CN110490670A - 一种自适应商品销售规律的需求预测系统 - Google Patents
一种自适应商品销售规律的需求预测系统 Download PDFInfo
- Publication number
- CN110490670A CN110490670A CN201910798419.9A CN201910798419A CN110490670A CN 110490670 A CN110490670 A CN 110490670A CN 201910798419 A CN201910798419 A CN 201910798419A CN 110490670 A CN110490670 A CN 110490670A
- Authority
- CN
- China
- Prior art keywords
- commodity
- level
- prediction
- data
- adaptive
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 20
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 15
- 238000005096 rolling process Methods 0.000 claims description 15
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 12
- 230000000153 supplemental effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
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
本发明涉及一种自适应商品销售规律的需求预测系统，其中，包括，S1，输入商品数据并进行检查；S2，对每个所述商品进行最优预测层级选择；S3，对所述商品的需求进行初始预测并计算相关参数；S4，分解预测结果至最小预测层级；S5，根据所述商品的相关参数对分解后的所述预测结果进行调整；S6，对所述预测结果进行人为干预调整；S7，自动聚合所述预测结果至每个所述预测层级，得到最终的所述预测结果。通过设计一种自适应商品销售规律的需求预测系统，只需人员对输入数据和输出数据进行操作，有效解决了商品预测不准确、预测效率低、需要大量人工分析等问题，大大提高了预测准确度，减少人为干预。
Description
技术领域
本发明涉及销量预测领域，尤其涉及一种自适应商品销售规律的需求预测系统。
背景技术
零售企业会销售许多不同种类的商品，每种商品的销售规律也复杂多变，经常需要人为分析商品销售规律，并且针对不同商品的销售规律在不同时间、地点层级，需要采用不同的需求预测方法，同时商品销售有许多临时提报、营销企划等人为因素，手动分析商品销售规律并得到各类商品的需求量会带来巨大的工作量。
现有的预测方法需要人工干预才能确定其适用商品，并且需要开发人员进行大量的数据分析，针对每个商品制定需求预测方法，造成工作效率低下，并且预测准确度较差。
发明内容
本发明的目的在于，提供一种自适应商品销售规律的需求预测系统，解决以上技术问题。
本发明所解决的技术问题可以采用以下技术方案来实现：
一种自适应商品销售规律的需求预测系统，其中，包括，
步骤S1，输入商品数据并对所述商品数据进行检查；
步骤S2，对每个所述商品进行最优预测层级选择；
步骤S3，对所述商品的需求进行初始预测并计算所述商品的相关参数；
步骤S4，分解所述步骤S3所得的预测结果至最小预测层级；
步骤S5，根据所述商品的相关参数对分解后的所述预测结果进行调整；
步骤S6，对所述预测结果进行人为干预调整；
步骤S7，自动聚合所述预测结果至每个所述预测层级，得到最终的所述预测结果。
优选地，所述步骤S1包括：
步骤S11，输入所述商品数据；
步骤S12，选择所述商品数据的最小预测层级；
步骤S13，对所述商品数据进行完整性和准确性检查并处理。
优选地，所述步骤S2包括：
步骤S21，对所述商品数据的各层级进行聚合；
步骤S22，根据所述商品数据计算所述商品的平均需求间隔；
步骤S23，根据所述商品的所述平均需求间隔，若所述平均需求间隔小于设定值，则所述商品的当前商品层级为满足条件的所述最优预测层级，执行步骤S3；若所述平均需求间隔大于所述设定值，则将所述商品的当前商品层级聚合到下一层级，返回执行步骤S22；若所述商品数据在各预测层级上的所述平均需求间隔均小于所述设定值，则所述商品的需求预测值为0。
优选地，所述步骤S3包括：
步骤S31，对第一预测层级上的所述商品数据进行移动平均、差分整合移动平均自回归模型和简单指数平滑法进行组合；对于第二预测层级上的所述商品数据进行移动平均、差分整合移动平均自回归模型和Holt-Winter方法进行组合；
步骤S32，将输入有外生变量的所述商品的影响因素数据与时间序列进行拟合；
步骤S33，使用所述Holt-Winter方法计算季节性因子并进行流行月判断，使用多元线性回归方法计算生命周期，用于后续调整所述预测结果。
优选地，所述步骤S5包括：
步骤S51，将所述步骤S33中所述季节性因子、所述流行月和所述生命周期结果量化为参数数据，得到同期销售规律；
步骤S52，将所述参数数据与所述步骤S4中的所述预测结果结合，用于调整所述预测结果。
优选地，所述步骤S6包括：
步骤S61，输入人为因素的业务活动方案数据，所述人为因素的方案数据包括营销企划、品类规划和临时提报；
步骤S62，将所述营销企划、所述品类规划和所述临时提报的信息量量化为参数数据；
步骤S63，开放系统手动调节端口，用于业务人员根据当前业务活动对异常结果进行手动调整，得到预测结果。
优选地，所述步骤S7包括：
步骤S71，将所述步骤S63中的所述预测结果按照每一层级进行数据聚合；
步骤S72，根据每一层级所述数据聚合结果，换算出每一层级商品预测销售金额，用于不同业务决策。
优选地，所述商品数据包括历史销售数据、商品主数据和门店主数据，所述最小预测层级为需要输出的最小时间、商品、门店层级。
优选地，所述外生变量包括流行度、外观、生命周期、畅平滞、价格、新旧款、应季非应季、库存影响因素数据。
优选地，所述第一预测层级为日和周的时间层级，所述第二预测层级为月的时间层级。
有益效果：由于采用以上技术方案，通过设计一种自适应商品销售规律的需求预测系统，只需人员对输入数据和输出数据进行操作，有效解决了商品预测不准确、预测效率低、需要大量人工分析等问题，使得运用一套需求预测系统能够解决零售企业大部分的商品预测问题，大大提高预测准确度，减少人为干预。
附图说明
图1为本发明的一种具体实施方式的需求预测系统总的步骤流程图；
图2为图1中步骤S1的一种具体实施例的流程图；
图3为图1中步骤S2的一种具体实施例的流程图；
图4为图1中步骤S3的一种具体实施例的流程图；
图5为图1中步骤S5的一种具体实施例的流程图；
图6为图1中步骤S6的一种具体实施例的流程图；
图7为图1中步骤S7的一种具体实施例的流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
如图1、图2、图3、图4、图5、图6和图7所示，一种自适应商品销售规律的需求预测系统，其中，包括，
一种自适应商品销售规律的需求预测系统，其中，包括，
步骤S1，输入商品数据并对商品数据进行检查；
步骤S2，对每个商品进行最优预测层级选择；
步骤S3，对商品的需求进行初始预测并计算商品的相关参数；
步骤S4，分解步骤S3所得的预测结果至最小预测层级；
步骤S5，根据商品的相关参数对分解后的预测结果进行调整；
步骤S6，对预测结果进行人为干预调整；
步骤S7，自动聚合预测结果至每个预测层级，得到最终的预测结果。
作为本发明的一种优选的实施方式，步骤S1包括：
步骤S11，输入商品数据；
步骤S12，选择商品数据的最小预测层级；
步骤S13，对商品数据进行完整性和准确性检查并处理。
上述技术方案，步骤S13中对商品数据的完整性检查主要针对缺失值，首先检查出缺失值，再通过平均值、线性回归等方法自动对缺失值进行填充处理；数据准确性检查主要针对异常值，异常值主要是指销量偏离商品正常销售规律达到一定幅度的数据点，首先根据平均值和标准差对异常值点进行自动判断，随后再通过平均值、线性回归等方法对异常值自动替换处理。
作为本发明的一种优选的实施方式，步骤S2包括：
步骤S21，对商品数据的各层级进行聚合；
步骤S22，根据商品数据计算商品的平均需求间隔；
步骤S23，根据商品的平均需求间隔，若平均需求间隔小于设定值，则商品的当前商品层级为满足条件的最优预测层级，执行步骤S3；若平均需求间隔大于设定值，则将商品的当前商品层级聚合到下一层级，返回执行步骤S22；若商品数据在各预测层级上的平均需求间隔均小于设定值，则商品的需求预测值为0。
上述技术方案，步骤S21首先对商品、地点、时间之间各层级进行数据聚合，然后步骤S22自动计算商品历史数据在时间、地点层级上的平均需求间隔，最后步骤S23根据平均需求间隔对时间序列连续性进行判断，满足条件的商品层级作为预测层级，对于不满足条件的商品层级自动聚合到下一层级，直到满足条件为止；并且对于各层级都不满足判断条件的商品，说明很大概率为不销售或零星销售商品，其需求预测值设置为0。
具体的，按照层级进行聚合，如商品可以分为大类、中类、小类、商品层级，同一小类下所有商品销售量的和为小类销量；时间可以分为年、季、月、周、日层级，一日内所有订单销量的和为日销量，一周内所有日销量和为周销量；同时商品、地点、时间的层级聚合不是彼此独立的，而是相互交叉的，如同一小类、同一日下商品所有订单销量的和为此小类的日销量；实验中，当平均需求间隔小于1.25，则商品销售较为连续，可以应用连续型需求预测方法，如移动平均、差分整合移动平均自回归模型(ARIMA)、简单指数平滑法和Holt-Winter等；平均需求间隔计算方法为对商品在时间上的销售数据，首先计算所有的两次之间销售间隔，如第二次销售时间-第一次销售时间，再计算所得结果的平均值为平均需求间隔，平均需求间隔越小代表销售越连续；当低层级的数据较为间断时，聚合到更高层级后，数据可能会变得连续，平均需求间隔变小，当平均需求间隔小于1.25后，采用移动平均、差分整合移动平均自回归模型(ARIMA)、简单指数平滑法和Holt-Winter等预测方法。
作为本发明的一种优选的实施方式，步骤S3包括：
步骤S31，对第一预测层级上的商品数据进行移动平均、差分整合移动平均自回归模型和简单指数平滑法进行组合；对于第二预测层级上的商品数据进行移动平均、差分整合移动平均自回归模型和Holt-Winter方法进行组合；
步骤S32，将输入有外生变量的商品的影响因素数据与时间序列进行拟合预测；
步骤S33，使用Holt-Winter方法计算季节性因子并进行流行月判断，使用多元线性回归方法计算生命周期，用于后续调整预测结果。
上述技术方案，将具有外生变量的商品输入商品标签中，然后与时间序列拟合，根据步骤S31再进行预测结果计算，自动计算出的流行月判断和生命周期用于后续对预测结果的调整，进一步地，步骤S4自动将预测结果根据商品、地点和时间分解到选择的最小预测层级；对于自动聚合后的商品层级，在此阶段将预测结果自动分解到人为选择需要输出的最小商品、地点、时间层级。
作为本发明的一种优选的实施方式，步骤S5包括：
步骤S51，将步骤S33中季节性因子、流行月和生命周期结果量化为参数数据，得到同期销售规律；
步骤S52，将参数数据与步骤S4中的预测结果结合，用于调整预测结果。
上述技术方案，步骤S5根据自动计算后的季节性因子、流行月和生命周期等参数对预测结果进行调整，先将这些参数量化，得到同期销售规律，再将这些参数与步骤S4得到的预测结果结合，用于对步骤S4得到需求预测结果进行调整。
作为本发明的一种优选的实施方式，步骤S6包括：
步骤S61，输入人为因素的业务活动方案数据，人为因素的方案数据包括营销企划、品类规划和临时提报；
步骤S62，将营销企划、品类规划和临时提报的信息量量化为参数数据；
步骤S63，开放系统手动调节端口，用于业务人员根据当前业务活动对异常结果进行手动调整，得到预测结果。
具体的，为了适应企业的行业特点和工作流程，步骤S6可以依照企业特点和数据分析结果，设置相应计算规则，以满足企业业务需要，如企业有提前一个月的促销计划，则可以根据历史中的促销信息，计算促销活动的影响因子，在步骤S6设置所需输入的促销信息和促销影响因子，以此来修正自动计算的预测结果，以符合企业实际业务活动。
作为本发明的一种优选的实施方式，步骤S7包括：
步骤S71，将步骤S63中的预测结果按照每一层级进行数据聚合；
步骤S72，根据每一层级数据聚合结果，换算出每一层级商品预测销售金额，用于不同业务决策。
作为本发明的一种优选的实施方式，商品数据包括历史销售数据、商品主数据和门店主数据，最小预测层级为需要输出的最小时间、商品、门店层级。
作为本发明的一种优选的实施方式，外生变量包括流行度、外观、生命周期、畅平滞、价格、新旧款、应季非应季、库存影响因素数据。
作为本发明的一种优选的实施方式，第一预测层级为日和周的时间层级，第二预测层级为月的时间层级。
上述技术方案，首先步骤S1-S5为系统自动计算，然后步骤S6为对系统的预测结果进行人为调整，并人为对异常结果进行干预判断，最后将最终需求预测结果按照时间、商品、门店逐级自动聚合，同时换算为商品预测销售金额，逐级自动聚合，各层级预测结果用于不同业务决策。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (10)
1.一种自适应商品销售规律的需求预测系统，其特征在于，包括，
步骤S1，输入商品数据并对所述商品数据进行检查；
步骤S2，对每个所述商品进行最优预测层级选择；
步骤S3，对所述商品的需求进行初始预测并计算所述商品的相关参数；
步骤S4，分解所述步骤S3所得的预测结果至最小预测层级；
步骤S5，根据所述商品的相关参数对分解后的所述预测结果进行调整；
步骤S6，对所述预测结果进行人为干预调整；
步骤S7，自动聚合所述预测结果至每个所述预测层级，得到最终的所述预测结果。
2.根据权利要求1所述的自适应商品销售规律的需求预测系统，其特征在于，所述步骤S1包括：
步骤S11，输入所述商品数据；
步骤S12，选择所述商品数据的最小预测层级；
步骤S13，对所述商品数据进行完整性和准确性检查并处理。
3.根据权利要求1所述的自适应商品销售规律的需求预测系统，其特征在于，所述步骤S2包括：
步骤S21，对所述商品数据的各层级进行聚合；
步骤S22，根据所述商品数据计算所述商品的平均需求间隔；
步骤S23，根据所述商品的所述平均需求间隔，若所述平均需求间隔小于设定值，则所述商品的当前商品层级为满足条件的所述最优预测层级，执行步骤S3；若所述平均需求间隔大于所述设定值，则将所述商品的当前商品层级聚合到下一层级，返回执行步骤S22；若所述商品数据在各预测层级上的所述平均需求间隔均小于所述设定值，则所述商品的需求预测值为0。
4.根据权利要求1所述的自适应商品销售规律的需求预测系统，其特征在于，所述步骤S3包括：
步骤S31，对第一预测层级上的所述商品数据进行移动平均、差分整合移动平均自回归模型和简单指数平滑法进行组合；对于第二预测层级上的所述商品数据进行移动平均、差分整合移动平均自回归模型和Holt-Winter方法进行组合；
步骤S32，将输入有外生变量的所述商品的影响因素数据与时间序列进行拟合；
步骤S33，使用所述Holt-Winter方法计算季节性因子并进行流行月判断，使用多元线性回归方法计算生命周期，用于后续调整所述预测结果。
5.根据权利要求4所述的自适应商品销售规律的需求预测系统，其特征在于，所述步骤S5包括：
步骤S51，将所述步骤S33中所述季节性因子、所述流行月和所述生命周期结果量化为参数数据，得到同期销售规律；
步骤S52，将所述参数数据与所述步骤S4中的所述预测结果结合，用于调整所述预测结果。
6.根据权利要求1所述的自适应商品销售规律的需求预测系统，其特征在于，所述步骤S6包括：
步骤S61，输入人为因素的业务活动方案数据，所述人为因素的方案数据包括营销企划、品类规划和临时提报；
步骤S62，将所述营销企划、所述品类规划和所述临时提报的信息量量化为参数数据；
步骤S63，开放系统手动调节端口，用于业务人员根据当前业务活动对异常结果进行手动调整，得到预测结果。
7.据权利要求6所述的自适应商品销售规律的需求预测系统，其特征在于，所述步骤S7包括：
步骤S71，将所述步骤S63中的所述预测结果按照每一层级进行数据聚合；
步骤S72，根据每一层级所述数据聚合结果，换算出每一层级商品预测销售金额，用于不同业务决策。
8.据权利要求1所述的自适应商品销售规律的需求预测系统，其特征在于，所述商品数据包括历史销售数据、商品主数据和门店主数据，所述最小预测层级为需要输出的最小时间、商品、门店层级。
9.根据权利要求4所述的自适应商品销售规律的需求预测系统，其特征在于，所述外生变量包括流行度、外观、生命周期、畅平滞、价格、新旧款、应季非应季、库存影响因素数据。
10.根据权利要求4所述的自适应商品销售规律的需求预测系统，其特征在于，所述第一预测层级为日和周的时间层级，所述第二预测层级为月的时间层级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910798419.9A CN110490670A (zh) | 2019-08-27 | 2019-08-27 | 一种自适应商品销售规律的需求预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910798419.9A CN110490670A (zh) | 2019-08-27 | 2019-08-27 | 一种自适应商品销售规律的需求预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110490670A true CN110490670A (zh) | 2019-11-22 |
Family
ID=68553605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910798419.9A Pending CN110490670A (zh) | 2019-08-27 | 2019-08-27 | 一种自适应商品销售规律的需求预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490670A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242698A (zh) * | 2020-01-20 | 2020-06-05 | 金华航大北斗应用技术有限公司 | 一种商品需求预测的神经网络模的方法和系统 |
| CN111652646A (zh) * | 2020-06-02 | 2020-09-11 | 中储南京智慧物流科技有限公司 | 一种短期商品需求预测方法 |
| 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 |
| CN112258224A (zh) * | 2020-10-19 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 信息生成方法、装置、终端、系统和存储介质 |
| CN112926909A (zh) * | 2019-12-05 | 2021-06-08 | 株式会社日立大厦系统 | 需求量计划系统和需求量计划方法 |
| CN113850427A (zh) * | 2021-09-24 | 2021-12-28 | 联想(北京)有限公司 | 时间序列的预测方法和电子设备，及计算机存储介质 |
| CN114239906A (zh) * | 2021-11-08 | 2022-03-25 | 壹药网科技(上海)股份有限公司 | 一种人力需求预测方法及人员调度系统 |
| 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 |
| CN115147153A (zh) * | 2022-07-04 | 2022-10-04 | 北京高科数聚技术有限公司 | 一种基于分层建模的商品销售预测系统和方法 |
-
2019
- 2019-08-27 CN CN201910798419.9A patent/CN110490670A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926909A (zh) * | 2019-12-05 | 2021-06-08 | 株式会社日立大厦系统 | 需求量计划系统和需求量计划方法 |
| CN111242698A (zh) * | 2020-01-20 | 2020-06-05 | 金华航大北斗应用技术有限公司 | 一种商品需求预测的神经网络模的方法和系统 |
| 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 |
| CN111652646A (zh) * | 2020-06-02 | 2020-09-11 | 中储南京智慧物流科技有限公司 | 一种短期商品需求预测方法 |
| CN112258224A (zh) * | 2020-10-19 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 信息生成方法、装置、终端、系统和存储介质 |
| CN113850427A (zh) * | 2021-09-24 | 2021-12-28 | 联想(北京)有限公司 | 时间序列的预测方法和电子设备，及计算机存储介质 |
| CN114239906A (zh) * | 2021-11-08 | 2022-03-25 | 壹药网科技(上海)股份有限公司 | 一种人力需求预测方法及人员调度系统 |
| 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 |
| CN115147153A (zh) * | 2022-07-04 | 2022-10-04 | 北京高科数聚技术有限公司 | 一种基于分层建模的商品销售预测系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490670A (zh) | 一种自适应商品销售规律的需求预测系统 | |
| US7895067B2 (en) | Systems and methods for optimizing total merchandise profitability | |
| Yang et al. | Integrated multi-period dynamic inventory classification and control | |
| TW581955B (en) | Supply chain demand forecasting and planning | |
| CN110392899A (zh) | 用于模型生成的动态特征选择 | |
| Saha et al. | The ramification of dynamic investment on the promotion and preservation technology for inventory management through a modified flower pollination algorithm | |
| CN109615184A (zh) | 零售企业门店自动配货、补货、调货的方法及系统 | |
| US20040148217A1 (en) | Method and system for increasing accuracy in shipping and inventory forecasting | |
| CA2788266A1 (en) | Inventory management and budgeting system | |
| WO2003054757A2 (en) | Sales optimization | |
| CN109784984A (zh) | 一种生鲜门店智能订货系统 | |
| CN113627844A (zh) | 一种用于连锁超市的智能采购系统 | |
| WO2023020255A1 (zh) | 数据处理方法、装置、设备及存储介质 | |
| KR102150966B1 (ko) | 딥 러닝을 이용한 화훼 경매가 예측 시스템 | |
| CN103903070B (zh) | 应用系统资源需求测算系统 | |
| Sharma et al. | Best seller rank (bsr) to sales: An empirical look at amazon. com | |
| Udomsri et al. | The design of a forecasting support models on demand of durian for export markets by time series and ANNs | |
| Anand et al. | Retail Analysis—Walmart’s Trend Assessment | |
| CN114626660A (zh) | 用于激增调整预报的方法和装置 | |
| Chen et al. | Research on Pricing and Replenishment Strategy for Vegetable Commodities based on Non-linear Programming | |
| CN111667314A (zh) | 商品资源分配方法、装置及电子设备 | |
| Гринько et al. | Strategic inventory management of a trading enterprise | |
| US11816614B2 (en) | Probabilistic fresh in-store production management | |
| Khanza et al. | Business Design and Feasibility of Humblezing Store Branch Establishment in South Jakarta | |
| Solon et al. | Application of costing methods: A case study in a retailer in the Triângulo Mineiro |
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: 20191122 |