TWI778901B - 經營輔助系統 - Google Patents
經營輔助系統 Download PDFInfo
- Publication number
- TWI778901B TWI778901B TW110149440A TW110149440A TWI778901B TW I778901 B TWI778901 B TW I778901B TW 110149440 A TW110149440 A TW 110149440A TW 110149440 A TW110149440 A TW 110149440A TW I778901 B TWI778901 B TW I778901B
- Authority
- TW
- Taiwan
- Prior art keywords
- historical
- price
- user
- processing module
- raw material
- Prior art date
Links
- 238000012545 processing Methods 0.000 claims abstract description 199
- 239000002994 raw material Substances 0.000 claims abstract description 184
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims description 114
- 239000004800 polyvinyl chloride Substances 0.000 claims description 61
- 229920000915 polyvinyl chloride Polymers 0.000 claims description 60
- 230000007423 decrease Effects 0.000 claims description 37
- 238000007726 management method Methods 0.000 claims description 37
- 238000013461 design Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 21
- 239000004743 Polypropylene Substances 0.000 claims description 19
- 239000000843 powder Substances 0.000 claims description 19
- 230000008451 emotion Effects 0.000 claims description 16
- 229920001155 polypropylene Polymers 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 claims description 15
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 claims description 15
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 14
- 239000005977 Ethylene Substances 0.000 claims description 14
- 230000008921 facial expression Effects 0.000 claims description 13
- 239000010779 crude oil Substances 0.000 claims description 11
- 229920003023 plastic Polymers 0.000 claims description 11
- 239000004033 plastic Substances 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- -1 polypropylene Polymers 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000001815 facial effect Effects 0.000 claims description 5
- 230000008676 import Effects 0.000 claims description 5
- 238000012827 research and development Methods 0.000 claims description 5
- 229920001577 copolymer Polymers 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 2
- 229920000642 polymer Polymers 0.000 claims 1
- 230000002996 emotional effect Effects 0.000 abstract description 9
- 239000000047 product Substances 0.000 description 27
- 238000010586 diagram Methods 0.000 description 13
- 230000036651 mood Effects 0.000 description 13
- 230000008520 organization Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 208000025721 COVID-19 Diseases 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000007795 chemical reaction product Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000008909 emotion recognition Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001678559 COVID-19 virus Species 0.000 description 1
- 241000220317 Rosa Species 0.000 description 1
- BZHJMEDXRYGGRV-UHFFFAOYSA-N Vinyl chloride Chemical compound ClC=C BZHJMEDXRYGGRV-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Prostheses (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明揭露一種經營輔助系統，其包含預測模組、決策介面及處理模組。預測模組用以依據各種歷史資料，來預測各種未來趨勢。決策介面用以顯示各種歷史資料，及預測模組所預測出的各種未來趨勢。處理模組能執行輔助決策程序，以限制決策者必需在情緒穩定的狀態下，才能利用決策介面，執行相關決策作業，例如設定原物料的購買日、原物料購買量等。
Description
本發明涉及一種輔助系統，特別是一種用來輔助決策者進行決策的經營輔助系統。
申請人對於南亞塑膠工業股份有限公司(下稱南亞塑膠)的經營4.0及工業4.0的一系列回顧，製作了「100的回顧」的影音檔(http：//yoytu.be/aPouObaLME8)，該影音檔中回顧了南亞塑膠近年來的100項成功事蹟，例如數位智能化工廠、製程優化系統、雲端網絡商城系統、TAF實驗室認證、數位化電子商務-受訂交運系統、海運動態GPS追蹤系統、多項成功的工程案及多項成功的產品等。
承上，中華民國公告第I745256號專利，為本案申請人先前申請的發明專利，於該專利中提出了一種經營管理系統，其能用來讓經營決策者可以更好地掌握各銷售商的訂單狀態、庫存狀態、各生產設備的生產狀況以及能源使用狀況。所述經營管理系統中通過了雲端網絡商城(https：//www.nanya-cyber-shopping-mall.com)等，讓全球各地的購買者，可以無時無刻地上網，觀看相關產品的介紹。
申請人將所述經營管理系統，實際應用於公司中時發現，所述經營管理系統提供給經營決策者的資訊，確實可以讓經營決策者相較於傳統決策方式，更快、更好地作出決策。但，申請人發現經營決策者利用所述經營管理系統所提供的相關資訊進行決策時，最終的決策品質是否良好，有很大的因素是取決於決策者當下的能量指數(於後詳述)。若是決策者在做決
策的當下的能量指數偏低，則其所作出的決策品質，將明顯差於決策者在能量指數相對較高的情況下所作出的決策。
進一步來說，愛因斯坦的質能方程式E=MC2說明了物質的本質即就是能量，宇宙中的所有物質均由微觀旋轉的粒子組成，而所有的粒子都有不同的震動頻率。美國著名的物理學家大衛-霍金斯博士(Dr.David Hawkins)與諾貝爾得主共同發表的「能量-力量(Power vs.Force)」及與諾貝爾獎得主林納鮑林合著的「正分子精神醫學」一書中，即闡述了運用人體能量振動基本原理，結合精密的物理學儀器，歷經三十年期的臨床實驗，針對各種不同種族、文化、行業、年齡層進行精密縝密統計分析，發現人類各種不同意識層次，均有其相對應的能量振動頻率物理學指數，即「能量指數」，且人類的心念意識所形成的能量指數，其頻率所代表的能量指數介於1~1000之間。
目前全人類的平均能量指數，粗估是略高於200，而能量指數200是一個人正負能量的分界點，200以下屬於負的低能量指數，代表一個人開始喪失生命能量，變得更加脆弱、不健康、生命缺乏活力與動力，更加為環境所左右。相對地，達到高能量指數500的人，世界上只有千分之四，超過600的人更是只有千萬分之一。經科學實驗結果顯示，每一個人的能量指數均由個人的信念、動機、行為準則與心靈境界所決定，而具有高能量指數的人，能夠影響具有低能量指數的人，據以提升低能量指數的人的能量指數。隨著能量指數升高、人們的悟性智慧也會提高。
承上，科學家還發現，能量指數的概念不單僅適用於個人，能量指數的概念亦可帶入組織乃至公司中；在一個組織或公司中，若是整個組織的人的能量指數都偏低，則此組織或公司所作出的各種決策，將可能直接或間接導致公司朝向失敗的方向前進，反之，若是組織或公司中的各個成
員的能量指數較高時，或者，組織或公司中是由能量指數較高的經營決策者領導，則此組織或公司所作出決策，將會使得組織或公司朝向成功的方向前進。
另外，科學家還發現，個人的能量指數是會隨著個人當下的身體狀況、心靈狀況、及其周圍的人、事、物等各種因素而變化，因此，若是決策者在能量指數相對較低的情況下，將相對容易作出相對較差的決策，甚至可能是作出錯誤的決策。
在當代著名的其中一個例子中，蘋果集團(Apple Inc.)的創辦人史蒂夫-賈伯斯(Steve Jobs)，通過禪修的方式，使自我內心沉靜，進而透徹地了解消費者真正的願望，據以發想、生產出跨世代無按鍵式的觸控面板裝置，例如iPhone、iPad等。
依上所述，申請人經過多方面、多次的嘗試與實驗發現，若是使相關決策者，在進行相關決策前，先將其身、心靈狀況、環境狀態調整至相對較佳的狀況時，將可以有效地提升決策者所作出的決策的品質。
具體來說，決策者在進行決策之前，可以先執行整理整頓步驟：先將周圍環境進行整理及整頓，並整理當下的思緒，以進行心念的整理整頓，接著，再執行聽聞步驟：聽取能夠使心情平靜的音訊、影音(例如是：由能量指數相對較高的人所覆誦的經文的音訊或視訊、古典音樂等)，以與音訊、影音發生共伴效應，如此，即可提升決策者的能量指數，而使決策者處於情緒相對穩定的狀態。
在聽聞步驟中，決策者只需要一心不二，全神灌注於聽取音訊或是專注於觀看影音，而決策者並不需要瞭解音訊或是影音的實際內容為何。舉例來說，若是決策者聽取由能量指數相對較高的人所覆誦的經文的音訊或觀看相關視訊時，決策者只管聽經，而決策者無須去瞭解音訊中的任何
經文具體的含意，藉此，可以避免決策者執著於瞭解經文內容，反而發生困擾、困惑等問題。
換句話說，在執行聽聞步驟時，決策者在聽取音訊、影音的過程中，無須深入瞭解音訊、影音實際上所要傳達的內容為何，而決策者僅需要專注地聽取音訊、影音。在音訊、影音播放完後，決策者的心情及心境即可恢復至相對平靜的狀態，而決策者的能量指數將會有所提升，在此狀態下，決策者將可以自然地作出相對較佳的決策。
依上所述，決策者通過執行上述整理整頓步驟及聽聞步驟，並於聽聞步驟中，只管聽取音訊、影音，而不管音訊、影音實際欲傳遞的內容為何等方式，可以有效地使其能量指數有所提升，藉此，可以讓決策者後續自然地作出的品質相對較佳的決策。
另外，由於在聽聞步驟中，相關人員無須深度瞭解音訊、影音實際的內容，因此，上述各步驟適用於任何人，而任何人可以依據需求於任何情況下，執行上述步驟，藉此，來提升其本身的能量指數。
另外，需特別強調的是，在實際組織、公司等進行決策的過程中，不一定是單一個決策者進行決策，也可能是一個團隊經過共同的討論後，一同作出決策。在團隊一同進行決策的過程中，若是團隊成員對於欲討論的議題，已經有所共識，則討論的過程中，將會相對順暢，而決策的速度及品質亦會相對較佳。相反地，若團隊成員對於欲討論的議題沒有共識，則容易出現爭吵等問題，在此種狀態下，整個團隊的能量指數是呈現為相對低落的狀態，而團隊將難以作出品質良好的決策，甚至整個團隊會陷入各持己見、相互僵持，而無法作出決策的狀態。
在上述情境中，也可以是整個團隊一同先執行上述整理整頓步驟及聽聞步驟後，再進行相關的討論作業，如此，可以有效地提升整個團
隊的各個成員的能量指數，藉此，可以提升整個團隊的決策效率及決策品質。換句話說，上述整理整頓步驟及聽聞步驟，不侷限於個人執行，也可以是一整個團隊一同執行。
值得一提的是，上述整理整頓步驟及聽聞步驟，也適合普羅大眾執行，任何人都可以通過執行上述整理整頓步驟及聽聞步驟，來提升本身的能量指數，據以提升本身的悟性智慧，隨著悟性智慧的提升，將可以讓人更好地思考出各式人生難題的解方。
本發明公開一種經營輔助系統，主要用以改善現有用來提供決策者輸入原物料採購量、原物料採購日等重要決策的相關經營決策系統，僅具有提供使用者觀看相關數據的功能，而決策者利用現有的相關經營決策系統進行相關決策時，容易因為發生偶然性情緒偏見(the incidental mood bias)的情況，而作出較為偏頗，甚至至錯誤的決定。
本發明的其中一實施例公開一種經營輔助系統，其包含：一預測模組、一決策介面及一處理模組。預測模組能依據一原物料的一歷史原物料採購量、原物料的一歷史原物料採購價格、一歷史加工成本、一歷史加工時間、一歷史交運成本、一歷史交運時間、一歷史經銷商銷售價格、一歷史經銷商銷售量、一歷史終端商品銷售售價及一歷史終端商品銷售量，以機器學習演算法預測出原物料的一原物料採購價格趨勢、一加工成本趨勢、一交運成本趨勢、一經銷商銷售價格趨勢、一經銷商銷售量趨勢、一終端商品價格趨勢及一終端商品銷售量趨勢；決策介面能顯示歷史原物料採購量、歷史原物料採購價格、歷史加工成本、歷史加工時間、歷史交運成本、歷史交運時間、歷史經銷商銷售價格、歷史經銷商銷售量、歷史終端商品銷售售價、歷史終端商品銷售量、原物料採購價格趨勢、加工成本趨勢、交運成本趨勢、
經銷商銷售價格趨勢、終端商品價格趨勢及一原物料庫存量；決策介面包含多個操作項目及一提交按鍵，多個操作項目分別用以提供使用者設定原物料的一原物料採購日、設定原物料的一原物料採購量、調高或調低一加工成本、調高或調低一交運成本、調高或調低一經銷商銷售價格、調高或調低一終端商品銷售價格；提交按鍵用以提供使用者操作，以將其所設定的原物料採購日、原物料採購量、加工成本、交運成本、經銷商銷售價格、終端商品銷售價格，傳送至遠端伺服器；處理模組，其能先控制決策介面顯示原物料採購價格趨勢、加工成本趨勢、交運成本趨勢、經銷商銷售價格趨勢、終端商品價格趨勢及原物料的一原物料庫存量，再執行一輔助決策程序：一禁用步驟：禁用所有的操作項目及提交按鍵，以使使用者無法操作操作項目及提交按鍵；一資料收集步驟：控制決策介面顯示一問卷，以供使用者填寫，並依據問卷填寫的結果對應產生一填寫資料，或者，控制一影像擷取器，擷取使用者的臉部，以產生一臉部資料；一評估步驟：依據填寫資料判斷使用者是否處於一不穩定狀態，或者，依據臉部資料，以機器學習演算法進行分析，以判斷使用者是否處於不穩定狀態；若判定使用者處於不穩定狀態，則執行以下步驟：一顯示步驟：顯示一播放清單，並要求使用者選擇其中一個播放清單中的其中一個待選項目；一判斷步驟：判斷哪一個待選項目被選擇；一執行步驟：播放被選擇的待選項目所對應的一音檔或一影音檔；其中，當被選擇的待選項目所對應的音檔或影音檔被播放完後，處理模組將重新執行資料收集步驟及評估步驟；若判定使用者不是處於不穩定狀態，則不再禁用操作項目及提交按鍵，而讓使用者能通過操作操作項目，以執行設定原物料採購日、設定原物料採購量、調高或調低加工成本、調高或調低交運成本、調高或調低經銷商銷售價格、調高或調低終端商品銷售價格中的至少一個作業；其中，所述處理模組執行所述執行步驟後，再次執行所述評估步驟，而
判定使用者不是處於不穩定狀態時，所述處理模組還會要求使用者於所述決策介面中輸入一評分資料，以要求使用者為於所述執行步驟中，所播放的所述音檔或所述影音檔，對其本身的狀態的影響進行評分，而所述處理模組於下次執行所述顯示步驟時，所述處理模組將依據使用者先前輸入的所述評分資料，來排列各個待選項目於播放清單中的順序。
綜上所述，本發明的經營輔助系統通過預測模組、輔助決策程序等設計，可以讓使用者知道依據歷史資料來說，未來的趨勢為何，並幫助決策者能在相對穩定的狀態(例如情緒是處於平靜的狀態)下進行相關決策，藉此，可以有效地提升決策品質。
為能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與附圖，但是此等說明與附圖僅用來說明本發明，而非對本發明的保護範圍作任何的限制。
100:經營輔助系統
1:預測模組
11:原物料採購價格趨勢
12:加工成本趨勢
13:交運成本趨勢
14:經銷商銷售價格趨勢
15:經銷商銷售量趨勢
16:終端商品價格趨勢
17:終端商品銷售量趨勢
2:決策介面
21:頁面
21A、21B:頁面
211:操作項目
212:提交按鍵
213:決策原因輸入欄位
214:終端產品選則項目
3:處理模組
4:模型設計介面
41:預測目標選項清單
42:歷史資料圖表
43:機器學習預測模型選項清單
44:訓練資料選項清單
45:創建按鍵
46:採用建議資訊
5:播放清單建立介面
51~53:播放清單
51A、52A、53A:待選項目
54:播放清單
55:情緒選項清單
A1:歷史原物料採購量
A2:歷史原物料採購價格
A3:歷史加工成本
A4:歷史加工時間
A5:歷史交運成本
A6:歷史交運時間
A7:歷史經銷商銷售價格
A8:歷史經銷商銷售量
A9:歷史終端商品銷售價格
A10:歷史終端商品銷售量
B:公司內部資料集
B11:歷史聚氯乙烯粉採購價格資料集
B12:歷史聚氯乙烯製品月結銷量資料集
B13:歷史聚氯乙烯製品月結損益資料集
C:產業資料集
C11:歷史乙烯國際市場價格資料集
C12:歷史原油資料集
C13:歷史聚氯乙烯產能開工率資料集
C14:歷史聚氯乙烯國際市場價格資料集
C15:歷史丙烯國際市場價格資料集
C16:歷史聚丙烯國際市場價格資料集
C17:歷史營建執照開工統計資料集
D:總體經濟資料集
D11:歷史國內生產毛額資料集
D12:歷史經濟成長率資料集
D13:歷史進出口貿易金額資料集
D14:歷史景氣指標資料集
D15:歷史消費者物價指數資料集
D16:歷史採購經理人指數資料集
D17:歷史非製造業經理人指數資料集
D18:歷史消費者信心指數資料集
D19:歷史就業及失業統計資料集
D20:歷史航運費用資料集
D21:歷史貨幣供給資料集
D22:歷史利率資料集
D23:歷史薪資資料集
E:輔助資料集
E1:歷史每日雨量資料集
E2:歷史每月雨量資料集
E3:人事行政辦公日曆資料集
L1:線段
L2:線段
圖1為本發明的經營輔助系統的方塊示意圖。
圖2為本發明的經營輔助系統的預測模組的其中一實施例的方塊示意圖。
圖3為本發明的經營輔助系統的決策介面的其中一頁面的示意圖。
圖4為本發明的經營輔助系統的決策介面的另一頁面的示意圖。
圖5為本發明的經營輔助系統的模型設計介面的示意圖。
圖6為本發明的經營輔助系統的輔助決策程序的流程示意圖。
圖7為本發明的經營輔助系統的播放清單建立介面的示意圖。
圖8為本發明的經營輔助系統的決策介面的另一頁面的示意圖。
於以下說明中，如有指出請參閱特定圖式或是如特定圖式所示，其僅是用以強調於後續說明中，所述及的相關內容大部份出現於該特定圖式中，但不限制該後續說明中僅可參考所述特定圖式。
請參閱圖1，其顯示為本發明的經營輔助系統的方塊示意圖。本發明的經營輔助系統100包含一預測模組1、一決策介面2及一處理模組3。在實際應用中，本發明的經營輔助系統100可以是應用為一應用程式(Application)，但不以此為限。在不同的實施例中，經營輔助系統100也可以是包含軟體及硬體。
在實際應用中，所述預測模組1例如可以是能被執行的韌體、軟體程序等，但不以此為限，在不同的實施例中，所述預測模組1也可以是能執行機器學習演算法的AI晶片模組(例如包含AI運算晶片、記憶體等硬體)。
預測模組1能依據一原物料的一歷史原物料採購量A1、所述原物料的一歷史原物料採購價格A2、一歷史加工成本A3、一歷史加工時間A4、一歷史交運成本A5、一歷史交運時間A6、一歷史經銷商銷售價格A7、一歷史經銷商銷售量A8、一歷史終端商品銷售價格A9及一歷史終端商品銷售量A10，以機器學習演算法預測出所述原物料的一原物料採購價格趨勢11、一加工成本趨勢12、一交運成本趨勢13、一經銷商銷售價格趨勢14、一經銷商銷售量趨勢15、一終端商品價格趨勢16及一終端商品銷售量趨勢17。
所述原物料採購價格趨勢11是指未來一預定時間區段(可依據需求設計)內的原物料採購價格，舉例來說，處理模組3控制決策介面2顯
示原物料採購價格趨勢11時，使用者例如可以是於決策介面2中，觀看到未來3個月(不以此為限)，每一個月可能發生的原物料價格。同理，加工成本趨勢12、交運成本趨勢13、經銷商銷售價格趨勢14及終端商品價格趨勢16，是分別表示在未來一預定時間區段中，每一個預設時間點(例如每一個月)可能對應的加工成本、交運成本、經銷商銷售價格、經銷商銷售量、終端商品銷售價格及終端商品銷售量。
在實際應用中，預測模組1例如可以是僅利用歷史原物料採購量A1，以機器學習演算法預測出原物料採購價格趨勢11；預測模組1可以是僅利用歷史加工成本A3(例如機器運作所需的人工費用、設備電費等)及歷史加工時間A4(例如相關製造設備將聚氯乙烯(PVC)粉，製作能銷售的成品所需耗費的時間等)，以機器學習演算法預測出所述加工成本趨勢12；預測模組1可以是僅利用歷史交運成本A5(例如是產品由產地運送至銷售地所需的人力費用、運輸費用等)及歷史交運時間A6(例如是產品由產地運送至銷售地所需時間等)，以機器學習演算法預測出所述交運成本趨勢13；預測模組1可以是僅利用歷史經銷商銷售價格A7，以機器學習演算法預測出所述經銷商銷售價格趨勢14；預測模組1可以是僅利用歷史經銷商銷售量A8，以機器學習演算法預測出所述經銷商銷售量趨勢15；預測模組1可以是僅利用歷史終端商品銷售價格A9(例如實際使用產品的客戶所購買的價格等)，以機器學習演算法預測出所述終端商品價格趨勢16，預測模組1可以是僅利用歷史終端商品銷售量A10(例如實際使用產品的客戶所購買的價格等)，以機器學習演算法預測出所述歷史終端商品銷售量趨勢17，但不以此為限，在不同的實施例中，預測模組1也可以是搭配其他資料，以機器學習演算法來進行相關趨勢的預測。
需說明的是，利用歷史資料以機器學習演算法來預測未來的趨勢，已經是相當成熟的技術，而相關人員可以是依據不同應用場景、資料格式、資料內容，選擇以不同的機器學習演算法，進行相關趨勢的預測，因此，於本案中將不針對機器學習演算法的實質內容進行說明，相關人員可以依據實際需求，通過不斷的測試，選擇出合適的機器學習演算法。另外，相關人員可以利用Google Cloud提供的AI與機器學習解決方案、AWS提供的AWS Machine Learning(ML)服務、IBM的資料科學與機器學習平台所提供的各種服務、SAP所提供的人工智慧解決方案等服務，來依據公司需求建立出所述預測模組1。
如圖2所示，在其中一個實施例中，本發明的經營輔助系統100可以是應用於塑膠加工廠中，而所述原物料可以是聚氯乙烯粉，而預測模組1除了利用歷史原物料採購量A1及歷史原物料採購價格A2外，預測模組1還可以是利用多個公司內部資料集B、多個產業資料集C、多個總體經濟資料集D及多個輔助資料集E，以機器學習演算法預測出聚氯乙烯粉的採購價格趨勢(即前述的原物料採購價格趨勢11)。
多個公司內部資料集B可以包含歷史聚氯乙烯粉採購價格資料集B11、歷史聚氯乙烯製品月結銷量資料集B12及歷史聚氯乙烯製品月結損益資料集B13。其中，歷史聚氯乙烯粉採購價格資料集B11及歷史聚氯乙烯製品月結銷量資料集B12，即為所述歷史原物料採購量A1與所述歷史原物料採購價格A2。
多個產業資料集C例如可以包含：歷史乙烯國際市場價格資料集C11、歷史原油資料集C12、歷史聚氯乙烯產能開工率資料集C13、歷史聚氯乙烯國際市場價格資料集C14、歷史丙烯國際市場價格資料集C15、歷史聚丙烯(PP)國際市場價格資料集C16、歷史營建執照開工統計資料集
C17(例如是台灣內政部營建署公開的建築物開工統計數據中的建築物開工件數、建築物總樓地板面積等統計資料)中的至少一個。
多個總體經濟資料集D包含歷史國內生產毛額(GDP)資料集D11、歷史經濟成長率資料集D12(例如是台灣行政院主計總處公開的經濟成長率等相關資料)、歷史進出口貿易金額資料集D13(例如是台灣經濟部國際貿易局所公開的我國進出口統計等相關資料)、歷史景氣指標資料集D14(例如是台灣國發會公開的景氣對策信號及分數等資料)、歷史消費者物價指數(CPI)資料集D15、歷史採購經理人指數(PMI)資料集D16、歷史非製造業經理人指數(NMI)資料集D17、歷史消費者信心指數(CCI)資料集D18、歷史就業及失業統計資料集D19(例如是台灣統計資訊網公開的就業、失業統計等資料)、歷史航運費用資料集D20、歷史貨幣供給資料集D21(例如是中央銀行所公開的貨幣供給額等資料)、歷史利率資料集D22(例如是中央銀行所公開的存、放款利率等資料)及歷史薪資資料集D23(例如是行政院主計總數所公開的薪資統計資料)。
在其中一個具體實施例中，歷史原油資料集C12可以包含：美國西德州中級(WTI)原油價格(美元/桶)、美國路易斯安那低硫原油(美元/桶)、北海布蘭特(Brent)原油價格(美元/桶)、阿拉伯灣杜拜(Dubai)原油價格(美元/桶)、阿拉伯灣阿曼(Oman)原油價格(美元/桶)、亞太米納斯(Tapis)原油價格(美元/桶)及OPEC一籃子原油均價(美元/桶)中的至少一個。
多個歷史乙烯價格資料集可以包含：歷史東南亞乙烯CFR(Cost and Freight)價格(美元/公噸)、歷史美國海灣乙烯現貨價格(美元/公噸)、歷史遠東區乙烯CFR價格(美元/公噸)及歷史韓國乙烯FOB(Free On Board)價格(美元/公噸)。多個歷史丙烯價格資料集可以包含：歷史中國丙烯CFR價格(美元/公噸)、歷史日本丙烯FOB價格(美元/公噸)、歷史台灣丙烯
CFR價格(美元/公噸)、歷史東南亞丙烯CFR價格(美元/公噸)及歷史韓國丙烯FOB價格(美元/公噸)。多個歷史聚氯乙烯國際市場價格資料集包含：歷史西北歐聚氯乙烯現貨價(美元/公噸)、歷史東南亞聚氯乙烯CFR價格(美元/公噸)、歷史美國聚氯乙烯FAS休斯頓現貨價格(美元/公噸)及歷史遠東區聚氯乙烯CFR價格(美元/公噸)。
多個歷史聚丙烯(PP)國際市場價格資料集包含：歷史東南亞共聚合級聚丙烯CFR價格(美元/公噸)、歷史遠東區共聚合級聚丙烯CFR價格(美元/公噸)、歷史東南亞吹袋級聚丙烯CFR價格(美元/公噸)、歷史遠東區吹袋級聚丙烯CFR價格(美元/公噸)、歷史東南亞單聚級聚丙烯CFR價格(美元/公噸)及歷史遠東區單聚級聚丙烯CFR價格(美元/公噸)。
在其中一個具體實施例中，多個歷史航運費用資料集D20例如是包含：歷史長榮海運-台日線-台灣至日本-20呎貨櫃船運價、歷史陽明海運-台日線-台灣至日本-20呎貨櫃船運價、歷史長榮海運-台日線-台灣至日本-40呎貨櫃船運價、歷史陽明海運-台日線-台灣至日本-40呎貨櫃船運價、歷史美西線-高雄至洛杉磯-20呎貨櫃船市場流通運價、歷史美西線-高雄至洛杉磯-40呎貨櫃船市場流通運價、歷史陽明海運-美國線-高雄至洛杉磯-20呎貨櫃船運價、歷史陽明海運-美國線-高雄至洛杉磯-40呎貨櫃船運價、歷史長榮海運-華中線-台灣至華中-20呎貨櫃船運價及歷史長榮海運-華中線-台灣至華中-40呎貨櫃船運價。當然，在不同的實施例中，相關廠商可以是依據，實際運輸時，所採用的相關海運業者、運輸航線、運輸採用的貨櫃長度、運輸路線等，來選擇相對應的航運費用資料。
多個輔助資料集E例如包含歷史每日雨量資料集E1、歷史每月雨量資料集E2及人事行政辦公日曆資料集E3(例如是人事行政總處所公開的政府機關辦公日曆表)。需說明的，上述各個歷史資料集，是指多筆歷史
資料的集合，舉例來說，所述歷史聚氯乙烯粉採購價格資料集B11中，是包含了各個月份塑膠加工廠所購買的聚氯乙烯粉的採購價格(即單一筆歷史資料)。上述總體經濟資料集D及輔助資料集E所包含的各種資料集，可以依據經營輔助系統100實際應用的國家，而採用相對應的國家相關單位所公開的相關資料。
在實務中，上述各種非公司內部的資料集例如可以是通過一資料收集器(例如是網路爬蟲、用來串接各種公開資料的API的相關程式等)，定時地自動進行收集，且收集來的資料可以是通過相關的資料清理步驟後，儲存於相關的資料庫中；若是公司內部的相關資料，則可以是直接儲存於相關資料庫中；而後，預測模組1則可以於相關資料庫中取出預測所需的相關資料。
依上所述，當經營輔助系統100應用於塑膠加工廠中，且塑膠加工廠主要是以生產塑膠硬管為主，且塑膠加工廠的銷售國家除了本國外，還包含了中國地區、遠東地區、美洲地區的實施例中，預測模組1不但利用歷史原物料採購量A1及歷史原物料採購價格A2，還利用上述的公司內部資料集B、產業資料集C、總體經濟資料集D及輔助資料集E，以機器學習演算法所計算出的原物料採購價格趨勢11，相較於僅利用歷史原物料採購量A1及歷史原物料採購價格A2，以機器學習演算法所計算出的原物料採購價格趨勢11更為準確。
需特別強調的是，對於一個塑膠加工廠而言，公司內部與聚氯乙烯粉採購價格直接或間接相關的資料種類，遠遠超過上述所舉出的例子中的資料集，同樣地，市場上所公開的與聚氯乙烯粉採購價格，直接或間隔相關的產業資料集的種類，也遠遠超過上述所舉出的例子中的資料集的種類，相關機關單位所公開的與聚氯乙烯粉採購價格，直接或間接相關的總體
經濟資料集的種類，也遠遠超過上述所舉出的例子中的資料集的種類，而公司內部資料集、產業資料集、總體經濟資料集三種大類別所分別包含的各種直接或間接與聚氯乙烯粉採購價格相關的資料集，彼此間的交互搭配，可以組合出成千上萬種不同的組合。
更別說，在上述例子中，預測模組1除了利用歷史原物料採購量A1、歷史原物料採購價格A2、公司內部資料集B、產業資料集C、總體經濟資料集D外，還利用了常理上與聚氯乙烯粉採購價格，完全沒有關係的輔助資料集(即歷史每日雨量資料集E1、歷史每月雨量資料集E2及人事行政辦公日曆資料集E3)。
是以，上述例子所舉出的預測模組1所利用的各種資料集，除非是直接提供給本案所屬技術領域中的相關技術人員，否則相關技術人員難以輕易思及，要利用該些資料集，來進行聚氯乙烯粉採購價格的預測，而本案發明人是經過反覆、多次測試，並與相關產業專家及機器學習專家多次討論、實驗後，才得出利用上述例子中所舉出的多個資料集，進行聚氯乙烯粉採購價格的預測，可以得到較為準確的預測結果。
另外，需特別強調的是，公司內部資料集B、產業資料集C、總體經濟資料集D三種大類別所分別包含的各種直接或間接與聚氯乙烯粉採購價格相關的資料集，彼此間的交互搭配，可以組合出成千上萬種不同的組合，因此，相關人員是無法逐一地測試每一種組合所預測出的結果是否準確，且各家廠商所銷售的地區及銷售的產品屬性也不同，原物料的種類、形式等也不同，原物料的購買廠商也不完全相同，因此，縱使產業資料集C及總體經濟資料集D等是公開資料，不同的兩家廠商欲利用機器學習演算法，進行原物料採購價格趨勢的預測時，基本上難以利用完全相同的資料集。也就是說，直接將某一個廠商預測其原物料採購價格趨勢，所採用的相關資料
集，應用於另一廠商用來預測同一原物料的原物料採購價格趨勢的相關預測模型中，也難以直接取得相同的預測結果，甚至可能是完全失準的預測(例如模型的相關誤差是超出統計上常理的誤差範圍)。
依上所述，本發明的經營輔助系統100通過使預測模組1利用公司內部資料集B、產業資料集C、總體經濟資料集D及輔助資料集E，以機器學習演算法預測出原物料採購價格趨勢11，可以讓相關決策者更好地預測原物料的未來採購價格，藉此，可以讓決策者更好地判斷是否額外購入原物料，或者，減少原物料的購入，且亦可讓相關決策者決定於哪一個時間點購物原物料。
需特別說明的是，若是預測模組1僅利用歷史原物料採購量A1、歷史原物料採購價格A2，以機器學習演算法，預測原物料採購價格趨勢11，在全球發生劇大變化(例如全球發生COVID-19疫情)時，將難以準確地預測出正確的價格趨勢，相對地，若是利用上述公司內部資料集B、產業資料集C、總體經濟資料集D及輔助資料集E，以機器學習演算法，來預測原物料採購價格趨勢11，其所預測出的結果，將相對容易反映出全球當前的局勢狀態。
具體來說，如圖3所示，其顯示為2008~2021年11月份的聚氯乙烯採購(進口)價格走勢圖。圖中所標示的線段L2是直接利用2009~2020年的歷史聚氯乙烯採購價格，以機器學習演算法所預測出的2020年下半年的聚氯乙烯採購價格趨勢；圖中所標示的線段L1則是利用上述公司內部資料集B、產業資料集C、總體經濟資料集及輔助資料集E，以機器學習演算法所預測出的2021年第一季的聚氯乙烯採購價格趨勢，其預測結果是2020年下半年的聚氯乙烯採購價格將上漲。
依據圖3所示的歷史資料來說，聚氯乙烯採購價格在2009~2018年間，大致是依循差不多的模式上漲及下跌，因此，直接利用2009~2020上半年的歷史聚氯乙烯採購價格，以機器學習演算法所預測出的結果(即圖中所示標示的線段L2)，是預測2020年下半年的聚氯乙烯採購價格將下跌。
相反地，由圖中所標示的線段L1，可以清楚地看出利用上述公司內部資料集B、產業資料集C、總體經濟資料集D及輔助資料集E，以機器學習演算法進行預測，其預測結果是2020年下半年的聚氯乙烯採購價格趨勢為上漲。
依上所述，就事實來說，由於2019年底~2020年間全球發生了COVID-19疫情，各國先後採取了不同的邊境活動、人口活動限制，因此，2020年下半年的聚氯乙烯採購價格實際上是持續上漲。由此可以證明，利用上述各種資料集，以機器學習演算法所進行的預測結果的準確度，明顯優於僅利用歷史聚氯乙烯採購價格，以機器學習演算法所進行預測的預測結果的準確度還高。
如圖4所示，其顯示為決策介面的其中一個頁面的示意圖。決策介面例如是各式使用者交互介面(User Interface)，決策介面可以包含多個頁面21。決策介面的部分頁面21中，可以是顯示歷史原物料採購量(如圖中所示的同期原物料採購量)、歷史原物料採購價格(如圖中所示的同期原物料採購價格)、歷史加工成本(如圖中所示的同期加工成本)、歷史加工時間(如圖中所示的同期加工時間)、歷史交運成本(如圖中所示的同期交通成本)、歷史交運時間(如圖中所示的同期交運時間)、歷史經銷商銷售價格(如圖中所示的同期經銷商銷售價格)、歷史經銷商銷售量(如圖中所示的同期經銷商銷售量)、歷史終端商品銷售售價(如圖中所示的同期終端商品銷售售價)、歷史終端商品銷售量(如圖中所示的同期終端商品銷售量)、原物料採購價格趨勢、
加工成本趨勢、交運成本趨勢、經銷商銷售價格趨勢及終端商品價格趨勢及一原物料庫存量(如圖中所示的現有原物料庫存量)。在圖4所示的決策介面的其中一個頁面21中，使用者例如可以是通過點選圖中所示「其他預測趨勢」，以切換至其他顯示有加工成本趨勢、交運成本趨勢、經銷商銷售價格趨勢及終端商品價格趨勢中的其中一個的頁面。需說明的是，圖4中所示的各種數據，僅是作為一示範，因此，於圖中並未具體標示出各數據的單位。
決策介面的其中一個頁面21中，例如可以是包含多個操作項目211及一提交按鍵212。多個操作項目211分別用以提供使用者設定所述原物料的一原物料採購日、設定所述原物料的一原物料採購量。在決策介面所包含的其他頁面中所包含的多個操作項目及提交按鍵，則可以是供使用者調高或調低一加工成本、調高或調低一交運成本、調高或調低一經銷商銷售價格、調高或調低一終端商品銷售價格。提交按鍵212用以提供使用者操作，以將其所設定的原物料採購日、原物料採購量、加工成本、交運成本、經銷商銷售價格、終端商品銷售價格，傳送至遠端伺服器。
在實際應用中，當處理模組3(如圖1所示)將使用者設定的原物料採購日、原物料採購量、加工成本、交運成本、經銷商銷售價格、終端商品銷售價格，傳送至遠端伺服器時，遠端伺服器接收後，將會開始依據該等資料進行相關的原物料下單排程、相關的事項交辦設定(例如通知各營運單位，加工成本目標要降低多少個百分比之類的內容)。
依上所述，相關使用者可以於決策介面的其中一個頁面21觀看到各種數據、圖表等相關資料，且使用者可於決策介面的其中一個頁面21中通過操作多個操作項目211，來執行設定原物料採購日、設定原物料採購量、調高或調低加工成本、調高或調低交運成本、調高或調低經銷商銷售價格、調高或調低終端商品銷售價格中的至少一個作業。
在其中一個較佳的實施例中，處理模組3(如圖1所示)可以是預存有多個彼此不同的機器學習預測模型(例如樸素貝葉斯模型、決策樹模型、KNN演算法、SVM演算法、Logistic迴歸模型、LSTM時間序列演算法)，且預測模組1(如圖1所示)能依據各個機器學習預測模型，以不完全相同的歷史資料集(例如是同一個歷史資料，但採用的時間區段不同)，預測出原物料採購價格趨勢、加工成本趨勢、交運成本趨勢、經銷商銷售價格趨勢、經銷商銷售量趨勢、終端商品價格趨勢及終端商品銷售量趨勢。
舉例來說，假設處理模組3預存有3種機器學習預測模型，則預測模組1例如可以是利用前述的多個公司內部資料集B、多個產業資料集C、多個總體經濟資料集D及多個輔助資料集E，配合3個不同的機器學習預測模型，計算出3個原物料採購價格趨勢11。需說明的是，3個機器學習預測模型可以是利用完全相同的資料集，來分別預測同一個趨勢，但不以此為限，在不同的實施例中，3個機器學習預測模型也可以是利用相同類別但採用不同時間區段的資料集，來分別預測同一個趨勢，舉例來說，第一個機器學習預測模型可以是利用前10年的原物料採購價格，來預測未來6個月的原物料採購價格趨勢11，第二個機器學習預測模型則是利用前3年的原物料採購價格，來預測未來3個月的原物料採購價格趨勢11，而第三個機器學習預測模型則是利用前1年的原物料採購價格，來預測未來1個月的原物料採購價格趨勢11。
更具體來說，不同的機器學習預測模型，具有不同的優缺點，有些機器學習預測模型適合利用相對較少的歷史資料量(例如1~3年內的歷史資料)，來預測出相對較短時間(例如1~3個月)內的趨勢，有些機器學習預測模型則適合利用相對較多的歷史資料量(例如5~10年以上的歷史資料)，來預測出相對較長時間區段(例如1~3年)的趨勢，因此，利用不同的機器學
習預測模型所預測出的趨勢將有所不同。換句話說，不同機器學習預測模型利用不同時間長度的歷史資料，所作出的預測值，會有一個臨界值，在此臨界值之前，預測值真實發生的機率偏高，而在此臨界值之後，預測值真實發生的機率可能急遽下降。
如圖3所示，使用者在決策介面的其中一個頁面21中，可以是看到聚氯乙烯歷史採購價格及利用預測模型B所預測的預測趨勢圖，而使用者可以是通過操作圖3中所標示的「預測模型」旁的下拉式選單，選擇利用不同的預測模型，來觀看不同的預測模型所預測出的聚氯乙烯採購價格趨勢。當然，在不同的實施例中，決策介面的頁面21中也可以是提供相關操作項目，以供使用者操作，而於聚氯乙烯歷史採購價格及預測趨勢圖中，同時顯示出聚氯乙烯歷史採購價格及至少兩個以上的預測模型所分別作出的預測趨勢。
如圖4所示，其顯示為決策介面的另一個頁面的示意圖。在實際應用中，決策介面的其中一個頁面21A中，例如可以是顯示出各個不同的機器學習預測模型(如圖中所示的模型A及模型B)針對同一個趨勢(如圖中所示的聚氯乙烯採購價格預測趨勢)所作出的預測，且決策介面於所述頁面21A中還可以是顯示有各個機器學習預測模型所對應的一預測模型名稱(如圖中所示的模型A及模型B)、一機器學習預測模型優缺點資料(例如使用者可以是通過點選圖4中所示的模型優缺點說明來觀看)、一機器學習預測模型用的訓練資訊(即圖4中所示的訓練資料採用年限、訓練資料集(影響因子)等)、機器學習預測模型所包含的多個影響因子，及各影響因子對於機器學習預測模型的預測結果的貢獻度。所述影響因子即為機器學習預測模型所使用的訓練資料集，而各個影響因子對於預測結果的貢獻度，則是用來表示各個影響因子對於預測結果的影響程度。舉例來說，在圖4中所示的預測模型A，僅採用
了聚氯乙烯粉採購價格資料集單一個訓練資料集來進行預測，則預測模型A的影響因子即為該訓練資料集，而該影響因子的貢獻度則為100%。
依上所述，通過使預測模組1利用不同機器學習預測模型，來預測同一個趨勢等設計，可以讓相關決策人員，在作出決策前，可以看到各種不同的機器學習預測模型所作出的預測結果，藉此，可以避免決策者在進行決策的過程中，對單一種機器學習預測模型的預測結果產生依賴。
需特別強調的是，通過於決策介面中顯示出各個機器學習預測模型所包含的多個影響因子及各影響因子對於機器學習預測模型的預測結果的貢獻度，可以讓決策者進一步瞭解不同的機器學習模組所作出的預測結果，主要是依賴哪一些關鍵的歷史資料，而相關決策者將可以配合，其本身所得到的其他資訊(例如政府政策等)，配合各個機器學習預測模型的預測結果，來進行相關的決策作業。
舉例來說，決策者在觀看，圖4所示的決策介面中的其中一個頁面21A後，得知預測模型B的其中一個影響因子為「遠東地區聚氯乙烯粉市場價格」且其貢獻度為60%，則若決策者知道近期遠東地區將實施嚴格的貨運限制等，決策者在後續進行原物料採購日及原物料採購量的設定時，將可以降低此機器學習預測模型所給出的預測結果的參考程度，甚至決策者可以考慮不採用此機器學習預測模型的預測結果，而決策者可以考慮參考其他機器學習預測模型所給出的預測結果。
請參閱圖5，其顯示為經營輔助系統的模型設計介面的示意圖。在較佳的實施例中，經營輔助系統100還可以包含一模型設計介面4，模型設計介面4可以是顯示有一預測目標選項清單41、一歷史資料圖表42、一機器學習預測模型選項清單43、一訓練資料選項清單44及一創建按鍵45，而使用者可以通過操作選擇預測目標選項清單41、機器學習預測模型選項清單
43、訓練資料選項清單44及創建按鍵45，以選擇利用哪一個機器學習預測模型及哪一些歷史資料，來預測哪一個目標項目，並據以創建出新的一個機器學習預測模型。
較佳地，當使用者選定預測目標選項清單41中的其中一個目標選項(例如聚氯乙烯粉採購價格)後，處理模組可以是控制模型設計介面4，對應顯示出相對應的歷史圖表(即所述歷史資料圖表42)。
當使用者操作創建按鍵45後，處理模組3(如圖1所示)將控制預測模組1(如圖1所示)，利用使用者所選擇的機器學習預測模型及所有訓練資料，預測出使用者所選擇的目標選項，且模型設計介面4中，將會於歷史資料圖表42中，額外顯示出預測結果，且模型設計介面4中還會顯示出此預測模型的各個主要影響因子及其貢獻度、此預測模型的全時域的平均絕對百分比誤差(MAPE)及模型採用建議資訊46。而，使用者即可通過觀看全時域的平均絕對百分比誤差(MAPE)及模型採用建議資訊，來判斷此預測模型預測用來預測此目標選項是否合適。舉例來說，若全時域的平均絕對百分比誤差(MAPE)是小於5%，則模型採用建議資訊例如可以是包含有類似「此預測模型的預測準度佳，建議可考慮採用」等文字，反之，若是全時域的平均絕對百分比誤差(MAPE)是大於3%，則模型採用建議資訊例如可以是包含有類似「此預測模型的預測準度差，不建議採用」等文字。
依上所述，通過模型設計介面4的設計，使用者可以依據需求，自行創建不同的預測模型，據以利用不同的歷史資料，來預測同一個預測目標。
更具體來說，近年來爆發的COVID-19疫情，使得各國先後祭出不同程度的邊境管制及不同程度的人員管制(例如封城)，為此，直接或間接地影響，原料生產地的人力配置，原料生產地的運輸作業等，在此種狀態
下，若是不考量各國的邊境管制措施及人員管制措施，而僅利用COVID-19前所利用的預測模型，進行原物料採購價格的預測，則可能發生預測與現實完全背離的情況。在此種情境中，相關人員即可通過模型設計介面4，創建一個因應當前世界局勢的預測模型。
更進一步來說，常見的用來預測中長期預測目標的價格趨勢的機器學習預測模型，是嘗試利用歷史相關資料，來找出預測目標的週期性波動模式，因此，在全球發生先前從未出現過的突發事件(例如2008年的金融風暴、2019至今的COVID-19疫情)時，此種機器學習所作出的預測，將明顯偏離事實，特別是針對短期內的預測，其預測結果更是偏離事實。相對地，若是利用突發事件後短期內的資料，配合合適的機器學習預測模型，來預測突發事件後，短期內的未來趨勢，將可以得到相對較佳的預測結果，但是，此種作法無法用來做中長期的預測。
舉例來說，在2019年12月初全球發現了首個COVID-19確診病例，2020年起COVID-19病毒迅速地擴散至全球各個國家，各國先後陸續開始實施嚴格的邊境管控，且亦針對國內進行了嚴格的人口移動限制(例如封城)。在此種狀態下，若是利用2010~2020年的歷史原物料採購價格，來預測2021年第一季的原物料採購價格趨勢得到的預測結果，將可能明顯失準，相對地，若是僅利用2020年一整年的原物料採購價格，配合各國的邊際管制、人流管制等資料，以不同的機器學習預測模型，來預測2021年第一季的原物料採購價格趨勢，則可以得到相對較為準確的預測結果。
是以，本發明的經營輔助系統100通過模型設計介面4等設計，讓相關人員可以依據當前的世界局勢，即時地創建出新的預測模型，以利用新的預測模型來預測未來的相關價格、成本的趨勢，藉此，可以讓相關
決策者更彈性地、更即時地，依據世界局勢，來預測出未來的相關趨勢，從而作出相對較佳的經營決策。
請一併參閱圖1及圖6，處理模組3控制決策介面2顯示原物料採購價格趨勢11、加工成本趨勢12、交運成本趨勢13、經銷商銷售價格趨勢14、經銷商銷售量趨勢15、終端商品價格趨勢16、終端商品銷售量趨勢17及原物料庫存量後，處理模組3將執行一輔助決策程序。處理模組3執行輔助決策程序時，處理模組3是執行以下步驟：一禁用步驟S1：禁用操作項目，以使使用者無法操作操作項目；具體來說，使用者於圖3所示的決策介面中的頁面21中，將無法操作任一個操作項目211及提交按鍵212；一資料收集步驟S2：控制決策介面顯示一問卷，以供使用者填寫，並依據問卷填寫的結果對應產生一填寫資料，或者，控制一影像擷取器，擷取使用者的臉部，以產生一臉部資料；一評估步驟S3：依據填寫資料判斷使用者是否處於一不穩定狀態，或者，依據臉部資料，以機器學習演算法進行分析，以判斷使用者是否處於不穩定狀態；若判定使用者處於不穩定狀態，則執行以下步驟：一顯示步驟S41：顯示一播放清單，並要求使用者選擇其中一個播放清單中的其中一個待選項目；一判斷步驟S42：判斷哪一個待選項目被選擇；一執行步驟S43：播放被選擇的待選項目所對應的一音檔或一影音檔；其中，當被選擇的待選項目所對應的音檔或影音檔被播放完後，處理模組將重新執行資料收集步驟及評估步驟；
若判定使用者不是處於不穩定狀態，則執行一解除步驟S5：不再禁用操作項目，而讓使用者能通過操作操作項目，以執行設定原物料採購日、設定原物料採購量、調高或調低加工成本、調高或調低交運成本、調高或調低經銷商銷售價格、調高或調低終端商品銷售價格中的至少一個作業。
在資料收集步驟S2中，使用者例如是被要求填寫出現於決策介面中的問卷，或者，被要求觀看影像擷取器。在其中一個具體實施例中，問卷的內容，可以用來評估受測者當前的情緒狀態，以判斷出受測者當前的情緒是處於生氣、高興、難過及平靜中的哪一種情緒狀態，且問卷還可以是用來評估受測者當前所處在的情緒狀態的數值為何。
舉例來說，問卷的實際內容例如可以是簡單地列出對應於3種情緒狀態的問題，其中一個問題類似：若以0~10分來表示您現在當下的生氣(高興、難過)程度，您會給幾分？(0分表示完全不生氣)；而後，處理模組執行判斷步驟S42時，則可以是在任一個問題的分數大於5的情況下，判定使用者當前處於不穩定狀態，而後處理模組將續行執行步驟S43；相反地，若處理模組判定使用者於問卷中，所有問題所填寫的分數加總後為0，則處理模組將判定使用者當下不是處於不穩定狀態。當然，問卷的實質內容，也可以是依據需求設計，更好地可以是通過相關心理學家進行設計。
在不同的實施例中，處理模組也可以是依據臉部資料，以機器學習演算法進行分析，以判斷受測者的臉部表情為生氣、高興、難過及平靜中的哪一個，且處理模組還能計算出各個情緒所對應的一評量數值。舉例來說，若處理模組利用臉部資料，以機器學習演算法進行分析後，處理模組的判定結果是：受測者當前的表情為高興，且評量數值為10分(滿分為10分)，則可能代表受測者在拍照的當下，可能是處於開口大笑的狀態。需說
明的是，在現有技術中，已經存在有多種利用機器學習演算法，進行表情識別(Emotion Recognition)的相關技術，使用者可以依據實際所欲判斷的臉部表情，選擇合適的軟體或是演算法，於此不再贅述。舉例來說，Microsoft®的Project Oxford團隊研發的臉部情緒辨識系統，現階段可以用來分析憤怒、輕蔑、恐懼、厭惡、高興、中性、悲傷、驚訝等8種情緒。
若處理模組以機器學習演算法分析出使用者的臉部表情為平靜(例如是受測者的臉部沒有出現明顯的情緒表情、或是對應於各種情緒的臉部動作等)，則處理模組將判定使用者不是處於不穩定狀態。若處理模組以機器學習演算法分析出使用者的臉部表情為生氣、高興或難過，且相對應的評量數值未超過一預設數值，則處理模組判定使用者不是處於不穩定狀態。
若處理模組以機器學習演算法分析出使用者的臉部表情為生氣、高興或難過，且相對應的評量數值超過預設數值，則處理模組將判定使用者處於不穩定狀態。在實際應用中，處理模組於顯示步驟S41中，還可以是顯示出處理模組以機器學習演算法分析出使用者的臉部表情的結果，而使用者例如可以是觀看到類似：經分析，您當前的情緒狀態為生氣，評量分數為9分(滿分為10分)等文字內容。
在執行步驟S43中，使用者例如可以於決策介面中觀看到與以下列表相類似的播放清單，而使用者即可於以下列表中依據當下的心境，選擇其中一個待選項目連結。當然，播放清單具體的呈現方式及播放清單中的待選項目名稱及其待選項目連結，都可以依據需求變化，於此不加以限制。
承本案先前技術中所述及的能量指數的說明，當處理模組判定受測者，當前處於不穩定狀態(即能量指數相對較低的情況)時，處理模組將會依序執行所述顯示步驟S41、判斷步驟S42及執行步驟S43，而使用者聽完上述列表中任一個待選項目連結中所播放的內容後，使用者的能量指數將有所提升，亦即，使用者的情緒將可以逐漸轉化為相對平靜的狀態，如此，
處理模組再次執行資料收集步驟S2及評估步驟S3時，處理模組將可能會判定使用者不是處於不穩定狀態，而讓使用者得以通過操作操作項目，以執行設定原物料採購日、設定原物料採購量、調高或調低加工成本、調高或調低交運成本、調高或調低經銷商銷售價格、調高或調低終端商品銷售價格中的至少一個作業。
值得一提的是，如本案先前技術中所述及的聽聞步驟等內容，使用者在處理模組播放上載列表中任一個待選項目連結的內容時，使用者可以只管聽經，而使用者無須深入去瞭解待選項目連結所播放的內容的真實含意，而使用者在聽完音訊或影音檔後，其能量指數將能所有提升，且使用者的心情也將會處於相對平靜的狀態。
在其中一個實施例中，處理模組可以是儲存有多個播放清單，各個播放清單所包含的待選項目可以是不完全相同，處理模組能依據機器學習演算法分析使用者的臉部表情的結果，以於顯示步驟S41中，顯示出相對應的播放清單。也就是說，處理模組依據機器學習演算法分析出使用者的臉部表情為生氣時，使用者所觀看到的播放清單，與處理模組依據機器學習演算法分析出使用者的臉部表情為難過時，使用者所觀看到的播放清單可能有所不同。
在其中一個實施例中，處理模組執行執行步驟S43後，再次執行評估步驟S3，而判定使用者不是處於不穩定狀態時，處理模組將會把於執行步驟S43中被播放的音檔或影音檔，記錄於一推薦清單中，處理模組下次執行顯示步驟S41時，則會將位於推薦清單中的音檔或影音檔所對應的待選項目排列於播放清單的前半段。
舉例來說，假設處理模組第一次執行評估步驟S3時，判定使用者當前的情緒為生氣(即，使用者當前處於不穩定狀態)，且處理模組於執
行步驟S43中，播放了使用者所選的待選項目A；若處理模組播放完待選項目A對應的音檔後，處理模組再次執行評估步驟S3，而判定使用者的情緒為平靜(即，使用者當前不是處於不穩定狀態)時，代表此使用者在生氣的情緒中，聽取了待選項目A對應的音檔後，使用者的情緒將可以由生氣狀態轉換為平靜狀態，為此，處理模組將會把待選項目A對應的音檔記錄於推薦清單中；於此之後，若處理模組判定使用者當前的情緒為生氣時，處理模組於顯示步驟S41中，將會於播放清單的第一位，顯示出待選項目A。
在不同的實施例中，處理模組執行執行步驟S43後，再次執行評估步驟S3，而判定使用者不是處於不穩定狀態時，處理模組會於決策介面中出現一提示資訊，且處理模組會於決策介面中，要求使用者通過操作項目輸入一評分資料，以要求使用者為前次執行步驟S43所播放的音檔或影音檔對其狀態的影響進行評分；處理模組於下次執行顯示步驟S3時，處理模組將依據使用者先前輸入的所述評分資料，來排列各個待選項目於播放清單中的順序。舉例來說，假設處理模組播放完使用者所選擇的待選項目A所對應的音檔後，使用者給待選項目A的評分為滿分，則代表使用者認為聽完待選項目A的內容後，可以讓其情緒平靜下來；而後，處理模組再次顯示播放清單時，待選項目A將會出現在播放清單的第一位。當然，處理模組在要求使用者輸入評分資料的同時，處理模組還可以於決策介面中顯示出類似：請問剛才播放的音檔，是否有讓您的情緒轉換為平靜的狀態，若有請以1~5顆星來給分，若無則請不要選擇任何星星等所述提示資訊等文字。
請參閱圖7，圖7為本發明的經營輔助系統的播放清單建立介面的示意圖。在不同的實施例中，經營輔助系統100還可以是包含有一播放清單建立介面5，播放清單建立介面5能提供使用者操作，而使用者可以於播放清單建立介面5中，按照自己的需求，建立至少一個播放清單51~53、54。
播放清單建立介面5中還可以顯示有現有的對應於生氣、高興或難過的三個播放清單51、52、53，而使用者可以選取位於不同播放清單中的待選項目51A、52A、53A，以建立出專屬於自己的播放清單54。而且，播放清單建立介面也可以提供使用者建立一個新的待選項目，舉例來說，使用者可以將自己喜歡的歌曲的連結建立為新的待選項目之一。另外，播放清單建立介面5中，還可以包含有適用情緒選項清單55，其用以供使用者選擇新建立的播放清單54。
目前亦有大量的科學研究指出，受測者在具有強烈的情緒的情況下，或是，在具有強烈的情緒後的一段時間(例如10~30分鐘內)，將相對容易在不自知的情況下，作出衝動、甚至錯誤的決定，此種現象被稱為偶然性情緒偏見(The Incidental Mood Bias)。舉例來說，受測者在經歷高興的情緒後的10~30分鐘內，將容易以相對樂觀的角度，決定其當下所對面對的抉擇；相對地，受測者在經歷負面情緒後的10~30分鐘內，將容易以相對悲觀的角度，決定其當下所對面對的抉擇。
更甚者，當決策者經歷負面的情緒後，若看到同為相對消極的資料(例如預測模組預測未來經銷商銷售量會下降)後，會更容易作出保守的決定(例如大量降低原物料的採購量)；相反地，決策者在經歷高興的情緒後，若看到預測模組預測未來終端商品銷售量會上升時，決策者可能會作出購買超額(例如超出目標銷量所需的原物料量的30%)原物料的偏頗決定。也就是說，決策者在進行決策的當下的情緒，及其當下所觀看到的相關資料內容，兩者間會有加成效果，而使得決策者更容易作出相對偏頗的決定。
依上所述，本發明的經營輔助系統100通過輔助決策程序等設計，可以讓當下處於不穩定狀態的決策者，無法通過操作項目進行任何相關的決策作業(即，執行設定原物料採購日、設定原物料採購量、調高或調低
加工成本、調高或調低交運成本、調高或調低經銷商銷售價格、調高或調低終端商品銷售價格中的至少一個作業)，而決策者必需先聽取相關的音檔或影音檔，並通過再次的狀態評估後，才可以執行相關決策作業。如此，將可以讓決策者是處在能量指數相對較高的情況下(即，情緒相對較為穩定的情況下)，作出相關決策作業，藉此，可以避免決策者因為處於能量指數較低的狀態下，作出相對偏頗，甚至錯誤的決策，且可避免決策者發生偶然性情緒偏見(The Incidental Mood Bias)的情況。
請參閱圖8，圖8為本發明的經營輔助系統的決策介面的另一頁面的示意圖。在其中一個較佳的實施例中，處理模組不再禁用操作項目時，處理模組在使用者通過操作操作項目，以設定原物料採購日、設定原物料採購量、調整的加工成本、調整的交運成本、調整的經銷商銷售價格、調整的終端商品銷售價格中的至少一個後，處理模組可以是先禁用提交按鍵212，並要求使用者必需於決策介面中的一決策原因輸入欄位213中，輸入決策原因資料。而後，處理模組在決策原因資料被輸入完成後，才會讓使用者得以操作提交按鍵212。
如圖8所示，在其中一個變化實施例中，處理模組於使用者利用操作項目，執行設定原物料採購日、設定原物料採購量、調高或調低加工成本、調高或調低交運成本、調高或調低經銷商銷售價格、調高或調低終端商品銷售價格中的至少一個作業後，處理模組將控制預測模組，依據使用者設定的原物料採購日、原物料採購量、加工成本、交運成本、經銷商銷售價格、終端商品銷售價格及一歷史公司營運資料集，以機器學習演算法，預測出對於一終端產品的一營業淨利所包含的一營業毛利及一營業費用的影響。其中，營業毛利包含一營業收入及一營業成本，營業收入包含一單位售價及一銷售量，營業成本包含一單位成本，營業費用包含一行銷費用、一業
務費用、一管理費用及一研發費用。所述歷史公司營運資料集例如包含一歷史營業收入資料集、一歷史營業成本資料集、一歷史單位售價資料集、一歷史銷售量資料集、一歷史單位成本資料集、一歷史行銷費用資料集、一歷史業務費用資料集、一歷史管理費用資料集及一歷史研發費用資料集。
在實際應用中，決策介面的其中一個頁面21中，還可以是顯示出一終端產品選擇項目214(例如是下拉式選單)，而使用者可以是依據需求選擇不同的終端產品。舉例來說，在圖8中，使用者是利用終端產品選擇項目選擇PVC硬管。
具體來說，使用者例如可以是在圖8所示的決策介面的其中一個頁面21B中的「對PVC硬管的營業淨利的影響預測」的欄位中，觀看到使用者所設定的原物料採購日及原物料採購量，對於營業淨利、營業毛利、營業收入、單位售價、銷售量、營業成本、單位成本、營業費用、行銷費用、業務費用、管理費用及研發費用的個別影響，而使用者即可依據該些百分比的數據，及公司內部的相關制度、政策，以決定是否提交原物料採購日及原物料採購量的設定。
舉例來說，使用者於圖8所示的「對PVC硬管的營業淨利的影響預測」的欄位中，可以看到當前所設定的原物料採購日及原物料採購量，對日後的「業務費用」而言，可能會上漲5%，假設公司近期會業務人員進行組織架構的變動，或者，近期會有部分的業務人員離職，則決策者將可以據以考慮當前的原物料採購日及原物料採購量的設定，是否需要修改，或者，決策者可以據以思考日後對於業務人員或是業務單位，是否推出相應的措施。
依上所述，通過在使用者執行設定原物料採購日、設定原物料採購量、調高或調低加工成本、調高或調低交運成本、調高或調低經銷商
銷售價格、調高或調低終端商品銷售價格中的至少一個作業後，於決策介面中顯示出使用者所進行的設定，可能對營業淨利的影響等設計，可以讓決策者瞭解，當前所作出的決策，未來可以需要進行何種相應的配套措施，以使當前所作出的決策，不會影響未來的營業淨利。
在傳統的決策過程中，相關決策者基本上僅會觀看到以前的相關數據，以及各單位主管所給出的相關建議，而決策者將會依據該些資料以及本身的相關經驗、專業，進行後續的採購決定，而決策者當下並無法知道當下的決策，可能對於公司的某一主力終端產品的淨利的影響，因此，在實務中，容易發生決策者所作出的決策，日後看來對於公司整體淨利造成了相對較大的影響的問題。反觀，本發明的經營輔助系統可以讓決策者，設定原物料採購日及原物料採購量後，即時地顯示出對於某一終端產品的營業淨利的影響的預測，如此，將可以相對降低日後發生，決策者先前的決策，導致營業淨利大幅下降的問題。
在較佳的實施例中，處理模組在使用者於決策介面上，觀看預測模組所預測出對於某一終端產品的營業淨利所包含的營業毛利及營業費用的影響之前，處理模組是禁用提交按鍵212。也就是說，處理模組不是同時讓使用者可以操作決策介面中所有操作項目211及提交按鍵212，而處理模組是先不禁用決策介面中的所有操作項目211，當使用者操作操作項目211後，處理模組控制決策介面顯示出預測模組所預測出對於某一終端產品的營業淨利所包含的營業毛利及營業費用的影響後，才會不禁用提交按鍵212。
在另一個變化的實施例中，預測模組1還可以是利用原物料採購價格趨勢11、加工成本趨勢12、交運成本趨勢13、經銷商銷售價格趨勢14及終端商品價格趨勢16，以機器學習演算法計算出一建議原物料採購日19及一建議原物料採購量20。處理模組3也可是依據使用者所設定的原物料採
購日及原物料採購量，決定是否在操作提交按鍵212前，必需要先輸入決策原因資料。具體來說，當使用者通過操作操作項目211，以設定原物料採購日及原物料採購量後，處理模組3還會計算使用者所設定原物料採購日及設定原物料採購量，分別與建議原物料採購日19及建議原物料採購量20的差值，是否分別落在一預設範圍內。
若處理模組判定使用者所設定的原物料採購日與建議原物料採購日19的差值，沒有落在相對應的預設範圍內；或者，使用者所設定的原物料採購量與建議原物料採購量20，沒有落在相對應的預設範圍內，處理模組3則會先禁用使用者操作提交按鍵212，而要求使用者必需先於決策介面中的決策原因輸入欄位213中輸入決策原因資料，反之，則不強制要求使用者必需先輸入決策原因資料。舉例來說，其中一個預設範圍可以是建議原物料採購日19的±30天，另一個預設範圍可以是建議原物料採購量20的±30%。
依上所述，具體來說，機器學習演算法雖然可以利用各種歷史資料，預測出未來的趨勢，但在實務中，有很多資料是無法被量化，甚至是無法被數字化(例如政策的變動、法規變動等)，因此，決策者在觀看預測模組所作出的各種預測趨勢後，仍然可能會因為知道了一些無法被數字化或量化的資訊後，作出與預測趨勢完全不同的決定。是以，通過上述處理模組3要求使用者輸入決策原因資料等設計，可以讓相關人員，日後可以清楚地，知道決策者於先前做決策時，是基於何種考量。
為了更好地追蹤決策者於經營輔助系統100中所作出的某一個決定的原因，在其中一個較佳的實施例中，處理模組不再禁用操作項目時，處理模組將記錄使用者通過操作項目，以設定原物料採購日、設定原物料採購量、調整的加工成本、調整的交運成本、調整的經銷商銷售價格、調整的終端商品銷售價格中的至少一個前，於決策介面中所觀看到的所有資
料、於決策介面中所進行的所有操作(例如點擊了哪一些資料來觀看等)，且若使用者有輸入決策原因資料，處理模組將會一併把決策原因資料整合為一記錄資訊，並據以傳遞至遠端伺服器，以儲存於遠端伺服器中。當然，記錄資訊中還包含有決策者的相關資料(例如姓名、職階等)及決策時間點等基本資料。如此，相關人員日後即可通過調閱遠端伺服器中的相關記錄資訊，瞭解哪一個決策者在先前的哪一個時間點，在觀看了哪一些資料後，基於何種理由，而作出決策，藉此，可以讓相關人員更有效地討論決策的品質，及預測模組的預測品質。
在其中一個具體實施例中，處理模組記錄使用者於決策介面中所觀看的所有資料的方式，可以是利用截取決策介面的整個頁面所呈現的所有資料，以產生一截圖資料的方式進行記錄，且處理模組還可以同時利用錄影的方式，記錄使用者於決策介面中所進行的所有操作，以產生一影像資料，如此，日後相關人員在針對決策者日前所作出的決策進行討論時，不但可以針對決策的實質內容進行討論外，還可以針對決策介面中各種資料的呈現方式、操作流程等進行討論，藉此，可以進一步精進決策介面中的各種資料的呈現方式，以使決策介面中的各種資料的排列方式盡可能地不影響決策者的判斷。也就是說，處理模組利用截圖及錄影等方式，來記錄決策者所觀看的決策介面的所有資料的設計，還可以讓相關人員日後針對決策介面的使用者介面(User Interface,UI)設計及UX(User Experience,UX)進行討論。
在現有的公司經營決策過程中，大部分的資料內容，都是被記錄於紙本上，甚至是沒有被記錄，為此，無論事後證明當初的決策的好壞如何，都難以回溯當初作出此決策時，是基於何種資料及何種原因所作出，是以，日前作出的好決策，日後將難以再次參考，日前作出的壞決策，日後也難以引以為誡。
綜上所述，本發明的經營輔助系統，可以幫助決策者是在處於相對穩定的狀態(即能量指數相對較高的狀態)下，進行相關決策，藉此，可以有效地提升決策品質。
以上所述僅為本發明的較佳可行實施例，非因此侷限本發明的專利範圍，故舉凡運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的保護範圍內。
S1、S2、S3、S41、S42、S43、S5:流程步驟
Claims (15)
- 一種經營輔助系統，其包含：一預測模組，其能依據一原物料的一歷史原物料採購量、所述原物料的一歷史原物料採購價格、一歷史加工成本、一歷史加工時間、一歷史交運成本、一歷史交運時間、一歷史經銷商銷售價格、一歷史經銷商銷售量、一歷史終端商品銷售售價及一歷史終端商品銷售量，以機器學習演算法預測出所述原物料的一原物料採購價格趨勢、一加工成本趨勢、一交運成本趨勢、一經銷商銷售價格趨勢、一經銷商銷售量趨勢、一終端商品價格趨勢及一終端商品銷售量趨勢；一決策介面，其能顯示所述歷史原物料採購量、所述歷史原物料採購價格、所述歷史加工成本、所述歷史加工時間、所述歷史交運成本、所述歷史交運時間、所述歷史經銷商銷售價格、所述歷史經銷商銷售量、所述歷史終端商品銷售售價、所述歷史終端商品銷售量、所述原物料採購價格趨勢、所述加工成本趨勢、所述交運成本趨勢、所述經銷商銷售價格趨勢、所述終端商品價格趨勢及一原物料庫存量；所述決策介面包含多個操作項目及一提交按鍵，多個所述操作項目分別用以提供使用者設定所述原物料的一原物料採購日、設定所述原物料的一原物料採購量、調高或調低一加工成本、調高或調低一交運成本、調高或調低一經銷商銷售價格、調高或調低一終端商品銷售價格；所述提交按鍵用以提供使用者操作，以將其所設定的所述原物料採購日、所述原物料採購量、所述加工成本、所述交運成本、所述經銷商銷售價格、所述終端商品銷售價格，傳送至遠端伺服器； 一處理模組，其能先控制所述決策介面顯示所述原物料採購價格趨勢、所述加工成本趨勢、所述交運成本趨勢、所述經銷商銷售價格趨勢、所述終端商品價格趨勢及所述原物料的一原物料庫存量，再執行一輔助決策程序：一禁用步驟：禁用所有的所述操作項目及所述提交按鍵，以使使用者無法操作所述操作項目及所述提交按鍵；一資料收集步驟：控制所述決策介面顯示一問卷，以供使用者填寫，並依據所述問卷填寫的結果對應產生一填寫資料，或者，控制一影像擷取器，擷取使用者的臉部，以產生一臉部資料；一評估步驟：依據所述填寫資料判斷使用者是否處於一不穩定狀態，或者，依據所述臉部資料，以機器學習演算法進行分析，以判斷使用者是否處於所述不穩定狀態；若判定使用者處於所述不穩定狀態，則執行以下步驟：一顯示步驟：顯示一播放清單，並要求使用者選擇其中一個所述播放清單中的其中一個待選項目；一判斷步驟：判斷哪一個所述待選項目被選擇；一執行步驟：播放被選擇的所述待選項目所對應的一音檔或一影音檔；其中，當被選擇的所述待選項目所對應的所述音檔或所述影音檔被播放完後，所述處理模組將重新執行所述資料收集步驟及所述評估步驟；若判定使用者不是處於所述不穩定狀態，則不再禁用所述操作項目及所述提交按鍵，而讓使用者能通過操作所述操作項目，以執行設定所述原物料採購日、設 定所述原物料採購量、調高或調低所述加工成本、調高或調低所述交運成本、調高或調低所述經銷商銷售價格、調高或調低所述終端商品銷售價格中的至少一個作業；其中，所述處理模組執行所述執行步驟後，再次執行所述評估步驟，而判定使用者不是處於不穩定狀態時，所述處理模組還會要求使用者於所述決策介面中輸入一評分資料，以要求使用者為於所述執行步驟中，所播放的所述音檔或所述影音檔，對其本身的狀態的影響進行評分，而所述處理模組於下次執行所述顯示步驟時，所述處理模組將依據使用者先前輸入的所述評分資料，來排列各個待選項目於播放清單中的順序。
- 如請求項1所述的經營輔助系統，其中，所述經營輔助系統是應用於塑膠加工廠商，所述原物料為聚氯乙烯粉，所述預測模組是利用多個公司內部資料集、多個產業資料集、多個總體經濟資料集及多個輔助資料集，以機器學習演算法，預測出所述原物料採購價格；多個所述公司內部資料集包含所述歷史原物料採購價格、歷史聚氯乙烯製品月結銷量資料集及歷史聚氯乙烯製品月結損益資料集；多個所述產業資料集包含：歷史乙烯國際市場價格資料集、歷史原油資料集、歷史聚氯乙烯產能開工率資料集、歷史聚氯乙烯國際市場價格資料集、歷史丙烯國際市場價格資料集、歷史聚丙烯國際市場價格資料集及歷史營建執照開工統計資料集；多個總體經濟資料集包含歷史國內生產毛額(GDP)資料集、歷史經濟成長率資料集、歷史進出口貿易金額資料集、歷史景氣指標資料集、歷史消費者物價指數(CPI)資 料集、歷史採購經理人指數(PMI)資料集、歷史非製造業經理人指數(NMI)資料集、歷史消費者信心指數(CCI)資料集、歷史就業及失業統計資料集、歷史航運費用資料集、歷史貨幣供給資料集、歷史利率資料集及歷史薪資資料集；多個所述輔助資料集包含歷史每日雨量資料集、歷史每月雨量資料集及人事行政辦公日曆資料集。
- 如請求項2所述的經營輔助系統，其中，多個所述歷史乙烯價格資料集包含：歷史東南亞乙烯CFR價格(美元/公噸)、歷史美國海灣乙烯現貨價格(美元/公噸)、歷史遠東區乙烯CFR價格(美元/公噸)及歷史韓國乙烯FOB價格(美元/公噸)；多個所述歷史丙烯價格資料集包含：歷史中國丙烯CFR價格(美元/公噸)、歷史日本丙烯FOB價格(美元/公噸)、歷史台灣丙烯CFR價格(美元/公噸)、歷史東南亞丙烯CFR價格(美元/公噸)及歷史韓國丙烯FOB價格(美元/公噸)；多個所述歷史聚氯乙烯國際市場價格資料集包含：歷史西北歐聚氯乙烯現貨價(美元/公噸)、歷史東南亞聚氯乙烯CFR價格(美元/公噸)、歷史中國聚氯乙烯CFR價格(美元/公噸)、歷史美國聚氯乙烯FAS休斯頓現貨價格(美元/公噸)及歷史遠東區聚氯乙烯CFR價格(美元/公噸)；多個所述歷史聚丙烯國際市場價格資料集包含：歷史東南亞共聚合級聚丙烯CFR價格(美元/公噸)、歷史遠東區共聚合級聚丙烯CFR價格(美元/公噸)、歷史東南亞吹袋級聚丙烯CFR價格(美元/公噸)、歷史遠東區吹袋級聚丙烯CFR價格(美元/公噸)、歷史東南亞單聚級聚丙烯CFR價格(美元/公噸)及歷史遠東區單聚級聚丙烯CFR價格(美元/公噸)；多個所述歷史航運費用資料集包含：歷史長榮海運-台日線-台灣至日本-20呎貨櫃船運價、歷史陽明海運-台日線-台灣至日本-20呎貨櫃船 運價、歷史長榮海運-台日線-台灣至日本-40呎貨櫃船運價、歷史陽明海運-台日線-台灣至日本-40呎貨櫃船運價、歷史美西線-高雄至洛杉磯-20呎貨櫃船市場流通運價、歷史美西線-高雄至洛杉磯-40呎貨櫃船市場流通運價、歷史陽明海運-美國線-高雄至洛杉磯-20呎貨櫃船運價、歷史陽明海運-美國線-高雄至洛杉磯-40呎貨櫃船運價、歷史長榮海運-華中線-台灣至華中-20呎貨櫃船運價及歷史長榮海運-華中線-台灣至華中-40呎貨櫃船運價。
- 如請求項2所述的經營輔助系統，其中，所述處理模組預存有多個機器學習預測模型，所述預測模組能依據預存的多個機器學習預測模型，以不完全相同的多個所述公司內部資料集、多個所述產業資料集、多個所述總體經濟資料集及多個所述輔助資料集，預測出所述原物料採購價格趨勢、所述加工成本趨勢、所述交運成本趨勢、所述經銷商銷售價格趨勢、所述經銷商銷售量趨勢、所述終端商品價格趨勢及所述終端商品銷售趨勢，且所述處理模組能控制所述決策介面顯示出至少一個所述機器學習預測模型，所預測出的所述原物料採購價格趨勢、所述加工成本趨勢、所述交運成本趨勢、所述經銷商銷售價格趨勢、所述經銷商銷售量趨勢、所述終端商品價格趨勢、所述終端商品銷售量趨勢、一機器學習預測模型優缺點資料、一機器學習預測模型用的訓練資訊、所述機器學習預測模型所包含的多個影響因子，及各影響因子對於所述機器學習預測模型的預測結果的貢獻度；其中，所述機器學習預測模型用的訓練資訊中包含了訓練資料的名稱、訓練資料的時間區段。
- 如請求項4所述的經營輔助系統，其中，所述經營輔助系 統還包含一模型設計介面，所述模型設計介面顯示有一預測目標選項清單、一機器學習預測模型選項清單、一訓練資料選項清單及一創建按鍵，所述模型設計介面提供使用者操作所述預測目標選項清單、所述機器學習預測模型選項清單、所述機器學習預測模型選項清單、所述訓練資料選項清單及所述創建按鍵，以創建新的一個機器學習預測模型；其中，所述處理模組能依據使用者於所述預測目標選項清單中的選擇，對應於所述模型設計介面中顯示出相對應的一歷史資料圖表；其中，所述處理模組能於使用者操作所述模型設計介面中的所述創建按鍵後，顯示出創建出的新的機器學習預測模型所包含的多個影響因子、各影響因子對於新的機器學習預測模型的預測結果的貢獻度、新的機器學習預測模型的全時域的平均絕對百分比誤差(MAPE)及一模型採用建議資訊。
- 如請求項1所述的經營輔助系統，其中，於所述評估步驟中，所述處理模組是依據所述臉部資料，以機器學習演算法進行分析，以判斷使用者的臉部表情為生氣、高興、難過及平靜中的哪一個，且所述處理模組還能計算出各個情緒所對應的一評量數值，若所述處理模組以機器學習演算法分析出使用者的臉部表情為平靜，則所述處理模組判定使用者不是處所述不穩定狀態；若所述處理模組以機器學習演算法分析出使用者的臉部表情為生氣、高興或難過，且相對應的所述評量數值超過一預設數值，則所述處理模組判定使用者處於所述不穩定狀態；若所述處理模組以機器學習演算法分析出使用者的臉部表情為生氣、高興或難過，且相對應的所述評量數值未超過所述預設數值，則所述處理模組判定使用者不是處於所述不穩定狀態；其中， 所述處理模組於所述顯示步驟中，還會顯示出所述處理模組以機器學習演算法分析出使用者的臉部表情的結果。
- 如請求項6所述的經營輔助系統，其中，所述處理模組儲存有對應於生氣、高興或難過的三個所述播放清單，各個所述播放清單所包含的所述待選項目不完全相同，所述處理模組能依據機器學習演算法分析使用者的臉部表情的結果，以於所述顯示步驟中，顯示出相對應所述播放清單。
- 如請求項6所述的經營輔助系統，其中，所述經營輔助系統還包含一播放清單建立介面，所述播放清單建立介面中顯示有現有的對應於生氣、高興或難過的三個所述播放清單，而所述播放清單建立介面能提供使用者操作，以由現有的至少一個所述播放清單中選取至少一個待選項目，並據以建立出新的一個播放清單，且所述播放清單建立介面也提供使用者建立一個新的待選項目。
- 如請求項1所述的經營輔助系統，其中，所述處理模組執行所述執行步驟後，再次執行所述評估步驟，而判定使用者不是處於不穩定狀態時，所述處理模組將會把於所述執行步驟中被播放的所述音檔或所述影音檔，記錄於一推薦清單中，所述處理模組下次執行所述顯示步驟時，則是將位於所述推薦清單中的所述音檔或所述影音檔所對應的所述待選項目排列於所述播放清單的前半段。
- 如請求項1所述的經營輔助系統，其中，若所述處理模組判定使用者不是處於不穩定狀態時，所述處理模組是維持禁用所述提交按鍵，但不禁用所有的所述操作項目，而所述處理模組在使用者通過操作所述操作項目，以設定所述原物料採購日、設定所述原物料採購量、調整的所述加工 成本、調整的所述交運成本、調整的所述經銷商銷售價格、調整的所述終端商品銷售價格中的至少一個後，所述處理模組還會要求使用者輸入至少一筆決策原因資料，所述處理模組在所述決策原因資料被輸入完成後，才會不再禁用所述提交按鍵。
- 如請求項1所述的經營輔助系統，其中，當任一個所述操作項目被操作後，所述處理模組將控制所述預測模組，依據使用者所設定的所述原物料採購日、所述原物料採購量、所述加工成本、所述交運成本、所述經銷商銷售價格及所述終端商品銷售價格及一歷史公司營運資料集，以機器學習演算法，預測出對於一終端產品的一營業淨利所包含的一營業毛利及一營業費用的影響，並於所決策介面中顯示；其中，所述營業毛利包含一營業收入及一營業成本，所述營業收入包含一單位售價及一銷售量，所述營業成本包含一單位成本，所述營業費用包含一行銷費用、一業務費用、一管理費用及一研發費用，所述歷史公司營運資料集包含一歷史營業收入資料集、一歷史營業成本資料集、一歷史單位售價資料集、一歷史銷售量資料集、一歷史單位成本資料集、一歷史行銷費用資料集、一歷史業務費用資料集、一歷史管理費用資料集及一歷史研發費用資料集。
- 如請求項11所述的經營輔助系統，其中，所述處理模組在使用者於所述決策介面上，觀看所述預測模組所預測出對於所述營業淨利所包含的所述營業毛利及所述營業費用的影響之前，所述處理模組是禁用所述提交按鍵。
- 如請求項12所述的經營輔助系統，其中，所述預測模組還利用所述原物料價格趨勢、所述加工成本趨勢、所述交運 成本趨勢、所述經銷商價格趨勢、所述經銷商銷量趨勢、所示終端商品價格趨勢及所述終端上品銷售量趨勢，以機器學習演算法計算出一建議原物料採購日及一建議原物料採購量，用來設定所述原物料採購量及所述原物料採購日的兩個所述操作項目被操作時，所述處理模組將判斷使用者所設定的原物料採購日及原物料採購量，分別與所述建議原物料採購日及所述建議原物料採購量的差值，是否分別落在相對應的一預設範圍內，若所述處理模組判定使用者設定的原物料採購日與所述建議原物料採購日的差值，沒有落在相對應的所述預測範圍內，或者，所述處理模組判定使用者設定的原物料採購量與所述建議原物料採購量的差值，沒有落在相對應的所述預測範圍內，則所述處理模組將先禁用所述提交按鍵，並要求使用者於所述決策介面中輸入一決策原因資料，而所述處理模組則是在使用者於所述決策介面中輸入所述決策原因資料後，才不再禁用所述提交按鍵。
- 如請求項13所述的經營輔助系統，其中，所述處理模組不再禁用所述操作項目及所述提交按鍵後，所述處理模組將開始記錄使用者於所述決策介面所觀看到的所有資料，直到使用者操作所述提交按鍵為止。
- 如請求項14所述的經營輔助系統，其中，所述處理模組不再禁用所述操作項目及所述提交按鍵後，所述處理模組將擷取所述決策介面，以產生一截圖資料，且所述處理模組還同時利用錄影的方式，記錄使用者在操作所述提交按鍵前，於所述決策介面中所進行的所有操作，並據以產生一影像資料；所述提交按鍵被操作後，所述處理模組將會把所述截圖資料、所述影像資料及使用者於所述決策介面中， 所設定的所述原物料採購日、所設定所述原物料採購量、所調整的所述加工成本、所調整的所述交運成本、所調整的所述經銷商銷售價格所調整的所述終端商品銷售價格整合為一記錄資訊，並傳遞至所述遠端伺服器，以供日後查閱；其中，若使用者於所述決策介面中有輸入所述決策原因資料，則所述處理模組會將所述決策原因資料一併整合於所述記錄資訊中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110149440A TWI778901B (zh) | 2021-12-29 | 2021-12-29 | 經營輔助系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110149440A TWI778901B (zh) | 2021-12-29 | 2021-12-29 | 經營輔助系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI778901B true TWI778901B (zh) | 2022-09-21 |
| TW202326536A TW202326536A (zh) | 2023-07-01 |
Family
ID=84958360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110149440A TWI778901B (zh) | 2021-12-29 | 2021-12-29 | 經營輔助系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI778901B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI840986B (zh) * | 2022-10-06 | 2024-05-01 | 南亞塑膠工業股份有限公司 | 經營戰略輔助系統 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106293032A (zh) * | 2015-06-08 | 2017-01-04 | 北京三星通信技术研究有限公司 | 便携终端设备及其控制方法和装置 |
| CN110072454A (zh) * | 2017-02-28 | 2019-07-30 | 欧姆龙株式会社 | 生产管理设备、方法以及程序 |
| CN111655135A (zh) * | 2017-12-22 | 2020-09-11 | 瑞思迈传感器技术有限公司 | 用于车辆中的生理感测的设备、系统和方法 |
-
2021
- 2021-12-29 TW TW110149440A patent/TWI778901B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106293032A (zh) * | 2015-06-08 | 2017-01-04 | 北京三星通信技术研究有限公司 | 便携终端设备及其控制方法和装置 |
| CN110072454A (zh) * | 2017-02-28 | 2019-07-30 | 欧姆龙株式会社 | 生产管理设备、方法以及程序 |
| CN111655135A (zh) * | 2017-12-22 | 2020-09-11 | 瑞思迈传感器技术有限公司 | 用于车辆中的生理感测的设备、系统和方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI840986B (zh) * | 2022-10-06 | 2024-05-01 | 南亞塑膠工業股份有限公司 | 經營戰略輔助系統 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202326536A (zh) | 2023-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bolinger et al. | Experiments in strategy research: A critical review and future research opportunities | |
| Foss et al. | Fifteen years of research on business model innovation: How far have we come, and where should we go? | |
| McTaggart et al. | Economics | |
| Mahlendorf et al. | Innovative data–use-cases in management accounting research and practice | |
| US20080167936A1 (en) | System and Method for Generating and Evaluating an Innovation | |
| WO2017180671A1 (en) | Universal business model scoring, classification, and decision-making engine | |
| Miller | Statistics for data science: Leverage the power of statistics for data analysis, classification, regression, machine learning, and neural networks | |
| Raman et al. | Mixed-methods research in the age of analytics, an exemplar leveraging sentiments from news articles to predict firm performance | |
| WO2023200007A1 (ja) | 商品価格推定システム、情報提供システム、アドバイス提供方法、コミュニケーション方法、情報分析方法及び情報生成装置 | |
| Ebaietaka | The use of artificial intelligence (AI) in enhancing customer experience | |
| Sbrighi | Leveraging the power of deep tech within the realm of digital marketing: An explorative insight into the relationship between artificial intelligence and sports fan engagement | |
| Sahu | Investigating the critical success factors of digital transformation for improving the customer experience in Australian organisations | |
| TWI778901B (zh) | 經營輔助系統 | |
| Andersson | Expertise in credit granting: Studies on judgment and decision-making behavior | |
| Valdés et al. | The authenticity of purpose claims: Firm capacity and job seeker responses to recruitment efforts | |
| Goh et al. | Accelerating digital transformation of SMEs | |
| Kim et al. | How online consumers use multiple advice sources: An empirical exploration using verbal protocol analysis | |
| Albertini | Integrated reporting in France: a failure of reducing the information asymmetries about sustainability | |
| Sharma et al. | Handbook of Business Analytics | |
| Islamaj | Evaluating lean six sigma implementations in financial services using soft system methodology | |
| Nazmabadi | Looking at two Decades of OTA Research: A Bibliometric Approach | |
| Smith et al. | Inside information | |
| Wisniewski et al. | Quantitative Analysis for Decision Makers, (Formally known as Quantitative Methods for Decision Makers) | |
| Cotter | An investigation of financial information and its presentation in online investing | |
| US20240248591A1 (en) | System and method for establishing relative preference between items |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GD4A | Issue of patent certificate for granted invention patent |