(3.237.20.246) 您好!臺灣時間:2021/04/17 16:33
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:潘陳世杰
研究生(外文):Pan-Chen Shih-Jie
論文名稱:資料探勘應用於呆滯料預警機制之建立
論文名稱(外文):A Establish on the Application of Data Mining on Surplus Warning Mechanism
指導教授:楊鎮華楊鎮華引用關係
指導教授(外文):Stephen Yang
學位類別:碩士
校院名稱:國立中央大學
系所名稱:資訊工程學系在職專班
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2013
畢業學年度:101
語文別:中文
論文頁數:77
中文關鍵詞:資料探勘類神經網路庫存羅吉斯迴歸呆滯料
外文關鍵詞:Data MiningArtificial Neural NetworkStockLogistic RegressionSurplus
相關次數:
  • 被引用被引用:2
  • 點閱點閱:331
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
由於偏光板銷售市場逐年衰退,在製造端獲利減少的狀況下,將目標轉向其他地區有需求的銷售市場,並努力去化庫存的呆滯料,以減少企業在庫存資金累積的壓力,進而提升企業在同業間的競爭力。
庫存成品變成呆滯料之原因,會隨著使用年限的增加而變高。但未超過用期限之內的成品,通常能藉著促銷或是折扣之方式進行銷售,避免為呆滯料。 所以如何能有效的預測成為呆滯料之成品,使行銷 / 生管人員能提前進行促銷或是進行備料之調整,便成了此次研究想探討的問題。
本研究是採用X公司DW系統作為資料的來源,利用資料探勘技術,以SQL Server 2008 R2為建立預測模型工具,並使用類神經網路與羅吉斯迴歸探勘技術建立呆滯料預測模型,管理者可以根據預測模型的結果,及早採取對應措施,進而降低呆滯料發生機率,可作為管理者後續降低庫存資金之參考。
根據研究結果得知,本研究所建立的預警機制,可以提供決策者後續降低庫存參考依據與減少公司報廢金額的損失。

Due to the decline of polarizer sales market year by year and decreasing manufacturing profits, enterprises are turning to other sales markets with needs. This is an effort to digest stock materials to reduce the pressure of surplus fund accumulation. Thus, this can enhance the competitiveness of enterprises in the same industry.
The reason stock products are turning to surplus materials and the usage period is proportional to this increase. Unexpired products are sold at discounted prices to avoid turning to surplus materials. Hence, the purpose of this study is focus on how to efficiently predict the products turning to surplus materials to enable marketing and production managers to prepare to promote or to adjust the materials.
In this study,”X” company’s DW system is used as a source. We use SQL Server 2008 R2, a kind of technology of data mining, to establish the prediction model, aided by of artificial neural network and logistic regression technology to establish the prediction model of surplus materials. According to the results of predictive models, managers can take contingency measures to lower the probability of surplus materials. In the future, managers can use this study to reduce the expense of the stock fund. Early warning mechanisms established in this study can provide the reference for decision-makers to reduce stock and help companies reduce the loss of scrapped funds.

摘要 i
Abstract ii
誌謝 iii
目錄 iv
圖目錄 vii
表目錄 viii
第1章 簡介 1
1.1 研究背景 1
1.2 研究動機與目的 1
1.3 研究架構 2
第2章 文獻討論 4
2.1 資料探勘探討 4
2.1.1 資料探勘概念 4
2.1.2 資料探勘流程 4
2.1.3 資料探勘方法 6
2.2 庫存管理探討 13
2.2.1 ABC存貨分析管理法 13
2.2.2 呆滯料管理 14
第3章 研究方法 15
3.1 研究架構 15
3.2 資料來源與資料處理 17
3.2.1 資料來源 17
3.2.2 資料處理 18
3.3 分析方法 20
第4章 資料分析結果 23
4.1 原始資料預處理 23
4.1.1 遺漏值處理 25
4.1.2 變數轉換類別變數轉換為連續變數 25
4.1.3 衍生變數產生 26
4.1.4 變數篩選 26
4.2 預測模型建立 29
4.2.1 甲組效度預測 29
4.2.2 甲組信度預測 32
4.2.3 乙組效度預測 37
4.2.4 乙組信度預測 38
4.3 探勘結果分析 43
4.3.1 各模式預測能力比較 43
4.3.2 要因分析 43
第5章 結論 47
5.1 研究結論 47
5.2 研究貢獻 49
5.3 研究限制 50
5.4 後續研究建議 50
參考文獻 51
附錄 53
附錄A 庫存原始樣本明細表(訓練+測試) 54
附錄B WOE類別變數檢定法 55
附錄C F檢定 56
附錄D 庫存預處理明細表(訓練組) 57
附錄E 庫存預處理明細表(測試組) 58
附錄F 庫存定量表 59
附錄G 庫存迴歸分析表 61
附錄H 庫齡定量表 62
附錄I SQL SERVER 2008 R2資料探勘操作過程 63
附錄J 成本資料來源抓取過程 76


[1] FaouziMhamdi, MouradElloumi, “A New Survey On knowledge Discovery And Data Mining”,pp.427-432,2008.
[2] J.A.Freeman, D.M.Skapura, “Neural Networks - Algorithms, applications and programming techniques” ,1991.
[3] D.Michie, D.J.Spiegelhalter, C.C.Taylor, “Machine learning, neural and Statistical classification” ,1994.
[4] Rumelhart, D.E.,Hinton,G.E., and Williams,R.J., “Learning Internal Representations by Back-propagating Errors,Parallel Distributed Processing:Explorations in the Microstructure of Cognition” ,MIT Press,Vol.1 pp.318-362, 1986.
[5] Vellido, A.,P.J.G.Lisboa,et al., “Neural networks in business:a survey of applications(1992-1998),Expert System with Applications” ,Vol.51,pp.51-70, 1999.
[6] Jeff Dalton, Atul Deshmane, “Artificial Neural Network” ,IEEE,pp.33-36, 1999.
[7] James A. Freeman, David M. Skapura, “Neural networks Algorithms, Applications, and Programming Techniques” ,Addison-Wesley Publishing Company,pp.1-41;pp.89-124, 1991.
[8] Mark Tranmer, Mark Elliot, “Binary Logistic Regression” ,Cathie Marsh Centre for Census and Survey Research,pp.3-10, 2005.
[9] Chao-Ying Joanne Peng, Tak-Shing Harry So, “Logistic Regression Analysis and Reporting:A Primer” ,Department of Counseling and Educational Psychology Indiana University-Bloomington,pp.31-70, 2002.
[10] Larose, D. “,Logistic Regression” ,Wiley-IEEE Press eBook Chapters,pp.155-203, 2006.
[11] Abdul Nurunnabi, Geoff West , “Outlier Detection in Logistic Regression: A Quest for Reliable Knowledge from Predictive Modeling and Classification” , IEEE 12th International Conference on Data Mining Workshops,pp.643-652, 2012.
[12] 許振邦,採購與供應管理,三版,智勝文化事業,台北,民國100年。
[13] 廖述賢、溫志皓主編,資料探勘理論與應用-以IBM SPSS Modeler為範例,博碩文化,新北市,民國101年。
[14] 孫惠明,資料採掘理論與實務規劃手冊,文魁資訊,台北,民國96年。
[15] 伊相志,SQL Server 2008 Data Mining資料採礦,精誠資訊,台北,民國98年。
[16] 廖述賢、溫志皓主編,資料採礦與商業智慧,雙葉書廊,台北,民國98年。
[17] 謝邦昌、鄭宇庭、蘇志雄主編,SQL Server 2008 R2資料採礦與商業智慧。台北:碁峰資訊,民國100年。
[18] 黃惠民、謝志光、楊伯中主編,物料管理與供應鏈導論,滄海書局,台中,民國93年。
[19] 張斐章、張麗秋主編,類神經網路,東華書局,台北,民國94年。
[20] 吳國儒、高慧珊、鍾昌翰、何宜樺、張斐章,「以類神經網路推估蒸發量」,農業工程學報,Vol. 54, No. 3,2008。
[21] 林蕙如譯,資料分析與市場預測,旗標出版股份有限公司,台北,民國100年。
[22] 王文中、錢才瑋主編,統計學與Excel資料分析之實習應用,第六版,博碩文化,新北市,民國101年。
[23] 范綱彬,「應用資料探勘於汽車售服零件庫存滯銷因素分析-以C公司為例」,國立中央大學,工業管理研究所在職專班碩士論文,民國97年。
[24] 時一新,「申辦帳單分期產品之客戶預測模型研究」,國立台灣科技大學,企業管理學系EMBA碩士論文,民國99年。
[25] 郭一聰,「應用決策樹與類神經網路於應收帳款之呆帳預警模式研究」,中原大學,資訊管理學系碩士論文,民國94年。
[26] 邱志洲、簡德年,「整合鑑別分析與類神經網路在資料探勘上之應用」,中華管理評論國際學報,Vol. 5, No. 4,2002。
[27] 邱志洲、李天行、周宇超、呂奇傑,「整合類神經網路與分類回歸樹在建構企業危機診斷模式上之應用」,Journal of Chinese Institute of Industrial Engineers, Vol. 19, No. 2, pp.9-22,2002。

連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔