期刊編號：Spring 2022
作者：周彥君
更多文章請見政大商業評論網站：http://nccubr.nccu.edu.tw/article.php?aid=176&mid=43
長期以來，「需求預測」（Demand Forecasting）與存貨管理，都是作業管理（Operations Management）領域十分著重的問題，而在本研究中，政大資管系周彥君老師的研究團隊，便藉由將電子零組件通路商作為實務分析案例，研究採購經理人能夠如何在高需求波動之下，提高存貨數量的預測準確性，並進而為實務界提供相關的決策指引。此外，本研究除了對「需求預測」領域做出貢獻之外，也同時為作業管理、資料科學（Data Science）、人工智慧（Artificial Intelligence）等領域的進一步結合，提供了一個更具整合性的架構、視角。
「這篇論文的研究主體，基本上是半導體的通路商，而它們的下游廠商，則可能會是Apple、Acer，或是華碩等公司。」周彥君老師以半導體產業舉例，說明通路商在存貨管理的困難之處，在於它的前置時間非常長，如果下游廠商需要某個零組件，那它便需要提前下單，通路商才有辦法準時供貨。
「比如說Intel，或是記憶體、散熱模組的相關廠商，它們需要購買的零組件種類非常多，所以它們可能會傾向藉由單一通路商，直接購買所有需要的零組件，而不是一個一個和原廠購買。」周彥君老師也進一步說明，下游廠商對貨品的需求，其實是十分不穩定的，「通路商需要在相當不穩定的需求下，去做未來的需求預測，才能做好存貨的備貨與控制。」
「實際上，正確的預測其實是相對困難的，如果你的訂單數量很穩定，每天都是一百單位、一百單位、一百單位，那這樣子的規劃很容易，但是下游廠商的需求，卻通常並非如此。」周彥君老師以實務情況為例，解釋下游廠商也許會連續好幾個禮拜都沒有提出貨品需求，但常常又會突然向通路商一次訂購大量產品，因此，對於通路商而言，事前的備貨和相關規劃，便是個需要解決的棘手問題。
在先前，案例中的通路商是以簡單的「八週平均」作為需求預測的方法，也就是說，它們會把該產品過去八周的需求平均，拿來當作需求預測的參考。因此，在本研究當中，周彥君老師除了透過機器學習（Machine Learning）的演算法，也進一步地藉由資料特徵工程（Feature Engineering），讓模型對於需求預測的正確性，能夠產生比「八週平均」更加明顯的正面效果。
「在學術上，我們很在意『為什麼』，因為我們想知道，這個產品的需求預測到底做的好或不好、其中的原因可能會是什麼，還有我們能夠如何作出相關的解釋。」周彥君老師提及，對於預測研究而言，我們若不單單把預測模型看作一個工程性問題，而是能將相關理論如：需求的變異程度（Demand Volatility）及疊代更新的銷售預測間的相依性（Forecast Evolution），進一步地套用到預測模型上，並藉此為模型建立資料特徵，那這樣子的模型，便有機會產生更佳的結果。除此之外，本研究也透過前置時間需求的整合以及跨品項學習的概念，將眾多品項的複雜需求預測透過單一模型即可完成預測，同時改善預測準確度。
「從工作場域中找出產業特性和相關的重要資訊，對模型的建立其實很有幫助。」周彥君老師說明，「需求預測」在多數產業當中，都是個十分關鍵的重要環節，但對於相關研究來說，其實仍需將重點回歸到資料本身的來源、特徵，才能對模型結果產生根本性的影響。最後，周彥君老師也從資料科學的三個方向出發──其分別是描述性（Descriptive）資料分析、預測性（Predictive）資料分析，還有處方性（Prescriptive）資料分析──說明她希望在未來的研究當中，能夠從預測性分析進一步發展到處方性的分析，協助經理人在需求預測後所需做出的商業決策，也能是權衡利弊後的最佳決策；同時，她也希望利用近來資料分析方法的發展，更精準地評估商業決策和績效間的因果關係（Causal Effect），來為實務界的決策流程提供更進一步的協助。
