臺灣博碩士論文加值系統

連鎖零售業銷售的商品包含生鮮食品、日用品、玩具及文化出版品等，並定時將這些商品配送至全台各門市銷售，而每家門市因地理位置、人口結構、區域屬性、天氣、季節等外在環境變因的影響，各家門市的需求量不一，因此，如何準確的預測門市商品需求量，成為零售業者為增加獲利所必需研究的課題。
本研究將針對女性時尚雜誌月刊進行門市需求量的預測，主要是因為觀察到女性時尚雜誌的銷售曲線有明顯的季節性循環，但現行的需求量預估採簡單移動平均法則很容易低估市場需求，因此本研究以自我迴歸樹時間序列及灰預測兩種方法進行門市銷售量預估，並以平均絕對誤差(MAE)衡量其預測準確度。
研究結果最後顯示，當門市銷售量與季節性指數相關性較高時，預測效果以多變數自我迴歸樹時間序列方法優於單變數自我迴歸樹時間序列方法及灰預測方法，但當門市與季節性指數相關性較低時，以灰預測方法優於單變數自我迴歸樹及多變數自我迴歸樹時間序列方法。

　　Chain of retail sells fresh food, groceries, toys, publications and so on. They distribute these goods to the franchises regularly. The demand of each franchise is different because of their geographic, population structure, residential area, weather, seasonal changes and extrinsic environmental impact. Therefore, how to accurately forecast demand for the amount of goods to increase profit is one of the most important business issues.
　　The research focuses on the prediction about the retail demand of female fashion magazine. It is due to an observation that there is a seasonal cycle in sales curve of female fashion magazine. However, the chain of retail uses simple average in sales amount prediction is easy to undervalue the market demand. In this research, we adopt Autoregressive Tree Time Series method and Grey Prediction method to construct sales prediction model, and take the MAE as criteria to evaluate the forecasting competences of different models.
　　According to the empirical results, if the sales series and the seasonal index have higher correlation, then the prediction accuracy of multivariable ART (Autoregressive Tree) is better than those of Univariable ART and Grey Prediction methods; otherwise, the prediction accuracy of Grey Prediction method is better than those of Univariable ART and multivariable ART methods.

中文摘要 I
英文摘要 II
誌謝 III
目錄 IV
表目錄 VI
圖目錄 VII
一、緒論 1
1.1研究背景 1
1.2研究動機 1
1.3研究目的 2
1.4論文架構 3
二、文獻探討 5
2.1銷售預測的意義與目的 5
2.2銷售預測的重要 5
2.3銷售預測相關研究 6
2.4時間序列介紹 8
2.5灰色系統理論介紹 17
三、研究方法 21
3.1研究架構 21
3.2現況分析與問題定義 22
3.3資料蒐集與預先處理 23
3.4建構銷售預測模式方法 24
3.4.1 自我迴歸樹(ART,Autoregressive Tree)模型 24
3.4.2灰預測GM(1,1)模型 32
3.4.3誤差評估方法 34
四、實作與結果分析 35
4.1自我迴歸樹模型實驗 35
4.2灰預測GM(1,1)模型實驗 40
4.3實驗總結 43
五、結論與未來方向 45
5.1研究結論 45
5.2未來研究方向 46
參考文獻 47

中文部分
[1] 尹相志, SQL Server 2005資料採礦聖經, 台北市, 學貫行銷, 2006.
[2] 尹相志, SQL Server 2005 Data Mining資料採礦與Office 2007資料採礦增益集, 台北市, 精誠資訊, 2007.
[3] 林茂文, 時間數列分析與預測：管理與財經之應用, 台北市, 華泰文化, 2006.
[4] 吳漢雄, 鄧聚龍, 溫坤禮, 灰色分析入門, 台北市, 高立圖書, 1996.
[5] 吳信宏, 林亮宗,“運用灰關聯分析於品質機能展開之決策過程:以便利商店為例,”灰色系統學刊,第六卷, 第二期, P.121-130, 2006.
[6] 呂佳芹, 應用時間序列、演化式類神經網路與灰預測方法在匯率預測績效之比較, 朝陽科技大學財務金融研究所碩士論文, 2009.
[7] 李順益, 灰色理論於短期銷售預測之適用性探討, 義守大學資訊工程研究所碩士論文, 2002.
[8] 周湘蘭, 類神經網路在多重產品需求預測上之應用, 元智大學工業工程與管理研究所碩士論文, 2001.
[9] 陳功興, 便利商店鮮食商品銷售預測模式之研究-探討類神經網路與平假日移動平均法的比較, 國立高雄第一科技大學行銷與流通管理所碩士論文, 2006.
[10] 陳彥琴, 應用灰色理論預測新上市之生技保健食品銷售量, 工業與資訊管理學系專班碩士論文, 2005.
[11] 張昱仁, 以類神經網路技術預測半導體價格之研究-以DRAM為例, 逢甲大學資訊電機工程研究所碩士論文, 2009.
[12] 溫坤禮, 黃宜豊, 陳繁雄, 李元秉, 連志峰, 賴家瑞, 灰預測原理與運用, 台北市, 全華科技圖書, 2002.
[13] 歐宗殷, 資料探勘為基礎之零售業銷售預測模式以連鎖超商鮮食商品為, 清華大學工業工程與工程管理研究所博士論文, 2011.
[14] 劉基全, 黃郁芬, “灰理論應用於主機板新產品銷售預測之研究,” 第十一屆灰色系統理論與應用研討會, P.251-257, 2006.
[15] 錢炳全, 李順益, 王學亮, “基於灰色理論之短期銷售預測方,” 資訊管理展望, 第5卷, 第1期, P.1-18, 2003.
[16] 謝邦昌, Microsoft SQL Server 2005 Data Mining 演算法–Time Series(網路教材), http://bidm.stat.fju.edu.tw:81/DATA%20MINING%E8%B3%87%E6%96%99%E6%8E%A1%E7%A4%A6/SQL-Server2005Webcasting/
[17] 微軟MSDN, SQL Server 2008 時間序列採礦教學,
http://msdn.microsoft.com/zh-tw/library/cc879270(v=SQL.100).aspx

[18] 微軟TechNet, 通過 Microsoft SQL Server 2005 Analysis Services 構建庫存預測模型,https://www.microsoft.com/china/technet/prodtechnol/sql/2005/ipmvssas.mspx



英文部分
[19] G. Box, G. Jenkins,G. Reinsel, Time series analysis: forecasting and control, Holden-day San Francisco, 1976.
[20] J. Deng, “Control problem of the grey system,” Systems & Control Letters, Vol. 5, pp.288-294, 1982.
[21] J. Deng, “Introduction to grey system theory,” The Journal of Grey Systems, Vol. 1, pp. 1-24, 1989.
[22] J. Deng, “Modeling of The GM Model of Grey System,” Essential Topics on Grey System-Theory and Application, China Ocean Press, pp. 40-53, 1988.
[23] C. Meek, D.M. Chickering, and D. Heckerman, “Autoregressive Tree Models for Time-Series Analysis”, in Proc. SDM, 2002.
[24] K. Nagayama, P. Weill,“Data Mining：Seven Eleven Japan: Reinventing the Retail Business Model,” Center for Information Systems Research Working Paper 338, 2004.
[25] G. Tzeng, S. Tsaur, “The Multiple Criteria Evaluation of Grey Relation Model”, The Journal of Grey System, Vol. 6, No. 3, pp. 87-108, 1994.
[26] K. L. Wen, “Grey System-Model and Prediction,” USA: Yang’s Scientific Institute, 2004.
[27] G. U. Yule, “On a Method of Investigating Periodicities in Disturbed Series, with Special Reference to Wolfer''s Sunspot Numbers”, Philosophical Transactions of the Royal Society of London, Series A, Vol. 226, pp. 267-298, 1927.