供应链管理期末报告.doc

供应链管理期末报告

33
2020年6月23日
资料内容仅供参考，如有不当或者侵权，请联系本人改正或者删除。
供应链管理期末报告

简介
协同规划,预测,补货(CPFR, Collaborative Planning Forecasting Replenishment)系统的建立能够公式化买卖方的交易合夥关系.用此模式买卖方能够共同订立合作计画,协商预测而且利用补货的效益是否提升及例外事件的处理来检视合作绩效.CPFR的建立是以快速顾客回应(ECR, Efficient Consumer Response)[1]为基础包含了供应商管理存货(VMI, Vender-Managed Inventory),联合存货管理(JMI, Joint-Managed Inventory),连续补货(CRP, Continuous Replenishment)和货物分类管理(CM, Category Management)[1].全球商务协会(GCI, Global Commerce Initiative)将CPFR视为一个促进商业活动「整合」的角色.事实上,CPFR是ECR的一个延伸,因此说合作夥伴在之前用於ECR系统之输入都能够用在CPFR之上.
再了解CPFR之前有几项的指标原则是采用CPFR时需要先注意的,再此我们先检视之[4]:
CPFR使得交易夥伴间的处理程序更贴近甚至以顾客需求为准,以此达到价值链的成功.
交易夥伴间在存货的管理以及契约的订立上都以一份单一且共享的需求预测为准,利用这些资讯能够在价值链上得到相当完善的计画
交易夥伴间利用单一且共享的需求预测来共同分担风险 (Risk Pooling)并减少采购,补货活动间的诸多限制
从VMI以及JMI实行的经验来看,能够发现:不可能找到一个单一的企业处理程序满足所有合作夥伴的需求或符合所有合作夥伴所面临的状况.合作夥伴依据其所使用的策略或投资方式都有不一样的企业竞争力.对於资讯的攫取她们也有不一样的管道及来源,甚至市场的观点也不一样.CPFR被架构成一系列剧本的集合或者说CPFR是合作夥伴间的另一种选择,这些剧本让企业能够依据合作夥伴间关键竞争力之所在来决定谁能够在流程中扮演仲裁的角色.每一组的交易夥伴都能够利用产品的属性,季节,交易步骤的层级来选择适合它们之间最佳的协同合作剧本.
根据刚刚所提,买卖方对於市场具有不同的观点,这影响到需求预测的建立,如下面这个例子所示:零售商检视POS(Point-of-Sales)资料而且与顾客互动来推论顾客的购买行为;另外零售商能够直接观察供应商提供货物的范围,种类以及各种产品的行销计画来作为其预测的依据.供应商也会观察零售商购买物品的种类以及采购计画甚至直接取得顾客活动资料,供货的延迟,零售商退货单,POS(如果有共享的化)等资料来做预测.因此,能够得知,供应商和零售商在做预测时会所用的资料和观点可能非常不一致,如果能够将这些资讯全部汇总起来,将能够有效的提升预测的精准度.这个程序最后的结果就是一张单一且共享的需求预测,这包含了订单预测及销售预测.订单预测能够明显的揭露出交易夥伴之间的需求状况(也就是说零售商会跟供应商买多少东西,买什麼东西);销售预测则显示出客户对於货品的需求.单一需求共享计画的订定成为内部计画活动的一个基准,也就是说,这促使了价值链的整合.
因为资料的交换提供预测的精准度,使得加入CPFR的预测结果能够高过许多成熟且复杂的预测技巧,这是CPFR所带来的主要效益.
CPFR运行剧本
上述的CPFR的几项原则根深蒂固的影响了CPFR的实作模型.在这个部分我们将揭示供应链的九项主要处理流程以及这些步骤的输出输入.剧本A,B,C,D显示了程序的变异性,这些变异性依据竞争力,资源和系统而来,主要决定各个交易夥伴在CPFR运行时所要扮演的角色
剧本
销售预测
订单预测
产生订单
剧本A
买方
买方
买方
剧本B
买方
卖方
卖方
剧本C
买方
买方
卖方
剧本D
卖方
卖方
卖方
有一点很重要的是,在每一个剧本中,不论是买卖方都要输入资料以供预测,不过某一方有最后的决议权.在剧本A中,是一个买方仲裁的交易关系,在这里,买方控制了销售预测,订单预测和订单的产生.剧本B,C和D将某部分的权利交给卖方,就像是使用供应商管理存货(VMI)一样.在剧本B中,买方提供需求预测,卖方将心力放在订单的产生上;在剧本C中,买方仲裁销售预测和订单预测;在剧本D中,卖方负责了所有的流程.各种不同剧本运行时的差异我们会在待会CPFR详细步骤的时候作一个解释.如下图一所示,CPFR能够分为九个步骤,可是这九个步骤依据功能又能够群组为三个部分,分别是计画,预测,补货.步骤一,二为计画的部分,负责流程的初始化的动作,步骤三到八是预测的部分,为CPFR最核心的部分;步骤九是最后一个步骤,就是在预测没有例外事件和差异时就能够进行补货.图中颜色标出在不同时期何者为仲裁的角色,红色代表买方仲裁,深蓝色代表卖方仲裁.双分一起进行的活动用黄色表示.
详细执行步骤
步骤 1 :建立协同关系
在步骤1中,买方和卖方建立建立协同关系的方针和准则.所谓「协同准备工作」(Collaboration Arrangement)订立了每一个交易夥伴所期望达成的目标以及达成这些目标所要采取的动作或是需要的资源.为了要完成这项准备工作,买方和卖方共同完成一套一般性的企业处理准则,这包含了对於合作目标通盘的了解,机密的保护,哪些资料需要被共享以及资源的授权,这些参数能够在CPFR程序执行的时候被正确的使用在系统中.
步骤1:输出
步骤一执行之后的输出结果是一份公开的协同计画(Collaborative Planning),协同计画是由交易夥伴所共同制定的一份营运蓝图,目的是为了开始协同关系的准备工作或根据CPFR重新定义重新定义协同关系.文件用了许多实用的术语定义程序,并指出各交易夥伴在系统中所需要扮演的脚色以及执行效能如何被测度.除此之外,它也明确指出系统中各组织是否就绪且是否能从合作关系中找出将利益最大化的利基.这份蓝图也能够纪录了追求更高效能,是否有意愿做知识交换以及风险共担等落实之后的结果.
步骤1:处理程序以及资料的输入
步骤一会询问交易夥伴几个关系的输入资料,而且将之整合,统整为一个架构以利预测的进行,几个关键资料的输入如图二所示:
制定CPFR准备作业及叙述:将任务包含知识的共享,合作的目标,机密的保存和资源的授权等叙述作成文件.
决定CPFR的目标及目的:建立CPFR的目标和目的这包含了机会的定义,效能测度的意义以及对於各交易夥伴间商业活动的影响因子,商业流程还有例外事件的尺度.
讨论竞争力,资源和系统之间的关系:决定各个决策夥伴间的竞争力,资源及系统还有它们在处理CPFR流程时所能需要的能力.
定义「协同合作点」(Collaboration Point)以及所要负责的企业功能:将「协同合作点」对应到交易夥伴的竞争力中而且建立企业功能的责任分工.
决定哪些资讯需要被共享:决定哪些资讯能够支援流程处理,这些资讯就应该被分享出来,另外,也要定出多久要更新一次资料的时间,预测的方法有哪些,资料的元素和结构的以利交易夥伴剖析.
之前合作所得到的经验:收集有关之前合作所得的结果和经验.
建立服务和订单的委托关系:这包含了冻结订单期间(预测变成真正订单的前置时间)的定义
决定CPFR程序所会使用的资源以及相关委派资料:决定相关人员,时间分配;将资源分配到各流程
决定如何处理CPFR交易夥伴间的冲突:建立冲突的解决规则
决定检视协同准备计画的周期:设计一个效度测量机制来衡量协同关系,并适当的修改协同准备计画
发放协同准备计画:将协同准备计画交付给各个执行单元作为其作业的指引,而且在需要的时候修改这些计画.
步骤2:建立共同营运计画
在CPFR第二个步骤中,买卖双方交换各自的营运策略和商业计画以此合作产生初一套共同的营运计画.在供应商/零售商的剧本中,交易夥伴应该以CM(分类管理, Category Management)的原则来产生夥伴间的策略和定义分类的规则,目标,战术.另外,所有的剧本中都要建立好各个协同合作品项的管理档案(包括最小订购量,前置时间,订购间隔等) .
联合营运计画的建立牵涉到双方资讯的整合因此能够有效提升了整体预测的品质,再某方面也落实了供应练间的连结性.
步骤2:输出
步骤2的输出结果是一个交易夥伴双方都认可的共同营运计画,这份计画很清楚的定出品项的管理上的任务,策略和战术.在协同合作一开始订立共同营运计画能够有效的减少例外事件和交易夥伴间交涉的次数.
步骤2:执行程序以及资料的输入
步骤2主要目的在取得买卖双方对於交易品项在策略上和战术上的共识.主要输入的资料如下图三所示:
订立合作策略:包含周期性商业目标,测略,目的的分享;产生某特定期间产品的合作策略
建立产品分类角色(Category Roles),目标和目的:针对某特定产品分类讨论其产品分类角色,目标和目的
协议出共同的产品分类以及促销计画:指出或订立适当的产品分类策略,区域性或全域性的促销策略和定价计画.
建立品项管理档案:利用品项档案的建立支援战术活动,品项管理档案应该包含最小订购量,前置时间,订单周期,订单冻结时间和安全库存)
建立营运计画:以先前交易夥伴间所共享的资讯建立个别的营运计画
协同完成共同营运计画:比较个别营运计画的差异,而且完成共同营运计画
步骤3:建立销售预测
在步骤3利用消费者的资料产生销售预测,这份销售预测能够支援上一阶段所产生的共同营运计画.消费资料因为产品,产业,交易夥伴的不同会产生差异.消费资料的来源可能是POS资料,零售商配销中心退货资料或供应商的消费资料等.另外还要注意很重要一点就是偶发性事件资讯的搜集.在剧本A,B,C中,这部分由买方进行.在剧本D中,这部分由卖方负责.
步骤3:输出
这个步骤的输出是由某一方所产生的销售预测,这份预测会交给另外一方以利协同作业.而且以此销售预测为基础来产生订单预测.
步骤3:执行程序和资料的输入
步骤3主要的输入元素如下图四所示:
分析当前的共同营运计画:分析在当前共同营运计画中未来可能会影响销售的重要干扰因子
分析偶发资讯:利用历史性的事件资料,事件影响销售的结果来分析可能影响销售的偶发事件,例如百分之十五的降价可能提高百分之二十的销售量.
收集并分析消费资讯,这些资讯可能来自POS,仓库的退货单,生产所消耗的原料;利用这些资料能够产生销售预测而且能够进一步产生订单预测.
订立计画好的事件:这些事件会影响产品的销售量,例如零售商营业时间,促销活动,新产品的介绍等等,利用这些资料能够进一步整合成一份共享事件日志(shared-event calendar)
更新共享事件日志:将交易夥伴所订立的商业世界排列好,产生一份较一般化的计画,而且让双方都能够同意这一份短期计画.
收集例外事件决议资料:收集前期销售预测时所产生的例外事件决议资料(也就是下个步骤要解决销售预测所产生的例外事件所产生的决议事项)
产生销售预测
步骤4:识别销售预测的异常状况
步骤4会找出那些无法套用在销售预测的例外品项,例外品项标准的订立在建立协同准备计画阶段皆已经定义好了.
步骤4:输出
步骤4的输出是一系列的例外品项清单,这个清单会在步骤5中被用到
步骤4:处理程序以及资料输入
步骤4几个重要资料的输入如下图五所示:
取得例外事件标准:取得销售预测例外事件标准,利用这些标准来判定品项是否为例外事件.(这个标准在协同准备计画阶段就已定义完成)
改变和更新的识别:检查买卖方是否已经改变或者是更新了联合营运计画
取得销售预测的限制:利用订单预测的过程取得销售预测限制,销售预测限制主要来自於卖方在比较过订单预测后找出销售预测在某些方面的限制可能会影响到未来的需求分析.
算出品项数值是否符合例外事件标准:算出品项的数值和刚刚所取得的例外事件标准决定该品项是否为例外事件,例如:某货品X销售占存货的比例为83%,而例外事件的标准是90%)
识别例外品项:找出例外品项,并作成清单
步骤5:解决异常项目
步骤五牵涉到解决销售预测的例外品项,能够检视共享资料,使用电子邮件,电话,开会等方式来解决,而且将解决后的结果反映到销售预测上.
步骤5:输出
交易夥伴之间的协同交涉解决了品项例外的问题,调整过后结果也会反映到销售预测上.另外,在CPFR中更加重视及时决策的订立,尽量缩短交涉的时间能够得到较佳的订单.
步骤5:处理程序以及资料输入
步骤5是从步骤4所得到的例外品项清单为主要输入,其它输入项目如下图六所示:
取得例外品项清单和决策支援资料:从买卖双方取得一些能够支援决策的资料,这些资料在协同准备计画中已经定义好的,包含时间序列的资料(例如:历史销售纪录)以及非时间序列的资料(如:存货百分比).
选择例外品项的标准和被定义为例外品项中所算出的值 (所有在商店中存货小於90%的品项)
研究例外事件:利用共享事件日志(shared-event calendar)和支援决策资料作例外事件的研究
提高协同层级:如果研究结果不能产生一个令人满意的改变,则需要提高协同层级,例如原来使用电话协商可能要变成开会面对面协商
将改变的结果反映到销售预测中
步骤6:建立订单预测
依据销售预测,影响订单的因果资讯和存货策略来产生未来特定时间特定品项和地点的订单预测,短期预测可用下单,长期部分可用来作规划,由根据不同剧本而裁定的仲裁者决定最后的订单预测.
步骤6:输出
步骤六的输出为一份订单预测,这份预测能够让卖方在安全存货降低之前就能够事先配置好生产货品的数量,也能够增加买方对於货品的供货水准的信心.
步骤6:流程处理以及资料输入
下图七为步骤六的输入项目:
之前步骤产生的销售预测
II – V. 其它预测所需要的资料,包含POS资料,影响销售预测的重要因子(例如配销商配销中心的改变,新产品问世,商店的开店时间),存货策略以及当前存货的状态(包括在库存的,订购中的,运送中的)
VI – VII. 分析历史需求,配销资料和当前容量限制(包含供应商仓库大小,运输量)
VIII. 取得额外品项的管理档案:这份资料再建立共同营运计画阶段就已经定义好了,包含最低订购量,冻结时间,前置时间,订购间隔,安全存货等资讯.
IX. 收集订单资讯:收集订单资讯并分析交易成功的订单以及回馈的资料作为订单预测最主要的输入资料.
X. 从上一回合的步骤八中取得例外品项的解决方式,并将之加入订单预测的参考中
XI. 产生订单预测
步骤7:识别订单预测例外品项
识别订单预测的异常状态,找出订单预测限制外的异常品项
步骤7:输出
步骤7的结果为一订单预测例外品项之清单
步骤7:流程处理以及资料输入
步骤七的输入如下图八所示:
取得例外事件标准:取得订单预测例外事件标准,利用这些标准来判定品项是否为例外事件.(这个标准在协同准备计画阶段就已定义完成)
改变和更新的识别:检查买卖方是否已经改变或者是更新了联合营运计画
取得订单预测的限制:利用订单预测的过程取得订单预测限制,订单预测限制主要来自於卖方在比较过订单预测后找出销售预测在某些方面的限制可能会影响到未来的需求分析.
算出品项数值是否符合例外事件标准:算出品项的数值和刚刚所取得的例外事件标准决定该品项是否为例外事件,例如:某货品X销售占存货的比例为83%,而例外事件的标准是90%)
识别例外品项:找出例外品项,并作成清单
步骤8:协同解决异常项目
调查订单预测异常的程序,以透过分享资料,电子邮件,电话交谈,会议等方式,说明对订单预测结果的改变.
步骤8:输出
交易夥伴之间的协同交涉解决了品项例外的问题,调整过后结果也会反映到订单预测上.另外,在CPFR中更加重视及时决策的订立,尽量缩短交涉的时间能够得到较佳的订单.
步骤8:流程处理以及资料输入
步骤8使用了步骤7的例外品项清单,其它的输入项目如下所示:
取得例外品项清单和决策支援资料:从买卖双方取得一些能够支援决策的资料,这些资料在协同准备计画中已经定义好的,包含时间序列的资料(例如:历史销售纪录)以及非时间序列的资料(如:存货百分比).
选择例外品项的标准和被定义为例外品项中所算出的值 (所有在商店中存货小於90%的品项)
研究例外事件:利用共享事件日志(shared-event calendar)和支援决策资料作例外事件的研究
提高协同层级:如果研究结果不能产生一个令人满意的改变,则需要提高协同层级,例如原来使用电话协商可能要变成开会面对面协商
将改变的结果反映到订单预测中
步骤9:产生订单
转换订单预测成为实际的订单.不论是买方,卖方都能够依据竞争力,系统和资源执行这个步骤.不论是谁建立了订单,这份订单都将反应预测结果.
步骤9:输出
步骤9的输出就是将冻结期间的订单预测转换成为订单.
步骤9:流程处理以及资料输入
步骤9的资料输入如下所示:
取得冻结预测:根据协同准备计画所订立的补货前置时间取得冻结预测
部署冻结预测:将冻结预测作为订单产生的依据
产生订单
通知其它交易夥伴:是卖方产生订单,买方也必须要得到订单产生的通知,不论是哪一方产生订单都必须将订单通知送给对方.
简单的协同合作范例
剧本
在这里我们假设有一个零售商ABC公司和一个制造商XYZ公司.两家公司想要使用CPFR来做协同规划预测补货的工作.
制定协同准备工作(Develop Collaborative Arrangement)
ABC零售商和XYZ制造商在供应链上使用CPFR来增加两间公司在物流上的整合.主要目标放在增进相互的效益而且让顾客的满意度在动态资讯分享的机制下能够达到最高.在此前提下,它们定立了几个成功目标:减少缺货量,提高销售量以及减少交易成本,增加资本利用率并落实供应链夥伴间的合作关系.经过双方协商后,成功的指标量化后定立如下:
零售商库存率(retail in-stock)必须低於96%
每年必须有六次的存货周转
预测的错误率必须在15%以下
订立成功目标之后,开始决定CPFR运行的剧本,根据ABC零售商和XYZ制造商在双方的竞争力,资源以及系统都因素的评估之下,决定使用剧本B最为这次协同合作的方式,也就是说ABC公司必须要仲裁销售预测;XYZ公司必须负责订单的预测和订单的产生,这有点像是供应商存货管理(VMI)的方式.
建立共同营运计画
共同营运计画的建立牵涉到销售预测,订单预测等参数的建立,经过ABC零售商和XYZ制造商的协调之后,它们订立了销售预测例外事件和订单预测例外事件的量度:
零售商存货少於95%
销售预测错误低於20%
销售预测低与同期销售预测误差不得超过10%
(以上为销售预测)
零售商存货少於95%
订单预测错误低於20%
每年零售商退货数量必须少於品项管理档案所定义的数量
紧急的订单请求必须低於每周的预测5%
(以上为订单预测)
接著定义各交易夥伴所要负责的商业功能:
买方:采购,销售预测,存货管理
卖方:计画,预测,配销
下一阶段定义所要共享的资讯,在CPFR中资讯的共享必须公开且常在进行的工作.下面定义了四种需要被共享的资讯:
可能会用来测量成效的资料,像是零售商存货百分比,存货和预测的正确性.
可能会用来辨识例外品项的资料,像是零售商存货百分比,零售商退货率和预测的正确性.
能够支援例外品项辨识决策的资料,像是促销活动,POS资料以及一些会影响预测结果的资料
品项管理档案(Item Management Profile),这是在第二个步骤所要订立的部分,包含产品的ID,物流规则等
最后定义的是一些其它的营运参数,包含资料更新的频率,资料共享的方式,以及回应时间和计画调整的时间,如下所示:
预测的执行以每周为基础,可是资料,例外品项的更新应该每日更新一次
在可能的情况下,尽量利用XML作为资料交换的核心语言
每次交涉的回应时间应该低於30秒,就算有冲突要调整也应该在12个钟头之内完成
下表显示了其它的执行程序:
程序
ABC零售商
XYZ供应商
活动
联合营运计画(Joint Business Planning)
买方和计画
销售管理分析,分类管理
双方订立联合营运计画,而且建立品项管理档案
销售预测(Sale Forecasting)
买方,计画,分析销售预测以及产生新的存货管理计画
销售管理及分析
以共同营运计画为准加上其它输入资料,包含POS资料,事件,偶发性资料,ABC公司的预测分析师每周产生一笔新的预测资料
订单预测(Order Forecasting)
买方,计画,订单预测分析,库存重新采购,物流规划
销售分析,预测管理
以销售预测为基础,加入几项会影响订单预测的资讯,存货策略,当前存货水准,XYZ的预测分析师分析这些资料而且每周产生一份新的订单预测
订单产生
买方
库存规划
以冻结期间的订单预测为准,XYZ产生订单.
案例讨论一 – 台湾零售业协同规划预测补货模式可行性之研究 – 以烘培业与百货量贩业为例[3]
简介
吴慧玲学姊利用CPFR其中的第一到第五个步骤实作了烘培业及百货业的协同计划预测系统,利用浏览器作为主要介面,XML为资料的描述工具组成了一个协同预测的平台.此系统考虑了许多的销售影响因子并加入了绩效评估的模式,很适合继续延伸开发成一个更完整的CPFR平台.
系统架构及功能
系统总共分为四大部分:基本资料上传,资料上传,销售预测,预测方法绩效评估,其中,各部份的关系与CPFR的步骤对应如下:
CPFR步骤
系统元件
步骤一,二
基本资料上传
步骤三
资料上传,销售预测
步骤四,五
预测方法绩效评估
基本资料上传
此部份为CPFR的九大步骤的步骤一与步骤二,包含公司资料档,产品类别资料档和协同规划预测补货协议.
资料上传
此部份为九大步骤的步骤三,包含POS资料
销售预测
此部份为CPFR的九大步骤的步骤三,透过访谈烘培业专家,营业主管和行销主管,得知销售预测的方法和因果资讯.有些公司已经有一套预测方法或模式,固系统加上原有预测法,因此包含:
简单移动平均法
因果关系法:使用简单回归分析收集影响因子以及销售资料,并做回归
原有预测法:公司原本使用的方法
预测方法及绩效评估
测量误差很重要,因此这一套雏型系统也加入了绩效评估的部份,总共使用了三种方法来追踪误差:
平均平方差(MSE, mean square error)

平均绝对偏差(MAD, mean absolute deviation)
追踪信号(track signal)
剧本推演
根据VICS所提出的CPFR共有三阶段,九大步骤及四个剧本,而本研究系选择以买方市场作为研究范围,故为了增加了整个雏型系统的流畅性,而增加雏型系统剧本的说明,以利对於雏型系统的了解,在此选择以剧本B作为整个雏型系统的剧本,并以此剧原来进行整个流程说明.
步骤一:建立协同关系
买方应先选择一家适合的合作夥伴共同实行CPFR雏型系统
上传公司基本资料档(公司名称,统一编号,电话号码,传真号码,地址,资本额,连络Email,预期目标,想转寄此公司资料於卖方的Email)
步骤二:建立共同营运计画
买卖双方开始针对整个合作的协商类别进行讨论与协谈,并决定进行买卖方协商的产品类别
针对协商等级进行协谈,亦即买卖双方共同订出买卖双方差异在多少个百分比内,应透过Email协商,电话或会议来协谈
输入协商类别
买卖双方登入系统进行双方协同规划预测补货协议的输入(包含:协同预测的产品,卖方,买方以及卖方采用的销售预测方法)
步骤三:建立销售预测
买卖双方分别输入下列资料:
买方:
(1) 使用简单平均法进行销售预测
做法:
a. 选择协同策略
b. 依序选取前四周的POS资料档
c. 是否为促销期间
*d. 是否为协调后的销售预测
(2) 以买卖双方所共同提供的影响变数,利用因果关系法进行销售预测
做法:
a. 选择协同策略
b. 选择前一周的POS资料
c. 考虑下列因素:天气,商圈活动*,竞争店活动*,自家店其它活动*,新闻*,其它
*d. 是否为协调后的销售预测
(3) 以公司现有正在使用的销售预测模组或系统进行销售预测,并说明缘由
做法:
a. 选择协同策略
b. 输入销售预测周数
c. 原系统销售预测数字为何
d. 来源及求法
e. 是否为促销期间
*f. 是否为协调后的销售预测
卖方:
(1) 使用简单平均法进行销售预测
a. 选择协同策略
b. 依序选取前四周的POS资料档
c. 是否为促销期间
(2) 以买卖双方所共同提供的影响变数,利用因果关系法进行销售预测
做法:
a. 选择协同策略
b. 选择前一周的POS资料
c. 考虑下列因素:天气,其它
(3) 以公司现有正在使用的销售预测模组或系统进行销售预测,并说明缘由
做法:
a. 选择协同策略
b. 输入销售预测周数
c. 原系统销售预测数字为何
d. 来源及求法
e. 是否为促销期间
最后,系统列出双方差异的比较,并提供与去年前期,上个月同期和去年同期的差异比较,让使用者辨别是否修改预测数字.
步骤四:识别销售预测的异常状况
完成销售预测后,买方将POS资料转成制定的XML格式,而上传到系统.POS资料上传后,开始进行绩效评估:
进行单周期平均绝对误差之计算
选择协同策略
选择进行单周期平均绝对误差计算的周数为何
自动发送单周期平均绝对误差的提醒信件,以告知买卖双方能够进行多周期平均绝对误差
进行多周期平均绝对误差来看简单移动平均法,因果关系法以及原有预测法
选择协同策略
选择进行多周期平均误差计算的起始周数及进行多周期平均误差结束周数
进行追踪指标计算

案例讨论三 - 使用机器学习[6]
背景
在普及运算(Pervasive Computing)的环境中,我们利用情境的感知以及语意网路的建立让讯息能够被自动解析,在不知不觉中帮助人类完成工作.在此架构下,感知器(Sensor)以及感知器所形成的网路(Sensor Network)是很重要的元素,感知器搜集情境资讯,如人类所在的位置,天气,湿度等资料,而且能够做出相正确回应,例如:感知器侦测到某区人可能非常拥挤,可能就会启动GPS导引人往人比较少的路径,这就是普及运算众多例子之一.
为了达成这个理想,我们必须赋予机器自动学习的能力,让机器能够在收到许多组{输入, 结果}的组合后,能够学习一个方程式来处理类似的事件.我们能够考虑下面一个物理上的规则:
这是一个实数对应到实数的函数,我们能够假设它是一个阶度为n的多项式把它写成:
事实上,因为感知器所收集到的资料会有许多的干扰,因此我们得利用高斯最小平方法将这些杂讯移除:
因此,我们只要有足够数量的{输入, 输出}组合就能够推回之前的物理规则,这是机器学习最基本的规则,也因为它类似於统计上回归分析,因此我们也能够用它来做销售以及订单预测.因此,这部分我们就将使用在Sensor Network的学习理论套用到销售和预测分析以及例外品项的侦测中.
问题的一般化及解决方式
上面所使用的高斯最小平方法只能够解决输入资料只有一维的状况,当输入资料阶度大於等於1时就不容易实行,虽然统计上也有使用向量回归的方式解决多维输入的问题,可是效用有限.在实际预测中,很难将输入资料控制在一维,因此我们先将问题一般化:假设输入资料是(X1,Y1),…,(Xm, Ym)则考虑输入输出为:
Xi属於某输入集合X,其中
Yi属於某输出集合Y,,其中
在销售预测中,能够把Xi想像成影响销售的因子对,维度能够从1~k (k为正整数),可能是天气,促销活动等资料,Yi能够想像为这些影响因子所产生的结果,一般只会有一个值,因此说我们将集合 X x Y能够看成一个输出-输入的组合对,用此组合来预测资料.
The Key Algorithm[7]
我们将问题一般化后就能够使用一个新的方式来作为预测之用,称为The Key Algorithm,它在机器学习上的执行成效远高於回归分析,因此用在预测上也应该比传统因果预测法会好一点,且更加的一般化,The Key Algorithm执行步骤如下:
取得输出-输入的组合(X1,Y1),…,(Xm, Ym)
选择一个Mercer Kernel K
Mercer Kernel的选择应具备下列性质
对称性,if K(x,x') = K(x',x), for all x, x' in X
正有限性(positive definite) – 如果任何一个有限的集合 {p1,…,pn} 属於X, n×n 的矩阵中每个值 K(pi, pj) 是正数,且非亟值.
连续性(Continuous)
Mercer Kernel的两个例子:
选择一个正实数γ而且令 c = (c1,…,cm) 为此特殊方程式的解:
(mγI + K )c = y
其中:
I是m x m的单位矩阵
K是正有限的一个方阵K(Xi, Xj), 1 <= i, j y写成:
The Key Algorithm的一些讨论
Mercer Kernel的挑选,方程式(1)中的 值控制了产生出来方程式平滑的平滑度,干扰的容忍度以及一般化.另外,γ值得挑选也很重要,越大的γ值能够得到较好的预测结果.
预测结果的整合以及例外事件的处理
在预测时考虑许多的因素,这样会造成许多不同的预测结果,这些预测结果如何整合是一个大问题,如果单纯使用平均将所有的预测值作平均,或是给每个预测值权重再计算其加权平均都不是一个很精确且良好的做法.幸好,Sensor Network中也提供了处理类似问题的机制.Sensor Network是好多好多的Sensor所组成的网路,每一个Sensor都会收到自己的学习组合而且学习到自己的方程式,可是当我们要采行某些规则时,要选择哪一个Sensor的哪个方程式就是一个很大的问题了,因此我们需要一个全域的方程式来代表所有的Sensor,要如何将这些方程式粘在一起呢 考虑下图Sensor分布:
图正中心的Sensor Si能够和半径r之内的Sensor沟通,我们称圆形区域为Di,理论上,在同一个Di收到的感知到的资料应该是一样的,因此产生出的方程式也会差不多,可是考虑下列情况:
两个区域Di和Dk有重叠的部分,那这两部分的方程式要怎麼做merge呢
方程式的黏合过程如下:
假设Ai和Bi也是一个圆形区域且与区域Di一样都是以Si为圆心,但半径分别是r/2和3r/4
令βi : i = 1, … , m是一个函式,以集合X所部署而成,并满足下列性质:
βi 是平滑的(smooth, 表示积该函式不会得到0或亟值)
, at every point
βi = 1 on Ai
βi = 0 outside Bi
最后能够定义为:
on Di
outside Di
得到一个全域的方程式f*:
要将此模式套用在预测的例外品项处理以及多种预测事件的整合上,我们能够将每个Di视为一组预测值,r视为例外事件的指标,若品项某值算出来低於r/2表示并非例外事件能够直接与其它方程式作整合,若品项某值算出来介於r/2和3r/4之间表示这是能够处理的例外事件,用上述方法能够解决并与其它方程式作整合,若值大於3r/4表示无法处理的例外事件,必须舍弃掉,或再提高协商层级,再分析一次资料.
使用机器学习的方式提供很完整的预测模式以及例外事件处理机制,我认为很适合用在CPFR,仅供老师作为参考.
后记
最后一次的供应链作业对於CPFR又有更进一步的了解,我发现CPFR虽然有法,但无定法.它是一个指引,一个很严谨但极富弹性的架构.每个组织都可依需求决定使用的模式和步骤,它的主要核心概念还是在资讯的共享上,希望我未来也能在这方面有更进一步的体悟.
参考资料
[1] Dirk Seifert, "Collaborative Planning, Forecasting and Replenishment", AMACOM,
[2] CPFR,
[3] 吴慧玲, "台湾零售业协同规划预测补货模式可行性之研究 – 以烘培业与百货量贩业为例", 淡江资管所硕士论文,
[4] VICS, "Roadmap to CPFR: The Case Studies", VICS,
[5] 罗翔瀚,"以 J2EE 资讯技术建构供应链中协同预测之模组", 义守大学工业工程系硕士论文,
[6] Slobodan N. Simic, "A Learning-Theory Approash to Sensor Network", IEEE Pervasive Computing Vol. 1 no.5, pp. 44-50,
[7] T. Poggio and S. Smale, "The Mathematics of Learning: Dealing with Data", Notices Am. Math Soc., vol. 50, no5, May , pp. 537-544
- -
表一 每种剧本在CPFR各程序所扮演仲裁的角色
图一 CPFR九大步骤流程
图二 步骤一处理程序
图三 步骤二处理程序以及资料的输入
图四 步骤三处理程序以及资料的输入
图五 步骤四处理程序以及资料的输入
图六 步骤五处理程序以及资料的输入
图七 步骤六处理程序以及资料的输入
图八 步骤七处理程序以及资料的输入
图九 步骤八处理程序以及资料的输入
图十 步骤九处理程序以及资料的输入