CN110163668A - 一种基于关联规则及协同过滤的产品推荐方法 - Google Patents
一种基于关联规则及协同过滤的产品推荐方法 Download PDFInfo
- Publication number
- CN110163668A CN110163668A CN201910384742.1A CN201910384742A CN110163668A CN 110163668 A CN110163668 A CN 110163668A CN 201910384742 A CN201910384742 A CN 201910384742A CN 110163668 A CN110163668 A CN 110163668A
- Authority
- CN
- China
- Prior art keywords
- shops
- product
- week
- stepping
- sales volume
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于关联规则及协同过滤的产品推荐方法,包括以下步骤:首先根据去年同期产品的OTB对产品进行ABC分类,并结合每类产品的数量设置分档标签;其次,结合去年同期产品的历史销售数据、历史推荐方法采用关联规则构建历史动销门店关联表、历史产品营销策略表,最后采用协同过滤并结合门店的产品结构给出当季的营销推荐方法。本发明利用历史同期的推荐方法及销售规律,通过关联规则构造门店间的关联信息及营销策略表,结合协同过滤给出产品当季的营销策略,极大地改良了产品运营中新产品销售信息少,失败率高的缺陷,为企业在第一时间占领市场,优化库存提供了科学的参考依据。
Description
技术领域
本发明涉及信息技术需求领域,具体涉及一种基于关联规则及协同过滤的产品推荐方法。
背景技术
产品推荐方法的目的在于提高企业产品推荐资源的利用效率,使企业资源的利用率最大化。产品的上货时间及产品在门店的拓展线路作为其中最重要的问题之一,是指在正确的时间,正确的门店,将正确的产品推荐给顾客。因此,很多学者通过各种方法分析市场机会、目标市场、活动管理、环境因素、宏观因素等对该问题给出各种建议。然而,这些方法大都基于对理论方法的研究,分析出产品的决策方法,缺少具体的实施方法及操作依据。本发明针对这一情况,提出基于关联规则的方法构建历史动销门店关联表、历史产品产品推荐策略表,采用协同过滤的方法,根据目标产品的销售现状,给出当季的产品推荐方法。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于关联规则及协同过滤的产品推荐方法。
本发明通过以下技术方案实现的,包括以下步骤:
步骤1:根据去年同期产品的限制采买计划OTB数量,对OTB数量从高到低进行排序,排序后对产品进行ABC分类;对每个OTB类别以产品种类数进行分档,并设置分档阈值T,保证每档有足够数据进行统计分析,获得分类标签A_1,A_2,...;B_1,B_2,B_3,...;C_1,C_2,...;其中,A_1表示A类中所有产品前T数量最大的产品集合,A_2表示A类中所有产品中第T+1到2T之间数量最大的产品集合;例如T=10,A类中所有产品有50类,则A_1表示数量最大的前10类产品的集合。
步骤2:根据产品在门店当前周是否有可用库存,作为其在门店是否上货的依据;汇总统计产品在门店每周的周销量,计算两个参考周数销量(以两周为例):往前参考两周销量作为当前周销量与上周销量之和,往后参考两周作为当前周销量与下周销量之和,以产品为颗粒度筛选出每种产品开始上货至其第五周的数据(以五周为例)。
步骤3:根据产品的历史销售数据、产品的分档数据,计算出每档产品的动销率、齐码率、OTB的售罄率及累计销售数量;对产品的分档做循环,以一个分档内的所有产品为基础,每种产品给出其本周已上货门店及下周已上货的门店,筛选出下周拓展门店,并筛选出本周有销售的门店。
步骤4:根据有销售的门店,采用关联规则方法构建出二层组合,并按照产品、周数、门店编码进行排序,为避免所有门店组合过多,在保留了一层的门店构建二层门店组合前,先根据一层门店出现的频次进行筛选(剪枝),只对出现频次较高的门店构建二层组合,暂定频次阈值为分档内的产品个数;同样对二层门店组合根据出现频次进行筛选(剪枝),剪枝后的二层门店组合与完整的一层门店,作为本周已上货且有销量门店;
步骤5:将本周有销量门店与下周拓展新增门店按产品、周数进行匹配,获得本周有销量门店与下周拓展门店的表;下周拓展门店的往后参考周数销量,作为其是否有销量的判断标准,构造出本周有销量且下周拓展门店有销量的表;
步骤6:每种产品本周上货门店与下周拓展门店的link为颗粒度,统计本周有销量门店与下周新增拓展门店的表、本周有销量且下周新增拓展门店有销量的表,根据这两张表统计每个link出现的次数,计算出本周有销量且下周新增拓展门店有销量的每个link成功概率表,即得到“历史动销门店关联表”,该关联表即是历史产品推荐方法中对门店拓展顺序的方法;
步骤7:取每个产品各自第五周的销售表现指标KPI,依据KPI从高到底,假设新增拓展门店都是销售较好的门店,根据产品销售的八二原则,筛选出前20%的产品作为参照产品。每个分档的每周拓展门店和上货数量求平均,即为各自分档中参照产品每周拓展门店和上货数量;统计分档、周数、门店数、上货数量的前五周数据即为历史产品推荐策略表;
步骤8:根据决策日期,获取目标产品的大类信息、门店信息、产品OTB计划及分档、每个目标产品的周销量和期末库存;根据目标产品的相关信息,构建目标产品动销门店关联表,匹配历史产品的动销门店表,获取目标产品在决策周根据现上货门店对应的可能拓展门店的成功率,并结合历史产品推荐策略表,按照拓展门店的成功率,从大到小筛选出符合条件的可拓展门店。
本发明有益效果:
本发明方法在每次换季之前,对同期去年的历史经验进行沉淀,沉淀出历史销售表现优异的产品,构建历史产品推荐策略表,借鉴关联规则&协同过滤,对产品销售过程中的有销量门店之间的关联关系进行分析。在观测到有销量门店后,推荐给出下周销售概率最大的拓展门店。其中通过历史产品的推荐策略给出拓展门店数量和门店上货深度。
附图说明
图1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。本发明考虑到实际情况,根据历史数据,采用关联规则方法构建了门店与门店之间的关联表及历史的推荐策略表;根据当季新品的销售数据和现状,匹配历史的数据,获取当季的产品推荐方法。
如图1所示,本发明一种基于关联规则及协同过滤的方法,包括以下步骤:
步骤1:根据去年同期产品的限制采买计划OTB数量,对OTB数量从高到低进行排序,排序后对产品进行ABC分类;对每个OTB类别以产品种类数进行分档,并设置分档阈值T,保证每档有足够数据进行统计分析,获得分类标签A_1,A_2,...;B_1,B_2,B_3,...;C_1,C_2,...;其中,A_1表示A类中所有产品前T数量最大的产品集合,A_2表示A类中所有产品中第T+1到2T之间数量最大的产品集合;例如T=10,A类中所有产品有50类,则A_1表示数量最大的前10类产品的集合。
步骤2:获取销售、出入库数据按周求和,计算期末库存与周销量,两者之和作为周可用库存,以产品在门店的周可用库存为判定当周是否上货的依据;计算两个参考周数销量(以两周为例):往前参考两周销量为当周销量与上周销量之和,往后参考两周为当周销量与下周销量之和;以产品为颗粒度筛选每个产品开始上货至其第五周的数据;
步骤3:根据产品的历史销售数据、产品的分档数据,计算出每档产品的动销率、齐码率、OTB的售罄率及累计销售数量;对产品的分档做循环,以一个分档内的所有产品为基础,每种产品给出其本周已上货门店及下周已上货的门店,筛选出下周拓展门店,并筛选出本周有销售的门店。
据周销量与尺码颗粒度的期末库存计算产品的销售表现指标KPI,该KPI为四个KPI的加权和,四个KPI分别如下:
(1)累计销售数量;
(2)OTB的售罄率=累计销售数量/OTB计划数量;
(3)动销率=有销量门店数/有可用库存门店数;
(4)齐码率=齐码门店数/有可用库存门店数,齐码门店以门店中期末库存的尺码能否组成连续的码数为准;
由于要筛选下周拓展门店,因此本周上货门店中暂时不能提前筛除无销量门店;从下周已上货门店中去除掉本周已上货门店,获得产品的下周拓展新增门店表;从本周已铺门店中筛选本周有销量门店;
步骤4:开始构建有销量门店的组合,
为了穷举所有二层组合,对门店按产品、周数、门店编码进行排序;考虑到所有门店组合过多,在保留了一层的门店后,在构建二层门店组合前,先根据一层门店出现的频次进行筛选(剪枝),只对出现频次大于频次阈值的门店构建二层组合,暂定频次阈值为分档内的产品个数;构建二层门店组合后,同样对二层门店组合根据出现频次进行筛选(剪枝),只选取出现频次大于频次阈值的门店组合,剪枝后的二层门店组合与完整的一层门店作为本周已铺且有销量门店;
举例;假设根据条件构建的一层有销售门店(门店用xn表示)x1,x2,x3,x4,…构建2层门店时,选择门店数出现频次超过60(即分档时产品的个数)的门店组合构建二层组合;,此时将筛选出来的门店构建二层组合;如x1,x3出现频次都为70,则对(x1,x3)构建二层组合(x1,x3),构建完成后再次进行筛选,筛选出二层门店出现次数大于60的门店,一层门店和二层门店的并集即为本周已铺且有销量的门店。
步骤5:将本周有销量门店与下周拓展门店按产品、周数进行匹配,获得本周有销量门店与下周拓展门店的表;下周拓展门店的往后参考周数销量作为其是否有销量的判断标准,从获得本周有销量且下周拓展门店有销量的表;每个本周门店与下周拓展门店的link为颗粒度;
举例;假设本周有销量的门店为x1,x2,x3,(x1,x3),销售拓铺的门店为x5,则获得本周有销量门店与下周拓展门店的表有(x1,x5),(x2,x5),(x3,x5),((x1,x3),x5)的组合,若x5下周有销量,则这些数据都是本周有销量且下周拓展门店有销量的表中数据。
步骤6:统计本周有销量且下周拓展门店的表与本周有销量且下周拓展门店有销量的表两张表每个link出现的次数,两者相除即为每个link成功的概率,成功定义为:本周有销量且下周拓展门店有销量,即得到“历史动销门店关联表”;
步骤7:取每个产品各自第五周的销售表现指标KPI,依据KPI从高到低,筛选其靠前的产品作为参照产品,暂定前20%的产品为参照产品;计算每个产品每周拓展门店数,每周平均在每家门店的上货数量;每个分档的每周拓展门店数与上货数量,即各自分档中的参照产品的每周拓展门店数,上货数量求平均;取分档、周数、门店数、上货数量的前五周数据即为“历史产品推荐策略表”;
步骤8:根据决策日期,获取目标产品大类信息、门店大类信息、产品尺码信息,获取目标产品OTB计划表,并获得目标产品的分档;计算每个产品的周销量与期末库存,并计算往前参考周数的周销量之和;以产品为颗粒度,获取产品各自最大周数的期末可用库存和参考周数销量,筛选最大周数小于五周的产品数据;
将获取的产品数据与目标产品分档表匹配,若有产品无OTB计划,此处按A_1档进行补空;对目标产品进行循环,获取目标产品的周数和分档;获取此分档的“历史动销门店关联表”和“历史产品推荐策略表”,若历史产品中没有目标产品的分档,则将目标产品进行降档,直到匹配到历史同样的分档为止,若始终无法匹配,则不给出拓展建议,例如历史产品较少、A类产品只有A_1分档,而目标产品为A_2档,那么将目标产品降为A_1档进行上货;
本周有销量门店的定义为:参考周数销量大于零,可给出产品的本周有销量门店,对门店编码排序,构建二层门店组合,一二层门店共同作为本周有销量门店;匹配此分档的“历史动销门店关联表”获取下周推荐门店及其销售概率;按下周推荐门店为颗粒度计算销售概率之和,按销售概率和从高到低对推荐门店进行排序;从分档的“历史产品推荐策略表”获取下周拓展门店数量与上货数量;给出目标产品推荐下周拓展门店及其上货数量,匹配目标产品大类信息、门店信息,即获得当季的产品推荐方法。
表1-3是根据本发明获取门店的产品推荐方法,并根据该产品推荐方法进行操作时,得到的结果。销售分类为每档根据五周销售KPI对产品的销售情况进行分类;a为每一档根据推荐操作时,KPI排名在该分档的前20%,b为每一档根据推荐操作时,KPI排名在该分档的20%~80%,c为每一档根据推荐操作时,KPI排名在该分档的80%~100%。
从表中可以看出该产品推荐方法能对实际上货且动销门店达到较高的覆盖率(75%~80%),而避开实际拓展无动销的门店。
表1
表2
OTB分档 | 动销门店覆盖率 |
A_1 | 78% |
B_1 | 74% |
B_2 | 80% |
B_3 | 67% |
C_1 | 49% |
表3
销量分类 | 动销门店覆盖率 |
a | 75% |
b | 76% |
c | 58% |
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 (4)
1.一种基于关联规则及协同过滤的产品推荐方法,其特征在于包括以下步骤:
步骤1:根据去年同期产品的限制采买计划OTB数量,对OTB数量从高到低进行排序,排序后对产品进行ABC分类;对每个OTB类别以产品种类数进行分档,并设置分档阈值T,保证每档有足够数据进行统计分析,获得分类标签A_1,A_2,...;B_1,B_2,B_3,...;C_1,C_2,...;其中,A_1表示A类中所有产品前T数量最大的产品集合,A_2表示A类中所有产品中第T+1到2T之间数量最大的产品集合;
步骤2:根据产品在门店当前周是否有可用库存,作为其在门店是否上货的依据;汇总统计产品在门店每周的周销量,计算两个参考周数销量:往前参考两周销量作为当前周销量与上周销量之和,往后参考两周作为当前周销量与下周销量之和,以产品为颗粒度筛选出每种产品开始上货至其第五周的数据;
步骤3:根据产品的历史销售数据、产品的分档数据,计算出每档产品的动销率、齐码率、OTB的售罄率及累计销售数量;对产品的分档做循环,以一个分档内的所有产品为基础,每种产品给出其本周已上货门店及下周已上货的门店,筛选出下周拓展门店,并筛选出本周有销售的门店;
步骤4:根据有销售的门店,采用关联规则方法构建出二层组合,并按照产品、周数、门店编码进行排序,为避免所有门店组合过多,在保留了一层的门店构建二层门店组合前,先根据一层门店出现的频次进行筛选,只对出现频次较高的门店构建二层组合,暂定频次阈值为分档内的产品个数;同样对二层门店组合根据出现频次进行筛选,剪枝后的二层门店组合与完整的一层门店,作为本周已上货且有销量门店;
步骤5:将本周有销量门店与下周拓展新增门店按产品、周数进行匹配,获得本周有销量门店与下周拓展门店的表;下周拓展门店的往后参考周数销量,作为其是否有销量的判断标准,构造出本周有销量且下周拓展门店有销量的表;
步骤6:每种产品本周上货门店与下周拓展门店的link为颗粒度,统计本周有销量门店与下周新增拓展门店的表、本周有销量且下周新增拓展门店有销量的表,根据这两张表统计每个link出现的次数,计算出本周有销量且下周新增拓展门店有销量的每个link成功概率表,即得到“历史动销门店关联表”,该关联表即是历史产品推荐方法中对门店拓展顺序的方法;
步骤7:取每个产品各自第五周的销售表现指标KPI,依据KPI从高到底,假设新增拓展门店都是销售较好的门店,根据产品销售的八二原则,筛选出前20%的产品作为参照产品;每个分档的每周拓展门店和上货数量求平均,即为各自分档中参照产品每周拓展门店和上货数量;统计分档、周数、门店数、上货数量的前五周数据即为历史产品推荐策略表;
步骤8:根据决策日期,获取目标产品的大类信息、门店信息、产品OTB计划及分档、每个目标产品的周销量和期末库存;根据目标产品的相关信息,构建目标产品动销门店关联表,匹配历史产品的动销门店表,获取目标产品在决策周根据现上货门店对应的可能拓展门店的成功率,并结合历史产品推荐策略表,按照拓展门店的成功率,从大到小筛选出符合条件的可拓展门店。
2.根据权利要求1所述的一种基于关联规则及协同过滤的产品推荐方法,其特征在于步骤3具体实现如下:
据周销量与尺码颗粒度的期末库存计算产品的销售表现指标KPI,该KPI为四个KPI的加权和,四个KPI分别如下:
(1)累计销售数量;
(2)OTB的售罄率=累计销售数量/OTB计划数量;
(3)动销率=有销量门店数/有可用库存门店数;
(4)齐码率=齐码门店数/有可用库存门店数,齐码门店以门店中期末库存的尺码能否组成连续的码数为准;
由于要筛选下周拓展门店,因此本周上货门店中暂时不能提前筛除无销量门店;从下周已上货门店中去除掉本周已上货门店,获得产品的下周拓展新增门店表;从本周已铺门店中筛选本周有销量门店。
3.根据权利要求2所述的一种基于关联规则及协同过滤的产品推荐方法,其特征在于步骤8具体实现还需如下:
将获取的产品数据与目标产品分档表匹配,若有产品无OTB计划,此处按A_1档进行补空;对目标产品进行循环,获取目标产品的周数和分档;获取此分档的“历史动销门店关联表”和“历史产品推荐策略表”,若历史产品中没有目标产品的分档,则将目标产品进行降档,直到匹配到历史同样的分档为止,若始终无法匹配,则不给出拓展建议,例如历史产品较少、A类产品只有A_1分档,而目标产品为A_2档,那么将目标产品降为A_1档进行上货。
4.根据权利要求3所述的一种基于关联规则及协同过滤的产品推荐方法,其特征在于本周有销量门店的定义为:参考周数销量大于零,可给出产品的本周有销量门店,对门店编码排序,构建二层门店组合,一二层门店共同作为本周有销量门店;匹配此分档的“历史动销门店关联表”获取下周推荐门店及其销售概率;按下周推荐门店为颗粒度计算销售概率之和,按销售概率和从高到低对推荐门店进行排序;从分档的“历史产品推荐策略表”获取下周拓展门店数量与上货数量;给出目标产品推荐下周拓展门店及其上货数量,匹配目标产品大类信息、门店信息,即获得当季的产品推荐方法;
销售分类为每档根据五周销售KPI对产品的销售情况进行分类;a为每一档根据推荐操作时,KPI排名在该分档的前20%,b为每一档根据推荐操作时,KPI排名在该分档的20%~80%,c为每一档根据推荐操作时,KPI排名在该分档的80%~100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384742.1A CN110163668B (zh) | 2019-05-09 | 2019-05-09 | 一种基于关联规则及协同过滤的产品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384742.1A CN110163668B (zh) | 2019-05-09 | 2019-05-09 | 一种基于关联规则及协同过滤的产品推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163668A true CN110163668A (zh) | 2019-08-23 |
CN110163668B CN110163668B (zh) | 2021-12-07 |
Family
ID=67633816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910384742.1A Active CN110163668B (zh) | 2019-05-09 | 2019-05-09 | 一种基于关联规则及协同过滤的产品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163668B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643080A (zh) * | 2021-10-14 | 2021-11-12 | 南通腾宇环保设备有限公司 | 一种密封制品的营销对象匹配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160189177A1 (en) * | 2014-12-29 | 2016-06-30 | DecisionGPS, LLC | Determination of a Purchase Recommendation |
CN106537901A (zh) * | 2014-03-26 | 2017-03-22 | 马克·W·帕布利科弗 | 用于提供定制的娱乐内容的计算机处理方法和系统 |
CN109615184A (zh) * | 2018-11-17 | 2019-04-12 | 上海百胜软件股份有限公司 | 零售企业门店自动配货、补货、调货的方法及系统 |
-
2019
- 2019-05-09 CN CN201910384742.1A patent/CN110163668B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106537901A (zh) * | 2014-03-26 | 2017-03-22 | 马克·W·帕布利科弗 | 用于提供定制的娱乐内容的计算机处理方法和系统 |
US20160189177A1 (en) * | 2014-12-29 | 2016-06-30 | DecisionGPS, LLC | Determination of a Purchase Recommendation |
CN109615184A (zh) * | 2018-11-17 | 2019-04-12 | 上海百胜软件股份有限公司 | 零售企业门店自动配货、补货、调货的方法及系统 |
Non-Patent Citations (2)
Title |
---|
SUNG-SHUN WENG 等: ""Applying Bayesian network and association rule analysis for product recommendation"", 《INTERNATIONAL JOURNAL OF ELECTRONIC BUSINESS MANAGEMENT》 * |
赵霁雯: ""中小型超市库存管理系统设计及实现"", 《中国优秀博硕士学位论文全文数据库(硕士)-信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643080A (zh) * | 2021-10-14 | 2021-11-12 | 南通腾宇环保设备有限公司 | 一种密封制品的营销对象匹配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110163668B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ishizaka et al. | DEASort: Assigning items with data envelopment analysis in ABC classes | |
You et al. | A decision-making framework for precision marketing | |
Aghdaie et al. | Synergies of data mining and multiple attribute decision making | |
US7213007B2 (en) | Method for forecasting using a genetic algorithm | |
CN102654909B (zh) | 服务级别协议工作优先级设定方法和系统 | |
Rekik et al. | Improving the performance of retail stores subject to execution errors: coordination versus RFID technology | |
Lolli et al. | Decision trees for supervised multi-criteria inventory classification | |
CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
Ordoobadi | Application of AHP and Taguchi loss functions in evaluation of advanced manufacturing technologies | |
CN117557078B (zh) | 一种基于时间节点的智能生产计划管理方法及系统 | |
CN110163668A (zh) | 一种基于关联规则及协同过滤的产品推荐方法 | |
Aktan et al. | Positioning the decoupling point along a supply chain: a case study | |
Gattermann-Itschert et al. | Using Machine Learning to Include Planners’ Preferences in Railway Crew Scheduling Optimization | |
Patel | Integrations and applications of analytic hierarchy process with data envelopment analysis–a literature review | |
Khemiri et al. | Integrating fuzzy TOPSIS and goal programming for multiple objective integrated procurement-production planning | |
CN109919688A (zh) | 一种考虑市场因素的电子烟产品线规划方法 | |
Solgi et al. | Implementing an efficient data envelopment analysis method for assessing suppliers of complex product systems | |
Momenikiyai et al. | A BI-OBJECTIVE MATHEMATICAL MODEL FOR INVENTORYDISTRIBUTION-ROUTING PROBLEM UNDER RISK POOLING EFFECT: ROBUST META-HEURISTICS APPROACH. | |
Alderighi et al. | The hidden side of dynamic pricing: Evidence from the airline market | |
Kaya et al. | Facility location selection using a fuzzy outranking method | |
Paksoy et al. | Application of Fuzzy mathematical programming approach to the aggregate production/distribution planning in a supply chain network problem | |
Naderi et al. | System dynamics model of production-inventory-routing system in the green supply chain | |
Bilisik et al. | FRUITS AND VEGETABLES MARKET HALL LOCATION SELECTION BY USING INTERVAL-VALUED TRAPEZOIDAL FUZZY GREY RELATIONAL ANALYSIS: AN APPLICATION FOR ISTANBUL. | |
CN102542432A (zh) | 库存管理系统及方法 | |
Agarwal | Opportunity cost estimation using temporal association rule mining |
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 |