1 / 26

Using Data Mining Technique to Solve Two-Echelon Inventory Problem with Multi-Phase Discount

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。

edda
Télécharger la présentation

Using Data Mining Technique to Solve Two-Echelon Inventory Problem with Multi-Phase Discount

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 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

  2. 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

  3. 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。

  4. 產業介紹

  5. 產業介紹

  6. 產業介紹

  7. 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

  8. 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

  9. 解決方案(ㄧ) • VMI (Simchi-Levi,2001)

  10. 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。

  11. 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

  12. 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

  13. 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

  14. 解決方案(二) • Data Mining Technique

  15. 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

  16. 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)

  17. 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。

  18. K-mean

  19. K-mean

  20. K-mean • RMSSTD: Root-Mean-Square Standard Deviation(越小表示群體內相似性越高)

  21. K-mean • R-square(越大表示群體間相異性越高)

  22. 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

  23. 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

  24. 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

  25. 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。

  26. 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.

More Related