簡易檢索 / 詳目顯示
| 研究生： |
柯鶴聰 |
|---|---|
| 論文名稱： |
考慮隱藏的產品關聯性之CPFR銷售預測模型 A CPFR Sale Forecasting Model Based on Hidden Relevance Products |
| 指導教授： |
林我聰
邱光輝 陳樂惠 |
| 學位類別： |
碩士
Master |
| 系所名稱： |
商學院 - 資訊管理學系 Department of Management Information System |
| 論文出版年： | 2009 |
| 畢業學年度： | 97 |
| 語文別： | 中文 |
| 論文頁數： | 63 |
| 中文關鍵詞： | 銷售預測 、關聯性 |
| 相關次數： | 點閱：76 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
資料挖掘與關聯式分析在許多案例中都有成功的應用，而對於零售商來說，除了將關聯式分析的資訊應用在銷售策略上以獲得更好的利潤之外，若能在進行銷售預測時便考量此要素，也許能更有效的提升準確度；因此本研究提出考慮產品關聯性的銷售預測模型，除了希望能夠對預測有所幫助，此外也能瞭解產品關聯性對於銷售預測的影響程度。
第一章 緒論
1.1研究背景..................................1
1.2研究動機..................................2
1.3研究目的..................................3
1.4研究方法..................................3
1.5研究範圍與假設............................4
1.6研究流程………............................4
第二章 文獻探討
2.1關聯式法則
2.1.1關聯式法則的定義......................5
2.1.2關聯式法則的表現方式..................6
2.1.3關聯式法則方法比較....................6
2.2協同規劃與補貨
2.2.1協同規劃、預測與補貨的定義..............7
2.2.2協同規劃、預測與補貨的三階段九步驟....8
2.3預測技術與模型
2.3.1CPFR流程下的預測..........................................11
2.3.2時間數列預測方法..........................................12
2.3.3因果銷售預測函數.....................15
2.3.4時間數列結合SVM法....................17
2.3.5 CPFR中的混和預測模型................19
2.4變數選取
2.4.1變數選取方法..........................................22
2.4.2類神經網路...........................23
2.5參數調整.................................26
第三章 研究方法
3.1研究架構.................................28
3.2銷售資料蒐集與整理.......................30
3.3關聯商品的挖掘...........................31
3.4多重時間數列－時間數列結合SVM法..........31
3.5預測模型變數選取－類神經網路
3.5.1輸入層解釋變數..........................................32
3.5.2隱藏層處理單元與隱藏層層數..........34
3.5.3模型變數篩選流程....................34
3.6多元線性回歸模型.........................35
3.7混和預測模型參數調整.....................36
3.8預測模型驗證.............................36
第四章 實驗分析與模型驗證
4.1 銷售資料敘述與分析.....................39
4.2 挖掘隱藏的產品關聯性...................40
4.3 第一階段實驗過程與結果.................40
4.4 第二階段實驗過程與結果.................48
4.5 第三階段實驗過程與結果.................54
第五章 結論與建議
5.1 結論...................................58
5.2 後續研究方向與建議.....................60
參考文獻…..................................61
1.VICS網站，http://www.vics.org/，以及CPFR Overview文件
2.王孔政、褚志鵬，2007，供應鏈管理，華泰文化出版社
3.林茂文，2006，時間數列分析與預測，華泰文化出版社
4.湯宗泰、劉文良、藍天雄，2006，顧客關係管理e思維，博碩文化出版社
5.葉怡成，2003，類神經網路模式應用與實作，儒林出版社
6.劉文良，2005，顧客關係管理思維與技術，碁峰文化出版社
7.聯合通商網站，http://www.ebizprise.com/
8.蘇雄義，2007，供應鏈之設計與管理，美商麥格羅‧希爾出Ｆ版社
9.林宗勳，2006，Support Vector Machine簡介，台灣大學通訊與多媒體實驗室
10.施麗華，2007，CPFR在零售企業庫存管理的應用，Market modernization，2007年2月第495期：27~28頁
11.范念慈，2005，協同規劃、預測及補貨與即時採購於製造績效增進之研究，國立中央大學企業管理研究所碩士論文
12.張維倫，2003，關聯法則於供應鏈管理之研究，國立台北科技大學生產系統工程與管理研究所碩士論文
13.陳彥良、趙書榮等，2003，幾個快速挖掘關聯規則的資料探勘方法，電子商務學報，第五卷第二期：1~10頁
14.陳寬茂，2005，CPFR流程下之訂單預測方法，國立政治大學資訊管理研究所碩士論文
15.曾永勝，2005，CPFR銷售預測模式之探討，國立政治大學資訊管理研究所碩士論文
16.黃蘭禎，2004，，CPFR流程下之銷售預測方法~混合預測模型，國立政治大學資訊管理研究所碩士論文
17.嬈美倫，2008，使用關聯法則預測與分析台灣樂透彩，大同大學資訊工程研究所碩士論文
18.羅慕君，2003，短期訂單預測模型之研究—PDA產業為例，中原大學資訊管理研究所碩士論文
19.Ashish S., Dale E.S. “Pattern matching in multivariate time series databases using a moving window approach,” Industrial & Engineering Chemistry Research 2002, pp:3822~3838
20.Aviv Y., “The Effect of Collaborative Forecasting on Supply Chain Performance,” Management Science Oct.2001, Vol.47, No.10, pp:1326~1343
21.Gunn S. R., “Support Vector Machines for Classification and Regression,” ISIS technical report, 1998
22.Hipp, J. Guntzer, U. Nakhaeizadeh, U. “Algorithms for Association Rule Mining–A General survey,” SIGKDD Explorations July 2000, Vol.2.Issue 1, 2000, pp:58~64
23.Sila C., Chung Y. L., “Stock Replenishment and Shipment Scheduling for Vendor.Managed Inventory Systems,” Management Science Feb.2000, Vol.46, No.2, pp:217~232
24.Vapnik V. N., “An Overview of Statistical Learning Theory,” IEEE Transactions on Neural Networks, VOL.10, NO.5, 1999, pp:988~999
25.Wu D., “Time Series Prediction for Machining Errors Using Support Vector Regression,” First International Conference on Intelligent Networks and Intelligent Systems, 2008, pp:27~30
26.Xue, S. Wang, H. Ran, T. “High Performance Data Mining Algorithms and Similarity Models Research,” 2008 International Conference on Computer Science and Software Engineering, pp:411~414, 2008
27.Yaik O., Yong C., Haron F., “Time Series Prediction using Adaptive Association Rules,” Proceedings of the First International Conference on Distributed Frameworks for Multimedia Applications, 2005
28.Zeng Y., Yan E., Li C., “Application of Multivariable Time Series Based on RBF Neural Network in Prediction of Landslide Displacement,” The 9th International Conference for Young Computer Scientists, 2008, pp:2707~2712
此全文未授權公開