CN110084541A - 用于预测供应商送货时长的方法和装置 - Google Patents
用于预测供应商送货时长的方法和装置 Download PDFInfo
- Publication number
- CN110084541A CN110084541A CN201810078673.7A CN201810078673A CN110084541A CN 110084541 A CN110084541 A CN 110084541A CN 201810078673 A CN201810078673 A CN 201810078673A CN 110084541 A CN110084541 A CN 110084541A
- Authority
- CN
- China
- Prior art keywords
- delivery duration
- duration data
- history
- supplier
- history supplier
- 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.)
- Granted
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/083—Shipping
-
- 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
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了用于预测供应商送货时长的方法和装置。该方法的一具体实施方式包括:获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合;判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值;若是,则更新第一历史供应商送货时长数据子集;基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。该实施方式有利于供应商送货时长预测的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及用于预测供应商送货时长的方法和装置。
背景技术
随着互联网技术的不断发展,越来越多的消费者选择在互联网上进行消费。例如,用户可以在电商网站上进行商品的选购、下单,由物流服务提供者将其选购的商品送货上门。
为了向客户提供更及时的送货服务并同时避免过大的仓储压力,从供应商接到订单直到货物被客户签收这一过程中,每一个环节的时效性均需要严格把控。其中,VLT(Vendor Lead Time,供应商送货时长),是一个重要的考量指标。VLT是指从供应商接收到客户订单的时刻起,到货物送达仓库的时刻止的这一时段的时长,可用于评估供应商送货的稳定性和时效性。
发明内容
本申请实施例提出了用于预测供应商送货时长的方法和装置。
第一方面,本申请实施例提供了一种用于预测供应商送货时长的方法,该方法包括:获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合,其中,历史供应商送货时长数据集合中的各历史供应商送货时长数据包括物品身份标识、配送起点标识和供应商送货时长值;判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值,其中,第一历史供应商送货时长数据子集中的各第一历史供应商送货时长数据具有相同的第一物品身份标识和相同的第一配送起点标识;若是,则更新第一历史供应商送货时长数据子集,以将历史供应商送货时长数据集合中,与第一历史供应商送货时长数据的相似度超过预设相似度阈值的第二历史供应商送货时长数据添加到第一历史供应商送货时长数据子集中;基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
在一些实施例中,在判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值之后,方法还包括:若否,则基于更新前的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
在一些实施例中,从历史供应商送货时长数据集合确定出与第一历史供应商送货时长数据相似度超过预设相似度阈值的第二历史供应商送货时长数据,包括:确定历史供应商送货时长数据集合中第一历史供应商送货时长数据所指示的供应商送货时长值的第一概率分布函数;基于第一概率分布函数中多个预设分位数的函数值确定参考特征向量;响应于历史供应商送货时长数据集合中,第三历史供应商送货时长数据所确定的第三概率分布函数的多个预设分位数的函数值所确定的第三特征向量与参考特征向量的相似度超过预设相似度阈值,将第三历史供应商送货时长数据确定为第二历史供应商送货时长数据;其中,第三历史供应商送货时长数据为历史供应商送货时长数据集合中,除第一历史供应商送货时长数据之外,任意的具有相同物品身份标识和配送起点标识的历史供应商送货时长数据。
在一些实施例中,从历史供应商送货时长数据集合确定出与第一历史供应商送货时长数据相似度超过预设相似度阈值的第二历史供应商送货时长数据,包括:将历史供应商送货时长数据集合中,物品身份标识所指示的物品类别与第一物品身份标识所指示的物品类别属于预设物品分类表的同一大类的历史供应商送货时长数据作为第二历史供应商送货时长数据。
在一些实施例中,在响应于历史供应商送货时长数据集合中,第三历史供应商送货时长数据所确定的第一概率分布函数的多个预设分位数的函数值所确定的特征向量与参考特征向量的相似度超过预设相似度阈值,将第三历史供应商送货时长数据确定为第二历史供应商送货时长数据之前,从历史供应商送货时长数据集合确定出与第一历史供应商送货时长数据相似度超过预设相似度阈值的第二历史供应商送货时长数据,还包括,基于如下任意一者确定参考特征向量与第三特征向量的相似度:基于参考特征向量与第三特征向量之间的欧氏距离,或者基于参考特征向量与第三特征向量的余弦距离。
在一些实施例中,基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长,包括:基于第一历史供应商送货时长数据子集所包括的每个供应商送货时长值和与各供应商送货时长值对应的概率值的乘积之和,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
第二方面,本申请实施例还提供了一种用于预测供应商送货时长的装置,包括:获取单元,配置用于获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合,其中,历史供应商送货时长数据集合中的各历史供应商送货时长数据包括物品身份标识、配送起点标识和供应商送货时长值;判断单元,配置用于判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值,其中,第一历史供应商送货时长数据子集中的各第一历史供应商送货时长数据具有相同的第一物品身份标识和相同的第一配送起点标识;更新单元,配置用于历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量小于预设数量阈值,则更新第一历史供应商送货时长数据子集,以将历史供应商送货时长数据集合中,与第一历史供应商送货时长数据的相似度超过预设相似度阈值的第二历史供应商送货时长数据添加到第一历史供应商送货时长数据子集中;预测单元,配置用于基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
在一些实施例中,预测单元还配置用于:若历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量不小于预设数量阈值,则基于更新前的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
在一些实施例中,更新单元还配置用于:确定历史供应商送货时长数据集合中第一历史供应商送货时长数据所指示的供应商送货时长值的第一概率分布函数;基于第一概率分布函数中多个预设分位数的函数值确定参考特征向量;响应于历史供应商送货时长数据集合中,第三历史供应商送货时长数据所确定的第三概率分布函数的多个预设分位数的函数值所确定的第三特征向量与参考特征向量的相似度超过预设相似度阈值,将第三历史供应商送货时长数据确定为第二历史供应商送货时长数据;其中,第三历史供应商送货时长数据为历史供应商送货时长数据集合中,除第一历史供应商送货时长数据之外,任意的具有相同物品身份标识和配送起点标识的历史供应商送货时长数据。
在一些实施例中,更新单元还配置用于:将历史供应商送货时长数据集合中,物品身份标识所指示的物品类别与第一物品身份标识所指示的物品类别属于预设物品分类表的同一大类的历史供应商送货时长数据作为第二历史供应商送货时长数据。
在一些实施例中,更新单元还配置用于基于如下任意一者确定参考特征向量与第三特征向量的相似度:基于参考特征向量与第三特征向量之间的欧氏距离,或者基于参考特征向量与第三特征向量的余弦距离。
在一些实施例中,预测单元还配置用于:基于第一历史供应商送货时长数据子集所包括的每个供应商送货时长值和与各供应商送货时长值对应的概率值的乘积之和,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
第三方面,本申请实施例还提供了一种设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面任一的方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面任一的方法。
本申请实施例提供的用于预测供应商送货时长的方法和装置,通过获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合,判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值,若是,则更新第一历史供应商送货时长数据子集,以将历史供应商送货时长数据集合中,与第一历史供应商送货时长数据的相似度超过预设相似度阈值的第二历史供应商送货时长数据添加到第一历史供应商送货时长数据子集中,并基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长,增加了预设时段内交易量较少的物品的历史供应商送货时长样本数量,有利于对这一类稀疏数据的供应商送货时长预测的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于预测供应商送货时长的方法的一个实施例的流程图;
图3是用户通过电商平台进行网购时的数据交互架构示意图;
图4是根据本申请的用于预测供应商送货时长的装置的一个实施例的结构图;
图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于预测供应商送货时长的方法或用于预测供应商送货时长的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括第一服务器101、102、103,网络104和第二服务器105。网络104用以在第一服务器101、102、103和第二服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
第一服务器101、102、103可通过网络104与第二服务器105交互,以接收或发送消息等。第一服务器101、102、103可以是为购物类应用或购物类网站提供后台支持的后台支持服务器。
第二服务器105可以是提供各种服务的服务器,例如对第一服务器101、102、103上存储的历史供应商送货时长数据进行分析处理的后台处理第二服务器。后台处理类服务器可以对接收到的历史供应商送货时长数据进行分析等处理,并生成处理结果(例如基于历史供应商送货时长数据预测得到的具有某一物品身份标识和配送七点标识的物品的供应商送货时长)。
需要说明的是,本申请实施例所提供的用于预测供应商送货时长的方法一般由第二服务器105执行,相应地,用于预测供应商送货时长的装置一般设置于第二服务器105中。
应该理解,图1中的第一服务器、网络和第二服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的第一服务器、网络和第二服务器。
继续参考图2,示出了根据本申请的用于预测供应商送货时长的方法的一个实施例的流程200。该用于预测供应商送货时长的方法,包括以下步骤:
步骤201,获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合,其中,历史供应商送货时长数据集合中的各历史供应商送货时长数据包括物品身份标识、配送起点标识和供应商送货时长值。
在本实施例中,用于预测供应商送货时长的方法运行于其上的电子设备(例如图1所示的第二服务器)可以从与其通过有线连接方式或者无线连接方式通信连接的电子设备(例如,图1所示的第一服务器)中获取预设时段内的历史供应商送货时长数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
上述第一服务器可以是电商平台的后台服务器。在一些应用场景中,用户可以使用终端设备访问该电商平台的后台服务器,从而浏览该电商平台所提供的商品的商品详情页面,并通过将期望购买的商品加入购物车、下订单和支付,来向上述后台服务器发起配送请求。
如图3所示,其示出了用户通过电商平台进行网购时的数据交互架构示意图。
用户301使用终端设备(图中未示出)向电商服务器302(例如,图1所示的第一服务器)发出“下单”指令。电商服务器302向供应商服务器303发送基于该“下单”指令生成的配送指令,并同时向后台处理服务器304(例如,图1所示的第二服务器)发送下达配送指令的时刻信息作为供应商接到配送指令的时刻。接着,当商品配送至仓库时,供应商服务器303向电商服务器302发送送达时刻信息,再由电商服务器302将该送达时刻信息转发至后台处理服务器304。这样一来,后台处理服务器304可以基于配送指令所指示的配送时刻和送达时刻信息所指示的送达时刻计算出针对该商品的VLT,并将该商品的身份信息、配送起点标识与该VLT作为一个历史供应商送货时长数据进行保存。
在这里,物品的身份信息可以包括用于指示物品本身的SKU(Stock KeepingUnit,库存量单位)以及提供该物品的供应商的身份信息。需要说明的是,物品的SKU可以理解为与该物品一一对应的编码。在一些应用场景中,当两个物品的品牌、型号、配置、等级、花色、包装容量、单位、生产日期、保质期、用途、价格、产地等属性中任一属性存在差异时,便可以将该两个物品认定为具有不同SKU的两种物品。
此外,在本实施例的步骤201中,预设时段的时长可以设置为任何恰当的时长。例如,可以是近一个月内、近一个季度内、近半年内、近一年内等等。
返回继续参见图2所示,本实施例的方法还进一步包括:
步骤202,判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值。
在这里,第一历史供应商送货时长数据子集中的各第一历史供应商送货时长数据具有相同的第一物品身份标识和相同的第一配送起点标识。
例如,可以将历史供应商送货时长数据集合中,由供货商A提供的由a地点发货的物品aa的各次历史供应商送货时长数据形成的子集作为第一历史供应商送货时长数据子集。
步骤203,若是,则更新第一历史供应商送货时长数据子集,以将历史供应商送货时长数据集合中,与第一历史供应商送货时长数据的相似度超过预设相似度阈值的第二历史供应商送货时长数据添加到第一历史供应商送货时长数据子集中。
在这里,如果历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量小于预设数量阈值,可以认为该第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的样本量较少。这样一来,当利用历史供应商送货时长数据子集进行统计时,较少的样本量将容易导致统计结果与真实情况具有较大的偏差。
因此,在历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值的情况下,可以通过在第一历史供应商送货时长数据子集中,增加一些样本,从而降低因样本量过小可能导致的统计偏差。
另一方面,为了在增加第一历史供应商送货时长数据子集所包含的样本数量的基础上,可以理解,所增加的样本与第一历史供应商送货时长数据子集中原有的第一历史供应商送货时长数据的相似度越高,则越有利于最终统计结果的准确性。
因而,在本步骤中,若历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量小于预设数量阈值,通过将历史供应商送货时长数据集合中,与第一历史供应商送货时长数据相似的历史供应商送货时长数据添加到第一历史供应商送货时长数据子集中,一方面增加了第一历史供应商送货时长数据子集所包含的样本量,另一方面也使得增加的样本与第一历史供应商送货时长数据子集原有的样本具有较高的相似度。
步骤204,基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
在步骤203中,增加了第一历史供应商送货时长数据子集中的样本数量,并且所增加的样本与第一历史供应商送货时长数据子集原有的样本具有较高的相似度。因此,在本步骤中,可以通过对更新后的第一历史供应商送货时长数据子集所包含的样本(即第一历史供应商送货时长数据)进行统计,从而预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
例如,在一些可选的实现方式中,可以将更新后的第一历史供应商送货时长数据子集中,各第一历史供应商送货时长数据所指示的供应商送货时长值的平均值,作为预测得到的供应商送货时长的数值。
本实施例的用于预测供应商送货时长的方法,通过获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合,判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值,若是,则更新第一历史供应商送货时长数据子集,以将历史供应商送货时长数据集合中,与第一历史供应商送货时长数据的相似度超过预设相似度阈值的第二历史供应商送货时长数据添加到第一历史供应商送货时长数据子集中,并基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长,增加了预设时段内交易量较少的物品的历史供应商送货时长样本数量,有利于对这一类稀疏数据的供应商送货时长预测的准确性。
在本实施例的一些可选的实现方式中,在步骤202的判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值之后,本实施例的方法还可以进一步包括:
步骤205,若否,则基于更新前的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
如果历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量不小于预设数量阈值,可以认为该第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的样本量适合用作后续供应商送货时长的预测。
因此,此时可以直接基于第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据,来预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
此外,在本实施例的一些可选的实现方式中,若第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量小于预设数量阈值,可以通过如下的方式来从历史供应商送货时长数据集合确定出与第一历史供应商送货时长数据相似度超过预设相似度阈值的第二历史供应商送货时长数据。
首先,可以确定历史供应商送货时长数据集合中第一历史供应商送货时长数据所指示的供应商送货时长值的第一概率分布函数。可以理解的是,若已知第一历史供应商送货时长数据的分布函数,就可以知道第一历史供应商送货时长数据落在任一区间上的概率。
接着,基于第一概率分布函数中多个预设分位数的函数值确定参考特征向量。
最后,响应于历史供应商送货时长数据集合中,第三历史供应商送货时长数据所确定的第三概率分布函数的多个预设分位数的函数值所确定的第三特征向量与参考特征向量的相似度超过预设相似度阈值,将第三历史供应商送货时长数据确定为第二历史供应商送货时长数据。
在这里,第三历史供应商送货时长数据可以理解为历史供应商送货时长数据集合中,除第一历史供应商送货时长数据之外,任意的具有相同物品身份标识和配送起点标识的历史供应商送货时长数据。
在一些应用场景中,假设历史供应商送货时长数据集合中,由供货商A提供的由a地点发货的物品aa的各历史供应商送货时长数据作为第一历史供应商送货时长数据。那么,可以基于这些第一历史供应商送货时长数据所指示的供应商送货时长值确定第一概率分布函数。接着,基于该第一概率分布函数中的多个分位点(例如,25%分位点、50%分位点、75%分位点和90%分位点)所对应的函数值(例如,v1,v2,v3,v4),确定参考特征向量[v1,v2,v3,v4]T。
然后,对历史供应商送货时长数据集合中,由供货商B提供的由b地点发货的物品bb的历史供应商送货时长数据、由供货商C提供的由c地点发货的物品cc的历史供应商送货时长数据等等分别求取概率分布函数,并确定25%分位点、50%分位点、75%分位点和90%分位点的函数值,从而构成对应于由供货商B提供的由b地点发货的物品bb的历史供应商送货时长数据的特征向量[a1,b1,c1,d1]T和从而构成对应于由供货商C提供的由c地点发货的物品cc的历史供应商送货时长数据的特征向量[a2,b2,c2,d2]T。这样一来,便可以求取出[a1,b1,c1,d1]T和[v1,v2,v3,v4]T的相似度以及[a2,b2,c2,d2]T和[v1,v2,v3,v4]T的相似度。
在这些可选的实现方式的一些应用场景中,可以基于参考特征向量与第三特征向量之间的欧氏距离来确定二者的相似度。
或者,在这些可选的实现方式的另一些应用场景中,也可以基于参考特征向量与第三特征向量的余弦距离来确定二者的相似度。
可以理解的是,欧氏距离和余弦距离的计算方法均是本领域技术人员熟知的现有技术,在此不再赘述。
或者,在本实施例的另一些可选的实现方式中,若第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量小于预设数量阈值,还可以通过如下的方式来从历史供应商送货时长数据集合确定出与第一历史供应商送货时长数据相似度超过预设相似度阈值的第二历史供应商送货时长数据:
将历史供应商送货时长数据集合中,物品身份标识所指示的物品类别与第一物品身份标识所指示的物品类别属于预设物品分类表的同一大类的历史供应商送货时长数据作为第二历史供应商送货时长数据。
以如下的表一所示的分类表为例,生鲜类商品可以分为蔬菜、水果、水产、鲜肉等四个大类,每个大类又可以进一步包括多个具体类别的商品。例如,蔬菜大类进一步包括叶菜、根茎、花果、菌类这几个类别的蔬菜。假设物品身份标识所指示的物品类别与第一物品身份标识所指示的物品类别为“叶菜”,那么,可以将历史供应商送货时长数据集合中,同属“蔬菜”这一大类的“根茎”、“花果”、“菌类”其中至少一者的历史供应商送货时长数据作为第二历史供应商送货时长数据。
表一 商品的三级分类
在本实施例的一些可选的实现方式中,步骤204中的基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长,还可以进一步包括:
基于第一历史供应商送货时长数据子集所包括的每个供应商送货时长值和与各供应商送货时长值对应的概率值的乘积之和,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
也即是说,可以将第一历史供应商送货时长数据子集所包括的每个供应商送货时长值和与各供应商送货时长值的数学期望,作为具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长的预测值。
具体地,可以根据以下的公式(1)来求取第一历史供应商送货时长数据子集所包括的每个供应商送货时长值和与各供应商送货时长值的数学期望E:
上述公式(1)中,VLTi为第一历史供应商送货时长数据子集所包括的每个供应商送货时长值,而pi则为与第一历史供应商送货时长数据子集所包括的每个供应商送货时长值VLTi相对应的概率值。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于预测供应商送货时长的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于预测供应商送货时长的装置包括获取单元401、判断单元402、更新单元403和预测单元404。
获取单元401可配置用于获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合,其中,历史供应商送货时长数据集合中的各历史供应商送货时长数据包括物品身份标识、配送起点标识和供应商送货时长值。
判断单元402可配置用于判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值,其中,第一历史供应商送货时长数据子集中的各第一历史供应商送货时长数据具有相同的第一物品身份标识和相同的第一配送起点标识。
更新单元403可配置用于历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量小于预设数量阈值,则更新第一历史供应商送货时长数据子集,以将历史供应商送货时长数据集合中,与第一历史供应商送货时长数据的相似度超过预设相似度阈值的第二历史供应商送货时长数据添加到第一历史供应商送货时长数据子集中。
预测单元404可配置用于基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
在一些可选的实现方式中,预测单元404还可配置用于:若历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量不小于预设数量阈值,则基于更新前的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
在一些可选的实现方式中,更新单元403还可配置用于:确定历史供应商送货时长数据集合中第一历史供应商送货时长数据所指示的供应商送货时长值的第一概率分布函数;基于第一概率分布函数中多个预设分位数的函数值确定参考特征向量;响应于历史供应商送货时长数据集合中,第三历史供应商送货时长数据所确定的第三概率分布函数的多个预设分位数的函数值所确定的第三特征向量与参考特征向量的相似度超过预设相似度阈值,将第三历史供应商送货时长数据确定为第二历史供应商送货时长数据;其中,第三历史供应商送货时长数据为历史供应商送货时长数据集合中,除第一历史供应商送货时长数据之外,任意的具有相同物品身份标识和配送起点标识的历史供应商送货时长数据。
在一些可选的实现方式中,更新单元403还可配置用于:将历史供应商送货时长数据集合中,物品身份标识所指示的物品类别与第一物品身份标识所指示的物品类别属于预设物品分类表的同一大类的历史供应商送货时长数据作为第二历史供应商送货时长数据。
在一些可选的实现方式中,更新单元403还可配置用于基于如下任意一者确定参考特征向量与第三特征向量的相似度:基于参考特征向量与第三特征向量之间的欧氏距离,或者基于参考特征向量与第三特征向量的余弦距离。
在一些可选的实现方式中,预测单元404还可配置用于:基于第一历史供应商送货时长数据子集所包括的每个供应商送货时长值和与各供应商送货时长值对应的概率值的乘积之和,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备/服务器的计算机系统500的结构示意图。图5示出的终端设备/服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、判断单元、更新单元和预测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合,其中,历史供应商送货时长数据集合中的各历史供应商送货时长数据包括物品身份标识、配送起点标识和供应商送货时长值;判断历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值,其中,第一历史供应商送货时长数据子集中的各第一历史供应商送货时长数据具有相同的第一物品身份标识和相同的第一配送起点标识;若是,则更新第一历史供应商送货时长数据子集,以将历史供应商送货时长数据集合中,与第一历史供应商送货时长数据的相似度超过预设相似度阈值的第二历史供应商送货时长数据添加到第一历史供应商送货时长数据子集中;基于更新后的第一历史供应商送货时长数据子集,预测具有第一物品身份标识和第一配送起点标识的物品的供应商送货时长。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于预测供应商送货时长的方法,包括:
获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合,其中,所述历史供应商送货时长数据集合中的各历史供应商送货时长数据包括物品身份标识、配送起点标识和供应商送货时长值;
判断所述历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值,其中,所述第一历史供应商送货时长数据子集中的各第一历史供应商送货时长数据具有相同的第一物品身份标识和相同的第一配送起点标识;
若是,则更新所述第一历史供应商送货时长数据子集,以将所述历史供应商送货时长数据集合中,与所述第一历史供应商送货时长数据的相似度超过预设相似度阈值的第二历史供应商送货时长数据添加到所述第一历史供应商送货时长数据子集中;
基于更新后的第一历史供应商送货时长数据子集,预测具有所述第一物品身份标识和所述第一配送起点标识的物品的供应商送货时长。
2.根据权利要求1所述的方法,其中,在判断所述历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值之后,所述方法还包括:
若否,则基于更新前的第一历史供应商送货时长数据子集,预测具有所述第一物品身份标识和所述第一配送起点标识的物品的供应商送货时长。
3.根据权利要求1所述的方法,其中,所述从所述历史供应商送货时长数据集合确定出与所述第一历史供应商送货时长数据相似度超过预设相似度阈值的第二历史供应商送货时长数据,包括:
确定所述历史供应商送货时长数据集合中第一历史供应商送货时长数据所指示的供应商送货时长值的第一概率分布函数;
基于所述第一概率分布函数中多个预设分位数的函数值确定参考特征向量;
响应于所述历史供应商送货时长数据集合中,第三历史供应商送货时长数据所确定的第三概率分布函数的所述多个预设分位数的函数值所确定的第三特征向量与所述参考特征向量的相似度超过所述预设相似度阈值,将所述第三历史供应商送货时长数据确定为所述第二历史供应商送货时长数据;
其中,所述第三历史供应商送货时长数据为历史供应商送货时长数据集合中,除所述第一历史供应商送货时长数据之外,任意的具有相同物品身份标识和配送起点标识的历史供应商送货时长数据。
4.根据权利要求1所述的方法,其中,所述从所述历史供应商送货时长数据集合确定出与所述第一历史供应商送货时长数据相似度超过预设相似度阈值的第二历史供应商送货时长数据,包括:
将所述历史供应商送货时长数据集合中,物品身份标识所指示的物品类别与所述第一物品身份标识所指示的物品类别属于预设物品分类表的同一大类的历史供应商送货时长数据作为第二历史供应商送货时长数据。
5.根据权利要求3所述的方法,其中,在响应于所述历史供应商送货时长数据集合中,第三历史供应商送货时长数据所确定的第一概率分布函数的所述多个预设分位数的函数值所确定的特征向量与所述参考特征向量的相似度超过所述预设相似度阈值,将所述第三历史供应商送货时长数据确定为所述第二历史供应商送货时长数据之前,所述从所述历史供应商送货时长数据集合确定出与所述第一历史供应商送货时长数据相似度超过预设相似度阈值的第二历史供应商送货时长数据,还包括,基于如下任意一者确定所述参考特征向量与所述第三特征向量的相似度:
基于所述参考特征向量与所述第三特征向量之间的欧氏距离,或者基于参考特征向量与所述第三特征向量的余弦距离。
6.根据权利要求1所述的方法,其中,所述基于更新后的第一历史供应商送货时长数据子集,预测具有所述第一物品身份标识和所述第一配送起点标识的物品的供应商送货时长,包括:
基于所述第一历史供应商送货时长数据子集所包括的每个供应商送货时长值和与各供应商送货时长值对应的概率值的乘积之和,预测具有所述第一物品身份标识和所述第一配送起点标识的物品的供应商送货时长。
7.一种用于预测供应商送货时长的装置,包括:
获取单元,配置用于获取预设时段内的历史供应商送货时长数据以生成历史供应商送货时长数据集合,其中,所述历史供应商送货时长数据集合中的各历史供应商送货时长数据包括物品身份标识、配送起点标识和供应商送货时长值;
判断单元,配置用于判断所述历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量是否小于预设数量阈值,其中,所述第一历史供应商送货时长数据子集中的各第一历史供应商送货时长数据具有相同的第一物品身份标识和相同的第一配送起点标识;
更新单元,配置用于历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量小于预设数量阈值,则更新所述第一历史供应商送货时长数据子集,以将所述历史供应商送货时长数据集合中,与所述第一历史供应商送货时长数据的相似度超过预设相似度阈值的第二历史供应商送货时长数据添加到所述第一历史供应商送货时长数据子集中;
预测单元,配置用于基于更新后的第一历史供应商送货时长数据子集,预测具有所述第一物品身份标识和所述第一配送起点标识的物品的供应商送货时长。
8.根据权利要求7所述的装置,其中,所述预测单元还配置用于:
若所述历史供应商送货时长数据集合中,第一历史供应商送货时长数据子集所包含的第一历史供应商送货时长数据的数量不小于预设数量阈值,则基于更新前的第一历史供应商送货时长数据子集,预测具有所述第一物品身份标识和所述第一配送起点标识的物品的供应商送货时长。
9.根据权利要求7所述的装置,其中,所述更新单元还配置用于:
确定所述历史供应商送货时长数据集合中第一历史供应商送货时长数据所指示的供应商送货时长值的第一概率分布函数;
基于所述第一概率分布函数中多个预设分位数的函数值确定参考特征向量;
响应于所述历史供应商送货时长数据集合中,第三历史供应商送货时长数据所确定的第三概率分布函数的所述多个预设分位数的函数值所确定的第三特征向量与所述参考特征向量的相似度超过所述预设相似度阈值,将所述第三历史供应商送货时长数据确定为所述第二历史供应商送货时长数据;
其中,所述第三历史供应商送货时长数据为历史供应商送货时长数据集合中,除所述第一历史供应商送货时长数据之外,任意的具有相同物品身份标识和配送起点标识的历史供应商送货时长数据。
10.根据权利要求7所述的装置,其中,所述更新单元还配置用于:
将所述历史供应商送货时长数据集合中,物品身份标识所指示的物品类别与所述第一物品身份标识所指示的物品类别属于预设物品分类表的同一大类的历史供应商送货时长数据作为第二历史供应商送货时长数据。
11.根据权利要求9所述的装置,其中,更新单元还配置用于基于如下任意一者确定所述参考特征向量与所述第三特征向量的相似度:
基于所述参考特征向量与所述第三特征向量之间的欧氏距离,或者基于参考特征向量与所述第三特征向量的余弦距离。
12.根据权利要求7所述的装置,其中,所述预测单元还配置用于:
基于所述第一历史供应商送货时长数据子集所包括的每个供应商送货时长值和与各供应商送货时长值对应的概率值的乘积之和,预测具有所述第一物品身份标识和所述第一配送起点标识的物品的供应商送货时长。
13.一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810078673.7A CN110084541B (zh) | 2018-01-26 | 2018-01-26 | 用于预测供应商送货时长的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810078673.7A CN110084541B (zh) | 2018-01-26 | 2018-01-26 | 用于预测供应商送货时长的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084541A true CN110084541A (zh) | 2019-08-02 |
CN110084541B CN110084541B (zh) | 2023-09-26 |
Family
ID=67412303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810078673.7A Active CN110084541B (zh) | 2018-01-26 | 2018-01-26 | 用于预测供应商送货时长的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084541B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884389A (zh) * | 2019-11-29 | 2021-06-01 | 北京沃东天骏信息技术有限公司 | 数据处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003050944A (ja) * | 2001-08-03 | 2003-02-21 | Ameyoko Net Kk | 情報提供装置、情報管理装置、情報提供方法、情報管理方法、及びプログラム |
US20140350991A1 (en) * | 2013-05-24 | 2014-11-27 | Caterpillar Inc. | Systems and methods for logistics network management |
CN106296371A (zh) * | 2016-09-22 | 2017-01-04 | 网易无尾熊(杭州)科技有限公司 | 一种商品发货控制方法和装置 |
CN107274209A (zh) * | 2017-05-18 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 预测促销活动销售数据的方法和装置 |
CN107506958A (zh) * | 2017-07-19 | 2017-12-22 | 网易无尾熊(杭州)科技有限公司 | 信息生成方法、介质、系统和计算设备 |
-
2018
- 2018-01-26 CN CN201810078673.7A patent/CN110084541B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003050944A (ja) * | 2001-08-03 | 2003-02-21 | Ameyoko Net Kk | 情報提供装置、情報管理装置、情報提供方法、情報管理方法、及びプログラム |
US20140350991A1 (en) * | 2013-05-24 | 2014-11-27 | Caterpillar Inc. | Systems and methods for logistics network management |
CN106296371A (zh) * | 2016-09-22 | 2017-01-04 | 网易无尾熊(杭州)科技有限公司 | 一种商品发货控制方法和装置 |
CN107274209A (zh) * | 2017-05-18 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 预测促销活动销售数据的方法和装置 |
CN107506958A (zh) * | 2017-07-19 | 2017-12-22 | 网易无尾熊(杭州)科技有限公司 | 信息生成方法、介质、系统和计算设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884389A (zh) * | 2019-11-29 | 2021-06-01 | 北京沃东天骏信息技术有限公司 | 数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110084541B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106980955B (zh) | 用于输出信息的方法和装置 | |
CN108846609A (zh) | 基于订单任务的拣选方法、装置、服务器和介质 | |
CN109426885A (zh) | 订单分配方法和装置 | |
CN106897905B (zh) | 用于推送信息的方法、装置及电子设备 | |
CN110443533A (zh) | 商品分仓入库方法、装置、电子设备及计算机可读介质 | |
CN112184348B (zh) | 订单数据处理方法、装置、电子设备及介质 | |
CN111586162A (zh) | 一种信息推送方法和系统 | |
CN109544076A (zh) | 用于生成信息的方法和装置 | |
CN112215530A (zh) | 选仓方法和装置 | |
CN110033337A (zh) | 订单生产的方法和装置 | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN114663015A (zh) | 补货方法和装置 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN110503495A (zh) | 用于获取信息的方法及装置 | |
CN109978421A (zh) | 信息输出方法和装置 | |
CN110020876A (zh) | 一种信息生成方法和装置 | |
CN110276566A (zh) | 信息输出方法和装置 | |
CN109948773A (zh) | 生成信息的方法和装置 | |
CN113780915A (zh) | 业务对接方法和装置 | |
CN109902980A (zh) | 用于业务处理的方法及装置 | |
CN110084541A (zh) | 用于预测供应商送货时长的方法和装置 | |
CN107977876A (zh) | 用于处理订单信息的方法及装置 | |
CN110689032A (zh) | 数据处理方法及系统、计算机系统和计算机可读存储介质 | |
CN115936764A (zh) | 一种产品推广方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |