CN110288115A - 配送方案预测方法、装置、服务器及存储介质 - Google Patents
配送方案预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110288115A CN110288115A CN201910290424.9A CN201910290424A CN110288115A CN 110288115 A CN110288115 A CN 110288115A CN 201910290424 A CN201910290424 A CN 201910290424A CN 110288115 A CN110288115 A CN 110288115A
- Authority
- CN
- China
- Prior art keywords
- user
- group
- prediction
- history
- lower single
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (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
本发明实施例涉及信息处理技术领域,公开了一种配送方案预测方法、装置、服务器及存储介质。配送方案预测方法,包括:根据各用户的历史订单数据,预测各所述用户的下单时段;根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内用户的下单时段相同;预测每组内用户的配送路径,所述每组内用户的配送路径覆盖所述每组内每个所述用户的配送地址。采用本发明的实施方式,使得商户能够参考预测的配送路径提前进行物流资源的调度安排,以提升配送效率和物流资源利用率。
Description
技术领域
本发明实施例涉及信息处理技术领域,特别涉及一种配送方案预测方法、 装置、服务器及存储介质。
背景技术
随着互联网的不断发展,市面上的商户多数使用商户管理系统来实现收支 管理、商品管理和用户管理等功能。然而发明人发现相关技术中至少存在如下 问题:由于商户使用的管理系统的功能较为单一,展示给商户进行参考的数据 十分有限,因而不利于商户提前进行调度安排。
发明内容
本发明实施方式的目的在于提供一种配送方案预测方法、装置、服务器及 存储介质,使得商户能够参考预测的配送路径提前进行物流资源的调度安排, 以提升配送效率和物流资源利用率。
为解决上述技术问题,本发明的实施方式提供了一种配送方案预测方法,包 括:根据各用户的历史订单数据,预测各所述用户的下单时段;根据预测的各 所述用户的下单时段,对所述用户进行分组;其中,同组内用户的下单时段相 同;预测每组内用户的配送路径,所述每组内用户的配送路径覆盖所述每组内 每个所述用户的配送地址。
本发明的实施方式还提供了一种配送方案预测装置,包括:时段预测模块, 用于根据各用户的历史订单数据,预测各所述用户的下单时段;用户分组模块, 用于根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内 用户的下单时段相同;路径预测模块,用于预测每组内用户的配送路径,所述 每组内用户的配送路径覆盖所述每组内每个所述用户的配送地址。
本发明的实施方式还提供了一种服务器,包括:至少一个处理器;以及,与 所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至 少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至 少一个处理器能够执行:根据各用户的历史订单数据,预测各所述用户的下单 时段;根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组 内用户的下单时段相同;预测每组内用户的配送路径,所述每组内用户的配送 路径覆盖所述每组内每个所述用户的配送地址。
本发明的实施方式还提供了一种计算机可读存储介质,存储有计算机程序, 计算机程序被处理器执行时实现上述的配送方案预测方法。
本发明实施方式相对于现有技术而言,根据各用户的历史订单数据,预测 各所述用户的下单时段;根据预测的各所述用户的下单时段,对所述用户进行 分组;其中,同组内用户的下单时段相同;在对所述用户进行分组后,预测每 组内用户的配送路径,所述每组内用户的配送路径覆盖所述每组内每个所述用 户的配送地址。由于预测的各用户的下单时段是根据各用户的历史订单数据得 到的,因此预测的各用户的下单时段较为真实准确,可参考价值较高;将预测 的下单时段相同的用户分为一组,并预测每组内用户的配送路径,也就是对将 要在同一时段进行配送的每组内用户,进行覆盖组内用户配送地址的整体配送 路径的预测,从而使得商户能够将预测的配送路径作为参考,提前进行物流资 源的调度安排,以提升配送效率和物流资源利用率。
可选地,根据各用户的历史订单数据,预测各所述用户的下单时段,包括: 根据各用户的历史订单数据中的历史下单时段,确定各所述用户的平均下单频 率;根据各所述用户的平均下单频率,预测各所述用户的下单时段;上述预测 的各所述用户的下单时段指预测的各所述用户下一次进行下单的时段,根据各 所述用户的历史下单时段来总结出用户的需求规律,根据用户的需求规律预测 各所述用户下一次进行下单的时段,使得预测的结果较为真实准确,可参考价 值较高。
可选地,预测每组内用户的配送路径,包括:根据所述每组内用户的配送地 址,确定所述每组内用户的最短配送路径,作为预测的每组内用户的配送路径, 其中,所述每组内用户的最短配送路径覆盖所述每组内每个所述用户的配送地 址,从而为商户提供了配送距离最短及配送耗时最短的路径参考,使得商户在 根据最短配送路径提前进行调度安排时最大化的提升配送效率。
可选地,配送方案预测方法,还包括:根据各所述用户的历史订单数据, 预测所述每组内用户的配送量,从而使得商户能够将预测的配送量作为参考, 提前进行配送商品的备货安排,以避免因商户在需要进行配送时处于缺货状态 而导致配送效率的降低。
可选地,根据各所述用户的历史订单数据,预测所述每组内用户的配送量, 包括:根据各所述用户的历史订单数据中的历史配送量,确定各所述用户的平 均配送量;根据各所述用户的平均配送量,预测所述每组内用户的配送量;上 述预测的每组内用户的配送量,指预测的每组内用户下一次进行配送时的配送 量;且根据各所述用户的历史配送量来总结出用户的平均需求,根据用户的平 均需求预测每组内用户下一次进行配送时的配送量,使得预测的结果较为真实 准确,可参考价值较高。
可选地,配送方案预测方法,还包括:根据各所述用户的历史订单数据,预 测所述用户的下单偏好,从而为商户的自身建设提供了有价值的信息,使得商 户能够将预测的用户下单偏好作为参考,提前进行业务的推广以及与供应商的 合作洽谈等商业规划,有助于商户利益的扩大化。
可选地,下单偏好包括:偏好商品品牌及偏好优惠方式,从而使得商户能够 根据偏好商品品牌提前进行用户偏好商品的进货调度,以适应用户对偏好商品 的购买需求;同时根据偏好优惠方式提前进行营销方式的计划以及推送,以提 高商户营销方式的成功率,有助于增加商户的实际收益。
可选地,偏好商品品牌,通过以下方式得到:根据各所述用户的历史订单数 据中的历史商品信息,预测所述偏好商品品牌;上述提供了一种预测偏好商品 品牌的方式,根据用户的历史商品信息预测用户的偏好商品品牌,使得预测的 结果较为真实准确,可参考价值较高。
可选地,偏好优惠方式,通过以下方式得到:根据各所述用户的历史订单数 据中的历史优惠信息,预测所述偏好优惠方式;上述提供了一种预测偏好优惠 方式的方式,根据用户的历史优惠信息预测用户的偏好优惠方式,使得预测的 结果较为真实准确,可参考价值较高。
可选地,用户具体为:满足预设条件的用户。预设条件的设置对用户进行了 筛选,即只需根据满足预设条件的用户的历史订单数据进行预测,使得预测的 结果更为贴近筛选后用户的真实情况。
可选地,预设条件具体为:所述历史订单数据超过预设阈值,也就是说满足 预设条件的用户的历史订单数据超过预设阈值,从而使得针对下单时段、配送 路径、配送量等的预测具有一定充足数量的样本数据,避免因用户的历史订单 数据过少而无法得到较为可靠的预测结果。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示 例性说明并不构成对实施例的限定。
图1是根据本发明第一实施方式的配送方案预测方法的流程图;
图2是根据本发明第一实施方式的预测各用户的下单时段的流程图;
图3是根据本发明第二实施方式的配送方案预测方法的流程图;
图4是根据本发明第二实施方式的预测各用户配送量的流程图;
图5是根据本发明第三实施方式的配送方案预测方法的流程图;
图6是根据本发明第四实施方式的配送方案预测装置的结构框图;
图7是根据本发明第五实施方式的服务器的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对 本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解, 在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。 但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可 以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便, 不应对本发明的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可 以相互结合相互引用。
本发明的第一实施方式涉及一种配送方案预测方法,方法的具体流程如图1 所示,具体包括:
步骤101,根据各用户的历史订单数据,预测各用户的下单时段;
步骤102,根据预测的各用户的下单时段,对用户进行分组;
步骤103,预测每组内用户的配送路径。
本实施方式中的配送方案预测方法,可以应用于针对于单个商户的商业活 动管理系统,单个商户通过管理系统对自身旗下的用户进行数据统计,并进行 配送路径等的预测;本实施方式中的配送方案预测方法,也可以应用于整合了 多个商户的商业活动管理平台,多个商户通过该管理平台进行面对用户的商业 活动,管理平台通过网络服务器,对多个商户旗下的用户进行数据统计,并进 行配送路径等的预测。上述管理系统或是管理平台均可搭建为支持多种终端的 应用,在移动终端、电脑端、微信端或是网页端均可运行,不限制具体的使用 环境和设备,使用体验感上友好方便。
本实施方式中,根据各用户的历史订单数据,预测各所述用户的下单时段; 根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内用户 的下单时段相同;在对所述用户进行分组后,预测每组内用户的配送路径,所 述每组内用户的配送路径覆盖所述每组内每个所述用户的配送地址。由于预测 的各用户的下单时段是根据各用户的历史订单数据得到的,因此预测的各用户 的下单时段较为真实准确,可参考价值较高;将预测的下单时段相同的用户分 为一组,并预测每组内用户的配送路径,也就是对将要在同一时段进行配送的 每组内用户,进行覆盖组内用户配送地址的整体配送路径的预测,从而使得商 户能够将预测的配送路径作为参考,提前进行物流资源的调度安排,以提升配 送效率和物流资源利用率。
下面对本实施方式的配送方案预测方法的实现细节进行具体的说明,以下 内容仅为方便理解提供的实现细节,并非实施本方案的必须。
在步骤101中,根据各用户的历史订单数据中的历史下单时段,预测各用 户的下单时段。本实施方式中提供了一种具体实现方式,如图2所示,包括:
步骤1011,根据各用户的历史订单数据中的历史下单时段,确定各用户的 平均下单频率。
具体地说,各用户的历史订单数据中包含各用户历史每一次进行下单时的 下单时段,历史的下单时段具体包括下单日期和下单时间点。根据各用户历史 每一次进行下单时的下单日期,可确定各用户每一次进行下单时的间隔天数, 例如,根据A用户的历史订单数据获知,A用户第一次在3月1日进行下单,第 二次在3月6日进行下单,第三次在3月9日进行下单,第四次在3月16日进 行下单,第五次在3月25日进行下单;由上述每一次进行下单的日期可知,第 一次与第二次下单间隔天数为5天,第二次与第三次下单间隔天数为3天,第 三次与第四次下单间隔天数为7天,第四次与第五次下单间隔天数为9天;由 上述若干个下单间隔天数可知,A用户在3月共进行了5次下单,每一次进行下 单时的平均间隔天数为(3+5+7+9)/4=6天,即A用户平均每间隔6天就会进行 一次下单,A用户的平均下单频率为6天/次。
步骤1022,根据各用户的平均下单频率,预测各用户的下单时段。
具体地说,由于确定了各用户的平均下单概率,因此在进行各用户的下单 时段的预测时,可根据当前的日期和各用户的平均下单概率,计算出各用户下 一次进行下单时的下单日期,例如,当前的日期为4月1日,已知上述A用户 的平均下单频率为6天/次,则预测A用户下一次进行下单的日期为4月7日。 另外,根据各用户历史每一次进行下单时的下单时间点,可确定各用户的平均 下单时间点,和各用户的平均下单时间点所处的下单时段。本实施方式中,下 单时段可根据自然时间长度进行划分,例如将每2小时划分为一个下单时段; 也可根据商户的营业时间等,将一个自然日划分出若干个下单时间段,例如,8 时至12时(不包括12时)为第一下单时间段,12时至16时(不包括16时) 为第二下单时间段,16时至20(不包括20时)为第三下单时间段,20时至22 时(不包括22时)为第四下单时间段。本实施方式中,仍以上述A用户和四个 下单时间段为例,根据A用户的历史订单数据获知,A用户第一次在3月1日的 17时进行下单,第二次在3月6日的20时进行下单,第三次在3月9日的16时进行下单,第四次在3月16日的16时进行下单,第五次在3月25日的18 时进行下单;由上述每一次进行下单的下单时间点可知,A用户在3月共进行了 5次下单,每一次进行下单时的平均下单时间点为(17+20+16+16+18)/5≈18 时,即A用户的平均下单时间点为18时,处于第三下单时间段。综上,将A用 户下一次进行下单时的下单日期(4月7日)和平均下单时间点(18时)整合, 得到预测的A用户的下单时段为4月7日的第三下单时间段。
需要说明的是,上述步骤101可以是在一定时间范围内周期性进行的步骤, 例如,每周根据各用户在近一月内的历史订单数据,预测各用户在未来两周内 的下单时段。具体的时间范围和执行周期,可根据商户的实际参考需求进行设 定。
在步骤102中,根据预测的各用户的下单时段,对用户进行分组,其中, 同组内用户的下单时段相同。由步骤1011至步骤1012可知,预测的各用户的 下单时段具体包括各用户下一次进行下单的日期和下单的时间段,因此,根据 各用户下一次进行下单的日期和下单的时间段对用户进行分组,分组得到的每 一组用户的下一次进行下单的日期和下单的时间段均相同。例如,第一组的用 户的预测下单时段均为4月7日第一下单时间段,第二组的用户的预测下单时 段均为4月7日第二下单时间段……以此类推。由于上述同组内用户的预测下 单时段相同,因此可认为上述同组内用户是将要在同一日期内的同一下单时间段进行配送的,从而能够对同组内用户的配送路径进行预测。
在步骤103中,根据每组内用户的配送地址,预测每组内用户的配送路径, 供商户将预测的配送路径作为参考;每组内用户的配送路径,覆盖所述每组内 每个所述用户的配送地址,具体指以进行配送的商户的地址为起始点,途径每 组内所有用户的配送地址,最后以进行配送的商户的地址为终点的一条整体配 送路径。本实施方式中,商户预存有各用户对应的配送地址,每组内用户的配 送地址可直接获取得到。根据每组内用户的配送地址,和进行配送的商户的地 址,确定一条最短配送路径,作为预测的每组内用户的配送路径,最短配送路 径以进行配送的商户的地址为起始点,途径每组内所有用户的配送地址,最后 回到所述商户的地址。最短配送路径为商户提供了配送距离最短及配送耗时最 短的路径参考,使得商户在根据最短配送路径提前进行调度安排时最大化的提 升配送效率。上述确定最短配送路径的方法,具体为:以进行配送的商户的地 址为起始点和终点,生成途径每组内用户的配送地址的配送路径,并计算生成 的各条配送路径的实际路程长度,将实际路程长度最短的一条配送路径,确定 为最短配送路径。
需要说明的是,预测得到的配送路径用于供商户进行未来某一日期内某一 下单时间段内的配送路径的参考,实际并不真实执行预测得到的配送路径,真 实执行的配送路径以用户的实际下单为准。
另外,还可根据实际需求对用户进行筛选,即令上述配送方案预测方法中 涉及到的用户具体为满足预设条件的用户。本实施方式中,满足预设条件的用 户的历史订单数据超过预设阈值,具体可以是用户的历史订单数据的条数超过 预设阈值,也可以是用户的历史订单数据中的商品数量超过预设阈值。历史订 单数据超过预设阈值使得针对于用户的各项预测具有一定充足数量的样本数据, 避免因用户的历史订单数据过少,而无法得到较为可靠的预测结果。
本实施方式相对于现有技术而言,根据各用户的历史订单数据中的历史下 单时段,预测各所述用户的下单时段,预测的结果较为真实准确,可参考价值 较高;根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组 内用户的下单时段相同;在对所述用户进行分组后,确定所述每组内用户的最 短配送路径,作为预测的每组内用户的整体配送路径,从而使得商户能够将预 测的最短配送路径作为参考,提前进行物流资源的调度安排,以提升配送效率 和物流资源利用率。另外,本实施方式中的对于用户设置了预设条件进行筛选, 具体而言,满足预设条件的用户的历史订单数据超过预设阈值,使得针对于用 户的各项预测具有一定充足数量的样本数据,避免因用户的历史订单数据过少, 而无法得到较为可靠的预测结果。
本发明的第二实施方式涉及一种配送方案预测方法,本实施方式与第一实 施方式大致相同,主要区别之处在于:在本发明第二实施方式中,还对每组内 用户的配送量进行了预测。本实施方式中的配送方案预测方法如图3所示,下 面对图3的流程做具体说明:
步骤301,根据各用户的历史订单数据,预测各用户的下单时段。此步骤与 步骤101大致相同,此处不再赘述。
步骤302,根据预测的各用户的下单时段,对用户进行分组。此步骤与步骤 102大致相同,此处不再赘述。
步骤303,预测每组内用户的配送路径;根据各用户的历史订单数据,预测 每组内用户的配送量。
具体地说,“预测每组内用户的配送路径”具体与步骤103大致相同,此处 不再赘述。本实施方式中,还根据各用户的历史订单数据中,预测每组内用户 的配送量,具体实现方式如图4所示,包括:
步骤3031,根据各用户的历史订单数据中的历史配送量,确定各用户的平 均配送量。
具体地说,例如,以用户在订水站下单桶装水为例:A用户在第一次在3月 1日进行下单的配送量为5桶水,第二次在3月6日进行下单的配送量为3桶水, 第三次在3月9日进行下单的配送量为9桶水,第四次在3月16日进行下单的 配送量为10桶水,第五次在3月25日进行下单的配送量为5桶水;由上述若 干个历史配送量可知,A用户在3月共进行了5次下单,每一次进行下单时的平 均配送量为(5+3+9+10+5)/5≈7桶水,即A用户的平均配送量为7桶水。
步骤3032,根据各用户的平均配送量,预测每组内用户的配送量。
具体地说,在确定同组内各用户的平均配送量后,将同组内各用户的平均 配送量求和,可将求和得到的每组内用户的平均配送量之和,作为预测的每组 内用户的配送量,例如,已知同组内共有A用户、B用户、C用户三位用户,其 中,A用户的平均配送量为7桶水,B用户的平均配送量为10桶水,C用户的平 均配送量为2桶水,则求和得到该组内三位用户的平均配送量之和为19桶水, 即预测的对该组内用户的配送量为19桶水。本实施方式中,也可在求和得到的 每组内用户的平均配送量之和的基础上,增加若干份配送量,将增加后的配送 量之和,作为预测的每组内用户的配送量,以使得商户在根据预测的每组内用 户的配送量进行下一次进行配送时的商品备货时,能够适应一定范围内配送量 的波动,例如:在上述组内三位用户的平均配送量之和为19桶水的基础上,增 加6桶水,即预测的对对该组内用户的配送量为(19+6=25)桶水。
本实施方式相对于现有技术而言,还根据各用户的历史订单数据,对每组 内用户的配送量进行了预测,预测的结果较为真实准确,可参考价值较高,使 得商户能够将预测的配送量作为参考,提前进行配送商品的备货安排,以避免 因商户在需要进行配送时处于缺货状态而导致配送效率的降低;商户可结合预 测预测得到的配送路径和预测得到的配送量作为参考,使得预先对于配送方案 的调度安排更为全面。
本发明第三实施方式涉及一种配送方案预测方法,还根据各用户的历史订 单数据,预测用户的下单偏好。本实施方式可与第一实施方式或第二实施方式 同步执行,或是各实施方式按照各自的执行周期来执行。本实施方式中预测用 户的下单偏好,包括预测用户的偏好商品品牌和偏好优惠方式,具体流程如图5 所示,包括:
步骤501,根据各用户的历史订单数据中的历史商品信息,预测用户的偏好 商品品牌。
步骤502,根据各用户的历史订单数据中的历史优惠信息,预测用户的偏好 优惠方式。
在步骤501中,预测的下单偏好,具体为预测的偏好商品品牌。偏好商品 品牌,根据各用户的历史订单数据中的历史商品信息预测得到。各用户的历史 订单数据中,包括各用户历史在每一次进行下单时选购的商品的品牌;将各用 户历史在每一次进行下单时选购的商品的品牌进行统计,可以得到各商品品牌 在历史订单中被用户选购的次数。根据各商品品牌在历史订单中被用户选购的 次数,即可将被用户选购的次数大于预设阈值的商品品牌,或是被用户选购的 次数处于前N位的商品品牌,作为当前的热销品牌,即作为预测的用户的偏好 商品品牌。商户可提前对预测的用户的偏好商品品牌进行进货存储,以适应用 户对偏好商品的购买需求;同时,商户可对预测的用户的偏好商品品牌增大推 广力度,同时与偏好商品品牌的供应商进行合作的洽谈,从而将商户本身的收 益扩大化。
在步骤502中,预测的下单偏好,具体为预测的偏好优惠方式。偏好优惠 方式,根据各用户的历史订单数据中的历史优惠信息预测得到,大致同预测得 到偏好商品品牌的方式。各用户的历史订单数据中,包括各用户历史在每一次 进行下单时选用的优惠方式,例如“满减”优惠方式,“秒杀折扣”优惠方式, 或是“返红包”优惠方式等;将各用户历史在每一次进行下单时选用的优惠方 式进行统计,可以得到各种优惠方式在历史订单中被用户选用的次数。根据各 优惠方式在历史订单中被用户选用的次数,即可将被用户选用的次数大于预设 阈值的优惠方式,或是被用户选用的次数处于前N位的优惠方式,作为当前用户喜好的优惠方式,即作为预测的用户的偏好优惠方式。商户可根据预测的用 户的偏好优惠方式,调整实际投入的营销方式,或是将预测的用户的偏好优惠 方式更多地推送给用户,以提高商户营销方式的成功率。
需要说明的是,本实施方式中预测的各用户的下单时段,是针对于各用户 而言的下单时段,使用到的历史订单数据涉及到各用户的单独数据(如用户地 址等)。而预测的用户的下单偏好,是针对于全体用户而言的下单偏好,是通过 整合全体用户的历史订单数据来建立数据集群,进行大批量数据的分析和推算 来实现的;但整合的全体用户的历史订单数据,仅包括历史商品信息、历史优 惠信息等个性化数据,不涉及各用户的单独数据(如用户地址等)。例如,当本 实施方式的配送方案预测方法应用于整合了多个商户的商业活动管理平台时, 管理平台仅对多个商户旗下用户的个性化数据进行统计,根据统计的个性化数 据来预测用户的下单偏好。
在一个实例中,本实施方式的配送方案预测方法应用于订水管理平台,订 水管理平台上整合了订水站D1,订水站D2和订水站D3。一段时间内,集合订 水站D1、订水站D2和订水站D3旗下全体用户的历史订单数据,订水站旗下全 体用户具体指曾经在订水站下单过的用户。集合的用户的历史订单数据,包括 用户历史在每一次进行下单时选购的桶装水的品牌,将各用户历史在每一次进 行下单时选购的桶装水的品牌进行统计,得到三个订水站旗下全体用户选购的 桶装水品牌的次数分别为:品牌A(200次),品牌B(180次),品牌C(90次), 品牌D(50次),品牌E(30次)等,从而将被选购次数处于前三位的品牌A、 品牌B和品牌C的桶装水作为当前的热销桶装水;或是将被选购次数超过100 次的品牌A和品牌B的桶装水作为当前的热销桶装水;从而供各订水站提前进 行热销桶装水的进货存储,并与热销桶装水的供应商进行合作洽谈。同时,集 合的用户的历史订单数据,还包括用户历史在每一次进行下单时选用的优惠方 式,将各用户历史在每一次进行下单时选用的优惠方式进行统计,得到各种优 惠方式被三个订水站旗下全体用户选用的次数分别为:“满减”优惠方式(180 次),“秒杀折扣”优惠方式(120次),“返红包”优惠方式(100次),“抽奖” 优惠方式(30次)等,从而将被选用次数处于前二位的“满减”优惠方式和“秒 杀折扣”优惠方式作为当前用户喜好的优惠方式;或是将被选用次数达到100 次的“满减”优惠方式、“秒杀折扣”优惠方式和“返红包”优惠方式作为当前 用户喜好的优惠方式;从而供各订水站在日后制定面对用户的营销方式时,优 先选用用户喜好的优惠方式。
本实施方式中,对于统计的各偏好商品品牌在历史订单中被用户选购的次 数、各种优惠方式在历史订单中被用户选用的次数,以及最终预测得到的偏好 商品品牌及偏好优惠方式,均可以图表化的形式,展示于针对于单个商户的管 理系统上,或是整合了多个商户的管理平台上,以提供给商户最直观的数据参 考。同时,上述针对于单个商户的管理系统或是整合了多个商户的管理平台, 也可以图表化的形式,展示每日各商户的收支总额等常规营业活动的数据,使 得商户能够清楚明了的了解到实时的经营状况。
另外,上述针对于单个商户的管理系统或是整合了多个商户的管理平台, 以电子化的形式对用户信息及用户的历史订单数据进行长期保存,对于历史订 单数据,以及下单频率较低的用户的信息,也能够完好进行保存;对于需要月 结的用户订单,或是对于商品品牌的供应商的货款结算,也以电子化的形式进 行记录,相较于传统的纸质订单抄录及记账的方式更为清楚,避免了财务账务 上的遗漏和损失。
本实施方式相对于现有技术而言,还根据各用户的历史订单数据,预测了 用户的偏好商品品牌及偏好优惠方式等用户的下单偏好,从而为商户的自身建 设提供了有价值的信息,使得商户能够将预测的用户下单偏好作为参考,提前 进行业务的推广以及与供应商的合作洽谈等商业规划,有助于商户利益的扩大 化。
本发明第四实施方式涉及一种配送方案预测装置,如图6所示,包括:时段 预测模块601,用户分组模块602及路径预测模块603。
时段预测模块601,用于根据各用户的历史订单数据,预测各所述用户的下 单时段;
用户分组模块602,用于根据预测的各所述用户的下单时段,对所述用户进 行分组;其中,同组内用户的下单时段相同;
路径预测模块603,用于预测每组内用户的配送路径,所述每组内用户的配 送路径覆盖所述每组内每个所述用户的配送地址。
在一个实例中,时段预测模块601用于根据各用户的历史订单数据,预测 各所述用户的下单时段,包括:根据各用户的历史订单数据中的历史下单时段, 确定各所述用户的平均下单频率;根据各所述用户的平均下单频率,预测各所 述用户的下单时段。
在一个实例中,路径预测模块603用于预测每组内用户的配送路径,包括: 根据所述每组内用户的配送地址,确定所述每组内用户的最短配送路径,作为 预测的每组内用户的配送路径,其中,所述每组内用户的最短配送路径覆盖所 述每组内每个所述用户的配送地址。
在一个实例中,路径预测模块603还用于根据各所述用户的历史订单数据, 预测所述每组内用户的配送量。
在一个实例中,路径预测模块603还用于根据各所述用户的历史订单数据, 预测所述每组内用户的配送量,包括:根据各所述用户的历史订单数据中的历 史配送量,确定各所述用户的平均配送量;根据各所述用户的平均配送量,预 测所述每组内用户的配送量。
在一个实例中,时段预测模块601还用于根据各所述用户的历史订单数据, 预测所述用户的下单偏好。
在一个实例中,时段预测模块601预测的所述下单偏好包括:偏好商品品 牌及偏好优惠方式。
在一个实例中,时段预测模块601预测的所述偏好商品品牌,通过以下方 式得到:根据各所述用户的历史订单数据中的历史商品信息,预测所述偏好商 品品牌。
在一个实例中,时段预测模块601预测的所述偏好优惠方式,通过以下方 式得到:根据各所述用户的历史订单数据中的历史优惠信息,预测所述偏好优 惠方式。
在一个实例中,所述用户,具体为:满足预设条件的用户。
在一个实例中,所述预设条件,具体为:所述历史订单数据超过预设阈值。
不难发现,本实施方式为与第一实施方式或第二实施方式的相对应的装置 实施例,本实施方式可与第一实施方式或第二实施方式互相配合实施。第一实 施方式或第二实施方式中提到的相关技术细节在本实施方式中依然有效,为了 减少重复,这里不再赘述。相应的,本实施方式中提到的相关技术细节也可应 用在第一实施方式或第二实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应 用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分, 还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实 施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入, 但这并不表明本实施方式中不存在其它的单元。
本发明第五实施方式涉及一种电子设备,如图7所示,该电子设备包括至 少一个处理器701;以及,与至少一个处理器701通信连接的存储器702;以及, 与配送方案预测装置通信连接的通信组件703,通信组件703在处理器701的控 制下接收和发送数据;其中,存储器702存储有可被至少一个处理器701执行 的指令,指令被至少一个处理器701执行以实现:
根据各用户的历史订单数据,预测各所述用户的下单时段;
根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内 用户的下单时段相同;
预测每组内用户的配送路径,所述每组内用户的配送路径覆盖所述每组内 每个所述用户的配送地址。
具体地,该电子设备包括:一个或多个处理器701以及存储器702,图7中 以一个处理器701为例。处理器701、存储器702可以通过总线或者其他方式连 接,图7中以通过总线连接为例。存储器702作为一种计算机可读存储介质, 可用于存储计算机软件程序、计算机可执行程序以及模块。处理器701通过运 行存储在存储器702中的计算机软件程序、指令以及模块,从而执行设备的各 种功能应用以及数据处理,即实现上述配送方案预测方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储 操作系统、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。 此外,存储器702可以包括高速随机存取存储器,还可以包括非易失性存储器, 例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一 些实施方式中,存储器702可选包括相对于处理器701远程设置的存储器,这 些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互 联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器702中,当被一个或者多个处理器701执 行时,执行上述任意方法实施方式中的配送方案预测方法。
上述产品可执行本申请实施方式所提供的方法,具备执行方法相应的功能 模块和有益效果,未在本实施方式中详尽描述的技术细节,可参见本申请实施 方式所提供的方法。
在本实施方式中,根据各用户的历史订单数据,预测各所述用户的下单时 段;根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内 用户的下单时段相同;在对所述用户进行分组后,预测每组内用户的配送路径, 所述每组内用户的配送路径覆盖所述每组内每个所述用户的配送地址。由于预 测的各用户的下单时段是根据各用户的历史订单数据得到的,因此预测的各用 户的下单时段较为真实准确,可参考价值较高;将预测的下单时段相同的用户 分为一组,并预测每组内用户的配送路径,也就是对将要在同一时段进行配送 的每组内用户,进行覆盖组内用户配送地址的整体配送路径的预测,从而使得 商户能够将预测的配送路径作为参考,提前进行物流资源的调度安排,以提升 配送效率和物流资源利用率。
本发明第五实施方式涉及一种计算机可读存储介质,存储有计算机程序。 计算机程序被处理器执行时实现上述配送方案预测方法实施例。
即,本领域技术人员可以理解,实现上述配送方案预测方法实施例中的全 部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存 储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理 器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储 介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存 取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程 序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实 施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本 发明的精神和范围。
本申请实施例公开了A1.一种配送方案预测方法,包括:
根据各用户的历史订单数据,预测各所述用户的下单时段;
根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内 用户的下单时段相同;
预测每组内用户的配送路径,所述每组内用户的配送路径覆盖所述每组内 每个所述用户的配送地址。
A2.如A1所述的配送方案预测方法,所述根据各用户的历史订单数据,预 测各所述用户的下单时段,包括:
根据各用户的历史订单数据中的历史下单时段,确定各所述用户的平均下 单频率;
根据各所述用户的平均下单频率,预测各所述用户的下单时段。
A3.如A1所述的配送方案预测方法,所述预测每组内用户的配送路径,包 括:
根据所述每组内用户的配送地址,确定所述每组内用户的最短配送路径, 作为预测的每组内用户的配送路径,其中,所述每组内用户的最短配送路径覆 盖所述每组内每个所述用户的配送地址。
A4.如A1所述的配送方案预测方法,还包括:
根据各所述用户的历史订单数据,预测所述每组内用户的配送量。
A5.如A4所述的配送方案预测方法,所述根据各所述用户的历史订单数据, 预测所述每组内用户的配送量,包括:
根据各所述用户的历史订单数据中的历史配送量,确定各所述用户的平均 配送量;
根据各所述用户的平均配送量,预测所述每组内用户的配送量。
A6.如A1所述的配送方案预测方法,还包括:
根据各所述用户的历史订单数据,预测所述用户的下单偏好。
A7.如A6所述的配送方案预测方法,所述下单偏好包括:偏好商品品牌及 偏好优惠方式。
A8.如A7所述的配送方案预测方法,所述偏好商品品牌,通过以下方式得 到:
根据各所述用户的历史订单数据中的历史商品信息,预测所述偏好商品品牌。
A9.如A7所述的配送方案预测方法,所述偏好优惠方式,通过以下方式得 到:
根据各所述用户的历史订单数据中的历史优惠信息,预测所述偏好优惠方 式。
A10.如A1至A5任一项所述的配送方案预测方法,所述用户,具体为:满 足预设条件的用户。
A11.如A10所述的配送方案预测方法,所述预设条件,具体为:所述历史 订单数据超过预设阈值。
本申请实施例公开了B1.一种配送方案预测装置,包括:
时段预测模块,用于根据各用户的历史订单数据,预测各所述用户的下单 时段;
用户分组模块,用于根据预测的各所述用户的下单时段,对所述用户进行 分组;其中,同组内用户的下单时段相同;
路径预测模块,用于预测每组内用户的配送路径,所述每组内用户的配送 路径覆盖所述每组内每个所述用户的配送地址。
B2.如B1所述的配送方案预测装置,所述时段预测模块用于根据各用户的 历史订单数据,预测各所述用户的下单时段,包括:
根据各用户的历史订单数据中的历史下单时段,确定各所述用户的平均下 单频率;
根据各所述用户的平均下单频率,预测各所述用户的下单时段。
B3.如B1所述的配送方案预测装置,所述路径预测模块用于预测每组内用 户的配送路径,包括:
根据所述每组内用户的配送地址,确定所述每组内用户的最短配送路径, 作为预测的每组内用户的配送路径,其中,所述每组内用户的最短配送路径覆 盖所述每组内每个所述用户的配送地址。
B4.如B1所述的配送方案预测装置,所述路径预测模块还用于根据各所述 用户的历史订单数据,预测所述每组内用户的配送量。
B5.如B4所述的配送方案预测装置,所述路径预测模块还用于根据各所述 用户的历史订单数据,预测所述每组内用户的配送量,包括:
根据各所述用户的历史订单数据中的历史配送量,确定各所述用户的平均 配送量;
根据各所述用户的平均配送量,预测所述每组内用户的配送量。
B6.如B1所述的配送方案预测装置,所述时段预测模块还用于根据各所述 用户的历史订单数据,预测所述用户的下单偏好。
B7.如B6所述的配送方案预测装置,所述时段预测模块预测的下单偏好, 包括:偏好商品品牌及偏好优惠方式。
B8.如B7所述的配送方案预测装置,所述时段预测模块预测的偏好商品品 牌,通过以下方式得到:
根据各所述用户的历史订单数据中的历史商品信息,预测所述偏好商品品牌。
B9.如B7所述的配送方案预测装置,所述时段预测模块预测的偏好优惠方 式,通过以下方式得到:
根据各所述用户的历史订单数据中的历史优惠信息,预测所述偏好优惠方 式。
B10.如B1至B5所述的配送方案预测装置,所述用户,具体为:满足预设 条件的用户。
B11.如B10所述的配送方案预测装置,所述预设条件,具体为:所述历史 订单数据超过预设阈值。
本申请实施例公开了C1.一种服务器,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述 至少一个处理器执行,以使所述至少一个处理器能够执行:
根据各用户的历史订单数据,预测各所述用户的下单时段;
根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内 用户的下单时段相同;
预测每组内用户的配送路径,所述每组内用户的配送路径覆盖所述每组内 每个所述用户的配送地址。
C2.如C1所述的服务器,所述根据各用户的历史订单数据,预测各所述用 户的下单时段,包括:
根据各用户的历史订单数据中的历史下单时段,确定各所述用户的平均下 单频率;
根据各所述用户的平均下单频率,预测各所述用户的下单时段。
C3.如C1所述的服务器,所述预测每组内用户的配送路径,包括:
根据所述每组内用户的配送地址,确定所述每组内用户的最短配送路径, 作为预测的每组内用户的配送路径,其中,所述每组内用户的最短配送路径覆 盖所述每组内每个所述用户的配送地址。
C4.如C1所述的服务器,还包括:
根据各所述用户的历史订单数据,预测所述每组内用户的配送量。
C5.如C4所述的服务器,所述根据各所述用户的历史订单数据,预测所述 每组内用户的配送量,包括:
根据各所述用户的历史订单数据中的历史配送量,确定各所述用户的平均 配送量;
根据各所述用户的平均配送量,预测所述每组内用户的配送量。
C6.如C1所述的服务器,还包括:
根据各所述用户的历史订单数据,预测所述用户的下单偏好。
C7.如C6所述的服务器,所述下单偏好包括:偏好商品品牌及偏好优惠方 式。
C8.如C7所述的服务器,所述偏好商品品牌,通过以下方式得到:
根据各所述用户的历史订单数据中的历史商品信息,预测所述偏好商品品牌。
C9.如C7所述的服务器,所述偏好优惠方式,通过以下方式得到:
根据各所述用户的历史订单数据中的历史优惠信息,预测所述偏好优惠方 式。
C10.如C1至C5任一项所述的服务器,所述用户,具体为:满足预设条件 的用户。
C11.如C10所述的服务器,所述预设条件,具体为:所述历史订单数据超 过预设阈值。
本申请实施例公开了D1.一种计算机可读存储介质,存储有计算机程序, 所述计算机程序被处理器执行时实现A1至A11中任一项所述的配送方案预测方 法。
Claims (10)
1.一种配送方案预测方法,其特征在于,包括:
根据各用户的历史订单数据,预测各所述用户的下单时段;
根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内用户的下单时段相同;
预测每组内用户的配送路径,所述每组内用户的配送路径覆盖所述每组内每个所述用户的配送地址。
2.根据权利要求1所述的配送方案预测方法,其特征在于,所述根据各用户的历史订单数据,预测各所述用户的下单时段,包括:
根据各用户的历史订单数据中的历史下单时段,确定各所述用户的平均下单频率;
根据各所述用户的平均下单频率,预测各所述用户的下单时段。
3.根据权利要求1所述的配送方案预测方法,其特征在于,所述预测每组内用户的配送路径,包括:
根据所述每组内用户的配送地址,确定所述每组内用户的最短配送路径,作为预测的每组内用户的配送路径,其中,所述每组内用户的最短配送路径覆盖所述每组内每个所述用户的配送地址。
4.根据权利要求1所述的配送方案预测方法,其特征在于,还包括:
根据各所述用户的历史订单数据,预测所述每组内用户的配送量。
5.根据权利要求4所述的配送方案预测方法,其特征在于,所述根据各所述用户的历史订单数据,预测所述每组内用户的配送量,包括:
根据各所述用户的历史订单数据中的历史配送量,确定各所述用户的平均配送量;
根据各所述用户的平均配送量,预测所述每组内用户的配送量。
6.根据权利要求1所述的配送方案预测方法,其特征在于,还包括:
根据各所述用户的历史订单数据,预测所述用户的下单偏好。
7.根据权利要求6所述的配送方案预测方法,其特征在于,所述下单偏好包括:偏好商品品牌及偏好优惠方式。
8.一种配送方案预测装置,其特征在于,包括:
时段预测模块,用于根据各用户的历史订单数据,预测各所述用户的下单时段;
用户分组模块,用于根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内用户的下单时段相同;
路径预测模块,用于预测每组内用户的配送路径,所述每组内用户的配送路径覆盖所述每组内每个所述用户的配送地址。
9.一种服务器,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:
根据各用户的历史订单数据,预测各所述用户的下单时段;
根据预测的各所述用户的下单时段,对所述用户进行分组;其中,同组内用户的下单时段相同;
预测每组内用户的配送路径,所述每组内用户的配送路径覆盖所述每组内每个所述用户的配送地址。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的配送方案预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910290424.9A CN110288115A (zh) | 2019-04-11 | 2019-04-11 | 配送方案预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910290424.9A CN110288115A (zh) | 2019-04-11 | 2019-04-11 | 配送方案预测方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288115A true CN110288115A (zh) | 2019-09-27 |
Family
ID=68001398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910290424.9A Pending CN110288115A (zh) | 2019-04-11 | 2019-04-11 | 配送方案预测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288115A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460630A (zh) * | 2018-02-12 | 2018-08-28 | 广州虎牙信息科技有限公司 | 基于用户数据进行分类分析的方法和装置 |
CN110852534A (zh) * | 2020-01-15 | 2020-02-28 | 江苏苏宁物流有限公司 | 运输路径确定方法、装置、计算机设备和存储介质 |
CN110851755A (zh) * | 2019-09-29 | 2020-02-28 | 口碑(上海)信息技术有限公司 | 一种送达路径信息的获取方法、装置以及电子设备 |
CN111833032A (zh) * | 2020-07-10 | 2020-10-27 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
CN113935528A (zh) * | 2021-10-13 | 2022-01-14 | 广州市钱大妈农产品有限公司 | 智能调度方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392412A (zh) * | 2017-06-05 | 2017-11-24 | 北京小度信息科技有限公司 | 订单调度方法和装置 |
CN107437199A (zh) * | 2017-06-16 | 2017-12-05 | 北京小度信息科技有限公司 | 平台收益预测方法及装置 |
WO2019045546A1 (en) * | 2017-09-04 | 2019-03-07 | Cj Logistics Corporation | METHOD AND SYSTEM FOR PROVIDING DELIVERY SERVICE USING AN APPLICATION RUNNING IN A DRIVER TERMINAL |
-
2019
- 2019-04-11 CN CN201910290424.9A patent/CN110288115A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392412A (zh) * | 2017-06-05 | 2017-11-24 | 北京小度信息科技有限公司 | 订单调度方法和装置 |
CN107437199A (zh) * | 2017-06-16 | 2017-12-05 | 北京小度信息科技有限公司 | 平台收益预测方法及装置 |
WO2019045546A1 (en) * | 2017-09-04 | 2019-03-07 | Cj Logistics Corporation | METHOD AND SYSTEM FOR PROVIDING DELIVERY SERVICE USING AN APPLICATION RUNNING IN A DRIVER TERMINAL |
Non-Patent Citations (4)
Title |
---|
WEIXIN_30868855: "JData大数据竞赛18年赛题-如期而至-用户购买时间预测", 《HTTPS://BLOG.CSDN.NET/WEIXIN_30868855/ARTICLE/DETAILS/99868850》 * |
李宗平等: "配送系统优化中的客户分组", 《西南交通大学学报》 * |
王晓明: "基于客户细分的配送车辆路径问题研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
贺兰芳: "《物流企业管理》", 31 July 2005, 南开大学出版社;南开大学电子音像出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460630A (zh) * | 2018-02-12 | 2018-08-28 | 广州虎牙信息科技有限公司 | 基于用户数据进行分类分析的方法和装置 |
CN110851755A (zh) * | 2019-09-29 | 2020-02-28 | 口碑(上海)信息技术有限公司 | 一种送达路径信息的获取方法、装置以及电子设备 |
CN110852534A (zh) * | 2020-01-15 | 2020-02-28 | 江苏苏宁物流有限公司 | 运输路径确定方法、装置、计算机设备和存储介质 |
CN111833032A (zh) * | 2020-07-10 | 2020-10-27 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
CN113935528A (zh) * | 2021-10-13 | 2022-01-14 | 广州市钱大妈农产品有限公司 | 智能调度方法、装置、计算机设备及存储介质 |
CN113935528B (zh) * | 2021-10-13 | 2023-07-21 | 广州市钱大妈信息科技有限公司 | 智能调度方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288115A (zh) | 配送方案预测方法、装置、服务器及存储介质 | |
Arslan et al. | Distribution network deployment for omnichannel retailing | |
Difrancesco et al. | Optimizing the return window for online fashion retailers with closed-loop refurbishment | |
US8032406B2 (en) | System and method of assortment, space, and price optimization in retail store | |
AU2006236095B2 (en) | System and method for analyzing customer profitability | |
Zhu | Integration of capacity, pricing, and lead-time decisions in a decentralized supply chain | |
CN107292550A (zh) | 一种物流资源的调度方法、设备及系统 | |
Shen et al. | Optimal pricing, production, and inventory for new product diffusion under supply constraints | |
CN111401619B (zh) | 采购订单处理方法、装置、电子设备及存储介质 | |
US9990597B2 (en) | System and method for forecast driven replenishment of merchandise | |
CN107403295A (zh) | 订单调度方法及装置 | |
CN106991544B (zh) | 调拨系统及调拨方法 | |
US11410117B2 (en) | System and method for controlling inventory depletion by offering different prices to different customers | |
US11367042B2 (en) | Computerized inventory redistribution control system | |
WO2017120395A1 (en) | Computerized promotion and markdown price scheduling | |
CN113469597A (zh) | 智慧供应链系统及服务器平台 | |
CN108108933B (zh) | 仓储位置分配方法及装置 | |
CN113191713A (zh) | 仓库缺货转仓方法、装置、设备及存储介质 | |
JP2001523866A (ja) | コンピュータ実行製品価値決定ツール | |
CN109558991A (zh) | 基于自贩机的货道量推荐方法、装置、设备及存储介质 | |
CN109658125A (zh) | 优惠数据提供及消费次高峰时段的确定方法及装置 | |
CN107784377A (zh) | 货品数据处理方法、装置及服务器 | |
EP1788517A1 (en) | System and method for analyzing customer profitability | |
Mitropoulou et al. | Pricing IaaS: A hedonic price index approach | |
CN107688969A (zh) | 一种新技术产品研发管理信息系统及管理信息方法 |
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: 20190927 |