CN109767032A - 一种基于数据分析的企业财务运营数字化管理优化系统 - Google Patents
一种基于数据分析的企业财务运营数字化管理优化系统 Download PDFInfo
- Publication number
- CN109767032A CN109767032A CN201811582022.8A CN201811582022A CN109767032A CN 109767032 A CN109767032 A CN 109767032A CN 201811582022 A CN201811582022 A CN 201811582022A CN 109767032 A CN109767032 A CN 109767032A
- Authority
- CN
- China
- Prior art keywords
- forecast
- purchasing
- sales
- sales forecast
- data analysis
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于数据分析的企业财务运营数字化管理优化系统,其特征在于包括:销售预测模块,建立灰色区间销售预测模型;采购预测模块,建立销售预测与采购预测的转化模型;库存控制模块,在非平稳需求以及区间预测需求情况下基于置信规则推理进行库存控制。本发明能够基于INDICS平台,应用工业物联网网关SMARTIOT,开展实时数据采集与监控,应用工业大数据分析技术,实现采购需求预测。
Description
技术领域
本发明属于企业营销技术领域,具体涉及一种基于数据分析的企业财务运营数字化管理优化系统。
背景技术
信息化的迅速发展,产生了大量的业务数据、中间数据和非结构化数据,大数据随之兴起。要从这些海量数据中提取出有价值的信息,为B2B(Business-to-Business)电子商务模式)云平台的各类决策提供参考和服务,需要结合大数据和人工智能技术。国外的亚马逊、Google和Facebook是数据挖掘技术应用的先行者。在国内的电商平台中,大数据的思想和技术逐步开始在业务中获得实践和尝试,可为企业平台采购提供参考。
大数据极大程度的改变了传统的营销方式,以往的营销主要是通过品牌传播,通过群体分析,在大数据时代,让营销变得更加精准、更加有效,甚至让交易达成直接变成了现实,极大程度上提高了营销的效率。同时,大数据实现了线下渠道和线上渠道的结合,让传统的营销方式直接进入到多屏时代;大数据通过用户画像分析、市场状况分析、触达场景分析、营销产品内容分析,洞悉营销对象的诉求点,利用个性化推荐技术,实现了真正意义上的个性化精准营销。
尽管企业目前普遍利用ERP(Enterprise Resource Planning,企业资源计划)系统等对企业的生产运营进行管理,但无法对成本、收入、市场、库存等信息进行有效利用分析,对企业运营决策的支撑略显不足,企业运营仍存在系统外业务单据,尚未纳入信息系统进行统一管理、分析,相关业务表单未进行标准化管理,格式多样,需要占用大量人员资源进行数据信息处理,耗费大量时间及精力。
发明内容
本发明要解决的技术问题
针对企业运营的未来发展趋势,本发明旨在解决企业运营面临的三个方面的突出挑战:
(1)整合多系统零散分布数据,便于用户集中统一、标准化管理数据,为数据提取分析提供基础;
(2)打破线下单据传统处理模式,有效的节约用户整理、统计分析数据耗用时间,提高单据标准化管理水平;
(3)通过整合企业运营各部门的数据,综合分析产品生命周期分布情况、企业生产订单负荷水平、潜在客户等数据,运用模型算法,预测企业未来销售收入流入情况,为企业管理层制定下一阶段发展计划提供可靠的数据支持。
解决技术问题的技术手段
为了解决上述技术问题,本发明的发明人开发了一种基于数据分析的企业财务运营数字化管理优化系统,其特征在于包括:销售预测模块,建立灰色区间销售预测模型;采购预测模块,建立销售预测与采购预测的转化模型;库存控制模块,在非平稳需求以及区间预测需求情况下基于置信规则推理进行库存控制。
进一步,在销售预测模块中,优选地是,针对产品的销售预测建立灰色区间销售预测模型,将影响销售的因素纳入灰色区间销售预测模型中,将销售量作为灰色量处理并带入销售预测模型中进行推理和论证,并从正确值包括性和区间半径的角度验证该模型的有效性。
进一步,在采购预测模块中,优选地是,利用区间数形式的灰色区间销售预测结果,使用区间形式的物料清单数据结构,将销售预测转化为采购预测过程的实时库存约束情况,实际产能约束、剩余产能约束、计划产能、资金占用限制转化为带区间数的约束条件,从而将销售预测向采购预测的关联转化过程转变为区间数优化问题;通过从区间可能度和反向约束的角度,实现对区间数不确定传递的优化,并通过预测稳定性和预测准确性的角度验证区间销售预测向采购预测的转化;根据销售预测结果区间,再将区间销售预测结果转化为采购预测结果。
进一步,在库存控制模块中,优选地是,在不确定优化的灰色区间关联预测的基础上,利用置信推理方法,考虑需求预测情况和需求历史记录信息,使用区间需求输入;利用关联预测结果验证库存控制的有效性,进而验证从销售预测到采购预测、再到库存控制的关联预测模型的有效性和可行性。
进一步,在库存控制模块中,优选地是,最终确定采购预测数量符合以下公式:采购预测数量=安全库存数量+现有库存+在途订单数量-供应周期(月)×月均消耗数量,其中,现有库存不包含安全库存数量。
发明效果
本发明能够基于INDICS平台,应用工业物联网网关SMARTIOT,开展实时数据采集与监控。应用工业大数据分析技术,实现采购需求预测,大数据系统主要以产品最终性能为目标,分析所有参数的相关性的贡献,并进行排序;可为产品设计参数优化和生产过程公差适配提供参考;利用采购需求预测技术动态结合实时库存情况、实际产能、剩余产能、计划产能,以及历史销售数据,预测采购需求,支撑企业根据产能情况合理制定采购计划;利用数据营销技术抓取用户的基本属性、行为轨迹、交易信息等数据标签,深度分析客户需求,形成用户画像、产品画像等模型,精准推送营销信息;利用供应链动态管理技术分析供应商资源与供应商网络历史数据,进行供应商评价,并对采购需求进行供应商推荐。并且,本发明完成了与企业ERP系统的集成,基于对企业的财务、市场、物资、库存等多元运营数据的融合分析挖掘,完成企业运营决策大数据分析应用的设计开发及上线。
附图说明
图1为示出本发明的建立销售预测模型的流程图。
图2为通过本发明的基于数据分析的企业财务运营数字化管理优化系统完成的企业运营决策大数据分析应用中,一个具体的销售预测数据查询功能页面。
图3为通过本发明的基于数据分析的企业财务运营数字化管理优化系统完成的企业运营决策大数据分析应用中,一个具体的采购预测查询功能页面。
图4为示出了通过GM(1,1)灰色模型对某生产物料的采购量进行预测的图。
图5为通过本发明的基于数据分析的企业财务运营数字化管理优化系统完成的企业运营决策大数据分析应用中,一个具体的库存控制页面。
图6示出了本发明的基于数据分析的企业财务运营数字化管理优化系统中,销售预测模块、采购预测模块及库存控制模块的逻辑图。
具体实施方式
下面对本发明的基于数据分析的企业财务运营数字化管理优化系统的具体实施方式进行说明。
企业发展的不同阶段,可能适用于不同的算法,随着采购数据与销售数据的增加,模型可不断提高计算精确性,而且可以通过相关性分析识别影响销售、采购及库存的因素,并对预测数据值进行优化。本发明使用异构异质多协议转换网关技术、复杂工业设备数据采集技术、软硬一体的快采技术和异构多源信息化系统数据采集技术,获取多维产品全生命周期数据。针对自动化产线、关键设备两类对象产生的质量检测、生产制造、工艺参数等多元数据,构建质量工艺、故障分析等数据维度,表征总装及测试过程中发生的各类事件,对多元数据进行融合分析。利用概要、采样等数据预处理技术,对海量异构数据进行清洗和约简。应用分布式数据挖掘引擎,应对数据规模增速快、数据结构复杂等问题。基于数据分析的企业财务运营数字化管理优化系统进行数据分析,本发明包括如下模块:
(1)销售预测模块
首先,在销售预测模块中,针对产品的销售预测建立灰色区间销售预测模型,将影响销售的因素(如时间因素)纳入系统中,将销售量作为灰色量处理并带入预测模型中进行推理和论证,并从正确值包括性和区间半径的角度验证该模型的有效性。
多元线性回归模型,可以进行多因素分析,简单易用,精度较高且具有一致性,但是对数据量要求较高,因子选择的不确定对模型精度有较大营销。
GM(1,N)灰色模型训练样本少,短期预测效果好,要求数据不能有太大波动。灰色模型采取了从整体到部分再由部分到整体,从不同方位、不同角度来研究问题。因此,用序列作微分建模时,首先从序列的一个真正的微分方程模型应该满足那些条件的序列,建立近似的微分方程模型。
BP(Back Propagation)神经网络法具有自学习自适应能力,对非线性预测能力较强,具有较高的容错性且适用于多因素分析,但是收敛速度较慢,模型的权值和阈值对模型训练营销较大,容易陷入局部极值。
企业可采用上述三种方法进行预测和训练,当三个预测模型训练结束以后,系统可以自动查看训练结果均方误差(MSE),当MSE值越小,则预测模型精确度越高,预测效果越好,自动推荐最优算法。
采用灰色模型算法可以减少对数据源的要求,而且在预测精度的基础上实现了对误差波动范围的量化。在企业中,可用于销售预测的数据源通常来自于历史表单或ERP历史数据,数据源属性较单一,某些高价值物料的采购数量、频次往往很低,造成了数据量匮乏、数据建模困难的窘境。因此,在对制造型企业的销售预测及采购预测中,采用灰色模型,是一种最佳选择。针对产品的销售预测建立灰色区间销售预测模型,将影响销售的因素(如时间因素)纳入灰色区间销售预测模型中,将销售量作为灰色量处理并带入预测模型中进行推理和论证,并从正确值包括性和区间半径的角度验证该模型的有效性。
如图1所示,以时间序列采购历史数据为单变量,建立GM(1,1)销售预测模型。GM(1,1)模型实际是用单变量的一阶微分方程去拟合曲线得到最后预测值。依照灰色系统算法实现GM(1,1)的模型的建立,对销售结果区间进行预测。
例如,图2示出了系统销售预测数据查询页面,可通过产品线、编号、名称等检索条件,对指定产品进行按月销售量预测(图2、图3和图5均是通过本发明的基于数据分析的企业财务运营数字化管理优化系统完成的企业运营决策大数据分析应用的具体实例)。
(2)采购预测模块
然后,在采购预测模块中,销售预测依据BOM(Bill of Material,物料清单)转化为采购预测的中间环节,针对企业产品BOM种类繁多以及单层BOM和多层BOM数据计算模型不同的问题,使用一种通用的树形BOM和改进的物料需求计划算法,使得区间预算过程变得简单,减少MRP运算量,并以此建立销售预测与采购预测的转化模型,在建立的预测区间转化模型的基础上,使用一种区间计算方法,充分考虑区间包含的问题,减小最终预测结果的区间宽度。
具体而言,如图2所示,利用区间数形式的灰色区间销售预测结果,考虑到在实际场景中由于不同型号产品的报废率不同,所以同种材料针对不同种产品型号的消耗误差或生产中的损耗不同,使用区间形式的改进BOM(Bill of Material,物料清单)数据结构,并将销售预测转化为采购预测过程的实时库存约束情况,实际产能约束、剩余产能约束、计划产能、资金占用限制转化为带区间数的约束条件,从而将销售预测向采购预测的关联转化过程转变为区间数优化问题。通过从区间可能度和反向约束的角度,实现对区间数不确定传递的优化,并通过预测稳定性和预测准确性的角度验证区间销售预测向采购预测的转化。根据销售预测结果区间,再将区间销售预测结果转化为采购预测结果,在这个过程中最主要的是根据准确的BOM(Bill of Material,物料清单)、实际产能、实际库存将销售预测展开至生产原材料采购。
例如,图3示出了系统采购预测查询功能页面,依据已经生成的销售预测及虚拟预测订单号,基于系统中预设的BOM结构,对销售预测结果进行展开,生成采购预测,对于采购预测结果支持结果导出、导入采购预测总表、导出采购预测总表等操作。
图4示出了机体4UFC-4NFC基于往年采购信息而做出的2018采购量预测。
在采购需求预测模型中,模型优化目标设定为销售订单的齐套率提高。因此,在模型约束条件中必须要引入准确的BOM数据及不同规格产品的报废率(生产过程损耗率)设定。
订单生产齐套率的数据基础是BOM,BOM作为产品生产的物料组成在采购预测模块中扮演着重要的角色,BOM可以知道每种产品在何时何道工序需要多少材料。也就是说BOM数据是企业采购数量运算的重要因子,而基于BOM给出的材料数量都是标准数量,企业生产由于工序工艺以及员工水平的限制,同一产品的不同材料的耗损率不同,同种材料在不同种产品中的耗损率也不同,此外BOM的数据结构复杂,复杂的BOM包含多层物料清单,每层物料清单中的物料并不唯一,这就造成销售预测结果经过BOM转化为物料采购预测结果的时候掺杂了来自BOM、生产和库存的大量不确定性信息,同时多层BOM结果不利于区间数的运算。因此合理的对BOM数据结构剔除不确定信息进行重构将直接影响到采购预测的准确性,即最终订单完成的齐套率。
(3)库存控制模块
作为,在库存控制模块中,提出一种在非平稳需求以及区间预测需求情况下的基于置信规则推理的库存控制方法,不依赖于需求的分布模型,区间预测需求利用能够处理多种定性和定量不确定行信息的ER(证据推理)框架,领域专家知识可以用来构建和初始化置信规则库,历史需求信息可以用来训练置信规则库,以得到更加可信的推理。
具体而言,在不确定优化的灰色区间关联预测的基础上,利用置信推理方法,综合考虑需求预测情况和需求历史记录信息,使用区间需求输入情况下的库存控制方法。该方法使得基于区间数的销售与采购关联预测结果能够对成品和原材料库存控制具有直接指导性。利用关联预测结果验证该库存控制方法的有效,进而验证从销售预测到采购预测、再到库存控制的关联预测模型的有效性和可行性。例如,图5示出了系统库存控制功能页面,可根据已经确定的系统主数据,对安全库存水平进行计算。
为保证生产的连续性,采购数量应保证最低库存不低于安全库存数量,因此,采购预测订单数量应基于安全库存数量,根据历史数据实时动态调整,符合以下公式:
采购预测数量=安全库存数量+现有库存(不包含安全库存数量)+在途订单数量-供应周期(月)×月均消耗数量(计划产能)。
Claims (5)
1.一种基于数据分析的企业财务运营数字化管理优化系统,其特征在于包括:
销售预测模块,建立灰色区间销售预测模型;
采购预测模块,建立销售预测与采购预测的转化模型;
库存控制模块,在非平稳需求以及区间预测需求情况下基于置信规则推理进行库存控制。
2.根据权利要求1所述的基于数据分析的企业财务运营数字化管理优化系统,其特征在于,在销售预测模块中,针对产品的销售预测建立灰色区间销售预测模型,将影响销售的因素纳入灰色区间销售预测模型,将销售量作为灰色量处理并带入销售预测模型中进行推理和论证,并从正确值包括性和区间半径的角度验证该模型的有效性。
3.根据权利要求1所述的基于数据分析的企业财务运营数字化管理优化系统,其特征在于,在采购预测模块中,利用区间数形式的灰色区间销售预测结果,使用区间形式的物料清单数据结构,将销售预测转化为采购预测过程的实时库存约束情况,实际产能约束、剩余产能约束、计划产能、资金占用限制转化为带区间数的约束条件,从而将销售预测向采购预测的关联转化过程转变为区间数优化问题;通过从区间可能度和反向约束的角度,实现对区间数不确定传递的优化,并通过预测稳定性和预测准确性的角度验证区间销售预测向采购预测的转化;根据销售预测结果区间,再将区间销售预测结果转化为采购预测结果。
4.根据权利要求1所述的基于数据分析的企业财务运营数字化管理优化系统,其特征在于,在库存控制模块中,在不确定优化的灰色区间关联预测的基础上,利用置信推理方法,考虑需求预测情况和需求历史记录信息,使用区间需求输入;利用关联预测结果验证库存控制的有效性,进而验证从销售预测到采购预测、再到库存控制的关联预测模型的有效性和可行性。
5.根据权利要求1所述的基于数据分析的企业财务运营数字化管理优化系统,其特征在于,在库存控制模块中,最终确定的采购预测数量符合以下公式:采购预测数量=安全库存数量+现有库存+在途订单数量-供应周期×月均消耗数量,其中,现有库存不包含安全库存数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811582022.8A CN109767032A (zh) | 2018-12-24 | 2018-12-24 | 一种基于数据分析的企业财务运营数字化管理优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811582022.8A CN109767032A (zh) | 2018-12-24 | 2018-12-24 | 一种基于数据分析的企业财务运营数字化管理优化系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109767032A true CN109767032A (zh) | 2019-05-17 |
Family
ID=66452148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811582022.8A Pending CN109767032A (zh) | 2018-12-24 | 2018-12-24 | 一种基于数据分析的企业财务运营数字化管理优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767032A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445297A (zh) * | 2020-04-15 | 2020-07-24 | 北京易点淘网络技术有限公司 | 采购量的确定方法、装置、存储介质及电子设备 |
CN112309511A (zh) * | 2020-09-18 | 2021-02-02 | 青岛檬豆网络科技有限公司 | 一种钽电解电容参数分解、购买预测方法 |
CN112580989A (zh) * | 2020-12-23 | 2021-03-30 | 南京绿投科技有限公司 | 一种基于工业大数据的云平台数据管理系统及管理方法 |
CN112633796A (zh) * | 2020-12-21 | 2021-04-09 | 南京航空航天大学 | 一种基于知识驱动的供应商管理库存优化方法 |
CN113011914A (zh) * | 2021-02-20 | 2021-06-22 | 山东新贵科技股份有限公司 | 一种基于大数据的啤酒销售监控系统 |
CN114723503A (zh) * | 2022-06-08 | 2022-07-08 | 深圳传世智慧科技有限公司 | 一种基于产业链数据的市场分析方法及系统 |
EP4080427A4 (en) * | 2019-12-17 | 2023-05-17 | Sony Group Corporation | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND PROGRAM |
CN117252447A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
CN108108994A (zh) * | 2017-11-10 | 2018-06-01 | 浙江中控软件技术有限公司 | 用于化工企业供应链的计划优化方法 |
-
2018
- 2018-12-24 CN CN201811582022.8A patent/CN109767032A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
CN108108994A (zh) * | 2017-11-10 | 2018-06-01 | 浙江中控软件技术有限公司 | 用于化工企业供应链的计划优化方法 |
Non-Patent Citations (2)
Title |
---|
平海等: "《基于灰色系统理论的物料采购预测模型》", 《知识丛林》 * |
薛文军: "《半导体元器件产品销售与采购关联预测模型的设计与实现》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4080427A4 (en) * | 2019-12-17 | 2023-05-17 | Sony Group Corporation | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND PROGRAM |
CN111445297A (zh) * | 2020-04-15 | 2020-07-24 | 北京易点淘网络技术有限公司 | 采购量的确定方法、装置、存储介质及电子设备 |
CN112309511A (zh) * | 2020-09-18 | 2021-02-02 | 青岛檬豆网络科技有限公司 | 一种钽电解电容参数分解、购买预测方法 |
CN112309511B (zh) * | 2020-09-18 | 2023-04-14 | 青岛檬豆网络科技有限公司 | 一种钽电解电容参数分解、购买预测方法 |
CN112633796A (zh) * | 2020-12-21 | 2021-04-09 | 南京航空航天大学 | 一种基于知识驱动的供应商管理库存优化方法 |
CN112633796B (zh) * | 2020-12-21 | 2023-12-01 | 南京航空航天大学 | 一种基于知识驱动的供应商管理库存优化方法 |
CN112580989A (zh) * | 2020-12-23 | 2021-03-30 | 南京绿投科技有限公司 | 一种基于工业大数据的云平台数据管理系统及管理方法 |
CN113011914A (zh) * | 2021-02-20 | 2021-06-22 | 山东新贵科技股份有限公司 | 一种基于大数据的啤酒销售监控系统 |
CN114723503A (zh) * | 2022-06-08 | 2022-07-08 | 深圳传世智慧科技有限公司 | 一种基于产业链数据的市场分析方法及系统 |
CN117252447A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
CN117252447B (zh) * | 2023-11-17 | 2024-02-06 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767032A (zh) | 一种基于数据分析的企业财务运营数字化管理优化系统 | |
US20200090195A1 (en) | Electronic neural network system for dynamically producing predictive data using varying data | |
CN109784806A (zh) | 供应链控制方法、系统以及存储介质 | |
Dong et al. | Multitiered supply chain networks: multicriteria decision—making under uncertainty | |
Kaur | Selection of vendor based on intuitionistic fuzzy analytical hierarchy process | |
Li et al. | A rough set approach for estimating correlation measures in quality function deployment | |
US11182808B2 (en) | Method and system for attributes based forecasting | |
Elwakil et al. | Construction productivity fuzzy knowledge base management system | |
Chen et al. | An effective matching algorithm with adaptive tie-breaking strategy for online food delivery problem | |
Tsai | The impact of cost structure on supply chain cash flow risk | |
Ilgin | An integrated methodology for the used product selection problem faced by third-party reverse logistics providers | |
Xu et al. | A class of fuzzy rough expected value multi-objective decision making model and its application to inventory problems | |
Yan et al. | Location model for a remanufacturing reverse logistics network based on adaptive genetic algorithm | |
Mahbub et al. | A neural approach to product demand forecasting | |
Xu et al. | Optimal decision of multiobjective and multiperiod anticipatory shipping under uncertain demand: A data-driven framework | |
Li et al. | Machine learning algorithm generated sales prediction for inventory optimization in cross-border E-commerce | |
Agarwal et al. | Machine Learning and Natural Language Processing in Supply Chain Management: A Comprehensive Review and Future Research Directions. | |
Hu et al. | Modelling diffusion for multi-generational product planning strategies using bi-level optimization | |
Fournier-Viger et al. | Machine learning for intelligent industrial design | |
Sankaran et al. | Improving Forecasts with Integrated Business Planning | |
Wang | An analysis of the optimal customer clusters using dynamic multi-objective decision | |
Singh et al. | A Survey Paper on Identifying Key Performance Indicators for Optimizing Inventory Management System and Exploring Different Visualization Tools | |
Chan et al. | Knowledge-based simulation and analysis of supply chain performance | |
Padhi et al. | Strategic revenue management under uncertainty: a case study on real estate projects in India | |
Akande et al. | Application of XGBoost Algorithm for Sales Forecasting Using Walmart Dataset |
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: 20190517 |