CN110163427A - 一种门店库存优化的方法 - Google Patents

一种门店库存优化的方法 Download PDF

Info

Publication number
CN110163427A
CN110163427A CN201910384747.4A CN201910384747A CN110163427A CN 110163427 A CN110163427 A CN 110163427A CN 201910384747 A CN201910384747 A CN 201910384747A CN 110163427 A CN110163427 A CN 110163427A
Authority
CN
China
Prior art keywords
shops
demand
inventory
sale
value
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
Application number
CN201910384747.4A
Other languages
English (en)
Other versions
CN110163427B (zh
Inventor
王一君
陈灿
吴珊珊
孙利辉
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.)
Hangzhou Lanzhong Data Technology Co Ltd
Original Assignee
Hangzhou Lanzhong Data Technology Co Ltd
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 Hangzhou Lanzhong Data Technology Co Ltd filed Critical Hangzhou Lanzhong Data Technology Co Ltd
Priority to CN201910384747.4A priority Critical patent/CN110163427B/zh
Publication of CN110163427A publication Critical patent/CN110163427A/zh
Application granted granted Critical
Publication of CN110163427B publication Critical patent/CN110163427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/087—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)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种门店库存优化的方法，本发明步骤如下：步骤1：根据决策日期，获取门店近N个月的产品的销售数据的门店的面积；汇总每家门店的总销量，对其进行异常值的处理；步骤2：构造门店的属性和销售的数据集，计算这些数据项之间的距离，通过K‑means方法设置不同的K值进行聚类；步骤3：根据决策日期，结合同类产品近N1个月的累计销量及每周的销售数据,按照最小库存单元SKU的颗粒度对产品进行ABC分类；步骤4：根据TOC拉式补货的理论，设置门店的库存目标，并根据SKU在门店上周的销量和预测的需求进行对比，根据需求预测的准确度对门店的每一类产品进行需求调整。本发明能够实现门店的库存优化。

Description

一种门店库存优化的方法
技术领域
本发明涉及信息技术需求领域，具体涉及一种门店库存优化的方法，一种基于K-means的门店分类、ABC的产品分类及TOC拉式补货的门店库存优化的方法。
背景技术
零售行业中，门店库存优化的目标：了解市场需求的变化趋势，正确配置库存量，使门店的库存量可以满足顾客需求，且整体库存达到资源的最优配置。门店的库存目标作为其中最重要的问题之一，是指基于门店的历史销售数据，对未来一个周期内门店的销售进行预测，根据预测结果，设置门店的库存量。因此，很多学者致力于研究各种预测方法用于改善销售的精确度。近年来，随着预测技术的不断完善，人工智能算法、BP神经网络、极限学习机、遗传算法、灰色理论、马尔科夫链等方法不断的完善并运用到零售行业中，这些算法都是根据产品的历史销售信息进行销售的预测，尽可能的提高预测的准确度，合理的进行资源的优化配置。基于销售预测的库存优化，这一经典问题一直是研究的热点，旨在追求销售和库存的最优配置，达到销售的最大化与库存最小化的平衡。
然而，在拥有季节性销售因子的零售行业中，在季节初期，历史数据少，预测方法进行的销售预测都存在一定的局限性。预测结果带来的调拨在实际的销售中，往往没有产生出直接的利润；同时无效的调拨既增加了调拨的费用，又对产品的资源的优化配置有一定的负作用。因此本发明提出一种基于K-means的门店分类、ABC的产品分类及TOC拉式补货的门店库存优化的方法。
发明内容
本发明的目的在于针对现有技术的不足，提出一种门店库存优化的方法。本发明通过以下技术方案实现的，包括以下步骤：
步骤1：根据决策日期，获取门店近N个月(例如前6个月)的产品(pi_df)的销售数据(s_df)和门店的面积(si_df)；汇总每家门店的总销量，对其进行异常值的处理，将与平均值的偏差超过三倍标准差的销售数据，修正为与平均值的偏差等于3倍标准差。
步骤2：构造门店的属性和销售的数据集(si_df,s_df)，计算这些数据项之间的距离(用欧式距离表示)，通过K-means方法设置不同的K值进行聚类。选取分类后的各类的门店数占比最接近实际业务情况的聚类结果作为门店分类的最终结果。
dsq:表示AB2家门店的距离；
As：表示A门店的销售数据；Bs：表示B门店的销售数据
Aq：表示A门店的面积数据；Bq：表示B门店的面积数据
步骤3：根据决策日期，结合同类产品近N1个月(例如过去1个月)的累计销量及每周的销售数据,按照最小库存单元SKU的颗粒度对产品进行ABC分类。
3-1.获取每个SKU上周的门店销售数据；
3-2.获取每个SKU截止到决策日期门店的累计销售数据；
3-3.对获取的数据，按照上周的门店销售数据进行排序。上周销售数据相同时，按照门店累计销售数据进行排序，累计销售数据相同时，按照id号进行排序；
3-4.计算产品在所有门店的累计比率，即对产品的累计销售数据排序；
3-5.根据累计比率分类。
将累计比率在0％-20％的为A类门店产品，这类属于销售较好的产品，库存应适当的多放；累计比率在20％-80％的为B类产品，这类门店销售中等，门店库存应处于整体库存的中游水平；累计比率在80％-100％的为C类产品，这类产品的销售相比前2类较少，门店库存应适当的少放，优先满足前2类产品的需求。产品的分类占比是结合实际销售过程中畅销、平销、滞销的分布情况，对获取的数据进行微调后的占比。
步骤4：根据TOC拉式补货的理论，设置门店的库存目标，并根据SKU在门店上周的销量和预测的需求进行对比，根据需求预测的准确度对门店的每一类产品进行需求调整，调整方法如下：
4-1.上周销量和上周需求预测值一半的差值在-K0到K0之间，门店需求不进行调整；
4-2.上周销量比上周需求预测值一半的值大且差值不大于K1值，门店需求上调D1；上周销量比上周需求预测值一半的值大且差值大于K1值，门店需求上调D2；
4-3.上周销量比上周需求预测值一半的值小且差值不大于K1值，门店需求下调D1；上周销量比上周需求预测值一半的值大且差值大于K1值，门店需求下调D2；
4-4.避免需求值过大或过小，对调整后的需求值进行限制，A类门店需求的上、下限设置为DT1和DT2，B类门店需求的上、下限设置为DT3和DT4，C类门店需求的上、下限设置为DT5和DT6。
K1/D1/D2/K0/DT1/DT2/DT3/DT4/DT5/DT6根据门店的历史销售数据的分布情况获取。
4-5.根据门店库存需求、区域内SKU的销售数据，设置门店需求的上下限，并结合门店的实际库存，对门店的库存目标进行微调。微调原则：确保门店库存满足目标库存的情况下，调拨成本最小，同时库存目标在上、下限之间，并保证能在调拨量最小的情况下能满足门店的库存目标。即：
min(|(IT-D)|*CID+CDLub*max(IT-D,0)+CDLlb*max(D-IT,0))
IT为门店的库存目标，D为门店需求，CID为库存缺失成本，CDL为库存的最大缺货成本。
本发明有益效果：
本发明方法首先，根据门店的属性和门店近期(例如前6个月)的销售数据，通过数据的预处理对异常的销售数据进行处理，再采用K-means的算法对门店进行聚类，得到k类门店。然后，通过产品的累计销售和前一周销售数据，对产品进行ABC分类，使产品的分类结果和产品销售的畅销、平销、滞销的占比保持一致。最后，根据TOC的拉式补货原理，设置门店的库存目标，并根据门店需求、区域SKU销售占比，设置需求上、下限；结合门店的初始库存对需求进行调整，获取门店最终的目标库存，采用多频次，少批量的原则对门店补调货。
附图说明
图1是本发明实施例采用该方法的系统模型图。
图2是本发明实施例采用该方法的具体流程图。
具体实施方式
下面结合附图、附表详细描述本发明，本发明的目的和效果将变得更加明显。
本发明假设该产品是夏转秋的新品，决策日期取产品最早上货的第二周开始。如图1所示，考虑门店货品流的供应链流程，其由总仓、门店、顾客3块组成，该货品流的源头是总仓，其与门店直接相连，根据门店的目标库存Ti和期初库存i0决定门店补货和调拨。本发明主要对门店的需求D进行优化，在季初门店销售Si不稳定的时候，销售会出现起伏不定的情况，完全根据销售Si进行调拨，会产生较大的调拨量max(Ti-i0,0)，考虑到顾客、门店、总仓之间的牛鞭效应，调拨量会较大，同时调补之间的有效调拨较少。
本发明考虑到上述实际情况，通过对门店的需求采用TOC的多频次、少批量的模式设置门店的需求，在保证门店销售的前提下。减少门店与门店之间，总仓与门店之间的无效调拨，降低了因顾客到门店，门店到总仓的牛鞭效应。
如图2所示，本发明一种基于K-means的门店分类、ABC的产品分类及TOC拉式补货的门店库存优化的方法，包括以下步骤：
步骤1：对销售数据进行异常值处理，获取相关参数：pi_df产品信息，si_df门店信息，s_df销售信息，对上述信息进行整合，获得销售的信息表pi_s_df,对上述信息进行异常值处理，将与平均值的偏差超过三倍标准差的销售数据，修正为与平均值的偏差等于3倍标准差。
步骤2：获取门店分类的参数：pi_df产品信息，si_df门店信息，s_df销售信息，对上述信息进行整合，获得门店近期(例如前6个月)的销量s_df和门店面积的信息si_df，对结果信息按照K-means的方法进行聚类，设置不同的K值对分类后的结果和实际情况进行对比，选取最符合实际情况的分类作为最终结果Si_df1。
步骤3：获取用于产品分类的参数：pi_df产品信息，si_df门店信息，s_df销售信息，销售数据分别包含截止至决策日期的上一周销售数据和累计销售数据，按照ABC分类法对其进行分类。即：按照决策日期上一周的销售数据进行销售排名；上周销售数据相同时，按照累计销售数据排名；累计销售数据也相同时，按照id号进行排序；排序完计算累计销售比，按照畅销、平销、滞销的产品销售分布进行ABC分类S_df1，如：销售好且排名靠前，销售比在0％-20％的SKU分为A类；销售一般，排名在20％-80％的SKU分为B类；销售比较差，排名最后的20％的SKU分为C类。
步骤4：获取用于计算门店需求的参数：步骤2获得的门店分类数据Si_df1,步骤3获取的产品分类数据S_df1，上周预测的需求数据D_df。因门店等级不同，对产品的销售潜力不同，因此针对不同的门店需要设置不同的需求调整规则。根据TOC拉式补货的理论，设置门店的库存目标，对每一类的门店数据，统计其历史数据，根据去年同期的销售情况分布，设计调整规则。本发明对每类数据采用的是5级调整：需求上调D1、D2，需求不变，需求下调D1、D2，D1、D2根据门店和产品的类别不同，可能产生不同的数值。
当需求值的1/2和实际销售差值在一定范围内(本发明为
-K0,K0)，需求值不变，此时需求能够基本能够满足门店的销售，由于销售的不确定性，对其进行上调或下调可能会产生不必要的调拨；
当需求值的1/2比实际销售值大，且差值分布在(K0，K1)之间，此时需要对需求值进行上调，避免因销售上涨可能带来的销售损失，上调值为D1；当差值分布在(K1,+∞)，此时需求的1/2已远远不能满足销售，需要对其进行上调，且上调的D1值也不能满足销售需求，将其上调值修正为D2；
当需求值的1/2比实际销售值小，且差值分布在(-K1，-K0)之间，此时需要对需求值进行下调，门店库存较多，避免因需求过大，导致别的有需求门店补不上货，下调值为D1；当差值分布在(-∞，-K1)，此时需求的1/2已远远高于满足销售，需要对其进行下调，且下调D1值后其需求值也比实际的销售需求大，故将其下调值修正为D2；
以此类推，对每一类别的门店都执行上述操作；达到需求的整体调整。
调整后，观察需求值，避免因需求的规则调整，可能带来需求值过大或者过小。根据去年同期的历史数据，统计销售分布情况，对每类门店设置需求的上、下限DT1、DT2、DT3、DT4、DT5、DT6
步骤5：调整后的需求值，为SKU维度的数据，数据的颗粒度较细，此时需要设置需求上、下限，使其需求分布更加合理。需求的上、下限的求解如下：汇总每个区域SKU的销售占比情况，统计每个区域SKC维度下的销售权重的最大值和最小值，则每个SKU的下限为SKC维度下销售最大值/销售权重的最大值*SKU的销售权重与SKU的需求取小值；每个SKU的上限为SKC维度下销售的最大值/销售权重的最小值*SKU为销售权重与SKU需求之间取大值。
结合需求的上、下限设置门店库存目标，设置原理：确保满足门店的需求，同时库存目标在上、下限之间，并保证能在调拨量最小的情况下能满足门店的库存目标。即：
min(|(IT-D)|*CID+CDLub*max(IT-D,0)+CDLlb*max(D-IT,0))
IT为门店的库存目标，D为门店需求，CID为库存缺失成本，CDL为库存的最大缺货成本。
表1是根据本发明获取门店的目标库存，假设门店库存充足的情况下，根据销售对比目标库存的满足情况。从表中可以看出基于本发明的门店的库存目标对销售的覆盖率在98％以上，说明本发明能够实现门店的库存优化。
表1
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方案实施本发明。因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护范围。

Claims (2)

1.一种门店库存优化的方法，其特征在于包括如下步骤：
步骤1：根据决策日期，获取门店近N个月的产品(pi_df)的销售数据(s_df)和门店的面积(si_df)；汇总每家门店的总销量，对其进行异常值的处理，将与平均值的偏差超过三倍标准差的销售数据，修正为与平均值的偏差等于3倍标准差；
步骤2：构造门店的属性和销售的数据集(si_df,s_df)，计算这些数据项之间的距离，通过K-means方法设置不同的K值进行聚类；选取分类后的各类的门店数占比最接近实际业务情况的聚类结果作为门店分类的最终结果；
dsq:表示AB2家门店的距离；
As：表示A门店的销售数据；Bs：表示B门店的销售数据
Aq：表示A门店的面积数据；Bq：表示B门店的面积数据
步骤3：根据决策日期，结合同类产品近N1个月的累计销量及每周的销售数据,按照最小库存单元SKU的颗粒度对产品进行ABC分类；
3-1.获取每个SKU上周的门店销售数据；
3-2.获取每个SKU截止到决策日期门店的累计销售数据；
3-3.对获取的数据，按照上周的门店销售数据进行排序；上周销售数据相同时，按照门店累计销售数据进行排序，累计销售数据相同时，按照id号进行排序；
3-4.计算产品在所有门店的累计比率，即对产品的累计销售数据排序；
3-5.根据累计比率分类；
将累计比率在0％-20％的为A类门店产品，这类属于销售较好的产品，库存应适当的多放；累计比率在20％-80％的为B类产品，这类门店销售中等，门店库存应处于整体库存的中游水平；累计比率在80％-100％的为C类产品，这类产品的销售相比前2类较少，门店库存应适当的少放，优先满足前2类产品的需求；
步骤4：根据TOC拉式补货的理论，设置门店的库存目标，并根据SKU在门店上周的销量和预测的需求进行对比，根据需求预测的准确度对门店的每一类产品进行需求调整，调整方法如下：
4-1.上周销量和上周需求预测值一半的差值在-K0到K0之间，门店需求不进行调整；
4-2.上周销量比上周需求预测值一半的值大且差值不大于K1值，门店需求上调D1；上周销量比上周需求预测值一半的值大且差值大于K1值，门店需求上调D2；
4-3.上周销量比上周需求预测值一半的值小且差值不大于K1值，门店需求下调D1；上周销量比上周需求预测值一半的值大且差值大于K1值，门店需求下调D2；
4-4.避免需求值过大或过小，对调整后的需求值进行限制，A类门店需求的上、下限设置为DT1和DT2，B类门店需求的上、下限设置为DT3和DT4，C类门店需求的上、下限设置为DT5和DT6；
K1/D1/D2/K0/DT1/DT2/DT3/DT4/DT5/DT6根据门店的历史销售数据的分布情况获取；
4-5.根据门店库存需求、区域内SKU的销售数据，设置门店需求的上下限，并结合门店的实际库存，对门店的库存目标进行微调；微调原则：确保门店库存满足目标库存的情况下，调拨成本最小，同时库存目标在上、下限之间，并保证能在调拨量最小的情况下能满足门店的库存目标；即：
min(|(IT-D)|*CID+CDLub*max(IT-D,0)+CDLlb*max(D-IT,0))
IT为门店的库存目标，D为门店需求，CID为库存缺失成本，CDL为库存的最大缺货成本。
2.根据权利要求一种门店库存优化的方法，其特征在于需求的上、下限的求解如下：汇总每个区域SKU的销售占比情况，统计每个区域SKC维度下的销售权重的最大值和最小值，则每个SKU的下限为SKC维度下销售最大值/销售权重的最大值*SKU的销售权重与SKU的需求取小值；每个SKU的上限为SKC维度下销售的最大值/销售权重的最小值*SKU为销售权重与SKU需求之间取大值。
CN201910384747.4A 2019-05-09 2019-05-09 一种门店库存优化的方法 Active CN110163427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910384747.4A CN110163427B (zh) 2019-05-09 2019-05-09 一种门店库存优化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910384747.4A CN110163427B (zh) 2019-05-09 2019-05-09 一种门店库存优化的方法

Publications (2)

Publication Number Publication Date
CN110163427A true CN110163427A (zh) 2019-08-23
CN110163427B CN110163427B (zh) 2021-12-07

Family

ID=67633821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910384747.4A Active CN110163427B (zh) 2019-05-09 2019-05-09 一种门店库存优化的方法

Country Status (1)

Country Link
CN (1) CN110163427B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126919A (zh) * 2019-12-26 2020-05-08 上海京东到家元信信息技术有限公司 缺货预警系统及预警方案
CN111178797A (zh) * 2019-12-21 2020-05-19 武汉微批科技有限公司 一种库存补货调度方法及系统
CN111815348A (zh) * 2020-05-28 2020-10-23 杭州览众数据科技有限公司 一种基于各门店商品相似度聚类的区域商品生产计划方法
CN111815198A (zh) * 2020-07-27 2020-10-23 名创优品（横琴）企业管理有限公司 一种门店补货方法、装置和设备
CN112101986A (zh) * 2020-08-20 2020-12-18 上海伯俊软件科技有限公司 确定商品补调需求的方法及设备
CN112633541A (zh) * 2019-09-24 2021-04-09 北京沃东天骏信息技术有限公司 一种基于单品流的库存网络优化方法和装置
CN113052533A (zh) * 2021-03-24 2021-06-29 中国科学技术大学 概率产品的库存异动预警与调拨方案更新方法及系统
CN113077070A (zh) * 2020-01-03 2021-07-06 中国科学技术大学 基于属性预测的动态abc分类仓储策略优化方法及实现系统
CN113763055A (zh) * 2021-10-25 2021-12-07 金蝶软件（中国）有限公司 一种门店商品配送的预测方法以及相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516175A (zh) * 2016-06-16 2017-12-26 苏宁云商集团股份有限公司 一种库存调拨方法及装置
CN108197796A (zh) * 2017-12-28 2018-06-22 云南路普斯数据科技有限公司 一种数据管理与统计分析商业智能化平台
CN109493151A (zh) * 2019-01-10 2019-03-19 哈步数据科技(上海)有限公司 销量预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516175A (zh) * 2016-06-16 2017-12-26 苏宁云商集团股份有限公司 一种库存调拨方法及装置
CN108197796A (zh) * 2017-12-28 2018-06-22 云南路普斯数据科技有限公司 一种数据管理与统计分析商业智能化平台
CN109493151A (zh) * 2019-01-10 2019-03-19 哈步数据科技(上海)有限公司 销量预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
盛剑等: "K_Means算法及其在卷烟零售门店库存聚类分析中的应用", 《商业经济》 *
胡靖枫等: "基于聚类分析的ABC 库存分类方法研究", 《工业控制计算机》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633541A (zh) * 2019-09-24 2021-04-09 北京沃东天骏信息技术有限公司 一种基于单品流的库存网络优化方法和装置
CN111178797A (zh) * 2019-12-21 2020-05-19 武汉微批科技有限公司 一种库存补货调度方法及系统
CN111126919A (zh) * 2019-12-26 2020-05-08 上海京东到家元信信息技术有限公司 缺货预警系统及预警方案
CN113077070A (zh) * 2020-01-03 2021-07-06 中国科学技术大学 基于属性预测的动态abc分类仓储策略优化方法及实现系统
CN113077070B (zh) * 2020-01-03 2024-02-23 中国科学技术大学 基于属性预测的动态abc分类仓储策略优化方法及实现系统
CN111815348A (zh) * 2020-05-28 2020-10-23 杭州览众数据科技有限公司 一种基于各门店商品相似度聚类的区域商品生产计划方法
CN111815198B (zh) * 2020-07-27 2022-07-08 创优数字科技(广东)有限公司 一种门店补货方法、装置和设备
CN111815198A (zh) * 2020-07-27 2020-10-23 名创优品（横琴）企业管理有限公司 一种门店补货方法、装置和设备
CN112101986A (zh) * 2020-08-20 2020-12-18 上海伯俊软件科技有限公司 确定商品补调需求的方法及设备
CN113052533A (zh) * 2021-03-24 2021-06-29 中国科学技术大学 概率产品的库存异动预警与调拨方案更新方法及系统
CN113052533B (zh) * 2021-03-24 2023-07-14 中国科学技术大学 概率产品的库存异动预警与调拨方案更新方法及系统
CN113763055A (zh) * 2021-10-25 2021-12-07 金蝶软件（中国）有限公司 一种门店商品配送的预测方法以及相关设备
CN113763055B (zh) * 2021-10-25 2024-03-19 金蝶软件（中国）有限公司 一种门店商品配送的预测方法以及相关设备

Also Published As

Publication number Publication date
CN110163427B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN110163427A (zh) 一种门店库存优化的方法
Adhikari et al. Coordination mechanism, risk sharing, and risk aversion in a five-level textile supply chain under demand and supply uncertainty
CN108985691A (zh) 一种基于动态库存控制的自动补货方法及系统
Dorich et al. ToTEM II: An updated version of the Bank of Canada’s quarterly projection model
Wu et al. The supplier selection application based on two methods: VIKOR algorithm with entropy method and Fuzzy TOPSIS with vague sets method
CN106504029A (zh) 一种基于客户群体行为分析的加油站销量预测方法
CN109377260A (zh) 面向服装行业的用户行为分析系统
CN109784984A (zh) 一种生鲜门店智能订货系统
Golley et al. China's Growth to 2030: Demographic Change and the Labour Supply Constraint
CN116739217A (zh) 一种基于供应链大数据平台的零售管理方法及系统
CN112070392A (zh) 一种基于多维度指标的综合能源客户价值评价方法
CN113360831B (zh) 一种基于物联网的智能物流信息系统
Rengs et al. A computational agent-based simulation of an artificial monetary union for dynamic comparative institutional analysis
Lin et al. Market size, productivity and product quality regarding firm heterogeneity
CN113435541B (zh) 品类规划方法、装置、存储介质及计算机设备
CN115719194A (zh) 一种基于大数据预测物资采购方法和系统
CN115511148A (zh) 一种基于fcm聚类的烟草线路订单分拣优化方法及系统
CN114418318A (zh) 一种采购任务优先级队列的生成方法
Burlon et al. Exchange rate pass-through into euro area inflation. An estimated structural model
KR20090075557A (ko) 펀드의 유형 분류 및 성과 평가를 이용한 의사 결정 지원시스템
CN115271256B (zh) 一种多维分类下的智能化订货方法
Dubas et al. Breakeven and profitability analyses in marketing management using R software
Pupavac Dynamic Pricing: The Future of Retail Business
Komleh A comparison between conditions of perfect competition market and pure monopoly in supply, demand and equilibrium
KR20090075558A (ko) 유가증권 종목의 스타일 정보를 이용한 의사 결정 지원시스템

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