Page 65 - 36-1

NTU Management Review Vol. 36 No. 1 Apr. 2026

存期間估計。Kaplan-Meier 模型廣泛用於估計無法明確定義退場時間的「存續資
料 (Survival Data)」，特別適用於觀測期內尚未退場之產品個體，屬右側刪截資
料 (Right-censored Data)，對應零售產品之不完整觀測特性 (Lee and Wang, 2003)。
Kaplan-Meier 存活分析函數為 S(t) = P(T > t)，代表個案可以存活過特定時間點 t 之
機率，為一遞減函數 (Jager, van Dijk, Zoccali, and Dekker, 2008)。本研究對於各產品

類別進行的存活分析，是採用「每月產品上架情況表」中各產品類別中的產品作為
為觀察對象，以 2016 年 1 月作為起始時間，持續追蹤觀察產品至 2021 年 12 月底
觀察對象，以 2016 年 1 月作為起始時間，持續追蹤觀察產品至 2021 年 12 月底前
前每個月之上架狀況。若產品有持續上架代表仍有銷售狀況，產品尚未被消費者淘
每個月之上架狀況。若產品有持續上架代表仍有銷售狀況，產品尚未被消費者淘汰，
汰，則無「產品死亡」此一特定事件發生，產品仍存活；若產品未被上架，則代表
則無「產品死亡」此一特定事件發生，產品仍存活；若產品未被上架，則代表產品
產品未有銷售狀況，根據個案公司表示，基於產業特性，若產品連續 6 個月皆無銷
未有銷售狀況，根據個案公司表示，基於產業特性，若產品連續 6 個月皆無銷售資
售資料，代表產品已被市場淘汰，此時即為「產品死亡」之特定事件發生。
料，代表產品已被市場淘汰，此時即為「產品死亡」之特定事件發生。
（四）產品未來潛在淨利評估方法
（四）產品未來潛在淨利評估方法
本研究之個案公司至 2021 年 12 月底仍上架之產品共 652 項。估算過程採用
本研究之個案公司至 2021 年 12 月底仍上架之產品共 652 項。估算過程採用
AVM 系統產出的數據，該系統透過將作業合理歸屬至各作業中心，進而將成本歸
AVM 系統產出的數據，該系統透過將作業合理歸屬至各作業中心，進而將成本歸
屬至各產品中，涵蓋：1. 銷貨成本；2. 顧客服務成本（含交易、維繫、售後成本
屬至各產品中，涵蓋： 1. 銷貨成本； 2. 顧客服務成本（含交易、維繫、售後成本等）。
等）。
預測方法設計參考Berger and Nasr (1998) 的架構，具體步驟包括計算2020年1-9
預測方法設計參考 Berger and Nasr (1998) 的架構，具體步驟包括計算 2020 年
月各產品類別每月平均單位淨利、根據存活產品數量估算各類別之每月平均淨利、
1-9 月各產品類別每月平均單位淨利、根據存活產品數量估算各類別之每月平均淨
並以 2020 年 10-12 月實際數據作為預測準確度檢驗基準，如圖 3 所示。對於模型
利、並以 2020 年 10-12 月實際數據作為預測準確度檢驗基準，如圖 3 所示。對於
之準確度，本研究採用平均絕對百分比誤差 (Mean Absolute Percentage Error; MAPE)
模型之準確度，本研究採用平均絕對百分比誤差 (Mean Absolute Percentage Error;
和均方根誤差 (Root Mean Square Error; RMSE) 作為預測指標，以全面衡量模型預測
MAPE) 和均方根誤差 (Root Mean Square Error; RMSE) 作爲預測指標，以全面衡
結果之準確性。這兩個指標能從不同角度評估各產品類別於 2020 年 10 月至 12 月
量模型預測結果之準確性。這兩個指標能從不同角度評估各產品類別於 2020 年 10
實際月平均利潤及預期月平均利潤之差異性。MAPE 的計算公式如下：
月至 12 月實際月平均利潤及預期月平均利潤之差異性。MAPE 的計算公式如下：
−
∑ � � � � �
���
� ∗ 100，

其中，n 為樣本數；At 為實際值；Ft 為預測值
其中，n 為樣本數；A 為實際值；F 為預測值。
t
t
本研究選用 MAPE 作為主要模型效能指標，其理由如下：
本研究選用 MAPE 作為主要模型效能指標，其理由如下：
1. 適合處理多尺度變數：在本研究資料中，不同產品類別的單價、毛利與銷量差
1. 適合處理多尺度變數：在本研究資料中，不同產品類別的單價、毛利與銷量差距
距極大，MAPE 能夠反映「誤差相對於實際值的比率」，在產品間具可比性。
極大，MAPE 能夠反映「誤差相對於實際值的比率」，在產品間具可比性。
2. 具商業解釋性：MAPE 可直觀反映「預測誤差百分比」，易於被管理者理解與採
2. 具商業解釋性：MAPE 可直觀反映「預測誤差百分比」，易於被管理者理解與採
納 (Hyndman and Koehler, 2006)。
納 (Hyndman and Koehler, 2006)。
3. 迴歸文獻廣泛應用：眾多迴歸型銷售預測與存貨管理文獻（如 Makridakis,
3. 迴歸文獻廣泛應用：眾多迴歸型銷售預測與存貨管理文獻（如 Makridakis, Spiliotis,
Spiliotis, and Assimakopoulos, 2018）均採用 MAPE 為主評估依據，適用於實務操
and Assimakopoulos, 2018）均採用 MAPE 為主評估依據，適用於實務操作。
作。
MAPE 提供誤差的相對比例，有助於理解預測偏差的程度。然而，在處理接近
MAPE 提供誤差的相對比例，有助於理解預測偏差的程度。然而，在處理接近
零或負值的情況時，為了避免可能產生誤導性結果，因此，本研究引入 RMSE 作為
57
補充指標。RMSE 保持與原始數據相同的單位，對大誤差更為敏感。透過同時使用
這兩個指標，本研究能夠提供更全面、更平衡的模型性能評估，增強研究的嚴謹性
和可靠性，RMSE 的計算公式如下：

∑ � − �
�
�
� ��� ，

17