CN108133339A - 存货管理系统与存货管理方法 - Google Patents

存货管理系统与存货管理方法 Download PDF

Info

Publication number
CN108133339A
CN108133339A CN201611094518.1A CN201611094518A CN108133339A CN 108133339 A CN108133339 A CN 108133339A CN 201611094518 A CN201611094518 A CN 201611094518A CN 108133339 A CN108133339 A CN 108133339A
Authority
CN
China
Prior art keywords
article
processor
articles
classification
machine learning
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
Application number
CN201611094518.1A
Other languages
English (en)
Inventor
欧阳彦
欧阳彦一
吴政鸿
唐靓容
丁奕如
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute for Information Industry
Original Assignee
Institute for Information Industry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute for Information Industry filed Critical Institute for Information Industry
Publication of CN108133339A publication Critical patent/CN108133339A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Abstract

一种存货管理系统与存货管理方法。存货管理系统包含储存器与处理器。储存器储存多个物品、这些物品的特性以及预设类别数据。处理器电性连接至储存器，用以执行以下步骤：依据预设类别数据对多个物品中的每一者进行分类，以使这些物品中的每一者皆包含预设类别，并依据这些物品的这些预设类别及这些物品的特性，以对这些物品中的每一者进行分类，以使这些物品中的每一者皆包含分类类别；依据这些物品的这些分类类别与这些物品的特性以提供这些物品中的每一者预测模型；依据这些物品的这些预测模型以提供存货管理决策表。本发明提供的存货管理系统依据不同类型的产品赋予最适当的存货预测模型，因而减少存货预测的误差，以提高企业的获利。

Description

存货管理系统与存货管理方法
技术领域
本发明是有关于一种管理系统与管理方法，且特别是有关于一种存货管理系统与存货管理方法。
背景技术
在商业模式中，存货管理占了非常重要的地位。举例来说，若产品销售较佳，然而因存货管理不当，导致产品缺货，这会直接影响到产品的整体销售量，企业的获利亦会因而降低。反之，若产品销售欠佳，此时，因存货管理不当，而导致产品囤积，这样亦会影响到企业的现金流，造成企业营运不顺。
以往存货管理的方式，主要是依据所有产品的类型，找出最适合的一种存货预测模型，以进行所有产品的存货预测并提供相关存货建议。然而，单一存货预测模型并不完全适用于所有产品，因此会产生存货预测的误差，影响企业的获利。
由此可见，上述现有的方式，显然仍存在不便与缺陷，而有待改进。为了解决上述问题，相关领域莫不费尽心思来谋求解决之道，但长久以来仍未发展出适当的解决方案。
发明内容
发明内容旨在提供本揭示内容的简化摘要，以使阅读者对本揭示内容具备基本的理解。此发明内容并非本揭示内容的完整概述，且其用意并非在指出本发明实施例的重要/关键元件或界定本发明的范围。
本发明内容的一目的是在提供一种存货管理系统与存货管理方法，借以改善先前技术的问题。
为达上述目的，本发明内容的一技术态样是关于一种存货管理系统，其包含储存器与处理器。储存器储存多个物品、所述多个物品的特性以及预设类别数据。处理器电性连接至储存器，并用以执行以下步骤：(a)依据预设类别数据对多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包含预设类别，并依据所述多个物品的所述多个预设类别及所述多个物品的特性，以对所述多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包含分类类别；(b)依据所述多个物品的所述多个分类类别与所述多个物品的特性以提供所述多个物品中的每一者预测模型；以及(c)依据所述多个物品的所述多个预测模型以提供存货管理决策表。
在一实施例中，步骤(a)还包括：将所述多个物品划分为多个训练物品及多个测试物品；依据所述多个训练物品以取得一第一参数值，借以建立一机器学习器，并以所述多个测试物品验证机器学习器的分类正确性；以及若机器学习器的分类正确性大于一预设门槛，则通过机器学习器进行所述多个物品的分类。
在另一实施例中，步骤(a)还包括：若机器学习器的分类正确性不大于预设门槛，则重新将所述多个物品划分所述多个训练物品及所述多个测试物品；处理器依据重新划分的所述多个训练物品以取得一第二参数值，借以建立机器学习器，并以所述多个测试物品验证机器学习器的分类正确性；以及若机器学习器的分类正确性大于预设门槛，则通过机器学习器以进行所述多个物品的分类。
于再一实施例中，步骤(b)还包括：处理器分析所述多个物品的所述多个分类类别以取得相应的特性，据以提供所述多个物品的所述多个预测模型而预测所述多个物品的预测需求数量。
在又一实施例中，步骤(c)还包括：处理器取得所述多个物品的预测需求数量，并分析所述多个物品的预测需求数量与所述多个物品的实际需求数量的差异，据以提供动态存货管理决策表。
在一实施例中，存货管理系统还包括人机界面。人机界面耦接于储存器及处理器，并用以依据一指令以控制处理器。
在另一实施例中，人机界面依据指令以调整处理器产生的所述多个物品的所述多个分类类别、所述多个物品的所述多个预测模型或动态存货管理决策表。
于再一实施例中，存货管理系统还包括物品类别数据库。物品类别数据库耦接于处理器，并用以储存所述多个物品的所述多个分类类别。
在又一实施例中，步骤(a)还包括：处理器依据存货理论定义所述多个物品的类型以产生预设类别数据；以及依据所述多个物品的特性，以定义所述多个物品的预设类别数据所对应的预测模型，并将预测模型储存于储存器。
在一实施例中，存货管理系统还包括：处理器依据所述多个物品的所述多个分类类别以及预测模型计算而得所述多个物品的需求数量；以及处理器依据所述多个物品的需求数量以提供动态存货管理决策表。
为达上述目的，本发明内容的另一技术态样是关于一种存货管理方法，其包含以下步骤：(a)通过处理器依据预设类别数据对多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包含预设类别，并通过处理器依据所述多个物品的所述多个预设类别及所述多个物品的特性，以对所述多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包含分类类别；(b)通过处理器依据所述多个物品的所述多个分类类别与所述多个物品的特性以提供所述多个物品中的每一者预测模型；以及(c)通过处理器依据所述多个物品的所述多个预测模型而提供动态存货管理决策表。
在一实施例中，步骤(a)还包括：通过处理器将所述多个物品划分为多个训练物品及多个测试物品；通过处理器依据所述多个训练物品以取得一第一参数值，以建立一机器学习器，并以所述多个测试物品以验证机器学习器的分类正确性；以及若机器学习器的分类正确性大于一预设门槛，则通过机器学习器进行所述多个物品的分类。
在另一实施例中，步骤(a)还包括：若机器学习器的分类正确性不大于预设门槛，则重新将所述多个物品划分所述训练物品及所述多个测试物品；通过处理器依据重新划分的所述多个训练物品以取得一第二参数值，以建立机器学习器，并以所述多个测试物品验证机器学习器的分类正确性；以及若机器学习器的分类正确性大于预设门槛，则通过机器学习器以进行所述多个物品的分类。
于再一实施例中，步骤(b)还包括：通过处理器分析所述多个物品的所述多个分类类别以取得相应的特性，据以提供所述多个物品的所述多个预测模型而预测所述多个物品的预测需求数量。
在又一实施例中，步骤(c)还包括：通过处理器取得所述多个物品的预测需求数量，并分析所述多个物品的预测需求数量与所述多个物品的实际需求数量的差异，据以提供动态存货管理决策表。
在一实施例中，存货管理方法还包括：通过一人机界面以依据一指令以控制处理器。
在另一实施例中，通过人机界面以依据指令以控制处理器包括：通过人机界面依据指令以调整处理器产生的所述多个物品的所述多个分类类别、所述多个物品的所述多个预测模型或动态存货管理决策表。
于再一实施例中，存货管理方法还包括：通过一物品类别数据库以储存所述多个物品的所述多个分类类别。
在又一实施例中，步骤(a)还包括：通过处理器依据存货理论定义所述多个物品的类型以产生预设类别数据；以及通过处理器依据所述多个物品的特性，以定义所述多个物品的预设类别数据所对应的预测模型，并将预测模型储存于一储存器。
在一实施例中，存货管理方法还包括：通过处理器依据所述多个物品的所述多个分类类别以及预测模型计算而得所述多个物品的需求数量；以及通过处理器依据所述多个物品的需求数量而提供动态存货管理决策表。
因此，根据本发明的技术内容，本发明实施例提供一种存货管理系统与存货管理方法，借以依据不同类型的产品赋予最适当的存货预测模型，因而减少存货预测的误差，以提高企业的获利。
在参阅下文实施方式后，本发明所属技术领域中具有通常知识者当可轻易了解本发明的基本精神及其他发明目的，以及本发明所采用的技术手段与实施态样。
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是依照本发明一实施例绘示一种存货管理系统的示意图；
图2是绘示依照本发明又一实施方式的一种存货管理方法的流程图。
根据惯常的作业方式，图中各种特征与元件并未依比例绘制，其绘制方式是为了以最佳的方式呈现与本发明相关的具体特征与元件。此外，在不同附图间，以相同或相似的元件符号来指称相似的元件/部件。
具体实施方式
为了使本揭示内容的叙述更加详尽与完备，下文针对了本发明的实施态样与具体实施例提出了说明性的描述；但这并非实施或运用本发明具体实施例的唯一形式。实施方式中涵盖了多个具体实施例的特征以及用以建构与操作这些具体实施例的方法步骤与其顺序。然而，亦可利用其他具体实施例来达成相同或均等的功能与步骤顺序。
除非本说明书另有定义，此处所用的科学与技术词汇的含义与本发明所属技术领域中具有通常知识者所理解与惯用的意义相同。此外，在不和上下文冲突的情形下，本说明书所用的单数名词涵盖该名词的复数型；而所用的复数名词时亦涵盖该名词的单数型。
另外，关于本文中所使用的“耦接”，可指二或多个元件相互直接作实体或电性接触，或是相互间接作实体或电性接触，亦可指二或多个元件相互操作或动作。
图1是依照本发明一实施例绘示一种存货管理系统100的示意图。如图所示，存货管理系统100包含储存器110、处理器120、人机界面130及物品类别数据库140。于连接关系上，处理器120电性连接于储存器110、人机界面130及物品类别数据库140。
于操作关系上，储存器110储存多个物品、这些物品的特性以及预设类别数据。此外，处理器120用以执行以下步骤：(a)依据预设类别数据对存货中的多个物品里的每一者进行分类，使得每一个物品皆包含预设类别，并依据这些物品的预设类别及这些物品的特性，以对这些物品中的每一者进行分类，使得每一个物品皆包含分类类别。举例而言，处理器120可自储存器110取得预设类别数据，此预设类别数据是依据存货理论来提供定义物品类别的基准，或者依据现有物品的预测模型配适度来定义标准物品预定类别，以作为现有物品初始分类的基准。再者，预设类别数据亦可为使用者自行预先提供的一套定义物品类别的基准。据此，处理器120可依据上述初始分类的基准(即预设类别数据)以对多个物品中的每一者进行初步分类。需说明的是，此处的物品可代表但不限于已制成的产品或者制造该产品的备料。
此外，举例而言，处理器120可通过机器学习器以依据这些物品的预设类别及这些物品的特性，而对这些物品中的每一者进行分类。上述机器学习器可为但不限于支持向量机(Support Vector Machine,SVM)，其可依据这些物品的初始类别(即预设类别)以进一步对这些物品分类，而得到更适合每一个物品的精确类别(即分类类别)。在一实施例中，若某一物品的分类类别不适合此物品，则使用者更可透过人机界面130下达指令来调整此物品的分类类别。换言之，本案可通过人机界面130与使用者互动，来进一步调整分类类别，并可将每一个物品的分类类别储存至物品类别数据库140以供后续操作之用。
在一实施例中，上述处理器120执行的步骤(a)还包含：将这些物品划分为多个训练物品(训练集合)及多个测试物品(测试集合)；依据这些训练物品以取得第一参数值，借以建立机器学习器SVM，并以多个测试物品以验证机器学习器SVM的分类正确性；若机器学习器SVM的分类正确性大于预设门槛，则通过机器学习器SVM以进行这些物品的分类。在另一实施例中，上述处理器120执行的步骤(a)还包含：若机器学习器SVM的分类正确性不大于预设门槛，则由处理器120重新划分训练物品及测试物品；依据重新划分的训练物品以取得第二参数值，借以建立该机器学习器SVM，并再度以多个测试物品来验证机器学习器SVM的分类正确性；若机器学习器SVM的分类正确性大于预设门槛，则通过机器学习器SVM以进行这些物品的分类。然若机器学习器SVM的分类正确性依旧不足，则可持续地重复划分不同集合据以取得参数值并进行测试的步骤，直到机器学习器SVM的分类正确性足以进行物品的分类为止。
再者，处理器120用以执行以下步骤：(b)依据这些物品的分类类别与这些物品的特性以提供这些物品中的每一者的预测模型。举例而言，于取得每一个物品的精确类别(即分类类别)后，处理器120当可依据精确类别，并配合储存器110中储存的物品的特性，以提供每一个物品相应的预测模型。上述物品的特性可为但不限于物品数量、物品销售数据、物品权重参数…等等，因此，处理器120当可依据物品的精确类别，并配合这物品的历史销售数据，综合决定此物品应当采用的预测模型，以使物品的存货预测结果更加准确。
具体而言，处理器120透过分析这些物品的精确类别(即分类类别)以取得不同类别物品的历史销售数据，据以提供这些物品采用的预测模型，进而预测这些物品的预测需求数量。在一实施例中，若某一物品的预测模型不适合此物品，则使用者更可透过人机界面130下达指令来调整此物品的预测模型。换言之，本案可通过人机界面130与使用者互动，来进一步增加预测模型的精准度以提供更为精确的物品预测需求数量。
另外，处理器120用以执行以下步骤：(c)依据这些物品的预测模型以提供动态存货管理决策表。举例而言，于取得每一个物品的预测模型后，处理器120当可依据预测模型来提供动态存货管理决策表，由此动态存货管理决策表可知每一个物品的建议存货管理数量，使用者可据以进行存货管理的调整。具体而言，处理器120分析这些物品的预测需求数量与实际需求数量的差异，据以提供上述动态存货管理决策表，进而决定物品的订购数量。在一实施例中，本案更可透过人机界面130与使用者互动以确定动态存货管理决策表建议的物品的订购数量。若某一物品的订购数量不适合此物品，则使用者更可透过人机界面130下达指令来以进行调整。
在一实施例中，处理器120可用以依据存货理论定义存货中的这些物品的类型，以产生预设类别数据，且处理器120依据储存器110储存的物品的特性，以定义物品的预设类别数据所对应的预测模型，并将预测模型储存于储存器110。再者，处理器120依据这些物品的分类类别以及预测模型计算而得这些物品的需求数量。另外，处理器120依据这些物品的需求数量以提供动态存货管理决策表，由此动态存货管理决策表可知每一个物品的建议存货管理数量，使用者可据以进行存货管理的调整。
图2是绘示依照本发明又一实施方式的一种存货管理方法200的流程图。如图所示，本发明的存货管理方法200包含以下步骤：
步骤210：通过处理器以依据预设类别数据对多个物品中的每一者进行分类，以使这些物品中的每一者皆包含预设类别，并依据这些物品的这些预设类别及这些物品的特性，以对这些物品中的每一者进行分类，以使这些物品中的每一者皆包含分类类别；
步骤220：通过处理器依据这些物品的这些分类类别与这些物品的特性以提供这些物品中的每一者一预测模型；
步骤230：通过处理器依据这些物品的这些预测模型而提供动态存货管理决策表。
为使本发明实施例的存货管理方法200易于理解，请一并参阅图1及图2。于步骤210中，存货管理方法200可通过处理器120依据预设类别数据对存货中的多个物品里的每一者进行分类，使得这些物品中的每一者皆包含预设类别，并依据这些物品的预设类别及这些物品的特性，以对上述物品中的每一者进行分类，以使这些物品中的每一者皆包含分类类别。于步骤220中，存货管理方法200可通过处理器120以依据这些物品的分类类别与这些物品的特性以提供上述物品中的每一者一预测模型。于步骤230中，存货管理方法200可通过处理器120以依据这些物品的预测模型而提供动态存货管理决策表。
在一实施例中，步骤210包含以下流程：通过处理器120自储存器110取得预设类别数据，此预设类别数据是依据存货理论来提供定义物品类别的基准，或者依据现有物品的预测模型配适度来定义标准物品预定类别，以作为现有物品初始分类的基准。再者，预设类别数据亦可为使用者自行预先提供的一套定义物品类别的基准。据此，存货管理方法200可通过处理器120依据上述初始分类的基准(即预设类别数据)以对多个物品中的每一者进行初步分类。
在另一实施例中，步骤210包含以下流程：通过处理器120依据这些物品的预设类别及这些物品的特性，以对这些物品中的每一者进行分类，使得每一个物品皆包含分类类别。举例而言，处理器120可采用但不限于以机器学习器来执行步骤210，机器学习器可为但不限于支持向量机(Support Vector Machine,SVM)，其可依据这些物品的初始类别(即预设类别)以进一步对这些物品分类，而得到更适合每一个物品的精确类别(即分类类别)。在一实施例中，若某一物品的分类类别不适合此物品，存货管理方法200更可让使用者透过人机界面130下达指令来调整此物品的分类类别。
在又一实施例中，步骤210包含以下流程：通过处理器120将这些物品划分为多个训练物品(训练集合)及多个测试物品(测试集合)；通过处理器120依据这些训练物品以取得第一参数值，借以建立机器学习器SVM，并以多个测试物品以验证机器学习器SVM的分类正确性；若机器学习器SVM的分类正确性大于预设门槛，则通过机器学习器SVM以进行这些物品的分类。另一方面，步骤210包含以下流程：若机器学习器SVM的分类正确性不大于预设门槛，则通过处理器120重新划分训练物品及测试物品，并依据重新划分的训练物品以取得第二参数值，借以建立该机器学习器SVM，并再度以多个测试物品来验证机器学习器SVM的分类正确性；若机器学习器SVM的分类正确性大于预设门槛，则通过机器学习器SVM以进行这些物品的分类。再者，若机器学习器SVM的分类正确性依旧不足，则步骤210可持续地重复划分不同集合据以取得参数值并进行测试的步骤，直到机器学习器SVM的分类正确性足以进行物品的分类为止。
于再一实施例中，步骤220包含以下流程：通过处理器120依据这些物品的分类类别与这些物品的特性以提供这些物品中的每一者的预测模型。举例而言，于取得每一个物品的精确类别(即分类类别)后，通过处理器120依据精确类别，并配合储存器110中储存的物品的特性，综合决定每一个物品相应的预测模型，以使物品的存货预测结果更加准确。
具体而言，通过处理器120透过分析这些物品的精确类别(即分类类别)以取得不同类别物品的历史销售数据，据以提供这些物品采用的预测模型，进而预测这些物品的预测需求数量。在一实施例中，若某一物品的预测模型不适合此物品，则存货管理方法200可让使用者透过人机界面130下达指令来调整此物品的预测模型。
在一实施例中，步骤230包含以下流程：通过处理器120以依据这些物品的预测模型以提供动态存货管理决策表。举例而言，于取得每一个物品的预测模型后，处理器120当可依据预测模型来提供动态存货管理决策表，由此动态存货管理决策表可知每一个物品的建议存货管理数量，使用者可据以进行存货管理的调整。具体而言，可通过处理器120分析这些物品的预测需求数量与实际需求数量的差异，据以提供上述动态存货管理决策表，进而决定物品的订购数量。在一实施例中，存货管理方法200更可让使用者与人机界面130互动以确定动态存货管理决策表建议的物品的订购数量。若某一物品的订购数量不适合此物品，则使用者更可透过人机界面130下达指令来以进行调整。
在一实施例中，存货管理方法200还包含以下步骤：通过处理器120以依据存货理论定义存货中的这些物品的类型，以产生预设类别数据；以及通过处理器120依据储存器110储存的物品的特性，以定义物品的预设类别数据所对应的预测模型，并将预测模型储存于储存器110。须说明的是，预测模型与物品数据(多个物品、这些物品的特性以及预设类别数据)也可分别储存于不同的储存器中。
在另一实施例中，存货管理方法200还包含以下步骤：通过处理器120依据这些物品的分类类别以及预测模型计算而得这些物品的需求数量；通过处理器120依据这些物品的需求数量以提供动态存货管理决策表，由此动态存货管理决策表可知每一个物品的建议存货管理数量，使用者可据以进行存货管理的调整。
所属技术领域中具有通常知识者当可明白，存货管理方法200中的各步骤依其执行的功能予以命名，仅是为了让本案的技术更加明显易懂，并非用以限定该等步骤。将各步骤予以整合成同一步骤或分拆成多个步骤，或者将任一步骤更换到另一步骤中执行，皆仍属于本揭示内容的实施方式。
由上述本发明实施方式可知，应用本发明具有下列优点。本发明实施例提供一种存货管理系统与存货管理方法，借以依据不同类型的产品赋予最适当的存货预测模型，因而减少存货预测的误差，以提高企业的获利。
虽然上文实施方式中揭露了本发明的具体实施例，然其并非用以限定本发明，本发明所属技术领域中具有通常知识者，在不悖离本发明的原理与精神的情形下，当可对其进行各种更动与修饰，因此本发明的保护范围当以附随权利要求书所界定的范围为准。

Claims (20)

1.一种存货管理系统，其特征在于，包括：
一储存器，储存多个物品、所述多个物品的特性以及一预设类别数据；以及
一处理器，电性连接至该储存器，用以执行以下步骤：
(a)依据该预设类别数据对所述多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包括一预设类别，并依据所述多个物品的所述多个预设类别及所述多个物品的特性，以对所述多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包括一分类类别；
(b)依据所述多个物品的所述多个分类类别与所述多个物品的特性以提供所述多个物品中的每一者一预测模型；以及
(c)依据所述多个物品的所述多个预测模型以提供一动态存货管理决策表。
2.根据权利要求1所述的存货管理系统，其特征在于，其中步骤(a)还包括：
将所述多个物品划分为多个训练物品及多个测试物品；
依据所述多个训练物品以取得一第一参数值，借以建立一机器学习器，并以所述多个测试物品验证该机器学习器的分类正确性；以及
若该机器学习器的分类正确性大于一预设门槛，则通过该机器学习器进行所述多个物品的分类。
3.根据权利要求2所述的存货管理系统，其特征在于，其中步骤(a)还包括：
若该机器学习器的该分类正确性不大于该预设门槛，则重新将所述多个物品划分所述多个训练物品及所述多个测试物品；
该处理器依据重新划分的所述多个训练物品以取得一第二参数值，借以建立该机器学习器，并以所述多个测试物品验证该机器学习器的分类正确性；以及
若该机器学习器的分类正确性大于该预设门槛，则通过该机器学习器以进行所述多个物品的分类。
4.根据权利要求1所述的存货管理系统，其特征在于，其中步骤(b)还包括：
该处理器分析所述多个物品的所述多个分类类别以取得相应的特性，据以提供所述多个物品的所述多个预测模型而预测所述多个物品的预测需求数量。
5.根据权利要求4所述的存货管理系统，其特征在于，其中步骤(c)还包括：
该处理器取得所述多个物品的预测需求数量，并分析所述多个物品的预测需求数量与所述多个物品的实际需求数量的差异，据以提供该动态存货管理决策表。
6.根据权利要求1至5任一项所述的存货管理系统，其特征在于，还包括：
一人机界面，耦接于该储存器及该处理器，用以依据一指令以控制该处理器。
7.根据权利要求6所述的存货管理系统，其特征在于，其中该人机界面依据该指令以调整该处理器产生的所述多个物品的所述多个分类类别、所述多个物品的所述多个预测模型或该动态存货管理决策表。
8.根据权利要求1至5任一项所述的存货管理系统，其特征在于，还包括：
一物品类别数据库，耦接于该处理器，用以储存所述多个物品的所述多个分类类别。
9.根据权利要求8所述的存货管理系统，其特征在于，其中步骤(a)还包括：
该处理器依据存货理论定义所述多个物品的类型以产生该预设类别数据；以及
依据所述多个物品的特性，以定义所述多个物品的该预设类别数据所对应的该预测模型，并将该预测模型储存于该储存器。
10.根据权利要求9所述的存货管理系统，其特征在于，还包括：
该处理器依据所述多个物品的所述多个分类类别以及该预测模型计算而得所述多个物品的需求数量；以及
该处理器依据所述多个物品的需求数量以提供该动态存货管理决策表。
11.一种存货管理方法，其特征在于，包括：
(a)通过一处理器依据一预设类别数据对多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包括一预设类别，并依据所述多个物品的所述多个预设类别及所述多个物品的特性，以对所述多个物品中的每一者进行分类，以使所述多个物品中的每一者皆包括一分类类别；
(b)通过该处理器依据所述多个物品的所述多个分类类别与所述多个物品的特性以提供所述多个物品中的每一者一预测模型；以及
(c)通过该处理器依据所述多个物品的所述多个预测模型而提供一动态存货管理决策表。
12.根据权利要求11所述的存货管理方法，其特征在于，其中步骤(a)还包括：
通过该处理器将所述多个物品划分为多个训练物品及多个测试物品；
通过该处理器依据所述多个训练物品以取得一第一参数值，以建立一机器学习器，并以所述多个测试物品以验证该机器学习器的分类正确性；以及
若该机器学习器的分类正确性大于一预设门槛，则通过该机器学习器进行所述多个物品的分类。
13.根据权利要求12所述的存货管理方法，其特征在于，其中步骤(a)还包括：
若该机器学习器的该分类正确性不大于该预设门槛，则重新将所述多个物品划分所述多个训练物品及所述多个测试物品；
通过该处理器依据重新划分的所述多个训练物品以取得一第二参数值，以建立该机器学习器，并以所述多个测试物品验证该机器学习器的分类正确性；以及
若该机器学习器的分类正确性大于该预设门槛，则通过该机器学习器以进行所述多个物品的分类。
14.根据权利要求11所述的存货管理方法，其特征在于，其中步骤(b)还包括：
通过该处理器分析所述多个物品的所述多个分类类别以取得相应的特性，据以提供所述多个物品的所述多个预测模型而预测所述多个物品的预测需求数量。
15.根据权利要求14所述的存货管理方法，其特征在于，其中步骤(c)还包括：
通过该处理器取得所述多个物品的预测需求数量，并分析所述多个物品的预测需求数量与所述多个物品的实际需求数量的差异，据以提供该动态存货管理决策表。
16.根据权利要求11至15任一项所述的存货管理方法，其特征在于，还包括：
通过一人机界面以依据一指令以控制该处理器。
17.根据权利要求16所述的存货管理方法，其特征在于，其中通过该人机界面以依据该指令以控制该处理器，包括：
通过该人机界面依据该指令以调整该处理器产生的所述多个物品的所述多个分类类别、所述多个物品的所述多个预测模型或该动态存货管理决策表。
18.根据权利要求11至15任一项所述的存货管理方法，其特征在于，还包括：
通过一物品类别数据库以储存所述多个物品的所述多个分类类别。
19.根据权利要求18所述的存货管理方法，其特征在于，其中步骤(a)还包括：
通过该处理器依据存货理论定义所述多个物品的类型以产生该预设类别数据；以及
通过该处理器依据所述多个物品的特性，以定义所述多个物品的该预设类别数据所对应的该预测模型，并将该预测模型储存于一储存器。
20.根据权利要求19所述的存货管理方法，其特征在于，还包括：
通过该处理器依据所述多个物品的所述多个分类类别以及该预测模型计算而得所述多个物品的需求数量；以及
通过该处理器依据所述多个物品的需求数量而提供该动态存货管理决策表。
CN201611094518.1A 2016-12-01 2016-12-02 存货管理系统与存货管理方法 Pending CN108133339A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW105139740 2016-12-01
TW105139740A TWI666598B (zh) 2016-12-01 2016-12-01 存貨管理系統與存貨管理方法

Publications (1)

Publication Number Publication Date
CN108133339A true CN108133339A (zh) 2018-06-08

Family

ID=62243248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611094518.1A Pending CN108133339A (zh) 2016-12-01 2016-12-02 存货管理系统与存货管理方法

Country Status (3)

Country Link
US (1) US20180158015A1 (zh)
CN (1) CN108133339A (zh)
TW (1) TWI666598B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10242336B1 (en) * 2014-12-02 2019-03-26 Amazon Technologies, Inc. Inventory and delivery management
CN109034694B (zh) * 2018-07-12 2021-02-12 广东人励智能工程有限公司 基于智能制造的生产原料智能存储方法及系统
US11004034B2 (en) 2019-02-06 2021-05-11 Laundris Corporation Inventory management system
CA3202052A1 (en) * 2020-12-15 2022-06-23 Louis Rick Morris Systems and methods for inventory control and optimization
CN112561193A (zh) * 2020-12-23 2021-03-26 上海亿边科技有限公司 一种基于fpga推断加速的ai智能电力负荷预测系统
CN115587423B (zh) * 2022-09-26 2023-07-21 广州中誉精密模具有限公司 一种汽车模具生产的智能化管理方法、管理系统和存储介质
CN115600772A (zh) * 2022-12-13 2023-01-13 山东朱氏堂医疗器械有限公司（Cn） 一种用于物理退热产品的预测管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853400A (zh) * 2010-05-20 2010-10-06 武汉大学 基于主动学习和半监督学习的多类图像分类方法
CN102855457A (zh) * 2012-08-06 2013-01-02 中国科学院自动化研究所 一种基于智能预测的门形rfid多天线部署系统及方法
CN104408467A (zh) * 2014-11-26 2015-03-11 西安电子科技大学 基于金字塔采样和支持矢量机的极化sar图像分类方法

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6161101A (en) * 1994-12-08 2000-12-12 Tech-Metrics International, Inc. Computer-aided methods and apparatus for assessing an organization process or system
US5701400A (en) * 1995-03-08 1997-12-23 Amado; Carlos Armando Method and apparatus for applying if-then-else rules to data sets in a relational data base and generating from the results of application of said rules a database of diagnostics linked to said data sets to aid executive analysis of financial data
US7801830B1 (en) * 1999-12-30 2010-09-21 At&T Intellectual Property I, L.P. System and method for marketing, managing, and maintaining intellectual property
US7693738B2 (en) * 2001-03-22 2010-04-06 Guinta Lawrence R Computer-aided methods and apparatus for assessing an organizational process or system
US7644863B2 (en) * 2001-11-14 2010-01-12 Sap Aktiengesellschaft Agent using detailed predictive model
JP2003162673A (ja) * 2001-11-27 2003-06-06 World:Kk 稼動状況に基づく商品選別システム
US6843415B2 (en) * 2002-01-11 2005-01-18 Sap Atkiengesellschaft Event-based communication in a distributed item tracking system
US6681990B2 (en) * 2002-05-31 2004-01-27 Sap Aktiengesellschaft Item tracking systems and real-time inventory management
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
TW200525396A (en) * 2004-01-16 2005-08-01 Hon Hai Prec Ind Co Ltd System and method for managing inventory
CN1741053A (zh) * 2005-09-22 2006-03-01 上海交通大学 物流仓储决策支持系统
US8694372B2 (en) * 2005-12-21 2014-04-08 Odysii Technologies Ltd Systems and methods for automatic control of marketing actions
US8055544B2 (en) * 2006-06-02 2011-11-08 Cobalt Group, Inc. Source- and venue-specific inventory data processing and identification system
US8027863B2 (en) * 2006-10-31 2011-09-27 Caterpillar Inc. Method for forecasting a future inventory demand
EP2092478A1 (en) * 2006-11-02 2009-08-26 BAE Systems PLC Method of building a data integration environment
US8032404B2 (en) * 2007-06-13 2011-10-04 International Business Machines Corporation Method and system for estimating financial benefits of packaged application service projects
US8006223B2 (en) * 2007-06-13 2011-08-23 International Business Machines Corporation Method and system for estimating project plans for packaged software applications
US8935721B2 (en) * 2009-07-15 2015-01-13 Time Warner Cable Enterprises Llc Methods and apparatus for classifying an audience in a content distribution network
US9178634B2 (en) * 2009-07-15 2015-11-03 Time Warner Cable Enterprises Llc Methods and apparatus for evaluating an audience in a content-based network
US8249956B1 (en) * 2010-03-23 2012-08-21 Sprint Communications Company L.P. Inventory variance detection modeling
US8856936B2 (en) * 2011-10-14 2014-10-07 Albeado Inc. Pervasive, domain and situational-aware, adaptive, automated, and coordinated analysis and control of enterprise-wide computers, networks, and applications for mitigation of business and operational risks and enhancement of cyber security
US20160232637A1 (en) * 2013-09-20 2016-08-11 Nec Corporation Shipment-Volume Prediction Device, Shipment-Volume Prediction Method, Recording Medium, and Shipment-Volume Prediction System
CN103778205B (zh) * 2014-01-13 2018-07-06 北京奇虎科技有限公司 一种基于互信息的商品分类方法和系统
WO2015116038A1 (en) * 2014-01-28 2015-08-06 Overstock.Com, Inc. Supply chain management system
US9079505B1 (en) * 2014-02-25 2015-07-14 Elwah LLC System and method for management of a fleet of vehicles having an energy storage system
US9056556B1 (en) * 2014-02-25 2015-06-16 Elwha Llc System and method for configuration and management of an energy storage system for a vehicle
US9878631B2 (en) * 2014-02-25 2018-01-30 Elwha Llc System and method for predictive control of an energy storage system for a vehicle
US10147108B2 (en) * 2015-04-02 2018-12-04 The Nielsen Company (Us), Llc Methods and apparatus to identify affinity between segment attributes and product characteristics
US10074071B1 (en) * 2015-06-05 2018-09-11 Amazon Technologies, Inc. Detection of inner pack receive errors
US9911290B1 (en) * 2015-07-25 2018-03-06 Gary M. Zalewski Wireless coded communication (WCC) devices for tracking retail interactions with goods and association to user accounts
US10157452B1 (en) * 2015-09-28 2018-12-18 Amazon Technologies, Inc. Image processing system for image rectification
US9275347B1 (en) * 2015-10-09 2016-03-01 AlpacaDB, Inc. Online content classifier which updates a classification score based on a count of labeled data classified by machine deep learning
US10127438B1 (en) * 2017-08-07 2018-11-13 Standard Cognition, Corp Predicting inventory events using semantic diffing

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853400A (zh) * 2010-05-20 2010-10-06 武汉大学 基于主动学习和半监督学习的多类图像分类方法
CN102855457A (zh) * 2012-08-06 2013-01-02 中国科学院自动化研究所 一种基于智能预测的门形rfid多天线部署系统及方法
CN104408467A (zh) * 2014-11-26 2015-03-11 西安电子科技大学 基于金字塔采样和支持矢量机的极化sar图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李峰: "库存系统分析与控制策略研究", 《万方学位论文》 *
王玥: "M制药公司库存管理改进方案", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Also Published As

Publication number Publication date
US20180158015A1 (en) 2018-06-07
TWI666598B (zh) 2019-07-21
TW201822084A (zh) 2018-06-16

Similar Documents

Publication Publication Date Title
CN108133339A (zh) 存货管理系统与存货管理方法
Romao et al. Robotic process automation: A case study in the banking industry
Fontana et al. Processes versus people: How should agile software development maturity be defined?
Marques et al. Multi-criteria performance analysis for decision making in project management
Swamidass et al. Manufacturing strategy, environmental uncertainty and performance: a path analytic model
Czvetkó et al. Data-driven business process management-based development of Industry 4.0 solutions
CN105989450A (zh) 自动加速原型生成系统
Žemgulienė et al. Structured literature review on business process performance analysis and evaluation
López-Mesa et al. On the significance of cognitive style and the selection of appropriate design methods
Wibig Dynamic programming and genetic algorithm for business processes optimisation
Johannsen et al. Implementing six sigma for improving business processes at an automotive bank
Masoumik et al. The development of a strategic prioritisation method for green supply chain initiatives
Amin A systematic approach for selecting lean strategies and assessing leanness in manufacturing organizations
Ersöz et al. Defective products management in a furniture production company: A data mining approach
Prinz et al. CASSI: Designing a simulation environment for vehicle relocation in carsharing
Oukharijane et al. Towards an approach for the evaluation of the quality of business process models
Urnauer et al. Multidimensional assessment of value stream design alternatives
Aksu et al. Automated prediction of relevant key performance indicators for organizations
Richter et al. Visualization of requirements engineering data to analyse the current product maturity in the early phase of product development
Mohammed Internet-of-things, data analytics, and business intelligence technologies can assist in process management and process improvement efforts in the fast-moving consumer goods (FMCG) sector
Hocke et al. Improving simulation model analysis and communication via design of experiment principles: an example from the simulation-based design of cost accounting systems
Pataricza et al. Cost estimation for independent systems verification and validation
Riesener et al. Quantification of complexity in cyber-physical systems based on key figures
Chen Multi-layer hierarchical DEMATEL method: Analysis of soft factors in TQM practice
Tripathi et al. Improved software cost estimation models: A new perspective based on evolution in Dynamic Environment

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

Application publication date: 20180608

WD01 Invention patent application deemed withdrawn after publication