在晶圓代工產業的供應鏈管理中，需求的規劃和預測是相當重要的，其 會劇烈影響產能決策以及整體供應鏈的供需平衡。所以，為了公司的產能與 財務規劃不單須對個別客戶、區域市場，乃至整體公司的業務需求作良好預 測。影響需求預測重要因素可分為：原始的客戶需求預測、客戶訂單的歷史 資料、在製品資訊、行銷部門的對市場分析資訊以及客戶目前的營運狀況，
然而，如何在眾多的資料中，擷取重要的資訊意含，轉化成有用的知識並且 透過統一且系統化的運算使得需求預測能更貼近實際訂單需求。
3.1 個案公司需求規劃之現況
圖十九描述了晶圓代工業個案公司 X 的需求規劃流程，在步驟Ａ中，業 務人員會定期拜訪客戶或是透過電話以及電子郵件等掌握客戶原始的需求 預測，並且加上行銷部門對市場需求的預測資訊、過去的歷史訂單資料以及 客戶目前的營運狀況經過業務人員的人為判斷後則形成步驟Ｂ中的判斷後 的需求預測並且會輸入至供應鏈資訊系統的需求預測模組，經過步驟Ｃ區域 的需求預測審查會議以及步驟Ｄ的整體公司業務需求預測審查會議會並與 公司目前的初估產能映對（供應鏈資訊系統的產能配置規劃模組）而產生對 應需求的產能分配計畫，至步驟Ｅ通過產能置配計畫審查會議後和步驟Ｆ的 客戶產能配置支持審查會後則會產生客戶產能支持計劃（供應鏈資訊系統的 產能配置管理模組），即是對客戶中短期產能支援的承諾。然而在上述流程 當中，業務人員的人為判斷對於整個需求規劃的品質具有重大的影響，市場 的資訊和客戶營運情況是輔佐業務人員參考的依據但並非是直接影響需求 預測的輸入因子。於是在 3.2 提出引入即時的資訊的需求規劃架構，希望能 藉由市場景氣指標以及客戶即時資訊和企業的營運策略等資訊，能有效的偵 測出市場不確定因子下對需求影響並且改善需求預測的品質。
3.2 敏感度分析之需求規劃架構
本研究採用同步供應鏈管理架構之敏感度分析流程，並將其應用在需求 規劃，其架構如圖二十所示。
圖二十：敏感度分析之需求規劃流程圖
圖二十表示在業務人員將資訊輸入至系統後 B1，將資訊聚合至客戶別 的各月份所需約當八吋晶圓的預測值 B2，再搭配Ｂ3.1 了解目前客戶在預測 當月和預測當月的前一個月的訂單資訊，輔以當月市場指標Ｂ3.2 如北美半 導體設備訂單及出貨值，簡稱 B/B 值和全球半導體銷售額的成長率等指標。
Ｂ3.3 客戶當月的庫存水準和 B3.4 該個案公司當月產能利用率等重要資訊來 做中短期的需求預測，預測未來 3 到 8 個的客戶來單狀況。Ｂ3 的資訊作為 混合式類神經網路的輸入項目，經過類神經網路的分群、模擬與預測而產出 Ｂ4 即是類神經網路的輸出值，Ｂ5 即是將原來的預測值和調整後的預測值 和實際訂單值的誤差做一個總變異的風險評估，計算誤差的標準差。
3.3 混合式類神經網路系統架構
圖二十一：混合式類神經網路架構圖
圖二十一描述混合式類神經網路的系統架構，在輸入層指定輸入項以及使用 GA (genetic algorithm)基因演算法進行最小誤差的輸入項組合的最佳化。經過最 佳化的輸入項組合後， 透過 Self-organizing feature maps (SOFMs) 非監督式學習 將多維度輸入項轉成二維不連續的映射並以鄰近區域作為拓墣的條件。此特徵映 射圖是使用 Kohonen 非監督式學習來運算. 而 SOFM 的輸出成為監督式預測神 經網路如 MLP 的輸入項。而 MLP 隱藏層的處理單元數，也是使用(genetic algorithm)進行最小誤差的處理單元數，最後將預測結果輸出至輸出層。混合式 網路的優點於 SOFM 所產生的群集是透過自組織的過程將輸入的空間減少成具 代表性的特徵項，因此可以大幅降低輸入空間的大小並且保持輸入空間的基礎結 構。換言之，透過 SOFM 將影響需求預測的輸入項目因子，因其不同的時空環境 作好分群後，提供給 MLP 做出最佳化的推估值。