TWI618005B

TWI618005B - 庫存需求預測系統

Info

Publication number: TWI618005B
Application number: TW105138452A
Authority: TW
Inventors: 宋經天
Original assignee: 財團法人資訊工業策進會
Priority date: 2016-11-23
Filing date: 2016-11-23
Publication date: 2018-03-11
Also published as: US20180144289A1; CN108090713A; TW201820217A

Abstract

一種庫存需求預測系統包含一儲存裝置及一處理器。儲存裝置用以儲存複數個物料資訊、一庫存周轉率及一服務水準率。處理器用以依據庫存周轉率及服務水準率以設置一需求滿足範圍，計算物料資訊所各自對應的複數個最佳物料落點，將位於需求滿足範圍之內的最佳物料落點加入一第一備料群組，並將位於需求滿足範圍之外的最佳物料落點加入一第二備料群組，以計算第一備料群組中的各最佳物料落點的一初始質心。

Description

庫存需求預測系統

本發明是有關於一種庫存需求預測系統，且特別是有關於一種庫存周轉率及服務水準率之庫存需求預測。

在新型態市場需求下，備料比備品來的重要，工廠可以在接到訂單後，再組合料件進行生產，進一步可減少囤積貨品的可能性。然而，料件資訊比貨品資訊至少龐大數十倍，變動大不易單靠一種模型預測。此外，由於少量多樣化的新型態市場需求已成為趨勢，如何有效管理庫存，讓生產能因應變化快速的客戶需求已成為重要課題。

因此，如何提供一種有利於工業生產管理及符合市場需求的庫存需求預測系統及庫存需求預測方法，已成為本領域急待改進的問題之一。

為解決上述的問題，本發明之一態樣提供一種一種庫存需求預測系統，包含一儲存裝置及一處理器。儲存裝置用以儲存複數個物料資訊、一庫存周轉率及一服務水準率。處理器耦接於儲存裝置，處理器用以：依據庫存周轉率及服務水準率以設置一需求滿足範圍；計算物料資訊所各自對應的複數個最佳物料落點；將位於需求滿足範圍之內的最佳物料落點加入一第一備料群組，並將位於需求滿足範圍之外的最佳物料落點加入一第二備料群組；計算第一備料群組中的各最佳物料落點的一初始質心；依據第二備料群組中的各最佳物料落點與初始質心，以產生複數個第一距離指標；將第一距離指標中的最短者指定為一第一候選距離，並將第一候選距離所對應的最佳物料落點之其中之一者指定為一當前物料落點，並將當前物料落點加入第一備料群組中，以產生一當前備料群組；將當前物料落點由第二備料群組中移除；以及計算當前備料群組的一當前質心，並判斷當前質心是否位於需求滿足範圍中；若判斷當前質心位於需求滿足範圍中，則依據第二備料群組中的各最佳物料落點與當前質心，以產生複數個第二距離指標，並將些第二距離指標中的最短者指定為一第二候選距離，並將第二候選距離所對應的最佳物料落點之其中之一者指定為當前物料落點。

綜上所述，本發明所示之庫存需求預測系統可以在同時考量庫存周轉率及服務水準的情況下，更準確地提供備料策略，且能夠更有效率地因應多變的市場需求，以提供準確的庫存預測機制。

100‧‧‧庫存需求預測方法

111~129‧‧‧步驟

Ra‧‧‧需求滿足範圍

200‧‧‧庫存需求預測系統

220‧‧‧處理器

210‧‧‧儲存裝置

230‧‧‧傳輸裝置

S1~S3‧‧‧伺服器

M1~M3‧‧‧初始物料落點

A1~A4、B1~B5、La、La’、La”‧‧‧最佳物料落點

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖根據本發明之一實施例繪示一種庫存需求預測方法之流程圖；第2圖根據本發明之一實施例繪示一種庫存需求預測系統之方塊圖；第3圖根據本發明之一實施例繪示一種需求滿足範圍之示意圖；第4圖根據本發明之一實施例繪示一種需求滿足範圍之示意圖；第5圖根據本發明之一實施例繪示一種選用預測演算法之示意圖；第6圖根據本發明之一實施例繪示一種物料資訊之示意圖；第7圖根據本發明之一實施例繪示一種物料資訊之示意圖；以及第8圖根據本發明之一實施例繪示一種物料資訊之示意圖。

下文係舉實施例配合所附圖式作詳細說明，但所提供之實施例並非用以限制本發明所涵蓋的範圍，而結構操作之描述非用以限制其執行之順序，任何由元件重新組合之結構，所產生具有均等功效的裝置，皆為本發明所涵蓋的範圍。此外，圖式僅以說明為目的，並未依照原尺寸作圖。為使便於理解，下述說明中相同元件將以相同之符號標示來說明。

關於本文中所使用之『第一』、『第二』、...等，並非特別指稱次序或順位的意思，亦非用以限定本發明，其僅僅是為了區別以相同技術用語描述的元件或操作而已。請參照第1~2圖，第1圖根據本發明之一實施例繪示一種庫存需求預測方法100之流程圖。第2圖根據本發明之一實施例繪示一種庫存需求預測系統200之方塊圖。

於一實施例中，庫存需求預測系統200包含一儲存裝置210及一處理器220。於一實施例中，儲存裝置210可以被實作為唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之儲存媒體。於一實施例中，處理器220用以執行各種運算，且亦可以被實施為微控制單元(microcontroller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit，ASIC)或一邏輯電路。

於一實施例中，庫存需求預測系統200更包含傳輸裝置230。於一實施例中，傳輸裝置230可以是一路由晶片、一數據處理元件、一網路卡以實現之。

於一實施例中，處理器220耦接於儲存裝置210，傳輸裝置230耦接於儲存裝置210及處理器220。於一實施例中，傳輸裝置230通訊連接於伺服器S1~S3，傳輸裝置230用以接收來自伺服器S1~S3的物料資訊。

於一實施例中，儲存裝置210用以儲存多筆物料資訊、一庫存周轉率及一服務水準率。

於一實施例中，服務水準率是指於一前置期間內，由一庫存品直接供貨之比率。其中，前置期間是指採購訂單由發出至收到貨品所需的時間。舉例而言，顧客於2016年8月1日下訂單購買產品A，販售公司收到訂單後開始製造組裝，依據正常作業程序將產品A交付給顧客的時間為2016年11月1日，則此前置時間為三個月。此外，由於販售公司通常販售的產品數為多種，總體服務水準率代表多種產品或物料的平均服務水準率。

再舉例而言，販售公司接到一個月後要交付100件產品的訂單後開始生產，但由於原始物料不足，依據正常作業程序為2週後只能交付80件產品，因此需要增加訂購物料原料。考慮物料到位時間，五週後才能交貨剩下的20件，因此，於前置期間(一個月)內，販售公司僅能提供100件產品中的80件產品，其服務水準為0.8(即80/100=0.8)。

於一實施例中，庫存周轉率是由一時間區間內之一銷貨數量除以時間區間內之一庫存剩餘量而得。舉例而言，產品A在2016年8月1日到2016年8月7日的銷貨量為300件，而這一週的庫存剩餘量為150件，則存貨庫存率為2(即300/150=2)。此外，由於販售公司通常販售的產品數為多種，總體庫存周轉率代表多種產品或物料的平均庫存周轉率。

藉此，儲存裝置210儲存各種產品的物料資訊 (包含各個物料所對應的歷史紀錄)，處理器220可依據物料資訊以計算庫存周轉率及服務水準率。

於步驟111中，處理器220依據庫存周轉率及服務水準率以設置一需求滿足範圍Ra。

請參照第3圖，第3圖根據本發明之一實施例繪示一種需求滿足範圍Ra之示意圖。於一實施例中，如第3圖所示，處理器220設置需求滿足範圍Ra為庫存周轉率90%以上且庫存周轉率之倒數為10%以上的區域。

請參照第4圖，第4圖根據本發明之一實施例繪示一種需求滿足範圍Ra之示意圖。於一實施例中，如第4圖所示，當處理器220定義庫存週轉率的倒數為x和服務水準為y時，滿足範圍Ra以下述函式定義之：y=1-ln(100x)/10

由此可知，當滿足此函式(即某物料的服務水準率與庫存周轉率的倒數位於滿足範圍Ra中)時，代表物料的庫存量不至於過多且大致能滿足訂單需求。

接著，請一併參照第5~6圖，第5圖根據本發明之一實施例繪示一種選用預測演算法之示意圖。第6圖根據本發明之一實施例繪示一種物料資訊之示意圖。

於步驟113中，處理器220計算各個物料資訊所各自對應的最佳物料落點A1~A4、B1~B5。

於一實施例中，每個物料資訊都可以用多種初始預測演算法進行預測其庫存周轉率及服務水準率。如第5圖所示，一物料資訊可透過自動回歸移動平均演算法(Auto-Regressive and Moving Average Model， ARMA)以預估此物料資訊的庫存周轉率及服務水準率為初始物料落點M1、透過支援向量回歸演算法(Support Vector Regression，SVR)，以預估此物料資訊的庫存周轉率及服務水準率為初始物料落點M2、透過差分整合移動平均自迴歸演算法(Autoregressive Integrated Moving Average model，ARIMA)，以預估此物料資訊的庫存周轉率及服務水準率為初始物料落點M3。

接著，處理器220分別計算初始物料落點M1、M2、M3中最接近庫存周轉線及服務水準線之其中之一者(即初始物料落點M1)，作為此物料資訊的最佳物料落點，且以初始物料落點M1所對應的自動回歸移動平均演算法指定為此物料資訊的最佳預測演算法，換言之，處理器220將自動回歸移動平均演算法指定為此物料資訊的預測模型。

再舉例而言，於第6圖中，處理器220藉由多個第一初始預測演算法(例如為自動回歸移動平均演算法、支援向量回歸演算法)對第一物料資訊進行運算，以取得多個第一初始物料落點(未繪示)，此些第一初始物料落點分別對應至第一預測演算法之其中之一者。接著，處理器220選出第一初始物料落點中的其中之一者(即最接近庫存周轉線及服務水準線的第一初始物料落點)指定為第一最佳物料落點A1，並將第一最佳物料落點A1所對應的第一初始預測演算法其中之一者指定為第一最佳預測演算法。例如，第一最佳物料落點A1係由自動回歸移動平均演算法所預測出來的，故將自動回歸移動平均演算法指定為第一最佳預測演算法。

又舉例而言，於第6圖中，處理器220藉由多個第二初始預測演算法(例如為自動回歸移動平均演算法、整合移動平均自迴歸演算法)對第二物料資訊進行運算，以取得多個第二初始物料落點(未繪示)，此些第二初始物料落點分別對應至第二預測演算法之其中之一者。接著，處理器220選出第二初始物料落點中的其中之一者(即最接近庫存周轉線及服務水準線的第二初始物料落點)指定為第二最佳物料落點A2，並將第二最佳物料落點A2所對應的第二初始預測演算法其中之一者指定為第二最佳預測演算法。例如，第二最佳物料落點A2係由整合移動平均自迴歸演算法所預測出來的，故將整合移動平均自迴歸演算法指定為第二最佳預測演算法。

依此類推，可依據上述方法決定出每個物料的最佳物料落點A1~A4、B1~B5(如第6圖所示)。

換言之，如第6圖所示，處理器220可依據各種初始預測演算法的運算結果，以分別選出每個物料的最佳物料落點A1~A4、B1~B5。其中，每個物料的最佳物料落點A1~A4、B1~B5對應到各自的最佳預測演算法。

於步驟115中，處理器220將位於需求滿足範圍之內Ra的最佳物料落點A1、A2、A3、A4加入一第一備料群組，並將位於需求滿足範圍Ra之外的最佳物料落點B1、B2、B3、B4、B5加入一第二備料群組。

於步驟117中，處理器220計算第一備料群組中的各最佳物料落點A1、A2、A3、A4的一初始質心La。

舉例而言，最佳物料落點A1、A2、A3、A4的庫存周轉率的倒數分別為11%、13%、12%及14%，服務水準率分別為93%、96%、92%及91%。由此可知，庫存周轉率的倒數之平均值為12.5%(即，(11%+13%+12%+15%)/4=12.5%)，而服務水準率的平均值為93%(即，93%+96%+92%+91%)/4=93%)。因此，初始質心La落在庫存周轉率的倒數為12.5%且服務水準率為93%的位置。

於步驟119中，處理器220依據第二備料群組中的各最佳物料落點B1、B2、B3、B4、B5與初始質心La，以產生複數個第一距離指標。其中，此些第一距離指標是指的各最佳物料落點B1、B2、B3、B4、B5與初始質心La的距離。

於一實施例中，此些第一距離指標可以由初始質心La於第6圖上的位置分別與最佳物料落點B1、B2、B3、B4、B5於第6圖上的位置相減後取絕對值而得。例如，最佳物料落點B1的庫存周轉率的倒數為7%，服務水準率為93%，最佳物料落點B1與初始質心La的距離為4.24；最佳物料落點B2的庫存周轉率的倒數為9%，服務水準率為91%，最佳物料落點B2與初始質心La的距離為1.41；最佳物料落點B3的庫存周轉率的倒數為8%，服務水準率為85%，最佳物料落點B3與初始質心La的距離為5.39；最佳物料落點B4的庫存周轉率的倒數為10.5%，服務水準率為88%，最佳物料落點B4與初始質心La的距離為2.06；最佳物料落點B5的庫存周轉率的倒數為15%，服務水準率為 84%，最佳物料落點B5與初始質心La的距離為7.81。

於步驟121中，處理器220將此些第一距離指標中的最短者指定為一第一候選距離(例如，於上述的第一距離指標中，最佳物料落點B2與初始質心La的距離最短，故第一候選距離為1.41)，並將第一候選距離所對應的最佳物料落點之其中之一者指定為一當前物料落點(例如，將最佳物料落點B2指定為當前物料落點)。

於步驟123中，處理器220將當前物料落點加入第一備料群組中，以產生一當前備料群組。

請參閱第7圖，第7圖根據本發明之一實施例繪示一種物料資訊之示意圖。於此例中，處理器220將當前物料落點B2加入第一備料群組(第一備料群組包含最佳物料落點A1~A4)後，其所產生的當前備料群組中包含最佳物料落點A1~A4及B2。

於步驟125中，由於處理器220已將當前物料落點B2加入第一備料群組，因此，處理器220將當前物料落點B2由第二備料群組中移除。此時，第二備料群組中包含最佳物料落點B1、B3~B5。

於步驟127中，處理器220計算當前備料群組的一當前質心La’，判斷當前質心La’是否位於需求滿足範圍Ra中。

若處理器220判斷當前質心La’位於需求滿足範圍Ra中，則執行步驟128。若處理器220判斷當前質心La’不位於需求滿足範圍Ra中，則執行步驟129。

於步驟128中，處理器220依據第二備料群組中的各最佳物料落點B1、B3~B5與當前質心La’，以產生複數個第二距離指標，並將此些第二距離指標中的最短者指定為一第二候選距離，並將第二候選距離所對應的最佳物料落點之其中之一者(例如為最佳物料落點B4)指定為當前物料落點。接著，執行步驟123。

更具體而言，於第7圖中，處理器220計算當前備料群組(包含最佳物料落點A1~A4及B2)的當前質心La’，此當前質心La’位於庫存周轉率的倒數為11.8%且服務水準率為92.6%處。於此例中，由於當前質心La’位於需求滿足範圍Ra中，故處理器220進一步計算第二備料群組中的各最佳物料落點B1、B3~B5與當前質心La’的第二距離指標(例如，處理器220分別計算各最佳物料落點B1、B3~B5與當前質心La’之間的距離以產生複數個第二距離指標)，並判斷此些第二距離指標中的最短者(例如，最佳物料落點B4與當前質心La’之間的距離最短，則將此距離指定為第二候選距離)。

當處理器220判斷此些第二距離指標中的最短者為最佳物料落點B4與當前質心La’之間的距離時，將最佳物料落點B4指定為當前物料落點。接著，執行步驟123~127。

請參閱第8圖，第8圖根據本發明之一實施例繪示一種物料資訊之示意圖。於第8圖中，由於最佳物料落點B4與當前質心La’之間的距離最短，故處理器220將當前物料落點B4加入第一備料群組(第一備料群組包含最佳物料落點A1~A4、B2)後，其所產生的當前備料群組中包含最佳物料落點A1~A4、B2及B4，處理器220可計算出當前備料群組的一當前質心La”(其庫存周轉率的倒數為11.58%，服務水準率為91.83%)。於此例中，由於當前質心La”仍位於需求滿足範圍Ra中，故此時於步驟127中的判斷式仍會成立。

藉由重複執行上述步驟123~128，直到於步驟127中所算出的當前質心不位於需求滿足範圍Ra時，執行步驟129。

於步驟129中，當處理器220判斷當前質心不位於需求滿足範圍Ra中時，則將第一備料群組及第一備料群組所對應的至少一最佳預測演算法指定為一備料策略。

例如，備料策略包含第一備料群組中的最佳物料落點A1的庫存周轉率的倒數為11%、最佳物料落點A1的服務水準率為93%、最佳物料落點A1所採用的預測模型為自動回歸移動平均演算法，及最佳物料落點A2的庫存周轉率的倒數為13%、最佳物料落點A2的服務水準率為96%、最佳物料落點A2所採用的預測模型為整合移動平均自迴歸演算法...等資訊。因此，販售公司可參考備料策略，以進行備料。

雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims

一種庫存需求預測系統，包含：一儲存裝置，用以儲存複數個物料資訊、一庫存周轉率及一服務水準率；一處理器，耦接於該儲存裝置，該處理器用以：依據該庫存周轉率及該服務水準率以設置一需求滿足範圍；計算該些物料資訊所各自對應的複數個最佳物料落點；將位於該需求滿足範圍之內的該些最佳物料落點加入一第一備料群組，並將位於該需求滿足範圍之外的該些最佳物料落點加入一第二備料群組；計算該第一備料群組中的各該些最佳物料落點的一初始質心；依據該第二備料群組中的各該些最佳物料落點與該初始質心，以產生複數個第一距離指標；將該些第一距離指標中的最短者指定為一第一候選距離，並將該第一候選距離所對應的該些最佳物料落點之其中之一者指定為一當前物料落點，並將該當前物料落點加入該第一備料群組中，以產生一當前備料群組；將該當前物料落點由該第二備料群組中移除；以及計算該當前備料群組的一當前質心，並判斷該當前質心是否位於該需求滿足範圍中；若判斷該當前質心位於該需求滿足範圍中，則依據該第二備料群組中的各該些最佳物料落點與該當前質心，以產生複數個第二距離指標，並將該些第二距離指標中的最短者指定為一第二候選距離，並將該第二候選距離所對應的該些最佳物料落點之其中之一者指定為該當前物料落點。
如請求項1所述之庫存需求預測系統，其中，每個物料資訊能透過多種初始預測演算法，預測其庫存周轉率及服務水準率，以分別取得一初始物料落點，該處理器能分別計算各該初始物料的落點中，最接近該庫存周轉線及該服務水準線之其中之一者，作為該物料資訊的該最佳物料落點，且指定該最佳物料落點所對應的初始預測演算法為一最佳預測演算法；當該處理器判斷該當前質心不位於該需求滿足範圍中時，則將該第一備料群組及該第一備料群組所對應的該最佳預測演算法指定為一備料策略。
如請求項1所述之庫存需求預測系統，其中該些物料資訊包含一第一物料資訊，該處理器更用以藉由複數個第一初始預測演算法對該第一物料資訊進行運算，以取得複數個第一初始物料落點，該些第一初始物料落點分別對應至該些第一預測演算法之其中之一者，該處理器選出該些第一初始物料落點中的其中之一者指定為一第一最佳物料落點，並將該第一最佳物料落點所對應的該些第一初始預測演算法其中之一者指定為一第一最佳預測演算法。
如請求項3所述之庫存需求預測系統，其中該些物料資訊包含一第二物料資訊，該處理器更用以藉由複數個第二初始預測演算法對該第二物料資訊進行運算，以取得複數個第二初始物料落點，該些第二初始物料落點分別對應至該些第二預測演算法之其中之一者，該處理器選出該些第二初始物料落點中的其中之一者指定為一第二最佳物料落點，並將該第二最佳物料落點所對應的該些第二初始預測演算法其中之一者指定為一第二最佳預測演算法。
如請求項4所述之庫存需求預測系統，其中該些最佳物料落點包含該第一最佳物料落點及該第二最佳物料落點。
如請求項3所述之庫存需求預測系統，其中該處理器選出該些第一初始物料落點中，最接近一庫存周轉線及一服務水準線的該些第一初始物料落點之其中之一者作為該第一最佳物料落點。
如請求項1所述之庫存需求預測系統，更包含：一傳輸裝置，耦接於該處理器及該儲存裝置，該傳輸裝置用以接收來自一伺服器的該些物料資訊。
如請求項1所述之庫存需求預測系統，其中，該庫存周轉率是由一時間區間內之一銷貨數量除以該時間區間內之一庫存剩餘量而得。
如請求項1所述之庫存需求預測系統，其中，該服務水準率是指於一前置期間內，由一庫存品直接供貨之比率。