Publications-Theses
Article View/Open
Publication Export
-
題名 鞋品業銷售預測分析之研究： 以A公司為例
The Research of Sales Forecasting Analysis ： A Case of a Shoe Retailer作者 呂曉佳
Lu, Hsiao-Chia貢獻者 李易諭<br>李建德
呂曉佳
Lu, Hsiao-Chia關鍵詞 鞋品零售業
銷售預測
隨機森林
多元迴歸
Random Forests日期 2019 上傳時間 2-Mar-2020 11:40:40 (UTC+8) 摘要 良好的銷售預測有助企業減少庫存，對於供應鏈影響重大。尤其是對於銷售品項眾多、庫存壓力龐大的零售業來說，銷售預測更顯重要。近年來，零售業面對租金、人力成本上漲等壓力還有電商的威脅，紛紛探討如何轉型以外，也試圖利用數據建構出消費者特性與預測未來需求。本文以銷售預測為研究主題，使用質化與量化兩種方式研究鞋品零售業之個案公司。首先先與公司內部人員進行深度訪談，了解影響銷售額的重要因素，量化則採取隨機森林演算法與多元線性迴歸法，將隨機森林演算法實證於銷售數據上，預測產品可能之銷售量，結果顯示預測準確率佳，但解釋能力不高；多元迴歸模型則將訪談所得之節慶等重要質性因素生成新自變數，結果顯示銷售人員數、節慶與每年銷售額最高的冬天為重要影響因素。 參考文獻 一、中文部分于淼（2015）。基於機器學習論的服裝中期銷售預測研究。浙江理工大學紡織工程碩士論文。朱燕萍 （2009）。 決策樹法在企業決策中的應用。企業導報（2），頁 78-79。吳明隆、張毓仁（2017）。R軟體在決策樹的實務應用。台北市：五南。李政賢（2006）。質性研究: 設計與計畫撰寫。台北市：五南。肖凱、魏菲、彭昌水 （2012）。 基於R語言的數據挖掘在水環境管理中的應用。長江科學院院報， 29（9），頁 91-94。林淑馨（2010）。質性研究 : 理論與實務。臺北市：巨流。金浩、高素英 （2002）。 最佳多元線性迴歸模型的選擇。河北工業大學學報， 31（5），頁 10-14。柯志賢 （2017）。 全球零售業發展趨勢及轉型策略。勤業眾信通訊（11月號），頁 27-30。張云濤、龔玲（2007）。資料探勘原理與技術。臺北市：五南。陳時仲（2015）。隨機森林模型效力評估。國立交通大學統計學研究所碩士論文。彭昭英、唐麗英（2008）。SAS 1-2-3（第6版）。台北市：儒林。曾楚為（2018）。利用資料探勘技術預測顧客購買行為—以連鎖零售業為例。國立台灣大學國際企業管理學系碩士論文。辜莉婷（2006）。應用層級式預測理論於電視購物銷售量預測。國立臺灣大學商學研究所碩士論文。黃永昌（2019）。打下最紮實的AI基礎：從scikit-learn一步一腳印。臺北市：佳魁資訊。廖述賢、溫志皓（2012）。資料探勘理論與應用：以IBM SPSS Modeler 為範例。新北市：博碩文化。廖述賢、溫志皓（2019）。資料探勘：人工智慧與機器學習發展以SPSS Modeler為範例。新北市：博碩文化。蕭文龍（2009）。多變量分析最佳入門實用書：SPSS+LISREL（第2版）。臺北市：碁峰資訊 。謝金青（2011）。社會科學研究法: 論文寫作之理論與實務。新北市：威仕曼文化。羅心蓮（2005）。層級式預測方法論－以液晶監視器為例。國立清華大學工業工程與工程管理學系碩士論文。二、英文部分Agrawal, D., & Schorling, C. (1996). Market share forecasting: An empirical comparison of artificial neural networks and multinomial logit model. Journal of Retailing, 72(4), 383-407.Bajari, P., Nekipelov, D., Ryan, S. P., & Yang, M. (2015). Machine learning methods for demand estimation. The American Economic Review, 105(5), 481-485.Breiman, L. (1996). Bagging predictors. Machine learning, 24(2), 123-140.Ho, T. K. (1998). The random subspace method for constructing decision forests. IEEE Trans. Pattern Anal. Mach. Intell., 20(8), 832-844.Loureiro, A. L. D., Miguéis, V. L., & da Silva, L. F. M. (2018). Exploring the use of deep neural networks for sales forecasting in fashion retail. Decision Support Systems, 114, 81-93.Tanizaki, T., Hoshino, T., Shimmura, T., & Takenaka, T. (2019). Demand forecasting in restaurants using machine learning and statistical analysis. Procedia CIRP, 79, 679-683.Thomassey, S., & Fiordaliso, A. (2006). A hybrid sales forecasting system based on clustering and decision trees. Decision Support Systems, 42(1), 408-421.Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3-28.Wacker, J. G., & Lummus, R. R. (2002). Sales forecasting for strategic resource planning. International Journal of Operations & Production Management, 22(9), 1014-1031.Waddell, D., & Sohal, A. S. (1994). Forecasting: The key to managerial decision making. Management Decision, 32(1), 41-49. 描述 碩士
國立政治大學
企業管理研究所(MBA學位學程)
1063630201資料來源 http://thesis.lib.nccu.edu.tw/record/#G1063630201 資料類型 thesis dc.contributor.advisor 李易諭<br>李建德 zh_TW dc.contributor.author (Authors) 呂曉佳 zh_TW dc.contributor.author (Authors) Lu, Hsiao-Chia en_US dc.creator (作者) 呂曉佳 zh_TW dc.creator (作者) Lu, Hsiao-Chia en_US dc.date (日期) 2019 en_US dc.date.accessioned 2-Mar-2020 11:40:40 (UTC+8) - dc.date.available 2-Mar-2020 11:40:40 (UTC+8) - dc.date.issued (上傳時間) 2-Mar-2020 11:40:40 (UTC+8) - dc.identifier (Other Identifiers) G1063630201 en_US dc.identifier.uri (URI) http://nccur.lib.nccu.edu.tw/handle/140.119/129005 - dc.description (描述) 碩士 zh_TW dc.description (描述) 國立政治大學 zh_TW dc.description (描述) 企業管理研究所(MBA學位學程) zh_TW dc.description (描述) 1063630201 zh_TW dc.description.abstract (摘要) 良好的銷售預測有助企業減少庫存，對於供應鏈影響重大。尤其是對於銷售品項眾多、庫存壓力龐大的零售業來說，銷售預測更顯重要。近年來，零售業面對租金、人力成本上漲等壓力還有電商的威脅，紛紛探討如何轉型以外，也試圖利用數據建構出消費者特性與預測未來需求。本文以銷售預測為研究主題，使用質化與量化兩種方式研究鞋品零售業之個案公司。首先先與公司內部人員進行深度訪談，了解影響銷售額的重要因素，量化則採取隨機森林演算法與多元線性迴歸法，將隨機森林演算法實證於銷售數據上，預測產品可能之銷售量，結果顯示預測準確率佳，但解釋能力不高；多元迴歸模型則將訪談所得之節慶等重要質性因素生成新自變數，結果顯示銷售人員數、節慶與每年銷售額最高的冬天為重要影響因素。 zh_TW dc.description.tableofcontents 第一章 緒論 1第一節 研究背景與動機 1第二節 研究目的 2第三節 研究範圍 3第四節 研究流程 4第五節 論文結構 5第二章 文獻探討 7第一節 銷售預測 7第二節 資料探勘 10第三章 研究設計 12第一節 研究架構 12第二節 研究方法 13第四章 外部環境分析 18第一節 總體環境分析 18第二節 鞋品零售業五力分析 23第五章 個案分析 26第一節 個案公司背景 26第二節 銷售預測影響因素訪談 32第三節 個案公司銷售預測 42第六章 結論與建議 50第一節 研究結論與發現 50第二節 管理意涵與建議 52第三節 研究限制與未來研究方向 53參考文獻 54附錄：訪談大綱 56 zh_TW dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G1063630201 en_US dc.subject (關鍵詞) 鞋品零售業 zh_TW dc.subject (關鍵詞) 銷售預測 zh_TW dc.subject (關鍵詞) 隨機森林 zh_TW dc.subject (關鍵詞) 多元迴歸 zh_TW dc.subject (關鍵詞) Random Forests en_US dc.title (題名) 鞋品業銷售預測分析之研究： 以A公司為例 zh_TW dc.title (題名) The Research of Sales Forecasting Analysis ： A Case of a Shoe Retailer en_US dc.type (資料類型) thesis en_US dc.relation.reference (參考文獻) 一、中文部分于淼（2015）。基於機器學習論的服裝中期銷售預測研究。浙江理工大學紡織工程碩士論文。朱燕萍 （2009）。 決策樹法在企業決策中的應用。企業導報（2），頁 78-79。吳明隆、張毓仁（2017）。R軟體在決策樹的實務應用。台北市：五南。李政賢（2006）。質性研究: 設計與計畫撰寫。台北市：五南。肖凱、魏菲、彭昌水 （2012）。 基於R語言的數據挖掘在水環境管理中的應用。長江科學院院報， 29（9），頁 91-94。林淑馨（2010）。質性研究 : 理論與實務。臺北市：巨流。金浩、高素英 （2002）。 最佳多元線性迴歸模型的選擇。河北工業大學學報， 31（5），頁 10-14。柯志賢 （2017）。 全球零售業發展趨勢及轉型策略。勤業眾信通訊（11月號），頁 27-30。張云濤、龔玲（2007）。資料探勘原理與技術。臺北市：五南。陳時仲（2015）。隨機森林模型效力評估。國立交通大學統計學研究所碩士論文。彭昭英、唐麗英（2008）。SAS 1-2-3（第6版）。台北市：儒林。曾楚為（2018）。利用資料探勘技術預測顧客購買行為—以連鎖零售業為例。國立台灣大學國際企業管理學系碩士論文。辜莉婷（2006）。應用層級式預測理論於電視購物銷售量預測。國立臺灣大學商學研究所碩士論文。黃永昌（2019）。打下最紮實的AI基礎：從scikit-learn一步一腳印。臺北市：佳魁資訊。廖述賢、溫志皓（2012）。資料探勘理論與應用：以IBM SPSS Modeler 為範例。新北市：博碩文化。廖述賢、溫志皓（2019）。資料探勘：人工智慧與機器學習發展以SPSS Modeler為範例。新北市：博碩文化。蕭文龍（2009）。多變量分析最佳入門實用書：SPSS+LISREL（第2版）。臺北市：碁峰資訊 。謝金青（2011）。社會科學研究法: 論文寫作之理論與實務。新北市：威仕曼文化。羅心蓮（2005）。層級式預測方法論－以液晶監視器為例。國立清華大學工業工程與工程管理學系碩士論文。二、英文部分Agrawal, D., & Schorling, C. (1996). Market share forecasting: An empirical comparison of artificial neural networks and multinomial logit model. Journal of Retailing, 72(4), 383-407.Bajari, P., Nekipelov, D., Ryan, S. P., & Yang, M. (2015). Machine learning methods for demand estimation. The American Economic Review, 105(5), 481-485.Breiman, L. (1996). Bagging predictors. Machine learning, 24(2), 123-140.Ho, T. K. (1998). The random subspace method for constructing decision forests. IEEE Trans. Pattern Anal. Mach. Intell., 20(8), 832-844.Loureiro, A. L. D., Miguéis, V. L., & da Silva, L. F. M. (2018). Exploring the use of deep neural networks for sales forecasting in fashion retail. Decision Support Systems, 114, 81-93.Tanizaki, T., Hoshino, T., Shimmura, T., & Takenaka, T. (2019). Demand forecasting in restaurants using machine learning and statistical analysis. Procedia CIRP, 79, 679-683.Thomassey, S., & Fiordaliso, A. (2006). A hybrid sales forecasting system based on clustering and decision trees. Decision Support Systems, 42(1), 408-421.Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3-28.Wacker, J. G., & Lummus, R. R. (2002). Sales forecasting for strategic resource planning. International Journal of Operations & Production Management, 22(9), 1014-1031.Waddell, D., & Sohal, A. S. (1994). Forecasting: The key to managerial decision making. Management Decision, 32(1), 41-49. zh_TW dc.identifier.doi (DOI) 10.6814/NCCU202000252 en_US
