CN109801016A - 一种基于耗用履历预测配件需求量的方法 - Google Patents
一种基于耗用履历预测配件需求量的方法 Download PDFInfo
- Publication number
- CN109801016A CN109801016A CN201910044046.6A CN201910044046A CN109801016A CN 109801016 A CN109801016 A CN 109801016A CN 201910044046 A CN201910044046 A CN 201910044046A CN 109801016 A CN109801016 A CN 109801016A
- Authority
- CN
- China
- Prior art keywords
- accessory
- demand
- model
- similar
- period
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于耗用履历预测配件需求量的方法，所述方法包括以下步骤：计算类似配件必要率、获取第一周期的新产品需求量，根据新产品需求量、类似配件必要率计算第一周期的配件需求量、在新产品入市后，统计各周期的配件销售实绩和新产品销售实绩，并计算配件累计销售实绩和新产品累计销售实绩、根据所述配件累计销售实绩和新产品累计销售实绩计算实际配件需要率、获取各周期的下一周期的产品需求量，根据所述实际配件需要率和各周期的下一周期的产品需求量计算下一周期的配件需求量。本发明在新产品入市后能准确预测市场在各周期内对维修配件的需求量，使得产出配件不易出现库存过剩或积压的状况。
Description
技术领域
本发明涉及生产管理技术领域，尤其是涉及一种基于耗用履历预测配件需求量的方法。
背景技术
配件预测是指在维修市场调查所取得的各种信息的基础上，经过分析研究，运用科学的方法和手段，对未来一定的时期内维修配件市场需求的变化趋势和影响因素所做的估计和推断，具有作为企业采购决策的前提，为企业编制采购计划提供依据，提高企业竞争能力和经营管理水平的作用。
传统的配件预测都是根据产品生命周期中的稳定期阶段的需求实绩来预测未来一定前置期的需求量。在对维修配件进行需求量预测时，往往需要考虑到两点：(1)维修配件和传统的产品的差异在于它隶属于产品，又可独立销售；(2)维修配件需要在产品的产生开始供应，并且还需要在产品退出市场之后能够继续的持续供应。若未对这两点进行充分考虑，则有可能导致顾客对产品的信心失衡，从而影响整个销售市场。
维修配件从生产到停产阶段的过程中，市场对维修配件的需求有着需求周期，在此需求周期内准确预测维修配件在需求周期内的某一需求周期的需求量，不仅能保证新产品上市的时候不会出现维修配件缺货造成服务跟不上的问题，而且也能确保正常生产周期内不会给企业带来生产过剩、库存积压的问题，在产品停产后也能够持续一定时间内的维修配件跟进，对于企业而言维修配件的准确预测使得其不会出现过剩的库存而带来不必要的浪费。
因此，对于维修配件在生产过程中需求量的准确预测对于企业来说是非常重要的，其准确的预测不仅能使企业减少库存、供应市场，而且能增加资金周转。
发明内容
本发明的目的是提供一种基于耗用履历预测配件需求量的方法，在产品上市前通过既往产品和配件的耗用履历预测配件需求量，再通过上市后的实际销售实绩来对预测进行调整，能更加准确的预测出市场对维修配件需求量，制定每一个周期的配件生产需求计划。
为实现上述目的，本发明所采用的技术方案是：
一种基于维修配件耗用履历预测需求量的方法，所述方法包括以下步骤：
步骤1：计算类似配件必要率；
步骤2：获取第一周期的新产品需求量，根据新产品需求量、类似配件必要率计算第一周期的配件需求量；
步骤3：在新产品入市后，统计各周期的配件销售实绩和新产品销售实绩，并计算配件累计销售实绩和新产品累计销售实绩；
步骤4：根据所述配件累计销售实绩和新产品累计销售实绩计算实际配件需要率；
步骤5：获取各周期的下一周期的产品需求量，根据所述实际配件需要率和各周期的下一周期的产品需求量计算下一周期的配件需求量。
在以上方法步骤中，待测配件为构成新产品的某一零部件，本发明通过引入新产品与待测配件的配比关系，来完成待测配件需求量的预测。具体而言，步骤1中的类似配件必要率是通过历史数据测算，并能够在模拟层面一定程度上反映待测配件与所要上市的新产品的之间的供求配比关系，其具体测算方法会在下文中叙述。接下来在步骤2中，通过获取新产品第一个销售周期的实际需求量，将其与上述类似配件必要率相乘，即可获得第一周期的配件需求量。
依照该第一周期的配件需求量进行配件的投产，在步骤3-5中，定义了新产品上市后的预测方法。具体地，本发明上述方法在每个销售周期后，均进行待测配件和新产品销售实绩的累计和计算，并将二者相比，得到所述的实际配件需要率。随后将每个销售周期后实际配件需要率的更新情况反馈到上述类似配件必要率上，对其进行新产品上市后实绩层面的修正，从而使其具有上市后不断进行反馈式预测的实际意义。这样一来，只需按时获得下一销售周期的新产品销售计划，即可据其预测该产品上的相关配件的需求量，从而达成本发明的上述目的。
在一种可能的实施方式中，步骤1中的类似配件必要率的计算进一步包括以下步骤：
获取类似产品，以及其初始N年销售实绩；
获取类似配件，以及其初始N年销售实绩；
将类似配件初始N年销售实绩除以类似产品初始N年销售实绩计算得到所述类似配件必要率。
该实施方式定义了类似配件必要率的测算方法，即通过获取新产品、待测配件的相似对象的历史数据来模拟新产品、待测配件的配比关系，并且由于获取的是相似对象初始N年的数据，符合新产品和待测配件的初始生命周期走势，从而可以获得准确的模拟结果。实际操作中，为了获得更精确的结果，需要根据产品的不同类型定义合适的N值，一般而言，往往取2或3为宜。
在一种可能的实施方式中，由于制造型企业往往都有进行信息化管理，每种产品均有进行信息化记录，因而只需定义一定的规则，便可从历史产品的数据库中选出数字化匹配的结果，由此来定义类似产品，因而，所述类似产品进一步通过以下步骤获得：
获取新产品型号；将新产品型号在型号数据库中根据第一匹配方法进行匹配，匹配到的已有产品型号即为对应的类似产品；
所述型号数据库储存有已有产品型号，所述新产品型号和已有产品型号均由若干个型号因子顺序组成。
为了较好地获取类似产品，上述方法中的产品型号，采用多段式的型号因子顺序集合构成，以便匹配。所述型号因子可主要按产品大类、细分小类等方面进行命名，包括大小、颜色、适用场景、销往地等层面。
在一种可能的实施方式中，所述第一匹配方法具体包括以下步骤：
输入一匹配次数；
对所述新产品型号的各型号因子和已有产品型号的各型号因子进行逐一顺序对比，进行对比的次数等于所输入的匹配次数；
对比完成后，输出每次对比均成功匹配的已有产品型号，其对应的产品即为类似产品。
因此，上述方法通过定义一匹配次数，限定了对产品型号的各型号因子进行匹配的次数，实际是在限定产品的类似级别，当匹配达到次数后，先前每次匹配均成功的型号即为新产品对应的类似产品。这样，对于一些较为简单的产品，可以限定较小的匹配次数，反之则限定较多的匹配次数，以适应不同
优选的，在一种可能的实施方式中，所输入的匹配次数通过以下步骤进行定义：
建立产品类似级别据库，其内定义有产品类别与所述匹配次数的映射关系；
识别新产品型号的第一位型号因子，该第一位型号因子对应于所述产品类别；
根据该第一位型号因子在所述产品类似级别数据库中抽取对应的匹配次数，并输出该匹配次数。
由于每种产品的功能属性、结构复杂程度均不同，因而为每种产品都定义对应的匹配次数是一种较为优选的实施方式，这样可以更精确的筛选出类似产品。相应的，上述方法根据对产品型号的第一位型号因子的自动识别，通过已有的类似级别数据库所定义的，转换成对应该产品大类的匹配次数，输入到上述步骤中，从而完成匹配次数的自适应性输入，达到按照实际需求自动高效且精确地筛选出类似产品的目的。
进一步的，对于待测配件，其相应的类似配件通过与获取类似产品相似的方法步骤获得。
在一种可能的实施方式中，所述类似配件进一步通过以下步骤获得：
获取待测配件型号；将待测配件型号在功能代码数据库中根据第二匹配方法进行匹配，匹配到的已有配件型号即为对应的类似配件；
所述功能代码数据库储存有已有配件型号，所述待测配件型号和已有配件型号均由若干个功能代码因子顺序组成。
在一种可能的实施方式中，所述第二匹配方法为：
输入一匹配次数，
将该待测配件型号的各功能代码因子与功能代码数据库中的各功能代码因子进行逐一顺序对比，进行对比所需次数为即为匹配次数；
对比完成后，输出每次对比均成功匹配的已有配件型号，即为类似配件。
在一种可能的实施方式中，所述匹配次数进一步通过以下步骤获得：
建立配件类似级别数据库，其内定义有配件类别与所述匹配次数的映射关系；
识别待测配件的第一位功能代码因子，该第一位功能代码因子对应于所述待测配件类别；
根据该第一位功能代码因子在所述配件类似级别数据库中抽取对应的匹配次数，并输出该匹配次数。
优选的，在一种可能的实施方式中，上述技术方案中的步骤2、步骤4和步骤5中的需求量及实际配件需要率的计算均通过周期指数进行修正。这是由于某些产品根据周期性变化，其需要使用的配件类型以及配件的需求量均有可能随其变化，因而通过引入周期指数的修正，使得上述计算更加准确。实施性的，所述周期指数中的周期可以为季度、月度等，优选为季度。
在一种可能的实施方式中，所述周期指数通过以下步骤获取：
(1)获取类似产品历年各周期的销售实绩；
(2)计算某一周期在历年的销售实绩的平均值，用An表示；
(3)计算历年间所有周期销售实绩的平均值，用B表示；
(4)计算各周期的周期指数，用Cn表示，其中Cn＝An/B。
以上为本发明预测配件需求量的基本方法及其附加实施方式，通过上述技术方案，本发明首先引入了产品与配件的配比关系，随后利用配件和产品的类似模型的耗用履历进行预测配件生命周期初始阶段的需求量，进而在产品和配件投入市场后通过每次销售周期结束后的数据累计，在预测的基础上进行实绩层面的修正，从而准确预测配件生命周期的总体需求量。此外，上述方法还通过定义匹配次数、周期指数等方式，使得能够通过计算机技术自动化高效地处理大量数据，准确地考量周期变化带来的需求变化，使得预测结果更加精准。
如此一来，新产品上市时不会出现维修配件缺货造成服务跟不上的问题，也可以确保正常量产周期内不会出现过剩库存积压的状况，停止生产后也能够持续一定时间内的维修配件跟进，不会因为过多的过剩库存保留而带来不必要的浪费。
具体实施方式
以下通过一具体实施例对本发明做进一步说明，以使本领域技术人员能更加清楚地知晓本发明的实施过程及技术效果。
实施例
以某一实行了信息化管理的制造型企业所设计生产的某品牌YZF-R1-2015-4C81型号摩托车及其所携带的4C8-2835G-00-NX型号前车体配件为例进行详细说明。
该4C81型号摩托车将在1月份上市，将该型号摩托车带入型号数据库进行匹配，得到类似产品YZF-R1-2013-14B1型号的摩托车，将4C8-2835G-00-NX型号配件带入功能代码数据库进行匹配得到类似配件14B-2835G-00-1X，并获取其初始2年销售实绩(其数值分别为3350和1020)进行模拟计算，预测1月份的配件需求量。
对应于步骤1和2，所述类似配件必要率＝类似配件初始2年销售实绩/类似产品初始2年销售实绩＝1020/3350＝0.304；则1月份预测的配件需求量＝类似配件必要率*1月产品预测销量*1月份周期指数＝0.304*200*0.82＝49.8≈50。
随后产品入市，对应于步骤3-5，通过累计各周期的销售实绩，并进行相应的计算，得到如下表1，其表示了4C81型号摩托车产品上市前后各产品销售量与配件预测量之间的数量关系。
表1.YZF-R1-2015-4C81型号摩托车上市前后的销量与配件4C8-2835G-00-NX需求量的预测关系表
在表1中，预测2月份配件需求量：
2月份配件需求率＝1月份零件销售量/累计产品销售量/1月份初始周期指数＝48/210/0.82＝0.279；
2月份预测配件需求量＝需求率*2月份产品预测需求量*2月份初始周期指数＝0.279*491*0.71＝97.3≈98。
预测3月份配件需求量：
3月份配件需求率＝2月份零件销售量/累计产品销售量/2月份初始周期指数＝90/480/0.71＝0.372；
3月份预测配件需求量＝需求率*3月份产品预测需求量*3月份初始周期指数＝0.372*800*0.7＝208.32≈209
预测4月份配件需求量：
4月份配件需求率＝3月份零件销售量/累计产品销售量/3月份初始周期指数＝184/755/0.7＝0.348；
4月份预测配件需求量＝需求率*4月份产品预测需求量*4月份初始周期指数＝0.348*1055*0.71＝260.7≈261。
以此类推，算出接下来每个月的需求率和预测配件需求量。由于新产品的实际销售量和配件的实际销售量都在不断的变化，所以需要每个月根据配件实际销售量对下一个月的配件需求率进行重新计算。
Claims (10)
1.一种基于耗用履历预测配件需求量的方法，所述待测配件为新产品的零部件，其特征在于，所述方法包括以下步骤：
步骤1：计算类似配件必要率；
步骤2：获取第一周期的新产品需求量，根据新产品需求量、类似配件必要率计算第一周期的配件需求量；
步骤3：在新产品入市后，统计各周期的配件销售实绩和新产品销售实绩，并计算配件累计销售实绩和新产品累计销售实绩；
步骤4：根据所述配件累计销售实绩和新产品累计销售实绩计算实际配件需要率；
步骤5：获取各周期的下一周期的产品需求量，根据所述实际配件需要率和各周期的下一周期的产品需求量计算下一周期的配件需求量。
2.根据权利要求1所述的一种基于耗用履历预测配件需求量的方法，其特征在于，步骤1中的类似配件必要率的计算进一步包括以下步骤：
获取类似产品，以及其初始N年销售实绩；
获取类似配件，以及其初始N年销售实绩；
将类似配件初始N年销售实绩除以类似产品初始N年销售实绩计算得到所述类似配件必要率。
3.根据权利要求2所述的一种基于耗用履历预测配件需求量的方法，其特征在于，所述类似产品进一步通过以下步骤获得：
获取新产品型号；
将新产品型号在型号数据库中根据第一匹配方法进行匹配，匹配到的已有产品型号即为对应的类似产品；
所述型号数据库储存有已有产品型号，所述新产品型号和已有产品型号均由若干个型号因子顺序组成。
4.根据权利要求3所述的一种基于耗用履历预测配件需求量的方法，其特征在于，所述第一匹配方法具体包括以下步骤：
输入一匹配次数；
对所述新产品型号的各型号因子和已有产品型号的各型号因子进行逐一顺序对比，进行对比的次数等于所输入的匹配次数；
对比完成后，输出每次对比均成功匹配的已有产品型号，其对应的产品即为类似产品。
5.根据权利要求4所述的一种基于耗用履历预测配件需求量的方法，其特征在于，所输入的匹配次数通过以下步骤进行定义：
建立产品类似级别据库，其内定义有产品类别与所述匹配次数的映射关系；
识别新产品型号的第一位型号因子，该第一位型号因子对应于所述产品类别；
根据该第一位型号因子在所述产品类似级别数据库中抽取对应的匹配次数，并输出该匹配次数。
6.根据权利要求2所述的一种基于耗用履历预测配件需求量的方法，其特征在于，所述类似配件进一步通过以下步骤获得：
获取待测配件型号；将待测配件型号在功能代码数据库中根据第二匹配方法进行匹配，匹配到的已有配件型号即为对应的类似配件；
所述功能代码数据库储存有已有配件型号，所述待测配件型号和已有配件型号均由若干个功能代码因子顺序组成。
7.根据权利要求6所述的一种基于耗用履历预测配件需求量的方法，其特征在于：所述第二匹配方法为：
输入一匹配次数，
将该待测配件型号的各功能代码因子与功能代码数据库中的各功能代码因子进行逐一顺序对比，进行对比所需次数为即为匹配次数；
对比完成后，输出每次对比均成功匹配的已有配件型号，即为类似配件。
8.根据权利要求7所述的一种基于耗用履历预测配件需求量的方法，其特征在于，所述匹配次数进一步通过以下步骤获得：
建立配件类似级别数据库，其内定义有配件类别与所述匹配次数的映射关系；
识别待测配件的第一位功能代码因子，该第一位功能代码因子对应于所述待测配件类别；
根据该第一位功能代码因子在所述配件类似级别数据库中抽取对应的匹配次数，并输出该匹配次数。
9.根据权利要求2所述的一种基于耗用履历预测配件需求量的方法，其特征在于：所述步骤2、步骤4和步骤5中的计算均通过一周期指数进行修正。
10.根据权利要求9所述的一种基于耗用履历预测配件需求量的方法，其特征在于，所述周期指数通过以下步骤获取：
(1)获取类似产品历年各周期的销售实绩；
(2)计算某一周期在历年的销售实绩的平均值，用An表示；
(3)计算历年间所有周期销售实绩的平均值，用B表示；
(4)计算各周期的周期指数，用Cn表示，其中Cn＝An/B。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910044046.6A CN109801016A (zh) | 2019-01-17 | 2019-01-17 | 一种基于耗用履历预测配件需求量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910044046.6A CN109801016A (zh) | 2019-01-17 | 2019-01-17 | 一种基于耗用履历预测配件需求量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109801016A true CN109801016A (zh) | 2019-05-24 |
Family
ID=66559608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910044046.6A Pending CN109801016A (zh) | 2019-01-17 | 2019-01-17 | 一种基于耗用履历预测配件需求量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109801016A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785127A (zh) * | 2021-01-06 | 2021-05-11 | 广汽丰田汽车有限公司 | 停产后车辆配件产量的计划方法、终端及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1742288A (zh) * | 2003-01-30 | 2006-03-01 | 本田技研工业株式会社 | 维修部件价格决定管理系统 |
| US20110276359A1 (en) * | 2010-05-07 | 2011-11-10 | Kentaro Taguchi | Information processing apparatus, cost forecast calculation method, and cost forecast calculation program |
| CN104766184A (zh) * | 2015-04-30 | 2015-07-08 | 刘决飞 | 大数据生产计划方法和系统 |
| CN105701553A (zh) * | 2014-11-24 | 2016-06-22 | 财团法人资讯工业策进会 | 商品销量预测系统及商品销量预测方法 |
| CN108256768A (zh) * | 2018-01-17 | 2018-07-06 | 长安大学 | 一种液压管件物料需求管理系统和方法 |
-
2019
- 2019-01-17 CN CN201910044046.6A patent/CN109801016A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1742288A (zh) * | 2003-01-30 | 2006-03-01 | 本田技研工业株式会社 | 维修部件价格决定管理系统 |
| US20110276359A1 (en) * | 2010-05-07 | 2011-11-10 | Kentaro Taguchi | Information processing apparatus, cost forecast calculation method, and cost forecast calculation program |
| CN105701553A (zh) * | 2014-11-24 | 2016-06-22 | 财团法人资讯工业策进会 | 商品销量预测系统及商品销量预测方法 |
| CN104766184A (zh) * | 2015-04-30 | 2015-07-08 | 刘决飞 | 大数据生产计划方法和系统 |
| CN108256768A (zh) * | 2018-01-17 | 2018-07-06 | 长安大学 | 一种液压管件物料需求管理系统和方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785127A (zh) * | 2021-01-06 | 2021-05-11 | 广汽丰田汽车有限公司 | 停产后车辆配件产量的计划方法、终端及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Datar et al. | Horngren’s cost accounting: a managerial emphasis | |
| CN109740793B (zh) | 一种基于概率需求分布的库存优化方法 | |
| US6910017B1 (en) | Inventory and price decision support | |
| Laitner et al. | Technological change and the stock market | |
| Ghose et al. | Evaluating pricing strategy using e-commerce data: Evidence and estimation challenges | |
| CN107146039B (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
| CN108256802B (zh) | 基于人群搜索算法的多供应商订单分配云处理方法 | |
| CN108710905A (zh) | 一种基于多模型联合的备件数量预测方法和系统 | |
| CN107967522A (zh) | 一种电网技改大修工程成本管理系统及其控制方法 | |
| Yin et al. | Application of bootstrap-DEA with fuzzy computing in performance evaluation of forklift leasing supplier | |
| CN114782065A (zh) | 一种基于模型组合的商品销量预测方法、装置及存储介质 | |
| CN109993645A (zh) | 财务预测方法、系统、计算机系统及计算机可读存储介质 | |
| CN109801016A (zh) | 一种基于耗用履历预测配件需求量的方法 | |
| CN114372848A (zh) | 一种基于机器学习的烟草行业智能营销系统 | |
| Yang et al. | Inventory control method of reverse logistics for shipping electronic commerce based on improved multi-objective particle swarm optimization algorithm | |
| Gerasimov et al. | Trends and regularities of the development of regional markets of agricultural products in the Russian Federation | |
| US9454739B2 (en) | Multi-period financial simulator of a process | |
| US20240028983A1 (en) | Method of production scheduling for product, electronic device and storage medium | |
| Reichelstein et al. | Cost-and price dynamics of solar PV modules | |
| CN111160632A (zh) | 一种售电商售电方案确定方法及系统 | |
| Kim | General equilibrium models: formulation and computation | |
| TWI705395B (zh) | 顧客價值管理系統 | |
| Ju | Analysis of Highway Engineering Cost Estimation Based on Genetic Neural Network | |
| Rachel et al. | On Secular Stagnation in the Industrialized World-Online Appendixes | |
| Los et al. | The Employment Impact of the NortH2 Project |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |