CN105940418B - 用于在零售中管理额外日历时段的系统和方法 - Google Patents
用于在零售中管理额外日历时段的系统和方法 Download PDFInfo
- Publication number
- CN105940418B CN105940418B CN201580005965.2A CN201580005965A CN105940418B CN 105940418 B CN105940418 B CN 105940418B CN 201580005965 A CN201580005965 A CN 201580005965A CN 105940418 B CN105940418 B CN 105940418B
- Authority
- CN
- China
- Prior art keywords
- retail
- demand data
- data
- period
- extra
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 161
- 238000004883 computer application Methods 0.000 claims abstract description 37
- 238000012935 Averaging Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 230000003362 replicative effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims 2
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000001932 seasonal effect Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000010076 replication Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
描述了用于提供与计算机应用关联的零售预测的管理的系统(100)、方法(200)和其它实施例(600)。在一个实施例中,与在零售点出售的零售商品关联的历史需求数据从与计算机应用(210)关联的输入数据结构读取。关于额外零售时段在预测时间域(220,230)中何时何处出现做出确定。基于历史需求数据(260),为预测时间域中除额外零售时段之外的零售时段生成预测需求数据。基于用于预测时间域(270)的零售时段的预测需求数据的一部分为额外零售时段生成预测需求数据。输出数据结构通过利用用于预测时间域中包括额外零售时段在内的零售时段的预测需求数据填充输出数据结构而被变换(290)。
Description
背景技术
预测需求(例如,销售及相关的库存)是管理零售业务的一大部分。零售商常常利用周期性地包括额外周(第53周)的零售日历 (例如,364天被组织成13周的季度)来管理他们的业务,使得年终保持在一年中大约相同的时间。偶尔(例如,每5年或6年)第 53周源于通常一年有365天的事实。此外,第53周也源于闰年的影响,闰年补偿地球的旋转不完全对应于每年365天的事实。实际上,第53周将零售日历相对于进行季节比较置成同步。
零售商期望对第53周如何在预测系统的时间维度内被管理拥有一定的控制。零售行业中目前的方法是手动执行校正,以正确地解决第53周。当对许多商品和商店的预测要被生成时,这对于零售商来说是耗时的努力,由此限制零售商做出最简单和最直接的校正。在许多情况下,零售商品和商店的数量是如此之大,使得任务只能通过同时涉及业务用户和IT部门来实现,由此扰乱了正常的工作流。对处理这种数据的改善会是有所帮助的。
发明内容
在一个实施例中,描述了由计算机应用实现的方法,其被配置为在包括处理器的计算设备上执行,其中计算机应用被配置为处理电子形式的零售日历。该方法包括:对于由零售点具有的零售商品:由至少所述处理器从至少一个输入数据结构读取表示用于在零售点销售的零售商品的销售数据的历史需求数据;由至少所述处理器确定包括零售日历中的多个未来零售时段的预测时间域;由至少所述处理器确定额外零售时段在预测时间域中何时何处出现;以及,响应于额外零售时段被确定为在预测时间域中出现:由至少所述处理器基于历史需求数据生成为零售商品预测该零售商品的销售的第一预测需求数据,其中第一预测需求数据为不包括该额外零售时段的多个未来零售时段生成;由至少所述处理器基于第一预测需求数据的至少一部分生成为额外零售时段预测零售商品的销售的第二预测需求数据;以及由至少所述处理器通过计算机应用变换输出数据结构,以便通过利用用于多个未来零售时段的第一预测需求数据填充输出数据结构并且包括用于额外零售时段的第二预测需求数据,而形成最终预测数据的集合。
在另一个实施例中,该方法还包括:确定额外零售时段在历史需求数据中何时何处出现;以及当额外零售时段被确定为在历史需求数据中出现时:通过消除历史需求数据中对应于额外零售时段的一部分来变换输入数据结构,以便在输入数据结构中形成经修改的历史需求数据,基于经修改的历史需求数据生成为零售商品预测零售商品的销售的第三预测需求数据,其中第三预测需求数据为多个未来零售时段生成,以及通过计算机应用变换输出数据结构,以便通过利用用于多个未来零售时段的第三预测需求数据填充输出数据结构而形成最终预测数据的集合。
在另一个实施例中,该方法还包括对于在多个零售点销售的多个零售商品重复该方法。
在另一个实施例中,该方法还包括读取与额外零售时段关联的数据标志,其中确定额外零售时段在预测时间域或在历史需求数据中何时何处出现是基于该数据标志。
在另一个实施例中,为额外零售时段生成第二预测需求数据包括:复制紧接在额外零售时段之前的零售时段的第一预测需求数据,从而形成重复的需求数据;以及向额外零售时段分配复制的需求数据。
在另一个实施例中,为额外零售时段生成第二预测需求数据包括:复制紧接在额外零售时段之后的零售时段的第一预测需求数据,从而形成重复的需求数据;以及向额外零售时段分配复制的需求数据。
在另一个实施例中,为额外零售时段生成第二预测需求数据包括:为预测时间域的未来零售时段平均第一预测需求数据的至少一部分,从而形成平均的需求数据;以及向额外零售时段分配平均的需求数据。在一个实施例中,平均的需求数据包括加权的平均值。
在另一个实施例中,其中额外零售时段包括在零售日历年中的第 53周。
在另一个实施例中,描述了计算系统,包括:可视用户接口逻辑,被配置为促进:将标志数据输入与零售日历计算机应用关联的第一输入数据结构,其中标志数据指示额外零售时段在与零售商品关联的历史时间域或预测时间域中何时何处出现,以及将与在历史时间域期间在零售点销售的零售商品关联的历史需求数据输入到与零售日历计算机应用关联的第二输入数据结构。计算机系统还包括被配置为生成为零售商品预测在预测时间域内的零售销售的预测需求数据的需求预测逻辑,其中需求预测逻辑包括:第一预测模块(120),被配置为当额外零售时段不在历史时间域中或预测时间域中出现时生成预测需求数据;第二预测模块(125),被配置为当额外零售时段在历史时间域中出现时生成预测需求数据;以及第三预测模块(130),被配置为当额外零售时段在预测时间域中出现时生成预测需求数据。该计算机系统还包括切换逻辑(115),被配置为响应于标志数据而触发第一预测模块、第二预测模块或第三预测模块之一。
在计算系统的另一个实施例中,需求预测逻辑的第二预测模块被配置为:通过消除历史需求数据中对应于额外零售时段的一部分来变换第二输入数据结构,以便在第二输入数据结构中形成经修改的历史需求数据;以及基于经修改的历史需求数据对于在预测时间域内在零售点的零售商品生成预测需求数据。
在计算系统的另一个实施例中,需求预测逻辑的第三预测模块被配置为:基于历史需求数据,对于预测时间域中除额外零售时段之外的其它零售时段,对于在零售点的零售商品生成预测需求数据的第一部分;以及基于预测需求数据的第一部分的至少一部分对于额外零售时段对于在零售点的零售商品生成预测需求数据的第二部分。
在另一个实施例中,计算系统还包括显示屏,被配置为显示并促进与至少和零售日历计算机应用关联的图形用户界面的用户交互,其中可视用户接口逻辑被配置成生成图形用户界面。
在计算系统的另一个实施例中,需求预测逻辑被配置为通过利用用于预测时间域的预测需求数据填充输出数据结构来变换与零售日历计算机应用关联的输出数据结构,以形成最终的预测数据的集合。
在计算系统的另一个实施例中,需求预测逻辑被配置为可操作地与可视用户接口逻辑交互,以促进在显示屏上输出数据结构的最终预测数据的集合经由图形用户界面的显示。
附图说明
结合在本说明书中并构成其一部分的附图示出了本公开内容的各种系统、方法和其它实施例。应当认识到,图中所示出的元件边界 (例如,方框、方框的组,或者其它形状)表示边界的一个实施例。在一些实施例中,一个元件可以被设计为多个元件,或者多个元件可以被设计为一个元件。在一些实施例中,示为另一元件的内部部件的元件可以被实现为外部部件,并且反之亦然。此外,元件可以不是按比例绘制的。
图1示出了具有被配置为具有零售需求预测工具的计算设备的计算机系统的一个实施例;
图2示出了由图1的计算机系统的零售需求预测工具执行的用于在考虑额外零售时段的同时预测零售需求的方法的一个实施例;
图3示出了由图1的计算机系统的零售需求预测工具执行的用于为未来的额外零售时段预测零售需求的图2的方法的一部分的一个实施例;
图4示出了由图1的计算机系统的零售需求预测工具执行的、实现图3的方法的用于为未来的额外零售时段预测零售需求的技术的第一示例实施例;
图5示出了由图1的计算机系统的零售需求预测工具执行的、实现图3的方法的用于为未来的额外零售时段预测零售需求的技术的第二示例实施例;及
图6示出了计算系统的零售需求预测工具可以在其上实现的计算设备的一个示例实施例。
具体实施方式
下面的术语关于各种实施例在本文被使用。
如本文中所使用的,术语“零售日历”指的是由零售商使用的、被组织成考虑零售年的时段(例如,季度)的日历,可以使其对后续的年份对应于相同的时段,从而为管理提供非常宝贵的预测工具。例如,零售日历年可以具有52个零售时段,每个零售时段对应于7天的一周。例如,零售日历以计算机化形式在作为零售日历计算机应用的一部分的数据结构中维护。
如本文中所使用的,术语“零售时段”指的是零售商用来为了计划和预测而将季节性零售时段从零售日历中的一年到下一年关联的时间的单位增量(例如,7天的一周)。
如本文中所使用的,术语“额外零售时段”指的是偶尔插入零售日历以解决年复一年季节性调整的额外的时间的单位增量(例如,第 53周)。
如本文中所使用的,“零售点”可以指其中出售零售商品的物理商店,或者零售商品经由其出售的在线商店。
如本文中所使用的,术语“预测时间域”或“预测界限”指的是零售日历中要为其或已经为其作出对在零售点的零售商品的需求(例如,销售)预测的一组未来零售时段。
如本文中所使用的,术语“预测需求数据”指的是表示用于预测时间域的未来零售时段的预计需求(例如,销售)的数据。
如本文中所使用的,术语“历史时间域”指的是零售日历中已为其记录对在零售点的零售商品的历史需求(例如,销售)的一组过去的零售时段。
如本文中所使用的,术语“历史需求数据”指的是表示对于历史时间域的过去的零售时段的实际需求(例如,实际销售)的数据。
公开了用于提供与计算机应用关联的零售预测的计算机化管理的系统、方法和其它实施例。示例实施例在本文关于计算机化零售需求预测来讨论,其中零售日历可以在52周的年中包括额外的一周(例如,第53周)。额外的周用来保持年底在大约一年的同一时间。在一个实施例中,公开了零售需求预测(RDF)工具,其被配置为自动处理额外的第53周,使得需求预测更准确。对额外的周的管理需求,无论是过去还是未来,都是正在被解决的挑战。在一个实施例中,方法由计算机应用实现,以便在计算设备上执行,其中计算机应用被配置为处理电子/计算机化形式的零售日历。
在一个实施例中,零售商提供关于额外的周的信息,并且系统“知道”如何处理该需求,使得预测是准确的。例如,如果额外的周是在未来,则系统通过使用并保留52周季节性需求模式来自动创建对那一周的需求。一般而言,如果系统被馈送发信令通知额外的日历周的度量(例如,标志数据),则系统“知道”如何创建对那一周的需求,或者如何处理它,使得它不会不利地影响未来的预测。
本文讨论的计算机化预测过程提高性能并允许采用更复杂的预测技术。这种方法跨多个零售商品(例如,产品)和零售点(例如,商店)自动处理额外的周,有可能是以复杂的方式。此外,该方法还影响可用性,因为用户不必尝试手动执行繁琐的需求预测并且可以集中在核心职责。
根据一个实施例,有两种情况要考虑。第一种情况是当历史销售的一年或多年(其中每年有52周)可用并且零售商期望为有53周的下一年预测时。因此,与各自具有52周的其它时间段相比,具有53 周的时间段具有不同的周数。第二种情况是当历史销售的其中一年有 53周并且其它年份有52周时。应当注意,在任何给定的时间(依赖于历史数据的时间域和预测时段),第53周可以发生在未来、在过去,或根本没有。对于特定的预测工作,在本文中假设第53周不会同时既在过去又在未来出现。
图1示出了计算机系统100的一个实施例,具有被配置为具有零售需求预测(RDF)工具110的计算设备105。例如,在一个实施例中,RDF工具110可以是零售公司的零售日历计算机应用的一部分,被配置为预测和管理对零售商品和各个零售点的需求(例如,销售)。根据一个实施例,图形用户界面由零售日历计算机应用生成(例如,由RDF工具110的可视用户接口逻辑)。
在一个实施例中,零售日历计算机应用包括计算机化用于预测对零售商品的需求的过程的需求预测和管理系统,考虑到包括任何额外零售时段(例如,第53周)的零售日历的季节性特点。在一个实施例中,该系统和计算设备105可被配置为与基于云的联网系统、软件即服务(SaaS)体系架构或其它类型的计算解决方案一起操作或实现为其。
参照图1,在一个实施例中,RDF工具110在计算设备105上实现并且包括用于实现RDF工具110的各种功能方面的逻辑。在一个实施例中,RDF工具110包括切换逻辑115。而且,在图1中,RDF 工具110包括需求预测逻辑(DFL),示为具有至少三个部件或程序模块:需求预测逻辑(对于无额外时段)120、需求预测逻辑(对于额外的过去时段)125和需求预测逻辑(对于额外的未来时段)130。此外,根据一个实施例,RDF工具110包括可视用户接口逻辑135。图1中所示的各种逻辑在RDF工具110中可操作地连接到彼此。
但是,其它实施例可以提供不同的逻辑或逻辑的组合,这些逻辑提供与图1的RDF工具110相同或相似的功能。在一个实施例中, RDF工具110是包括被配置为执行逻辑的功能的算法和/或程序模块的可执行应用。应用存储在非临时性介质中。
计算机系统100还包括可操作地连接到计算设备105的显示屏 140。根据一个实施例,显示屏140被实现为显示由可视用户接口逻辑135生成的图形用户界面(GUI)的视图并且促进与其的用户交互,用于查看和更新与零售日历关联的需求。图形用户界面可以与零售日历计算机应用关联并且可视用户接口逻辑135可被配置为生成图形用户界面。在一个实施例中,RDF工具110是由许多用户访问的集中式服务器端应用。因此,显示屏140可以表示允许用户经由联网的计算机通信从RDF工具110访问和接收服务的多个计算设备/终端。
在一个实施例中,计算机系统100还包括至少一个可操作地连接到计算设备105或网络接口的数据库设备145,以便经由网络连接访问数据库设备145。根据一个实施例,数据库设备145被配置为在数据库系统(例如,零售日历计算机应用)中存储和管理与RDF工具110关联的数据结构(例如,历史需求数据和预测需求数据的记录)。 RDF工具110还被配置为从维护识别先前或当前被供应用于组织销售(或者将被供应)的零售商品的数据记录的库存数据库(未示出) 访问和读取数据。在一个实施例中,库存数据库经由网络通信被访问。
返回去参照图1的RDF工具110的逻辑,在一个实施例中,可视用户接口逻辑135被配置为生成图形用户界面,以促进与RDF工具110的用户交互。例如,可视用户接口逻辑130包括基于所实现的界面的图形设计生成图形用户界面并使其显示的程序代码。响应于经由GUI的用户动作和选择,对零售商品的需求的关联方面可以被操纵。
例如,可视用户接口逻辑135被配置为促进将与在零售点出售的零售商品关联的历史需求数据经由图形用户界面输入到与零售日历计算机应用关联的至少一个输入数据结构。历史需求数据包括,例如,用于在特定地点出售的特定商品的一年或两年的销售数据。根据一个实施例,历史需求数据可以被分段成过去周的零售时段,其中每个过去的周具有被分配给其的数字值,以指示那一周出售的商品的数量。
此外,可视用户接口逻辑135被配置为促进将标志数据(或数据标志)输入到与零售日历计算机应用关联的输入数据结构。标志数据 (或数据标志)指示额外零售时段在与零售商品关联的历史时间域或预测时间域中何时何处出现。而且,可视用户接口逻辑135被配置为促进预测需求数据经由图形用户界面在显示屏140上的输出和显示。在一个实施例中,需求预测逻辑被配置为可操作地与可视用户接口逻辑135交互,以促进输出数据结构的预测需求数据的显示。
预测需求数据包括,例如,用于在特定零售点的特定零售商品的一年的预计或预测销售数据。根据一个实施例,预测需求数据可以被分段成未来几周的零售时段,其中未来每一周具有被分配给其的数字值,以指示预计要在那周出售的商品的数量。在预测需求数据中未来零售时段(例如,未来的周)的数量覆盖预测时间域。但是,具有多个未来零售时段的预测时间域可以在为预测时间域生成任何预测需求数据之前定义。
在一个实施例中,切换逻辑115被配置为响应于与额外零售时段标志147关联的标志数据触发需求预测逻辑(DFL)的第一、第二或第三预测模块(120、125或130)。标志数据向RDF工具110指示历史需求数据和预测时间域对于在零售点的零售商品关于可以存在的任何额外零售时段(例如,第53周)的性质。即,标志数据告诉 RDF工具110何时额外零售时段存在以及它在哪里存在(例如,额外的第53周出现在第15和17周之间的预测时间域中;或者,额外的第53周在第32和34周之间的历史需求数据中存在)。
当额外时段标志147的标志数据指示没有额外零售时段发生或存在于历史需求数据或预测时间域中时,切换逻辑115触发第一预测模块(即,需求预测逻辑(没有额外时段)120)执行。在一个实施例中,DFL(没有额外时段)120被配置为基于输入的历史需求数据生成用于预测时间域的预测需求数据。没有额外零售时段(例如,第 53周)要被考虑。
例如,根据一个实施例,用于预测时间域中特定的未来零售时段 (例如,第23周)的预测需求数据是由DFL(没有额外时段)120 通过考虑与用于过去两年的相同零售时段(例如,第23周)关联的历史需求数据生成的。DFL(没有额外时段)120可以,例如,通过平均用于过去两年的相同对应零售时段的历史需求数据来为特定的未来零售时段(例如,第23周)生成预测需求数据。例如,如果过去两年用于第23周的历史需求数据分别是售出5个商品和3个商品,则DFL(没有额外时段)120可以为下一年的第23周(预测时间域) 生成预期4个商品被售出的预测需求数据。
作为替代,DFL(没有额外时段)120可以通过复制用于过去两年的相同对应零售时段的历史需求数据的最大或最小值为特定的未来零售时段(例如,第23周)生成预测需求数据。例如,如果过去两年用于第23周的历史需求数据分别是售出6个商品和5个商品,则 DFL(没有额外时段)120可以为下一年的第23周(预测时间域) 生成预期6个商品被售出的预测需求数据。
根据其它实施例,当没有额外零售时段要考虑时从历史需求数据生成预测需求数据的其它更复杂的技术也可以被实现。例如,一些技术可以考虑在所考虑的零售时段附近的多个零售时段。例如,这种技术可以对历史需求数据采用加权平均方法。
可被采用的其它技术可以被认为是一侧技术或双侧技术,其中历史需求数据被认为是在所考虑的零售时段的一侧、另一侧或两侧。但是,无论采用哪种具体技术,DFL(没有额外时段)120都被配置为对历史时间域操作并且预测具有相同数量零售时段(不存在额外零售时段)的时间域。以这种方式,零售日历年之间零售时段的季节性关系、模式和对准为了需求预测的目的而被容易地维护。
当额外时段标志147的标志数据指示额外零售时段出现或存在于历史需求数据中时,切换逻辑115触发第二预测模块(即,需求预测逻辑(额外的过去时段)125)执行。在一个实施例中,DFL(额外的过去时段)125被配置为消除历史需求数据的对应于额外零售时段的一部分,以形成经修改的历史需求数据。例如,需求预测逻辑(额外的过去时段)125可被配置为通过从输入数据结构消除额外零售时段来变换历史需求数据的输入数据结构,以形成经修改的历史需求数据。
例如,如果去年的历史需求数据包括53周,并且额外零售时段 (第53周)在第44和46周之间出现,则用于在第44和46周之间出现的那额外一周的需求数据被DFL(额外的过去时段)125从历史需求数据消除。然后,根据一个实施例,DFL(额外的过去时段) 125被配置为基于经修改的历史需求数据生成用于预测时间域的预测需求数据。历史需求数据中额外零售时段(例如,第53周)已通过消除被考虑在内。以这种方式,零售日历年之间零售时段的季节性关系、模式和对准为了需求预测的目的而被容易地维护。
一旦额外零售时段从历史需求数据被消除,DFL(额外的过去时段)125就可以继续前进,以便以类似于如本文前面对DFL(没有额外时段)120所述的方式生成用于预测时间域的零售时段的预测需求数据。例如,复制技术、平均技术、加权平均技术、最大/最小的技术、一侧技术和双侧技术可以应用到经修改的历史需求数据。
当额外时段标志147的标志数据指示额外零售时段出现或存在于预测时间域中时,切换逻辑115触发第三预测模块(即,需求预测逻辑(额外的未来时段)130)执行。在一个实施例中,DFL(额外的未来时段)130被配置为基于历史需求数据对预测时间域的零售时段(除额外零售时段以外)对在零售点的零售商品生成预测需求数据。 DFL(额外的未来时段)130还被配置为基于用于预测时间域的零售时段的预测需求数据的至少一部分对额外零售时段对在零售点的零售商品生成预测需求数据。
预测需求数据间接地基于历史需求数据对额外零售时段生成。即, DFL(额外的未来时段)130首先基于历史需求数据为预测时间域中的其它零售时段生成预测需求数据,然后基于预测时间域中的那些其它零售时段为额外零售时段生成预测需求数据。以这种方式,在预测时间域中的额外零售时段(例如,第53周)由DFL(额外的未来时段)130考虑。
在一个实施例中,DFL(额外的未来时段)130被配置为以类似于如本文前面对DFL逻辑(没有额外时段)120所述的方式为预测时间域的零售时段(除额外零售期间之外)生成预测需求数据。例如,复制技术、平均技术、加权平均技术,最大/最小技术、一侧技术和双侧技术可以被应用到经修改的历史需求数据。DFL(额外的未来时段)130如何为额外零售时段生成预测需求数据的具体例子在下面参照图3-5进行描述。
根据一个实施例,零售需求预测工具110的需求预测逻辑的每个模块(120、125、130)被配置为变换输出数据结构。输出数据结构可以与零售日历计算机应用关联并且可以通过利用用于预测时间域的预测需求数据填充输出数据结构来变换。
以这种方式,零售需求预测工具110(例如,实现为零售日历计算机应用的一部分)可以准确地为要在特定地点出售的特定商品预测零售需求,同时考虑在或者历史时间域或者预测时间域中的任何额外零售时段。类似地,零售需求预测工具110可以准确地为要在多个地点出售的多个商品预测零售需求,同时对每个商品考虑在历史时间域或预测时间域中的任何额外零售时段。要在大量个体零售点出售的大量个别商品可以由工具110以复杂的方式单独处理,而不牺牲预测准确性并且无需采用大量的时间和资源。
图2示出了计算机实现的方法200的一个实施例,由图1的计算机系统100的零售需求预测工具110执行,用于在考虑额外零售时段 (如果存在的话)的同时预测零售需求。方法200总结切换逻辑115、需求预测逻辑(没有额外的时段)120、需求预测逻辑(额外的过去时段)125和需求预测逻辑(额外的未来时段)130的操作。方法 200的所有动作都由这些逻辑部件当中一个或多个以及至少计算机系统100的处理器实现并由其执行。
方法200被实现为由图1的RDF工具110,或者由被配置为具有方法200的算法并由至少计算机系统的处理器,执行。方法200将从零售日历具有许多以特定的方式对典型的日历年组织(例如,四 (4)个十三(13)周的季度)的零售时段(例如,周)的角度来描述。零售时段可以出现在过去或未来。在一个实施例中,方法200由计算机应用实现,以便在计算设备上执行,其中计算机应用被配置为处理计算机化形式/电子形式的零售日历。
过去的零售时段与用于从特定零售点出售的商品(例如,由组织具有的零售商品)的历史时间域的历史需求数据(例如,实际的销售数据)关联。未来的零售时段与对于要在特定零售点出售的商品为其预测未来需求(预测,预计的销售)的预测时间域(例如,下一个日历年)关联。在一些情况下,历史时间域或预测时间域之一可以包括额外零售时段(例如,第53周)。在其它情况下,历史时间域和预测时间域都不包括额外零售时段。
当启动方法200时,在方框210,与在零售点出售的零售商品关联的历史需求数据被至少处理器从与零售日历计算机应用关联的至少一个输入数据结构读取。根据一个实施例,历史需求数据由在计算设备105上实现的零售需求预测工具110从数据库设备145读取。再次,历史需求数据与历史时间域(例如,一个或两个之前的零售日历年) 关联。根据一个实施例,历史需求数据的读取可以包括解析和/或分析历史需求数据。
在方框220,基于所述数据利用至少所述处理器作出关于额外零售时段是否出现在历史时间域(过去)或预测时间域(未来)的确定。根据一个实施例,与额外零售时段关联的数据标志147(参见图1) 提醒RDF工具110额外零售时段的存在以及额外零售时段在历史时间域或预测时间域中的位置。在一个实施例中,数据标志147的源可以是在零售日历计算机应用,并且与数据标志147关联的信息可以源自,例如,数据库设备145。
在方框230,方法200基于任何现有的额外零售期间的性质执行分支决定。如果没有额外零售时段在历史时间域或预测时间域中存在,则方法200前进到方框280。如果额外零售时段在历史时间域中存在,则方法200前进到方框240。如果额外零售时段在预测时间域中存在,则方法200前进到方框260。参照图1,根据一个实施例,切换逻辑 115促进方框230的分支决定。
在没有额外零售时段在历史时间域的历史需求数据或预测时间域中存在的情况下,在方框280,用于零售商品的预测需求数据基于读出的历史需求数据为预测时间域生成。在图1的实施例中,如本文前面所讨论的,DFL(没有额外时段)120生成预测需求数据。不采用对额外零售时段的特殊考虑。
在额外零售时段在历史时间域的历史需求数据中存在的情况下,在方框240,额外零售时段被至少由处理器从读出的历史需求数据消除,以形成经修改的历史需求数据。此外,在方框250,基于经修改的历史需求数据,由至少所述处理器在用于零售商品的预测时间域上生成预测需求数据。在图1的实施例中,如本文前面所讨论的,DFL (额外的过去时段)125生成预测需求数据。
在额外零售时段在预测时间域中存在的情况下,在方框260,基于历史需求数据,对预测时间域中除额外零售时段之外的所有零售时段为零售商品生成第一预测需求数据。此外,在方框270,基于用于预测时间域中其它零售时段的至少一部分的预测需求数据,为额外零售时段生成第二预测需求数据。在图1的实施例中,如本文前面所讨论的,DFL(额外的未来时段)130生成预测需求数据。在方框290,输出数据结构被变换,以形成最终的预测数据的集合。输出数据结构是通过利用用于未来零售时段的第一预测需求数据连同用于额外零售时段的第二预测需求数据填充输出数据结构来变换的。
以这种方式,生成预测需求数据,从而考虑到额外零售时段(例如,第53周)在历史时间域或预测时间域中的存在或不存在。零售日历的季节性特点被考虑,并且从一个零售日历年到下一个的季节性比较可以容易地进行。方法200可以对在多个零售点销售的多个零售商品重复。以这种方式,预测需求数据可以采用复杂的预测技术快速高效地跨多个零售点为多个零售商品生成。例如,计算机算法可以迭代通过库存数据库,以读取识别由组织具有/出售的每个零售商品的数据记录。然后,对于每个零售商品记录(或者对于商品的选择),方法200可以被执行。
图3示出了图2的方法200的一部分的一个实施例,由图1的计算机系统100的零售需求预测工具110执行。方法200的该部分与为未来的额外零售时段预测零售需求关联。特别地,图3阐述了图2的方法200的方框270。再次,在图1的实施例中,方框270由DFL (额外的未来时段)130执行。
参照图3,在方框272,需求填充技术被选择用于在未来(即,在预测时间域中)出现的额外零售时段。在一个实施例中,需求填充技术由具有RDF工具110的零售日历计算机应用的用户经由图形用户界面选择。在另一实施例中,RDF工具110对额外零售时段作出需求填充技术的选择。
例如,RDF工具110的DFL(额外的未来时段)130可被配置为从多个需求填充技术选择适当的需求填充技术。适当的需求填充技术可以是基于历史被证明基于特定情况为额外零售时段提供准确的需求预测的需求填充技术。例如,在一个实施例中,DFL(额外的未来时段)130可被配置为基于额外零售时段在预测时间域中的位置来选择适当的需求填充技术。
在方框274,方法270依赖于选定的需求填充技术是一侧技术还是双侧技术而分支。一侧技术认为预测需求数据在额外零售时段的一侧或另一侧。双侧技术认为预测需求数据在额外零售时段的两侧。
例如,在方框276,执行一侧技术。额外零售时段利用基于用于预测时间域中在额外零售时段之前出现的至少一个零售时段的预测需求数据生成的预测需求数据填充。类似地,在方框278,执行一侧技术。额外零售时段利用基于用于预测时间域中在额外零售时段之后出现的至少一个零售时段的预测需求数据生成的预测需求数据填充。最后,在方框279,执行双侧技术。额外零售时段利用基于用于预测时间域中在额外零售时段之前出现的至少一个零售时段和预测时间域中在额外零售时段之后出现的至少一个零售时段的预测需求数据生成的预测需求数据填充。
以这种方式,用于在未来(即,在预测时间域中)出现的额外零售时段的预测需求数据可以为要在零售点出售的商品生成。用于预测时间域中在额外零售时段之前和/或之后出现的零售时段的预测需求数据可以被分析,以确定用于额外零售时段的准确的需求预测。
图4示出了用于为未来的额外零售时段预测零售需求的技术的第一示例实施例。图4中所示的示例实施例可以由图1的计算机系统 100的零售需求预测工具110执行,实现如图3中所示的方法200的方框270。在图4的每一种示例技术(410-460)中,示出输出数据结构的一部分。输出数据结构包括表示用于预测时间域的连续未来零售时段的数据字段或数据信元。中心信元411表示预测时间域中要利用预测需求数据填充的额外零售时段(例如,第53周)。
如在图4中可以看出的,在额外零售时段411的任一侧的零售时段利用预测需求数据被填充,例如,在图2的方法200的方框260。技术410是基于用于在额外零售时段411之前出现的零售时段的预测需求数据生成用于额外零售时段411的预测需求数据的一侧技术。
一侧技术410是简单地复制用于紧接在额外零售时段411之前的零售时段的需求数据的值(4)并且利用那个值(4)填充额外零售时段411的复制技术。值(4)表示预计要在特定位置(商店)在该零售时段出售的商品的预测数量(需求)。当历史指示在日历年中紧接在额外零售时段之前的特定位置的零售时段指示对于那个额外零售时段的需求是什么时,这种复制技术可能是适当的。
根据一个实施例,如果额外零售时段是预测时间域的第一个零售期间,则第二零售时段的值可以被复制,用于该额外零售时段。类似地,根据一个实施例,如果额外零售时段是预测时间域的最后一个零售时段,则倒数第二个零售时段的值可以被复制,用于该额外零售时段。
一侧技术420是一种平均技术,它通过求平均来变换紧接在额外零售时段411之前的四(4)个零售时段的需求数据的值(6、8、6、 4)并且利用平均值(6)填充额外零售时段411。当历史指示在日历年中紧接在额外零售时段之前的特定位置的几个零售时段指示对于那个额外零售时段的需求是什么时,这种平均技术可以是适当的。
一侧技术430和440分别类似于一侧技术410和420。但是,一侧技术430和440考虑在额外零售时段411之后出现的零售时段中的预测需求数据。由于在额外零售时段之后出现的零售时段中的需求数据值不同于在额外零售时段之前出现的需求数据值,因此用于额外零售时段的结果所得的预测需求数据有可能不同(例如,6和5的值,代替4和6)。当历史指示在日历年中(一个或多个)在额外零售时段之后的特定位置出现的一个或多个零售时段指示对于那个额外零售时段的需求是什么时,这种一侧技术可能是适当的。
双侧技术450和460考虑在额外零售时段411两侧的预测需求数据。双侧技术450通过求平均来变换紧接在额外零售时段411之前和紧接在其之后的零售时段中的预测需求数据(4和6),以确定用于额外零售时段411的预测需求值(5)。双侧技术460通过求平均变换在额外零售时段411两侧的几个(例如,四个)零售时段,以确定用于额外零售时段411的预测需求值(5.5)。当历史指示在日历年中在额外零售时段之前和之后的特定位置出现的两个或更多个零售时段指示对于那个额外零售时段的需求是什么时,这种双侧技术可能是适当的。
以这种方式,根据图1的实施例,DFL(额外未来时段)130被配置为确定哪种需求填充技术对预测时间域中的特定额外零售时段是适当的。在稍微不同的实施例中,技术410-460以类似的方式生成用于额外零售时段的需求值,但是将该需求值分配给额外零售时段。在这种不同的实施例中,指针数据结构可以包括作为分配的结果将预测需求值链接到零售时段的指针。
图5示出了用于为未来的额外零售时段511预测零售需求的技术的第二示例实施例。图5中所示的示例实施例可以由图1的计算机系统100的零售需求预测工具110执行,实现如图3中所示的方法200 的方框270。
在图5的每种示例技术(510-560)中,示出了输出数据结构的一部分。输出数据结构包括表示用于预测时间域的连续未来零售时段的数据信元或数据字段。中心信元511表示预测时间域中要利用预测需求数据填充的额外零售时段(例如,第53周)。
如在图5中可以看出的,在额外零售时段511的任一侧的零售时段利用预测需求数据被填充,例如,在图2的方法200的方框260。技术510是用于基于用于在额外零售时段511之前出现的零售时段的预测需求数据为额外零售时段511生成预测需求数据的一侧技术。
一侧技术510是部分平均技术,它通过求平均变换来自紧接在额外零售时段511之前的四(4)个零售时段中除最小值(4)之外的预测需求值(6、8、6、4)。额外零售时段511利用结果产生的平均值 (6.6)填充。当历史指示来自日历年中紧接在特定位置的额外零售时段之前的几个零售时段的最大需求预测值指示对于那个额外零售时段的需求是什么时,这种部分平均技术可能是适当的。
一侧技术520是部分平均技术,它求平均来自紧接在额外零售时段511之前的四(4)个零售时段中除最大值(8)之外的预测需求值 (6、8、6、4)。额外零售时段511利用结果产生的平均值(5.3) 填充。当历史指示来自在日历年中紧接在特定位置的额外零售时段之前的几个零售时段的最小需求预测值指示对于那个额外零售时段的需求是什么时,这种部分平均技术可能是适当的。
一侧技术530是部分平均技术,它求平均来自紧接在额外零售时段511之后的四(4)个零售时段中除一个最大值(8)和一个最小值 (4)之外的预测需求值(6、6、4、4)。额外零售时段511利用结果产生的平均值(5)填充。当历史指示来自在日历年中紧接在特定位置的额外零售时段之后的几个零售时段的中间需求预测值指示对于那个额外零售时段的需求是什么时,这种部分平均技术可能是适当的。
一侧技术540是加权平均技术,它生成来自紧接在额外零售时段 511之后的四(4)个零售时段的预测需求值(6、6、4、4)的加权平均。额外零售时段511利用结果产生的平均值(5.28)填充。当历史指示,零售时段离额外零售时段越近,该零售时段越能指示对于那个额外零售时段的需求是什么时,这种加权平均技术可能是适当的。如对于图5的一侧技术540所看到的,权重(1.0、0.8、0.6和0.4) 对远离额外零售时段511的零售时段变小。
双侧技术550是一种平均技术,它平均最大需求值(8)和最小需求值(4)。最大需求值(8)来自紧接在额外零售时段511之前的四(4)个零售时段的四(4)个需求值(6、8、6、4)的集合。最小需求值(4)来自紧接在额外零售时段511之后的四(4)个零售时段的四(4)个需求值(6、6、4、4)的集合。当历史指示在零售年中来自特定位置的额外零售时段之前和之后的零售时段的最大和最小需求值指示对于那个额外零售时段的需求是什么时,这种平均技术可能是适当的。
双侧技术560是类似于一侧加权平均技术540的加权平均技术。但是,双侧技术560考虑用于在额外零售时段两侧的零售时段的预测需求值。当历史指示,零售时段越接近额外零售时段,该零售时段越能指示对于那个额外零售时段的需求是什么时,这种加权平均技术可能是适当的。再次,权重(1.0、0.8、0.6和0.4)对于远离额外零售时段511的零售时段变小。
在稍微不同的实施例中,技术510-560以类似的方式生成用于额外零售时段的需求值,但是将该需求值分配给额外零售时段。在这种不同的实施例中,指针数据结构可以包括作为分配的结果将预测需求值链接到零售时段的指针。根据其它实施例,在不背离本申请的范围的情况下,用于为预测时间域中的额外零售时段预测零售需求的其它技术也是可能的。本文上面讨论的技术示出了可能的实施例的一小部分。
以这种方式,根据图1的实施例,DFL(额外未来时段)130被配置为确定哪种需求填充技术对于商品在预测时间域中的特定额外零售时段是适当的。此外,DFL(额外未来时段)130可被配置为容易地提供多种复杂的需求填充技术,这些技术可以为要跨多个不同的零售点出售的多个不同商品生成准确的需求解决方案。
本文已经描述了用于提供与计算机应用关联的零售预测的管理的系统、方法以及其它实施例。在一个实施例中,零售需求预测工具被配置为从输入数据结构读取与在零售点出售的零售商品关联的历史需求数据。该工具被配置为关于额外零售时段在预测时间域中何时何处出现做出确定。该工具还被配置为基于历史需求数据为预测时间域中除额外零售时段之外的零售时段生成预测需求数据。此外,该工具被配置为基于用于预测时间域的其它零售时段的一部分的预测需求数据为额外零售时段生成预测需求数据。输出数据结构由该工具通过用用于预测时间域中包括额外零售时段在内的零售时段的预测需求数据填充输出数据结构来变换。
计算设备实施例
图6示出了利用本文所述的示例系统和方法和/或等同物当中一个或多个被配置和/或编程的示例计算设备。图6示出了零售需求预测(RDF)工具可以在其上实现的计算设备的一种示例实施例。该示例计算设备可以是计算机600,其包括由总线608可操作地连接的处理器602、存储器604和输入/输出端口610。在一个例子中,计算机 600可以包括被配置为在考虑零售日历年中任何额外的第53周的同时促进零售需求的预测的RDF工具630。在不同的例子中,工具630 可以在硬件、具有所存储的指令的非临时性计算机可读介质、固件和/或它们的组合中实现。当工具630被示出为附连到总线608的硬件部件时,应当认识到,在其它实施例中,工具630可以在存储在存储器604中或存储在盘606中的处理器602中实现。
在一个实施例中,工具630或计算机600是用于执行所描述的动作的装置(例如,结构:硬件、非临时性计算机可读介质、固件)。在一些实施例中,计算设备可以是在云计算系统中操作的服务器、在软件即服务(SaaS)体系架构中配置的服务器、智能电话、膝上型计算机、平板计算设备,等等。
该装置可以被实现为,例如,编程为促进为零售商进行零售需求预测的ASIC。该装置还可以被实现为所存储的计算机可执行指令,所述指令作为临时存储在存储器604中然后由处理器602执行的数据 616被呈现给计算机600。
工具630也可以提供用于促进为零售商进行零售需求的预测的装置(例如,硬件、存储可执行指令的非临时性计算机可读介质、固件)。
一般而言,通过描述计算机600的示例性配置,处理器602可以是包括双微处理器和其它多处理器体系架构的各种不同的处理器。存储器604可以包括易失性存储器和/或非易失性存储器。非易失性存储器可以包括,例如,ROM、PROM,等等。易失性存储器可以包括,例如,RAM、SRAM、DRAM,等等。
存储盘606可以经由,例如,输入/输出接口(例如,卡、设备) 618和输入/输出端口610可操作地连接到计算机600。盘606可以是,例如,磁盘驱动器、固态盘驱动器、软盘驱动器、带驱动器、Zip驱动器、闪存卡、记忆棒,等等。此外,盘606可以是CD-ROM驱动器、CD-R驱动器、CD-RW驱动器、DVD-ROM,等等。例如,存储器604可以存储过程614和/或数据616。盘606和/或存储器604 可以存储控制并分配计算机600的资源的操作系统。
计算机600可以经由I/O接口618和输入/输出端口610与输入/ 输出设备交互。的输入/输出设备可以是,例如,键盘、麦克风、定点和选择设备、相机、视频卡、显示器、盘606、网络设备620,等等。输入/输出端口610可以包括,例如,串行端口、并行端口和 USB端口。
计算机600可以在网络环境中操作并且因此可以经由I/O接口 618和/或I/O端口610连接到网络设备620。通过网络设备620,计算机600可以与网络交互。通过网络,计算机600可以逻辑地连接到远程计算机。计算机600可以与之交互的网络包括但不限于局域网、广域网和其它网络。
定义和其它实施例
在另一实施例中,所描述的方法和/或它们的等同物可以利用计算机可执行指令实现。因此,在一个实施例中,非临时性计算机可读 /存储介质利用所存储的算法/可执行应用的计算机可执行指令进行配置,当指令被(一个或多个)机器执行时,使(一个或多个)机器 (和/或关联的部件)执行该方法。示例机器包括但不限于处理器、计算机、在云计算系统中操作的服务器、在软件即服务(SaaS)体系架构中配置的服务器,智能电话,等等。在一个实施例中,计算设备利用被配置为执行任何所公开的方法的一个或多个可执行算法来实现。
在一个或多个实施例中,所公开的方法或它们的等同物通过以下任何一个来执行:被配置为执行该方法的计算机硬件;或者存储在非临时性计算机可读介质中的计算机可执行指令,其包括被配置为执行该方法的可执行算法。
虽然为了解释的简化,在附图中示出的方法作为算法的一系列方框示出并进行描述,但是应当认识到,这些方法不受方框的次序的限制。一些方框可以按与所示和描述的不同的次序和/或与其它方框同时发生。而且,少于所有示出的方框可被用来实现示例方法。方框可以组合或分离成多个动作/部件。此外,附加的和/或替代的方法可以采用未在方框中示出的附加动作。
以下包括本文所采用的被选术语的定义。这些定义包括属于术语的范围并且可被用于实现的部件的各个例子和/或形式。例子并不意在进行限制。术语的单数和复数形式都可以在定义之内。
对“一个实施例”、“实施例”、“一个例子”、“例子”等等的引用指示如此描述的(一个或多个)实施例或(一个或多个)例子可以包括特定的特征、结构、特点、特性、元素或限制,但并非每个实施例或例子都必须包括该特定的特征、结构、特点、特性、元素或限制。此外,短语“在一个实施例中”的重复使用不一定指相同的实施例,而是可以指相同的实施例。
ASIC:专用集成电路。
CD:紧凑盘。
CD-R:可记录CD。
CD-RW:可重写光盘。
DVD:数字多功能盘和/或数字视频盘。
HTTP:超文本传输协议。
LAN:局域网。
RAM:随机存取存储器。
DRAM:动态RAM。
SRAM:同步RAM。
ROM:只读存储器。
PROM:可编程ROM。
EPROM:可擦除PROM。
EEPROM:电可擦除PROM。
USB:通用串行总线。
WAN:广域网。
“可操作的连接”或实体通过其“可操作地被连接”的连接是其中信号、物理通信和/或逻辑通信可以被发送和/或接收的连接。可操作的连接可以包括物理接口、电气接口和/或数据接口。可操作的连接可以包括足以允许可操作的控制的接口和/或连接的不同组合。例如,两个实体可以可操作地被连接,以便直接地或通过一个或多个中间实体(例如,处理器、操作系统、逻辑、非临时性计算机可读介质) 向彼此传送信号。逻辑和/或物理通信信道可被用来创建可操作的连接。
如本文所使用的,“数据结构”是计算系统中数据的组织,其存储在存储器、存储设备或其它计算机化的系统中。数据结构可以是,例如,数据字段、数据文件、数据阵列、数据记录、数据库、数据表、 图表、 树、链表等等当中任意一个。数据结构可以由许多其它数据结构形成并且包含许多其它数据结构(例如,数据库包括许多数据记录)。根据其它实施例,数据结构的其它例子也是可能的。
如本文中所使用的,“计算机通信”指的是计算设备(例如,计算机、个人数字助理、蜂窝电话)之间的通信,并且可以是,例如,网络传送、文件传送、小应用传送、电子邮件、HTTP传送,等等。计算机通信可以跨,例如,无线系统(例如,IEEE 802.11)、以太网系统(例如,IEEE 802.3)、令牌环系统(例如,IEEE 802.5)、局域网、广域网、点到点系统、电路交换系统、分组交换系统等等而发生。
如本文中所使用的,“计算机可读介质”或“计算机存储介质”指的是存储被配置在被执行时执行所公开的一个或多个功能的指令和 /或数据的非临时性介质。计算机可读介质可以采取包括但不限于非易失性介质和易失性介质的形式。非易失性介质可以包括,例如,光盘、磁盘,等等。易失性介质可以包括,例如,半导体存储器、动态存储器,等等。计算机可读介质的常见形式可以包括,但不限于,软盘、柔性盘、硬盘、磁带、其它磁性介质、专用集成电路(ASIC)、可编程逻辑器件、紧凑盘(CD)、其它光学介质、随机存取存储器 (RAM)、只读存储器(ROM)、存储器芯片或卡、记忆棒、固态存储设备(SSD)、闪存驱动器,以及计算机、处理器或其它电子设备可以利用其工作的其它介质。如果被选择用于在一个实施例中实现,则每种类型的介质可以包括被配置为执行所公开的和/或要求保护的一个或多个功能的算法的所存储指令。
如本文所使用的,“逻辑”表示利用计算机或电气硬件、固件、具有可执行应用或程序模块的所以存储指令的非临时性介质和/或这些的组合实现的部件,以执行如本文公开的任何功能或动作,和/或使得来自从另一逻辑、方法和/或系统的功能或动作如本文所公开的那样被执行。逻辑可以包括利用算法编程的微处理器、离散逻辑(例如,ASIC)、在至少一个电路、模拟电路、数字电路、已编程的逻辑器件、包含算法的指令的存储器设备,等等,其中任何一个都可被配置为执行所公开的一个或多个功能。在一个实施例中,逻辑可以包括一个或多个门、门的组合,或者被配置为执行所公开的一个或多个功能的其它电路元件。当描述多个逻辑时,有可能将多个逻辑结合到一个逻辑中。类似地,当描述单个逻辑时,有可能在多个逻辑之间分布那单个逻辑。在一个实施例中,这些逻辑当中一个或多个是与执行所公开的和/或要求保护的功能关联的对应结构。哪种类型的逻辑要实现的选择可以基于期望的系统条件或规范。
如本文所使用的,“用户”包括,但不限于,一个或多个人、计算机或其它设备,或这些的组合。
如本文所使用的,“可操作的交互”指的是两个或多个逻辑之间经由可操作连接的通信合作,以完成功能。
虽然所公开的实施例已经相当详细地示出并进行了描述,但它不是要将所附权利要求的范围限制或以任何方式限定到这种细节。当然不可能为了描述主题的各个方面而描述部件或方法的每种预期组合。因此,本公开内容不限于所示出和描述的特定细节或说明性例子。
就术语“包括”在具体实施方式或权利要求书中采用的程度而言,它意在以类似于当术语“包括”作为过渡词在权利要求中被采用时所解释的方式是包容性的。
就术语“或”在具体实施方式或权利要求书中使用的程度而言 (例如,A或B),它意在指“A或B或两者”。当申请人意在指示“仅A或B但不是两者”时,短语“仅A或B但不是两者”将被使用。因此,术语“或”在本文的使用是包容性而不是独占性的使用。
就短语“A、B和C当中一个或多个”在本文中被使用的程度而言,(例如,数据存储被配置为存储A、B和C当中一个或多个),其意在传达A、B、C、AB、AC、BC和/或ABC的可能性的集合 (例如,数据存储可以存储仅A、仅B、仅C、A和B、A和C、B 和C,和/或A和B和C)。它并非意在需要一个A、一个B和一个C。当申请人意在指示“至少一个A、至少一个B和至少一个C”时,短语“至少一个A、至少一个B和至少一个C”将被使用。
Claims (17)
1.一种由计算机应用实现的方法(200),其被配置为在包括处理器的计算设备(100)上执行,其中计算机应用被配置为处理电子形式的零售日历,该方法(200)包括:
对于由零售点具有的零售商品:
由至少所述处理器从至少一个输入数据结构读取(210)表示用于在零售点销售的零售商品的销售数据的历史需求数据;
由至少所述处理器确定(220,230)包括零售日历中的多个未来零售时段的预测时间域;
由至少所述处理器确定(220,230)额外零售时段在预测时间域中何时何处出现,其中所述额外零售时段对应于所述零售日历中的额外周;及
响应于额外零售时段被确定为在预测时间域中出现:
(i)由至少所述处理器基于历史需求数据生成(260)为零售商品预测该零售商品的销售的第一预测需求数据,其中第一预测需求数据为不包括该额外零售时段的多个未来零售时段生成,
(ii)由至少所述处理器基于第一预测需求数据的至少一部分生成(270)为零售商品针对额外零售时段预测零售商品的销售的第二预测需求数据,及
(iii)由至少所述处理器通过计算机应用变换(290)输出数据结构,以便通过利用用于所述多个未来零售时段的第一预测需求数据填充输出数据结构并且包括用于额外零售时段的第二预测需求数据,来形成最终预测数据的集合。
2.如权利要求1所述的方法,还包括:
确定额外零售时段在历史需求数据中何时何处出现;及
当额外零售时段被确定为在历史需求数据中出现时:
(i)通过消除历史需求数据中对应于额外零售时段的一部分来变换输入数据结构,以便在输入数据结构内形成经修改的历史需求数据,
(ii)基于经修改的历史需求数据生成为零售商品预测零售商品的销售的第三预测需求数据,其中第三预测需求数据为所述多个未来零售时段生成,及
(iii)通过计算机应用变换输出数据结构,以便通过利用用于所述多个未来零售时段的第三预测需求数据填充输出数据结构来形成最终预测数据的集合。
3.如权利要求2所述的方法,还包括对于在多个零售点销售的多个零售商品重复该方法。
4.如权利要求2所述的方法,还包括读取与额外零售时段关联的数据标志,其中确定额外零售时段在预测时间域或在历史需求数据中何时何处出现是基于该数据标志的。
5.如权利要求1所述的方法,其中为额外零售时段生成第二预测需求数据包括:
复制紧接在额外零售时段之前的零售时段的第一预测需求数据,从而形成重复的需求数据;及
向额外零售时段分配复制的需求数据。
6.如权利要求1所述的方法,其中为额外零售时段生成第二预测需求数据包括:
复制紧接在额外零售时段之后的零售时段的第一预测需求数据,从而形成重复的需求数据;及
向额外零售时段分配复制的需求数据。
7.如权利要求1所述的方法,其中为额外零售时段生成第二预测需求数据包括:
针对预测时间域的未来零售时段平均第一预测需求数据的至少一部分,从而形成平均的需求数据;及
向额外零售时段分配平均的需求数据。
8.如权利要求7所述的方法,其中平均的需求数据包括加权的平均值。
9.如权利要求1所述的方法,其中额外零售时段包括在零售日历年中的第53周。
10.一种计算系统(100),包括:
可视用户接口逻辑(135),被配置为促进:
(i)将标志数据输入到与零售日历计算机应用关联的第一输入数据结构,其中标志数据指示额外零售时段在与零售商品关联的历史时间域或预测时间域中何时何处出现,其中所述额外零售时段对应于插入到所述零售日历中的额外周,及
(ii)将与在历史时间域期间在零售点销售的零售商品关联的历史需求数据输入到与零售日历计算机应用关联的第二输入数据结构;
需求预测逻辑(120,125,130),被配置为生成对于零售商品对于预测时间域预测零售销售的预测需求数据,其中需求预测逻辑包括:
(i)第一预测模块(120),被配置为当额外零售时段不在历史时间域中或预测时间域中出现时生成预测需求数据,
(ii)第二预测模块(125),被配置为当额外零售时段在历史时间域中出现时生成预测需求数据,其中所述额外零售时段被排除;及
(iii)第三预测模块(130),被配置为当额外零售时段在预测时间域中出现时生成预测需求数据;及
切换逻辑(115),被配置为响应于标志数据而触发第一预测模块、第二预测模块或第三预测模块之一。
11.如权利要求10所述的计算系统,其中需求预测逻辑的第二预测模块被配置为:
通过消除历史需求数据中对应于额外零售时段的一部分来变换第二输入数据结构,以便在第二输入数据结构内形成经修改的历史需求数据;及
基于经修改的历史需求数据,对于在零售点的零售商品,对于预测时间域,生成预测需求数据。
12.如权利要求10所述的计算系统,其中需求预测逻辑的第三预测模块被配置为:
基于历史需求数据,对于在零售点的零售商品,对于预测时间域中除额外零售时段之外的零售时段,生成预测需求数据的第一部分;及
基于预测需求数据的第一部分的至少一部分,对于在零售点的零售商品,对于额外零售时段,生成预测需求数据的第二部分。
13.如权利要求10所述的计算系统,还包括显示屏,被配置为至少显示与零售日历计算机应用关联的图形用户界面并促进与该图形用户界面的用户交互,其中可视用户接口逻辑被配置成生成所述图形用户界面。
14.如权利要求13所述的计算系统,其中需求预测逻辑被配置为通过利用用于预测时间域的预测需求数据填充输出数据结构来变换与零售日历计算机应用关联的输出数据结构,以形成最终的预测数据的集合。
15.如权利要求14所述的计算系统,其中需求预测逻辑被配置为可操作地与可视用户接口逻辑交互,以促进输出数据结构的最终预测数据的集合经由图形用户界面在显示屏上的显示。
16.一种计算系统,包括:
处理器;和
存储器,其上存储有指令,所述指令当被所述处理器执行时,使得所述处理器执行如权利要求1至9中的任何一个所述的方法。
17.一种计算机可读存储介质,其上存储有指令,所述指令当被机器执行时,使得所述机器执行如权利要求1至9中的任何一个所述的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462080508P | 2014-11-17 | 2014-11-17 | |
US62/080,508 | 2014-11-17 | ||
US14/595,342 US20160140585A1 (en) | 2014-11-17 | 2015-01-13 | System and method for managing extra calendar periods in retail |
US14/595,342 | 2015-01-13 | ||
PCT/US2015/059230 WO2016081194A1 (en) | 2014-11-17 | 2015-11-05 | System and method for managing extra calendar periods in retail |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105940418A CN105940418A (zh) | 2016-09-14 |
CN105940418B true CN105940418B (zh) | 2020-12-08 |
Family
ID=55962074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580005965.2A Active CN105940418B (zh) | 2014-11-17 | 2015-11-05 | 用于在零售中管理额外日历时段的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20160140585A1 (zh) |
JP (1) | JP6679491B2 (zh) |
CN (1) | CN105940418B (zh) |
WO (1) | WO2016081194A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108012388B (zh) * | 2016-10-27 | 2020-06-16 | 恩思网 | 基于云端的照明控制系统 |
CN113783909B (zh) * | 2020-06-10 | 2024-01-02 | 腾讯科技(深圳)有限公司 | 数据需求的生成方法、装置、终端、服务器及存储介质 |
US12019410B1 (en) | 2021-05-24 | 2024-06-25 | T-Mobile Usa, Inc. | Touchless multi-staged retail process automation systems and methods |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1555025A (zh) * | 2003-12-24 | 2004-12-15 | 威盛电子股份有限公司 | 销售预测管理系统、方法及记录介质 |
EP1530144A2 (en) * | 2003-11-07 | 2005-05-11 | Sap Ag | Systems and methods for automatic selection of a forecast model |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7480623B1 (en) * | 2000-03-25 | 2009-01-20 | The Retail Pipeline Integration Group, Inc. | Method and system for determining time-phased product sales forecasts and projected replenishment shipments for a retail store supply chain |
US6928398B1 (en) * | 2000-11-09 | 2005-08-09 | Spss, Inc. | System and method for building a time series model |
JP2004295226A (ja) * | 2003-03-25 | 2004-10-21 | Matsushita Electric Works Ltd | 需要量予測支援システム及びそのプログラム並びにそのプログラムを記録したコンピュータで読み取り可能な記録媒体 |
US8676629B2 (en) * | 2007-04-13 | 2014-03-18 | Sas Institute Inc. | System and methods for retail forecasting utilizing forecast model accuracy criteria, holdout samples and marketing mix data |
US8560374B2 (en) * | 2008-12-02 | 2013-10-15 | Teradata Us, Inc. | Method for determining daily weighting factors for use in forecasting daily product sales |
US20140122179A1 (en) * | 2012-11-01 | 2014-05-01 | Teradata Corporation | Method and system for determining long range demand forecasts for products including seasonal patterns |
-
2015
- 2015-01-13 US US14/595,342 patent/US20160140585A1/en not_active Abandoned
- 2015-11-05 WO PCT/US2015/059230 patent/WO2016081194A1/en active Application Filing
- 2015-11-05 CN CN201580005965.2A patent/CN105940418B/zh active Active
- 2015-11-05 JP JP2016549227A patent/JP6679491B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1530144A2 (en) * | 2003-11-07 | 2005-05-11 | Sap Ag | Systems and methods for automatic selection of a forecast model |
CN1555025A (zh) * | 2003-12-24 | 2004-12-15 | 威盛电子股份有限公司 | 销售预测管理系统、方法及记录介质 |
Also Published As
Publication number | Publication date |
---|---|
JP6679491B2 (ja) | 2020-04-15 |
WO2016081194A1 (en) | 2016-05-26 |
US20160140585A1 (en) | 2016-05-19 |
CN105940418A (zh) | 2016-09-14 |
JP2017534088A (ja) | 2017-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108351999B (zh) | 用于为零售商提供多渠道库存分配途径的系统和方法 | |
US10902373B2 (en) | System, method and computer program product for order fulfillment in retail supply networks | |
US9875452B2 (en) | Systems and methods for meeting a service level at a probable minimum cost | |
Ziarnetzky et al. | Rolling horizon, multi-product production planning with chance constraints and forecast evolution for wafer fabs | |
Candas et al. | Benefits of considering inventory in service parts logistics network design problems with time-based service constraints | |
US9990597B2 (en) | System and method for forecast driven replenishment of merchandise | |
US20160232461A1 (en) | System and method for determining forecast errors for merchandise in retail | |
US20160148226A1 (en) | System and method for forecasting and managing returned merchanidse in retail | |
US20160196532A1 (en) | System and method for project status staleness, correlation, and rollup | |
US20160247172A1 (en) | System and method for forecasting cross-promotion effects for merchandise in retail | |
Degbotse et al. | IBM blends heuristics and optimization to plan its semiconductor supply chain | |
US10839420B2 (en) | Constrained large-data markdown optimizations based upon markdown budget | |
CN105940418B (zh) | 用于在零售中管理额外日历时段的系统和方法 | |
US20210224351A1 (en) | Method and system for optimizing an objective having discrete constraints | |
US20230004842A1 (en) | Hybrid clustered prediction computer modeling | |
CN113780611A (zh) | 一种库存管理方法和装置 | |
JP5551806B2 (ja) | 統合需要予測装置、統合需要予測方法、及び統合需要予測プログラム | |
CN114372735A (zh) | 一种物流供应链中缓冲库存数量数据的确定方法以及装置 | |
US11636446B2 (en) | Systems and methods for providing status-based maintenance schedules | |
Desmet et al. | Safety stock optimisation in two-echelon assembly systems: normal approximation models | |
US20170220954A1 (en) | Predictive modelling to score customer leads using data analytics using an end-to-end automated, sampled approach with iterative local and global optimization | |
CN111915340B (zh) | 商户类型的识别方法、装置、设备及存储介质 | |
US11995669B2 (en) | Method and system for simulating fulfillment of digital orders | |
US20170147962A1 (en) | Method and system for assigning service requests | |
CN107844496A (zh) | 统计信息输出方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |