Page 80 - 36-1

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

圖 6 產品第三階段分類依預期平均月淨利及產品生命週期長度分類
資料來源：本研究整理

（四）自有與經銷產品對預測模型之影響評估
由於自有與經銷產品在營運模式、價格策略與顧客關係等層面，顯著異於商化
與營業服務類產品，其在市場定位與價值創造邏輯上存在結構性差異，可能在建構
預測模型時產生偏誤。儘管此類產品在整體樣本中僅占約 7%，但由於其特性上的

異質性，仍可能對模型學習造成干擾。
為驗證這類樣本對整體模型預測表現之影響，本研究進一步排除此 7% 的異質
樣本後重新進行分析。結果顯示，在使用 XGBoost 模型時，若納入全部樣本，預測
誤差 (MAPE) 為 48%；而在排除自有與經銷產品樣本後，MAPE 下降至 19%，改善
幅度達 60.4%。此結果顯示，排除與主要樣本結構差異較大的少數產品，有助於提
升模型整體預測準確性。因此，未來在模型建構與樣本選擇過程中，應更審慎評估
異質樣本的納入方式與分類策略，以避免對預測結果造成不必要的干擾。分析結果

詳見表 7。
惟為維持整體分析邏輯與樣本基礎的一致性，本研究仍以全部產品為主體進行
整體預測與結果報告。

72