搜尋結果
2022年1月10日 · 經營愛情. 「假如我年少有為不自卑。 」李榮浩的「榮式情歌」，唱出男人沒說出口的愛與遺憾. 周彥均 2022-01-10. 2013年以專輯《模特》榮獲金曲獎最佳新人獎的李榮浩，用他獨特的個人風格搭配低沈有磁性的唱腔，創作出一首首經典的「榮式情歌」，細膩地唱出了男人的內心世界。 在生活中累積各種情緒後，有時會想找個安靜的地方，重複播放李榮浩的歌，慢慢地沉澱心情、釋放情緒，然後再重新出發。 最近，李榮浩和張惠妹合作推出了新歌〈對等關係〉，溫柔而帶點心酸地描繪一對情人在分手後的心聲，聽著聽著，讓人不禁回想起那些年在愛情裡對另一半的不諒解，或是對方當時沒有說出口的愛與遺憾，似乎都能在一首首李榮浩的歌裡找到答案。 〈不將就〉：你一出場別人都顯得不過如此. 互相折磨到白頭 悲傷堅決不放手.
2022年2月23日 · 經營愛情. 「快樂只是一陣子，幸福要經營一輩子。. 」人氣作家角子：能一起長大的戀人，才能夠幸福地一起變老. 《VO》導讀： 越來越成熟以後發現，真正幸福的感情是擁有一個可以跟自己一起成長的戀人，能在一次次的爭吵、溝通當中變得越來越好，把短暫 ...
2019年8月13日 · 2019-08-13. 分享本文. 【為什麼我們要挑選這篇文章】機器學習是人工智慧背後的基礎技術，透過機器學習，電腦可以自動分析數據並進行預測，優化系統的性能。 現在有哪些常見的機器學習演算法？ 各有什麼優缺點？ 下文列出工程師常用的機器學習演算法，熟悉它們，將提升你的 coding 高度。 （責任編輯：郭家宏） 「《科技報橘》徵才中！ 跟我們一起定位台灣產業創新力 >> 詳細職缺訊息. 快將你的履歷自傳寄至 [email protected] 」 說到分類演算法，相信學過機器學習的人都能講出一兩個。 可是，你能夠如數家珍地說出所有常用的分類演算法，以及他們的特徵、優缺點嗎？ 例如，你可以快速地回答下面的問題嗎： KNN 演算法的優缺點是什麼？
- 零售採購的困難：錯估數量的高風險、採購人力的高成本
- 成功解決案例：Amazon 利用機器學習，調整了採購者職位
- Python 採購與銷售預測機器學習 Go！節省成本、提高預估準確度都 OK！
- 說了這麼多，讓我們開始來實做 + 揭密吧！
- 知識領域的結晶：新增變數（Feature）作為機器學習的變數
- 所以機器學習 — 自動採購到底有沒有效果阿？
- 透過機器學習 — 自動採購，可省多少及賺多少？
- 機器學習讓公司可以調動採購人員，以思考長期策略！
- 迷思破解：不用大手筆， 5 萬台幣就能建起系統原型！
- 機器學習 — 自動採購僅可以用在零售業？
如果經營的是服飾與配件零售業，面對東大門零售採購通路上萬件的商品，一開始絕對會眼花撩亂，不知該採購何種商品，當然，但在採購執行上，絕對不是賣多少買多少，我們則應該按照每個禮拜或者固定期間的銷售來預估接下來的 3–6 個月的銷售走勢，推測採購數量。 當一家零售店僅有十幾樣商品須採購時，對經驗老道的採購者幾乎不成問題。不過讓我們換個場景，如果我們面對的是數百家零售分店、數十萬種商品或者數十個虛擬通路、數萬種商品，這時候企業主不是聘請 1–2 個採購者就可以解決採購問題，而是會開始面對「極高的風險」及「海量的成本」，以下羅列 3 項人工採購常見的問題： 1.聘請採購者的成本 面對萬樣商品，採購團隊通常會聘請超過百人或千人團隊進行採購分析，以人為經驗不斷的臆測下期銷售量來推估採購數量。如此團隊便造成...
好在近年的機器學習面對多維度的資料已能迎刃而解，更遑論面對龐雜的採購資料與決策，皆可建議相關方案。 舉例來說，美國大型電商 — 亞馬遜（Amazon）在零售業務上的收入佔了整體業務超過 5 成的營收，但在 2018 年，亞馬遜讓採購團隊不再進行人工的需求預測、制定採購策略等採購相關的工作，轉由全數交由機器學習處理。使得許多高階採購團隊成員相繼離職、另尋出路或者被公司調動職位。 亞馬遜這則新聞是 2018 年 6 月的新聞，這股「採購者職位調整」的風潮似乎離我們還很遙遠，相信許多讀者認為： 1. 這是大公司僅存的現象，我任職的公司雖然雖然零售品有千樣以上，但建制這系統一定很昂貴，應該要幾億美金吧？ 2. 這種演算法一定是大公司才能負擔得起，我才不用擔心，採購很複雜，尤其是「銷售預測與評估」，機...
簡單講解過採購的概念及問題後，接著，我們要深入行銷資料科學的「資料科學」領域，使用我們在採購常用的資料結構，以 Python 3 進行「自動採購與銷售」機器學習實戰！ 我們即將使用一真實零售業的採購資料進行分析。與往常以「顧客 UID」為主的分析方式有所不同，這次我們將以「產品面」的角度切入自動銷售。讀者可以想像一下，當我們被派任採購本月或本週，甚至是明日的商品數量時，我們可能依憑的資訊有： 等基本資料，接著，最困難的就來了，身為採購者的我們該如何根據現有狀況訂定 5 天後的採購數量？ 一般來說，採購者便根據過往銷售資料採用移動平均法等方式找出可能的最適採購量，或者依憑直覺進行採購，但是當我們遇到促銷、周圍分店進行跳樓大拍賣等狀況時，面對單單一樣商品，或許我們還能應付，但如同前述所說，如果面...
資料來源： 某公司同意之真實零售業的採購資料為基底進行實做，並且已將敏感變數移除、屏蔽及全數變數加工處理。 模型方法與損失函數： 本次機器學習模型主要以LightGBM（lgb），分析預測。原因為資料變數多達 633 種，最後亦有超過 1 千萬比觀察值，所以以快速且精準的 lgb 進行建模。損失函數則使用 RMSLE。 模型詳情可參考：即時動態定價「實做 2」 — 集成模型（附實現程式碼） 損失函數則可參考：行銷定價新型態：即時動態定價策略與實做（附實現程式碼） 目標變數： 銷售量_log：每一件商品的銷售量，這是我們要自動預測的變數，有了預測銷售量，我們就可以推測可能的採購量。由於具有右偏分佈，便對銷售量取log1p，讓其儘量呈現常態分佈，讓機器學習訓練上較好收斂。 標籤（或稱自變數）： ...
嚴格說起來，目前的變數僅有 10 個，扣除目標變數 — 銷售量，就僅剩下 9 個變數，如果能夠借重採購或銷售的「領域知識專家（Domain Knowledge Expert）」時常使用的評估手法，將其手法轉換成新的變數，讓機器學習演算法吸收其中精隨，讓預測效果更加準確。 經過與銷售與採購部門的討論後，領域知識專家根據經驗、上游廠商出貨速度、內部決策流程等，歸納出該公司最常以 3, 7, 14, 30, 60, 140 天數作為採購的「間隔標準」，更細部一點來說，便是以其間隔天數的平均、移動平均數值、中位數、最小值衡量下一次採購量的標準。 雖然認知憑借這些變數可以得出預測銷售與採購量，但是一旦上萬樣商品加入「領域知識的重要變數」，例如：間隔天數、生鮮與否、促銷與否、促銷內容、尺寸、顏色、經濟環...
說明具體效果前，讓我們將存貨理論中會提到的專業知識，如：Lead Time 等要素不做考量，直接以每一天的存貨數量當作一天存貨成本計算的基準。 首先，我們直接以圖 6 的專家經驗法與機器學習法簡單觀看幾個商品觀察值查看差異，我們很快就可以查看到各自在銷售完後，雖然都有存貨（採購量-銷售量），但是明顯發現機器學習法在存貨控管上明顯比專家經驗法還要好。 從專家經驗法，圖 6 明顯可以看專家怕缺貨而盡可能以庫存滿足消費者可能的需求，這樣的結果反而造成採購與貨成本反嗜了商品所帶來的利潤，舉例來說： 第一家分店的 811237 號商品於 2017/7/28 的實際銷售量為 20 個，依照專家經驗法，當天鋪貨就進 103 個，機器學習法則鋪 11 個，直觀上的結果是機器學習的方法少了 9 項銷售的收入，...
接著我們統計實戰的 2,680,240 筆資料在 2017/7/26 到 2017/8/10，單純計算以每一天為基底的存貨成本與銷售總和後所帶來的成效。 首先來看圖 7 資訊意涵： 1. 平均價錢：原始資料轉換後之各項價錢，真實情況依每一家分店及採購狀況而有所差異。 2. 數量：以一天為基底為採購、存貨及銷售循環所統計的總數量。 3. 小計：平均價錢 * 數量之總額。 4. 利潤：銷貨收入扣除採購、存貨及人力成本之利益。 結果（2017/7/26 到 2017/8/10 共 15 天的結果）： 1. 利潤方面： 圖 7 發現 54 家分店實施機器學習法已經開始比 20 年專家經驗法的的利益還要高上約 6 千 8 百萬元 （$68,616,574）（未扣除租金、員工支出及其他營業成本，所以這的...
除使用機器學習法可以輔助採購人員使用圖 8 的資訊輔助，得到較好的利潤、降低人力成本外，更重要的是，這解決以往該公司諸多採購人員花用在決定現有產品採購量的時間，現今公司可適時進行採購人員職位調動，做機器學習法難以達成且更有意義的事情： 1. 找出生命週期短的商品，思考改進策略，讓該商品成為長銷品，成為常銷品後，最後交由機器學習法進行採購計算。 2. 找出銷量差的商品，思考銷售策略，決定該產品是否持續銷售或者進行下架，降低成本。 3. 探討更多可量化之專家領域知識，加入機器學習法中，讓採購預測上更準確。例如：本文章資料使用 633 個變數，實際資料使用超過 1,200 個變數，利潤差異較 633 個變數還要好約 2 倍。
另外，由於硬體及軟體物美價廉，我們可一一破解前述讀者可能擁有的迷思： 1. 這是大公司僅存的現象，我任職的公司雖然雖然零售品有千樣以上，但建制這系統一定很昂貴，應該要幾億美金吧? A1：我們僅用了 5 萬元「新台幣」、30G 記憶體、8 核心 i7 的 CPU、1 個人力成本在 1 個小時內就可以建起系統原型（Prototype），剩下的軟體如即時通報採購系統的 Python 架構，的確要花不少人力成本與時間，但是軟體全部都為 open source 免費，光在軟體層面完全不用花錢，省下相當的成本。所以不用以為真的要花到「幾億美金」才能建制，如果辦公室裡面有相仿的電腦設備，自己簡簡單單就可以建制一個自動採購系統。這相比那些動輒千萬，也不見得有效的 ERP 系統，這樣豈不是更能節省成本？ 2....
「萬物同源，萬法同宗」，既然零售業都可以使用，難道傳產等產業（萬物）不能使用嗎？不同場景使用得演算法幾乎都是同一個樣子（同宗），最重要的還是我們對演算法的輸入（input）品質、領域知識的量化變數以及在不同情況下所使用的模型為何，僅抓這三點就可以實踐「萬物同源，萬法同宗」的精神，在任何資料科學任務上無往不利。 — （本文經原作者 行銷資料科學 鍾皓軒 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為〈當零售業的「採購」遇到機器學習時？！（附Python程式碼）〉。首圖來源：Pxhere, CC licensed）
2021年7月6日 · 由勞勃狄尼洛、安海瑟薇主演的《高年級實習生》最近剛在 Netflix 上架，這部療癒而溫暖的喜劇，在多年後、有更多人生歷練後再看一次，更能深刻體會電影裡的人生哲學。 如同電影宣傳海報上所說的：”Experience never gets old.” 擁有多年工作經驗的高年級實習生班・惠塔克，用他過去的經驗和獨到的見解，幫助新創公司About The Fit的創辦人兼CEO茱兒・奧斯汀度過人生中的許多難關。 VidaOrange為你整理了《高年級實習生》中，由勞勃狄尼洛飾演的班傳達的 4個「老派智慧」，也許，你可以從這位高年級實習生的職場哲學當中，憶起這些年自己在工作時所秉持的信念。 圖片來源：《高年級實習生》劇照. 老派智慧1：關鍵，是主動出擊. 「我知道我的生命出現空缺，而我必須填補它。
2023年12月22日 · 在 2023 年 10 月，台中榮總安寧團隊與東海大學一同運用大數據分析，將過去 6 年來服務的700 多例非癌症末期患者的基本資料、檢驗數據、臨床症狀和生理數據等，成功整合並開發一個機器學習演算法模型，用於預測癌症病患存活期，正確率高達 87%。 準確預測存活期的重要性，在於安寧團隊能適時與病患及家屬討論後續治療方向，並協助患者預立醫療決定，達到病患善終的目標。 在美國也有許多研究者運用大量癌症患者的醫療記錄訓練 AI，協助醫師判斷病人生命還剩多久，像美國西北大學醫學中心便採取這樣的方式，讓病患可以善用臨終前的時光。
2016年9月8日 · 生活當中不論是搜尋引擎、導航系統、資料安全、網路約會或是大學名額分配都隱藏著演算法，就連當今最先進的遊戲引擎──魔域幻境4 （Unreal Engine4），也運用了演算法彩繪了巴黎一棟公寓建築，其圖像與設計師品牌家具的廣告照片不相上下，不要以為演算法只是網路跟電腦這些枯燥的內容，到底潛伏在哪些生活當中，讓我們一起來看看！ （責任編輯：辜秋兒） 在日常小聰明裡還藏著比我們想像中更多的演算法。 但如果日常小聰明就足夠的話，我們何必還跟演算法拉扯呢？ 其實，有時候日常小聰明挺麻煩的。 我們現在再次拿起電話簿，在這裡二元搜尋法之所以有效，是因為電話簿裡的電話號碼是已經分類好的。 要是誰想在我完全沒有整理的名片堆裡找出一個電話號碼，就得一路亂翻到底了。
&ck=35EDB7450591C4C3A7B32888C2B2EE5E&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料1")
&ck=6A571DB4F5EB24A4363BDD514AB1DA26&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料2")
&ck=E551B89A8AA642AC4404211B247466B5&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料3")
&ck=33A6B1BB8492A44CDE946A5CA408A9EC&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料4")
&ck=CDCAE5276C973D9B6E1F4BC093B42213&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料5")
&ck=89084A25251BA1B2851CCF612401D7E3&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料1")
&ck=C69A99EA7C541F2F3459041B76A64259&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料2")
&ck=EB73D3792D61A38C44E9234F168EF4AE&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料3")
&ck=0CFF64643D7EED620704F9B4562F9A34&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料4")
&ck=7D348B0A9541B14284D3BC59BF619C27&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料5")
&ck=5C166C5E126933559C3786791FE4CF14&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料1")
&ck=89E70024B5DF8FC8720546784005A37C&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料2")
&ck=CDD0FD4256E39529769CDD30A953A5F7&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料3")
&ck=1C2D0A837B3037F165104EB6FF91CC20&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料4")
&ck=DC8750177531E2565189690ABF01D62D&idpp=rc&idpview=singleimage&form=rc2idp "李榮浩基本資料5")
