Page 74 - 36-1

Integrating Artificial Intelligence into Product Life Cycle Value and Activity Value Management: A Case Study
of P Channel Agent

泡咖啡類存活期間長，而進一步透過產品上架情況表可知，存活之餅乾類其產品多
為個案公司之自有品牌，存活之沖泡咖啡類其產品上游製造商於國內相當有名。對
於飲料冰品類，可發現其中的咖啡產品存活期間相當長，而水氣泡水、冷藏乳飲及
其他飲品之存活期間較短。針對日雜類，其中除了米類之外，其餘產品種類存活率
皆未下降 50%，存活機率高且期間長；而在用品類中，雖然個人清潔類之存活中位

數僅 19 個月，然細分後會發現：臉部清潔類之產品存活率高於頭部、身體、口腔
清潔類，其存活中位數為 72 個月，而其餘類別則不到 20 個月。同樣地，個人用品
類之存活中位數雖然僅 1 個月，但其中之其他個人用品其存活中位數為 72 個月，
觀察產品上架情況表可知，這些存活的產品多為防蚊液、暖暖包等。對於紙棉製品
類，其中之紙尿褲及衛生棉類產品其存活期間數皆不長。
（三）PLCV 分析
本研究之個案於估算 PLCV 前，先探討各產品類別之未來潛在淨利。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，即可得出各產品類別之生命
週期價值。表 4 顯示各產品類別之生命週期價值。
1. 分析 MAPE 及 RMSE
表 4 最右邊兩欄顯示各產品類別之 MAPE 及 RMSE。從整體看，採用過往各產
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%，如非餅乾類、餅乾類、沖泡咖啡等，本研究認為是由於許多產品類別各月平
均淨利差異甚大所導致。
然而個別看，有些產品類別之 MAPE 低於 100%，如咖啡、調味品、臉部清潔
等，可以做為個案公司參考指標，甚至其他釀造酒、蒸餾酒、衛生紙之 MAPE 低於

20%，代表此類產品每月淨利波動較小，而個案公司可以依據各產品類別之預測準
確度，參考部分產品類別之 PLCV。
為提升 PLCV 之預測準確度，除初步採用之 Kaplan-Meier 存活分析，結合過去
九個月各產品類別的獲利平均作為未來三個月獲利的預估方法外，本研究亦嘗試導
入神經網路進行建模（表 5）。結果顯示，神經網路在部分產品類別之預測表現優
於傳統統計方法，前者全部產品的 MAPE 值為 67%，而後者的 MAPE 值為 57%，
MAPE 誤差比例下降 14.93%，顯示類神經網路在相對預測誤差上有所進步。然而，

由於神經網路存在模型解釋性不足、參數設定敏感度高等限制，且其預測表現仍略
遜於 XGBoost 模型，後續引入之該模型全部產品的 MAPE 值為 48%，MAPE 誤差
比例進一步下降 15.79%，RMSE 亦顯著下降，幅度相當可觀，故本研究最終採用
XGBoost 作為主要預測工具（表 6）。茲針對 XGBoost 結果分析如下。

66