臺灣博碩士論文加值系統

全球市場持續變得脆弱不穩定和快速多變。企業必須憑藉整體供應鏈成員彼此溝通合作提升競爭優勢，供應鏈流程持續發展成熟，比需求預測的發展更快。因此，在需求預測流程的重新定義來成為需求導向策略與供應鏈的任何其他領域相比，存在很大差距。目前發展出來的供應鏈管理手法中常忽略資訊流的變異，帶來「長鞭效應」 (Bullwhip Effect) 的問題。需求預測，綜合了需求、採購、庫存、銷售等資訊，對企業生產的影響甚大。在許多供應鏈管理方法中，協同規劃、預測與補給 (Collaborative Planning Forecasting and Replenishment, CPFR) 被認為是最能夠解決長鞭效應的手法。如何有效解決需求預測此領域將成為未來幾年供應鏈領導者的最高優先，人工智慧將是實現的核心關鍵。
本研究對於任職之製造業電機類公司需求預測採用外部可能資訊，考量景氣動向資料 (如景氣指標、製造業採購經理人指數) 以及工業生產資料 (如外銷訂單統計、製造業產銷存指數) ，以自組性演算法(GMDH) 建構出不同面向的需求預測模式，搭配 MAD、MAPE、RMSE方法評估預測模型的精確度。本研究成功使用相關屬性預測下期業務銷售額，該金額亦可以用以衡量相關可能銷售量，為企業建立出具備外部資料且具備良好企業識別度的需求預測模式，並讓所有公司員工能夠快速地使用，減少人力以及時間的浪費。

The global market continues to become fragile and volatile. Enterprises must rely on the overall supply chain members to communicate and cooperate with each other to enhance competitive advantage. Supply processes continue to mature and develop faster than the demand. Therefore, there is a large gap to get in the redefinition of the demand forecasting processes to become a demand-driven strategy than any other area of the supply chain. The current development of supply chain manage methods often ignores the variation of information flow and brings about the problem of "Bullwhip Effect". Demand forecasting, which combines information on demand, procurement, inventory, sales, etc., has a great impact on the production. Collaborative Planning Forecasting and Replenishment (CPFR) consider to the most effective way. How to address demand forecasting this area effectively will be the highest priority in the next few years, and artificial intelligence will be the core key to implementation.
This study uses externally available information for the demand forecast of manufacturing companies, taking into prosperity monitoring data and industrial production data. The Group Method of Data Handling is use to construct different demand-oriented forecasting models, and evaluate accuracy by MAD, MAPE and RMSE. This study successfully used the relevant attributes to predict the sales of the next phase. This amount can also use to measure the relevant possible sales volume, establish a demand-forecasting model with external data and good corporate identification, and enable all employees to quick use, economize labor and time.

書名頁 i
審定書 ii
中文摘要 iii
英文摘要 iv
誌謝 v
目錄 vi
表目錄 viii
圖目錄 ix
一、　緒論 1
1.1　研究背景 1
1.2　研究動機 2
1.3　研究目的 2
1.4　研究流程 3
二、　文獻探討 5
2.1　協同規劃、預測與補給 5
2.2　產業預測相關研究 10
2.3　人工智慧應用在銷售預測 15
三、　研究設計 23
3.1　研究架構 23
3.2　研究對象 26
3.3　資料來源 27
3.4　研究工具 30
3.4.1 實驗流程 30
3.4.2 資料選擇與轉換 31
3.4.3資料分群與實驗分組 32
3.4.4 自組性演算法實作與分析 35
3.5　統計分析方法 37
四、　研究結果 39
4.1 實驗結果 39
4.2 結果分析 45
五、　結論與建議 47
5.1 研究結論 47
5.1.1 協同銷售預測 47
5.1.2 本研究建構的銷售預測模式 47
5.1.3 本研究重點貢獻 48
5.2 研究建議與意涵 48
5.3 研究限制 50
參考文獻 51
附錄一 案例公司業務營收統計表 55
附錄二 景氣動向資料表 57
附錄三 工業生產資料表 59
附錄四 實驗結果 61
附錄五 對照組資料 64

表 目 錄
表1 資料來源一覽表 30
表2 研究資料及單位一覽表 32
表3 研究資料分組示意 34
表4 實驗資料月對應示意 34
表5 MAPE預測百分比對照表 38
表6 S公司銷售預測誤差衡量 39
表7 T公司銷售預測誤差衡量 41
表8 H公司銷售預測誤差衡量 43
表9 以 MAPE% 觀察自組性演算法的效果 46
表10 以RMSE觀察預測效果 46
表11 以 MAPE% 觀察直接預估與迭代預估 46

 
圖 目 錄
圖1 本研究流程圖 4
圖2 CPFR 模型 6
圖3 CPFR模型 合作任務圖 7
圖4 CPFR 四種主要情境分類與應用 8
圖5 預測四階段 10
圖6 預測技巧 11
圖7 領先/滯後指標 12
圖8 KFNN模式架構圖 14
圖9 預測系統建議架構圖 17
圖10 自組性演算法之網路架構圖 20
圖11 GMDH演算法各層變數組合過程 21
圖12 MIOA基礎之下協同預測架構 24
圖13 實驗流程 31
圖14 整體實驗作法 37
圖15 S-A組預測結果 (S公司) 40
圖16 S-B組預測結果 (S公司) 40
圖17 S-C組預測結果 (S公司) 41
圖18 T-A組預測結果 (T公司) 42
圖19 T-B組預測結果 (T公司) 42
圖20 T-C組預測結果 (T公司) 43
圖21 H-A組預測結果 (H公司) 44
圖22 H-B組預測結果 (H公司) 44
圖23 H-C組預測結果 (H公司) 45
圖24 策略/執行過程各階段人類與科技的角色 50

中文文獻
1. 工業生產統計指標
https://dmz26.moea.gov.tw/GMWeb/common/CommonQuery.aspx
2. 公開資訊觀測站
http://mops.twse.com.tw/mops/web/index
3. 王英銘(2005)，自組非線性系統應用於濁度預測。國立成功大學碩士論文，台南市。取自https://hdl.handle.net/11296/jn3fy7。
4. 余靜芳(2008)，利用自組性演算法與基因演算法於混合實驗最佳化之研究。國立交通大學碩士論文，新竹市。取自https://hdl.handle.net/11296/pz7fjy。
5. 林則孟(2006)，CPFR協同規劃預測補給個案—力山企業集團，製商整合e化個案集，光華管理策進基金會出版，第3-42頁。
6. 林敬凱(2008)，具多反應實驗設計最佳化演算法之研究。國立交通大學碩士論文，新竹市。取自https://hdl.handle.net/11296/njfv8a。
7. 信統電產股份有限公司.
http://www.solen.com.tw
8. 美國供應管理協會(ISM)製造業指數
(PMI).https://www.instituteforsupplymanagement.org/ISMReport/MfgROB.cfm?SSO=1
9. 張保隆(2011)，生產管理，華泰文化。
10. 陳仕偉、劉曜竹(2004)，領先指標對台灣景氣趨勢預測能力的評估，台灣經濟論衡，第2卷，第11期，第1-34頁。
11. 陳英豪(2005)，應用自組性演算法建構企業信用評等模型。國立交通大學碩士論文，新竹市。取自https://hdl.handle.net/11296/w46j5f。
12. 陳寬裕(2006)，演化式支援向量迴歸於旅遊需求之預測。長榮大學博士論文，台南市。取自https://hdl.handle.net/11296/bpqjrc。
13. 景氣指標查詢系統.
https://index.ndc.gov.tw/n/zh_tw#
14. 游翔百(2004)，建構複合式信用評等模型。國立交通大學碩士論文，新竹市。取自https://hdl.handle.net/11296/4233f3。
15. 黃建哲(2014)，資料處理群集分析演算法應用於颱風移動路徑預測模式之探討。國立成功大學碩士論文，台南市。取自https://hdl.handle.net/11296/2pqe6d。
16. 黃開義、陳銘崑、王孔政、田方治(2009)，生產與作業管理，國立空中大學。
17. 劉欣姿(2012)，領先指標預測能力之研究，經濟研究，第13期，第79-108頁。

英文文獻
1. Aburto, L. and Weber, R. (2007), Improved supply chain management based on hybrid demand forecasts, Applied Soft Computing, Vol. 7 No. 1, pp. 136-144.
2. Chang PC, Liu CH, Fan CY (2009), Data clustering and fuzzy neural network for sales forecasting: A case study in printed circuit board industry, Knowledge-Based Systems, pp 344–355.
3. Charles W. Chase (2009), Demand-Driven Forecasting: A Structured Approach to Forecasting.
4. Dipti Srinivasan (2008),Energy demand prediction using GMDH networks, Neurocomputing,Vol 72, pp.625-629.
5. Hamza, Ebi, C., Akay, D., Kutay, F., (2009), Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting, Expert Systems with Applications, 36, 3839-3844.
6. Colin.fraser (2016),
https://medium.com/@colin.fraser/data-science-for-business-leaders-picking-the-rig ht-kind-of-wrong-46a55465e2a4
7. J. D. Shepard (2004), A structured approach for product demand forecasting, Nineteenth Annual IEEE Applied Power Electronics Conference and Exposition, 2004. APEC '04., Anaheim, CA, USA, 2004, pp. 1884-1888 Vol.3. doi: 10.1109/APEC.2004.1296124
8. Jim Sterne (2017), Artificial Intelligence for Marketing: Practical Applications.
9. Kuo, R.J. (2001), A sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm, European Journal of Operational Research, 129, 496-517.
10. L. Anastasakis & N. Mort (2001), The Development of Self-Organization Techiniques in Modelling : A Review of The Group Method of Data Handing(GMDH), Department of Automatic Control & Systems Engineering, The University of Sheffield. Mappin St, Sheffield, S1 3JD, United Kingdom, Oct 2001.
11. Leontief, W. (1936), Quantitative input-output relations in the economic systems of the United States, Review of Economics and Statistics, Vol 18, pp.105-125.
12. Lewis, E.B., (1982), Control of body segment differentiation in Drosophila by the bithorax gene complex, Prog Clin Biol Res, pp. 269-88.
13. Lynn, (2017), https://kopu.chat/2017/06/09/big-data-spirit/
14. Min Qi, Guoqiang Peter Zhang (2001), An Investigation of Model Selection Criteria for Neural Network Time Series Forecasting, European Journal of Operational Research, vol.132. pp.666-680.
15. Raymond Findlay, FIEEE, Fang Liu (2006), Prediction of Ontario Hourly Load Demands and Neural Network Modeling Techniques, Electrical and Computer Engineering, pp. 372-375.
16. Takao, Shoichiro; Kondo, Sayaka; Ueno, Junji; Kondo, Tadashi (2018), Deep multi-layered GMDH-type neural network using revised heuristic self-organization and its application to medical image diagnosis of liver cancer, Artificial Life & Robotics, Vol. 23 Issue 1, p48-59.
17. VICS(2004)，Collaborative Planning, Forecasting and Replenishment.
18. Yun-Hui Cheng, Liao, Hai-Wei and Yun-Shiow Chen (2006), Implementation of a Back-Propagation Neural Network for Demand Forecasting in a Supply Chain-A Practical Case Study, Service Operations and Logistics, and Informatics, pp.1036-1041.