CN108090713A - 库存需求预测系统 - Google Patents
库存需求预测系统 Download PDFInfo
- Publication number
- CN108090713A CN108090713A CN201611052423.3A CN201611052423A CN108090713A CN 108090713 A CN108090713 A CN 108090713A CN 201611052423 A CN201611052423 A CN 201611052423A CN 108090713 A CN108090713 A CN 108090713A
- Authority
- CN
- China
- Prior art keywords
- drop point
- material drop
- optimal
- stock
- processor
- 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
- 239000000463 material Substances 0.000 claims abstract description 157
- 230000007306 turnover Effects 0.000 claims abstract description 35
- 238000003860 storage Methods 0.000 claims abstract description 15
- 239000007858 starting material Substances 0.000 claims description 30
- 238000010586 diagram Methods 0.000 description 14
- 238000005096 rolling process Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种库存需求预测系统,包含一储存装置及一处理器。储存装置用以储存多个物料信息、一库存周转率及一服务水准率。处理器用以依据库存周转率及服务水准率以设置一需求满足范围,计算物料信息所各自对应的多个最佳物料落点,将位于需求满足范围之内的最佳物料落点加入一第一备料群组,并将位于需求满足范围之外的最佳物料落点加入一第二备料群组,以计算第一备料群组中的各最佳物料落点的一初始质心。以达到更准确地提供备料策略的效果。
Description
技术领域
本发明是有关于一种库存需求预测系统及库存需求预测方法,且特别是有关于一种库存周转率及服务水准率的库存需求预测系统及库存需求预测方法。
背景技术
在新型态市场需求下,备料比备品来的重要,工厂可以在接到订单后,再组合料件进行生产,进一步可减少囤积货品的可能性。然而,料件信息比货品信息至少庞大数十倍,变动大不易单靠一种模型预测。此外,由于少量多样化的新型态市场需求已成为趋势,如何有效管理库存,让生产能因应变化快速的客户需求已成为重要课题。
因此,如何提供一种有利于工业生产管理及符合市场需求的库存需求预测系统及库存需求预测方法,已成为本领域急待改进的问题之一。
发明内容
为解决上述的问题,本发明的一方面提供一种库存需求预测系统,其特征在于,包含一储存装置及一处理器。储存装置用以储存多个物料信息、一库存周转率及一服务水准率。处理器耦接于储存装置,处理器用以:依据库存周转率及服务水准率以设置一需求满足范围;计算物料信息所各自对应的多个最佳物料落点;将位于需求满足范围之内的最佳物料落点加入一第一备料群组,并将位于需求满足范围之外的最佳物料落点加入一第二备料群组;计算第一备料群组中的各最佳物料落点的一初始质心;依据第二备料群组中的各最佳物料落点与初始质心,以产生多个第一距离指标;将第一距离指标中的最短者指定为一第一候选距离,并将第一候选距离所对应的最佳物料落点的其中的一者指定为一当前物料落点,并将当前物料落点加入第一备料群组中,以产生一当前备料群组;将当前物料落点由第二备料群组中移除;以及计算当前备料群组的一当前质心,并判断当前质心是否位于需求满足范围中;若判断当前质心位于需求满足范围中,则依据第二备料群组中的各最佳物料落点与当前质心,以产生多个第二距离指标,并将些第二距离指标中的最短者指定为一第二候选距离,并将第二候选距离所对应的最佳物料落点的其中的一者指定为当前物料落点。
依据本案的一实施例,其中,当该处理器判断该当前质心不位于该需求满足范围中时,则将该第一备料群组及该第一备料群组所对应的至少一最佳预测演算法指定为一备料策略。
依据本案的一实施例,其中所述多个物料信息包含一第一物料信息,该处理器更用以通过多个第一初始预测演算法对该第一物料信息进行运算,以取得多个第一初始物料落点,所述多个第一初始物料落点分别对应至所述多个第一预测演算法的其中的一者,该处理器选出所述多个第一初始物料落点中的其中的一者指定为一第一最佳物料落点,并将该第一最佳物料落点所对应的所述多个第一初始预测演算法其中的一者指定为一第一最佳预测演算法。
依据本案的一实施例,其中所述多个物料信息包含一第二物料信息,该处理器更用以通过多个第二初始预测演算法对该第二物料信息进行运算,以取得多个第二初始物料落点,所述多个第二初始物料落点分别对应至所述多个第二预测演算法的其中的一者,该处理器选出所述多个第二初始物料落点中的其中的一者指定为一第二最佳物料落点,并将该第二最佳物料落点所对应的所述多个第二初始预测演算法其中的一者指定为一第二最佳预测演算法。
依据本案的一实施例,其中所述多个最佳物料落点包含该第一最佳物料落点及该第二最佳物料落点。
依据本案的一实施例,其中该处理器选出所述多个第一初始物料落点中,最接近一库存周转线及一服务水准线的所述多个第一初始物料落点的其中的一者作为该第一最佳物料落点。
依据本案的一实施例,库存需求预测系统还包含:一传输装置,耦接于该处理器及该储存装置,该传输装置用以接收来自一服务器的所述多个物料信息。
依据本案的一实施例,其中,该库存周转率是由一时间区间内的一销货数量除以该时间区间内的一库存剩余量而得。
依据本案的一实施例,其中,该服务水准率是指于一前置期间内,由一库存品直接供货的比率。
综上所述,本发明所示的库存需求预测系统及库存需求预测方法可以在同时考量库存周转率及服务水准的情况下,更准确地提供备料策略,且能够更有效率地因应多变的市场需求,以提供准确的库存预测机制。
附图说明
为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂,所附附图的说明如下:
图1根据本发明的一实施例绘示一种库存需求预测方法的流程图;
图2根据本发明的一实施例绘示一种库存需求预测系统的方块图;
图3根据本发明的一实施例绘示一种需求满足范围的示意图;
图4根据本发明的一实施例绘示一种需求满足范围的示意图;
图5根据本发明的一实施例绘示一种选用预测演算法的示意图;
图6根据本发明的一实施例绘示一种物料信息的示意图;
图7根据本发明的一实施例绘示一种物料信息的示意图;以及
图8根据本发明的一实施例绘示一种物料信息的示意图。
具体实施方式
下文是举实施例配合所附附图作详细说明,但所提供的实施例并非用以限制本发明所涵盖的范围,而结构操作的描述非用以限制其执行的顺序,任何由元件重新组合的结构,所产生具有均等功效的装置,皆为本发明所涵盖的范围。此外,附图仅以说明为目的,并未依照原尺寸作图。为使便于理解,下述说明中相同元件将以相同的符号标示来说明。
关于本文中所使用的“第一”、“第二”、…等,并非特别指称次序或顺位的意思,亦非用以限定本发明,其仅仅是为了区别以相同技术用语描述的元件或操作而已。请参照图1~2,图1根据本发明的一实施例绘示一种库存需求预测方法100的流程图。图2根据本发明的一实施例绘示一种库存需求预测系统200的方块图。
于一实施例中,库存需求预测系统200包含一储存装置210及一处理器220。于一实施例中,储存装置210可以被实作为只读记忆体、快闪记忆体、软盘、硬盘、光盘、随身盘、磁带、可由网络存取的数据库或熟悉此技艺者可轻易思及具有相同功能的储存媒体。于一实施例中,处理器220用以执行各种运算,且亦可以被实施为微控制单元(microcontroller)、微处理器(microprocessor)、数字信号处理器(digital signal processor)、特殊应用集成电路(application specific integrated circuit,ASIC)或一逻辑电路。
于一实施例中,库存需求预测系统200还包含传输装置230。于一实施例中,传输装置230可以是一路由晶片、一数据处理元件、一网络卡以实现的。
于一实施例中,处理器220耦接于储存装置210,传输装置230耦接于储存装置210及处理器220。于一实施例中,传输装置230通讯连接于服务器S1~S3,传输装置230用以接收来自服务器S1~S3的物料信息。
于一实施例中,储存装置210用以储存多笔物料信息、一库存周转率及一服务水准率。
于一实施例中,服务水准率是指于一前置期间内,由一库存品直接供货的比率。其中,前置期间是指采购订单由发出至收到货品所需的时间。举例而言,顾客于2016年8月1日下订单购买产品A,贩售公司收到订单后开始制造组装,依据正常作业程序将产品A交付给顾客的时间为2016年11月1日,则此前置时间为三个月。此外,由于贩售公司通常贩售的产品数为多种,总体服务水准率代表多种产品或物料的平均服务水准率。
再举例而言,贩售公司接到一个月后要交付100件产品的订单后开始生产,但由于原始物料不足,依据正常作业程序为2周后只能交付80件产品,因此需要增加订购物料原料。考虑物料到位时间,五周后才能交货剩下的20件,因此,于前置期间(一个月)内,贩售公司仅能提供100件产品中的80件产品,其服务水准为0.8(即80/100=0.8)。
于一实施例中,库存周转率是由一时间区间内的一销货数量除以时间区间内的一库存剩余量而得。举例而言,产品A在2016年8月1日到2016年8月7日的销货量为300件,而这一周的库存剩余量为150件,则存货库存率为2(即300/150=2)。此外,由于贩售公司通常贩售的产品数为多种,总体库存周转率代表多种产品或物料的平均库存周转率。
借此,储存装置210储存各种产品的物料信息(包含各个物料所对应的历史纪录),处理器220可依据物料信息以计算库存周转率及服务水准率。
于步骤111中,处理器220依据库存周转率及服务水准率以设置一需求满足范围Ra。
请参照图3,图3根据本发明的一实施例绘示一种需求满足范围Ra的示意图。于一实施例中,如图3所示,处理器220设置需求满足范围Ra为库存周转率90%以上且库存周转率的倒数为10%以上的区域。
请参照图4,图4根据本发明的一实施例绘示一种需求满足范围Ra的示意图。于一实施例中,如图4所示,当处理器220定义库存周转率的倒数为x和服务水准为y时,满足范围Ra以下述函数定义之:
y=1-ln(100x)/10
由此可知,当满足此函数(即某物料的服务水准率与库存周转率的倒数字于满足范围Ra中)时,代表物料的库存量不至于过多且大致能满足订单需求。
接着,请一并参照图5~6,图5根据本发明的一实施例绘示一种选用预测演算法的示意图。图6根据本发明的一实施例绘示一种物料信息的示意图。
于步骤113中,处理器220计算各个物料信息所各自对应的最佳物料落点A1~A4、B1~B5。
于一实施例中,每个物料信息都可以用多种初始预测演算法进行预测其库存周转率及服务水准率。如图5所示,一物料信息可透过自动回归移动平均演算法(Auto-Regressive and Moving Average Model,ARMA)以预估此物料信息的库存周转率及服务水准率为初始物料落点M1、透过支援向量回归演算法(Support Vector Regression,SVR),以预估此物料信息的库存周转率及服务水准率为初始物料落点M2、透过差分整合移动平均自回归演算法(Autoregressive Integrated Moving Average model,ARIMA),以预估此物料信息的库存周转率及服务水准率为初始物料落点M3。
接着,处理器220分别计算初始物料落点M1、M2、M3中最接近库存周转线及服务水准线的其中的一者(即初始物料落点M1),作为此物料信息的最佳物料落点,且以初始物料落点M1所对应的自动回归移动平均演算法指定为此物料信息的最佳预测演算法,换言之,处理器220将自动回归移动平均演算法指定为此物料信息的预测模型。
再举例而言,于图6中,处理器220通过多个第一初始预测演算法(例如为自动回归移动平均演算法、支援向量回归演算法)对第一物料信息进行运算,以取得多个第一初始物料落点(未绘示),这些第一初始物料落点分别对应至第一预测演算法的其中的一者。接着,处理器220选出第一初始物料落点中的其中的一者(即最接近库存周转线及服务水准线的第一初始物料落点)指定为第一最佳物料落点A1,并将第一最佳物料落点A1所对应的第一初始预测演算法其中的一者指定为第一最佳预测演算法。例如,第一最佳物料落点A1是由自动回归移动平均演算法所预测出来的,故将自动回归移动平均演算法指定为第一最佳预测演算法。
又举例而言,于图6中,处理器220通过多个第二初始预测演算法(例如为自动回归移动平均演算法、整合移动平均自回归演算法)对第二物料信息进行运算,以取得多个第二初始物料落点(未绘示),这些第二初始物料落点分别对应至第二预测演算法的其中的一者。接着,处理器220选出第二初始物料落点中的其中的一者(即最接近库存周转线及服务水准线的第二初始物料落点)指定为第二最佳物料落点A2,并将第二最佳物料落点A2所对应的第二初始预测演算法其中的一者指定为第二最佳预测演算法。例如,第二最佳物料落点A2是由整合移动平均自回归演算法所预测出来的,故将整合移动平均自回归演算法指定为第二最佳预测演算法。
依此类推,可依据上述方法决定出每个物料的最佳物料落点A1~A4、B1~B5(如图6所示)。
换言之,如图6所示,处理器220可依据各种初始预测演算法的运算结果,以分别选出每个物料的最佳物料落点A1~A4、B1~B5。其中,每个物料的最佳物料落点A1~A4、B1~B5对应到各自的最佳预测演算法。
于步骤115中,处理器220将位于需求满足范围之内Ra的最佳物料落点A1、A2、A3、A4加入一第一备料群组,并将位于需求满足范围Ra之外的最佳物料落点B1、B2、B3、B4、B5加入一第二备料群组。
于步骤117中,处理器220计算第一备料群组中的各最佳物料落点A1、A2、A3、A4的一初始质心La。
举例而言,最佳物料落点A1、A2、A3、A4的库存周转率的倒数分别为11%、13%、12%及14%,服务水准率分别为93%、96%、92%及91%。由此可知,库存周转率的倒数的平均值为12.5%(即,(11%+13%+12%+15%)/4=12.5%),而服务水准率的平均值为93%(即,93%+96%+92%+91%)/4=93%)。因此,初始质心La落在库存周转率的倒数为12.5%且服务水准率为93%的位置。
于步骤119中,处理器220依据第二备料群组中的各最佳物料落点B1、B2、B3、B4、B5与初始质心La,以产生多个第一距离指标。其中,这些第一距离指标是指的各最佳物料落点B1、B2、B3、B4、B5与初始质心La的距离。
于一实施例中,这些第一距离指标可以由初始质心La于图6上的位置分别与最佳物料落点B1、B2、B3、B4、B5于图6上的位置相减后取绝对值而得。例如,最佳物料落点B1的库存周转率的倒数为7%,服务水准率为93%,最佳物料落点B1与初始质心La的距离为4.24;最佳物料落点B2的库存周转率的倒数为9%,服务水准率为91%,最佳物料落点B2与初始质心La的距离为1.41;最佳物料落点B3的库存周转率的倒数为8%,服务水准率为85%,最佳物料落点B3与初始质心La的距离为5.39;最佳物料落点B4的库存周转率的倒数为10.5%,服务水准率为88%,最佳物料落点B4与初始质心La的距离为2.06;最佳物料落点B5的库存周转率的倒数为15%,服务水准率为84%,最佳物料落点B5与初始质心La的距离为7.81。
于步骤121中,处理器220将这些第一距离指标中的最短者指定为一第一候选距离(例如,于上述的第一距离指标中,最佳物料落点B2与初始质心La的距离最短,故第一候选距离为1.41),并将第一候选距离所对应的最佳物料落点的其中的一者指定为一当前物料落点(例如,将最佳物料落点B2指定为当前物料落点)。
于步骤123中,处理器220将当前物料落点加入第一备料群组中,以产生一当前备料群组。
请参阅图7,图7根据本发明的一实施例绘示一种物料信息的示意图。于此例中,处理器220将当前物料落点B2加入第一备料群组(第一备料群组包含最佳物料落点A1~A4)后,其所产生的当前备料群组中包含最佳物料落点A1~A4及B2。
于步骤125中,由于处理器220已将当前物料落点B2加入第一备料群组,因此,处理器220将当前物料落点B2由第二备料群组中移除。此时,第二备料群组中包含最佳物料落点B1、B3~B5。
于步骤127中,处理器220计算当前备料群组的一当前质心La’,判断当前质心La’是否位于需求满足范围Ra中。
若处理器220判断当前质心La’位于需求满足范围Ra中,则执行步骤128。若处理器220判断当前质心La’不位于需求满足范围Ra中,则执行步骤129。
于步骤128中,处理器220依据第二备料群组中的各最佳物料落点B1、B3~B5与当前质心La’,以产生多个第二距离指标,并将这些第二距离指标中的最短者指定为一第二候选距离,并将第二候选距离所对应的最佳物料落点的其中的一者(例如为最佳物料落点B4)指定为当前物料落点。接着,执行步骤123。
更具体而言,于图7中,处理器220计算当前备料群组(包含最佳物料落点A1~A4及B2)的当前质心La’,此当前质心La’位于库存周转率的倒数为11.8%且服务水准率为92.6%处。于此例中,由于当前质心La’位于需求满足范围Ra中,故处理器220进一步计算第二备料群组中的各最佳物料落点B1、B3~B5与当前质心La’的第二距离指标(例如,处理器220分别计算各最佳物料落点B1、B3~B5与当前质心La’之间的距离以产生多个第二距离指标),并判断这些第二距离指标中的最短者(例如,最佳物料落点B4与当前质心La’之间的距离最短,则将此距离指定为第二候选距离)。
当处理器220判断这些第二距离指标中的最短者为最佳物料落点B4与当前质心La’之间的距离时,将最佳物料落点B4指定为当前物料落点。接着,执行步骤123~127。
请参阅图8,图8根据本发明的一实施例绘示一种物料信息的示意图。于图8中,由于最佳物料落点B4与当前质心La’之间的距离最短,故处理器220将当前物料落点B4加入第一备料群组(第一备料群组包含最佳物料落点A1~A4、B2)后,其所产生的当前备料群组中包含最佳物料落点A1~A4、B2及B4,处理器220可计算出当前备料群组的一当前质心La”(其库存周转率的倒数为11.58%,服务水准率为91.83%)。于此例中,由于当前质心La”仍位于需求满足范围Ra中,故此时于步骤127中的判断式仍会成立。
通过重复执行上述步骤123~128,直到于步骤127中所算出的当前质心不位于需求满足范围Ra时,执行步骤129。
于步骤129中,当处理器220判断当前质心不位于需求满足范围Ra中时,则将第一备料群组及第一备料群组所对应的至少一最佳预测演算法指定为一备料策略。
例如,备料策略包含第一备料群组中的最佳物料落点A1的库存周转率的倒数为11%、最佳物料落点A1的服务水准率为93%、最佳物料落点A1所采用的预测模型为自动回归移动平均演算法,及最佳物料落点A2的库存周转率的倒数为13%、最佳物料落点A2的服务水准率为96%、最佳物料落点A2所采用的预测模型为整合移动平均自回归演算法...等信息。因此,贩售公司可参考备料策略,以进行备料。
综上所述,本发明所示的库存需求预测系统及库存需求预测方法可以在同时考量库存周转率及服务水准的情况下,更准确地提供备料策略,且能够更有效率地因应多变的市场需求,以提供准确的库存预测机制。
虽然本发明已以实施方式揭露如上,然其并非用以限定本发明,任何熟悉此技艺者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰,因此本发明的保护范围当视所附的权利要求书所界定的范围为准。
Claims (9)
1.一种库存需求预测系统,其特征在于,包含:
一储存装置,用以储存多个物料信息、一库存周转率及一服务水准率;
一处理器,耦接于该储存装置,该处理器用以:
依据该库存周转率及该服务水准率以设置一需求满足范围;
计算所述多个物料信息所各自对应的多个最佳物料落点;
将位于该需求满足范围之内的所述最佳物料落点加入一第一备料群组,并将位于该需求满足范围之外的所述最佳物料落点加入一第二备料群组;
计算该第一备料群组中的各所述最佳物料落点的一初始质心;
依据该第二备料群组中的各所述最佳物料落点与该初始质心,以产生多个第一距离指标;
将所述多个第一距离指标中的最短者指定为一第一候选距离,并将该第一候选距离所对应的所述最佳物料落点的其中的一者指定为一当前物料落点,并将该当前物料落点加入该第一备料群组中,以产生一当前备料群组;
将该当前物料落点由该第二备料群组中移除;以及
计算该当前备料群组的一当前质心,并判断该当前质心是否位于该需求满足范围中;
若判断该当前质心位于该需求满足范围中,则依据该第二备料群组中的各所述最佳物料落点与该当前质心,以产生多个第二距离指标,并将所述多个第二距离指标中的最短者指定为一第二候选距离,并将该第二候选距离所对应的所述最佳物料落点的其中的一者指定为该当前物料落点。
2.根据权利要求1所述的库存需求预测系统,其特征在于,当该处理器判断该当前质心不位于该需求满足范围中时,则将该第一备料群组及该第一备料群组所对应的至少一最佳预测演算法指定为一备料策略。
3.根据权利要求1所述的库存需求预测系统,其特征在于,所述多个物料信息包含一第一物料信息,该处理器更用以通过多个第一初始预测演算法对该第一物料信息进行运算,以取得多个第一初始物料落点,所述多个第一初始物料落点分别对应至所述多个第一预测演算法的其中的一者,该处理器选出所述多个第一初始物料落点中的其中的一者指定为一第一最佳物料落点,并将该第一最佳物料落点所对应的所述多个第一初始预测演算法其中的一者指定为一第一最佳预测演算法。
4.根据权利要求3所述的库存需求预测系统,其特征在于,所述多个物料信息包含一第二物料信息,该处理器更用以通过多个第二初始预测演算法对该第二物料信息进行运算,以取得多个第二初始物料落点,所述多个第二初始物料落点分别对应至所述多个第二预测演算法的其中的一者,该处理器选出所述多个第二初始物料落点中的其中的一者指定为一第二最佳物料落点,并将该第二最佳物料落点所对应的所述多个第二初始预测演算法其中的一者指定为一第二最佳预测演算法。
5.根据权利要求4所述的库存需求预测系统,其特征在于,所述多个最佳物料落点包含该第一最佳物料落点及该第二最佳物料落点。
6.根据权利要求3所述的库存需求预测系统,其特征在于,该处理器选出所述多个第一初始物料落点中,最接近一库存周转线及一服务水准线的所述多个第一初始物料落点的其中的一者作为该第一最佳物料落点。
7.根据权利要求1所述的库存需求预测系统,其特征在于,还包含:
一传输装置,耦接于该处理器及该储存装置,该传输装置用以接收来自一服务器的所述多个物料信息。
8.根据权利要求1所述的库存需求预测系统,其特征在于,该库存周转率是由一时间区间内的一销货数量除以该时间区间内的一库存剩余量而得。
9.根据权利要求1所述的库存需求预测系统,其特征在于,该服务水准率是指于一前置期间内,由一库存品直接供货的比率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105138452A TWI618005B (zh) | 2016-11-23 | 2016-11-23 | 庫存需求預測系統 |
TW105138452 | 2016-11-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108090713A true CN108090713A (zh) | 2018-05-29 |
Family
ID=62147158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611052423.3A Pending CN108090713A (zh) | 2016-11-23 | 2016-11-25 | 库存需求预测系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20180144289A1 (zh) |
CN (1) | CN108090713A (zh) |
TW (1) | TWI618005B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434989A (zh) * | 2020-11-16 | 2021-03-02 | 福建星网元智科技有限公司 | 一种基于无线物料盒的物料管理系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1815498A (zh) * | 2005-02-04 | 2006-08-09 | 台湾积体电路制造股份有限公司 | 需求预测系统及方法 |
CN101882253A (zh) * | 2009-05-08 | 2010-11-10 | 北京正辰科技发展有限责任公司 | 物料分析预测管理系统 |
CN105005887A (zh) * | 2015-08-20 | 2015-10-28 | 国网上海市电力公司 | 一种智能电力计量仓储管理系统 |
CN106600032A (zh) * | 2016-10-28 | 2017-04-26 | 北京国电通网络技术有限公司 | 一种库存物资需求预测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3831328B2 (ja) * | 2002-10-11 | 2006-10-11 | Tdk株式会社 | 在庫管理方法、在庫管理システムおよび在庫管理プログラム |
TW200422897A (en) * | 2003-04-25 | 2004-11-01 | Hon Hai Prec Ind Co Ltd | System and method for distributing outbound materials |
TW200525396A (en) * | 2004-01-16 | 2005-08-01 | Hon Hai Prec Ind Co Ltd | System and method for managing inventory |
TWI394089B (zh) * | 2009-08-11 | 2013-04-21 | Univ Nat Cheng Kung | 虛擬生產管制系統與方法及其電腦程式產品 |
-
2016
- 2016-11-23 TW TW105138452A patent/TWI618005B/zh active
- 2016-11-25 CN CN201611052423.3A patent/CN108090713A/zh active Pending
- 2016-12-01 US US15/365,962 patent/US20180144289A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1815498A (zh) * | 2005-02-04 | 2006-08-09 | 台湾积体电路制造股份有限公司 | 需求预测系统及方法 |
US20060178927A1 (en) * | 2005-02-04 | 2006-08-10 | Taiwan Semiconductor Manufacturing Co., Ltd. | Demand forecast system and method |
CN101882253A (zh) * | 2009-05-08 | 2010-11-10 | 北京正辰科技发展有限责任公司 | 物料分析预测管理系统 |
CN105005887A (zh) * | 2015-08-20 | 2015-10-28 | 国网上海市电力公司 | 一种智能电力计量仓储管理系统 |
CN106600032A (zh) * | 2016-10-28 | 2017-04-26 | 北京国电通网络技术有限公司 | 一种库存物资需求预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20180144289A1 (en) | 2018-05-24 |
TW201820217A (zh) | 2018-06-01 |
TWI618005B (zh) | 2018-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991550B (zh) | 商品对象补货信息处理方法及装置 | |
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 | |
Maiti et al. | Two-period pricing and decision strategies in a two-echelon supply chain under price-dependent demand | |
CN103971170B (zh) | 一种用于对特征信息的变化进行预测的方法和装置 | |
Axsäter et al. | A distribution inventory model with transshipments from a support warehouse | |
JP6679734B2 (ja) | コンピュータ化された販促および値引き価格スケジュール | |
JP7105336B2 (ja) | スマートサプライチェーンシステム | |
CN108090225A (zh) | 数据库实例的运行方法、装置、系统及计算机可读存储介质 | |
CN109948829B (zh) | 一种基于多个售货点的调货方法、电子设备及存储介质 | |
CN115689451A (zh) | 一种线下零售门店补货量确定方法、装置、终端及介质 | |
CN106803179A (zh) | 即时分润方法及系统 | |
US20160148226A1 (en) | System and method for forecasting and managing returned merchanidse in retail | |
CN112053168A (zh) | 物料的监控方法、装置、电子设备及存储介质 | |
CN111507673A (zh) | 对商品库存进行管理的方法和装置 | |
US20160247172A1 (en) | System and method for forecasting cross-promotion effects for merchandise in retail | |
JP2020149468A (ja) | 商品管理システムおよび商品管理方法 | |
Lahrichi et al. | A first MILP model for the parameterization of Demand-Driven MRP | |
CN111445133A (zh) | 一种材料管理方法、装置、计算机设备和存储介质 | |
CN110490714A (zh) | 一种销售毛利实时更新方法及系统 | |
CN108090713A (zh) | 库存需求预测系统 | |
JP2003323479A (ja) | 配分処理システム、配分処理装置および配分処理方法 | |
Çavdar et al. | Word-of-mouth on action: Analysis of optimal shipment policy when customers are resentful | |
CN111507779A (zh) | 一种对商品进行等级划分的方法和装置 | |
JP2015032267A (ja) | 需要予測装置及びプログラム | |
CN115482051A (zh) | 基于erp系统的商品管理方法、装置、设备及可读存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180529 |