本发明是有关于一种管理系统与管理方法，且特别是有关于一种存货管理系统与存货管理方法。
背景技术：
在商业模式中，存货管理占了非常重要的地位。举例来说，若产品销售较佳，然而因存货管理不当，导致产品缺货，这会直接影响到产品的整体销售量，企业的获利亦会因而降低。反之，若产品销售欠佳，此时，因存货管理不当，而导致产品囤积，这样亦会影响到企业的现金流，造成企业营运不顺。
以往存货管理的方式，主要是依据所有产品的类型，找出最适合的一种存货预测模型，以进行所有产品的存货预测并提供相关存货建议。然而，单一存货预测模型并不完全适用于所有产品，因此会产生存货预测的误差，影响企业的获利。
由此可见，上述现有的方式，显然仍存在不便与缺陷，而有待改进。为了解决上述问题，相关领域莫不费尽心思来谋求解决之道，但长久以来仍未发展出适当的解决方案。
技术实现要素：
发明内容旨在提供本揭示内容的简化摘要，以使阅读者对本揭示内容具备基本的理解。此发明内容并非本揭示内容的完整概述，且其用意并非在指出本发明实施例的重要/关键元件或界定本发明的范围。
本发明内容的一目的是在提供一种存货管理系统与存货管理方法，借以改善先前技术的问题。
为达上述目的，本发明内容的一技术态样是关于一种存货管理系统，其包含储存器与处理器。储存器储存多个物品、所述多个物品的特性以及预设类别数据。处理器电性连接至储存器，并用以执行以下步骤：(a)依据预设类别数据对多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包含预设类别，并依据所述多个物品的所述多个预设类别及所述多个物品的特性，以对所述多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包含分类类别；(b)依据所述多个物品的所述多个分类类别与所述多个物品的特性以提供所述多个物品中的每一者预测模型；以及(c)依据所述多个物品的所述多个预测模型以提供存货管理决策表。
在一实施例中，步骤(a)还包括：将所述多个物品划分为多个训练物品及多个测试物品；依据所述多个训练物品以取得一第一参数值，借以建立一机器学习器，并以所述多个测试物品验证机器学习器的分类正确性；以及若机器学习器的分类正确性大于一预设门槛，则通过机器学习器进行所述多个物品的分类。
在另一实施例中，步骤(a)还包括：若机器学习器的分类正确性不大于预设门槛，则重新将所述多个物品划分所述多个训练物品及所述多个测试物品；处理器依据重新划分的所述多个训练物品以取得一第二参数值，借以建立机器学习器，并以所述多个测试物品验证机器学习器的分类正确性；以及若机器学习器的分类正确性大于预设门槛，则通过机器学习器以进行所述多个物品的分类。
于再一实施例中，步骤(b)还包括：处理器分析所述多个物品的所述多个分类类别以取得相应的特性，据以提供所述多个物品的所述多个预测模型而预测所述多个物品的预测需求数量。
在又一实施例中，步骤(c)还包括：处理器取得所述多个物品的预测需求数量，并分析所述多个物品的预测需求数量与所述多个物品的实际需求数量的差异，据以提供动态存货管理决策表。
在一实施例中，存货管理系统还包括人机界面。人机界面耦接于储存器及处理器，并用以依据一指令以控制处理器。
在另一实施例中，人机界面依据指令以调整处理器产生的所述多个物品的所述多个分类类别、所述多个物品的所述多个预测模型或动态存货管理决策表。
于再一实施例中，存货管理系统还包括物品类别数据库。物品类别数据库耦接于处理器，并用以储存所述多个物品的所述多个分类类别。
在又一实施例中，步骤(a)还包括：处理器依据存货理论定义所述多个物品的类型以产生预设类别数据；以及依据所述多个物品的特性，以定义所述多个物品的预设类别数据所对应的预测模型，并将预测模型储存于储存器。
在一实施例中，存货管理系统还包括：处理器依据所述多个物品的所述多个分类类别以及预测模型计算而得所述多个物品的需求数量；以及处理器依据所述多个物品的需求数量以提供动态存货管理决策表。
为达上述目的，本发明内容的另一技术态样是关于一种存货管理方法，其包含以下步骤：(a)通过处理器依据预设类别数据对多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包含预设类别，并通过处理器依据所述多个物品的所述多个预设类别及所述多个物品的特性，以对所述多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包含分类类别；(b)通过处理器依据所述多个物品的所述多个分类类别与所述多个物品的特性以提供所述多个物品中的每一者预测模型；以及(c)通过处理器依据所述多个物品的所述多个预测模型而提供动态存货管理决策表。
在一实施例中，步骤(a)还包括：通过处理器将所述多个物品划分为多个训练物品及多个测试物品；通过处理器依据所述多个训练物品以取得一第一参数值，以建立一机器学习器，并以所述多个测试物品以验证机器学习器的分类正确性；以及若机器学习器的分类正确性大于一预设门槛，则通过机器学习器进行所述多个物品的分类。
在另一实施例中，步骤(a)还包括：若机器学习器的分类正确性不大于预设门槛，则重新将所述多个物品划分所述训练物品及所述多个测试物品；通过处理器依据重新划分的所述多个训练物品以取得一第二参数值，以建立机器学习器，并以所述多个测试物品验证机器学习器的分类正确性；以及若机器学习器的分类正确性大于预设门槛，则通过机器学习器以进行所述多个物品的分类。
于再一实施例中，步骤(b)还包括：通过处理器分析所述多个物品的所述多个分类类别以取得相应的特性，据以提供所述多个物品的所述多个预测模型而预测所述多个物品的预测需求数量。
在又一实施例中，步骤(c)还包括：通过处理器取得所述多个物品的预测需求数量，并分析所述多个物品的预测需求数量与所述多个物品的实际需求数量的差异，据以提供动态存货管理决策表。
在一实施例中，存货管理方法还包括：通过一人机界面以依据一指令以控制处理器。
在另一实施例中，通过人机界面以依据指令以控制处理器包括：通过人机界面依据指令以调整处理器产生的所述多个物品的所述多个分类类别、所述多个物品的所述多个预测模型或动态存货管理决策表。
于再一实施例中，存货管理方法还包括：通过一物品类别数据库以储存所述多个物品的所述多个分类类别。
在又一实施例中，步骤(a)还包括：通过处理器依据存货理论定义所述多个物品的类型以产生预设类别数据；以及通过处理器依据所述多个物品的特性，以定义所述多个物品的预设类别数据所对应的预测模型，并将预测模型储存于一储存器。
在一实施例中，存货管理方法还包括：通过处理器依据所述多个物品的所述多个分类类别以及预测模型计算而得所述多个物品的需求数量；以及通过处理器依据所述多个物品的需求数量而提供动态存货管理决策表。
因此，根据本发明的技术内容，本发明实施例提供一种存货管理系统与存货管理方法，借以依据不同类型的产品赋予最适当的存货预测模型，因而减少存货预测的误差，以提高企业的获利。
在参阅下文实施方式后，本发明所属技术领域中具有通常知识者当可轻易了解本发明的基本精神及其他发明目的，以及本发明所采用的技术手段与实施态样。
附图说明
为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂，所附附图的说明如下：
图1是依照本发明一实施例绘示一种存货管理系统的示意图；
图2是绘示依照本发明又一实施方式的一种存货管理方法的流程图。
根据惯常的作业方式，图中各种特征与元件并未依比例绘制，其绘制方式是为了以最佳的方式呈现与本发明相关的具体特征与元件。此外，在不同附图间，以相同或相似的元件符号来指称相似的元件/部件。
具体实施方式
为了使本揭示内容的叙述更加详尽与完备，下文针对了本发明的实施态样与具体实施例提出了说明性的描述；但这并非实施或运用本发明具体实施例的唯一形式。实施方式中涵盖了多个具体实施例的特征以及用以建构与操作这些具体实施例的方法步骤与其顺序。然而，亦可利用其他具体实施例来达成相同或均等的功能与步骤顺序。
除非本说明书另有定义，此处所用的科学与技术词汇的含义与本发明所属技术领域中具有通常知识者所理解与惯用的意义相同。此外，在不和上下文冲突的情形下，本说明书所用的单数名词涵盖该名词的复数型；而所用的复数名词时亦涵盖该名词的单数型。
另外，关于本文中所使用的“耦接”，可指二或多个元件相互直接作实体或电性接触，或是相互间接作实体或电性接触，亦可指二或多个元件相互操作或动作。
图1是依照本发明一实施例绘示一种存货管理系统100的示意图。如图所示，存货管理系统100包含储存器110、处理器120、人机界面130及物品类别数据库140。于连接关系上，处理器120电性连接于储存器110、人机界面130及物品类别数据库140。
于操作关系上，储存器110储存多个物品、这些物品的特性以及预设类别数据。此外，处理器120用以执行以下步骤：(a)依据预设类别数据对存货中的多个物品里的每一者进行分类，使得每一个物品皆包含预设类别，并依据这些物品的预设类别及这些物品的特性，以对这些物品中的每一者进行分类，使得每一个物品皆包含分类类别。举例而言，处理器120可自储存器110取得预设类别数据，此预设类别数据是依据存货理论来提供定义物品类别的基准，或者依据现有物品的预测模型配适度来定义标准物品预定类别，以作为现有物品初始分类的基准。再者，预设类别数据亦可为使用者自行预先提供的一套定义物品类别的基准。据此，处理器120可依据上述初始分类的基准(即预设类别数据)以对多个物品中的每一者进行初步分类。需说明的是，此处的物品可代表但不限于已制成的产品或者制造该产品的备料。
此外，举例而言，处理器120可通过机器学习器以依据这些物品的预设类别及这些物品的特性，而对这些物品中的每一者进行分类。上述机器学习器可为但不限于支持向量机(Support Vector Machine,SVM)，其可依据这些物品的初始类别(即预设类别)以进一步对这些物品分类，而得到更适合每一个物品的精确类别(即分类类别)。在一实施例中，若某一物品的分类类别不适合此物品，则使用者更可透过人机界面130下达指令来调整此物品的分类类别。换言之，本案可通过人机界面130与使用者互动，来进一步调整分类类别，并可将每一个物品的分类类别储存至物品类别数据库140以供后续操作之用。
在一实施例中，上述处理器120执行的步骤(a)还包含：将这些物品划分为多个训练物品(训练集合)及多个测试物品(测试集合)；依据这些训练物品以取得第一参数值，借以建立机器学习器SVM，并以多个测试物品以验证机器学习器SVM的分类正确性；若机器学习器SVM的分类正确性大于预设门槛，则通过机器学习器SVM以进行这些物品的分类。在另一实施例中，上述处理器120执行的步骤(a)还包含：若机器学习器SVM的分类正确性不大于预设门槛，则由处理器120重新划分训练物品及测试物品；依据重新划分的训练物品以取得第二参数值，借以建立该机器学习器SVM，并再度以多个测试物品来验证机器学习器SVM的分类正确性；若机器学习器SVM的分类正确性大于预设门槛，则通过机器学习器SVM以进行这些物品的分类。然若机器学习器SVM的分类正确性依旧不足，则可持续地重复划分不同集合据以取得参数值并进行测试的步骤，直到机器学习器SVM的分类正确性足以进行物品的分类为止。
再者，处理器120用以执行以下步骤：(b)依据这些物品的分类类别与这些物品的特性以提供这些物品中的每一者的预测模型。举例而言，于取得每一个物品的精确类别(即分类类别)后，处理器120当可依据精确类别，并配合储存器110中储存的物品的特性，以提供每一个物品相应的预测模型。上述物品的特性可为但不限于物品数量、物品销售数据、物品权重参数…等等，因此，处理器120当可依据物品的精确类别，并配合这物品的历史销售数据，综合决定此物品应当采用的预测模型，以使物品的存货预测结果更加准确。
具体而言，处理器120透过分析这些物品的精确类别(即分类类别)以取得不同类别物品的历史销售数据，据以提供这些物品采用的预测模型，进而预测这些物品的预测需求数量。在一实施例中，若某一物品的预测模型不适合此物品，则使用者更可透过人机界面130下达指令来调整此物品的预测模型。换言之，本案可通过人机界面130与使用者互动，来进一步增加预测模型的精准度以提供更为精确的物品预测需求数量。
另外，处理器120用以执行以下步骤：(c)依据这些物品的预测模型以提供动态存货管理决策表。举例而言，于取得每一个物品的预测模型后，处理器120当可依据预测模型来提供动态存货管理决策表，由此动态存货管理决策表可知每一个物品的建议存货管理数量，使用者可据以进行存货管理的调整。具体而言，处理器120分析这些物品的预测需求数量与实际需求数量的差异，据以提供上述动态存货管理决策表，进而决定物品的订购数量。在一实施例中，本案更可透过人机界面130与使用者互动以确定动态存货管理决策表建议的物品的订购数量。若某一物品的订购数量不适合此物品，则使用者更可透过人机界面130下达指令来以进行调整。
在一实施例中，处理器120可用以依据存货理论定义存货中的这些物品的类型，以产生预设类别数据，且处理器120依据储存器110储存的物品的特性，以定义物品的预设类别数据所对应的预测模型，并将预测模型储存于储存器110。再者，处理器120依据这些物品的分类类别以及预测模型计算而得这些物品的需求数量。另外，处理器120依据这些物品的需求数量以提供动态存货管理决策表，由此动态存货管理决策表可知每一个物品的建议存货管理数量，使用者可据以进行存货管理的调整。
图2是绘示依照本发明又一实施方式的一种存货管理方法200的流程图。如图所示，本发明的存货管理方法200包含以下步骤：
步骤210：通过处理器以依据预设类别数据对多个物品中的每一者进行分类，以使这些物品中的每一者皆包含预设类别，并依据这些物品的这些预设类别及这些物品的特性，以对这些物品中的每一者进行分类，以使这些物品中的每一者皆包含分类类别；
步骤220：通过处理器依据这些物品的这些分类类别与这些物品的特性以提供这些物品中的每一者一预测模型；
步骤230：通过处理器依据这些物品的这些预测模型而提供动态存货管理决策表。
为使本发明实施例的存货管理方法200易于理解，请一并参阅图1及图2。于步骤210中，存货管理方法200可通过处理器120依据预设类别数据对存货中的多个物品里的每一者进行分类，使得这些物品中的每一者皆包含预设类别，并依据这些物品的预设类别及这些物品的特性，以对上述物品中的每一者进行分类，以使这些物品中的每一者皆包含分类类别。于步骤220中，存货管理方法200可通过处理器120以依据这些物品的分类类别与这些物品的特性以提供上述物品中的每一者一预测模型。于步骤230中，存货管理方法200可通过处理器120以依据这些物品的预测模型而提供动态存货管理决策表。
在一实施例中，步骤210包含以下流程：通过处理器120自储存器110取得预设类别数据，此预设类别数据是依据存货理论来提供定义物品类别的基准，或者依据现有物品的预测模型配适度来定义标准物品预定类别，以作为现有物品初始分类的基准。再者，预设类别数据亦可为使用者自行预先提供的一套定义物品类别的基准。据此，存货管理方法200可通过处理器120依据上述初始分类的基准(即预设类别数据)以对多个物品中的每一者进行初步分类。
在另一实施例中，步骤210包含以下流程：通过处理器120依据这些物品的预设类别及这些物品的特性，以对这些物品中的每一者进行分类，使得每一个物品皆包含分类类别。举例而言，处理器120可采用但不限于以机器学习器来执行步骤210，机器学习器可为但不限于支持向量机(Support Vector Machine,SVM)，其可依据这些物品的初始类别(即预设类别)以进一步对这些物品分类，而得到更适合每一个物品的精确类别(即分类类别)。在一实施例中，若某一物品的分类类别不适合此物品，存货管理方法200更可让使用者透过人机界面130下达指令来调整此物品的分类类别。
在又一实施例中，步骤210包含以下流程：通过处理器120将这些物品划分为多个训练物品(训练集合)及多个测试物品(测试集合)；通过处理器120依据这些训练物品以取得第一参数值，借以建立机器学习器SVM，并以多个测试物品以验证机器学习器SVM的分类正确性；若机器学习器SVM的分类正确性大于预设门槛，则通过机器学习器SVM以进行这些物品的分类。另一方面，步骤210包含以下流程：若机器学习器SVM的分类正确性不大于预设门槛，则通过处理器120重新划分训练物品及测试物品，并依据重新划分的训练物品以取得第二参数值，借以建立该机器学习器SVM，并再度以多个测试物品来验证机器学习器SVM的分类正确性；若机器学习器SVM的分类正确性大于预设门槛，则通过机器学习器SVM以进行这些物品的分类。再者，若机器学习器SVM的分类正确性依旧不足，则步骤210可持续地重复划分不同集合据以取得参数值并进行测试的步骤，直到机器学习器SVM的分类正确性足以进行物品的分类为止。
于再一实施例中，步骤220包含以下流程：通过处理器120依据这些物品的分类类别与这些物品的特性以提供这些物品中的每一者的预测模型。举例而言，于取得每一个物品的精确类别(即分类类别)后，通过处理器120依据精确类别，并配合储存器110中储存的物品的特性，综合决定每一个物品相应的预测模型，以使物品的存货预测结果更加准确。
具体而言，通过处理器120透过分析这些物品的精确类别(即分类类别)以取得不同类别物品的历史销售数据，据以提供这些物品采用的预测模型，进而预测这些物品的预测需求数量。在一实施例中，若某一物品的预测模型不适合此物品，则存货管理方法200可让使用者透过人机界面130下达指令来调整此物品的预测模型。
在一实施例中，步骤230包含以下流程：通过处理器120以依据这些物品的预测模型以提供动态存货管理决策表。举例而言，于取得每一个物品的预测模型后，处理器120当可依据预测模型来提供动态存货管理决策表，由此动态存货管理决策表可知每一个物品的建议存货管理数量，使用者可据以进行存货管理的调整。具体而言，可通过处理器120分析这些物品的预测需求数量与实际需求数量的差异，据以提供上述动态存货管理决策表，进而决定物品的订购数量。在一实施例中，存货管理方法200更可让使用者与人机界面130互动以确定动态存货管理决策表建议的物品的订购数量。若某一物品的订购数量不适合此物品，则使用者更可透过人机界面130下达指令来以进行调整。
在一实施例中，存货管理方法200还包含以下步骤：通过处理器120以依据存货理论定义存货中的这些物品的类型，以产生预设类别数据；以及通过处理器120依据储存器110储存的物品的特性，以定义物品的预设类别数据所对应的预测模型，并将预测模型储存于储存器110。须说明的是，预测模型与物品数据(多个物品、这些物品的特性以及预设类别数据)也可分别储存于不同的储存器中。
在另一实施例中，存货管理方法200还包含以下步骤：通过处理器120依据这些物品的分类类别以及预测模型计算而得这些物品的需求数量；通过处理器120依据这些物品的需求数量以提供动态存货管理决策表，由此动态存货管理决策表可知每一个物品的建议存货管理数量，使用者可据以进行存货管理的调整。
所属技术领域中具有通常知识者当可明白，存货管理方法200中的各步骤依其执行的功能予以命名，仅是为了让本案的技术更加明显易懂，并非用以限定该等步骤。将各步骤予以整合成同一步骤或分拆成多个步骤，或者将任一步骤更换到另一步骤中执行，皆仍属于本揭示内容的实施方式。
由上述本发明实施方式可知，应用本发明具有下列优点。本发明实施例提供一种存货管理系统与存货管理方法，借以依据不同类型的产品赋予最适当的存货预测模型，因而减少存货预测的误差，以提高企业的获利。
虽然上文实施方式中揭露了本发明的具体实施例，然其并非用以限定本发明，本发明所属技术领域中具有通常知识者，在不悖离本发明的原理与精神的情形下，当可对其进行各种更动与修饰，因此本发明的保护范围当以附随权利要求书所界定的范围为准。