Transcript 易腐性商品三階段最佳補貨策略之研究

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
一
論
4.1
4.2
4.3
4.4
1.1 研究背景與動機
1.2 研究目的
1.3 研究範圍與限制
文獻回顧
二
2.1
2.2
2.3
2.4
三
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
研究方法
3.1 研究架構
3.2 研究對象與資料來源
3.3 研究工具
實證結果
四
五
移動平均法
田口實驗設計
支援向量機
資料包絡分析
結議與建議
5.1 結論
5.2 建議
5.3 未來研究方向
第一章
緒論
1.1
1.2
1.3
研究動機
與背景
研究目的
研究範圍
與限制
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。
1.1 研究背景與動機
計算粗略整體
訂購量
移動平均
第一階段
微調移動平均法
的數量，使訂購
量更加精確
支援向量機
第二階段
分配各項便當
訂購量
資料包絡分析
第三階段
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。

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。

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
易腐性商
品相關文
獻回顧
2.2
2.3
2.4
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。
經濟訂
購量
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。
報童模式
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。
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
研究架構
研究對象與
資料來源
研究工具
3.1 研究架構
第一階段：計算基本訂購量
移動平均
第二階段：報廢預警系統(考慮影
響訂購量的因素，加以微調)
支援向量機
第三階段：資源分配
資料包絡分析法(DEA)
(確認各種便當之訂購量)
田口實驗設計
(確認影響訂購量的關鍵
組合因素)
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)
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
0.711
0.711
0.711
0.711
C=1
0.722
0.711
0.711
0.9
1
C=10
0.905
0.717
0.711
1
1
C=100
0.956
0.839
0.711
1
1
Kernel
radial (RFB)
gamma=0.1
gamma=0.01
gamma=0.001
gamma=1
gamma=10
C=0.1
0.711
0.711
0.711
0.711
0.711
C=1
0.711
0.711
0.711
0.578
0.711
C=10
0.6
0.711
0.711
0.622
0.689
C=100
0.667
0.578
0.711
0.622
0.689
C=1000
0.645
0.644
0.6
0.622
0.689
在gamma=10、c=1 的水準之下，Training 的Accuracy =1且Test的
0.894
1
0.767
1
1
Accuracy達到0.711，比其他組合來得好，因此本研究選擇gamma=10
表4 98年9月17至10月30共45筆(Training)
、c=1的組合當作本研究的參數組合。
C=1000
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
表5 投入、產出項相關分析
進貨
銷貨
利潤
進貨
銷貨
利潤
1
0.884
0.469
0.884
1
0.822
0.469
0.822
1
 評估模式之選擇：以CCR為評估模式
第四章
實證結果與分析
4.1
4.2
4.3
4.4
移動平均法
田口實驗
設計
支援向量機
資料包絡
分析
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
15
13
10月27日至11月1日 11月2日
13
11
15
10
15
17
14
10月28日至11月2日 11月3日
11
15
10
15
17
14
14
10月29日至11月3日 11月4日
15
10
15
17
14
14
14
10月30日至11月4日 11月5日
10
15
17
14
14
10
13
10月31日至11月5日 11月6日
15
17
14
14
10
14
14
11月1日 至11月6日
11月7日
17
14
14
10
14
14
14
11月2日 至11月7日
11月8日
14
14
10
14
14
13
13
11月3日 至11月8日
11月9日
14
10
14
14
13
12
13
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 分析進貨與來客數間是否存交互作用的田口實驗
1
2
3
4
5
6
7
8
進貨
量
1
1
1
1
2
2
2
2
來客
數
1
1
2
2
1
1
2
2
交互
作用
1
1
2
2
2
2
1
1
氣溫
天氣
1
2
1
2
1
2
1
2
1
2
1
2
2
1
2
1
替代
促銷
1
2
2
1
1
2
2
1
1
2
2
1
2
1
1
2
Y平均值
(準確度)
1
0.95
0.96
0.85
0.95
0.84
0.66
0.65
S/N
-10.212
-10.655
-10.55
-11.621
-10.655
-11.748
-13.622
-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)
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)
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
AVE
-11.627
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)
表9 進貨與來客數交互作用表
B1
B2
A1
-10.437
-11.089
A1
A2
-11.205
-13.788
A2
圖3 進貨與來客數交互作用
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。
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
1
2
3
4
5
6
7
8
氣溫
天氣
1
1
1
1
2
2
2
2
1
1
2
2
1
1
2
2
交互
作用
1
1
2
2
2
2
1
1
進貨
量
1
2
1
2
1
2
1
2
來客
數
1
2
1
2
2
1
2
1
替代
促銷
1
2
2
1
1
2
2
1
1
2
2
1
2
1
1
2
Y平均值
(準確度)
1
0.788
0.988
0.763
0.875
0.788
0.825
0.9
S/N
-10.212
-12.281
-10.317
-12.566
-11.37
-12.281
-11.881
-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)
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)
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
AVE
=-11.413
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)
表12 天氣與氣溫交互作用表
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
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。
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 天氣 替代品促
銷活動
進貨
圖4 SVM預測資料整理
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
11/2
11/3
11/4
11/5
11/6
11/7
11/8
11/9
11/10
11/11
11/12
11/13
11/14
11/15
11/16
11/17
店長進貨
移動平均
SVM預測
(原始設計)
SVM預測
(最佳設計)
17
14
14
14
15
18
20
19
15
12
12
13
15
14
13
16
17
13
13
13
13
13
13
13
13
12
13
13
13
13
13
13
12
13
16
14
16
12
12
12
10
11
10
10
11
12
11
10
11
9
12
15
15
15
9
9
9
11
11
11
12
11
9
12
12
11
11
11
4.3 支援向量機(4/5)
表 13 SVM預測結果(續)
11/18
11/19
11/20
11/21
11/22
11/23
11/24
11/25
11/26
11/27
11/28
11/29
11/30
賣出便當數
報廢便當
損失
利潤
淨值
店長進貨
移動平均
17
13
14
9
11
10
10
8
9
14
14
11
12
328
82
3610.46
4011.44
400.98
12
11
10
10
10
9
6
10
10
9
9
10
11
308
44
1937.32
3766.84
1829.52
SVM預測
(原始設計)
12
12
12
11
12
9
12
12
12
11
10
11
8
300
43
1893.29
3669
1805.71
SVM預測
(最佳設計)
10
10
11
11
11
11
10
9
10
9
9
9
11
293
32
1408.96
3583.39
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
賣出便當數
報廢便當
損失
利潤
淨值
店長進貨
移動平均
328
82
3610.46
4011.44
400.98
308
44
1937.32
3766.84
1829.52
SVM預測
(原始設計)
300
43
1893.29
3669
1805.71
SVM預測
(最佳設計)
293
32
1408.96
3583.39
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
新國民便當
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
2
3
2
2
1
1
1
3
2
17
4.4 資料包絡分析(2/6)
表16 效率分析表
DMU
國民便當
新國民便當
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
Score
0.933
0.944
0.833
0.867
0.667
1
1
0.9
0.333
Rank
4
3
7
6
8
1
1
5
9
-1
-1
-1
-1
-1
-1
4.4 資料包絡分析(3/6)
表17 調整後數量
DMU
國民便當
新國民便當
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
原本進貨量
2
3
2
2
1
1
1
3
2
17
調整後進貨量
1
3
1
1
0
1
1
2
1
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
便當品項
進貨
國民便當
2
新國民便當
3
奮起湖便當
2
新國民便當-排骨
2
國民便當-雞排
2
招牌雙拼便當
2
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
1
銷貨
1
3
1
2
0
1
0
報廢
1
0
1
0
2
1
1
3
3
1
17
1
本研究的方法
1
銷貨
1
3
1
1
0
1
0
0
2
3
0
0
1
11
1
0
12
5
158.17 264.35
淨利
-106.18
進貨
1
3
1
1
0
1
報廢 淨利
0
0
0
0
0
0
96.49
1
10
1
145.99 49.5 158.17
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
40/51
4.4 資料包絡分析(6/6)
表19 整合比較表
日期
11月4日
11月7日
11月8日
11月12日
11月13日
11月15日
11月17日
11月22日
11月24日
11月27日
平均值
店長決策模式
-34
-108
-106
74
139
-9
-279
144
133
-46
-9.2
三階段決策模式
6
-30
96
33
155
25
-34
92
133
65
54.1
平均利潤差
最大利潤差
63.3
245
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
結論
建議
未來研究
方向
5.1 結論
結論一、 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。
結論二、
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。
結論三、
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。
結論四、
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。
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
加入競爭者因素
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。
討論－重要觀念
•依問題本質作決策
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!!