易腐性商品二階段最佳補貨策略

1、易腐性商品三階段最佳補貨策略之研究,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 研究背景與動機 1.2 研究目的 1.3 研究範圍與限制,2.1 易腐性商品相關(guān)文獻回顧 2.2 移動平均法 2.3 支援向量機 2.4 資料包絡(luò)分析,3.1 研究架構(gòu) 3.2 研究對象與資料來源 3.3 研究

2、工具,4.1 移動平均法 4.2 田口實驗設(shè)計 4.3 支援向量機 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,,,研究動機與背景,1.1,1.3,,1.2,研究目的,研究範圍與限制,,,,第一章 緒論,1.1 研究背景與動機,近年來因時代環(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)作為各項訂貨的依據(jù)，部份時候，以店長自由心証下決策，往往其訂購的結(jié)果也會與事實需求有所落差。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 研究背景與動機,,,為提高SVM分析的準確度，本研

4、究運用田口方法，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,利用田口實驗法，找出影響訂購決策中的關(guān)鍵因素組合運用支援向量機，精準地算出便當整體的訂購量，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行研究分析，可能增加其分析

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

6、被運用在決定易腐性商品的訂購量為報童模式。,2.2 移動平均法,移動平均法的優(yōu)點就是計算相當?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，此方法不但具有計算簡單的優(yōu)點，且計算出的結(jié)果也有良好的準確度，因此本研究以移動平均法來粗略算出整體訂購量。以下為移動平均法的公式：N：移動平均所用的天數(shù) 表示包括計算日在內(nèi)回溯n天的數(shù)據(jù)之和,,,2.3 支援向量機(1/3),支援向量機

7、(Support Vector Machines;SVM)是Vapnik在1995與AT&T實驗室團隊所研發(fā)出的一個新方法，主要是由統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)所發(fā)展出來的機器學(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別問題中表現(xiàn)出許多優(yōu)勢。目前SVM已經(jīng)被成功的運用在許多領(lǐng)域當中，表2為來學(xué)者近年運用SVM所做的相關(guān)研究。,SVM被運用在各個領(lǐng)域當中，但很

8、少人會將SVM運用在預(yù)測訂貨量上。本研究將運用SVM來修正移動平均法的數(shù)量，使訂購量更符合實際情況。,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)替代一般個體經(jīng)濟學(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)的相對效率值，並且調(diào)整無效率之決策單位，以達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) (確認各種便當之訂購量),,,

10、,田口實驗設(shè)計,(確認影響訂購量的關(guān)鍵組合因素),3.2 研究對象與資料來源,研究對象：統(tǒng)一超商的便當資料收集地點：以臺中市某家統(tǒng)一超商時間： 98年9月17到98年11月30共計75天收集資料範圍：進貨、銷貨、報廢、來客數(shù)、替代品促銷活動、氣候、氣溫、各項便當?shù)某杀九c利潤等九項。,3.3 研究工具,EXCEL(移動平均法、田口實驗設(shè)計)MY SVM(支援向量機) 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、、多項式、放射性、S型等。許多學(xué)者也針對不同的核心 函數(shù)進行比較，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：以田口實驗分析法。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 的水準之下，Training的Accuracy =1且Test的Accuracy達到0.711，比其他組合來得好，因此本研究選擇gamma=10 、c=1的組合當作本研究的參數(shù)組合。,田口實驗設(shè)計,田口實驗設(shè)計係由田口玄一博士(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 表實驗設(shè)計與簡潔的變異數(shù)分析，以

13、少量的實驗數(shù)據(jù)進行分析，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的便當種類投入產(chǎn)出項之選擇 投入項：進貨量 產(chǎn)出項：銷貨量與每項便當實際銷售所得之利潤評估模式之選擇：以CCR為評估模式,表5 投入、產(chǎn)出項相關(guān)分析,,第四章 實證結(jié)果與分析,,,,移動平均法,4.1,4.2,4.3,4.4,田口實驗設(shè)計,支援向量機,資料包絡(luò)分析,,,,4.1

14、 移動平均法,本研究將預(yù)測98年11月1日至11月30日便當?shù)挠嗁徚浚粤鞛橐黄?，其預(yù)測值透過EXCEL的運算。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 以移動平均法預(yù)測每日便當訂購量,4.2 田口分析(1/7),本研究想要了解進貨與來客數(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)。將要檢測的兩個因子分別放入一、二行，兩者之間的交互作用就會發(fā)生在第三

15、行。 以九月至十月隨機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。本研究希望準確度越高越好，因此品質(zhì)特性採用望大計算出下表中的S/N值。 其計算結(jié)果如下表7所示：,4.2 田口分析-進貨與來客數(shù)(2/7),表7 分析進貨與來客數(shù)間是否存交互作用的田口實驗,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)測會使結(jié)果最準確。,,4.2 田口分析-進貨與來客數(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-進貨與來客數(shù)(4/7),表9 進貨與來客數(shù)交互作用表,圖3 進貨與來客數(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、田口實驗,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)測會使結(jié)果最準確。,,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(1/5),以11月8日為例，以移動平均法計算訂購量之後，將計算出的結(jié)果加減五，進行SVM的預(yù)測,圖4 SVM預(yù)測資料整理,4.1 移動平均法,本研究將預(yù)測98年11月1日至11月30日便當?shù)挠嗁徚?，以六天為一期，其預(yù)測值透過EXCEL的運算。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 以移動平均法預(yù)測每日便當訂購量,,4.3 支援向量機(2/5),因為便當?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”－”代表不會有報廢,沒有”－”代表會有報廢,,圖5 SVM分析結(jié)果,11,12,4.3 支援向量機(3/5),表 13 SVM預(yù)測結(jié)果,4.3 支援向量機(4/5),表 13 SVM預(yù)測結(jié)果(續(xù)),註：成本=44.03(各項便當成本的平均值)，利潤12.23(各項便當利潤的平均值,4.3 支援向量機(5/5),表 14 SVM預(yù)測結(jié)果,註：成本=44.03(各項便

20、當成本的平均值)，利潤12.23(各項便當利潤的平均值,,,用SVM微調(diào)之後的預(yù)測，可得到2174.43淨(jìng)利比移動平均法多出345元，且比店長依經(jīng)驗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)測對象，將11月1日至11月7日進貨量進行平均，所得的數(shù)據(jù)如表12所示：,表15 11月1日至11月7日平均進貨量,4.3 支援向量機(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便當?shù)淖罴延喠浚玫慕Y(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能有效的分配各項便當?shù)挠嗁徚?，而本研究的方法能有效的提高利潤及降低存貨成本?,,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)由田口實驗設(shè)計篩選後，最佳預(yù)測因子組合為進貨量、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烈的交互作用，所以造成依原始設(shè)計的SVM預(yù)測結(jié)果比移動平均法得到的結(jié)果還要差。

23、因此在進行SVM預(yù)測之前，必須謹慎地篩選因子，以免出現(xiàn)錯誤的預(yù)測結(jié)果。,依試驗結(jié)果顯示，單純使用移動平均法就可比依店長經(jīng)驗訂購便當?shù)姆绞剑a(chǎn)生更多的利潤。當進一步採用SVM微調(diào)移動平均法 (以進貨量、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。,依本研究之隨機試驗證明，藉助DEA判斷各式便當?shù)男?，並據(jù)以分配各式便當?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,