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 研發科技與資訊管理研究所

大綱 緖 論 實證結果 四 一 文獻回顧 二 結議與建議 五 三 研究方法 4.1 移動平均法 1.1 研究背景與動機 4.2 田口實驗設計 緖 論 一 實證結果 四 1.1 研究背景與動機 1.2 研究目的 1.3 研究範圍與限制 4.1 移動平均法 4.2 田口實驗設計 4.3 支援向量機 4.4 資料包絡分析 文獻回顧 二 結議與建議 五 2.1 易腐性商品相關文獻回顧 2.2 移動平均法 2.3 支援向量機 2.4 資料包絡分析 5.1 結論 5.2 建議 5.3 未來研究方向 研究方法 三 3.1 研究架構 3.2 研究對象與資料來源 3.3 研究工具

第一章 緒論 1.1 1.2 1.3 研究範圍與限制 研究動機與背景 研究目的

1.1 研究背景與動機 近年來因時代環境的變遷與生活結構的改變，讓易腐性商品的存貨政策開始備受注目。 1.1 研究背景與動機 近年來因時代環境的變遷與生活結構的改變，讓易腐性商品的存貨政策開始備受注目。 以便利商店來說，由於外食人口逐年增加，鮮食商品是便 利商店最能表現出差異化的服務。但鮮食卻是屬於易腐 性，常常讓店長不易準確預估每天的訂貨量。 一般便利商店主要是參考POS系統作為各項訂貨的依據，部份時候，以店長自由心証下決策，往往其訂購的結果也會與事實需求有所落差。 若有一套有科學依據的訂貨模式，可以讓經營者快速且正確的掌握訂貨數量，將可為企業創造更佳的競爭優勢。

為提高SVM分析的準確度，本研究運用田口方法，找出影響SVM預測最佳訂購量的關鍵因素組合 1.1 研究背景與動機 第一階段 第二階段 第三階段 微調移動平均法的數量，使訂購量更加精確 分配各項便當訂購量 資料包絡分析 移動平均 支援向量機 計算粗略整體訂購量 為提高SVM分析的準確度，本研究運用田口方法，找出影響SVM預測最佳訂購量的關鍵因素組合 原因1 便當是屬於低涉入、低轉換成本及替代性高的商品，所以當顧客買不到想要的便當口味時，很可能會改購買其他口味的便當 原因2 風險共擔(Rise Pooling)的概念，將所有的需求彙總起來，需求變異性將會降低，就能減少存貨並提高利益。

1.2 研究目的 利用田口實驗法，找出影響訂購決策中的關鍵因素組合 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。 1.2 研究目的 利用田口實驗法，找出影響訂購決策中的關鍵因素組合 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。 以資料包絡法，建議業者可以以什麼樣的訂購組合，以提高利潤 。 根據此統一超商的特性，發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，影響變數極多，若選定過多家的門市進行研究分析，可能增加其分析困難度。 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，影響變數極多，若選定過多家的門市進行研究分析，可能增加其分析困難度。 以便當類的品項作為研究對象。便當的毛利很低，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 2.1 2.2 2.3 2.4 易腐性商品相關文獻回顧 移動平均法 支援向量機 資料包絡分析

2.1 易腐性商品相關文獻回顧 一般常見的存貨政策為經濟訂購批量(EOQ)，EOQ是常被引用於決定每次最佳訂購數量的方法；另一個常被運用在決定易腐性商品的訂購量為報童模式。 適合運用在預測明確且需求固定的環境之下，當未來狀況難以預料且需求為變動的狀態下，就會造成不符合實際狀況的訂購量。 經濟訂購量 考慮到風險共擔的概念，所以直接預測整體便當的訂購量，由於報童模式只適用於單一商品的計算，並不適合運用在此研究當中。 報童模式

2.2 移動平均法 移動平均法的優點就是計算相當的簡單，因此常被用來預測走勢、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點，且計算出的結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 表示包括計算日在內回溯n天的數據之和

2.3 支援向量機(1/3) 支援向量機(Support Vector Machines;SVM)是Vapnik在1995與AT&T實驗室團隊所研發出的一個新方法，主要是由統計學習理論為基礎所發展出來的機器學習系統。 SVM是近幾年才開始發展的新技術，主要是用來解決分類技術與預測問題的工具，而且在解決小樣本、非線性及高維模式識別問題中表現出許多優勢。目前SVM已經被成功的運用在許多領域當中，表2為來學者近年運用SVM所做的相關研究。 SVM被運用在各個領域當中，但很少人會將SVM運用在預測訂貨量上。本研究將運用SVM來修正移動平均法的數量，使訂購量更符合實際情況。

2.3 資料包絡分析 資料包絡分析(DEA)乃是一種效率的衡量方法，其理論基礎建立在包絡線（Envelopment）上。主要是利用包絡線的技術替代一般個體經濟學中的生產函數，求得決策單位（Decision Measurement Unit；以下簡稱 DMU）所有投入與產出之生產組合中，最有利生產組合所形成的效率邊界（Efficiency Frontier）。 包絡線 圖 1 投出產出效率圖 本研究希望透過DEA，找出各 DMU(便當)的相對效率值，並且調整無效率之決策單位，以達到最有效率的銷售狀態。

第三章 研究方法 3.1 3.2 3.3 研究對象與資料來源 研究工具 研究架構

第二階段：報廢預警系統(考慮影響訂購量的因素，加以微調) 3.1 研究架構 第一階段：計算基本訂購量 移動平均 支援向量機 第三階段：資源分配 第二階段：報廢預警系統(考慮影響訂購量的因素，加以微調) 田口實驗設計 (確認影響訂購量的關鍵組合因素) 資料包絡分析法(DEA) (確認各種便當之訂購量)

3.2 研究對象與資料來源 研究對象：統一超商的便當 資料收集地點：以台中市某家統一超商 時間： 98年9月17到98年11月30共計75天 3.2 研究對象與資料來源 研究對象：統一超商的便當 資料收集地點：以台中市某家統一超商 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、替代品促銷活動、氣候、氣溫、各項便當的成本與利潤等九項。

3.3 研究工具 EXCEL(移動平均法、田口實驗設計) MY SVM(支援向量機) DEA SOLVER 5.0(資料包絡分析) 3.3 研究工具 EXCEL(移動平均法、田口實驗設計) MY SVM(支援向量機) 選擇核心函數並調整參數：常見的核心函數有線性、多項式、放射性、S型等。許多學者也針對不同的核心 函數進行比較，其RBF能有效建立的預測模型(Choy & Chan 2003;Yu et al. 2004) 因此本研究選用放射性為核心函數。 因子之選擇：以田口實驗分析法。 DEA SOLVER 5.0(資料包絡分析)

SVM核心函數之選擇 表3 98年9月17至10月30共45筆(Training) Kernel radial (RFB) gamma=0.1 gamma=0.01 gamma=0.001 gamma=1 gamma=10 C=0.1 0.711 C=1 0.722 0.9 1 C=10 0.905 0.717 C=100 0.956 0.839 C=1000 0.894 0.767 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組合。 表4 98年9月17至10月30共45筆(Training) Kernel radial (RFB) gamma=0.1 gamma=0.01 gamma=0.001 gamma=1 gamma=10 C=0.1 0.711 C=1 0.578 C=10 0.6 0.622 0.689 C=100 0.667 C=1000 0.645 0.644

田口實驗設計 田口實驗設計係由田口玄一博士(Dr. Genichi Taguchi)於 1950年所開發出的品質工程方法。主要是利用簡單的直交 表實驗設計與簡潔的變異數分析，以少量的實驗數據進行分析，可有效提昇產品品質 。 篩選影響出SVM預測準確度的因素 檢測各因子間有無交互作用 減少實驗次數 以田口方法的系統性作法篩選出最佳組合的因素，以提高SVM預測的準確度。

資料包絡分析 DMU：本研究的決策單位為7-11的便當種類 投入產出項之選擇 投入項：進貨量 產出項：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、產出項相關分析 進貨 銷貨 利潤 1 0.884 0.469 0.822

第四章 實證結果與分析 4.1 4.2 4.3 4.4 田口實驗設計 移動平均法 資料包絡分析 支援向量機

4.1 移動平均法 本研究將預測98年11月1日至11月30日便當的訂購量，以六天為一期，其預測值透過EXCEL的運算。如不能整除就採用四捨五入法，將數值取至整數，如表6所示： 表6 以移動平均法預測每日便當訂購量 時間起迄 預測日期 每日訂購量 移動平均 10月26日至10月31日 11月1日 12 13 11 15 10 10月27日至11月1日 11月2日 17 14 10月28日至11月2日 11月3日 10月29日至11月3日 11月4日 10月30日至11月4日 11月5日 10月31日至11月5日 11月6日 11月1日 至11月6日 11月7日 11月2日 至11月7日 11月8日 11月3日 至11月8日 11月9日

4.2 田口分析(1/7) 本研究想要了解進貨與來客數間是否存交互作用、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生在第三行。 以九月至十月隨機抽樣二十天做田口分析，利用SVM的訓練模組求得Y平均值(準確度)，SVM的核心函數採用RBF，其參數選擇gamma=10 C=1。本研究希望準確度越高越好，因此品質特性採用望大計算出下表中的S/N值。 其計算結果如下表7所示：

4.2 田口分析-進貨與來客數(2/7) 表7可知最佳預測因子組合為第一列(S/N=-10.212)，將所有因子放入預測會使結果最準確。 4.2 田口分析-進貨與來客數(2/7) 表7 分析進貨與來客數間是否存交互作用的田口實驗 進貨量 來客數 交互作用 氣溫 天氣 替代 促銷 Y平均值 (準確度) S/N 1 -10.212 2 0.95 -10.655 3 0.96 -10.55 4 0.85 -11.621 5 6 0.84 -11.748 7 0.66 -13.622 8 0.65 -13.949 註：1代表將此因子放入預測 2代表不將此因子放入預測 表7可知最佳預測因子組合為第一列(S/N=-10.212)，將所有因子放入預測會使結果最準確。

4.2 田口分析-進貨與來客數(3/7) 從表8與圖2可知，影響預測因素分為進貨量、來客數、氣溫、天氣最後為替代品促銷。 表8 因子反應表 4.2 田口分析-進貨與來客數(3/7) 表8 因子反應表 進貨量 (A) 來客數(B) 交互作用(A*B) 氣溫 (C) 天氣 (D) 替代促銷 (E) AVE -11.627 Level 1 -10.759 -10.818 -12.109 -11.259 -11.038 -11.609 Level 2 -12.493 -12.436 -11.144 -11.993 -11.638 -11.644 Effect 1.734 1.618 0.966 0.7335 0.59981 0.0345 從表8與圖2可知，影響預測因素分為進貨量、來客數、氣溫、天氣最後為替代品促銷。 圖2 因子反應圖

4.2 田口分析-進貨與來客數(4/7) 結果 表9 進貨與來客數交互作用表 4.2 田口分析-進貨與來客數(4/7) 表9 進貨與來客數交互作用表 結果 一般而言，若兩因子間發生「強交互作用」，最好需將兩者其中一個予以刪除；而「弱交互作用」則還是可以接受。從圖3可看出，兩者是的確有交互作用，但屬於弱交互作用，因此本研究不刪除兩者其中之一。接下來，本研究分析天氣與氣溫間是否存交互作用。 A1 A2 B1 -10.437 -11.205 B2 -11.089 -13.788 A1 A2 圖3 進貨與來客數交互作用

4.2 田口分析-天氣與氣溫(5/7) 表10可知最佳預測因子組合為第一列(S/N=-10.212)，將所有因子放入預測會使結果最準確。 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田口實驗 氣溫 天氣 交互作用 進貨量 來客數 替代 促銷 Y平均值 (準確度) S/N 1 -10.212 2 0.788 -12.281 3 0.988 -10.317 4 0.763 -12.566 5 0.875 -11.37 6 7 0.825 -11.881 8 0.9 -10.399 註：1代表將此因子放入預測 2代表不將此因子放入預測 表10可知最佳預測因子組合為第一列(S/N=-10.212)，將所有因子放入預測會使結果最準確。

4.2 田口分析-天氣與氣溫(6/7) 從表11與圖4可知，影響預測因素分為進貨量、來客數、替代品促銷、天氣最後為氣溫。 表11 因子反應表 4.2 田口分析-天氣與氣溫(6/7) 表11 因子反應表 氣溫 (A) 天氣 (B) 交互作用 (A*B) 進貨量 (C) 來客數 (D) 替代促銷(E) AVE =-11.413 Level 1 -11.344 -11.536 -11.193 -10.945 -11.125 -11.137 Level 2 -11.483 -11.291 -11.634 -11.882 -12.025 -11.690 Effect 0.1388 0.2453 0.4403 0.9368 0.899 0.5533 從表11與圖4可知，影響預測因素分為進貨量、來客數、替代品促銷、天氣最後為氣溫。 圖4 因子反應圖

4.2 田口分析-天氣與氣溫(7/7) 結果 表12 天氣與氣溫交互作用表 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 結果 從圖3可知天氣與氣溫存在著強烈的交互交作用，需刪除其中一個。本研究從十一月份的資料隨機抽取十天進行測試，結果發現刪除氣溫會讓利潤最高，因此，最佳預測因子組合為，進貨量、來客數、天氣與替代品促銷。 A1 A2 B1 -11.2473 -11.8263 B2 -11.4423 -11.1409 A1 A2 圖5 氣溫與天氣交互作用

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，將計算出的結果加減五，進行SVM的預測 移動平均法 來客數 替代品促銷活動 天氣 進貨 圖4 SVM預測資料整理

4.1 移動平均法 本研究將預測98年11月1日至11月30日便當的訂購量，以六天為一期，其預測值透過EXCEL的運算。如不能整除就採用四捨五入法，將數值取至整數，如表6所示： 表6 以移動平均法預測每日便當訂購量 時間起迄 預測日期 每日訂購量 移動平均 10月26日至10月31日 11月1日 12 13 11 15 10 10月27日至11月1日 11月2日 17 14 10月28日至11月2日 11月3日 10月29日至11月3日 11月4日 10月30日至11月4日 11月5日 10月31日至11月5日 11月6日 11月1日 至11月6日 11月7日 11月2日 至11月7日 11月8日 11月3日 至11月8日 11月9日

4.3 支援向量機(2/5) 因為便當的成本高於利潤3.5倍，所以11月8日選擇11為預測訂購量。後面的預測以此類推。 圖5 SVM分析結果 4.3 支援向量機(2/5) 因為便當的成本高於利潤3.5倍，所以11月8日選擇11為預測訂購量。後面的預測以此類推。 有”－”代表不會有報廢 11 12 沒有”－”代表會有報廢 圖5 SVM分析結果

4.3 支援向量機(3/5) 表 13 SVM預測結果 11/1 17 13 16 15 11/2 14 11/3 11/4 12 9 4.3 支援向量機(3/5) 表 13 SVM預測結果 店長進貨 移動平均 SVM預測 (原始設計) (最佳設計) 11/1 17 13 16 15 11/2 14 11/3 11/4 12 9 11/5 11/6 18 11/7 20 10 11 11/8 19 11/9 11/10 11/11 11/12 11/13 11/14 11/15 11/16 11/17

4.3 支援向量機(4/5) 表 13 SVM預測結果(續) 店長進貨 移動平均 SVM預測 (原始設計) (最佳設計) 11/18 17 12 10 11/19 13 11 11/20 14 11/21 9 11/22 11/23 11/24 6 11/25 8 11/26 11/27 11/28 11/29 11/30 賣出便當數 328 308 300 293 報廢便當 82 44 43 32 損失 3610.46 1937.32 1893.29 1408.96 利潤 4011.44 3766.84 3669 3583.39 淨值 400.98 1829.52 1805.71 2174.43 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預測結果 店長進貨 移動平均 SVM預測 (原始設計) (最佳設計) 賣出便當數 328 308 300 293 報廢便當 82 44 43 32 損失 3610.46 1937.32 1893.29 1408.96 利潤 4011.44 3766.84 3669 3583.39 淨值 400.98 1829.52 1805.71 2174.43 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 用SVM微調之後的預測，可得到2174.43淨利比移動平均法多出345元，且比店長依經驗法則所推算出的訂購量提升了許多利潤。

4.4 資料包絡分析(1/6) 以11月8日為預測對象，將11月1日至11月7日進貨量進行平均，所得的數據如表12所示： 表15 11月1日至11月7日平均進貨量 品名 平均進貨量 國民便當 2 新國民便當 3 奮起湖便當 新國民便當-排骨 國民便當-雞排 1 招牌雙拼便當 真飽便當-碳烤香雞排 奮起湖便當60年紀念版 日本咖哩豬排飯 總量 17

4.3 支援向量機(3/5) 表 13 SVM預測結果 11/1 17 13 16 15 11/2 14 11/3 11/4 12 9 4.3 支援向量機(3/5) 表 13 SVM預測結果 店長進貨 移動平均 SVM預測 (原始設計) (最佳設計) 11/1 17 13 16 15 11/2 14 11/3 11/4 12 9 11/5 11/6 18 11/7 20 10 11 11/8 19 11/9 11/10 11/11 11/12 11/13 11/14 11/15 11/16 11/17

4.4 資料包絡分析(2/6) DMU Score Rank 國民便當 0.933 4 新國民便當 0.944 3 奮起湖便當 0.833 表16 效率分析表 DMU Score Rank 國民便當 0.933 4 新國民便當 0.944 3 奮起湖便當 0.833 7 新國民便當-排骨 0.867 6 國民便當-雞排 0.667 8 招牌雙拼便當 1 真飽便當-碳烤香雞排 奮起湖便當60年紀念版 0.9 5 日本咖哩豬排飯 0.333 9 -1 -1 -1 -1 -1 -1

4.4 資料包絡分析(3/6) DMU 原本進貨量 調整後進貨量 國民便當 2 1 新國民便當 3 奮起湖便當 新國民便當-排骨 4.4 資料包絡分析(3/6) 表17 調整後數量 DMU 原本進貨量 調整後進貨量 國民便當 2 1 新國民便當 3 奮起湖便當 新國民便當-排骨 國民便當-雞排 招牌雙拼便當 真飽便當-碳烤香雞排 奮起湖便當60年紀念版 日本咖哩豬排飯 總量 17 11

4.4 資料包絡分析(4/6) 表18 11月8日比較表 11月8日實際情況 本研究的方法 便當品項 進貨 銷貨 報廢 淨利 2 1 表18 11月8日比較表 11月8日實際情況 本研究的方法 便當品項 進貨 銷貨 報廢 淨利 國民便當 2 1 -106.18 96.49 新國民便當 3 奮起湖便當 新國民便當-排骨 國民便當-雞排 招牌雙拼便當 真飽便當-碳烤香雞排 奮起湖便當60年紀念版 日本咖哩豬排飯 總額 17 12 5 11 10 158.17 264.35 145.99 49.5

4.4 資料包絡分析(5/6) 本研究隨機抽取十天，依據上述分析11月8日所示的方式，推算出其他九天各項便當的最佳訂量，所得的結果如下： 圖6 兩種不同決策模式所獲利潤之比較圖

4.4 資料包絡分析(6/6) 表19 整合比較表 日期 店長決策模式 三階段決策模式 平均利潤差 最大利潤差 11月4日 -34 6 63.3 245 11月7日 -108 -30 11月8日 -106 96 11月12日 74 33 11月13日 139 155 11月15日 -9 25 11月17日 -279 11月22日 144 92 11月24日 133 11月27日 -46 65 平均值 -9.2 54.1 從表19能證明DEA能有效的分配各項便當的訂購量，而本研究的方法能有效的提高利潤及降低存貨成本。

第五章 結論與建議 5.1 5.2 5.3 未來研究方向 結論 建議

5.1 結論 結論一、 結論二、 結論三、 結論四、 經由田口實驗設計篩選後，最佳預測因子組合為進貨量、來客數、天氣與替代品促銷。 5.1 結論 經由田口實驗設計篩選後，最佳預測因子組合為進貨量、來客數、天氣與替代品促銷。 結論一、 本研究也發現天氣與氣溫因存在著強烈的交互作用，所以造成依原始設計的SVM預測結果比移動平均法得到的結果還要差。因此在進行SVM預測之前，必須謹慎地篩選因子，以免出現錯誤的預測結果。 結論二、 依試驗結果顯示，單純使用移動平均法就可比依店長經驗訂購便當的方式，產生更多的利潤。當進一步採用SVM微調移動平均法 (以進貨量、來客數、天氣、替代品促銷的因子組合)，將可得到更高淨利。 結論三、 依本研究之隨機試驗證明，藉助DEA判斷各式便當的效率，並據以分配各式便當的數量，可有效地提高零售商的利潤。 結論四、

5.2 建議 本研究建議做SVM因子篩選時可以選用田口實驗設計，可以減少時實驗次數，並得到穩健的結果。 5.2 建議 本研究建議做SVM因子篩選時可以選用田口實驗設計，可以減少時實驗次數，並得到穩健的結果。 影響訂購決策的最重要因素為進貨量、來客數與替代品促銷活動，建議業者在決定便當訂購量時，可以優先考量這三項因素。 本研究提出的模式不僅可以運用在統一超商的便當上，在其他易腐性商品也可以運用。

5.3 未來研究方向 在收集預測因子時，本研究只考慮到零售商本身可能發生的情況。但在實務上，許多企業在預測訂貨量時，通常會考慮競爭者的策略因素。 加入競爭者因素

討論－重要觀念 依問題本質作決策 每種方法應融會貫通 各種方法不一定限定在固定的領域 針對每項研究目的不一定只有一種方法可達成 小題大做 排序、最佳化、分類、多目標、二元… 每種方法應融會貫通 各種方法不一定限定在固定的領域 排序挑最佳者 SVM 之應用、田口方法之應用 針對每項研究目的不一定只有一種方法可達成 如何由台北到高雄 SVMLogistic 小題大做

報告結束 謝謝聆聽!!