112 年 國立臺灣大學資訊管理學系碩士班《資訊管理導論》

此題主要在探討供應鏈管理中的兩種核心策略：推式（Push）與拉式（Pull）供應鏈模型，並要求分析其優勢及選擇時的考量因素。

(a) 推式與拉式供應鏈模型定義

• 拉式供應鏈模型 (Pull Supply Chain Model)：
  此模型的核心理念是「需求驅動」。生產與庫存的啟動不是基於預測，而是基於實際的客戶訂單。當客戶發出訂單時，才會觸發生產流程，並依據訂單數量從上游採購原物料。

  • 運作方式： 產品的生產與運送流程由最終客戶的需求所「拉動」。
  • 特點： 庫存量較低，生產彈性高，能快速回應市場變化。
  • 適用情境： 需求變化劇烈、產品客製化程度高、或產品生命週期短的產業。

• 推式供應鏈模型 (Push Supply Chain Model)：
  此模型的核心理念是「預測驅動」。生產與庫存的決策基於對未來市場需求的預測。公司會根據預測的銷售量來規劃生產、採購原物料，並將產品庫存推向通路。

  • 運作方式： 產品的生產與運送流程由企業的生產計畫所「推送」。
  • 特點： 能夠利用規模經濟降低生產成本，確保產品的可用性，但可能面臨庫存積壓或缺貨的風險。
  • 適用情境： 需求相對穩定、產品標準化程度高、或需要提前規劃產能的產業。

(b) 推式與拉式供應鏈模型的優勢

• 拉式供應鏈模型的優勢：

  1. 降低庫存成本： 由於生產與採購是基於實際訂單，能有效減少過量的庫存，進而降低倉儲、管理及報廢的成本。
  2. 提高客戶滿意度： 能夠更精確地滿足客戶的特定需求，特別是客製化產品，減少因庫存不符而產生的延誤或不滿。
  3. 快速回應市場變化： 由於生產彈性高，當市場需求或偏好改變時，能較快地調整生產計畫，減少因預測失準造成的損失。
  4. 減少過時庫存： 對於產品生命週期短或容易過時的產品，拉式模型能顯著降低因產品過時而產生的損失。

• 推式供應鏈模型的優勢：

  1. 規模經濟與成本效益： 透過大規模生產，可以充分利用固定資產，降低單位生產成本，並在採購原物料時獲得議價優勢。
  2. 確保產品可用性： 預測性的生產能夠確保產品在市場上隨時有足夠的庫存，滿足消費者即時購買的需求，避免因缺貨而流失訂單。
  3. 供應鏈效率： 穩定的生產計畫有助於更順暢地規劃物流、倉儲及人力資源，提高供應鏈整體運作效率。
  4. 易於管理： 相較於需要即時回應的拉式系統，推式系統在規劃與管理上相對較為簡單，特別是對於成熟且需求穩定的產品。

(c) 選擇供應鏈模型的考量因素

當公司決定採用何種供應鏈模型時，需要綜合考量多方面的因素，以下分為公司內部、產業及外部環境三個層次：

1. 公司內部因素 (Company-Specific Factors)：
   • 產品特性 (Product Characteristics)： 產品的生命週期長短、客製化程度、體積、重量、易損性、價值（高單價或低單價）等。例如，高單價、客製化產品較適合拉式，標準化、低單價產品較適合推式。
   • 需求變異性 (Demand Variability)： 市場需求是穩定還是劇烈波動？

此題探討 IT 投資專案中可能面臨的風險，特別是市場風險、競爭風險，以及如何評估風險的關鍵性。

(a) Mfc-BDA 專案的市場風險

Mfc-BDA 專案旨在建立製造大數據分析系統，以提升生產力及降低製程缺陷。此專案面臨的市場風險可能包括：

1. 市場接受度風險 (Market Acceptance Risk)：

   • 風險說明： 即使技術可行且預期能改善生產，但市場（包含內部使用者如生產部門，或外部供應鏈夥伴）可能不願意採用或信任該系統產生的數據分析結果。例如，生產線操作人員可能對新系統產生抵觸，或管理層對大數據分析的價值持懷疑態度，導致系統未能被充分利用。
   • 為何會損害效益： 若系統的使用率低，或分析結果被忽略，則無法實現提升生產力、降低缺陷的目標。專案的投資效益將大打折扣，甚至無法回收。

2. 市場需求轉變風險 (Market Demand Shift Risk)：

   • 風險說明： 專案的效益很大程度上依賴於當前製造流程的效率與良率。然而，市場對自行車產品的需求、技術標準或客戶偏好可能發生劇烈變化。例如，消費者突然轉向對某種新型態自行車（如電動輔助自行車）的需求激增，或環保法規要求改變生產製程，使得現有的大數據分析系統所關注的生產面向變得不再那麼關鍵。
   • 為何會損害效益： 如果市場需求或產品方向突然改變，Mfc-BDA 系統所優化或分析的生產環節，可能不再是公司最優先的投資領域，或是其效益的相對重要性降低。例如，若公司需緊急轉向生產電動自行車，原先針對傳統自行車生產線優化的數據分析系統，其價值將大不如前，難以支撐整體公司策略的轉變。

(b) Bike-IoT 專案的競爭風險與最小化策略

Bike-IoT 專案旨在利用物聯網技術監測騎乘習慣與自行車狀態，以提升騎乘體驗與安全。

• 競爭風險：

  1. 模仿者風險 (Imitation Risk)： 競爭對手（其他自行車製造商、零配件供應商，甚至新創科技公司）可能快速複製或改進 Bike-IoT 的功能，推出類似甚至更優越的產品，瓜分市場。
  2. 技術標準被壟斷風險 (Technology Standard Dominance Risk)： 若市場上出現一個主流的 IoT 數據標準或平台，而公司未能及早參與或遵循，其產品可能難以與其他系統整合，或失去與第三方服務（如保險、健康App）連結的機會，處於不利地位。
  3. 服務差異化流失風險 (Service Differentiation Loss Risk)： 競爭對手可能提供更具吸引力的加值服務（如更精準的騎乘分析、社群互動功能、個人化保養提醒），使 Bike-IoT 的服務優勢無法維持。
  4. 數據安全與隱私競爭 (Data Security and Privacy Competition)： 若競爭對手在數據安全與用戶隱私保護方面做得更好，更容易贏得消費者信任，尤其是在收集敏感的個人騎乘數據時。

• 最小化競爭風險的策略：

  1. 快速創新與差異化 (Rapid Innovation and Differentiation)： 持續投入研發，不斷推出新的、獨特的 IoT 功能與服務，保持技術領先地位，讓競爭對手難以追趕。例如，整合 AI 進行更深入的騎乘分析、預測性維護，或開發獨特的社群互動功能。
  2. 建立生態系與合作夥伴關係 (Build Ecosystem and Partnerships)： 與其他公司（如運動 App 開發商、健康保險公司、地圖服務商、維修服務商）建立合作夥伴關係，擴大服務範圍，形成網絡效應，增加用戶黏著度。

此題主要探討部署後深度學習模型的維護問題，包含維護步驟以及影響維護的因素。這屬於機器學習維運 (MLOps) 的範疇，強調模型在實際應用中的生命週期管理。

部署後深度學習模型的維護步驟 (Steps to Maintain Deployed Deep Learning Models)

模型的維護並非一次性工作，而是一個持續的循環過程，確保模型在部署後仍能維持效能並適應變化。主要步驟包括：

1. 模型效能監控 (Model Performance Monitoring)：

   • 目的： 持續追蹤模型在實際生產環境中的表現，偵測效能衰退的跡象。
   • 監控指標： 準確度 (Accuracy)、精確率 (Precision)、召回率 (Recall)、F1 分數、AUC (Area Under the Curve)、損失函數值 (Loss Function Value) 等，針對特定應用場景選取合適的指標。
   • 方法： 建立自動化監控系統，定期（如每小時、每天）或基於事件觸發，收集模型預測結果與實際結果（若可獲取）進行比較。

2. 數據漂移偵測 (Data Drift Detection)：

   • 目的： 監測輸入模型的數據分佈是否與訓練時的數據分佈發生顯著差異。數據漂移是導致模型效能衰退的主要原因之一。
   • 類型：
     • 特徵漂移 (Feature Drift)： 輸入特徵的統計分佈（如平均值、標準差、類別頻率）發生變化。
     • 概念漂移 (Concept Drift)： 輸入特徵與目標變數之間的關係發生變化。
   • 方法： 使用統計檢定方法（如 Kolmogorov-Smirnov test, Chi-squared test）、距離度量（如 Wasserstein distance）或專門的漂移檢測演算法來比較訓練數據與生產數據的特徵分佈。

3. 模型再訓練與更新 (Model Retraining and Updating)：

   • 目的： 當監測到模型效能下降或數據漂移顯著時，利用新的數據重新訓練模型，以恢復或提升其效能。
   • 觸發條件：
     • 效能指標低於預設閾值。
     • 偵測到嚴重數據漂移。
     • 定期（如每季、每年）的計劃性再訓練。
     • 出現重大外部事件（如新的疫情爆發、市場規則改變）。
   • 再訓練策略：
     • 全量再訓練 (Full Retraining)： 使用所有歷史數據（包括新數據）重新訓練模型。
     • 增量學習 (Incremental Learning) / 遷移學習 (Transfer Learning)： 在現有模型基礎上，僅使用新數據進行微調，或在保留部分舊模型結構的同時，僅重新訓練部分層。

4. 模型版本管理與部署 (Model Versioning and Deployment)：

   • 目的： 確保每次模型更新都有明確的版本記錄，並能安全、高效地將新模型部署到生產環境，同時具備回滾機制。
   • 方法： 使用模型註冊表 (Model Registry) 來追蹤不同版本的模型、訓練參數、評估結果。部署時採用藍綠部署 (Blue-Green Deployment)、金絲雀部署 (Canary Deployment) 等策略，以最小化對線上服務的影響。

5. 日誌記錄與審計 (Logging and Auditing)：

核心觀念
本題測驗考生對軟體成本估算的主要方法及其在系統開發流程（SDLC）中適用時機的理解。關鍵在於掌握每種方法的原理、適用條件與估算精度，以及如何根據開發階段選擇最適合的技術。

(a) 各估算方法簡述（10 分）

(b) 各方法在系統開發流程模型中的最佳時機與使用方式（15 分）