Download
1 / 26
260 likes | 400 Views
Using Data Mining Technique to Solve Two-Echelon Inventory Problem with Multi-Phase Discount. 指導教授：陳茂生 教授 學生：蕭維承. 報告大綱. 研究動機 產業介紹 問題描述 解決方案 結論 未來工作. 研究動機. 寄賣的定義：寄賣就是上游供應商提供者提供商品給下游批發或零售等銷售夥伴，而下游銷售夥伴不須負擔存貨的風險與成本，只要負責將商品銷售出去即可，若未銷售出去的商品，則於一定銷售期間後，退還給給上游的商品提供者。
E N D
Using Data Mining Technique to Solve Two-Echelon Inventory Problem with Multi-Phase Discount 指導教授：陳茂生 教授 學生：蕭維承
報告大綱 • 研究動機 • 產業介紹 • 問題描述 • 解決方案 • 結論 • 未來工作
研究動機 • 寄賣的定義：寄賣就是上游供應商提供者提供商品給下游批發或零售等銷售夥伴，而下游銷售夥伴不須負擔存貨的風險與成本，只要負責將商品銷售出去即可，若未銷售出去的商品，則於一定銷售期間後，退還給給上游的商品提供者。 • 寄賣商業模式帶給中盤商過多的期末存貨，而導致中盤商被迫退出市場的危機。 • 藉由本研究提出可運用的方案供中盤商運用以增加競爭優勢。
產業介紹 • 中盤商實行寄賣後，四種特色作業： • 盤點 • 降價 • 商品流通 • 調貨
問題描述 • 每月收款前，都必須盤點 • 為了要達到商品流通，必須聘請專人進行調貨 • 降價以達到商品促銷 • 銷售比例過低，造成中盤商過多的存或堆積
解決方案(ㄧ) • VMI (Simchi-Levi,2001)
VMI介紹 • Vender Managed Inventory(賣方代管存貨) • Simchi-Levi以義大利麵製造公司為例說明實行的效果，可以有效解決長鞭效應。
成功的VMI • 加工廠==中盤商—零售商 • 加工廠==第一階中盤商—第二階中盤商—零售商 • 加工廠==零售商 • 本研究： 成衣加工廠—中盤商==零售商
VMI成功因素 • 成功因素： • 資訊系統（搭配條碼及掃描可讓確保準確性） • 高階主管的承諾 • 雙方互賴的信任感
VMI無法滿足此個案的原因 • 零售業者資訊系統的建置有困難 • 中盤商非製造者，因此反應彈性較低
解決方案(二) • Data Mining Technique
Data Mining應用範圍 劉志剛(2003)認為有下列幾各應用範圍： • 分類 • 預測 • 分群 • 資料摘要 • 相依 • 連結分析 • 敘述分析
本研究應用的相關Data Mining技術 • 首先決定服飾商品的KPI以及描述零售點特色的KPI • K-mean (Kanungo,2002)(吳昇洋,2004) (Sharma,1996)(Miligan,1981) • Neural Network之perceptron(認知器或感知機)
K-mean 1.任意選K種子點(以三點為例) 2.利用三種子點所構成的三角形三個邊上的中線劃分出三群 3.找出每群的新質心點 4.利用新質心點所構成的三角形三各邊上的中線重新分出三群 5.重複3、4步驟直到樣本都不必再重新被分配為止。
K-mean • RMSSTD: Root-Mean-Square Standard Deviation(越小表示群體內相似性越高)
K-mean • R-square(越大表示群體間相異性越高)
認知器訓練程序說明 • 以隨機亂數產生初始權重[w1 w2 w3 w4] • 輸入訓練向量 • 計算差額 • 計算修正量(學習率的設定) • 更新權重 • 重複步驟直到特定次數結束
其它假設 • 新款服飾權重的設定由中盤商決定 • 零售商之各種特色之權重由消費者問券調查決定
結論 • 運用此方法，使服飾商品與零售商有更好的結合，以降低期末中盤商的庫存以及增加雙方的獲利
未來工作 • 進行訪談以及研究，進行合適KPI的挑選 • 持續尋找相關文獻，以決定是否有更適合的權重決定方法 • 檢驗新方法的運用是否真正改善中盤商庫存問題，以及是否銷售量有增加等。
參考文獻 • Simchi-Levi, D., and Kaminsky, P.「Designing and Management the Supply Chain Concepts, Strategies, and Case Studies」,The McGraw-Hill Companies（2001）。 • 劉志剛，2003，「以資料分析技術評估顧客服務管理之績效」，國立清華大學工業工程與工程管理碩士論文。 • Kanungo, t., Mount, D. M., Netanyahu, 2002, “An Efficient k-Means Clustering Algorithm: Analysis and Implementation,”IEEE, 24(7), pp. 881-892 • Sharma, S.C, 1996, Applied Multivariate Techniques, New York, John Wiley & Sons.
