CN110728466B - 一种新产品的目标配件需求量确定方法及计算机设备 - Google Patents

一种新产品的目标配件需求量确定方法及计算机设备 Download PDF

Info

Publication number
CN110728466B
CN110728466B CN201911019231.6A CN201911019231A CN110728466B CN 110728466 B CN110728466 B CN 110728466B CN 201911019231 A CN201911019231 A CN 201911019231A CN 110728466 B CN110728466 B CN 110728466B
Authority
CN
China
Prior art keywords
product
old
old product
demand
target
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.)
Active
Application number
CN201911019231.6A
Other languages
English (en)
Other versions
CN110728466A (zh
Inventor
邝英兰
谭泽汉
马雅奇
陈彦宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201911019231.6A priority Critical patent/CN110728466B/zh
Publication of CN110728466A publication Critical patent/CN110728466A/zh
Application granted granted Critical
Publication of CN110728466B publication Critical patent/CN110728466B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种新产品的目标配件需求量确定方法，针对与新产品具有相同目标配件的每个旧产品，基于旧产品的指标信息相对于新产品的指标信息的差异性，确定旧产品与新产品的差异程度，并基于该差异程度计算旧产品对应的权重；根据各个旧产品的需求预测模型及该旧产品对应的权重，最后利用各个旧产品对应的权重、旧产品的目标配件的历史故障率与旧产品的需求预测模型，确定新产品的目标配件的需求量。该方法提高了对新产品配件需求量预测的准确性，联立产品的需求量与配件的故障率计算目标配件的需求量，计算方法简单有效，有利于减少配件的积压风险。

Description

一种新产品的目标配件需求量确定方法及计算机设备
技术领域
本发明涉及生产管理技术领域，尤其涉及一种新产品的目标配件需求量确定方法及计算机设备。
背景技术
在现有生产管理过程中，产品配件计划的及时性和产品配件下发的准确性是对产品售后的有力保障，同时也是减少公司资金积压，减少浪费，减轻销售公司配件管理压力的重要措施。传统的配件计划模式是参考历史数据的消耗量，这种方式方便下发计划，有利于确保售后配件，但存在积压风险，极易造成呆料，而且在新产品处于介绍期时无法准确预测配件的需求量。
发明内容
本发明要解决的技术问题是：现有技术中无法准确确定新产品的配件需求量。
为解决上述技术问题，本发明提供了一种新产品的目标配件需求量确定方法、存储介质及计算机设备。
本发明的第一个方面，提供了一种新产品的目标配件需求量确定方法，其包括：
基于各个旧产品的指标信息相对于所述新产品的指标信息的差异性确定各个旧产品与新产品的差异程度，其中，所述旧产品与所述新产品具有相同的目标配件；
基于各个旧产品与新产品的差异程度计算各个旧产品对应的权重；
建立各个旧产品的需求预测模型并获取各个旧产品的目标配件的历史故障率；
根据各个旧产品的需求预测模型及各个旧产品对应的权重，确定所述新产品的需求预测模型，根据所述新产品的需求预测模型确定所述新产品的需求预测量；
基于每个旧产品对应的权重、每个旧产品的目标配件的历史故障率及所述旧产品的需求预测模型，确定所述新产品的目标配件的需求量。
优选的，基于各个旧产品的指标信息相对于所述新产品的指标信息的差异性确定各个旧产品与新产品的差异程度，包括：
对各个旧产品的指标信息相对于所述新产品的指标信息的差异性进行评估；
基于评估结果，利用组合权重的灰色关联分析模型，确定各个旧产品与新产品的差异程度。
优选的，基于各个旧产品与新产品的差异程度计算各个旧产品对应的权重，其依据以下表达式：
Figure BDA0002246653740000021
其中，Wi代表第i个旧产品对应的权重，ri代表第i个旧产品与新产品的差异程度。
优选的，组合权重的灰色关联分析模型为基于专家评估法和熵权法建立的组合权重的灰色关联分析模型。
优选的，各个旧产品的需求预测模型是利用龚柏慈曲线、时间序列或高斯回归中的任意一种模型建立。
优选的，利用龚柏慈曲线建立各个旧产品的需求预测模型，所述旧产品的需求预测模型包括：
Figure BDA0002246653740000022
其中，xi代表第i个旧产品的需求预测量，N、s、h均为待定参数，用于描述龚柏慈曲线图形的具体规律，N是耐用品销售量的极限值，h 代表基年数据与最大可能值的比率，t表示期数，s表示曲线斜率。
优选的，获取各个旧产品的目标配件的历史故障率包括：
基于贝塔分布模型确定所述旧产品的目标配件的历史故障率：
Figure BDA0002246653740000023
其中，pit代表第i个旧产品在t期数内目标配件的历史故障率，ait代表第i个旧产品在t期数内发生故障的目标配件个数，bit代表第i个旧产品在t期数内未发生故障的目标配件个数。
优选的，基于每个旧产品对应的权重、每个旧产品的目标配件的历史故障率及所述旧产品的需求预测模型，确定所述新产品的目标配件的需求量，包括：
根据所述旧产品的需求预测模型确定所述旧产品的需求预测量；
对每个旧产品的目标配件的历史故障率与所述旧产品的需求预测量的乘积进行加权求和，获得所述新产品的目标配件的需求量。
优选的，所述指标信息包括以下指标信息中的至少一种：产品质量、产品价格、产品款式、产品功能、产品的顾客群体、产品的分销渠道和产品的营销方式。
本发明的第二个方面，提供了一种存储介质，该存储介质中存储有计算机程序，该计算机程序被处理器执行时能够实现上述的新产品的目标配件需求量确定方法。
本发明的第三个方面，提供了一种计算机设备，其包括：处理器以及存储介质，该存储介质中存储有计算机程序，该计算机程序被处理器执行时能够实现上述的新产品的目标配件需求量确定方法。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
应用本发明的新产品的目标配件需求量确定方法，针对与新产品具有相同目标配件的每个旧产品，建立旧产品的需求预测模型并获取该旧产品的目标配件的历史故障率；利用旧产品的指标信息相对于新产品的指标信息的差异性确定各个旧产品与新产品的差异程度，再基于差异程度计算各个旧产品对应的权重，最后利用旧产品对应的权重、旧产品的目标配件的历史故障率与旧产品的需求预测量，确定新产品的目标配件的需求量。该方法提高了对新产品配件需求量预测的准确性，联立产品的需求量与配件的故障率计算目标配件的需求量，计算方法简单有效，有利于减少配件的积压风险
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：
图1示出了本发明实施例提供的一种新产品的目标配件需求量确定方法的流程示意图。
图2示出了本发明实施例提供的另一种新产品的目标配件需求量确定方法的流程示意图。
图3示出了本发明实施例提供的确定各个旧产品与新产品的差异程度方法的流程示意图。
图4示出了本发明实施例提供的产品生命周期曲线的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
在现有生产管理过程中，产品配件计划的及时性和产品配件下发的准确性是对产品售后的有力保障，同时也是减少公司资金积压，减少浪费，减轻销售公司配件管理压力的重要措施。传统的配件计划模式是参考历史数据的消耗量，这种方式方便下发计划，有利于确保售后配件，但存在积压风险，极易造成呆料，而且在新产品处于介绍期时无法准确预测配件的需求量。
基于此，本发明提供了一种新产品的目标配件需求量确定方法，通过针对与新产品具有相同目标配件的每个旧产品，建立旧产品的需求预测模型并获取该旧产品的目标配件的历史故障率；利用旧产品的指标信息相对于新产品的指标信息的差异性确定各个旧产品与新产品的差异程度，再基于差异程度计算各个旧产品对应的权重，最后利用旧产品对应的权重、旧产品的目标配件的历史故障率与旧产品的需求预测量，确定新产品的目标配件的需求量。该方法提高了对新产品配件需求量预测的准确性，联立产品的需求量与配件的故障率计算目标配件的需求量，计算方法简单有效，有利于减少配件的积压风险。
实施例一
图1示出了本发明实施例提供的一种新产品的目标配件需求量确定方法，如图1所述，该方法包括步骤S101至步骤S104。
在步骤S101中，基于各个旧产品的指标信息相对于新产品的指标信息的差异性确定各个旧产品与新产品的差异程度，其中，旧产品与新产品具有相同的目标配件。
该步骤可以具体为，对各个旧产品的指标信息相对于所述新产品的指标信息的差异性进行评估，基于评估结果，利用组合权重的灰色关联分析模型，确定各个旧产品与新产品的差异程度ri，ri代表第i个旧产品与新产品的差异程度。
其中，指标信息可以包括以下指标信息中的至少一种：产品质量、产品价格、产品款式、产品功能、产品的顾客群体、产品的分销渠道和产品的营销方式。采用多种指标信息对旧产品与新产品的差异性进行评估，可以综合多个方面对旧产品与新产品的差异性进行更全面的评估，可以获取出与新产品市场定位最接近并具有相同的目标配件的若干个旧产品。
在步骤S102中，基于各个旧产品与新产品的差异程度计算各个旧产品对应的权重。
计算旧产品对应的权重的表达式为：
Figure BDA0002246653740000051
其中，Wi代表第i个旧产品对应的权重。
其中，组合权重的灰色关联分析模型可以为结合主观、客观评价信息建立的灰色关联分析模型。在本申请提供的实施例中，可以为基于专家评分法和熵权法建立的组合权重的灰色关联分析模型。通过综合考虑主客观信息，可以提高灰色关联分析模型的有效性，为准确确定出各个旧产品对应的权重提供了基础。
需要说明的是，本申请提供的示例是采用了专家评分法，但本申请提供的实施例中对各个旧产品的指标信息相对于所述新产品的指标信息的差异性进行评估时，可以任意选择其他评估方法，利用评估方法可以客观量化的反映出新产品与旧产品之间的差异性。
在步骤S103中，建立各个旧产品的需求预测模型并获取各个旧产品的目标配件的历史故障率。
建立各个旧产品的需求模型可以为基于和产品的生长周期类似的曲线模型建立旧产品的需求预测模型，例如，和产品的生产周期曲线类似的龚柏慈曲线、时间序列或高斯回归模型。
作为示例，该步骤可以具体为，利用龚柏慈曲线建立各个旧产品的需求预测模型，其中，需求预测模型的表达式可以为：
Figure BDA0002246653740000052
其中，xi代表第i个旧产品的需求预测量，N、s、h均为待定参数，用于描述龚柏慈曲线图形的具体规律，N是耐用品销售量的极限值，h代表基年数据与最大可能值的比率，t表示期数，s表示曲线斜率。
另外，产品的目标配件的故障率服从二项式分布，在本申请实施例中获取各个旧产品的目标配件的历史故障率可以为，根据二项式分布，建立历史故障率服从二项式分布的共轭先验分布-贝塔分布模型，历史故障率可以通过以下公式计算：
Figure BDA0002246653740000061
其中，pit代表第i个旧产品在t期数内目标配件的历史故障率，ait代表第i个旧产品在t期数内发生故障的目标配件个数，bit代表第i个旧产品在t期数内未发生故障的目标配件个数。
在步骤S104中，基于每个旧产品对应的权重、每个旧产品的目标配件的历史故障率及旧产品的需求预测模型，确定新产品的目标配件的需求量。
具体的，可以根据旧产品的需求预测模型确定旧产品的需求预测量；对每个旧产品的目标配件的历史故障率与旧产品的需求预测量的乘积进行加权求和，获得新产品的目标配件的需求量。新产品的目标配件的需求量可以表示为：
Figure BDA0002246653740000062
以上为本申请提供的一种新产品的目标配件需求量确定方法，该方法采用专家评分法选取与新产品市场定位接近且具有相同目标配件的多个旧产品，基于评分数据，利用组合权重的灰色关联分析模型计算各个旧产品对应的权重；利用产品生命周期理论对产品需求量进行预测，通过对产品的需求预测量和历史故障率的乘积进行加权求和，计算新产品的目标配件需求量，计算方法简单有效，有利于降低积压风险。
实施例二
图2示出了本发明实施例提供的另一种新产品的目标配件需求量确定方法，如图2所示，该方法包括步骤S201至步骤S206。
在步骤S201中，采用专家评分法，基于多个指标信息对各个旧产品与新产品的差异性进行评分，并基于评分数据确定出与新产品市场定位接近且具有相同的目标配件的旧产品。
作为一优选示例，可以同时基于产品质量、产品价格、产品款式、产品功能、产品的顾客群体、产品的分销渠道和产品的营销方式多个指标信息，对各个旧产品与新产品的差异性进行评分，选取旧产品的多种指标信息进行差异性评分，有利于根据差异性评分数据选取出与新产品市场定位最接近并具有相同目标配件的旧产品。
在步骤S202中，基于评分数据，建立组合权重的灰色关联分析模型，确定各个旧产品与新产品的差异程度。
该步骤可以具体为，针对多个旧产品分别执行以下步骤S2021至步骤S2025。图3示出了本发明实施例提供的确定各个旧产品与新产品的差异程度方法的流程示意图。参见图3所示：
在步骤S2021中，对每个旧产品的各个指标信息的评分数据进行标准化处理。
其中，每个旧产品对应的各个指标信息的评分数据可以用序列zi表示，zi的分量为zij，其中，i代表第i个旧产品，j代表第j个指标信息。
作为一示例，可以利用min-max的方法对不同的指标信息的评分数据进行标准化处理，每个旧产品对应的各个指标信息的评分数据标准化后的序列
Figure BDA0002246653740000071
进行标准化处理后的评分数据更有利于后续进行有效的计算。
在步骤S2022中，计算每个指标信息的信息熵，并基于信息熵计算出每个指标信息的权重。
作为示例，每个指标信息的信息熵为Hij，每个指标信息的权重可以为
Figure BDA0002246653740000072
在步骤S2023中，从各个旧产品的评分数据标准化后的序列中选择参考序列。
其中，旧产品的各个指标信息的评分越高代表差异程度越大，作为一优选示例，在本申请实施例中选择各个指标信息的评分最低的序列作为参考序列Z0。
在步骤S2024中，计算旧产品的各个指标信息相对于参考序列的灰色关联系数。
在步骤S2025中，计算灰色关联度，得到各个旧产品与新产品的差异程度。
旧产品的各个指标信息相对于参考序列的灰色关联系数Li0可以利用现有的方法计算，为简要起见，在此不再赘述。各个旧产品与新产品的差异程度可以通每种指标的权重wi和灰色关联系数Li0计算获得，差异程度
Figure BDA0002246653740000073
在步骤S203中，根据各个旧产品与新产品的差异程度，计算各个旧产品的权重。
具体的，各个旧产品的权重可以通过下式确定：
Figure BDA0002246653740000081
在步骤S202 和步骤S203中，通过利用基于熵权法改进的灰色关联分析模型计算各个旧产品的权重，可以综合主、客观因素，更准确地计算出各个旧产品的权重。
在步骤S204中，利用龚柏慈曲线建立各个旧产品的需求预测模型。
图4示出了本发明实施例提供的产品生命周期曲线的示意图。参见图4所示，其中横坐标代表产品的期数，纵坐标代表饱和销售量，龚柏慈曲线和产品的生命周期曲线类似，作为示例，在本申请实施例中，利用龚柏慈曲线建立各个旧产品的需求预测模型，该需求预测模型可以表示为：
Figure BDA0002246653740000082
其中，xi代表第i个旧产品的需求预测量，N、s、h均为待定参数，用于描述龚柏慈曲线图形的具体规律，N是耐用品销售量的极限值，h代表基年数据与最大可能值的比率，t表示期数，s表示曲线斜率。待定参数N、s、h可通过以下公式确定：
Figure BDA0002246653740000083
Figure BDA0002246653740000084
Figure BDA0002246653740000085
利用上述公式计算出待定参数N、s、h后，可将其代入xi(t)获得基于龚柏慈曲线的需求预测模型。
在步骤S205中，建立旧产品的故障率服从二项分布的共轭先验分布-贝塔分布模型。
该步骤可以具体为，利用统计学方法分别获取各个旧产品目标配件的历史故障率pit，故障率服从二项分布，可以建立故障率服从二项分布的共轭先验分布- 贝塔分布模型，得到的故障率可以为：
Figure BDA0002246653740000086
其中，pit代表第i个旧产品在t期数内目标配件的历史故障率，ait代表第i个旧产品在t期数内发生故障的目标配件个数，bit代表第i个旧产品在t期数内未发生故障的目标配件个数。
在步骤S206中，利用旧产品的需求预测量和每个旧产品的目标配件的故障率的乘积进行加权求和，确定新产品目标配件的需求量。
具体的，新产品目标配件的需求量可以利用下式确定：
Figure BDA0002246653740000091
以上为本申请实施例提供的另一种新产品的目标配件需求量确定方法，该方法采用专家评分法选取与新产品市场定位接近且具有相同目标配件的多个旧产品，基于评分数据，利用结合熵权法改进的灰色关联分析模型计算各个旧产品对应的权重；利用符合产品生命周期理论的龚柏慈曲线对产品需求量进行预测，再根据旧产品对应的权重、旧产品的需求预测量和历史故障率，计算新产品的目标配件需求量，计算方法简单有效，有利于降低积压风险。
本申请的另一个方面，提供了一种存储介质，该存储介质中存储有计算机程序，该计算机程序被处理器执行时能够实现如下的新产品的目标配件需求量确定方法，包括：
基于各个旧产品的指标信息相对于所述新产品的指标信息的差异性确定各个旧产品与新产品的差异程度，其中，所述旧产品与所述新产品具有相同的目标配件；
基于各个旧产品与新产品的差异程度计算各个旧产品对应的权重；
建立各个旧产品的需求预测模型并获取各个旧产品的目标配件的历史故障率；
根据各个旧产品的需求预测模型及各个旧产品对应的权重，确定所述新产品的需求预测模型，根据所述新产品的需求预测模型确定所述新产品的需求预测量；
基于每个旧产品对应的权重、旧产品的目标配件的历史故障率及所述旧产品的需求预测量，确定所述新产品的目标配件的需求量。
本申请的另一个方面，提供了一种计算机设备，包括：处理器以及存储介质，该存储介质中存储有计算机程序，该计算机程序被处理器执行时能够实现上述的新产品的目标配件需求量确定方法。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种新产品的目标配件需求量确定方法，其特征在于，包括：
基于各个旧产品的指标信息相对于所述新产品的指标信息的差异性确定各个旧产品与新产品的差异程度，其中，所述旧产品与所述新产品具有相同的目标配件；
基于各个旧产品与新产品的差异程度计算各个旧产品对应的权重；
建立各个旧产品的需求预测模型并获取各个旧产品的目标配件的历史故障率；
基于每个旧产品对应的权重、每个旧产品的目标配件的历史故障率及所述旧产品的需求预测模型，确定所述新产品的目标配件的需求量；
所述基于各个旧产品与新产品的差异程度计算各个旧产品对应的权重，其依据以下表达式：
Figure FDA0003580758550000011
其中，Wi代表第i个旧产品对应的权重，ri代表第i个旧产品与新产品的差异程度。
2.根据权利要求1所述的方法，其特征在于，基于各个旧产品的指标信息相对于所述新产品的指标信息的差异性确定各个旧产品与新产品的差异程度，包括：
对各个旧产品的指标信息相对于所述新产品的指标信息的差异性进行评估；
基于评估结果，利用组合权重的灰色关联分析模型，确定各个旧产品与新产品的差异程度。
3.根据权利要求2所述的方法，其特征在于，组合权重的灰色关联分析模型为基于专家评估法和熵权法建立的组合权重的灰色关联分析模型。
4.根据权利要求1所述的方法，其特征在于，各个旧产品的需求预测模型是利用龚柏慈曲线、时间序列或高斯回归中的任意一种模型建立。
5.根据权利要求1所述的方法，其特征在于，利用龚柏慈曲线建立各个旧产品的需求预测模型，所述旧产品的需求预测模型包括：
Figure FDA0003580758550000012
其中，xi(t)代表第i个旧产品的需求预测量，N、s、h均为待定参数，用于描述龚柏慈曲线图形的具体规律，N是耐用品销售量的极限值，h代表基年数据与最大可能值的比率，t表示期数，s表示曲线斜率。
6.根据权利要求1所述的方法，其特征在于，获取各个旧产品的目标配件的历史故障率包括：
基于贝塔分布模型确定所述旧产品的目标配件的历史故障率：
Figure FDA0003580758550000021
其中，
Figure FDA0003580758550000022
代表第i个旧产品在t期数内目标配件的历史故障率，ait代表第i个旧产品在t期数内发生故障的目标配件个数，bit代表第i个旧产品在t期数内未发生故障的目标配件个数。
7.根据权利要求1所述的方法，其特征在于，基于每个旧产品对应的权重、每个旧产品的目标配件的历史故障率及所述旧产品的需求预测模型，确定所述新产品的目标配件的需求量，包括：
根据所述旧产品的需求预测模型确定所述旧产品的需求预测量；
对每个旧产品的目标配件的历史故障率与所述旧产品的需求预测量的乘积进行加权求和，获得所述新产品的目标配件的需求量。
8.根据权利要求1所述的方法，其特征在于，所述指标信息包括以下指标信息中的至少一种：产品质量、产品价格、产品款式、产品功能、产品的顾客群体、产品的分销渠道和产品的营销方式。
9.一种存储介质，其特征在于，该存储介质中存储有计算机程序，该计算机程序被处理器执行时能够实现如权利要求1至8中任一项所述的新产品的目标配件需求量确定方法。
10.一种计算机设备，其特征在于，包括：处理器以及存储器，该存储器中存储有计算机程序，该计算机程序被处理器执行时能够实现如权利要求1至8中任一项所述的新产品的目标配件需求量确定方法。
CN201911019231.6A 2019-10-24 2019-10-24 一种新产品的目标配件需求量确定方法及计算机设备 Active CN110728466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911019231.6A CN110728466B (zh) 2019-10-24 2019-10-24 一种新产品的目标配件需求量确定方法及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911019231.6A CN110728466B (zh) 2019-10-24 2019-10-24 一种新产品的目标配件需求量确定方法及计算机设备

Publications (2)

Publication Number Publication Date
CN110728466A CN110728466A (zh) 2020-01-24
CN110728466B true CN110728466B (zh) 2022-05-20

Family

ID=69221973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911019231.6A Active CN110728466B (zh) 2019-10-24 2019-10-24 一种新产品的目标配件需求量确定方法及计算机设备

Country Status (1)

Country Link
CN (1) CN110728466B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983901B (zh) * 2023-03-17 2023-06-06 山东捷瑞数字科技股份有限公司 基于数字孪生的设备配件需求量预测方法、系统及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003331087A (ja) * 2002-05-13 2003-11-21 Honda Motor Co Ltd 補修部品の需要予測システム
JP2011232950A (ja) * 2010-04-27 2011-11-17 Hitachi East Japan Solutions Ltd 需要予測装置、需要予測方法、及び需要予測プログラム
CN104573877A (zh) * 2015-01-29 2015-04-29 广州供电局有限公司 配电网设备需求量预测和定量方法及其系统
KR20170008632A (ko) * 2015-07-14 2017-01-24 삼성에스디에스 주식회사 설비 부품 사용량 예측 방법
CN109409915A (zh) * 2017-08-18 2019-03-01 厦门雅迅网络股份有限公司 汽车配件销量预测方法、终端设备及存储介质
CN109636044A (zh) * 2018-12-17 2019-04-16 优必爱信息技术（北京）有限公司 一种智能网联车配件需求预测方法
CN109740814A (zh) * 2018-12-29 2019-05-10 联想(北京)有限公司 预测方法、装置及电子设备
CN110110881A (zh) * 2019-03-21 2019-08-09 贵州电网有限责任公司 电力客户需求预测分析方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003331087A (ja) * 2002-05-13 2003-11-21 Honda Motor Co Ltd 補修部品の需要予測システム
JP2011232950A (ja) * 2010-04-27 2011-11-17 Hitachi East Japan Solutions Ltd 需要予測装置、需要予測方法、及び需要予測プログラム
CN104573877A (zh) * 2015-01-29 2015-04-29 广州供电局有限公司 配电网设备需求量预测和定量方法及其系统
KR20170008632A (ko) * 2015-07-14 2017-01-24 삼성에스디에스 주식회사 설비 부품 사용량 예측 방법
CN109409915A (zh) * 2017-08-18 2019-03-01 厦门雅迅网络股份有限公司 汽车配件销量预测方法、终端设备及存储介质
CN109636044A (zh) * 2018-12-17 2019-04-16 优必爱信息技术（北京）有限公司 一种智能网联车配件需求预测方法
CN109740814A (zh) * 2018-12-29 2019-05-10 联想(北京)有限公司 预测方法、装置及电子设备
CN110110881A (zh) * 2019-03-21 2019-08-09 贵州电网有限责任公司 电力客户需求预测分析方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向设备维修的备件库存控制研究;吴玮;《中国优秀博硕士学位论文全文数据库(硕士)-工程科技Ⅱ辑》;20160615(第6期);全文 *

Also Published As

Publication number Publication date
CN110728466A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
Richardson et al. Nowcasting GDP using machine-learning algorithms: A real-time assessment
US20240037600A1 (en) Methods and apparatus to incorporate saturation effects into marketing mix models
Sachs et al. The data-driven newsvendor with censored demand observations
CN110648026A (zh) 预测模型构建方法、预测方法、装置、设备及介质
JP5226746B2 (ja) 変数スコアリングを使用するモデル最適化システム
US20140039979A1 (en) System and Method for Demand Forecasting
CN109726865A (zh) 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
CN104574220A (zh) 基于最小二乘支持向量机的电力客户信用评估方法
Rieg Do forecasts improve over time? A case study of the accuracy of sales forecasting at a German car manufacturer
Siregar et al. Forecasting of raw material needed for plastic products based in income data using ARIMA method
Laforte Pricing models: a Bayesian DSGE approach for the US economy
CN102165442A (zh) 对用于市场份额预测的选择预测系统进行定标
CN112132618A (zh) 一种商品价格确定方法、装置、设备及可读存储介质
Rakićević et al. Focus forecasting in supply chain: the case study of fast moving consumer goods company in Serbia
CN110728466B (zh) 一种新产品的目标配件需求量确定方法及计算机设备
Matsuoka A framework for variance analysis of customer equity based on a Markov chain model
Păunică et al. The globalization in the actual context of the European Union economy
KR102217886B1 (ko) 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법
Audzeyeva et al. Forecasting customer behaviour in a multi-service financial organisation: A profitability perspective
Edward et al. Forecast model using ARIMA for stock prices of automobile sector
Tarsidin et al. Nowcasting Household Consumption and Investment in Indonesia
CN112669065B (zh) 一种快消品需求预测方法、装置、计算机设备及存储介质
Chaouch Inventory control and periodic price discounting campaigns
Akhmetbek Forecasting customer future behavior in retail business using machine learning models
Vaitkus et al. Electrical spare parts demand forecasting

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