應用場景
需求預測、異常偵測
備品需求量預測
在電子設備銷售中，通常會提供 RMA（退貨授權）維修和更換服務。
當產品出現問題並退回時，經檢測後可能需要維修或更換零件，這使得零件備品需求不可避免且難以預測。
痛點分析
- 庫存難以掌握：過多的備貨會導致庫存成本增加，備貨量不足則會導致額外成本增加和客戶投訴
- 無預測模型：目前依據固定比例來來推算每個備件的採購數量，但常發生備貨量不準確的問題
- 泛用模型預測不准：不同產品、零件的 RMA 數量預測存在差異，難以透過單一模型預測不同產品和零件
成果效益
- 透過模型預測 RMA 數量的準確度提升 20%，有效提升庫存管理的效率
- 協助企業以 AI 預測 RMA 數量，擺脫大量依賴經驗式需求分析，實現數據驅動的客觀分析與經驗傳承
機台異常偵測
當機台發生故障時，設備商需要派遣技術人員前往現場進行檢查和維修，然而機台故障往往沒有預警，導致維修計劃無法提前安排。
痛點分析
- 無法提前安排：對設備商來說，機台無預警的故障導致難以提前安排維修計劃和人員，導致維修資源的利用效率低下
- 生產中斷：機台故障導致生產線停工，影響生產進度，可能造成客戶訂單延誤和經濟損失
成果效益
- 運用模型更合理地安排維修人員的工作計劃，提高人力資源的利用效率 15%
- 透過提前預測機台故障，減少突發停機時間，提高生產線的連續運行能力