CN110322203A - 零售业库存优化分析方法 - Google Patents
零售业库存优化分析方法 Download PDFInfo
- Publication number
- CN110322203A CN110322203A CN201910603314.3A CN201910603314A CN110322203A CN 110322203 A CN110322203 A CN 110322203A CN 201910603314 A CN201910603314 A CN 201910603314A CN 110322203 A CN110322203 A CN 110322203A
- Authority
- CN
- China
- Prior art keywords
- commodity
- sales volume
- volume data
- time series
- grouping
- 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
- G06Q10/08—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)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种零售业库存优化分析方法，包括以下步骤：步骤S1，根据顾客需求量、订货提前期以及顾客服务水平确定安全库存；步骤S2，根据安全库存以及订货提前期内的平均日需求量，计算订货点；步骤S3，使用自回归模型通过历史销量数据对未来销量进行预测；从而确定订货数量；步骤S4，对于多个单品多维度关系交织在一起的多商品销量预测，通过多层级预测调整提高预测精准度。本发明能够节省库存成本，提高客户服务水平。
Description
技术领域
本发明涉及零售行业供应链优化领域，尤其是一种零售业库存优化分析方法。
背景技术
我国的供应链和库存管理的研究与实践正处在一个快速上升的时期，但是整体来说，供应链管理还处于较低的水平，其中库存管理是供应链成本竞争的最重要组成成本之一。在当前这个零售业巨变时代，每家企业都在根据自身情况做出相应的战略调整——实体零售店的核心竞争力：供应链。
对于消费品行业来说，供应链的最后一环就是零售企业。零售企业的职责就是采购商品，做好库存体系，不合理的库存部署决策不仅直接导致销售机会损失，还会导致频繁库存调拨、过季退仓、不必要的库存清理等后果，既显著增加供应链成本，也影响供应链的服务水平，而合理的库存部署，能够将客户所需要的正确商品，在正确的时间、正确的地点，按照正确的数量、质量提供给客户，并使这一过程所耗费的总成本最小，而客户的购物满意度最高，这也是零售企业所面临的挑战。
总体来说，优化库存管理具有非常重要的作用和意义，体现在：1.在保证企业生产、经营需求的前提下，使库存量经常保持在合理的水平上，减少资金的占用，加速资金周转；2.掌握库存量动态，适时、适量提出订货，避免库存过多或缺货，既满足客户需求，又使得资金占用最少；3.降低库存占用总费用，减少库存空间占用。
发明内容
本发明的目的在于克服现有技术中存在的不足，提供一种零售业库存优化分析方法，能够节省库存成本，提高客户服务水平。本发明采用的技术方案是：
一种零售业库存优化分析方法，包括以下步骤：
步骤S1，根据顾客需求量、订货提前期以及顾客服务水平确定安全库存；
步骤S2，根据安全库存以及订货提前期内的平均日需求量，计算订货点；
步骤S3，使用自回归模型通过历史销量数据对未来销量进行预测；从而确定订货数量；
步骤S4，对于多个单品多维度关系交织在一起的多商品销量预测，通过多层级预测调整提高预测精准度。
进一步地，步骤S1中，确定安全库存的方法具体包括：
顾客需求量发生变化，订货提前期固定的情况：
订货提前期发生变化，顾客需求量固定的情况：
SS＝Z×σL×d (2)
顾客需求量和订货提前期都是变化的情况：
SS：安全库存；
Z：一定顾客服务水平下的安全系数(0,1)；
d：订货提前期内的平均日需求量；
L：平均提前期水平；
σL：订货提前期的标准差；
σd：在订货提前期内，需求的标准方差。
进一步地，步骤S2包括：对于某种商品，当其库存量降低到安全库存时，即发出订货单来补充库存，在库存量降低到零时，发出订货单所订购的商品刚好到达，补充订货提前期内的消耗，此发出订货单的时间点为订货点。
进一步地，步骤S3具体包括：
商品的销量数据以时间序列的形式出现；
在所述自回归模型中，随机过程的当前值即预测的未来销量被表达为由有限的过程先前值的线性组合和一个干扰白噪声εt构成，其形式如下：
公式(4)表示的随机过程称为p阶自回归过程；
引入后移算子B，后移算子B定义为Byt＝yt-1，从而有Bnyt＝yt-n；
由公式(4)推导得到p阶自回归算子为：
则公式(4)记为：
p个未知参数称为自回归参数，这些参数由历史销量数据来估计；
设参数μ为时间序列yt-1、yt-2、……yt-p均值；
时间序列方差：Dyn＝E(yn-μ)2；
自协方差函数：γ(n,n+k)＝E{(yn-μ)(yn+k-μ)}≈E(ynyn+k),计为γk；
自相关函数：计为ρk；
对于公式(4)等式两边同乘以yt-k，k≥0，得：
对公式(7)取数学期望，得到如下方程：
当k≥0时E(εtyt-k)＝0，因为yt-k只涉及到t-k时刻的干扰，所以与εt不相关，故得到如下方程：
对公式(8)两边同时除以γ0，得：
令k＝1，2，…，p得到以下线性方程组：
……
该线性方程组记为(*)；称为Yule-Walker方程，其中ρ0＝1；将yt-1……yt-p代入自相关函数中计算得到样本自相关系数ρ1……ρp，用样本自相关系数求解线性方程组(*)，就得到了自回归参数的Yule-Walker估计；计
则参数可以表示为其中是矩阵P的逆；
依次求解方程组(*)，得到：
得到参数估计后，就能够通过公式(4)进行未来销量预测。
进一步地，多层级预测首先需要创建多商品的多维度历史销量数据；然后将基于时间序列的预测销量分为三个层次；
将基于时间序列预测的商品总销量数据置于顶层，将基于时间序列预测的商品的分组销量数据置于中间层，将基于时间序列预测的各商品的单品销量数据置于底层；确定中间层的分组与底层的单品之间的包含关系；确定各分组中商品间的竞争关系或协同关系；然后基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系进行调节。
更进一步地，多层级预测的调节包括：自上而下调节、或自下而上调节或自中间向上向下调节；
自上而下调节：保持顶层的基于时间序列预测的商品总销量数据不变，基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系，对中间层的基于时间序列预测的商品的分组销量数据、和底层的基于时间序列预测的各商品的单品销量数据进行调节；
自下而上调节：保持底层的基于时间序列预测的各商品的单品销量数据不变，基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系，对顶层的基于时间序列预测的商品总销量数据、和中间层的基于时间序列预测的商品的分组销量数据进行调节；
自中间向上向下调节：保持中间层的基于时间序列预测的商品的分组销量数据不变，基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系，对顶层的基于时间序列预测的商品总销量数据、和底层的基于时间序列预测的各商品的单品销量数据进行调节。
更进一步地，自上而下调节时，历史上每年同一时段某组商品的销量大于当前预测的该组商品的分组销量数据，则相应增加该组商品预测数量；
对于竞争关系的商品分组，历史上每年同一时段该组中一个商品的销量大于当前预测的该商品的单品销量数据，则相应增加该商品预测数量，但不增加该组中其它商品预测数量；
对于协同关系的商品分组，历史上每年同一时段该组中一个商品的销量大于当前预测的该商品的单品销量数据，则相应增加该商品预测数量，且同时增加该组中其它商品预测数量。
本发明的优点在于：
1)节省了库存成本；
节省库存成本是每家企业都希望做到并且想做得更好的事情。如果进货量太多，会造成库存量过大，从而增加库存成本、资金积压，如果进货量太少，会造成大量的脱销影响客户满意度。本发明在降低库存周转天数的同时又能维持最佳的客户服务水平，既释放了企业资金，又节省了企业的库存成本，同时缺货率并没有增加。
2)提高了客户服务水平
服务水平是指在一段固定的时间内，公司满足客户订单要求的比例。本发明在控制商品合理库存的同时，降低了缺货概率，满足了客户需要，提高了客户服务水平。
3)提高了企业工作效率
本发明提出的库存优化分析方法，容易通过软件程序实现，改变了以往仅依靠经验判断预测销量的模式；主观预测准确率低、效率低。而本发明可以根据历史销量数据进行自动预测销量，代替以往的人工补货模式，准确率和效率更高。
附图说明
图1为本发明的流程图。
图2为本发明的订货点示意图。
图3为本发明的商品销量的时间序列图。
图4为本发明的多层级预测示意图。
图5为本发明的多层级预测调节后的效果图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
对于零售企业来说，控制商品的合理库存，对于降低库存量，减少资金占用，避免过季退仓等都有积极的作用。
(一)安全库存的确定；
安全库存的目的是为了增加供给与需要之间的缓冲；在设计过程中需要根据历史销售数据、销售预测等相关信息，进行设计，并且要考虑其经济与实用性。安全库存的大小，还需要由顾客服务水平来决定；安全库存量的计算需要借助于数量统计，对顾客需求量的变化和订货提前期的变化做出必要的基本假设，可能存在三种情况的变化，包括顾客需求量发生变化、订货提前期发生变化以及两者同时发生变化；
假设库存的变动是围绕着平均消耗速度发生变化，大于平均需求量和小于平均需求量的可能性各占一半，缺货概率为50％；从而可以了解到安全库存越大，出现缺货的可能性越小；但库存越大，会导致剩余库存的出现；所以应根据不同商品的用途以及客户的要求，将缺货保持在适当的水平上，允许一定程度的缺货现象存在；安全库存的量化计算可根据顾客需求量固定、顾客需求量变化、订货提前期固定、订货提前期发生变化等情况，利用正态分布图、标准差、期望服务水平等来求得；
顾客需求量发生变化，订货提前期固定的情况：
订货提前期发生变化，顾客需求量固定的情况：
SS＝Z×σL×d (2)
顾客需求量和订货提前期都是变化的情况：
SS：安全库存；
Z：一定顾客服务水平下的安全系数(0,1)；
d：订货提前期内的平均日需求量；
L：平均提前期水平；
σL：订货提前期的标准差；
σd：在订货提前期内，需求的标准方差；
(二)订货点的计算
如图2所示，对于某种商品，当其库存量降低到安全库存时，即发出订货单来补充库存，在库存量降低到零时，发出订货单所订购的商品刚好到达，补充订货提前期内的消耗，此发出订货单的时间点为订货点；
(三)根据商品的历史销量数据对未来销量进行预测；从而确定订货数量；
销量预测准确性的高低对库存影响较大；由于商品的销量数据是以时间序列的形式出现的，时间序列的一个本质特征就是相邻观测值之间具有相互依赖性，这种依赖特征具有很大的实用价值；
把销售数量表示为yt,t表示时间；yt可以为无穷多个依赖于时间t的随机变量；
使用自回归模型通过历史销量数据对未来销量进行预测；在该自回归模型中，随机过程的当前值即预测的未来销量被表达为由有限的过程先前值的线性组合和一个干扰(白噪声)εt构成，其形式如下：
公式(4)表示的随机过程称为p阶自回归过程，简称AR(p)过程；
引入后移算子B，后移算子B定义为Byt＝yt-1，从而有Bnyt＝yt-n；
由公式(4)推导得到p阶自回归算子为：
则公式(4)可以记为：
如何求参数的详细步骤如下：
在实际中，该自回归模型包含了p个未知参数称为自回归参数，这些参数必须由历史销量数据来估计；
设参数μ为时间序列yt-1、yt-2、……yt-p均值；
时间序列方差：Dyn＝E(yn-μ)2；
自协方差函数：γ(n,n+k)＝E{(yn-μ)(yn+k-μ)}≈E(ynyn+k),计为γk；
自相关函数：描述时间序列中不同观测之间的线性相关程度，也就是依赖程度，计为ρk；
对于公式(4)等式两边同乘以yt-k，k≥0，得：
对公式(7)取数学期望，可得到如下方程：
当k≥0时E(εtyt-k)＝0，因为yt-k只涉及到t-k时刻的干扰，所以与εt不相关，故可以得到如下方程：
对公式(8)两边同时除以γ0，得：
令k＝1，2，…，p得到以下线性方程组：
……
该线性方程组记为(*)；通常称为Yule-Walker方程，其中ρ0＝1；将yt-1……yt-p代入自相关函数中计算得到样本自相关系数ρ1……ρp，用样本自相关系数求解线性方程组(*)，就得到了自回归参数的Yule-Walker估计；计
则参数可以表示为其中是矩阵P的逆；
依次求解方程组(*)，得到：
得到参数估计后，就能够通过公式(4)进行未来销量预测。
对于任何平稳过程，都可以由上述Yule-Walker方程定义自相关函数，并且，对于AR(p)过程，可以顺次拟合阶数为1、2、3…的自回归方程，在每阶段的拟合中求出系数，得到参数估计
(四)对于多个单品多维度关系交织在一起的多商品销量预测，通过多层级预测调整提高预测精准度。单品指单个商品。
上一部分商品销量预测基于时间序列，但实际业务场景中会遇到多个单品多维度关系交织在一起的多商品销量预测；下面介绍的多层级预测以基于时间序列的预测输出为基础；
与基于时间序列预测不同，多层级预测首先需要创建多商品的多维度历史销量数据；然后将基于时间序列的预测销量分为三个层次；
将基于时间序列预测的商品总销量数据置于顶层，将基于时间序列预测的商品的分组销量数据置于中间层，将基于时间序列预测的各商品的单品销量数据置于底层；确定中间层的分组与底层的单品之间的包含关系；确定各分组中商品间的竞争关系或协同关系；然后基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系进行调节；
例如图4中，底层中，基于时间序列预测的商品A、B、C、D的销量分别为7、5、7、8；
中间层中，第一组包括商品A和B，例如牙膏A和B；第一组的基于时间序列预测的商品的分组销量数据14为牙膏的预测销量数据(不区分牙膏A和B，所有牙膏放在一起进行基于时间序列的预测)；第一组中A与B为竞争关系，商品A销量增长，则商品B销量会降低或不增长；
第二组包括商品C和D，例如，花露水C和爽身粉D，春夏转换时，C与D为协同关系，商品C销量增长，则商品D销量也增长；第二组的基于时间序列预测的商品的分组销量数据19；
顶层中，基于时间序列预测的商品总销量数据36，不区分商品A、B、C、D，而是基于商品A、B、C、D历史销量总数的时间序列进行预测；
然后进行自上而下调节、或自下而上调节或自中间向上向下调节；
自上而下调节：保持顶层的基于时间序列预测的商品总销量数据不变，基于商品的历史销量关系，对中间层的基于时间序列预测的商品的分组销量数据、和底层的基于时间序列预测的各商品的单品销量数据进行调节；
例如，同一时段，历史上每年同一时段第一组商品的销量要大于当前预测的第一组商品的分组销量数据，则相应增加预测数量；
历史上每年同一时段第一组中商品A的销量要大于当前预测的商品A的单品销量数据，则相应增加A预测数量，但不增加商品B预测数量；
历史上每年同一时段第二组商品C的销量要大于当前预测的商品C的单品销量数据，则相应增加C预测数量，且同时增加商品D预测数量；
图4中，中间层和底层的第二行数据为调节的数量；调节后的预测销量参见图5；
自下而上调节：保持底层的基于时间序列预测的各商品的单品销量数据不变，基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系，对顶层的基于时间序列预测的商品总销量数据、和中间层的基于时间序列预测的商品的分组销量数据进行调节；
自中间向上向下调节：保持中间层的基于时间序列预测的商品的分组销量数据不变，基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系，对顶层的基于时间序列预测的商品总销量数据、和底层的基于时间序列预测的各商品的单品销量数据进行调节；
后两种调节方式的原理与第一种方式类似，不再赘述；
(五)本发明通过安全库存、订货点、销量预测以及销量预测的优化调节，能够细致的为零售企业的库存管理提供精准的分析与管理；能够动态地进行库存优化；有利于零售企业减少商品积压，又尽可能避免产生缺货现象。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种零售业库存优化分析方法，其特征在于，包括以下步骤：
步骤S1，根据顾客需求量、订货提前期以及顾客服务水平确定安全库存；
步骤S2，根据安全库存以及订货提前期内的平均日需求量，计算订货点；
步骤S3，使用自回归模型通过历史销量数据对未来销量进行预测；从而确定订货数量；
步骤S4，对于多个单品多维度关系交织在一起的多商品销量预测，通过多层级预测调整提高预测精准度。
2.如权利要求1所述的零售业库存优化分析方法，其特征在于，
步骤S1中，确定安全库存的方法具体包括：
顾客需求量发生变化，订货提前期固定的情况：
订货提前期发生变化，顾客需求量固定的情况：
SS＝Z×σL×d (2)
顾客需求量和订货提前期都是变化的情况：
SS：安全库存；
Z：一定顾客服务水平下的安全系数(0，1)；
d：订货提前期内的平均日需求量；
L：平均提前期水平；
σL：订货提前期的标准差；
σd：在订货提前期内，需求的标准方差。
3.如权利要求1所述的零售业库存优化分析方法，其特征在于，
步骤S2包括：对于某种商品，当其库存量降低到安全库存时，即发出订货单来补充库存，在库存量降低到零时，发出订货单所订购的商品刚好到达，补充订货提前期内的消耗，此发出订货单的时间点为订货点。
4.如权利要求1所述的零售业库存优化分析方法，其特征在于，
步骤S3具体包括：
商品的销量数据以时间序列的形式出现；
在所述自回归模型中，随机过程的当前值即预测的未来销量被表达为由有限的过程先前值的线性组合和一个干扰白噪声εt构成，其形式如下：
公式(4)表示的随机过程称为p阶自回归过程；
引入后移算子B，后移算子B定义为Byt＝yt-1，从而有Bnyt＝yt-n；
由公式(4)推导得到p阶自回归算子为：
则公式(4)记为：
p个未知参数称为自回归参数，这些参数由历史销量数据来估计；
设参数μ为时间序列yt-1、yt-2、……yt-p均值；
时间序列方差：Dyn＝E(yn-μ)2；
自协方差函数：γ(n，n+k)＝E{(yn-μ)(yn+k-μ)}≈E(ynyn+k)，计为γk；
自相关函数：计为ρk；
对于公式(4)等式两边同乘以yt-k，k≥0，得：
对公式(7)取数学期望，得到如下方程：
当k≥0时E(εtyt-k)＝0，因为yt-k只涉及到t-k时刻的干扰，所以与εt不相关，故得到如下方程：
对公式(8)两边同时除以γ0，得：
令k＝1，2，…，p得到以下线性方程组：
……
该线性方程组记为(*)；称为Yule-Walker方程，其中ρ0＝1；将yt-1……yt-p代入自相关函数中计算得到样本自相关系数ρ1……ρp，用样本自相关系数求解线性方程组(*)，就得到了自回归参数的Yule-Walker估计；计
则参数可以表示为其中是矩阵P的逆；
依次求解方程组(*)，得到：
得到参数估计后，就能够通过公式(4)进行未来销量预测。
5.如权利要求1或4所述的零售业库存优化分析方法，其特征在于，
多层级预测首先需要创建多商品的多维度历史销量数据；然后将基于时间序列的预测销量分为三个层次；
将基于时间序列预测的商品总销量数据置于顶层，将基于时间序列预测的商品的分组销量数据置于中间层，将基于时间序列预测的各商品的单品销量数据置于底层；确定中间层的分组与底层的单品之间的包含关系；确定各分组中商品间的竞争关系或协同关系；然后基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系进行调节。
6.如权利要求5所述的零售业库存优化分析方法，其特征在于，
多层级预测的调节包括：自上而下调节、或自下而上调节或自中间向上向下调节；
自上而下调节：保持顶层的基于时间序列预测的商品总销量数据不变，基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系，对中间层的基于时间序列预测的商品的分组销量数据、和底层的基于时间序列预测的各商品的单品销量数据进行调节；
自下而上调节：保持底层的基于时间序列预测的各商品的单品销量数据不变，基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系，对顶层的基于时间序列预测的商品总销量数据、和中间层的基于时间序列预测的商品的分组销量数据进行调节；
自中间向上向下调节：保持中间层的基于时间序列预测的商品的分组销量数据不变，基于商品的历史销量关系，以及各分组中商品间的竞争关系或协同关系，对顶层的基于时间序列预测的商品总销量数据、和底层的基于时间序列预测的各商品的单品销量数据进行调节。
7.如权利要求6所述的零售业库存优化分析方法，其特征在于，
自上而下调节时，历史上每年同一时段某组商品的销量大于当前预测的该组商品的分组销量数据，则相应增加该组商品预测数量；
对于竞争关系的商品分组，历史上每年同一时段该组中一个商品的销量大于当前预测的该商品的单品销量数据，则相应增加该商品预测数量，但不增加该组中其它商品预测数量；
对于协同关系的商品分组，历史上每年同一时段该组中一个商品的销量大于当前预测的该商品的单品销量数据，则相应增加该商品预测数量，且同时增加该组中其它商品预测数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910603314.3A CN110322203B (zh) | 2019-07-05 | 2019-07-05 | 零售业库存优化分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910603314.3A CN110322203B (zh) | 2019-07-05 | 2019-07-05 | 零售业库存优化分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110322203A true CN110322203A (zh) | 2019-10-11 |
| CN110322203B CN110322203B (zh) | 2022-05-03 |
Family
ID=68122764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910603314.3A Active CN110322203B (zh) | 2019-07-05 | 2019-07-05 | 零售业库存优化分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322203B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292126A (zh) * | 2020-01-20 | 2020-06-16 | 拉扎斯网络科技（上海）有限公司 | 供需分析方法、装置、设备及可读存储介质 |
| CN111310977A (zh) * | 2020-01-20 | 2020-06-19 | 重庆亚德科技股份有限公司 | 基于大数据的药品库存预测系统及方法 |
| CN111553514A (zh) * | 2020-04-15 | 2020-08-18 | 成都飞机工业（集团）有限责任公司 | 一种面向动态服务水平的提前期算法及其应用 |
| CN111815347A (zh) * | 2020-05-28 | 2020-10-23 | 杭州览众数据科技有限公司 | 一种基于商品静态属性和铺货情况的首单计算方法 |
| CN111898914A (zh) * | 2020-08-04 | 2020-11-06 | 广东三扬网络科技有限公司 | 一种企业制造运营系统和存储介质 |
| CN112784212A (zh) * | 2019-11-05 | 2021-05-11 | 北京京东振世信息技术有限公司 | 一种优化库存的方法和装置 |
| CN113393041A (zh) * | 2021-06-21 | 2021-09-14 | 湖南大学 | 一种基于销量预测的零售领域供应链库存优化方法 |
| CN113505908A (zh) * | 2021-05-01 | 2021-10-15 | 合肥食里挑一网络科技有限公司 | 一种动态库存优化方法 |
| CN113592309A (zh) * | 2021-08-02 | 2021-11-02 | 上海华能电子商务有限公司 | 一种基于数据驱动的多级库存定额制定方法 |
| CN113793103A (zh) * | 2021-09-18 | 2021-12-14 | 中广核风电有限公司 | 安全库存的确定方法和装置 |
| CN113887771A (zh) * | 2020-07-02 | 2022-01-04 | 上海顺如丰来技术有限公司 | 服务水平优化方法、装置、计算机设备和存储介质 |
| CN114418484A (zh) * | 2021-12-22 | 2022-04-29 | 上海联蔚数字科技集团股份有限公司 | 物联网贸易库存管理的方法与设备 |
| CN114626896A (zh) * | 2022-04-02 | 2022-06-14 | 北京京东振世信息技术有限公司 | 物品数量预测方法及装置、电子设备和存储介质 |
| CN115271256A (zh) * | 2022-09-20 | 2022-11-01 | 华东交通大学 | 一种多维分类下的智能化订货方法 |
| TWI837891B (zh) * | 2021-11-24 | 2024-04-01 | 南韓商韓領有限公司 | 電腦實施系統以及電腦實施的方法 |
| CN118278861A (zh) * | 2024-05-30 | 2024-07-02 | 北京航空航天大学 | 多层供应链网络库存管理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004022463A1 (ja) * | 2002-09-06 | 2004-03-18 | Tsc, Inc. | 安全在庫量算出方法、安全在庫量算出装置、発注点算出方法、発注点算出装置及び発注量算出方法 |
| US8209242B1 (en) * | 2005-09-02 | 2012-06-26 | Flowvision, Llc | Inventory management system |
| CN104915734A (zh) * | 2015-06-25 | 2015-09-16 | 深圳市腾讯计算机系统有限公司 | 基于时间序列的商品热度预测方法和系统 |
| CN109740793A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于概率需求分布的库存优化方法 |
| CN109754207A (zh) * | 2018-12-26 | 2019-05-14 | 秒针信息技术有限公司 | 库存补充信息的确定方法及装置、存储介质、电子装置 |
-
2019
- 2019-07-05 CN CN201910603314.3A patent/CN110322203B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004022463A1 (ja) * | 2002-09-06 | 2004-03-18 | Tsc, Inc. | 安全在庫量算出方法、安全在庫量算出装置、発注点算出方法、発注点算出装置及び発注量算出方法 |
| US8209242B1 (en) * | 2005-09-02 | 2012-06-26 | Flowvision, Llc | Inventory management system |
| CN104915734A (zh) * | 2015-06-25 | 2015-09-16 | 深圳市腾讯计算机系统有限公司 | 基于时间序列的商品热度预测方法和系统 |
| CN109740793A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于概率需求分布的库存优化方法 |
| CN109754207A (zh) * | 2018-12-26 | 2019-05-14 | 秒针信息技术有限公司 | 库存补充信息的确定方法及装置、存储介质、电子装置 |
Non-Patent Citations (1)
| Title |
|---|
| DJHSAIMON: "安全库存及再订货量", 《HTTPS://WENKU.BAIDU.COM/VIEW/B8BEF3966BEC0975F565E205.HTML》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784212A (zh) * | 2019-11-05 | 2021-05-11 | 北京京东振世信息技术有限公司 | 一种优化库存的方法和装置 |
| CN112784212B (zh) * | 2019-11-05 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种优化库存的方法和装置 |
| CN111310977A (zh) * | 2020-01-20 | 2020-06-19 | 重庆亚德科技股份有限公司 | 基于大数据的药品库存预测系统及方法 |
| CN111292126A (zh) * | 2020-01-20 | 2020-06-16 | 拉扎斯网络科技（上海）有限公司 | 供需分析方法、装置、设备及可读存储介质 |
| CN111292126B (zh) * | 2020-01-20 | 2021-03-23 | 拉扎斯网络科技（上海）有限公司 | 供需分析方法、装置、设备及可读存储介质 |
| CN111553514A (zh) * | 2020-04-15 | 2020-08-18 | 成都飞机工业（集团）有限责任公司 | 一种面向动态服务水平的提前期算法及其应用 |
| CN111815347A (zh) * | 2020-05-28 | 2020-10-23 | 杭州览众数据科技有限公司 | 一种基于商品静态属性和铺货情况的首单计算方法 |
| CN111815347B (zh) * | 2020-05-28 | 2023-08-18 | 杭州览众数据科技有限公司 | 一种基于商品静态属性和铺货情况的首单计算方法 |
| CN113887771A (zh) * | 2020-07-02 | 2022-01-04 | 上海顺如丰来技术有限公司 | 服务水平优化方法、装置、计算机设备和存储介质 |
| CN111898914A (zh) * | 2020-08-04 | 2020-11-06 | 广东三扬网络科技有限公司 | 一种企业制造运营系统和存储介质 |
| CN113505908A (zh) * | 2021-05-01 | 2021-10-15 | 合肥食里挑一网络科技有限公司 | 一种动态库存优化方法 |
| CN113505908B (zh) * | 2021-05-01 | 2024-01-12 | 合肥食里挑一网络科技有限公司 | 一种动态库存优化方法 |
| CN113393041A (zh) * | 2021-06-21 | 2021-09-14 | 湖南大学 | 一种基于销量预测的零售领域供应链库存优化方法 |
| CN113592309A (zh) * | 2021-08-02 | 2021-11-02 | 上海华能电子商务有限公司 | 一种基于数据驱动的多级库存定额制定方法 |
| CN113592309B (zh) * | 2021-08-02 | 2024-04-30 | 上海华能电子商务有限公司 | 一种基于数据驱动的多级库存定额制定方法 |
| CN113793103A (zh) * | 2021-09-18 | 2021-12-14 | 中广核风电有限公司 | 安全库存的确定方法和装置 |
| TWI837891B (zh) * | 2021-11-24 | 2024-04-01 | 南韓商韓領有限公司 | 電腦實施系統以及電腦實施的方法 |
| CN114418484A (zh) * | 2021-12-22 | 2022-04-29 | 上海联蔚数字科技集团股份有限公司 | 物联网贸易库存管理的方法与设备 |
| CN114626896A (zh) * | 2022-04-02 | 2022-06-14 | 北京京东振世信息技术有限公司 | 物品数量预测方法及装置、电子设备和存储介质 |
| CN115271256B (zh) * | 2022-09-20 | 2022-12-16 | 华东交通大学 | 一种多维分类下的智能化订货方法 |
| CN115271256A (zh) * | 2022-09-20 | 2022-11-01 | 华东交通大学 | 一种多维分类下的智能化订货方法 |
| CN118278861A (zh) * | 2024-05-30 | 2024-07-02 | 北京航空航天大学 | 多层供应链网络库存管理方法 |
| CN118278861B (zh) * | 2024-05-30 | 2024-08-30 | 北京航空航天大学 | 多层供应链网络库存管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110322203B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110322203A (zh) | 零售业库存优化分析方法 | |
| Croson et al. | Impact of POS data sharing on supply chain management: An experimental study | |
| Angelus et al. | Simultaneous capacity and production management of short-life-cycle, produce-to-stock goods under stochastic demand | |
| US8341008B2 (en) | Demand forecasting method, system and computer readable storage medium | |
| Tempelmeier et al. | Dynamic uncapacitated lot sizing with random demand under a fillrate constraint | |
| US20080133310A1 (en) | Methods and systems for forecasting product demand for slow moving products | |
| Heydari et al. | Lead time aggregation: A three-echelon supply chain model | |
| CN110033222A (zh) | 一种补货方法 | |
| CN112529491B (zh) | 一种库存管理方法及装置 | |
| Duc et al. | Effect of the third-party warehouse on bullwhip effect and inventory cost in supply chains | |
| CN111815198B (zh) | 一种门店补货方法、装置和设备 | |
| 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 | |
| KR20180120110A (ko) | 금융시장 불안정지수 산출 방법 및 이를 이용한 자산배분 방법 | |
| Fradinata et al. | Compare the forecasting method of artificial neural network and support vector regression model to measure the bullwhip effect in supply chain | |
| US20020188529A1 (en) | System and method for calculation of controlling parameters for a computer based inventory management | |
| CN113283798A (zh) | 物料消耗数量的确定方法、装置、电子设备及存储介质 | |
| Gascon et al. | Multi-item, single-machine scheduling problem with stochastic demands: a comparison of heuristics | |
| CN114240473A (zh) | 基于sku智能补货的方法及系统 | |
| CN114169557A (zh) | 库存补货方法、计算机可读存储介质以及终端设备 | |
| van der Schouten et al. | The value of supplier information to improve management of a retailer's inventory | |
| CN116934237A (zh) | 一种仓储系统的智能补货方法 | |
| Bankole et al. | Economic Order Quantity (EOQ) for Perishable Goods with Weibull Distribution and Exponential Demand Rate Proportional to Price | |
| CN113283844A (zh) | 时效敏感物料的库存确定方法、装置、电子设备 | |
| US20170132644A1 (en) | Forecasting demand for groups of items, such as mobile phones | |
| EP1843232B1 (en) | Production scheduling system |
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 |