CN110516998A - 一种基于供应链需求关联的智能补货系统 - Google Patents
一种基于供应链需求关联的智能补货系统 Download PDFInfo
- Publication number
- CN110516998A CN110516998A CN201910749893.2A CN201910749893A CN110516998A CN 110516998 A CN110516998 A CN 110516998A CN 201910749893 A CN201910749893 A CN 201910749893A CN 110516998 A CN110516998 A CN 110516998A
- Authority
- CN
- China
- Prior art keywords
- data
- demand
- supply chain
- replenishes
- module
- 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
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000009969 flowable effect Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于供应链需求关联的智能补货系统,属于智能补货领域,该基于供应链需求关联的智能补货系统供应链需求预测模块、业务分析模块和智能补货模块;供应链需求预测模块用于对每个商店、每个产品的需求预测;业务分析模块用于根据商品的相关信息和相关的销售目标进行数据分析并与供应链需求预测模块得出的数据,进行需求分类;智能补货模块用于结合业务分析的需求数据与供应链需求预测的数据进行分析,并通过需求分类进行相对应的智能补货;综合考虑需求波动、事件影响、指标绩效及若干外部环境的条件下,提供SKU级别的高精度需求预测与补货建议,继而实现人工可控的智能补货决策功能,提高周转率、动销率,降低货损及缺货率。
Description
技术领域
本发明属于智能补货技术领域,尤其涉及一种基于供应链需求关联的智能补货系统。
背景技术
随着互联网电商及物流行业的发展,传统线下零售行业受到了前所未有的冲击,普遍萎靡不振。研究发现,导致传统线下零售行业萎靡的主要原因包括:一、经营成本日益攀升;二、消费者的用户体验糟糕;三、同行恶性竞争等。其中,人工成本、维护成本占据了传统线下零售行业经营成本的主要部分。面对日益飙升的人工成本及维护成本,市面上逐渐出现一些自助售卖机、“无人超市”等新模式的零售产业。这些新模式的零售产业一般以云计算、物联网、移动支付、大数据等技术作为依托,采用无人值守的销售模式,以最大限度地降低人工成本、维护成本以及提升消费者的用户体验。
但是在“无人超市”等新模式的零售产业下,在超市内部货物空缺时,还需人工进行补货。通过人工进行补货,补货过程中,难免会出现库存周转能力严重不足;同时,在人工补货的过程中,由于对于供应链需求数据的掌握极少,会造成对于供应链需求未满足、未发掘;在长时间补货过程中,还会出现大量囤货,进而造成货损率高、成本提高,产生额外损失。
发明内容
本发明的目的在于提供一种基于供应链需求关联的智能补货系统,根据需求波动、事件影响、指标绩效及若干外部环境,提供SKU级别的高精度需求预测与补货建议,继而实现人工可控的智能补货决策功能,提高周转率、动销率,降低货损及缺货率。
为实现上述目的,本发明提供如下技术方案:一种基于供应链需求关联的智能补货系统,该基于供应链需求关联的智能补货系统包括供应链需求预测模块、业务分析模块和智能补货模块;
所述供应链需求预测模块用于对每个商店、每个产品的需求预测;
所述业务分析模块用于根据商品的相关信息和相关的销售目标进行数据分析并与供应链需求预测模块得出的数据,进行需求分类;
所述智能补货模块与业务分析模块、供应链需求预测模块数据连接,用于结合业务分析所得出的需求数据与供应链需求预测得出的数据进行分析,并通过需求分类进行相对应的智能补货:
优选的,所述供应链需求预测模块包括数据输入单元、数据分析单元和需求预测分析单元;
所述数据输入单元包括输入销量数据、库存数据、在途数据、促销数据、气象数据、位置数据、节日数据、时间数据等商品相关数据
所述数据分析单元采用多模型进行数据分析与挖掘,同时在数据分析完成通过预测一致性进行修正;
所述需求预测分析单元包括需求值预测、需求分布预测、需求评级、新品需求预测。
优选的,所述业务分析模块包括业务数据单元、业务约束单元和业务目标单元;
所述业务数据单元包括下列店铺出售商品数据:定价数据、保质期数据、在途数据、库存数据、商品主数据、成本数据、Lead-Time数据、提前期数据;
所述业务约束单元包括最小起订量、订购周期、可流动资金、排面量、业务KPI多方面的约束。
优选的,所述智能补货模块包括需求分类、参数优化、补货初步策略、配补货决策、结果监测,所述补货初步策略根据需求分类与参数优化共同决定,所述配补货决策由补货初步策略下达补货决策;
所述需求分类在不同供应链业态下有不同的需求模式,可以分为平滑型、不稳定型、尖峰型、不常用备件型;
所述配补货决策包括操作指南报告、人工可控调整、一键智能补货,可进行人工或自动智能补货多种补货方式。
本发明的有益效果是:
1、打破传统模式下设定统一的服务水平,为每个sku库存点设置个性化的服务水平,可供应库存天数等配置参数。
2、针对客户的业务逻辑和实际需求,设计合理的成本测算方式。
3、将经典的(S,S)/(T,S)/(R,Q)/定期检查/连续检查等库存模型相结合,针对业务逻辑具备更灵活的模型,可根据需求的发生模式对sku进行分类,动态选择最优的补货策略。
4、不依赖于需求服从正态分布的理论假设,适用于更为实际的离散型需求分布及偏态需求分布,应用随机优化模型和蒙特卡洛方法在供应链的整体效率上对运营目标进行优化。
附图说明
图1是本发明提供的一种基于供应链需求关联的智能补货系统的结构框图;
图2是本发明提供的一种基于供应链需求关联的智能补货系统中供应链需求预测模块的结构框图;
图3是本发明提供的一种基于供应链需求关联的智能补货系统中业务分析模块的结构框图;
图4是本发明提供的一种基于供应链需求关联的智能补货系统中智能补货模块的流程示意图;
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
请同时参考图1-4,下面将结合附图对本发明实施例的基于供应链需求关联的智能补货系统作详细说明。
参照图1所示,该基于供应链需求关联的智能补货系统包括:
供应链需求预测模块、业务分析模块和智能补货模块;
供应链需求预测模块用于对每个商店、每个产品的需求预测;
业务分析模块用于根据商品的相关信息和相关的销售目标进行数据分析并与供应链需求预测模块得出的数据,进行需求分类;
智能补货模块与业务分析模块、供应链需求预测模块数据连接,用于结合业务分析所得出的需求数据与供应链需求预测得出的数据进行分析,并通过需求分类进行相对应的智能补货。
进一步,如图2所示,供应链需求预测模块包括数据输入单元、数据分析单元和需求预测分析单元,其中数据输入单元包括输入销量数据、库存数据、在途数据、促销数据、气象数据、位置数据、节日数据、时间数据等商品相关数据至第一数据处理端,进而通过第一数据处理端进行多种机器学习模型、时间序列模型进行模型Stacking,通过对一个Metamodel对多种模型进行自动融合,提供模型泛化能力;通过分位数回归算法回归得到多个分位点,得到预测置信区间,相比一般的均值回归能够了解预测的方差信息模型多种预测周期支持(短、中、长期),利用动态连接网络单元既减缓噪音影响,也起到特征选择和特征交叉的作用对弱特征数据效果显著优于传统决策树算法,对于任意机器学习任务,给定充分大网络,即可通过动态剪枝训练达到或接近最优网络结构超参数的测试效果可以针对各类业务目标设计特定损失函数做端到端训练,基于可分解(趋势+季节+节假日),可以用简单直观的参数进行高精度的时间序列预测,支持自定义季节和节假日的影响,分析出需求数据的预测,进而通过需求预测分析单元分析出需求值预测、需求分布预测、需求评级、新品需求预测。
进一步,如图3所示,业务分析模块包括业务数据单元、业务约束单元和业务目标单元。
其中,业务数据单元包括定价数据、保质期数据、在途数据、库存数据、商品主数据、成本数据、Lead-Time数据、提前期数据等数据的分析,通过输入上述数据至第二数据处理端,通过第二数据处理端进行数据处理,将处理完成的数据待与业务约束单元内部的各项数据统计进行分析结合;
其中,业务约束单元包括最小起订量、订购周期、可流动资金、排面量、业务KPI多方面的约束;
并进一步结合业务目标单元,其中业务目标单元包括实现利润的最大化、实现成本的最小化、达到最低货损、最低缺货、实现高效的库存周转和提高订单的满足率。
根据上述的业务数据单元、业务约束单元和业务目标单元的数据结合前述需求值预测、需求分布预测、需求评级、新品需求预测,制定需求分类。
进一步,如图4所示,智能补货模块包括需求分类、参数优化、补货初步策略、配补货决策、结果监测,补货初步策略根据需求分类与参数优化共同决定,参数优化包括补货周期的比对筛选与补货点的距离计算,通过数据处理器进行最优化分配,制定补货初步策略,配补货决策由补货初步策略下达补货决策,进而根据配补货策略做出操作指南报告,根据操作指南报告通过人工可控的实施或通过一键智能补货,在一键智能补货处理端设置移动端记录补货数据,在补货完成后进行补货的效果的评估,并将移动端的记录数据重新反馈至第一数据处理端,重新更新第一数据处理端内部数据,进行下一次的补货的调控。
其中,需求分类可将需求在不同供应链业态下存在不同的需求模式,分为平滑型、不稳定型、尖峰型、不常用备件型,结合各模式特征,根据每种类别的特征,实时调控保证结果最优,结合上述的参数优化,制定出最优的补货初步策略。
进一步,上述实施例中各个数据处理端使用的算法采用机器学习算法、深度学习算法、最优化算法;通过基于数据精准预测的机器学习,结合基于业务决策的最优化算法,实现智能控制的补货决策。
本发明的工作原理是:通过供应链需求预测模块,结合销量数据、库存数据、在途数据、促销数据、气象数据、位置数据、节日数据、时间数据等数据通过模型输入进行归一化数据处理,分析得出的需求值预测、需求分布预测、需求评级、新品需求预测各方面的数据结合业务分析模块得出的定价数据、保质期数据、在途数据、库存数据、商品主数据、成本数据、Lead-Time数据、提前期数据等和业务约束内部的最小订单量、订购周期、可流动资金、排面量、业务KPI各项分析数据,同时结合业务的各项制定目标,进行需求分类,做出进一步的补货初步策略,在此补货初步策略上进行补货周期与补货点的参数优化,得出最处理的配补货策略,进而根据配补货策略做出操作指南报告,根据操作指南报告通过人工可控的实施或通过一键智能补货,在补货完成后进行补货的效果的评估,最处理,将补货的评估结果反馈至供应链需求预测模块中的数据输入单元,优化下一次的补货策略,逐步提高补货效果。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于供应链需求关联的智能补货系统,其特征在于,包括供应链需求预测模块、业务分析模块和智能补货模块;
所述供应链需求预测模块用于对每个商店、每个产品的需求预测;
所述业务分析模块用于根据商品的相关信息和相关的销售目标进行数据分析并与供应链需求预测模块得出的数据,进行需求分类;
所述智能补货模块与业务分析模块、供应链需求预测模块数据连接,用于结合业务分析所得出的需求数据与供应链需求预测得出的数据进行分析,并通过需求分类进行相对应的智能补货。
2.根据权利要求1所述的一种基于供应链需求关联的智能补货系统,其特征在于,所述供应链需求预测模块包括数据输入单元、数据分析单元和需求预测分析单元;
所述数据输入单元包括输入销量数据、库存数据、在途数据、促销数据、气象数据、位置数据、节日数据、时间数据等商品相关数据
所述数据分析单元采用多模型进行数据分析与挖掘,同时在数据分析完成通过预测一致性进行修正;
所述需求预测分析单元包括需求值预测、需求分布预测、需求评级、新品需求预测。
3.根据权利要求1所述的一种基于供应链需求关联的智能补货系统,其特征在于,所述业务分析模块包括业务数据单元、业务约束单元和业务目标单元;
所述业务数据单元包括下列店铺出售商品数据:定价数据、保质期数据、在途数据、库存数据、商品主数据、成本数据、Lead-Time数据、提前期数据;
所述业务约束单元包括最小起订量、订购周期、可流动资金、排面量、业务KPI多方面的约束。
4.根据权利要求1所述的一种基于供应链需求关联的智能补货系统,其特征在于,所述智能补货模块包括需求分类、参数优化、补货初步策略、配补货决策、结果监测,所述补货初步策略根据需求分类与参数优化共同决定,所述配补货决策由补货初步策略下达补货决策;
所述需求分类在不同供应链业态下有不同的需求模式,可以分为平滑型、不稳定型、尖峰型、不常用备件型;
所述配补货决策包括操作指南报告、人工可控调整、一键智能补货,可进行人工或自动智能补货多种补货方式。
5.根据权利要求1~4任一项所述的一种基于供应链需求关联的智能补货系统,其特征在于,所采用的的算法引擎包括机器学习算法、深度学习算法、最优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910749893.2A CN110516998A (zh) | 2019-08-14 | 2019-08-14 | 一种基于供应链需求关联的智能补货系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910749893.2A CN110516998A (zh) | 2019-08-14 | 2019-08-14 | 一种基于供应链需求关联的智能补货系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516998A true CN110516998A (zh) | 2019-11-29 |
Family
ID=68625936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910749893.2A Pending CN110516998A (zh) | 2019-08-14 | 2019-08-14 | 一种基于供应链需求关联的智能补货系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516998A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382973A (zh) * | 2020-03-03 | 2020-07-07 | 舟谱数据技术南京有限公司 | 一种基于经销商传统业务的门店智能补货系统 |
CN111401636A (zh) * | 2020-03-16 | 2020-07-10 | 第四范式(北京)技术有限公司 | 实现连锁商家智能补货的方法及系统 |
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 |
CN111932189A (zh) * | 2020-09-27 | 2020-11-13 | 北京每日优鲜电子商务有限公司 | 库存相关信息显示方法、装置、电子设备和计算机介质 |
CN112184100A (zh) * | 2020-09-09 | 2021-01-05 | 北京每日优鲜电子商务有限公司 | 物品库存监控方法、装置、电子设备和计算机可读介质 |
US20210049460A1 (en) * | 2019-08-15 | 2021-02-18 | Noodle Analytics, Inc. | Deep probabilistic decision machines |
CN112884404A (zh) * | 2021-02-08 | 2021-06-01 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
CN113159558A (zh) * | 2021-04-15 | 2021-07-23 | 浙江工商职业技术学院 | 基于vr技术的跨境电商教学方法及装置 |
CN113554291A (zh) * | 2021-07-14 | 2021-10-26 | 国网上海市电力公司 | 基于需求量预测的电能表供应链监控管理方法及设备 |
CN113808325A (zh) * | 2021-09-17 | 2021-12-17 | 上海边界智能科技有限公司 | 基于区块链的智能售货装置 |
CN114118503A (zh) * | 2020-08-26 | 2022-03-01 | 上海顺如丰来技术有限公司 | 供应链库存优化方法、装置、设备和存储介质 |
WO2022041828A1 (zh) * | 2020-08-24 | 2022-03-03 | 北京沃东天骏信息技术有限公司 | 数据显示方法及装置 |
CN114548871A (zh) * | 2022-02-24 | 2022-05-27 | 深圳九章数据科技有限公司 | 一种大数据驱动的供应链ai智能补货系统 |
CN114662898A (zh) * | 2022-03-18 | 2022-06-24 | 国网山东省电力公司 | 基于多模态感知的智能快捷申领柜存优先补货分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1741053A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 物流仓储决策支持系统 |
CN106991550A (zh) * | 2016-01-21 | 2017-07-28 | 阿里巴巴集团控股有限公司 | 商品对象补货信息处理方法及装置 |
CN107909307A (zh) * | 2017-12-27 | 2018-04-13 | 李大宁 | 一种产品补调系统 |
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
- 2019-08-14 CN CN201910749893.2A patent/CN110516998A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1741053A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 物流仓储决策支持系统 |
CN106991550A (zh) * | 2016-01-21 | 2017-07-28 | 阿里巴巴集团控股有限公司 | 商品对象补货信息处理方法及装置 |
CN107909307A (zh) * | 2017-12-27 | 2018-04-13 | 李大宁 | 一种产品补调系统 |
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 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210049460A1 (en) * | 2019-08-15 | 2021-02-18 | Noodle Analytics, Inc. | Deep probabilistic decision machines |
US11966840B2 (en) * | 2019-08-15 | 2024-04-23 | Noodle Analytics, Inc. | Deep probabilistic decision machines |
CN111382973B (zh) * | 2020-03-03 | 2023-10-03 | 舟谱数据技术南京有限公司 | 一种基于经销商传统业务的门店智能补货系统 |
CN111382973A (zh) * | 2020-03-03 | 2020-07-07 | 舟谱数据技术南京有限公司 | 一种基于经销商传统业务的门店智能补货系统 |
CN111401636A (zh) * | 2020-03-16 | 2020-07-10 | 第四范式(北京)技术有限公司 | 实现连锁商家智能补货的方法及系统 |
CN111401636B (zh) * | 2020-03-16 | 2023-10-17 | 第四范式(北京)技术有限公司 | 实现连锁商家智能补货的方法及系统 |
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 |
WO2022041828A1 (zh) * | 2020-08-24 | 2022-03-03 | 北京沃东天骏信息技术有限公司 | 数据显示方法及装置 |
CN114118503A (zh) * | 2020-08-26 | 2022-03-01 | 上海顺如丰来技术有限公司 | 供应链库存优化方法、装置、设备和存储介质 |
CN112184100A (zh) * | 2020-09-09 | 2021-01-05 | 北京每日优鲜电子商务有限公司 | 物品库存监控方法、装置、电子设备和计算机可读介质 |
CN111932189A (zh) * | 2020-09-27 | 2020-11-13 | 北京每日优鲜电子商务有限公司 | 库存相关信息显示方法、装置、电子设备和计算机介质 |
CN111932189B (zh) * | 2020-09-27 | 2021-07-27 | 北京每日优鲜电子商务有限公司 | 库存相关信息显示方法、装置、电子设备和计算机介质 |
CN112884404B (zh) * | 2021-02-08 | 2023-09-05 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
CN112884404A (zh) * | 2021-02-08 | 2021-06-01 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
CN113159558A (zh) * | 2021-04-15 | 2021-07-23 | 浙江工商职业技术学院 | 基于vr技术的跨境电商教学方法及装置 |
CN113554291A (zh) * | 2021-07-14 | 2021-10-26 | 国网上海市电力公司 | 基于需求量预测的电能表供应链监控管理方法及设备 |
CN113808325A (zh) * | 2021-09-17 | 2021-12-17 | 上海边界智能科技有限公司 | 基于区块链的智能售货装置 |
CN114548871A (zh) * | 2022-02-24 | 2022-05-27 | 深圳九章数据科技有限公司 | 一种大数据驱动的供应链ai智能补货系统 |
CN114548871B (zh) * | 2022-02-24 | 2024-01-23 | 深圳九章数据科技有限公司 | 一种大数据驱动的供应链ai智能补货系统 |
CN114662898A (zh) * | 2022-03-18 | 2022-06-24 | 国网山东省电力公司 | 基于多模态感知的智能快捷申领柜存优先补货分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516998A (zh) | 一种基于供应链需求关联的智能补货系统 | |
You et al. | A decision-making framework for precision marketing | |
CN109615184A (zh) | 零售企业门店自动配货、补货、调货的方法及系统 | |
CN1741053A (zh) | 物流仓储决策支持系统 | |
CN111415193B (zh) | 基于关联商品的门店相似度的品类销售提升度计算方法 | |
CN116843156A (zh) | 一种装配式建筑构件的供应链管理与控制方法 | |
CN114548871A (zh) | 一种大数据驱动的供应链ai智能补货系统 | |
Kornienko et al. | Assessment of the economic efficiency of it application at enterprises | |
Hrybkov et al. | Development of information technology for planning order fulfillment at a food enterprise | |
Li et al. | Machine learning algorithm generated sales prediction for inventory optimization in cross-border E-commerce | |
CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
Yue et al. | Product life cycle based demand forecasting by using artificial bee colony algorithm optimized two-stage polynomial fitting | |
AU2012201530B2 (en) | Analytics value assessment toolkit | |
CN113469598A (zh) | 智慧供应链系统及服务器平台 | |
CN116433157A (zh) | 一种基于abc库管法和费马点的工程物资仓储划区方法 | |
CN106295834A (zh) | 一种零部件库存共享优化的方法 | |
Apatenko et al. | Model of optimization of materials and equipment for machinery fleet when servicing objects of reclamation systems | |
Kabirian | The economic production and pricing model with lot-size-dependent production cost | |
Nivasanon et al. | Demand forecasting for online market stock: Case study cleanroom apparel | |
Al Moteri et al. | ECONOMIC GROWTH FORECAST MODEL URBAN SUPPLY CHAIN LOGISTICS DISTRIBUTION PATH DECISION USING AN IMPROVED GENETIC ALGORITHM | |
CN116664052B (zh) | 基于人工智能的全域数字化运营管理方法及系统 | |
Zhang et al. | Automatic Pricing and Replenishment Decisions of Vegetable Products Based on Machine Learning | |
Wang et al. | Logistics cost control in food processing enterprises based on TD-ABC | |
Stüve et al. | Supply Chain Planning in the food industry | |
Wang et al. | Research on Supermarket Vegetable Sales Optimization Based on Grey Prediction Model and Differential Evolution Algorithm |
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 |
Application publication date: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |