CN107122928A - 一种供应链资源需求计划配置方法及装置 - Google Patents
一种供应链资源需求计划配置方法及装置 Download PDFInfo
- Publication number
- CN107122928A CN107122928A CN201610101799.2A CN201610101799A CN107122928A CN 107122928 A CN107122928 A CN 107122928A CN 201610101799 A CN201610101799 A CN 201610101799A CN 107122928 A CN107122928 A CN 107122928A
- Authority
- CN
- China
- Prior art keywords
- sales volume
- pending object
- sales
- effect characteristicses
- predicted time
- 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.)
- Pending
Links
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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及互联网技术领域,尤其涉及一种供应链资源需求计划配置方法及装置,用以提高补货及时率、降低压货率。本申请实施例提供的一种供应链资源需求计划配置方法包括:服务器确定待处理对象所属的行业类别;根据该待处理对象所属的行业类别,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度;根据该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值;根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划,并将配置的需求计划发送给对应的执行终端。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种供应链资源需求计划配置方法及装置。
背景技术
在供应链资源需求计划执行中经常会遇到比如仓库周转居高不下、采购成本难以控制等问题,因此,如何配置一个较准确的需求计划提供给补货执行终端对解决这些问题非常重要。
供应链资源需求计划包括对供应链资源,也即待处理对象进行入仓的时间、数量等信息。目前,在为一个待处理对象配置需求计划时,通常是根据该待处理对象的销售情况进行配置,比如根据该待处理对象在近一周内的销售情况,配置下周的补货量。
上述方式适用于销售量比较稳定的情况。对于大多数待处理对象来说,都存在销售不稳定的因素,比如价格、历史成交量等都会影响未来的销售量,直接根据待处理对象整体的平均销售情况来配置需求计划经常会造成补货不及时或者造成压货的情况,不管是哪种情况都会造成补货准确率降低,给销售方造成损失。
所以,目前需要一种更准确的供应链资源需求计划配置方案,以提高补货及时率、降低压货率。
发明内容
本申请实施例提供一种供应链资源需求计划配置方法及装置,用以提高补货及时率、降低压货率。
本申请实施例提供一种供应链资源需求计划配置方法,包括:
服务器确定待处理对象所属的行业类别;
根据该待处理对象所属的行业类别,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度;
根据该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值;
根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划,并将配置的需求计划发送给对应的执行终端。
可选地,所述行业类别为行业子类,每个行业子类内的待处理对象属于同一行业大类、且具有相同的销量影响特征;所述服务器根据待处理对象所属的行业子类,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度,包括:
服务器根据该待处理对象所属的行业子类,以及预先确定的在多个行业子类中每个行业子类的至少一种销量影响特征和该至少一种销量影响特征中每种销量影响特征的影响度,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度。
可选地,根据以下步骤确定在多个行业子类中每个行业子类的至少一种销量影响特征和该至少一种销量影响特征中每种销量影响特征的影响度:
将获取的历史数据划分到对应的行业子类中;
针对每个行业子类,基于划分到该行业子类的历史数据,从预设的多种待筛选销量影响特征中筛选出该行业子类对应的至少一种销量影响特征,并确定筛选出的每种销量影响特征的影响度。
可选地,根据待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值,包括:
针对预设的连续多个预测时间段中的每个预测时间段,执行:
根据该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;
根据确定的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在该预测时间段内的销量预测值。
可选地,所述需求计划包括补货模式和补货量;所述根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划,包括:
根据确定的该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并
根据该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配在所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
可选地,所述销量预测包括分仓销量预测;所述根据该待处理对象所属的行业类别,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度,包括:
根据该待处理对象所属的行业类别和待补货的入货仓库,以及在多个行业类别中每个行业类别在多个入货仓库中每个入货仓库下的至少一种销量影响特征,和该至少一种销量影响特征中每种销量影响特征的影响度,确定在所述待补货的入货仓库中该待处理对象的至少一种销量影响特征、及其中每种销量影响特征对所述待补货的入货仓库中该待处理对象的销量的影响度。
可选地,所述行业类别为行业子类,每个行业子类内的待处理对象属于同一行业大类、且具有相同的销量影响特征;根据以下步骤确定在多个行业子类中每个行业子类在多个入货仓库中每个入货仓库下的至少一种销量影响特征,和该至少一种销量影响特征中每种销量影响特征的影响度:
将获取的历史数据划分到对应的分组中;其中,每个分组对应一个行业子类和一个入货仓库;
针对每个分组,基于划分到该分组的历史数据,从预设的多个待筛选销量影响特征中筛选出该分组对应的至少一种销量影响特征,并确定该至少一种销量影响特征中每种销量影响特征的影响度。
可选地,根据待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值,包括:
针对预设的连续多个预测时间段中的每个预测时间段,执行:
根据针对所述待补货的入货仓库,该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;
根据在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定在所述待补货的入货仓库中的该待处理对象在该预测时间段内的销量预测值;
可选地,所述需求计划包括补货模式和补货量;
所述根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划,包括:
根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并
根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配在所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
本申请实施例提供一种供应链资源需求计划配置装置,包括:
预测模块,用于确定待处理对象所属的行业类别;根据该待处理对象所属的行业类别,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度;根据该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值;
配置模块,用于根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划;
发送模块,用于将配置的需求计划发送给对应的执行终端。
本申请从行业类别的角度来筛选销量影响特征及其影响度,由于一个行业类别的历史数据量大,信息全面,因此从行业类别的角度来筛选销量影响特征及其影响度的准确率更高些。采用这种根据待处理对象在所属行业类别的每种销量影响特征下的单位时间内历史平均销量值及每种销量影响特征的影响度,确定该待待处理对象在未来单位时间内的销量预测值,进而根据该销量预测值确定需求计划的方式,可以基于细化的每种销量影响特征来预测未来的销量,从而在销量预测中考虑到了多种因素的影响,能够配置更准确的需求计划,以提高补货及时率、降低压货率。
附图说明
图1为本申请实施例提供的供应链计划系统结构示意图;
图2为本申请实施例一提供的供应链资源需求计划配置方法流程图;
图3为本申请实施例二提供的供应链资源需求计划配置方法流程图;
图4为本申请实施例三提供的供应链资源需求计划配置方法流程图;
图5为本申请实施例四提供的供应链资源需求计划配置方法流程图;
图6为本申请实施例提供的供应链资源需求计划配置装置结构示意图。
具体实施方式
本申请实施例应用于供应链计划系统中,解决货物的供应问题。如图1所示,本申请实施例提供的供应链计划系统包括服务器11和补货执行终端12。其中,服务器11基于历史数据,预先确定每个行业类别的销量影响特征和每种销量影响特征的影响度。在为一个待处理对象配置需求计划时,根据该待处理对象所属的行业类别,以及该待处理对象的历史销售数据,为该待处理对象预测未来的销量,根据预测的该待处理对象未来的销量,为其配置需求计划,其中包括从补货模式库中为其选择的补货模式,将配置的需求计划发送给补货执行终端12。补货执行终端12接收到该需求计划后,将其展示给工作人员执行该需求计划。
下面结合说明书附图对本申请实施例作进一步详细描述。
实施例一
如图2所示,为本申请实施例一提供的供应链资源需求计划配置方法流程图,包括以下步骤:
S201:服务器确定待处理对象所属的行业类别。
在本申请实施例中,所述行业类别具体可以为行业子类,每个行业子类内的待处理对象属于同一行业大类、且具有相同的销量影响特征。这里,每个行业子类可以认为是将拥有共同的销量影响特征的商品集合在一起的商品类别,属于一个行业大类下的小类(一个行业大类下可以有一个或多个行业子类),比如,服饰鞋包类为一个行业大类,可以包含多种行业子类,如男士T恤、女士长裤、女式内衣、女式棉靴、女士皮包等等。由于一个行业子类的历史数据量大,信息全面,因此从行业子类的角度来筛选销量影响特征及其影响度,相比从待处理对象本身的角度进行筛选,准确率更高些。
S202:根据该待处理对象所属的行业类别,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度。
这里,服务器可以根据该待处理对象所属的行业类别(比如行业子类),以及预先确定的在多个行业类别中每个行业类别的至少一种销量影响特征和该至少一种销量影响特征中每种销量影响特征的影响度,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度。
在具体实施中,预先确定在多个行业类别(比如行业子类)中每个行业类别的至少一种销量影响特征和该至少一种销量影响特征中每种销量影响特征的影响度的步骤具体可以为:
将获取的历史数据划分到对应的行业类别中;
针对每个行业类别,基于划分到该行业类别的历史数据,从预设的多种待筛选销量影响特征中筛选出该行业类别对应的至少一种销量影响特征,并确定筛选出的每种销量影响特征的影响度。
这里,可以从历史数据库中获取商品信息、商品的历史成交信息(比如近7天、近30天、近90天等多个时间维度的成交金额、件数、价格等)、商品的历史流量信息(比如浏览人数、浏览次数、收藏次数、购物车添加件数等)、用户评分(商品满意度、物流满意度、服务满意度等)等数据作为原始的数据池。如下表一~四所示。
商品标识 | 商品名称 | 商品类目 |
1000001 | BCD 420L | 电冰箱 |
1000009 | LCD 85X | 平板电视 |
4000007 | 新板滑鞋 | 滑板鞋 |
6788889 | 强力洗衣液 | 洗涤用品 |
表一
表二
表三
表四
在具体实施中,可以首先将商品划分到不同的行业大类,再将每个行业大类细化为各个行业子类,这样可以首先挖掘针对不同行业大类的销量影响特征,再挖掘每一个行业大类下不同的行业子类的销量影响特征。比如,针对件单价(每件商品价格)这个特征,大家电的件单价较高,分别达到了2000元和8000元这个级别,服饰鞋包、家居日用的件单价都在百元级别;针对转换率(流量与真实成交的比率)这个特征,大家电的转换率在5%以下,而家居日用在5%以上;针对促销特征,比如可以统计90天内的平均销量,有多少天的销量在90天内平均销量的3倍销量以上,就表示这几天有热点,将这些天切割出来单独考虑;再比如,在大家电这个行业大类下,存在平板电视、电冰箱等行业子类,电冰箱的功率消耗特征是用户购买时重点考虑的方面,因此将功率消耗作为电冰箱这个行业子类的一种销量影响特征;分辨率是用户购买平板电视时重点考虑的方面,因此将分辨率作为平板电视这个行业子类的一种销量影响特征。
上述件单价特征、转换率、促销特征、功率消耗等可以作为初始挖掘出的销量影响特征,后续可以进一步进行销量影响特征的筛选。优选地,可以采用机器学习训练、建模的方式进行特征筛选。
具体地,针对每个行业类别(比如行业子类),采用机器学习训练的方式,基于划分到该行业类别的历史数据训练出该行业类别对应的销量预测模型,该销量预测模型中包含筛选出的至少一种销量影响特征及其中每种销量影响特征的影响度。
在进行销量预测模型训练时,可以以该行业类别中的每种待处理对象作为一个训练样本,选择一个长度等于单位时间的长度的历史时间段作为预测时间段,统计该待处理对象在该预测时间段之前的一个统计时间段(统计时间段的长度可以为预测时间段的长度的N倍,N为大于1的正整数)内,在至少一种销量影响特征中每种销量影响特征下的单位时间内历史平均销量值(若所述统计时间段中包括促销时间段,则在确定单位时间内历史平均销量值时,需要去除该促销时间段的影响),以待处理对象在每种销量影响特征下的单位时间内历史平均销量值作为模型输入值,以该待处理对象所对应的预测时间段的实际销量值作为模型输出值。另外,若该预测时间段是一个促销时间段,则需要将促销特征单独作为一个销量影响特征,将在该促销特征下的单位时间内历史平均销量值也作为一个模型输入值,比如若该预测时间段为2013.11.11日,则可以将2012.11.11日和2011.11.11日的日平均销量值作为一个模型输入值。
在上述举例中,每个待处理对象作为一个训练样本,在训练时,针对每个待处理对象的预测时间段可以是相同的。在具体实施中,每个待处理对象还可以对应多个训练样本,这时每个训练样本对应不同的预测时间段。
在进行模型训练后,可以筛选出每个行业类别的显著销量影响特征。比如,经过机器学习建模,对于电冰箱,确定其筛选后的销量影响特征包括近7天日均销量、件单价、近14天日均销量、总成交量、添加购物车数量、功率消耗等,其中每种销量影响特征的影响度分别为:近7天日均销量的影响度:0.174、件单价的影响度:0.126等。对于某类家居日用品,确定其筛选后的销量影响特征包括:近30天成交量、近14天成交量、近3天成交额、历史评分、收藏数量等,其中每种销量影响特征的影响度分别为近30天成交量的影响度:0.212、近14天成交量的影响度:0.141等。
S203:根据该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值。
这里,可以根据该待处理对象在最近的一段时间内的历史销售数据,确定该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,将该待处理对象在每种销量影响特征下的单位时间内历史平均销量值,输入该待处理对象所属行业类别(比如行业子类)对应的训练出的销量预测模型,输出该待待处理对象在未来单位时间内的销量预测值。
S204:根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划,并将配置的需求计划发送给对应的执行终端。
在具体实施中,需求计划中可以只包括补货量信息,也即服务器根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象确定未来单位时间内的补货量,并通知对应的执行终端(即补货执行终端)基于该补货量对该待处理对象进行补货。需求计划中还可以包括补货模式信息,补货模式体现了补货的时间特点,可以包括周期性滚动模式,也即按照固定的时间周期进行补货;还可以包括即缺即补模式,也即在发现库存可能不足时进行补货。比如,对于洗衣粉、清洁剂之类的商品,全年的需求是稳定和均衡的,供应链比较平稳,对于这些商品很有可能会采取周期性滚动模式;在某个促销时间段,销量有可能会集中增加,此时可以采取即缺即补模式。除这两种常用的补货模式外,还可以包括集中补货模式,即对仓库中的多种待处理对象进行集中补货,适用于这多种待处理对象的销售进度相近的情况,还可以有订单驱动模式,可以在接收到大批量订单时启用这种模式。
本申请实施例中,根据待待处理对象在所属行业类别的每种销量影响特征下的单位时间内历史平均销量值及每种销量影响特征的影响度,确定该待待处理对象在未来单位时间内的销量预测值,进而根据该销量预测值确定需求计划。采用这种方式,基于细化的每种销量影响特征来预测未来的销量,从而在销量预测中考虑到了多种因素的影响,能够提供更准确的补货模式,以提高补货及时率、降低压货率。
实施例二
为了给待处理对象选择合适的补货模式,可以分别确定未来连续多个预测时间段内的销量预测值,这里的预测时间段的长度可以等于单位时间的长度,基于在这多个预测时间段内的销量预测值的变化规律,选择补货模式。下面以所述行业类别具体为具有相同销量影响特征的行业子类为例进行介绍。
如图3所示,为本申请实施例二提供的供应链资源需求计划配置方法流程图,包括以下步骤:
S301:服务器确定待处理对象所属的行业子类。
S302:根据该待处理对象所属的行业子类,以及预先确定的在多个行业子类中每个行业子类的至少一种销量影响特征和该至少一种销量影响特征中每种销量影响特征的影响度,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度。
关于该步骤的实施可参见实施例一的描述,这里不再赘述。
S303:针对预设的连续多个预测时间段中的每个预测时间段,执行:根据该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;根据确定的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在该预测时间段内的销量预测值。
这里,所述统计时间段的长度(比如为一个月或一年等)为所述预测时间段的长度/单位时间的长度(比如一天)的N倍,N为大于1的正整数。
当在上述步骤中训练出待处理对象所属行业子类的销量预测模型后,针对每个预测时间段,将该待处理对象在该预测时间段所对应的统计时间段内,对应每种销量影响特征的单位时间内历史平均销量值,输入对应该待处理对象所属行业子类的销量预测模型,输出该待处理对象在该预测时间段内的销量预测值。
这里,销量预测也即预测未来的一段时间内内待处理对象的销售情况。比如现在需要预测电冰箱未来一周内(比如从3月10日到3月16日)每天的销量,这里的3月10日~16日内的每一天为一个预测时间段,比如,针对3月10日这个预测时间段,统计前一个月的销量情况,也即将2月10日~3月9日作为3月10日对应的统计时间段,统计该待处理对象在这一个月内对应确定的每种销量影响特征的单位时间内历史平均销量值。这里,若所述统计时间段中包括促销时间段,则在确定除促销特征外的其它销量影响特征的单位时间内历史平均销量值时,需要去除该促销时间段的影响。另外,若该预测时间段本身是一个促销时间段,则需要将促销特征单独作为一个销量影响特征,将在该促销特征下的单位时间内历史平均销量值也作为一个模型输入值。
比如,针对电冰箱这个子类,其中件单价为该子类的一个筛选出的销量影响特征,其影响度为0.126。基于2月10日~3月9日的历史数据,统计出在件单价这一销量影响特征下,不同的件单价值与单位时间内历史平均销量值之间的对应关系如表五所示。
价格区间 | 平均销量 |
1801-2000 | 65 |
2001-2500 | 45 |
2501-5000 | 36 |
表五
针对电冰箱这个子类下的一种特定型号的产品(待处理对象),假设本次的计划价格是2400,则日均销量45即为该待处理对象在2月10日~3月9日内对应件单价这一销量影响特征的单位时间内历史平均销量值。同理,依次确定该待处理对象在2月10日~3月9日内对应其它销量影响特征的单位时间内历史平均销量值,将这些单位时间内历史平均销量值输入包含确定的每种销量影响特征的影响度的销量预测模型,得到该待处理对象在预测时间段3月10日的销量预测值。同理,在确定3月11日的销量预测值时,可以将2月11日~3月10日作为统计时间段。
S304:根据确定的该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并根据该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
比如,预测到某商品在3月10日到3月16日的日销量分别为45,48,55,52,47,51,48,总计346件。由于该商品每天的销量差距很稳定,因此推荐采用周期滚动模式作为补货模式,同时建议的补货量为346件。再比如,对于另外一个商品,预测到该商品在3月10日到3月16日的日销量分别为101,700,230,150,180,140,120;这时发现700远远高于其他值,因此这个3月11日可能是促销日,针对3月11日可以采用即缺即补模式,即在3月11日或之前完成补货700件。
除周期滚动模式和即缺即补模式外,补货模式还可以包括集中补货模式和订单驱动模式等。除补货模式信息和补货量信息外,需求计划中还可以包括补货时间,可以根据待处理对象的入库方式、备货时间长度等确定具体的补货时间,以保证补货及时性。入库方式包括直接入库、其它仓调拨等方式,若采用其它仓调拨的方式,在确定补货时间时需要考虑其它仓与待补货的仓库之间的运输距离。备货时间长度是指备好确定的补货量所需要的时间长度,备货时间与出货量、物流运输条件等有关,比如若需要三天才能备好一周的货物,则需要在这一周到来的前三天开始补货。
本申请实施例针对每个行业子类,确定该行业子类的至少一种销量影响特征和该至少一种销量影响特征中每种销量影响特征的影响度,在针对任一待处理对象确定需求计划时,针对多个预测时间段中的每个预测时间段,根据该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定该待处理对象在所属行业子类的每种销量影响特征下的单位时间内历史平均销量值,根据在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在该预测时间段内的销量预测值;进而根据该待处理对象在多个预测时间段中每个预测时间段内的销量预测值,从补货模式库中预先存储的多种补货模式中为该待处理对象选择一个匹配的补货模式。
本申请实施例可以确定连续多个预测时间段内的销量预测值,进而可以根据这连续多个预测时间段对应的销量预测值的变化规律,匹配一个较准确的补货模式,从而提高补货效率。
上述实施例一和二中介绍了不区分仓库的补货方案,考虑到物流成本及供货效率,对于一些产品,不仅要考虑其综合销量,还要考虑其在不同的供货仓库的销量,以便针对特定的供货仓库选择相适应的补货方案。基于此,实施例三在实施例一的基础上,进一步给出了通过分仓预测来确定补货模式的方案。
实施例三
如图4所示,为本申请实施例三提供的供应链资源需求计划配置方法流程图,包括以下步骤:
S401:服务器确定待处理对象所属的行业子类,根据该待处理对象所属的行业子类和待补货的入货仓库,以及在多个行业子类中每个行业子类在多个入货仓库中每个入货仓库下的至少一种销量影响特征,和该至少一种销量影响特征中每种销量影响特征的影响度,确定在所述待补货的入货仓库中该待处理对象的至少一种销量影响特征、及其中每种销量影响特征对所述待补货的入货仓库中该待处理对象的销量的影响度。
在具体实施中,可以根据以下步骤确定在多个行业子类中每个行业子类在多个入货仓库中每个入货仓库下的至少一种销量影响特征,和该至少一种销量影响特征中每种销量影响特征的影响度:
将获取的历史数据划分到对应的分组中;其中,每个分组对应一个行业子类和一个入货仓库;
针对每个分组,基于划分到该分组的历史数据,从预设的多个待筛选销量影响特征中筛选出该分组对应的至少一种销量影响特征,并确定该至少一种销量影响特征中每种销量影响特征的影响度。
进一步地,与实施例一中确定每个行业子类对应的销量预测模型的方式类似,针对每个分组,从预设的多个待筛选销量影响特征中筛选出该分组对应的至少一种销量影响特征,并确定该至少一种销量影响特征中每种销量影响特征的影响度,包括:
针对每个分组,采用机器学习训练的方式,基于划分到该分组的历史数据训练出该分组对应的销量预测模型,该销量预测模型中包含筛选出的至少一种销量影响特征及其中每种销量影响特征的影响度。
S402:根据在所述待补货的入货仓库中,该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定在所述待补货的入货仓库中该待处理对象在未来单位时间内的销量预测值。
在上述步骤中,训练得到了销量预测模型,则在确定该待处理对象在未来单位时间内的销量预测值时,可以将在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,输入该待处理对象所属分组对应的销量预测模型,输出在所述待补货的入货仓库中,该待处理对象在未来单位时间内的销量预测值。
S403:根据在所述待补货的入货仓库中的待处理对象在未来单位时间内的销量预测值,为该待处理对象确定针对所述待补货的入货仓库的补货信息,并将确定的补货信息发送给补货执行终端。
结合实施例三和实施例二中确定未来连续多个预测时间段内的销量预测值的思想,提出了一下实施例四的实施方式。
实施例四
如图5所示,为本申请实施例四提供的供应链资源需求计划配置方法流程图,包括以下步骤:
S501:服务器服务器确定待处理对象所属的行业子类,根据该待处理对象所属的行业子类和待补货的入货仓库,以及在多个行业子类中每个行业子类在多个入货仓库中每个入货仓库下的至少一种销量影响特征,和该至少一种销量影响特征中每种销量影响特征的影响度,确定在所述待补货的入货仓库中的该待处理对象的至少一种销量影响特征、及其中每种销量影响特征对所述待补货的入货仓库中该待处理对象的销量的影响度。
具体的,可以将获取的历史数据划分到对应的分组中;其中,每个分组对应一个行业子类和一个入货仓库;针对每个分组,基于划分到该分组的历史数据,从预设的多个待筛选销量影响特征中筛选出该分组对应的至少一种销量影响特征,并确定该至少一种销量影响特征中每种销量影响特征的影响度。
进一步地,针对每个分组,采用机器学习训练的方式,基于划分到该分组的历史数据训练出该分组对应的销量预测模型,该销量预测模型中包含筛选出的至少一种销量影响特征及其中每种销量影响特征的影响度。
S502:针对预设的连续多个预测时间段中的每个预测时间段,执行:根据针对所述待补货的入货仓库,该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;根据在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定在所述待补货的入货仓库中的该待处理对象在该预测时间段内的销量预测值。
这里,基于上述步骤中训练出的销量预测模型,将在所述待补货的入货仓库中的该待处理对象在该预测时间段所对应的统计时间段内,对应每种销量影响特征的单位时间内历史平均销量值,输入该待处理对象对应的销量预测模型,输出在所述待补货的入货仓库中的该待处理对象在该预测时间段内的销量预测值。
S503:根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配在所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
本申请实施例考虑待处理对象在不同的供货仓库的销量,以便针对指定的供货仓库为该待处理对象选择相适应的补货方案。并且,本申请实施例可以确定在指定的供货仓库内该待处理对象在连续多个预测时间段内的销量预测值,进而可以根据这连续多个预测时间段对应的销量预测值的变化规律,为在指定的供货仓库内的待处理对象选择一个较准确的补货模式,从而提高补货效率。
基于同一发明构思,本申请实施例中还提供了一种与供应链资源需求计划配置方法对应的供应链资源需求计划配置装置,由于该装置解决问题的原理与本申请实施例的供应链资源需求计划配置方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图6所示,为本申请实施例提供的供应链资源需求计划配置装置60结构示意图,包括:
预测模块61,用于确定待处理对象所属的行业类别;根据该待处理对象所属的行业类别,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度;根据该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值;
配置模块62,用于根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划;
发送模块63,用于将配置的需求计划发送给对应的执行终端。
可惜地,预测模块61具体用于:针对预设的连续多个预测时间段中的每个预测时间段,执行:
根据该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;根据确定的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在该预测时间段内的销量预测值。
可选地,所述需求计划包括补货模式和补货量;所述配置模块62具体用于:
根据确定的该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并根据该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配在所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
可选地,所述销量预测包括分仓销量预测;
所述预测模块61具体用于:
根据该待处理对象所属的行业类别和待补货的入货仓库,以及在多个行业类别中每个行业类别在多个入货仓库中每个入货仓库下的至少一种销量影响特征,和该至少一种销量影响特征中每种销量影响特征的影响度,确定在所述待补货的入货仓库中该待处理对象的至少一种销量影响特征、及其中每种销量影响特征对所述待补货的入货仓库中该待处理对象的销量的影响度。
可选地,所述预测模块61具体用于:针对预设的连续多个预测时间段中的每个预测时间段,执行:
根据针对所述待补货的入货仓库,该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;
根据在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定在所述待补货的入货仓库中的该待处理对象在该预测时间段内的销量预测值。
可选地,所述需求计划包括补货模式和补货量;
所述配置模块62具体用于:
根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配在所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
本申请实施例的供应链资源需求计划配置装置60从行业类别的角度来筛选销量影响特征及其影响度,由于一个行业类别的历史数据量大,信息全面,因此从行业类别的角度来筛选销量影响特征及其影响度的准确率更高些。另外,采用根据待待处理对象在所属行业类别的每种销量影响特征下的单位时间内历史平均销量值及每种销量影响特征的影响度,确定该待待处理对象在未来单位时间内的销量预测值,进而根据该销量预测值确定需求计划的方式,可以基于细化的每种销量影响特征来预测未来的销量,从而在销量预测中考虑到了多种因素的影响,能够提供更准确的需求计划,以提高补货及时率、降低压货率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (15)
1.一种供应链资源需求计划配置方法,其特征在于,该方法包括:
服务器确定待处理对象所属的行业类别;
根据该待处理对象所属的行业类别,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度;
根据该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值;
根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划,并将配置的需求计划发送给对应的执行终端。
2.如权利要求1所述的方法,其特征在于,所述行业类别为行业子类,每个行业子类内的待处理对象属于同一行业大类、且具有相同的销量影响特征;
所述服务器根据待处理对象所属的行业子类,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度,包括:
服务器根据该待处理对象所属的行业子类,以及预先确定的在多个行业子类中每个行业子类的至少一种销量影响特征和该至少一种销量影响特征中每种销量影响特征的影响度,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度。
3.如权利要求2所述的方法,其特征在于,根据以下步骤确定在多个行业子类中每个行业子类的至少一种销量影响特征和该至少一种销量影响特征中每种销量影响特征的影响度:
将获取的历史数据划分到对应的行业子类中;
针对每个行业子类,基于划分到该行业子类的历史数据,从预设的多种待筛选销量影响特征中筛选出该行业子类对应的至少一种销量影响特征,并确定筛选出的每种销量影响特征的影响度。
4.如权利要求1~3任一所述的方法,其特征在于,根据待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值,包括:
针对预设的连续多个预测时间段中的每个预测时间段,执行:
根据该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;
根据确定的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在该预测时间段内的销量预测值。
5.如权利要求4所述的方法,其特征在于,所述需求计划包括补货模式和补货量;
所述根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划,包括:
根据确定的该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并
根据该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
6.如权利要求1所述的方法,其特征在于,所述销量预测包括分仓销量预测;所述根据该待处理对象所属的行业类别,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度,包括:
根据该待处理对象所属的行业类别和待补货的入货仓库,以及在多个行业类别中每个行业类别在多个入货仓库中每个入货仓库下的至少一种销量影响特征,和该至少一种销量影响特征中每种销量影响特征的影响度,确定在所述待补货的入货仓库中该待处理对象的至少一种销量影响特征、及其中每种销量影响特征对所述待补货的入货仓库中该待处理对象的销量的影响度。
7.如权利要求6所述的方法,其特征在于,所述行业类别为行业子类,每个行业子类内的待处理对象属于同一行业大类、且具有相同的销量影响特征;根据以下步骤确定在多个行业子类中每个行业子类在多个入货仓库中每个入货仓库下的至少一种销量影响特征,和该至少一种销量影响特征中每种销量影响特征的影响度:
将获取的历史数据划分到对应的分组中;其中,每个分组对应一个行业子类和一个入货仓库;
针对每个分组,基于划分到该分组的历史数据,从预设的多个待筛选销量影响特征中筛选出该分组对应的至少一种销量影响特征,并确定该至少一种销量影响特征中每种销量影响特征的影响度。
8.如权利要求6或7所述的方法,其特征在于,根据待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值,包括:
针对预设的连续多个预测时间段中的每个预测时间段,执行:
根据针对所述待补货的入货仓库,该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;
根据在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定在所述待补货的入货仓库中的该待处理对象在该预测时间段内的销量预测值。
9.如权利要求8所述的方法,其特征在于,所述需求计划包括补货模式和补货量;
所述根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划,包括:
根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并
根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
10.一种供应链资源需求计划配置装置,其特征在于,该装置包括:
预测模块,用于确定待处理对象所属的行业类别;根据该待处理对象所属的行业类别,确定该待处理对象对应的至少一种销量影响特征及其中每种销量影响特征对该待处理对象的销量的影响度;根据该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在未来单位时间内的销量预测值;
配置模块,用于所述预测模块根据确定的该待处理对象在未来单位时间内的销量预测值,为该待处理对象配置需求计划;
发送模块,用于将所述配置模块配置的需求计划发送给对应的执行终端。
11.如权利要求10所述的装置,其特征在于,所述预测模块具体用于:针对预设的连续多个预测时间段中的每个预测时间段,执行:
根据该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;根据确定的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定该待处理对象在该预测时间段内的销量预测值。
12.如权利要求11所述的装置,其特征在于,所述需求计划包括补货模式和补货量;所述配置模块具体用于:
根据所述预测模块确定的该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并根据该待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配在所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
13.如权利要求10所述的装置,其特征在于,所述销量预测包括分仓销量预测;所述预测模块具体用于:
根据该待处理对象所属的行业类别和待补货的入货仓库,以及在多个行业类别中每个行业类别在多个入货仓库中每个入货仓库下的至少一种销量影响特征,和该至少一种销量影响特征中每种销量影响特征的影响度,确定在所述待补货的入货仓库中该待处理对象的至少一种销量影响特征、及其中每种销量影响特征对所述待补货的入货仓库中该待处理对象的销量的影响度。
14.如权利要求13所述的装置,其特征在于,所述预测模块具体用于:针对预设的连续多个预测时间段中的每个预测时间段,执行:
根据针对所述待补货的入货仓库,该待处理对象在该预测时间段对应的统计时间段内的历史数据,确定在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值;所述统计时间段为在对应的预测时间段之前最近的一段时间,所述单位时间的长度等于每个预测时间段的长度,所述统计时间段的长度为所述单位时间的长度的N倍,N为大于1的正整数;根据在所述待补货的入货仓库中的该待处理对象在确定的每种销量影响特征下的单位时间内历史平均销量值,以及确定的其中每种销量影响特征的影响度,确定在所述待补货的入货仓库中的该待处理对象在该预测时间段内的销量预测值。
15.如权利要求14所述的装置,其特征在于,所述需求计划包括补货模式和补货量;所述配置模块具体用于:
根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,为该待处理对象配置补货量,并根据在所述待补货的入货仓库中的所述待处理对象在所述连续多个预测时间段中每个预测时间段内的销量预测值,以及补货模式库中预先存储的多种补货模式,为该待处理对象选择一个匹配在所述连续多个预测时间段内的销量预测值的变化规律的补货模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610101799.2A CN107122928A (zh) | 2016-02-24 | 2016-02-24 | 一种供应链资源需求计划配置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610101799.2A CN107122928A (zh) | 2016-02-24 | 2016-02-24 | 一种供应链资源需求计划配置方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107122928A true CN107122928A (zh) | 2017-09-01 |
Family
ID=59716987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610101799.2A Pending CN107122928A (zh) | 2016-02-24 | 2016-02-24 | 一种供应链资源需求计划配置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122928A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767180A (zh) * | 2017-10-27 | 2018-03-06 | 南京坤艮信息科技有限公司 | 一种网上商城的配货方法 |
CN108769167A (zh) * | 2018-05-17 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种业务数据的推送分配方法和装置 |
CN109325808A (zh) * | 2018-09-27 | 2019-02-12 | 重庆智万家科技有限公司 | 基于Spark大数据平台的商品需求预测与物流分仓规划方法 |
CN109523208A (zh) * | 2018-10-23 | 2019-03-26 | 佛山欧神诺云商科技有限公司 | 一种基于大数据的瓷砖供应链管理方法及装置 |
CN109656433A (zh) * | 2017-10-11 | 2019-04-19 | 腾讯科技(深圳)有限公司 | 类目信息处理方法、装置、计算机设备和存储介质 |
CN109840734A (zh) * | 2017-11-29 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
CN109993484A (zh) * | 2019-03-28 | 2019-07-09 | 杭州网易再顾科技有限公司 | 数据处理方法及系统、介质和计算设备 |
CN110163669A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 基于特征系数似然估计和零售业业务规则的需求预测方法 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN110599076A (zh) * | 2018-06-12 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 仓储资源调配方法、装置、系统以及电子设备 |
CN110728553A (zh) * | 2019-09-03 | 2020-01-24 | 耀灵人工智能(浙江)有限公司 | 一种根据需求预测实现高效购物的方法 |
CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
CN111242313A (zh) * | 2020-01-08 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | Iot设备铺设量的确定方法、装置、设备和介质 |
CN111429048A (zh) * | 2019-01-09 | 2020-07-17 | 北京沃东天骏信息技术有限公司 | 确定补货信息的方法、装置及设备 |
CN111768139A (zh) * | 2019-06-27 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 备货处理方法、装置、设备及存储介质 |
CN111798167A (zh) * | 2019-10-31 | 2020-10-20 | 北京沃东天骏信息技术有限公司 | 一种仓库补货的方法和装置 |
CN111833084A (zh) * | 2019-04-17 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 商品销售季节性的分析方法、装置与电子设备 |
CN111915045A (zh) * | 2019-05-08 | 2020-11-10 | 阿里巴巴集团控股有限公司 | 免预约送货系统、相应方法及装置 |
CN112001666A (zh) * | 2019-05-27 | 2020-11-27 | 北京沃东天骏信息技术有限公司 | 一种保留库存量的确定方法、装置、设备和存储介质 |
CN113298546A (zh) * | 2020-05-29 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 销量预测方法及装置、商品处理方法及装置 |
CN113807758A (zh) * | 2020-12-02 | 2021-12-17 | 北京京东振世信息技术有限公司 | 一种数据生成方法和装置 |
CN113947439A (zh) * | 2021-10-26 | 2022-01-18 | 北京沃东天骏信息技术有限公司 | 需求预测模型训练方法和装置、需求预测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901397A (zh) * | 2009-05-27 | 2010-12-01 | 北京正辰科技发展有限责任公司 | 产品分配辅助系统 |
CN102184507A (zh) * | 2011-05-16 | 2011-09-14 | 苏州两江科技有限公司 | 一种仓库补货方法 |
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测系统及方法 |
CN104036103A (zh) * | 2013-03-06 | 2014-09-10 | 南京邮电大学 | 一种面向供应链系统的多尺度需求预测方法 |
CN104252678A (zh) * | 2013-06-28 | 2014-12-31 | Sap欧洲公司 | 促销调度管理 |
-
2016
- 2016-02-24 CN CN201610101799.2A patent/CN107122928A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901397A (zh) * | 2009-05-27 | 2010-12-01 | 北京正辰科技发展有限责任公司 | 产品分配辅助系统 |
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测系统及方法 |
CN102184507A (zh) * | 2011-05-16 | 2011-09-14 | 苏州两江科技有限公司 | 一种仓库补货方法 |
CN104036103A (zh) * | 2013-03-06 | 2014-09-10 | 南京邮电大学 | 一种面向供应链系统的多尺度需求预测方法 |
CN104252678A (zh) * | 2013-06-28 | 2014-12-31 | Sap欧洲公司 | 促销调度管理 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656433A (zh) * | 2017-10-11 | 2019-04-19 | 腾讯科技(深圳)有限公司 | 类目信息处理方法、装置、计算机设备和存储介质 |
CN109656433B (zh) * | 2017-10-11 | 2021-07-06 | 腾讯科技(深圳)有限公司 | 类目信息处理方法、装置、计算机设备和存储介质 |
CN107767180A (zh) * | 2017-10-27 | 2018-03-06 | 南京坤艮信息科技有限公司 | 一种网上商城的配货方法 |
CN109840734A (zh) * | 2017-11-29 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN110363454B (zh) * | 2018-04-09 | 2022-01-11 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN108769167A (zh) * | 2018-05-17 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种业务数据的推送分配方法和装置 |
CN110599076A (zh) * | 2018-06-12 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 仓储资源调配方法、装置、系统以及电子设备 |
CN110751497B (zh) * | 2018-07-23 | 2024-06-21 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
CN109325808A (zh) * | 2018-09-27 | 2019-02-12 | 重庆智万家科技有限公司 | 基于Spark大数据平台的商品需求预测与物流分仓规划方法 |
CN109523208A (zh) * | 2018-10-23 | 2019-03-26 | 佛山欧神诺云商科技有限公司 | 一种基于大数据的瓷砖供应链管理方法及装置 |
CN111429048B (zh) * | 2019-01-09 | 2024-04-16 | 北京沃东天骏信息技术有限公司 | 确定补货信息的方法、装置及设备 |
CN111429048A (zh) * | 2019-01-09 | 2020-07-17 | 北京沃东天骏信息技术有限公司 | 确定补货信息的方法、装置及设备 |
CN109993484A (zh) * | 2019-03-28 | 2019-07-09 | 杭州网易再顾科技有限公司 | 数据处理方法及系统、介质和计算设备 |
CN109993484B (zh) * | 2019-03-28 | 2021-02-23 | 杭州网易再顾科技有限公司 | 数据处理方法及系统、介质和计算设备 |
CN111833084A (zh) * | 2019-04-17 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 商品销售季节性的分析方法、装置与电子设备 |
CN111915045B (zh) * | 2019-05-08 | 2024-09-27 | 浙江天猫技术有限公司 | 免预约送货系统、相应方法及装置 |
CN111915045A (zh) * | 2019-05-08 | 2020-11-10 | 阿里巴巴集团控股有限公司 | 免预约送货系统、相应方法及装置 |
CN110163669A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 基于特征系数似然估计和零售业业务规则的需求预测方法 |
CN112001666A (zh) * | 2019-05-27 | 2020-11-27 | 北京沃东天骏信息技术有限公司 | 一种保留库存量的确定方法、装置、设备和存储介质 |
CN112001666B (zh) * | 2019-05-27 | 2024-05-24 | 北京沃东天骏信息技术有限公司 | 一种保留库存量的确定方法、装置、设备和存储介质 |
CN111768139B (zh) * | 2019-06-27 | 2023-04-07 | 北京沃东天骏信息技术有限公司 | 备货处理方法、装置、设备及存储介质 |
CN111768139A (zh) * | 2019-06-27 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 备货处理方法、装置、设备及存储介质 |
CN110728553A (zh) * | 2019-09-03 | 2020-01-24 | 耀灵人工智能(浙江)有限公司 | 一种根据需求预测实现高效购物的方法 |
CN110728553B (zh) * | 2019-09-03 | 2022-11-18 | 赣州市耀灵天华数字经济技术有限公司 | 一种根据需求预测实现高效购物的方法 |
CN111798167A (zh) * | 2019-10-31 | 2020-10-20 | 北京沃东天骏信息技术有限公司 | 一种仓库补货的方法和装置 |
CN111242313B (zh) * | 2020-01-08 | 2023-04-18 | 支付宝(杭州)信息技术有限公司 | Iot设备铺设量的确定方法、装置、设备和介质 |
CN111242313A (zh) * | 2020-01-08 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | Iot设备铺设量的确定方法、装置、设备和介质 |
CN113298546A (zh) * | 2020-05-29 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 销量预测方法及装置、商品处理方法及装置 |
CN113807758B (zh) * | 2020-12-02 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种数据生成方法和装置 |
CN113807758A (zh) * | 2020-12-02 | 2021-12-17 | 北京京东振世信息技术有限公司 | 一种数据生成方法和装置 |
CN113947439A (zh) * | 2021-10-26 | 2022-01-18 | 北京沃东天骏信息技术有限公司 | 需求预测模型训练方法和装置、需求预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122928A (zh) | 一种供应链资源需求计划配置方法及装置 | |
Tiwari et al. | Optimal pricing and lot-sizing policy for supply chain system with deteriorating items under limited storage capacity | |
Maihami et al. | Joint pricing and inventory control for non-instantaneous deteriorating items with partial backlogging and time and price dependent demand | |
MacKenzie et al. | How retailers can keep up with consumers | |
Pervin et al. | An integrated inventory model with variable holding cost under two levels of trade-credit policy | |
Pervin et al. | A Two-echelon inventory model with stock-dependent demand and variable holding cost for deteriorating items | |
Xiao et al. | Ordering, wholesale pricing and lead-time decisions in a three-stage supply chain under demand uncertainty | |
CN107977812A (zh) | 生产自动排单方法、装置及系统 | |
Dye et al. | Deterministic ordering policy with price-and stock-dependent demand under fluctuating cost and limited capacity | |
Sana | An EOQ model of homogeneous products while demand is salesmen’s initiatives and stock sensitive | |
CN111815417A (zh) | 自动化网购方法、计算机可读介质和电子设备 | |
CN107742245A (zh) | 一种商户信息推荐方法、装置及设备 | |
US20140258050A1 (en) | Store Feature Item Finder | |
US20190272491A1 (en) | Inventory placement recommendation system | |
Maddah et al. | Lot sizing with random yield and different qualities | |
CN108922084A (zh) | 一种商品识别方法及装置 | |
Singh et al. | Supply chain inventory model with price-dependent consumption rate with ameliorating and deteriorating items and two levels of storage | |
CN108230073A (zh) | 一种管理互联网订单信息的方法和系统 | |
CN107689123A (zh) | 物流箱售货方法、装置及物流箱 | |
CN113888254A (zh) | 货架商品管理方法和电子设备 | |
Barile et al. | Grocery retailing in the I4. 0 era | |
Das et al. | An integrated inventory model with delay in payment for deteriorating item under Weibull distribution and advertisement cum price-dependent demand | |
US20090132319A1 (en) | Method for generating an asset loading plan | |
CN109949065A (zh) | 属性数据分析的方法和装置 | |
Ritchie et al. | Optimized automated checkout process for major food retailers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180410 Address after: Four story 847 mailbox of the capital mansion of Cayman Islands, Cayman Islands, Cayman Applicant after: CAINIAO SMART LOGISTICS HOLDING Ltd. Address before: Cayman Islands Grand Cayman capital building, a four storey No. 847 mailbox Applicant before: ALIBABA GROUP HOLDING Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170901 |
|
RJ01 | Rejection of invention patent application after publication |