CN110751497B - 一种商品补货方法和装置 - Google Patents
一种商品补货方法和装置 Download PDFInfo
- Publication number
- CN110751497B CN110751497B CN201810813162.5A CN201810813162A CN110751497B CN 110751497 B CN110751497 B CN 110751497B CN 201810813162 A CN201810813162 A CN 201810813162A CN 110751497 B CN110751497 B CN 110751497B
- Authority
- CN
- China
- Prior art keywords
- commodity
- sales
- future
- period
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 abstract description 14
- 230000032683 aging Effects 0.000 abstract description 5
- 230000002354 daily effect Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 16
- 238000012546 transfer Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 238000003066 decision tree Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- VEUMANXWQDHAJV-UHFFFAOYSA-N 2-[2-[(2-hydroxyphenyl)methylideneamino]ethyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCN=CC1=CC=CC=C1O VEUMANXWQDHAJV-UHFFFAOYSA-N 0.000 description 1
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005058 diapause Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明公开了一种商品补货方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据商品集合中各商品的当前销售数据,预测各商品的未来销量波动信息;根据各商品的历史销售数据,预测各商品的未来时段销量;根据各商品的未来时段销量,通过补货时机确定模型确定各商品的预补货时间;根据各商品的未来销量波动信息和预补货时间,确定各商品的实际补货时间,以按照实际补货时间对各商品补货。该实施方式能够准确判断该商品是否需要提前向前置履约仓进行备货,增加库存深度,防止促销敏感性低的商品储占用较多库存,能够降低资金成本,提高仓储效率,避免商品滞销,并可使促销敏感性高的商品提前备货,提高服务水平,提高履约时效。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种商品补货方法和装置。
背景技术
目前电商促销场景很多,促销手段使用也较为频繁,造成商品的销量波动较大,促销期服务水平不高,经常导致断货,在如今强调高时效性的履约前提下,促销期很难保证前置履约仓货物充足,带来很差的用户体验,现有的决策系统为保证在促销期和非促销期都有良好的现货率,需要增加前置仓的库存水位,导致周转(周转是指某时间段的出库总数量与该时间段库存平均数量的比)较高,也就是仓储和货物的资金占用较高。
现有的商品补货方案通过计算补货点(即满足送货提前期的货物量),判断是否需要补货,然后目标库存减去现货库存得出需要补货的量。这一方案可能因提前未备足够的货,而导致在促销期不能很好地保证服务水平,或者可能因备货过多,虽然保证了服务水平,但是促销结束后,存在商品滞销,长期占用资金和库存的问题。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
促销敏感性低的商品因提前备货较多而滞销,长期占用资金和库存,促销敏感性高的商品备货不足,导致履约时效下降,服务水平低。
发明内容
有鉴于此,本发明实施例提供一种商品补货方法和装置,能够准确判断该商品是否需要提前向前置履约仓进行备货,增加库存深度,防止促销敏感性低的商品储占用较多库存,能够降低资金成本,提高仓储效率,避免商品滞销,并可使促销敏感性高的商品提前备货,提高服务水平,提高履约时效。
为实现上述目的,根据本发明实施例的一个方面,提供了一种商品补货方法。
一种商品补货方法,包括:根据商品集合中各商品的当前销售数据,预测所述各商品的未来销量波动信息;根据所述各商品的历史销售数据,预测所述各商品的未来时段销量;根据所述各商品的未来时段销量,通过补货时机确定模型确定所述各商品的预补货时间;根据各商品的所述未来销量波动信息和所述预补货时间,确定所述各商品的实际补货时间,以按照所述实际补货时间对所述各商品补货。
可选地,根据商品集合中各商品的当前销售数据,预测所述各商品的未来销量波动信息的步骤,包括:从所述各商品的当前销售数据中提取所述各商品的多维特征数据;将所述各商品的多维特征数据输入第一预测模型,以预测所述各商品的未来销量波动信息。
可选地,根据所述各商品的历史销售数据,预测所述各商品的未来时段销量的步骤,包括:对所述各商品的历史销售数据进行预处理,得到所述各商品在第一时段和第二时段内的预处理后的历史销量;将各商品的所述预处理后的历史销量输入第二预测模型,得到所述各商品的未来时段销量。
可选地,所述各商品的历史销售数据中,每个商品在每天的历史销量均被标注一标签,所述标签指示商品在该天销量是否存在波动,对所述各商品的历史销售数据进行预处理的步骤,包括:选出所述第一时段和所述第二时段内各商品每天的历史销量,其中,如果一商品在某天的历史销量存在波动,则将该商品在该天的历史销量替换为该商品在该天的前、后两天的历史销量均值。
可选地,按照如下规则标注所述商品在每天的历史销量的标签:如果所述商品在某天的历史销量大于在该天之前预设时段内历史销量中位数的预设倍数,则所述商品在该天的历史销量对应的标签指示为存在波动;否则,所述标签指示为不存在波动。
可选地,根据所述各商品的未来时段销量,通过补货时机确定模型确定所述各商品的预补货时间的步骤,包括:根据所述各商品的未来时段销量,确定所述未来时段内各商品的未来每天销量;对于每一商品,按照补货时机确定模型确定预补货时间,所述补货时机确定模型基于以下各项构建:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品销量的标准正态分布的分位数对应的服务水平,所述服务水平通过查询该商品销量的正态分布表获得,该商品在调拨提前期的需求量、该商品在所述调拨提前期内的需求波动。
可选地,根据所述各商品的未来时段销量,通过补货时机确定模型确定所述各商品的预补货时间的步骤,包括:根据所述各商品的未来时段销量,确定所述未来时段内各商品的未来每天销量;对于每一商品,按照补货时机确定模型确定预补货时间,所述补货时机确定模型基于以下各项构建:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品在调拨提前期的需求量。
可选地,所述商品的未来销量波动信息为该商品在未来预设时间点出现销量波动的概率,且所述概率与一时长存在预设的对应关系,根据各商品的所述未来销量波动信息和所述预补货时间,确定所述各商品的实际补货时间的步骤,包括:对于每一商品,根据与该商品在所述未来预设时间点出现销量波动的概率对应的时长,得到该商品的提前补货时间;根据该商品的预补货时间与该商品的提前补货时间的差值,确定该商品的实际补货时间。
根据本发明实施例的另一方面,提供了一种商品补货装置。
一种商品补货装置,包括:销量波动预测模块,用于根据商品集合中各商品的当前销售数据,预测所述各商品的未来销量波动信息;基线销量预测模块,用于根据所述各商品的历史销售数据,预测所述各商品的未来时段销量;预补货时间确定模块,用于根据所述各商品的未来时段销量,通过补货时机确定模型确定所述各商品的预补货时间;实际补货时间确定模块,用于根据各商品的所述未来销量波动信息和所述预补货时间,确定所述各商品的实际补货时间,以按照所述实际补货时间对所述各商品补货。
可选地,所述销量波动预测模块还用于:从所述各商品的当前销售数据中提取所述各商品的多维特征数据;将所述各商品的多维特征数据输入第一预测模型,以预测所述各商品的未来销量波动信息。
可选地,所述基线销量预测模块还用于:对所述各商品的历史销售数据进行预处理,得到所述各商品在第一时段和第二时段内的预处理后的历史销量;将各商品的所述预处理后的历史销量输入第二预测模型,得到所述各商品的未来时段销量。
可选地,所述各商品的历史销售数据中,每个商品在每天的历史销量均被标注一标签,所述标签指示商品在该天销量是否存在波动,所述基线销量预测模块包括预处理子模块,用于:选出所述第一时段和所述第二时段内各商品每天的历史销量,其中,如果一商品在某天的历史销量存在波动,则将该商品在该天的历史销量替换为该商品在该天的前、后两天的历史销量均值。
可选地,还包括标签标注模块,用于按照如下规则标注所述商品在每天的历史销量的标签:如果所述商品在某天的历史销量大于在该天之前预设时段内历史销量中位数的预设倍数,则所述商品在该天的历史销量对应的标签指示为存在波动;否则,所述标签指示为不存在波动。
可选地,所述预补货时间确定模块还用于:根据所述各商品的未来时段销量,确定所述未来时段内各商品的未来每天销量;对于每一商品,按照补货时机确定模型确定预补货时间,所述补货时机确定模型基于以下各项构建:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品销量的标准正态分布的分位数对应的服务水平,所述服务水平通过查询该商品销量的正态分布表获得,该商品在调拨提前期的需求量、该商品在所述调拨提前期内的需求波动。
可选地,所述预补货时间确定模块还用于:根据所述各商品的未来时段销量,确定所述未来时段内各商品的未来每天销量;对于每一商品,按照补货时机确定模型确定预补货时间,所述补货时机确定模型基于以下各项构建:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品在调拨提前期的需求量。
可选地,所述商品的未来销量波动信息为该商品在未来预设时间点出现销量波动的概率,且所述概率与一时长存在预设的对应关系,所述实际补货时间确定模块还用于:对于每一商品,根据与该商品在所述未来预设时间点出现销量波动的概率对应的时长,得到该商品的提前补货时间;根据该商品的预补货时间与该商品的提前补货时间的差值,确定该商品的实际补货时间。
根据本发明实施例的又一方面,提供了一种电子设备。
一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现本发明提供的商品补货方法。
根据本发明实施例的又一方面,提供了一种计算机可读介质。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的商品补货方法。
上述发明中的一个实施例具有如下优点或有益效果:根据商品集合中各商品的当前销售数据,预测各商品的未来销量波动信息;根据各商品的历史销售数据,预测各商品的未来时段销量;根据各商品的未来时段销量,通过补货时机确定模型确定各商品的预补货时间;根据各商品的未来销量波动信息和预补货时间,确定各商品的实际补货时间,以按照实际补货时间对各商品补货。能够准确判断该商品是否需要提前向前置履约仓进行备货,增加库存深度,防止促销敏感性低的商品储占用较多库存,能够降低资金成本,提高仓储效率,避免商品滞销,并可使促销敏感性高的商品提前备货,提高服务水平,提高履约时效。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的商品补货方法的主要步骤示意图;
图2是根据本发明实施例的商品补货装置的主要模块示意图;
图3是本发明实施例可以应用于其中的示例性系统架构图;
图4是适于用来实现本发明实施例的服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的商品补货方法的主要步骤示意图。
如图1所示,本发明实施例的商品补货方法主要包括如下的步骤S101至步骤S104。
步骤S101:根据商品集合中各商品的当前销售数据,预测各商品的未来销量波动信息。
具体地,可以从商品集合中各商品的当前销售数据中提取各商品的多维特征数据;将各商品的多维特征数据输入第一预测模型,以预测各商品的未来销量波动信息。商品集合是需判断是否补货的商品的集合。
商品的多维特征数据可以包括商品的价格、促销信息、库存、广告位信息、销量信息等特征。
第一预测模型具体可以为梯度提升决策树模型,梯度提升决策树模型为一种基于梯度方法的树模型。第一预测模型也可以采用神经网络模型等其他机器学习模型。
以第一预测模型为梯度提升决策树模型为例,从各商品的当前销售数据中提取价格、促销信息、库存、广告位信息、销量信息等特征,进行特征加工,将特征信息数值化,构建特征矩阵,特征矩阵中每一行数据为一个商品的一组多维特征数据,将构建好的特征矩阵作为梯度提升决策树模型的输入。其中,将特征信息数值化的过程中,对于非数值型特征(即特征值不是数字),可以按照自定义的规则将特征值转换为数值,例如广告位信息可以按照广告位的位置转换为对应每个位置的数字0,1,2,……,等等。同样地,促销信息也可以按照促销的类别等,将特征值转换为与促销类别对应的数值。
通过梯度提升决策树模型进行预测之后,模型输出的商品的未来销量波动信息为该商品在未来预设时间点出现销量波动的概率。
未来预设时间点可以为未来2天,即通过梯度提升决策树模型进行预测商品在未来两天出现销量波动的概率。
商品在未来预设时间点出现销量波动的概率与一时长存在预设的对应关系。
例如,可以把[0,1]区间内商品在未来两天出现销量波动的概率划分为5档(对应5个概率标签1~5),每0.2为一档,每一档概率区间对应一个时长,该时长为商品的提前补货时间,在商品销售场景中,商品的提前补货时间可以根据商品销售数据进行统计分析而得到,从而每一档概率区间对应的时长即根据商品销售数据进行统计分析而得到。具体对应关系可以如表1所示,k表示时长。
表1
概率值 | [0,0.2) | [0.2,0.4) | [0.4,0.6) | [0.6,0.8) | [0.8,1] |
概率标签 | 1 | 2 | 3 | 4 | 5 |
k | 0.5 | 1 | 1.5 | 2 | 2.5 |
在通过本发明实施例的第一预测模型预测商品的未来销量波动信息之前,需要对模型进行训练。以下以训练梯度提升决策树模型为例来介绍。
首先对商品的销量波动进行定义,定义当天销量大于该天之前的预设时段内历史销量中位数的预设倍数时,商品的该当前销量存在销量波动。本发明实施例预设倍数为2.5倍,该天之前的预设时段可以选取该天之前的14天,根据业务需要,该预设倍数和该预设时段也可以调整为其他数值。
在训练阶段,对商品历史销售数据中每个商品历史销量进行打标(即标注销量波动标签),以对过去90天的历史销量打标为例,即对于每一商品,在过去的90天中,对每天的历史销量标注标签,其中,如果商品在某天的历史销量大于在该天之前的14天历史销量中位数的2.5倍,则标注该商品在该天的历史销量对应的标签指示为存在波动;否则,标签指示为不存在波动。具体地,存在波动(销量波动)可以标注为1,不存在波动可以标注为0。
各商品的历史销售数据中提取价格、促销信息、库存、广告位信息、销量信息等特征,进行特征加工,将特征信息数值化,构建模型训练用的特征矩阵,根据该特征矩阵和打标的商品的历史销量,训练梯度提升决策树模型。以n*m的特征矩阵为例,该特征矩阵与历史销量标签向量的关系式如下:
其中,Aij表示第i个商品的第j个特征,i∈(1,n);j∈(1,m),m表示多维特征的维度数(即特征的个数),n为商品数量,m和n为正整数,labeli为第i个商品的销量波动标签,即存在波动为1,不存在波动为0。在训练时,将n*m的特征矩阵输入梯度提升决策树模型,以上述关系式作为训练数据,利用标注的各商品在过去90天中每一天的历史销量的销量波动标签,不断训练梯度提升决策树模型。
其中,训练过程中,预测出的销量波动标签可以根据梯度提升决策树模型输出的概率值,即被作为训练数据的商品在未来两天出现销量波动的概率的大小来确定。具体地,该概率值大于0.5时,label(销量波动标签)为1,概率值小于或等于0.5时,label为0。概率值与销量波动标签值的对应关系也可以根据需要自定义其他的对应关系。
步骤S102:根据各商品的历史销售数据,预测各商品的未来时段销量。
具体地,可以对各商品的历史销售数据进行预处理,得到各商品在第一时段和第二时段内的预处理后的历史销量;将各商品的预处理后的历史销量输入第二预测模型,得到各商品的未来时段销量。
第二预测模型具体为时间序列回归模型。
并且,第一时段、第二时段以及未来时段包括的天数相同,且三者之间的时序关系满足:以第n时段表示未来时段,则第一时段为第n-1时段,第二时段为第n-2时段(n为大于2的整数)。例如预测的为商品下周销量,则第一时段的历史销量为本周历史销量,第二时段的历史销量为上周历史销量。
上文已经介绍,商品历史销售数据中,每个商品在每天的历史销量均被标注一标签,即销量波动标签,该标签指示商品在该天销量是否存在波动。标注规则为:如果商品在某天的历史销量大于在该天之前预设时段内历史销量中位数的预设倍数,则标注该商品在该天的历史销量对应的标签指示为存在波动;否则,标签指示为不存在波动。
参照该销量波动标签,可以对各商品的历史销售数据进行预处理。具体地,即选出上述的第一时段和第二时段内各商品每天的历史销量,其中,如果一商品在某天的历史销量的标签指示为存在波动(即label=1),则将该商品在该天的历史销量替换为该商品在该天的前、后两天的历史销量均值。
以预测商品下周销量为例,则对过去两周(即本周和上周)的历史销量数据进行预处理,即把本周和上周所有label=1的一天的历史销量替换为该天前、后两天的历史销量均值,得到本周和上周预处理后的历史销量,将该预处理后的历史销量输入时间序列回归模型,执行如下预测运算:
salen,i=θi*salen-1,i+βi*salen-2,i+εi
其中,salen,i表示第i个商品的待预测的下周销量,salen-1,i表示第i个商品本周历史销量,salen-2,i表示第i个商品上周历史销量,θi、βi、εi为模型参数,各参数的具体数值通过对第二预测模型训练得到。
在对第二预测模型的训练阶段,可以以过去的多组连续三周的历史销售数据作为训练数据,连续三周中前两周的历史销售数据作为模型训练时的输入,第三周的历史销售数据作为真值,不断地对该模型进行训练。并且,对训练数据也需要按照上述预处理的方法,对label=1的各天历史销量进行上述替换处理。
步骤S103:根据各商品的未来时段销量,通过补货时机确定模型确定各商品的预补货时间。
可以根据各商品的未来时段销量,确定未来时段内各商品的未来每天销量。具体地,将商品的未来时段销量除以未来时段的天数,即得到商品的未来每天销量。以未来时段为一周为例,商品的未来每天销量为商品的未来一周销量除以7。
在实施方式一中,对于每一商品,补货时机确定模型基于以下各项构建:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品销量的标准正态分布的分位数对应的服务水平,所述服务水平通过查询该商品销量的正态分布表获得,该商品在调拨提前期的需求量、该商品在调拨提前期内的需求波动。
具体地,可以按照如下的补货时机确定模型确定预补货时间:
其中,RO表示该商品的预补货时间,dt表示未来第t天的销量,表示该商品在第三时段内的历史销量均值,inv为该商品当前库存,α为该商品销量的标准正态分布的分位数,zα为α对应的服务水平,所述服务水平通过查询该商品销量的正态分布表获得,ALT为该商品的调拨提前期,/>为该商品在调拨提前期的需求量,/>为该商品在调拨提前期内的需求波动。
在实施方式二中,对于每一商品,补货时机确定模型基于以下各项构建:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品在调拨提前期的需求量。
具体地,可以按照如下的补货时机确定模型确定预补货时间:
其中,RO表示该商品的预补货时间,dt表示未来第t天的销量,表示该商品在第三时段内的历史销量均值,inv为该商品当前库存,ALT为该商品的调拨提前期,/>为该商品在调拨提前期的需求量。
商品的预补货时间表示商品预测出的还需要等待补货的天数,例如某商品的预补货时间为5天,则表示预测出该商品还需要等待5天再进行补货。如果RO小于或等于零,则表示预测出该商品目前就需要补货。
上述的第三时段的具体时间长度可以根据需求设定,例如,可以设置为过去的14天,从而该商品在第三时段内的历史销量均值即历史14天销量均值。
上述的ALT(调拨提前期)是每一商品均对应的一个参数,每一商品的调拨提前期是根据该商品在调拨过程中,实际调拨提前的期限进行累积概率分布而得出的,各商品的调拨提前期可以相同或者不同。
实施方式二去掉了安全库存波动项,即去掉了商品在调拨提前期内的需求波动,从而可以不考虑需求波动,在同等条件下,实施方式二相比于实施方式一得到的RO值更大,从而可以降低安全库存水位,并保持较高的现货率(现货率是指不缺货天数与总天数的比值)。
步骤S104:根据各商品的未来销量波动信息和预补货时间,确定各商品的实际补货时间,以按照实际补货时间对各商品补货。
其中,对于每一商品,可以根据与该商品在未来预设时间点出现销量波动的概率对应的时长,得到该商品的提前补货时间,再根据该商品的预补货时间与该商品的提前补货时间的差值,确定该商品的实际补货时间。
商品的提前补货时间表示该商品需额外提前补货的天数,例如,某商品的提前补货时间为2天,则表示该商品需要额外提前2天进行补货。
商品的实际补货时间表示商品实际还需要等待补货的天数,例如某商品的预补货时间为5天,提前补货时间为2天,即,预测出该商品还需要等待5天再进行补货,且该商品需要额外提前2天进行补货,那么该商品的实际补货时间为:5-2=3天,即实际再等待3天就需要对该商品进行补货。商品的实际补货时间的计算公式如下:
F=RO-k
其中,F为商品的实际补货时间,RO为商品的预补货时间,k为商品的提前补货时间,即表1中的k值。当F小于或等于零时,表示商品当前需要进行补货。
按照各商品的实际补货时间对各商品补货。例如,某商品的实际补货时间为3天,则在当前时间的3天之后,按照补货量对该商品补货,一商品的补货量的计算方法为:
补货量=BP*天预测销量-商品当前库存;
其中,BP(即buy period,购买周期)天数作为补货周期,可以人为根据实际业务经验来设置和调整,例如设置BP=7天。天预测销量即该商品的未来每天销量,商品当前库存可以通过读取仓库商品的库存记录得到。
本发明实施例在确定商品的实际补货时间是考虑了商品的提前补货时间的因素,并且商品的提前补货时间是根据该商品在未来预设时间点出现销量波动的概率来确定的,从而在补货时可以根据商品的促销敏感性来进行实际的补货操作,例如出现销量波动的概率较大商品,说明其促销敏感性高,相应的提前补货时间长,参照预测出的预补货时间和提前补货时间来确定商品的实际补货时间,防止促销敏感性低的商品储占用较多库存,能够降低资金成本,提高仓储效率,避免商品滞销,并可使促销敏感性高的商品提前备货,提高服务水平,提高履约时效。
在规模庞大的零售商的库存决策系统等场景中,使用本发明实施例的商品补货方法可以科学准确地预测商品促销带来的波动,提前向前置履约仓(指仓储物流中最前置的物流仓储节点)补货,保证了履约时效性,又能在非商品促销期保持较低的库存水位,加快货物流转,降低资金占用。
图2是根据本发明实施例的商品补货装置的主要模块示意图。
如图2所示,本发明实施例的商品补货装置200主要包括:销量波动预测模块201、基线销量预测模块202、预补货时间确定模块203、实际补货时间确定模块204。
销量波动预测模块201,用于根据商品集合中各商品的当前销售数据,预测各商品的未来销量波动信息。
销量波动预测模块201具体可以用于:
从各商品的当前销售数据中提取各商品的多维特征数据;
将各商品的多维特征数据输入第一预测模型,以预测各商品的未来销量波动信息。
基线销量预测模块202,用于根据各商品的历史销售数据,预测各商品的未来时段销量。
基线销量预测模块202具体可以用于:
对各商品的历史销售数据进行预处理,得到各商品在第一时段和第二时段内的预处理后的历史销量;
将各商品的预处理后的历史销量输入第二预测模型,得到各商品的未来时段销量。
各商品的历史销售数据中,每个商品在每天的历史销量均被标注一标签,即销量波动标签,该标签指示商品在该天销量是否存在波动,例如标签label=1表示存在波动,label=0表示不存在波动。
商品补货装置200可以包括标签标注模块,用于按照如下规则标注商品在每天的历史销量的标签:
如果商品在某天的历史销量大于在该天之前预设时段内历史销量中位数的预设倍数,则商品在该天的历史销量对应的标签指示为存在波动;否则,标签指示为不存在波动。
基线销量预测模块202可以包括预处理子模块,用于:
选出第一时段和第二时段内各商品每天的历史销量,其中,如果一商品在某天的历史销量存在波动,则将该商品在该天的历史销量替换为该商品在该天的前、后两天的历史销量均值。
预补货时间确定模块203,用于根据各商品的未来时段销量,通过补货时机确定模型确定各商品的预补货时间。
在一个实施方式中,预补货时间确定模块203具体可以用于:
根据各商品的未来时段销量,确定未来时段内各商品的未来每天销量;
对于每一商品,按照基于以下各项构建的补货时机确定模型确定预补货时间:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品销量的标准正态分布的分位数对应的服务水平,所述服务水平通过查询该商品销量的正态分布表获得,该商品在调拨提前期的需求量、该商品在调拨提前期内的需求波动。
具体地,可以按照如下的补货时机确定模型确定预补货时间:
其中,RO表示该商品的预补货时间,dt表示未来第t天的销量,表示该商品在第三时段内的历史销量均值,inv为该商品当前库存,α为该商品销量的标准正态分布的分位数,zα为α对应的服务水平,所述服务水平通过查询该商品销量的正态分布表获得,ALT为该商品的调拨提前期,/>为该商品在所述调拨提前期的需求量,/>为该商品在所述调拨提前期内的需求波动。
在另一个实施方式中,预补货时间确定模块203具体可以用于:
根据各商品的未来时段销量,确定未来时段内各商品的未来每天销量;
对于每一商品,按照基于以下各项构建的补货时机确定模型确定预补货时间:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品在调拨提前期的需求量。
具体地,可以按照如下的补货时机确定模型确定预补货时间:
其中,RO表示该商品的预补货时间,dt表示未来第t天的销量,表示该商品在第三时段内的历史销量均值,inv为该商品当前库存,ALT为该商品的调拨提前期,/>为该商品在所述调拨提前期的需求量。
实际补货时间确定模块204,用于根据各商品的未来销量波动信息和预补货时间,确定各商品的实际补货时间,以按照实际补货时间对各商品补货。
商品的未来销量波动信息为该商品在未来预设时间点出现销量波动的概率,且该概率与一时长存在预设的对应关系,具体可以参加表1。
实际补货时间确定模块204具体可以用于:
对于每一商品,
根据与该商品在未来预设时间点出现销量波动的概率对应的时长,得到该商品的提前补货时间;根据该商品的预补货时间与该商品的提前补货时间的差值,确定该商品的实际补货时间;
按照各商品的实际补货时间对各商品补货,具体按照补货量对该商品补货,一商品的补货量的计算方法为:
补货量=BP*天预测销量-商品当前库存;
其中,BP(即buy period,购买周期)天数作为补货周期,天预测销量即该商品的未来每天销量,商品当前库存可以通过读取仓库商品的库存记录得到。
另外,在本发明实施例中商品补货装置的具体实施内容,在上面所述商品补货方法中已经详细说明了,故在此重复内容不再说明。
图3示出了可以应用本发明实施例的商品补货方法或商品补货装置的示例性系统架构300。
如图3所示,系统架构300可以包括终端设备301、302、303,网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、303通过网络304与服务器305交互,以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器,例如对用户利用终端设备301、302、303所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的商品信息查询请求等数据进行分析等处理,并将处理结果(例如商品信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的商品补货方法一般由服务器305执行,相应地,商品补货装置一般设置于服务器305中。
应该理解,图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图4,其示出了适于用来实现本申请实施例的服务器的计算机系统400的结构示意图。图4示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本发明公开的实施例,上文参考主要步骤示意图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤示意图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的主要步骤示意图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,主要步骤示意图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或主要步骤示意图中的每个方框、以及框图或主要步骤示意图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括销量波动预测模块201、基线销量预测模块202、预补货时间确定模块203、实际补货时间确定模块204。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,销量波动预测模块201还可以被描述为“用于根据商品集合中各商品的当前销售数据,预测各商品的未来销量波动信息的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:根据商品集合中各商品的当前销售数据,预测所述各商品的未来销量波动信息;根据所述各商品的历史销售数据,预测所述各商品的未来时段销量;根据所述各商品的未来时段销量,通过补货时机确定模型确定所述各商品的预补货时间;根据各商品的所述未来销量波动信息和所述预补货时间,确定所述各商品的实际补货时间,以按照所述实际补货时间对所述各商品补货。
根据本发明实施例的技术方案,根据商品集合中各商品的当前销售数据,预测各商品的未来销量波动信息;根据各商品的历史销售数据,预测各商品的未来时段销量;根据各商品的未来时段销量,通过补货时机确定模型确定各商品的预补货时间;根据各商品的未来销量波动信息和预补货时间,确定各商品的实际补货时间,以按照实际补货时间对各商品补货。能够准确判断该商品是否需要提前向前置履约仓进行备货,增加库存深度,防止促销敏感性低的商品储占用较多库存,能够降低资金成本,提高仓储效率,避免商品滞销,并可使促销敏感性高的商品提前备货,提高服务水平,提高履约时效。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种商品补货方法,其特征在于,包括:
根据商品集合中各商品的当前销售数据,预测所述各商品的未来销量波动信息;
根据所述各商品的历史销售数据,预测所述各商品的未来时段销量;
根据所述各商品的未来时段销量,通过补货时机确定模型确定所述各商品的预补货时间;
根据各商品的所述未来销量波动信息和所述预补货时间,确定所述各商品的实际补货时间,以按照所述实际补货时间对所述各商品补货;
所述根据所述各商品的未来时段销量,通过补货时机确定模型确定所述各商品的预补货时间的步骤,包括:
根据所述各商品的未来时段销量,确定所述未来时段内各商品的未来每天销量;
对于每一商品,按照补货时机确定模型确定预补货时间,所述补货时机确定模型基于以下各项构建:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品销量的标准正态分布的分位数对应的服务水平,所述服务水平通过查询该商品销量的正态分布表获得,该商品在调拨提前期的需求量、该商品在所述调拨提前期内的需求波动;
所述商品的未来销量波动信息为该商品在未来预设时间点出现销量波动的概率,且所述概率与一时长存在预设的对应关系,
根据各商品的所述未来销量波动信息和所述预补货时间,确定所述各商品的实际补货时间的步骤,包括:
对于每一商品,
根据与该商品在所述未来预设时间点出现销量波动的概率对应的时长,得到该商品的提前补货时间;
根据该商品的预补货时间与该商品的提前补货时间的差值,确定该商品的实际补货时间。
2.根据权利要求1所述的方法,其特征在于,根据商品集合中各商品的当前销售数据,预测所述各商品的未来销量波动信息的步骤,包括:
从所述各商品的当前销售数据中提取所述各商品的多维特征数据;
将所述各商品的多维特征数据输入第一预测模型,以预测所述各商品的未来销量波动信息。
3.根据权利要求1所述的方法,其特征在于,根据所述各商品的历史销售数据,预测所述各商品的未来时段销量的步骤,包括:
对所述各商品的历史销售数据进行预处理,得到所述各商品在第一时段和第二时段内的预处理后的历史销量;
将各商品的所述预处理后的历史销量输入第二预测模型,得到所述各商品的未来时段销量。
4.根据权利要求3所述的方法,其特征在于,所述各商品的历史销售数据中,每个商品在每天的历史销量均被标注一标签,所述标签指示商品在该天销量是否存在波动,
对所述各商品的历史销售数据进行预处理的步骤,包括:
选出所述第一时段和所述第二时段内各商品每天的历史销量,其中,如果一商品在某天的历史销量存在波动,则将该商品在该天的历史销量替换为该商品在该天的前、后两天的历史销量均值。
5.根据权利要求4所述的方法,其特征在于,按照如下规则标注所述商品在每天的历史销量的标签:
如果所述商品在某天的历史销量大于在该天之前预设时段内历史销量中位数的预设倍数,则所述商品在该天的历史销量对应的标签指示为存在波动;否则,所述标签指示为不存在波动。
6.一种商品补货装置,其特征在于,包括:
销量波动预测模块,用于根据商品集合中各商品的当前销售数据,预测所述各商品的未来销量波动信息;
基线销量预测模块,用于根据所述各商品的历史销售数据,预测所述各商品的未来时段销量;
预补货时间确定模块,用于根据所述各商品的未来时段销量,通过补货时机确定模型确定所述各商品的预补货时间;
实际补货时间确定模块,用于根据各商品的所述未来销量波动信息和所述预补货时间,确定所述各商品的实际补货时间,以按照所述实际补货时间对所述各商品补货;
所述预补货时间确定模块还用于:
根据所述各商品的未来时段销量,确定所述未来时段内各商品的未来每天销量;
对于每一商品,按照补货时机确定模型确定预补货时间,所述补货时机确定模型基于以下各项构建:该商品未来每天销量、该商品在第三时段内的历史销量均值、该商品当前库存、该商品销量的标准正态分布的分位数对应的服务水平,所述服务水平通过查询该商品销量的正态分布表获得,该商品在调拨提前期的需求量、该商品在所述调拨提前期内的需求波动;
所述商品的未来销量波动信息为该商品在未来预设时间点出现销量波动的概率,且所述概率与一时长存在预设的对应关系,
所述实际补货时间确定模块还用于:
对于每一商品,
根据与该商品在所述未来预设时间点出现销量波动的概率对应的时长,得到该商品的提前补货时间;
根据该商品的预补货时间与该商品的提前补货时间的差值,确定该商品的实际补货时间。
7.根据权利要求6所述的装置,其特征在于,所述销量波动预测模块还用于:
从所述各商品的当前销售数据中提取所述各商品的多维特征数据;
将所述各商品的多维特征数据输入第一预测模型,以预测所述各商品的未来销量波动信息。
8.根据权利要求6所述的装置,其特征在于,所述基线销量预测模块还用于:
对所述各商品的历史销售数据进行预处理,得到所述各商品在第一时段和第二时段内的预处理后的历史销量;
将各商品的所述预处理后的历史销量输入第二预测模型,得到所述各商品的未来时段销量。
9.根据权利要求8所述的装置,其特征在于,所述各商品的历史销售数据中,每个商品在每天的历史销量均被标注一标签,所述标签指示商品在该天销量是否存在波动,
所述基线销量预测模块包括预处理子模块,用于:
选出所述第一时段和所述第二时段内各商品每天的历史销量,其中,如果一商品在某天的历史销量存在波动,则将该商品在该天的历史销量替换为该商品在该天的前、后两天的历史销量均值。
10.根据权利要求9所述的装置,其特征在于,还包括标签标注模块,用于按照如下规则标注所述商品在每天的历史销量的标签:
如果所述商品在某天的历史销量大于在该天之前预设时段内历史销量中位数的预设倍数,则所述商品在该天的历史销量对应的标签指示为存在波动;否则,所述标签指示为不存在波动。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810813162.5A CN110751497B (zh) | 2018-07-23 | 一种商品补货方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810813162.5A CN110751497B (zh) | 2018-07-23 | 一种商品补货方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751497A CN110751497A (zh) | 2020-02-04 |
CN110751497B true CN110751497B (zh) | 2024-06-21 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122928A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 一种供应链资源需求计划配置方法及装置 |
CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、系统及存储介质 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122928A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 一种供应链资源需求计划配置方法及装置 |
CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880084A (zh) | 一种仓库补货的方法和装置 | |
CN110555578B (zh) | 一种销量预测方法和装置 | |
CN109961198B (zh) | 关联信息生成方法和装置 | |
CN113128932B (zh) | 仓库备货处理方法、装置、存储介质与电子设备 | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
CN111932188B (zh) | 用于库存管理的方法、电子设备和存储介质 | |
CN110276652A (zh) | 用于推送信息的方法和装置 | |
CN112215530A (zh) | 选仓方法和装置 | |
CN113988768B (zh) | 一种库存的确定方法和装置 | |
CN113793081A (zh) | 仓储监控方法、装置、计算机可读介质及电子设备 | |
CN114663015A (zh) | 补货方法和装置 | |
CN110956417A (zh) | 一种门店商品处理方法和装置 | |
CN112784212B (zh) | 一种优化库存的方法和装置 | |
CN113780611A (zh) | 一种库存管理方法和装置 | |
CN110751497B (zh) | 一种商品补货方法和装置 | |
CN110956478A (zh) | 确定物品进货量的方法和装置 | |
CN114677174A (zh) | 一种计算未上架物品销量的方法和装置 | |
CN110880119A (zh) | 一种数据处理方法和装置 | |
CN112418898A (zh) | 基于多时间窗口融合的物品需求数据分析方法和装置 | |
CN110751497A (zh) | 一种商品补货方法和装置 | |
CN110084541B (zh) | 用于预测供应商送货时长的方法和装置 | |
CN113379173A (zh) | 为仓库商品标记标签的方法和装置 | |
CN110738538B (zh) | 识别相似物品的方法和装置 | |
CN111126722A (zh) | 一种基于微信小程序商品盘点的方法 | |
CN110827047A (zh) | 动态定价方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |