建構以集群為基礎的快速時尚銷售預測模式-以日本企業為例

在現今快速變化及高度競爭的產業環境中，一種嶄新的商業模式-「快速時尚」在服飾產業帶來一波新的革命。在時尚產業裡，缺乏歷史數據、時尚趨勢不斷變化及產品需求不確定性情形下，準確的銷售預測是一個重要且具有挑戰性的問題。本研究整合K-Means集群技術與極限學習機(extreme learning machine, ELM)及支援向量迴歸(support vector regression, SVR)分別建構以集群為基礎KM-ELM及KM-SVR之時尚產業銷售預測模式，並根據日本時尚產業個案公司的實體店面與無店鋪通路銷售資料進行實證分析。研究結果顯示，KM-ELM及KM-SVR模式均優於ELM和SVR模式而有較高的預測準確度，表示整合集群技術有助於改善預測表現。此外，無論是在實體店面或是無店鋪通路銷售預測上，KM-ELM模式皆有良好的結果；其相較於其他預測模式，可為時尚產業界之最適銷售預測方法。

關鍵字

銷售預測；快速時尚；極限學習機；支援向量迴歸； K-Means

並列摘要

In fast fashion industry, accurate sales forecasting is essential and challenging, because of ever-changing fashion trends, insufficient historical data, and uncertainty in demands. This study propose clustering-based sales forecasting models which inte-grate K-Means and either of extreme learning machine (ELM) and support vector re-gression (SVR), namely KM-ELM and KM-SVR. The multiple-channel retailers of Japanese fashion company is selected as a case study in the research to do the empiri-cal analysis. The results showed that KM-ELM and KM-SVR provide better forecast-ing accuracy than ELM and SVR, and the results also presented that K-means is help-ful for improving the forecasting performance. Comparing with other forecasting models, KM-ELM performs better forecasting accuracy in multiple-channel retailers which can be seen as the best model of sales forecasting in fashion industry.

並列關鍵字

sales forecasting ； fast fashion ； extreme learning machine ； support vector regression ； K-Means

參考文獻

蔡爾逸(2012)。應用支撐向量機(SVM)於都市不動產價格預測之研究。中央大學營建管理研究所碩士論文。

陳佳君(2012)。平價流行之經營模式探討─以服飾產業為例。交通大學科技管理研究所學位論文。

張家熏(2011)。基於K-means演算法，小波轉換及支持向量機之心電訊號辨識系統。臺灣師範大學機電科技研究所學位論文。

Hsu, C. W., Chang, C. C., & Lin, C. J. (2003). A Practical Guide to Support Vector Classification, 1-16.

Kasun, L. L. C., Zhou, H., Huang, G. B., & Vong, C. M. (2013). Representational Learning with Extreme Learning Machine for Big data. IEEE Intelligent Systems, 28(6), 31-34.

國際替代計量

建構以集群為基礎的快速時尚銷售預測模式-以日本企業為例

全文下載

主題瀏覽