組合運(yùn)用支援向量機(jī)，精準(zhǔn)地算出便當(dāng)整體的訂購量，以降低成本。以資料包絡(luò)法，建議業(yè)者可以以什麼樣的訂購組合，以提高利潤 。根據(jù)此統(tǒng)一超商的特性，發(fā)展出一套適合的訂貨方式。,1.3 研究範(fàn)圍與限制,僅研究單一特定門市。因考量各門市特性的差異性，影響變數(shù)極多，若選定過多家的門市進(jìn)行研究分析，可能增加其分析

5、困難度。以便當(dāng)類的品項(xiàng)作為研究對(duì)象。便當(dāng)?shù)拿艿?，且保存期限又短，若沒有售出並無法退貨會(huì)造成門市的損失，因此本研究選定日配品中的便當(dāng)類為研究對(duì)象。,,第二章 文獻(xiàn)回顧,,,,易腐性商品相關(guān)文獻(xiàn)回顧,2.1,2.2,2.3,2.4,移動(dòng)平均法,支援向量機(jī),資料包絡(luò)分析,,,,,2.1 易腐性商品相關(guān)文獻(xiàn)回顧,一般常見的存貨政策為經(jīng)濟(jì)訂購批量(EOQ)，EOQ是常被引用於決定每次最佳訂購數(shù)量的方法；另一個(gè)常

6、被運(yùn)用在決定易腐性商品的訂購量為報(bào)童模式。,2.2 移動(dòng)平均法,移動(dòng)平均法的優(yōu)點(diǎn)就是計(jì)算相當(dāng)?shù)暮唵?，因此常被用來預(yù)測走勢、存貨、銷售及其他的趨勢等。移動(dòng)平均法只需銷售量就能推算出下期訂購量，此方法不但具有計(jì)算簡單的優(yōu)點(diǎn)，且計(jì)算出的結(jié)果也有良好的準(zhǔn)確度，因此本研究以移動(dòng)平均法來粗略算出整體訂購量。以下為移動(dòng)平均法的公式：N：移動(dòng)平均所用的天數(shù) 表示包括計(jì)算日在內(nèi)回溯n天的數(shù)據(jù)之和,,,2.3 支援向量機(jī)(1/3),支援向量機(jī)

7、(Support Vector Machines;SVM)是Vapnik在1995與AT&T實(shí)驗(yàn)室團(tuán)隊(duì)所研發(fā)出的一個(gè)新方法，主要是由統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)所發(fā)展出來的機(jī)器學(xué)習(xí)系統(tǒng)。SVM是近幾年才開始發(fā)展的新技術(shù)，主要是用來解決分類技術(shù)與預(yù)測問題的工具，而且在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多優(yōu)勢。目前SVM已經(jīng)被成功的運(yùn)用在許多領(lǐng)域當(dāng)中，表2為來學(xué)者近年運(yùn)用SVM所做的相關(guān)研究。,SVM被運(yùn)用在各個(gè)領(lǐng)域當(dāng)中，但很

8、少人會(huì)將SVM運(yùn)用在預(yù)測訂貨量上。本研究將運(yùn)用SVM來修正移動(dòng)平均法的數(shù)量，使訂購量更符合實(shí)際情況。,2.3 資料包絡(luò)分析,資料包絡(luò)分析(DEA)乃是一種效率的衡量方法，其理論基礎(chǔ)建立在包絡(luò)線（Envelopment）上。主要是利用包絡(luò)線的技術(shù)替代一般個(gè)體經(jīng)濟(jì)學(xué)中的生產(chǎn)函數(shù)，求得決策單位（Decision Measurement Unit；以下簡稱 DMU）所有投入與產(chǎn)出之生產(chǎn)組合中，最有利生產(chǎn)組合所形成的效率邊界（Efficienc

9、y Frontier）。,本研究希望透過DEA，找出各 DMU(便當(dāng))的相對(duì)效率值，並且調(diào)整無效率之決策單位，以達(dá)到最有效率的銷售狀態(tài)。,圖 1 投出產(chǎn)出效率圖,包絡(luò)線,,,研究架構(gòu),3.1,3.3,,3.2,研究對(duì)象與資料來源,研究工具,,,,第三章 研究方法,3.1 研究架構(gòu),第二階段：報(bào)廢預(yù)警系統(tǒng)(考慮影響訂購量的因素，加以微調(diào)),資料包絡(luò)分析法(DEA) (確認(rèn)各種便當(dāng)之訂購量),,,

10、,田口實(shí)驗(yàn)設(shè)計(jì),(確認(rèn)影響訂購量的關(guān)鍵組合因素),3.2 研究對(duì)象與資料來源,研究對(duì)象：統(tǒng)一超商的便當(dāng)資料收集地點(diǎn)：以臺(tái)中市某家統(tǒng)一超商時(shí)間： 98年9月17到98年11月30共計(jì)75天收集資料範(fàn)圍：進(jìn)貨、銷貨、報(bào)廢、來客數(shù)、替代品促銷活動(dòng)、氣候、氣溫、各項(xiàng)便當(dāng)?shù)某杀九c利潤等九項(xiàng)。,3.3 研究工具,EXCEL(移動(dòng)平均法、田口實(shí)驗(yàn)設(shè)計(jì))MY SVM(支援向量機(jī)) 選擇核心函數(shù)並調(diào)整參數(shù)：常見的核心函數(shù)有線性

11、、多項(xiàng)式、放射性、S型等。許多學(xué)者也針對(duì)不同的核心 函數(shù)進(jìn)行比較，其RBF能有效建立的預(yù)測模型(Choy & Chan 2003;Yu et al. 2004) 因此本研究選用放射性為核心函數(shù)。 因子之選擇：以田口實(shí)驗(yàn)分析法。DEA SOLVER 5.0(資料包絡(luò)分析),SVM核心函數(shù)之選擇,表3 98年9月17至10月30共45筆(Training),表4 98年9月17至10月30共4

12、5筆(Training),,,,,在gamma=10、c=1 的水準(zhǔn)之下，Training的Accuracy =1且Test的Accuracy達(dá)到0.711，比其他組合來得好，因此本研究選擇gamma=10 、c=1的組合當(dāng)作本研究的參數(shù)組合。,田口實(shí)驗(yàn)設(shè)計(jì),田口實(shí)驗(yàn)設(shè)計(jì)係由田口玄一博士(Dr. Genichi Taguchi)於 1950年所開發(fā)出的品質(zhì)工程方法。主要是利用簡單的直交 表實(shí)驗(yàn)設(shè)計(jì)與簡潔的變異數(shù)分析，以

13、少量的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，可有效提昇產(chǎn)品品質(zhì) 。,資料包絡(luò)分析,DMU：本研究的決策單位為7-11的便當(dāng)種類投入產(chǎn)出項(xiàng)之選擇 投入項(xiàng)：進(jìn)貨量 產(chǎn)出項(xiàng)：銷貨量與每項(xiàng)便當(dāng)實(shí)際銷售所得之利潤評(píng)估模式之選擇：以CCR為評(píng)估模式,表5 投入、產(chǎn)出項(xiàng)相關(guān)分析,,第四章 實(shí)證結(jié)果與分析,,,,移動(dòng)平均法,4.1,4.2,4.3,4.4,田口實(shí)驗(yàn)設(shè)計(jì),支援向量機(jī),資料包絡(luò)分析,,,,4.1

14、 移動(dòng)平均法,本研究將預(yù)測98年11月1日至11月30日便當(dāng)?shù)挠嗁徚?，以六天為一期，其預(yù)測值透過EXCEL的運(yùn)算。如不能整除就採用四捨五入法，將數(shù)值取至整數(shù)，如表6所示：,表6 以移動(dòng)平均法預(yù)測每日便當(dāng)訂購量,4.2 田口分析(1/7),本研究想要了解進(jìn)貨與來客數(shù)間是否存交互作用、天氣與氣溫間是否也有交互作用，因此本研究需做兩次田口分析(樣本是採用同樣的二十天)。將要檢測的兩個(gè)因子分別放入一、二行，兩者之間的交互作用就會(huì)發(fā)生在第三

15、行。 以九月至十月隨機(jī)抽樣二十天做田口分析，利用SVM的訓(xùn)練模組求得Y平均值(準(zhǔn)確度)，SVM的核心函數(shù)採用RBF，其參數(shù)選擇gamma=10 C=1。本研究希望準(zhǔn)確度越高越好，因此品質(zhì)特性採用望大計(jì)算出下表中的S/N值。 其計(jì)算結(jié)果如下表7所示：,4.2 田口分析-進(jìn)貨與來客數(shù)(2/7),表7 分析進(jìn)貨與來客數(shù)間是否存交互作用的田口實(shí)驗(yàn),註：1代表將此因子放入預(yù)測 2代表不將此因子放入預(yù)測,表7可知最佳預(yù)測因子

16、組合為第一列(S/N=-10.212)，將所有因子放入預(yù)測會(huì)使結(jié)果最準(zhǔn)確。,,4.2 田口分析-進(jìn)貨與來客數(shù)(3/7),表8 因子反應(yīng)表,從表8與圖2可知，影響預(yù)測因素分為進(jìn)貨量、來客數(shù)、氣溫、天氣最後為替代品促銷。,圖2 因子反應(yīng)圖,4.2 田口分析-進(jìn)貨與來客數(shù)(4/7),表9 進(jìn)貨與來客數(shù)交互作用表,圖3 進(jìn)貨與來客數(shù)交互作用,4.2 田口分析-天氣與氣溫(5/7),表10 分析天氣與氣溫間是否存交互作用的

17、田口實(shí)驗(yàn),註：1代表將此因子放入預(yù)測 2代表不將此因子放入預(yù)測,表10可知最佳預(yù)測因子組合為第一列(S/N=-10.212)，將所有因子放入預(yù)測會(huì)使結(jié)果最準(zhǔn)確。,,4.2 田口分析-天氣與氣溫(6/7),表11 因子反應(yīng)表,從表11與圖4可知，影響預(yù)測因素分為進(jìn)貨量、來客數(shù)、替代品促銷、天氣最後為氣溫。,圖4 因子反應(yīng)圖,4.2 田口分析-天氣與氣溫(7/7),表12 天氣與氣溫交互作用表,圖5 氣溫與天氣交互作用

18、,4.3 支援向量機(jī)(1/5),以11月8日為例，以移動(dòng)平均法計(jì)算訂購量之後，將計(jì)算出的結(jié)果加減五，進(jìn)行SVM的預(yù)測,圖4 SVM預(yù)測資料整理,4.1 移動(dòng)平均法,本研究將預(yù)測98年11月1日至11月30日便當(dāng)?shù)挠嗁徚?，以六天為一期，其預(yù)測值透過EXCEL的運(yùn)算。如不能整除就採用四捨五入法，將數(shù)值取至整數(shù)，如表6所示：,表6 以移動(dòng)平均法預(yù)測每日便當(dāng)訂購量,,4.3 支援向量機(jī)(2/5),因?yàn)楸惝?dāng)?shù)某杀靖哽独麧?.5倍，所以1

19、1月8日選擇11為預(yù)測訂購量。後面的預(yù)測以此類推。,,有”－”代表不會(huì)有報(bào)廢,沒有”－”代表會(huì)有報(bào)廢,,圖5 SVM分析結(jié)果,11,12,4.3 支援向量機(jī)(3/5),表 13 SVM預(yù)測結(jié)果,4.3 支援向量機(jī)(4/5),表 13 SVM預(yù)測結(jié)果(續(xù)),註：成本=44.03(各項(xiàng)便當(dāng)成本的平均值)，利潤12.23(各項(xiàng)便當(dāng)利潤的平均值,4.3 支援向量機(jī)(5/5),表 14 SVM預(yù)測結(jié)果,註：成本=44.03(各項(xiàng)便

20、當(dāng)成本的平均值)，利潤12.23(各項(xiàng)便當(dāng)利潤的平均值,,,用SVM微調(diào)之後的預(yù)測，可得到2174.43淨(jìng)利比移動(dòng)平均法多出345元，且比店長依經(jīng)驗(yàn)法則所推算出的訂購量提升了許多利潤。,4.4 資料包絡(luò)分析(1/6),以11月8日為預(yù)測對(duì)象，將11月1日至11月7日進(jìn)貨量進(jìn)行平均，所得的數(shù)據(jù)如表12所示：,表15 11月1日至11月7日平均進(jìn)貨量,4.3 支援向量機(jī)(3/5),表 13 SVM預(yù)測結(jié)果,,4.4 資料包絡(luò)分析

21、(2/6),,表16 效率分析表,-1,-1,-1,-1,-1,-1,4.4 資料包絡(luò)分析(3/6),表17 調(diào)整後數(shù)量,,,4.4 資料包絡(luò)分析(4/6),,,表18 11月8日比較表,4.4 資料包絡(luò)分析(5/6),本研究隨機(jī)抽取十天，依據(jù)上述分析11月8日所示的方式，推算出其他九天各項(xiàng)便當(dāng)?shù)淖罴延喠?，所得的結(jié)果如下：,40/51,圖6 兩種不同決策模式所獲利潤之比較圖,4.4 資料包絡(luò)分析(6/6),表19

22、 整合比較表,,從表19能證明DEA能有效的分配各項(xiàng)便當(dāng)?shù)挠嗁徚浚狙芯康姆椒苡行У奶岣呃麧櫦敖档痛尕洺杀尽?,,結(jié)論,5.1,5.3,,5.2,建議,未來研究方向,,,,第五章 結(jié)論與建議,5.1 結(jié)論,,,,經(jīng)由田口實(shí)驗(yàn)設(shè)計(jì)篩選後，最佳預(yù)測因子組合為進(jìn)貨量、來客數(shù)、天氣與替代品促銷。,本研究也發(fā)現(xiàn)天氣與氣溫因存在著強(qiáng)烈的交互作用，所以造成依原始設(shè)計(jì)的SVM預(yù)測結(jié)果比移動(dòng)平均法得到的結(jié)果還要差。

23、因此在進(jìn)行SVM預(yù)測之前，必須謹(jǐn)慎地篩選因子，以免出現(xiàn)錯(cuò)誤的預(yù)測結(jié)果。,依試驗(yàn)結(jié)果顯示，單純使用移動(dòng)平均法就可比依店長經(jīng)驗(yàn)訂購便當(dāng)?shù)姆绞?，產(chǎn)生更多的利潤。當(dāng)進(jìn)一步採用SVM微調(diào)移動(dòng)平均法 (以進(jìn)貨量、來客數(shù)、天氣、替代品促銷的因子組合)，將可得到更高淨(jìng)利。,依本研究之隨機(jī)試驗(yàn)證明，藉助DEA判斷各式便當(dāng)?shù)男?，並據(jù)以分配各式便當(dāng)?shù)臄?shù)量，可有效地提高零售商的利潤。,5.2 建議,5.3 未來研究方向,加入競爭者因素,,討論－重要觀念,