XXXXXX學系 在不完全供貨下的零售商 存貨策略之探討 指導老師：XXX 博士 研 究 方 法 研究動機 研究目的 實證分析 結論與建議 研　　　　　　究　　　　　　方　　　　　　法 研究動機 現實供應鏈環境中，存在著許多不確定性因素，不太可能做到完全供貨，故而導致存貨管理上的困難。因此，選擇有效的存貨管理模式來因應各種變動才是致勝的關鍵 研究目的 透過顧客行為模式、零售模擬系統與類神經網路模型，分析在各種不確定因素下的完全與不完全供貨之四種存貨模式績效表現進而決定最適宜的存貨模式 顧客行為模式圖 類神經網路流程圖 模擬參數輸入介面 顧客進入商店 有想要買的商品 瀏覽 有 詢問是 沒有 沒有 否有庫存 吸引的 離開 顏色 降低存貨 有 紀錄缺貨 記錄銷售 沒有 吸引的 離開 樣式 另一個 繼續 有 商品 離開 瀏覽 什麼樣 的尺寸 記錄損失 另一個 繼續 顧客 離開 商品 瀏覽 實證分析 存貨模式 VMI (Vendor Management Inventory，供 應商管理庫存) 強調由取得下游零售商的需求及存貨資訊並做 出供應商直接管理並適時的補貨決策 QR(Quick Response，快速回應) 最大的特色便在於透過銷售季中的再訂購，對 其做修正以提高整體零售績效 Target Weeks Supply (週目標供應量模式) 簡單來說，便是以擁有足夠的庫存量來滿足目 標週數的需求為目標 Newsboy (報童模式) 維持再訂購期間內的顧客服務水準為主要目標 輸入參數與水準表 類神經網路架構圖 銷售季節長度 顏色需求預估誤差 需求量預估誤差 起始庫存水準 再訂購前置時間 服務水準(Service Level %) 機會損失比率 (Lost Sales %) 庫存周轉率( Inventory Turns) 平均庫存( Average Inventory) 款式需求預估誤差 尺寸需求預估誤差 年度毛利存貨週轉回報率 (GMROI) 銷售 季節長度 再訂購 前置 時間 衣服需求比例預估誤差 (顏色、款式、尺寸) 需求量 預估 誤差 起始庫存 水準 高 20 4 40/40/20 +20 60 中 15 3 20/20/10 50 低 10 2 0/0/0 -20 40 單位 weeks % 類神經網路分析 類神經網路訓練 利用3K factorial experiment來訓練與測試，觀察各種績效表現在不同供貨水準下所產生的MSE值 將80筆測試範例與類神經網路之預測值分別於做比較，發現eta=0.9；alpha=0.5；ANN=10時其誤差最小 (以Newsboy為例) 83筆訓練範例MSE值比較圖 (Newsboy100%供貨為例) 供貨 水準 100% 80% 60% 1.1.10 5.52% 6.49% 7.78% 5.1.10 4.23% 6.58% 9.47% 9.1.10 4.65% 6.22% 8.58% 1.1.15 6.41% 6.46% 8.22% 5.1.15 4.25% 7.42% 9.22% 9.1.15 5.58% 10.62% 1.1.20 5.17% 6.62% 7.62% 5.1.20 4.83% 6.99% 9.65% 9.1.20 4.96% 8.73% 9.74% 1.5.10 4.09% 7.18% 8.69% 5.5.10 4.81% 6.61% 9.59% 9.5.10 4.19% 6.29% 8.29% 1.5.15 4.88% 6.44% 9.84% 5.5.15 5.69% 6.70% 10.80% 9.5.15 4.52% 8.25% 11.14% 1.5.20 4.73% 6.45% 7.92% 5.5.20 5.28% 8.20% 11.21% 9.5.20 4.39% 7.86% 10.57% 1.9.10 4.16% 6.16% 10.66% 5.9.10 7.30% 7.91% 12.91% 9.9.10 5.64% 19.17% 16.81% 1.9.15 5.55% 7.60% 10.87% 5.9.15 5.57% 7.81% 13.02% 9.9.15 6.92% 9.92% 18.13% 1.9.20 3.74% 7.52% 10.84% 5.9.20 4.40% 9.05% 15.49% 9.9.20 11.47% 11.23% 15.78% 由80筆測試範例的驗證，可看出所建立 的五個類神經網路模型，其實際值與預 測值的誤差都在10%以下，亦即本研究所 訓練完成的預測模型準確度皆超過90% 由80筆誤差分析總表，可看出利用類神 經網路在100%及80%供貨的情況下Target Weekly Supply的誤差最小；VMI則在60% 供貨的情況下誤差最小 Newsboy在100%、80%、60%供貨條件下， 擁有最高的服務水準 服務水準隨之增加時，相對的犧牲了平 均庫存與庫存週轉率。因此，是否應提 高起始庫存水準應視實際情況而定 當庫存持有成本小，則應提高起始庫存 水準來帶動服務水準的上升，並可忽略 平均庫存量的增加 結論與建議 五種績效指標實際值與預測值之誤差表 (以Newsboy為例) 五種績效指標實際值與預測值之誤差總表 供貨水準 100% 80% 60% 輸出 預測誤差 平均庫存 1.791% 4.400% 6.699% 庫存周轉率 1.929% 1.986% 4.130% 服務水準 0.304% 0.918% 2.179% 機會損失比率 14.788% 19.054% 21.161% GMROI 2.138% 5.091% 7.286% 加總 20.950% 31.447% 41.454% 平均預測誤差(MAPE) 4.190% 6.289% 8.291% 標準差 5.969% 7.337% 7.481% 最大值 最小值 供貨 水準 存貨 模式 平均 庫存 周轉率 服務 機會損失 比率 GMROI 100% QR 1.57% 1.84% 0.52% 10.02% 2.82% VMI 1.87% 0.76% 6.24% 2.56% TWS 1.56% 1.48% 0.63% 3.81% 1.54% NB 1.79% 1.93% 0.30% 14.79% 2.14% 80% 2.84% 2.80% 1.58% 14.20% 3.20% 3.19% 2.57% 1.71% 9.86% 3.39% 3.15% 1.76% 2.21% 8.78% 2.54% 4.40% 1.99% 0.92% 19.05% 5.09% 60% 4.25% 2.22% 12.25% 3.04% 4.00% 2.23% 2.25% 2.99% 3.61% 2.32% 2.37% 8.12% 3.16% 6.70% 4.13% 2.18% 21.16% 7.29% 五種績效指標實際值與預測值的誤差都在10%以下， 亦即本研究所訓練完成的預測模型有不錯的預測效果 Newsboy在100%、80%、60%供貨條件下，擁有最高的服務水準 存貨模式 供貨水準 平均 庫存 周轉率 服務 水準 機會損失 比率 GMROI 100% 1095.913 3.832699 94.13% 4.70% 3.622566 QR 80% 980.7638 4.058831 89.11% 9.02% 3.949217 60% 876.5043 4.268193 83.40% 14.13% 4.296542 1074.569 3.725084 82.23% 14.73% 3.396988 VMI 947.6257 3.840964 76.99% 19.06% 3.681602 863.3895 3.982458 72.05% 24.01% 4.015301 831.148 4.474952 83.37% 13.69% 4.473036 TWS 786.5571 4.489241 79.06% 17.60% 4.557181 728.6098 4.545904 73.89% 22.44% 4.705337 1527.658 3.323855 96.75% 2.58% 2.410843 NB 1368.984 3.533747 93.30% 5.04% 2.709639 1191.179 3.704169 89.02% 8.88% 3.10412 平均 庫存 周轉率 服務 水準 機會損失 比率 GMROI 平均(%) 100% QR 98.43% 98.16% 99.47% 89.98% 97.18% 96.64% VMI 98.12% 98.13% 99.23% 93.76% 97.44% 97.34% TWS 98.44% 98.51% 99.36% 96.19% 98.45% 98.19% NB 98.20% 98.07% 99.69% 85.21% 97.86% 95.81% 80% 97.15% 97.20% 98.41% 85.79% 96.80% 95.07% 97.42% 98.28% 90.14% 96.61% 95.85% 96.85% 98.23% 97.78% 91.22% 97.46% 96.31% 95.60% 98.01% 99.082% 80.94% 94.90% 93.71% 60% 95.75% 97.79% 87.75% 96.95% 95.20% 96.00% 97.76% 97.75% 97.01% 96.46% 96.39% 97.68% 97.63% 91.87% 96.84% 96.08% 93.30% 95.87% 97.82% 78.83% 92.71% 91.70% XXXXXX學系 指導老師：XXX 博士 組員名單:XXX.XXX