Page 66 - 36-1

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
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
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
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
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。
（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
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
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 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、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
模型之準確度，本研究採用平均絕對百分比誤差 (Mean Absolute Percentage Error;
MAPE) 和均方根誤差 (Root Mean Square Error; RMSE) 作爲預測指標，以全面衡
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
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
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
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。
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)。
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,
Integrating Artificial Intelligence into Product Life Cycle Value and Activity Value Management: A Case Study
Spiliotis, and Assimakopoulos, 2018）均採用 MAPE 為主評估依據，適用於實務操
of P Channel Agent
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
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
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
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
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
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：
和可靠性，RMSE 的計算公式如下：
∑ � − �
���
�
�
� ，

其中，n 為樣本數；A 為實際值；F 為預測值。
t
t
17

產品類別實際值與預測值比較
800,000
700,000
600,000
500,000
400,000
300,000
200,000
100,000
-
1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月
實際值 預測值
圖 3 實際值與預測值比較示意圖
資料來源：本研究整理
（五）生命週期價值計算方法
在 PLCV 的計算和分析方面，本研究將各產品類別之預估生存時長及未來潛在
淨利導入 PLCV 模型，並參考 Datar and Rajan (2021) 的方法，採用該行業基本最低
年報酬率 3% 作為折現率。初步分析顯示，運用過往各產品類別之月平均淨利作為
預期淨利之準確度不理想，許多產品類別之 MAPE 高於 100%，這可能是由於許多
產品類別各月平均淨利差異甚大所導致。
為了改善預測準確度，本研究進一步採用人工智慧中的神經網路與 XGBoost 進
行預測，針對未來三個月的獲利進行獨立預測。神經網路預測模型使用 PyTorch 內
建的線性函數。由於資料量較小，僅有 504 筆資料，本研究使用架構較簡單的雙層
58