Page 91 - 36-1

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

方法（如 SHAP），以強化 PLCV 預測結果在管理決策與策略應用上的透明度。
再者，在分析技術與預測方法方面，未來研究可導入進階之時間序列與非線
性分析技術（如長短期記憶網路），以捕捉產品銷售與獲利動態中的潛在結構，並
發展具即時更新能力或較長預測期間之動態模型。雖本研究結果已驗證非線性模型
（如 XGBoost）於 PLCV 預測上的相對優勢，後續研究仍可進一步探索 XGBoost 與

類神經網路之混合式架構整合與優化可能性。
進一步而言，在時間維度與生命週期辨識方面，未來研究可納入產品生命週期
階段標記變數，或結合時間序列模型與隱藏馬可夫模型 (HMM)，以區分產品於導
入、成長、成熟與衰退階段下之差異表現，進而發展具時點配適能力之 CLV-PLCV
整合架構，提升模型之動態性與策略時效性。
最後，在研究設計與應用情境方面，未來研究可結合定性研究方法（如訪談與
個案研究），探討影響 PLCV 之管理行為、策略決策與組織內部機制，並發展跨層

級分析架構，以回應同時具有 B2B 與 B2C 特性之通路代理商情境。此外，亦可將
模型應用擴展至其他具相似資料結構之產業（如連鎖體系、電商平台與平台型 B2B

業者），以驗證 PLCV 模型於不同通路型態與產業場景下之外部效度與應用彈性。
整體而言，透過上述方向之持續深化，未來研究有望建立更精確且具實務導向
之 PLCV 模型，進一步強化其於管理會計與行銷管理領域中的理論貢獻與決策支援
價值。

83