CN110858337A - 一种生成配置信息的方法和装置 - Google Patents

一种生成配置信息的方法和装置 Download PDF

Info

Publication number
CN110858337A
CN110858337A CN201810971940.3A CN201810971940A CN110858337A CN 110858337 A CN110858337 A CN 110858337A CN 201810971940 A CN201810971940 A CN 201810971940A CN 110858337 A CN110858337 A CN 110858337A
Authority
CN
China
Prior art keywords
channel
commodity
demand
order
under
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
Application number
CN201810971940.3A
Other languages
English (en)
Inventor
李学峰
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information 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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810971940.3A priority Critical patent/CN110858337A/zh
Publication of CN110858337A publication Critical patent/CN110858337A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • G06Q10/08—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
    • G06Q30/0206—Price or cost determination based on market factors

Landscapes

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

Abstract

本发明公开了一种生成配置信息的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：确定商品在指定渠道下的优化价格、需求量上限、销量预测值和订单量预测值；将所述优化价格、需求量上限、销量预测值和订单量预测值，输入该渠道下的最大化所述商品所在订单的利润和整单满足率的最优化模型，求解该最优化模型以确定商品在指定渠道下的库存分配和派单配置。该实施方式能够针对全渠道零售模式进行有效的商品配置管理。

Description

一种生成配置信息的方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种生成配置信息的方法和装置。
背景技术
目前，全渠道零售模式正在被广泛关注并采用。对于顾客来说，全渠道意味着能够在任何时候、任何地点、任何方式进行购买，并以尽可能最便捷的方式收到货物。对于零售商来说，全渠道意味着整合所有的渠道，给顾客提供各渠道无缝衔接的购物体验。这些渠道包括：实体店、网店、直邮、手机商店等等。在全渠道零售模式中，顾客的消费行为不限于单一地使用线下、线上渠道中的某一种，还可以交替地出现在多种渠道中，零售商采用的销售模式不仅包括单一线上/线下销售渠道，还包括线上下单、线下履约的销售渠道，以及线下下单、线上履约的销售渠道。同一消费者在任何一个渠道中都有统一且唯一的身份。因为各渠道信息的共享，使得顾客能够享受到统一的服务体验，不会感受到各渠道之间壁垒的存在。
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：合理的配置库存的商品分配和容量，可以最大化零售商的收益，避免商品销售过程中库存缺货的现象发生，为客户提供良好的用户体验。但是，由于全渠道零售模式目前处于发展的早期，对于商品的配置管理方面还相对薄弱，目前还没有针对全渠道零售模式的，有效的生成配置信息的方法。
因此，亟需一种针对全渠道零售模式的，能够有效的对商品进行配置的生成配置信息的方法和装置。
发明内容
有鉴于此，本发明实施例提供一种生成配置信息的方法和装置，能够针对全渠道零售模式进行有效的商品配置管理。
为实现上述目的，根据本发明实施例的一个方面，提供了一种生成配置信息的方法，包括：
确定商品在指定渠道下的优化价格、需求量上限、销量预测值和订单量预测值；
将所述优化价格、需求量上限、销量预测值和订单量预测值，输入该渠道下的最大化所述商品所在订单的利润和整单满足率的最优化模型，求解该最优化模型以确定商品在指定渠道下的库存分配和派单配置。
可选的，当商品的库存量不满足订单对商品的需求量的情形下，不发出针对订单的配送时，所述最大化所述商品所在订单的利润和整单满足率的最优化模型包括：
Figure BDA0001776424130000021
Figure BDA0001776424130000022
Figure BDA0001776424130000024
Figure BDA0001776424130000025
Figure BDA0001776424130000026
Figure BDA0001776424130000027
Figure BDA0001776424130000028
其中，Kc为渠道c所能存放的商品品类集合，编号为k，Gc为渠道c所有品类包含的商品集合，编号为g，Gk c为渠道c下品类k包含的商品集合，k属于Kc，Jc为渠道c下订单集合，编号为j，Nk c为渠道c下品类k的最大库存数目，Bj c为渠道c下订单j所需商品的品类集合，Ag c为渠道c下商品g的预测销量，g属于Gc，agj c为渠道c下订单j对商品g的需求量，qg c为渠道c下商品g的需求量上限，Mc为渠道c的所有商品的库存上限，pg c为渠道c下商品g的线下销售价，rg c为渠道c下商品g的毛利率，ηg c为渠道c下商品g的资金月利率，δg c为渠道c下商品g的拨备率，ζj c为在渠道c下配送订单j的收益，Cc为渠道c的库存成本，wg c表示商品g是否存放在渠道c对应的仓库中，ugj c表示是否发出渠道c下商品g以满足订单j，oj c表示是否发出针对渠道c下订单j的配送，sg c表示商品g在渠道c下仓库中的库存数量，
wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c和oj c确定商品g所在订单j的派单配置。
可选的，当商品的库存量不满足订单对商品的需求量的情形下，仍可发出针对订单的配送时，所述最大化所述商品所在订单的利润和整单满足率的最优化模型包括：
Figure BDA0001776424130000031
Figure BDA0001776424130000032
Figure BDA0001776424130000033
Figure BDA0001776424130000034
Figure BDA0001776424130000035
Figure BDA0001776424130000036
Figure BDA0001776424130000037
Figure BDA0001776424130000038
Figure BDA0001776424130000039
其中，Kc为渠道c所能存放的商品品类集合，编号为k，Gc为渠道c所有品类包含的商品集合，编号为g，Gk c为渠道c下品类k包含的商品集合，k属于Kc，Jc为渠道c下订单集合，编号为j，Nk c为渠道c下品类k的最大库存数目，Bj c为渠道c下订单j所需商品的品类集合，Ag c为渠道c下商品g的预测销量，g属于Gc，agj c为渠道c下订单j对商品g的需求量，qg c为渠道c下商品g的需求量上限，Mc为渠道c的所有商品的库存上限，pg c为渠道c下商品g的线下销售价，rg c为渠道c下商品g的毛利率，ηg c为渠道c下商品g的资金月利率，δg c为渠道c下商品g的拨备率，ζj c为在渠道c下配送订单j的收益，Cc为渠道c的库存成本，wg c表示商品g是否存放在渠道c对应的仓库中，ugj c表示是否发出渠道c下商品g以满足订单j，oj c表示是否发出针对渠道c下订单j的配送，sg c表示商品g在渠道c下仓库中的库存数量，xgj c表示针对订单j中商品g的实际配送量，
xgj c、wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c、xgj c和oj c确定商品g所在订单j的派单配置。
进一步的，确定商品在指定渠道下的优化价格和需求量上限包括：
确定商品所属的类别，所述商品所属的类别包括：季节商品、易腐商品与一般商品，其中，易腐商品的折余值为零，一般商品的折余值大于易腐商品的折余值且小于季节商品的折余值；
确定商品在指定渠道下的需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子；
将所述需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子输入该商品所属类别的最大化所有渠道的商品利润的最优化模型，求解该最优化模型以确定所述商品在指定渠道下的优化价格和需求量上限。
可选的，当所述商品属于季节商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure BDA0001776424130000041
Mi 0(pi,zi)＝(pi-c-di)E[min{qi,Di(pi)}]；
当所述商品属于易腐商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure BDA0001776424130000051
Mi 1(pi,zi)＝(pi-di)E[min{qi,Di(pi)}]-cyi(pi)zi；
当所述商品属于一般商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure BDA0001776424130000052
Mi 2(pi,zi)＝(pi-c-di)yi(pi)[zi-Λi(zi)]-γcE[max{0,qi-Di(pi)}]；
其中，
Figure BDA0001776424130000053
M0(p,z)、M1(p,z)和M2(p,z)分别为季节商品、易腐商品和一般商品在所有渠道下的预期总利润，Mi 0(pi,zi)、Mi 1(pi,zi)和Mi 2(pi,zi)分别为季节商品、易腐商品和一般商品在渠道i下的预期利润，c为单位商品的生产成本，di为在渠道i下单位商品的物流成本，pi为在渠道i下单位商品的价格，qi为在渠道i下商品的需求量上限，pi和qi为决策变量，Di(pi)为在渠道i下商品的需求函数，bi为在渠道i下商品的需求价格弹性系数，zi为在渠道i下商品的库存因子，zi＝qi/yi(pi)，yi(pi)为在渠道i下商品的指定递减函数。
可选的，确定商品在指定渠道下的需求函数和需求膨胀因子包括：
确定渠道i下的需求膨胀因子∈i为[Ai,Bi]上的随机变量，0≤Ai<Bi，∈i的均值μi>0，令hi(∈i)＝fi(∈i)/(1-Fi(∈i))，则d(∈ihi(∈i))/d∈i＝hi(∈i)+∈idhi(∈i)/d∈i>0，fi(∈i)为需求膨胀因子∈i的概率密度函数，Fi(∈i)为需求膨胀因子∈i的分布函数；
确定渠道i下的商品的需求函数Di(pi)＝yi(pi)+∈i，或Di(pi)＝yi(pi)∈i，yi(pi)＝aipi -bi，ai>0，bi>1。
进一步的，所述商品的渠道包括下述渠道中的一种或多种：单一线上渠道、单一线下渠道、线上下单线下履约渠道和线下下单线上履约渠道。
进一步的，线上下单线下履约渠道商品的物流成本d3等于单一线下渠道的物流成本d1，线下下单线上履约渠道商品的物流成本d4等于单一线上渠道的物流成本d2；
线上下单线下履约渠道商品的需求价格弹性系数b3和需求膨胀因子∈3分别等于单一线上渠道的需求价格弹性系数b2和需求膨胀因子∈2，线下下单线上履约渠道商品的需求价格弹性系数b4和需求膨胀因子∈4分别等于单一线下渠道的需求价格弹性系数b1和需求膨胀因子∈1。
为实现上述目的，根据本发明实施例的另一个方面，还提供了一种生成配置信息的装置，包括：
定价模块，用于确定商品在指定渠道下的优化价格和需求量上限；
预测模块，用于确定商品在指定渠道下的销量预测值和订单量预测值；
库存优化模块，用于将所述优化价格、需求量上限、销量预测值和订单量预测值，输入该渠道下的最大化所述商品所在订单的利润和整单满足率的最优化模型，求解该最优化模型以确定商品在指定渠道下的库存分配和派单配置。
可选的，当商品的库存量不满足订单对商品的需求量的情形下，不发出针对订单的配送时，所述最大化所述商品所在订单的利润和整单满足率的最优化模型包括：
Figure BDA0001776424130000061
Figure BDA0001776424130000062
Figure BDA0001776424130000063
Figure BDA0001776424130000064
Figure BDA0001776424130000065
Figure BDA0001776424130000066
Figure BDA0001776424130000067
Figure BDA0001776424130000068
其中，Kc为渠道c所能存放的商品品类集合，编号为k，Gc为渠道c所有品类包含的商品集合，编号为g，Gk c为渠道c下品类k包含的商品集合，k属于Kc，Jc为渠道c下订单集合，编号为j，Nk c为渠道c下品类k的最大库存数目，Bj c为渠道c下订单j所需商品的品类集合，Ag c为渠道c下商品g的预测销量，g属于Gc，agj c为渠道c下订单j对商品g的需求量，qg c为渠道c下商品g的需求量上限，Mc为渠道c的所有商品的库存上限，pg c为渠道c下商品g的线下销售价，rg c为渠道c下商品g的毛利率，ηg c为渠道c下商品g的资金月利率，δg c为渠道c下商品g的拨备率，ζj c为在渠道c下配送订单j的收益，Cc为渠道c的库存成本，wg c表示商品g是否存放在渠道c对应的仓库中，ugj c表示是否发出渠道c下商品g以满足订单j，oj c表示是否发出针对渠道c下订单j的配送，sg c表示商品g在渠道c下仓库中的库存数量，
wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c和oj c确定商品g所在订单j的派单配置。
可选的，当商品的库存量不满足订单对商品的需求量的情形下，仍可发出针对订单的配送时，所述最大化所述商品所在订单的利润和整单满足率的最优化模型包括：
Figure BDA0001776424130000071
Figure BDA0001776424130000072
Figure BDA0001776424130000073
Figure BDA0001776424130000074
Figure BDA0001776424130000075
Figure BDA0001776424130000076
Figure BDA0001776424130000079
其中，Kc为渠道c所能存放的商品品类集合，编号为k，Gc为渠道c所有品类包含的商品集合，编号为g，Gk c为渠道c下品类k包含的商品集合，k属于Kc，Jc为渠道c下订单集合，编号为j，Nk c为渠道c下品类k的最大库存数目，Bj c为渠道c下订单j所需商品的品类集合，Ag c为渠道c下商品g的预测销量，g属于Gc，agj c为渠道c下订单j对商品g的需求量，qg c为渠道c下商品g的需求量上限，Mc为渠道c的所有商品的库存上限，pg c为渠道c下商品g的线下销售价，rg c为渠道c下商品g的毛利率，ηg c为渠道c下商品g的资金月利率，δg c为渠道c下商品g的拨备率，ζj c为在渠道c下配送订单j的收益，Cc为渠道c的库存成本，wg c表示商品g是否存放在渠道c对应的仓库中，ugj c表示是否发出渠道c下商品g以满足订单j，oj c表示是否发出针对渠道c下订单j的配送，sg c表示商品g在渠道c下仓库中的库存数量，xgj c表示针对订单j中商品g的实际配送量，
xgj c、wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c、xgj c和oj c确定商品g所在订单j的派单配置。
可选的，所述定价模块进一步用于确定商品所属的类别，所述商品所属的类别包括：季节商品、易腐商品与一般商品，其中，易腐商品的折余值为零，一般商品的折余值大于易腐商品的折余值且小于季节商品的折余值；
确定商品在指定渠道下的需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子；
将所述需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子输入该商品所属类别的最大化所有渠道的商品利润的最优化模型，求解该最优化模型以确定所述商品在指定渠道下的优化价格和需求量上限。
可选的，当所述商品属于季节商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure BDA0001776424130000091
Mi 0(pi,zi)＝(pi-c-di)E[min{qi,Di(pi)}]；
当所述商品属于易腐商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure BDA0001776424130000092
Mi 1(pi,zi)＝(pi-di)E[min{qi,Di(pi)}]-cyi(pi)zi；
当所述商品属于一般商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Mi 2(pi,zi)＝(pi-c-di)yi(pi)[zi-Λi(zi)]-γcE[max{0,qi-Di(pi)}]；
其中，
Figure BDA0001776424130000094
M0(p,z)、M1(p,z)和M2(p,z)分别为季节商品、易腐商品和一般商品在所有渠道下的预期总利润，Mi 0(pi,zi)、Mi 1(pi,zi)和Mi 2(pi,zi)分别为季节商品、易腐商品和一般商品在渠道i下的预期利润，c为单位商品的生产成本，di为在渠道i下单位商品的物流成本，pi为在渠道i下单位商品的价格，qi为在渠道i下商品的需求量上限，pi和qi为决策变量，Di(pi)为在渠道i下商品的需求函数，bi为在渠道i下商品的需求价格弹性系数，zi为在渠道i下商品的库存因子，zi＝qi/yi(pi)，yi(pi)为在渠道i下商品的指定递减函数。
可选的，所述定价模块进一步用于确定渠道i下的需求膨胀因子∈i为[Ai,Bi]上的随机变量，0≤Ai<Bi，∈i的均值μi>0，令hi(∈i)＝fi(∈i)/(1-Fi(∈i))，则d(∈i hi(∈i))/d∈i＝hi(∈i)+∈i dhi(∈i)/d∈i>0，fi(∈i)为需求膨胀因子∈i的概率密度函数，Fi(∈i)为需求膨胀因子∈i的分布函数；
确定渠道i下的商品的需求函数Di(pi)＝yi(pi)+∈i，或Di(pi)＝yi(pi)∈i，yi(pi)＝aipi -bi，ai>0，bi>1。
进一步的，其特征在于，所述商品的渠道包括下述渠道中的一种或多种：单一线上渠道、单一线下渠道、线上下单线下履约渠道和线下下单线上履约渠道。
进一步的，线上下单线下履约渠道商品的物流成本d3等于单一线下渠道的物流成本d1，线下下单线上履约渠道商品的物流成本d4等于单一线上渠道的物流成本d2；
线上下单线下履约渠道商品的需求价格弹性系数b3和需求膨胀因子∈3分别等于单一线上渠道的需求价格弹性系数b2和需求膨胀因子∈2，线下下单线上履约渠道商品的需求价格弹性系数b4和需求膨胀因子∈4分别等于单一线下渠道的需求价格弹性系数b1和需求膨胀因子∈1。
为实现上述目的，根据本发明实施例的另一个方面，还提供了一种生成配置信息的电子设备，包括：
一个或多个处理器；
存储装置，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，使得所述一个或多个处理器实现本发明实施例提供的生成配置信息的方法。
为实现上述目的，根据本发明实施例的另一个方面，还提供了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实施例提供的生成配置信息的方法。
本发明实施例提供的生成配置信息的方法和装置，统筹全渠道无界零售模式下的诸多因素，在最大化利润和整单满足率前提下，实现了商品合理的库存分配和派单配置。在本发明中，首先，区分了季节商品、易腐商品和一般商品，并分别为三类商品建立价格优化模型，以此得到不同渠道下的最优价格。其次，根据订单利润和整单满足率最大化的原则建立数学优化模型为全渠道零售商分配合适的商品。
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是本发明实施例提供的生成配置信息的方法的主要流程的示意图；
图2是本发明实施例提供的生成配置信息的装置的主要模块的示意图；
图3是本发明实施例提供的生成配置信息的系统的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的电子设备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。
本发明实施例提供一种生成配置信息的方法，商品的配置是指一个零售商从分析顾客的需求入手，对商品组合、定价方法、促销活动，以及资金使用、库存商品和其他经营性指标作出全面的分析和计划。在本发明提供的生成配置信息的方法主要实现商品分配、商品定价、商品库存抉择以及商品订单的派单抉择。
如图1所示，本发明实施例提供的生成配置信息的方法包括：步骤S101和步骤S102。在步骤S101中，确定商品在指定渠道下的优化价格、需求量上限、销量预测值和订单量预测值。
然后在步骤S102中，将优化价格、需求量上限、销量预测值和订单量预测值，输入该渠道下的最大化商品所在订单的利润和整单满足率的最优化模型，求解该最优化模型以确定商品在指定渠道下的库存分配和派单配置。
在本发明的一种实施方式中，库存分配是指商品是否存放在渠道对应的仓库中，若存放，商品在渠道下仓库中的库存数量。派单配置是指是否发出渠道下某商品以满足订单，以及是否发出针对渠道下该订单的配送。
本发明实施例提供的生成配置信息的方法可以应用与全渠道零售模式中商品的库存分配和派单配置，在全渠道零售模式中，商品的渠道包括下述渠道中的一种或多种：单一线上渠道、单一线下渠道、线上下单线下履约渠道和线下下单线上履约渠道。本发明方法统筹全渠道无界零售模式下的诸多因素，根据订单利润和整单满足率最大化的原则建立数学优化模型为全渠道零售商分配合适的商品。在最大化利润和整单满足率前提下，实现了商品合理的库存分配和派单配置。
本发明实施例提供的生成配置信息的方法在确定商品的优化价格和库存因子之前还包括下述步骤：
第一步，根据商品的存续期、可销售期、折余值等确定商品的类别，商品的类别包括：季节商品、易腐商品与一般商品，其中，易腐商品的折余值为零，一般商品的折余值大于易腐商品的折余值且小于季节商品的折余值。
通常在商品的销售期结束后，没卖出去的商品对于零售商来说可能仍然具有一定的价值。例如，为了协调供应链，供应商会和零售商签署回购合同，给与零售商一定的保护，引导其增加采购量，使由需求不确定性产生的风险由双方共同承担。如果零售商在进货时和供应商签署了回购合同，供应商在销售季节结束后，将零售商没有售完的货物按一定的价格收购，那么剩余的货物具有一个不确定的折余值。又如，还有一些商品具有显著的季节性，剩余的商品可以留在下一个销售期继续销售，也保留一定的价值，例如蚊帐、防寒手套等。但是一些食物类商品，一旦过期就不存在任何价值。所以对于零售商，不同的商品在销售结束后具有不同的价值，这在考虑零售商的收益时是不可忽视的重要元素。
季节性商品通常具有显著的季节性，剩余的商品可以留在下一个销售期继续销售，例如蚊帐、防寒手套等。这类商品的特性使得当销售结束时没有出售的商品的折余值与其原价值相差不多。
易腐商品主要是指易腐的食品类商品。在自然温度环境下由于温度和湿度的影响，动物性食物可能死亡或是发生变质，植物性食物可能会腐烂或是霉变。例如鲜鱼类、畜禽肉类、水果、蔬菜、花卉和奶制品等等，这些商品对运输和保管的环境要求严格，且一旦过期就不存在任何价值。在这种情况下，销售期结束后没有出售的商品不再有任何价值。
一般商品是指在销售期结束后，没卖出去的商品对于零售商来说具有一定的价值，但是商品的折余值相较其原价值具有一定程度的降低。最典型的情况是在销售阶段结束后开展促销活动，零售商按照某折扣价销售剩余商品，例如服装类商品。
第二步，通过财务、采销、物流等方式估计商品在不同渠道下的生产成本和物流成本。
第三步，确定商品的需求函数，以及估计商品在不同渠道下的需求价格弹性系数。需求函数用来表示商品的需求数量和影响该需求数量的各种因素之间的相互关系。
需求价格弹性系数bi表明商品需求量对价格变动的反应程度。bi越大说明需求对价格的变化越敏感，bi大于1时，称为需求富有弹性或高弹性，bi等于1时，称为需求单一弹性，bi小于1时，称为需求缺乏弹性或低弹性。现有的估计需求价格弹性的方法有多种，对价格和销量变动数据充分的可直接估计弹性的商品，执行弹性定义计算方法，对价格和销量变动数据不足，无法直接估计弹性的商品，执行弹性预测计算方法。在本发明的一种实施方式中，假设需求是高弹性的，即bi大于1，因为如果bi<1，那么在后续步骤中得到的最优价格是0，如果bi＝1,那么最优的价格是无穷。
第四步，估计商品在不同渠道下的需求膨胀因子。需求膨胀因子是指实际需求关于需求估计的变动程度或指需求函数中的随机部分。
在完成上述步骤后，将需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子输入该商品所属类别的最大化所有渠道的商品利润的最优化模型，求解该最优化模型以确定商品在指定渠道下的优化价格和需求量上限。
在本发明的一种实施方式中，确定商品在指定渠道下的需求函数和需求膨胀因子具体包括：
在考虑定价问题时，通常假设商品需求函数是随机的且与价格相关，且随机性可表现为加法或者乘法的形式。因此，在本发明的一种实施方式中，确定渠道i下的商品的需求函数Di(pi)＝yi(pi)+∈i，或Di(pi)＝yi(pi)∈i，其中yi(pi)是一个递减函数yi(pi)＝aipi -bi，ai>0，bi>1，在实际中常用到的yi(pi)的形式还可以为yi(pi)＝ai-bipi(ai>0，bi>1)和yi(pi)＝aipi-bi,(ai>0，bi>1)，前者代表一个线性的需求曲线，后者是不变弹性需求曲线，即需求曲线的价格弹性恒为常数。
确定渠道i下的需求膨胀因子∈i为[Ai,Bi]上的随机变量，0≤Ai<Bi，∈i的均值μi>0，要求令hi(∈i)＝fi(∈i)/(1-Fi(∈i))，则d(∈ihi(∈i))/d∈i＝hi(∈i)+∈idhi(∈i)/d∈i>0，fi(∈i)为需求膨胀因子∈i的概率密度函数，Fi(∈i)为需求膨胀因子∈i的分布函数。
在本发明的一种实施方式中，定义季节商品的折余值为c，易腐商品的折余值为0，一般商品的折余值为(1-γ)c，其中γ在[0,1]中取值。
更为具体的，在本发明实施例中，当商品属于季节商品时，商品的最大化所有渠道的商品利润的最优化模型包括：
Figure BDA0001776424130000141
Mi 0(pi,zi)＝(pi-c-di)E[min{qi,Di(pi)}]。
当商品属于易腐商品时，商品的最大化所有渠道的商品利润的最优化模型包括：
Figure BDA0001776424130000151
Mi 1(pi,zi)＝(pi-di)E[min{qi,Di(pi)}]-cyi(pi)zi。
当商品属于一般商品时，商品的最大化所有渠道的商品利润的最优化模型包括：
Figure BDA0001776424130000152
Mi 2(pi,zi)＝(pi-c-di)yi(pi)[zi-Λi(zi)]-γcE[max{0,qi-Di(pi)}]。
其中，
Figure BDA0001776424130000153
M0(p,z)、M1(p,z)和M2(p,z)分别为季节商品、易腐商品和一般商品在所有渠道下的预期总利润，Mi 0(pi,zi)、Mi 1(pi,zi)和Mi 2(pi,zi)分别为季节商品、易腐商品和一般商品在渠道i下的预期利润，c为单位商品的生产成本，di为在渠道i下单位商品的物流成本，pi为在渠道i下单位商品的价格，qi为在渠道i下商品的需求量上限，pi和qi为决策变量，Di(pi)为在渠道i下商品的需求函数，bi为在渠道i下商品的需求价格弹性系数，zi为在渠道i下商品的库存因子，zi＝qi/yi(pi)。
在本发明的一种实施方式中，为了便于求解，定义渠道i下的库存因子zi＝qi/yi(pi)。在本实施方式中用库存因子zi代替qi作为决策变量，所要解决的问题的本质没有变化。
对于季节商品的最大化所有渠道的商品利润的最优化模型，给定任意zi,
由于(zi-Λi(zi))aipi -bi-1>0且bi>1，所以Mi 0(pi,zi)是关于pi的单峰函数，并于p～i 0(zi)＝(c+di)bi/(bi-1)达到最大值。p～i 0(zi)独立于zi。
假设没有容量限制，那么确定渠道i下单位季节商品的优化价格
Figure BDA0001776424130000155
确定渠道i下单位季节商品的最优库存因子为
Figure BDA0001776424130000156
对于易腐商品的最大化所有渠道的商品利润的最优化模型，假设没有容量限制，且条件2hi(zi)(1-Fi(zi))+(zi-Λi(zi))dhi(zi)/dzi>0成立。
对[Ai,Bi]中的任意zi，那么确定渠道i下单位季节商品的优化价格p～i 1(zi)＝[(zi-Λi(zi))dibi+cbizi]/(bi-1)(zi-Λi(zi))，最优的库存因子zi 1*被下式唯一确定：
Figure BDA0001776424130000161
对于易腐商品的最大化所有渠道的商品利润的最优化模型，令γ＝0，那么M2(p,z)＝M0(p,z)。令γ＝1，那么M2(p,z)＝M1(p,z)。
假设没有容量限制，且条件2hi(zi)(1-Fi(zi))+(zi-Λi(zi))dhi(zi)/dzi>0对任意的zi属于[Ai,Bi]和i＝1,2都成立，那么确定渠道i下单位一般商品的优化价格
Figure BDA0001776424130000162
根据下式唯一确定渠道i下单位一般商品的最优的库存因子
Figure BDA0001776424130000164
在本发明中，确定商品在指定渠道下的库存分配和派单配置的步骤具体为：第一步，确定线上历史销售数据预测销量和单量。历史销售数据包含商品销售额、销量、单量以及价格信息。可以通过现有方法利用销售数据获取和加工对销量预测有显著影响的特征，采用机器学习方法预测不同渠道商品销量和单量。
第二步，将优化价格、需求量上限、销量预测值和订单量预测值以及商品分配业务约束作为输入，通过求解最大化利润、最小化拆单率等多个目标要求下的整数线性规划模型，输出渠道最优库存分配和派单配置。渠道库存信息限制了库存容量的上界，在模型中则是若干个商品分配业务约束。
本发明中，对于当商品的库存量不满足订单对商品的需求量的情形下，是否可以拆单的情形，分别提供了最大化商品所在订单的利润和整单满足率的最优化模型。
当商品的库存量不满足订单对商品的需求量的情形下，不发出针对订单的配送时，即不可以拆单配送时，最大化商品所在订单的利润和整单满足率的最优化模型包括：
Figure BDA0001776424130000171
Figure BDA0001776424130000172
Figure BDA0001776424130000173
Figure BDA0001776424130000175
Figure BDA0001776424130000176
Figure BDA0001776424130000177
Figure BDA0001776424130000178
其中，Kc为渠道c所能存放的商品品类集合，编号为k，在本发明中，商品均指单品SKU。
Gc为渠道c所有品类包含的商品集合，编号为g，
Gk c为渠道c下品类k包含的商品集合，k属于Kc，
Jc为渠道c下订单集合，编号为j，
Nk c为渠道c下品类k的最大库存数目，
Bj c为渠道c下订单j所需商品的品类集合，
Ag c为渠道c下商品g的预测销量，g属于Gc，
agj c为渠道c下订单j对商品g的需求量，
qg c为渠道c下商品g的需求量上限，
Mc为渠道c的所有商品的库存上限，
pg c为渠道c下商品g的线下销售价，
rg c为渠道c下商品g的毛利率，
ηg c为渠道c下商品g的资金月利率，
δg c为渠道c下商品g的拨备率，
ζj c为在渠道c下配送订单j的收益，
Cc为渠道c的库存成本，
wg c表示商品g是否存放在渠道c对应的仓库中，
ugj c表示是否发出渠道c下商品g以满足订单j，
oj c表示是否发出针对渠道c下订单j的配送，
sg c表示商品g在渠道c下仓库中的库存数量，
wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c和oj c确定商品g所在订单j的派单配置。决策变量ugj c是否发出渠道c下商品g以满足订单j，来最大化商品订单的整单满足率。
该最优化模型的目标组成为：配送毛利：
Figure BDA0001776424130000181
销售毛利：
Figure BDA0001776424130000182
资金成本：
Figure BDA0001776424130000183
尾货损失：
Figure BDA0001776424130000184
该最优化模型的目标为最大化全渠道零售商的订单利润和整单满足率，订单利润＝配送毛利+销售毛利-库存成本-资金成本-尾货损失。
在本发明中，由于需求小于库存量，而尾货损失在目标中的符号为负，由极大化订单利润的目标可知模型的最优解对应的尾货损失为零，于是该最优化模型可以简化为：
Figure BDA0001776424130000185
该模型的约束(1)为一个品类下包含的商品数量约束，不超过|Ik|；约束(2)表示同一个品类商品的数量上限为Nk；约束(3)限制全渠道零售商对所有订单发出的商品g数量不超过商品g的最大库存数量；约束(4)表示商品g从全渠道零售商发出以满足订单j的前提是其所需的全部商品g存放在全渠道零售商仓库；约束(5)则表示全渠道零售商商品g库存数量不超过商品g需求量上限；约束(6)表示全渠道零售商发出针对订单j的配送的前提条件是其所需的全部商品g从全渠道零售商发出以满足订单j。
在本发明的一种实施方式中，当商品的库存量不满足订单对商品的需求量的情形下，仍可发出针对订单的配送时，即可以拆单配送时，最大化商品所在订单的利润和整单满足率的最优化模型包括：
Figure BDA0001776424130000187
Figure BDA0001776424130000191
Figure BDA0001776424130000192
Figure BDA0001776424130000193
Figure BDA0001776424130000194
Figure BDA0001776424130000195
Figure BDA0001776424130000196
其中，xgj c为决策变量，表示针对订单j中商品g的实际配送量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c、xgj c和oj c确定商品g所在订单j的派单配置。
以全渠道零售模式的应用场景为例，该模型的约束条件1、2、4和5与上述不可以拆单情形下的模型的约束条件相同。约束(3)限制全渠道零售商对所有订单发出的商品g的实际配送量不超过商品g的最大库存数量；约束(6)限制全渠道零售商在允许部分满足即派单的情况下，派出的商品种类数不超过订单包含的商品种类总数。约束(7)限制全渠道零售商针对订单j中商品g的实际配送量不超过订单j对商品g的需求量，且大于等于0。
与上述不可以拆单情形下的模型相同，本模型可以简化为：
Figure BDA0001776424130000197
在本发明的一种实施方式中，当求解商品优化价格和需求量上限的过程中，为了便于求解，用库存因子代替需求量上限作为决策变量时，上述两模型的中的约束条件(5)中的qg c可替换为yg c(pg c)zg c，zg c即渠道c下商品g的库存因子，yg c(pg c)即反映需求和价格的相关性的递减函数。
上述本发明提供的生成配置信息的方法，可应用于单一渠道零售模式、多渠道零售模式和全渠道零售模式中。当应用于单一渠道零售模式时，上述算法中，n等于1，i取值1表示单一线下/线上渠道。当应用于多渠道零售模式或全渠道零售模式时，n大于1，例如对于包含四种销售渠道的全渠道零售模式，即n＝4，i取值1表示单一线下渠道，i取值2表示单一线上渠道，i取值3表示线上下单线下履约渠道，i取值4表示线下下单线上履约渠道。
对于全渠道零售模式，在本发明的一种实施方式中，为了简化计算过程，可进行如下参数配置：线上下单线下履约渠道商品的物流成本d3等于单一线下渠道的物流成本d1，线下下单线上履约渠道商品的物流成本d4等于单一线上渠道的物流成本d2。
线上下单线下履约渠道商品的需求价格弹性系数b3和需求膨胀因子∈3分别等于单一线上渠道的需求价格弹性系数b2和需求膨胀因子∈2，线下下单线上履约渠道商品的需求价格弹性系数b4和需求膨胀因子∈4分别等于单一线下渠道的需求价格弹性系数b1和需求膨胀因子∈1。
当然，在本发明的其他实施方式中，也可以单独计算线上下单线下履约渠道商品和线下下单线上履约渠道商品的需求价格弹性系数和需求膨胀因子。
在具体应用过程中，对于季节商品、易腐商品和一般商品的最大化商品利润的最优化模型可以根据应用场景配置相应的容量约束条件。例如，对于包括4种销售渠道的全渠道零售模式，可为商品的最大化商品利润的最优化模型配置如下约束条件：y1(p1)z1+y3(p3)z3≤Q1，y2(p2)z2+y4(p4)z4≤Q2，Q1为全渠道线下库存容量，Q2为全渠道线上库存容量，即线上下单线下履约渠道商品的库存量上限与单一线下渠道的库存量上限的和小于等于全渠道线下库存容量，线下下单线上履约渠道商品的库存量上限与单一线上渠道的库存量上限的和小于等于全渠道线上库存容量。
在本发明中，可以将输出的商品分配、价格建议、库存建议以及派单建议通过图和/或表展现给用户，并自动产出商品分配、动态定价和库存建议报告。并且可以进一步根据商品分配、动态定价和库存配置结果计算如下表1所示(以全渠道零售模式为例)的各项指标，为全渠道零售商的实际生产提供参考，然后零售商按照配置建议实际执行之后，将当期的销售数据(销量、销售额等)与历史销售数据进行对比，以评估实际执行之后的效果。
Figure BDA0001776424130000211
Figure BDA0001776424130000221
表1
本发明实施例还提供了一种生成配置信息的装置，如图2所示，该装置200包括：定价模块201、预测模块202和库存优化模块203。
定价模块201用于确定商品在指定渠道下的优化价格和需求量上限。预测模块202用于确定商品在指定渠道下的销量预测值和订单量预测值。库存优化模块203用于将优化价格、需求量上限、销量预测值和订单量预测值，输入该渠道下的最大化商品所在订单的利润和整单满足率的最优化模型，求解该最优化模型以确定商品在指定渠道下的库存分配和派单配置。
在本发明中，定价模块进一步用于确定商品所属的类别，商品所属的类别包括：季节商品、易腐商品与一般商品，其中，易腐商品的折余值为零，一般商品的折余值大于易腐商品的折余值且小于季节商品的折余值。然后确定商品在指定渠道下的需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子。将需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子输入该商品所属类别的最大化所有渠道的商品利润的最优化模型，求解该最优化模型以确定商品在指定渠道下的优化价格和需求量上限。
在本发明中，当商品属于季节商品时，商品的最大化所有渠道的商品利润的最优化模型包括：
Mi 0(pi,zi)＝(pi-c-di)E[min{qi,Di(pi)}]；
当商品属于易腐商品时，商品的最大化所有渠道的商品利润的最优化模型包括：
Mi 1(pi,zi)＝(pi-di)E[min{qi,Di(pi)}]-cyi(pi)zi；
当商品属于一般商品时，商品的最大化所有渠道的商品利润的最优化模型包括：
Mi 2(pi,zi)＝(pi-c-di)yi(pi)[zi-Λi(zi)]-γcE[max{0,qi-Di(pi)}]；
其中，
Figure BDA0001776424130000234
M0(p,z)、M1(p,z)和M2(p,z)分别为季节商品、易腐商品和一般商品在所有渠道下的预期总利润，Mi 0(pi,zi)、Mi 1(pi,zi)和Mi 2(pi,zi)分别为季节商品、易腐商品和一般商品在渠道i下的预期利润，c为单位商品的生产成本，di为在渠道i下单位商品的物流成本，pi为在渠道i下单位商品的价格，qi为在渠道i下商品的需求量上限，pi和qi为决策变量，Di(pi)为在渠道i下商品的需求函数，bi为在渠道i下商品的需求价格弹性系数，zi为在渠道i下商品的库存因子，zi＝qi/yi(pi)，yi(pi)为在渠道i下商品的指定递减函数。
在本发明中，定价模块进一步用于确定渠道i下的需求膨胀因子∈i为[Ai,Bi]上的随机变量，0≤Ai<Bi，∈i的均值μi>0，令hi(∈i)＝fi(∈i)/(1-Fi(∈i))，则d(∈ihi(∈i))/d∈i＝hi(∈i)+∈idhi(∈i)/d∈i>0，fi(∈i)为需求膨胀因子∈i的概率密度函数，Fi(∈i)为需求膨胀因子∈i的分布函数。
确定渠道i下的商品的需求函数Di(pi)＝yi(pi)+∈i，或Di(pi)＝yi(pi)∈i，yi(pi)＝aipi -bi，ai>0，bi>1。
在本发明中，商品的渠道包括下述渠道中的一种或多种：单一线上渠道、单一线下渠道、线上下单线下履约渠道和线下下单线上履约渠道。
在本发明中，线上下单线下履约渠道商品的物流成本d3等于单一线下渠道的物流成本d1，线下下单线上履约渠道商品的物流成本d4等于单一线上渠道的物流成本d2。
线上下单线下履约渠道商品的需求价格弹性系数b3和需求膨胀因子∈3分别等于单一线上渠道的需求价格弹性系数b2和需求膨胀因子∈2，线下下单线上履约渠道商品的需求价格弹性系数b4和需求膨胀因子∈4分别等于单一线下渠道的需求价格弹性系数b1和需求膨胀因子∈1。
在本发明中，当商品的库存量不满足订单对商品的需求量的情形下，不发出针对订单的配送时，最大化商品所在订单的利润和整单满足率的最优化模型包括：
Figure BDA0001776424130000241
Figure BDA0001776424130000242
Figure BDA0001776424130000243
Figure BDA0001776424130000245
Figure BDA0001776424130000246
Figure BDA0001776424130000247
Figure BDA0001776424130000248
其中，Kc为渠道c所能存放的商品品类集合，编号为k，Gc为渠道c所有品类包含的商品集合，编号为g，Gk c为渠道c下品类k包含的商品集合，k属于Kc，Jc为渠道c下订单集合，编号为j，Nk c为渠道c下品类k的最大库存数目，Bj c为渠道c下订单j所需商品的品类集合，qg c为渠道c下商品g的需求量上限，Ag c为渠道c下商品g的预测销量，g属于Gc，agj c为渠道c下订单j对商品g的需求量，Mc为渠道c的所有商品的库存上限，pg c为渠道c下商品g的线下销售价，rg c为渠道c下商品g的毛利率，ηg c为渠道c下商品g的资金月利率，δg c为渠道c下商品g的拨备率，ζj c为在渠道c下配送订单j的收益；
Cc为渠道c的库存成本，wg c表示商品g是否存放在渠道c对应的仓库中，ugj c表示是否发出渠道c下商品g以满足订单j，oj c表示是否发出针对渠道c下订单j的配送，sg c表示商品g在渠道c下仓库中的库存数量，wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c和oj c确定商品g所在订单j的派单配置。
在本发明中，当商品的库存量不满足订单对商品的需求量的情形下，仍可发出针对订单的配送时，最大化商品所在订单的利润和整单满足率的最优化模型包括：
Figure BDA0001776424130000252
Figure BDA0001776424130000253
Figure BDA0001776424130000254
Figure BDA0001776424130000255
Figure BDA0001776424130000256
Figure BDA0001776424130000257
Figure BDA0001776424130000258
Figure BDA0001776424130000259
其中，xgj c为决策变量，表示针对订单j中商品g的实际配送量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c、xgj c和oj c确定商品g所在订单j的派单配置。
本发明实施例还提供一种生成配置信息的系统，如图3所示，该系统包括：渠道商品定价单元、商品分配单元和结果报告单元，其中，渠道商品定价单元的功能由定价模块实现，商品分配单元包括：优化数据库、预测部件和优化器。优化数据库用于存储基础数据，例如商品成本数据、库存数据和商品销售历史数据等，优化数据库还用于存储本系统生成的库存分配数据和派单建议数据。
渠道商品定价单元从优化数据库中获取商品的生产成本/物流成本数据以及商品的价格弹性数据，然后输入到渠道商品分类定价模型(即商品所属类别的最大化所有渠道的商品利润的最优化模型)中，从而得到商品的最优价格和库存因子，作为优化器的输入。预测部件从优化数据库中获取商品销售数据进行销量和订单量预测，并将预测得到的数据输入优化器。优化器获取上述整数线性规划输入，通过整数规划求解算法求得最优的商品分配、建议库存和建议派单配置，并存入优化数据库中。
结果报告单元可以对优化数据库中存储的计算结果进行查询和可视化展示，并自动产出商品分配、动态定价和库存的结果建议报告。并且可以进一步根据商品分配、动态定价和库存配置结果计算各项指标，为全渠道零售商的实际生产提供参考，然后零售商按照配置建议实际执行之后，将当期的销售数据(销量、销售额等)与历史销售数据进行对比，以评估实际执行之后的效果，生成效果评估报告。
本发明实施例提供的生成配置信息的方法和装置，统筹全渠道无界零售模式下的诸多因素，在最大化利润和整单满足率前提下，实现了商品合理的库存分配和派单配置。在本发明中，首先，区分了季节商品、易腐商品和一般商品，并分别为三类商品建立价格优化模型，以此得到不同渠道下的最优价格。其次，根据订单利润和整单满足率最大化的原则建立数学优化模型为全渠道零售商分配合适的商品。
图4示出了可以应用本发明实施例的生成配置信息的方法或生成配置信息的装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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401、402、403通过网络404与服务器405交互，以接收或发送消息等。
终端设备401、402、403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405可以是提供各种服务的服务器。
需要说明的是，本发明实施例所提供的生成配置信息的方法一般由服务器405执行，相应地，生成配置信息的装置一般设置于服务器405中。
应该理解，图4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5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。
特别地，根据本发明公开的实施例，上文参考流程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流程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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明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。在本发明中，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。而在本发明中，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。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，流程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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，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：一种处理器包括定价模块、预测模块和库存优化模块。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，定价模块还可以被描述为“确定商品所属的类别的模块”。
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：
确定商品在指定渠道下的优化价格、需求量上限、销量预测值和订单量预测值；
将所述优化价格、需求量上限、销量预测值和订单量预测值，输入该渠道下的最大化所述商品所在订单的利润和整单满足率的最优化模型，求解该最优化模型以确定商品在指定渠道下的库存分配和派单配置。
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 (18)

1.一种生成配置信息的方法，其特征在于，包括：
确定商品在指定渠道下的优化价格、需求量上限、销量预测值和订单量预测值；
将所述优化价格、需求量上限、销量预测值和订单量预测值，输入该渠道下的最大化所述商品所在订单的利润和整单满足率的最优化模型，求解该最优化模型以确定商品在指定渠道下的库存分配和派单配置。
2.根据权利要求1所述的方法，其特征在于，当商品的库存量不满足订单对商品的需求量的情形下，不发出针对订单的配送时，所述最大化所述商品所在订单的利润和整单满足率的最优化模型包括：
Figure FDA0001776424120000011
Figure FDA0001776424120000012
Figure FDA0001776424120000013
Figure FDA0001776424120000014
Figure FDA0001776424120000015
Figure FDA0001776424120000017
Figure FDA0001776424120000018
其中，Kc为渠道c所能存放的商品品类集合，编号为k，Gc为渠道c所有品类包含的商品集合，编号为g，Gk c为渠道c下品类k包含的商品集合，k属于Kc，Jc为渠道c下订单集合，编号为j，Nk c为渠道c下品类k的最大库存数目，Bj c为渠道c下订单j所需商品的品类集合，Ag c为渠道c下商品g的预测销量，g属于Gc，agj c为渠道c下订单j对商品g的需求量，qg c为渠道c下商品g的需求量上限，Mc为渠道c的所有商品的库存上限，pg c为渠道c下商品g的线下销售价，rg c为渠道c下商品g的毛利率，ηg c为渠道c下商品g的资金月利率，δg c为渠道c下商品g的拨备率，ζj c为在渠道c下配送订单j的收益，Cc为渠道c的库存成本，wg c表示商品g是否存放在渠道c对应的仓库中，ugj c表示是否发出渠道c下商品g以满足订单j，oj c表示是否发出针对渠道c下订单j的配送，sg c表示商品g在渠道c下仓库中的库存数量，
wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c和oj c确定商品g所在订单j的派单配置。
3.根据权利要求1所述的方法，其特征在于，当商品的库存量不满足订单对商品的需求量的情形下，仍可发出针对订单的配送时，所述最大化所述商品所在订单的利润和整单满足率的最优化模型包括：
Figure FDA0001776424120000022
Figure FDA0001776424120000025
Figure FDA0001776424120000026
Figure FDA0001776424120000027
Figure FDA0001776424120000028
Figure FDA0001776424120000029
其中，Kc为渠道c所能存放的商品品类集合，编号为k，Gc为渠道c所有品类包含的商品集合，编号为g，Gk c为渠道c下品类k包含的商品集合，k属于Kc，Jc为渠道c下订单集合，编号为j，Nk c为渠道c下品类k的最大库存数目，Bj c为渠道c下订单j所需商品的品类集合，Ag c为渠道c下商品g的预测销量，g属于Gc，agj c为渠道c下订单j对商品g的需求量，qg c为渠道c下商品g的需求量上限，Mc为渠道c的所有商品的库存上限，pg c为渠道c下商品g的线下销售价，rg c为渠道c下商品g的毛利率，ηg c为渠道c下商品g的资金月利率，δg c为渠道c下商品g的拨备率，ζj c为在渠道c下配送订单j的收益，Cc为渠道c的库存成本，wg c表示商品g是否存放在渠道c对应的仓库中，ugj c表示是否发出渠道c下商品g以满足订单j，oj c表示是否发出针对渠道c下订单j的配送，sg c表示商品g在渠道c下仓库中的库存数量，xgj c表示针对订单j中商品g的实际配送量，
xgj c、wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c、xgj c和oj c确定商品g所在订单j的派单配置。
4.根据权利要求1至3中任一项所述的方法，其特征在于，确定商品在指定渠道下的优化价格和需求量上限包括：
确定商品所属的类别，所述商品所属的类别包括：季节商品、易腐商品与一般商品，其中，易腐商品的折余值为零，一般商品的折余值大于易腐商品的折余值且小于季节商品的折余值；
确定商品在指定渠道下的需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子；
将所述需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子输入该商品所属类别的最大化所有渠道的商品利润的最优化模型，求解该最优化模型以确定所述商品在指定渠道下的优化价格和需求量上限。
5.根据权利要求4所述的方法，其特征在于，当所述商品属于季节商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure FDA0001776424120000031
Mi 0(pi,zi)＝(pi-c-di)E[min{qi,Di(pi)}]；
当所述商品属于易腐商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure FDA0001776424120000032
Mi 1(pi,zi)＝(pi-di)E[min{qi,Di(pi)}]-cyi(pi)zi；
当所述商品属于一般商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure FDA0001776424120000041
Mi 2(pi,zi)＝(pi-c-di)yi(pi)[zi-Λi(zi)]-γcE[max{0,qi-Di(pi)}]；
其中，
Figure FDA0001776424120000042
M0(p,z)、M1(p,z)和M2(p,z)分别为季节商品、易腐商品和一般商品在所有渠道下的预期总利润，Mi 0(pi,zi)、Mi 1(pi,zi)和Mi 2(pi,zi)分别为季节商品、易腐商品和一般商品在渠道i下的预期利润，c为单位商品的生产成本，di为在渠道i下单位商品的物流成本，pi为在渠道i下单位商品的价格，qi为在渠道i下商品的需求量上限，pi和qi为决策变量，Di(pi)为在渠道i下商品的需求函数，bi为在渠道i下商品的需求价格弹性系数，zi为在渠道i下商品的库存因子，zi＝qi/yi(pi)，yi(pi)为在渠道i下商品的指定递减函数。
6.根据权利要求5所述的方法，其特征在于，确定商品在指定渠道下的需求函数和需求膨胀因子包括：
确定渠道i下的需求膨胀因子∈i为[Ai,Bi]上的随机变量，0≤Ai<Bi，∈i的均值μi>0，令hi(∈i)＝fi(∈i)/(1-Fi(∈i))，则d(∈ihi(∈i))/d∈i＝hi(∈i)+∈idhi(∈i)/d∈i>0，fi(∈i)为需求膨胀因子∈i的概率密度函数，Fi(∈i)为需求膨胀因子∈i的分布函数；
确定渠道i下的商品的需求函数Di(pi)＝yi(pi)+∈i，或Di(pi)＝yi(pi)∈i，yi(pi)＝aipi -bi，ai>0，bi>1。
7.根据权利要求4所述的方法，其特征在于，所述商品的渠道包括下述渠道中的一种或多种：单一线上渠道、单一线下渠道、线上下单线下履约渠道和线下下单线上履约渠道。
8.根据权利要求7所述的方法，其特征在于，线上下单线下履约渠道商品的物流成本d3等于单一线下渠道的物流成本d1，线下下单线上履约渠道商品的物流成本d4等于单一线上渠道的物流成本d2；
线上下单线下履约渠道商品的需求价格弹性系数b3和需求膨胀因子∈3分别等于单一线上渠道的需求价格弹性系数b2和需求膨胀因子∈2，线下下单线上履约渠道商品的需求价格弹性系数b4和需求膨胀因子∈4分别等于单一线下渠道的需求价格弹性系数b1和需求膨胀因子∈1。
9.一种生成配置信息的装置，其特征在于，包括：
定价模块，用于确定商品在指定渠道下的优化价格和需求量上限；
预测模块，用于确定商品在指定渠道下的销量预测值和订单量预测值；
库存优化模块，用于将所述优化价格、需求量上限、销量预测值和订单量预测值，输入该渠道下的最大化所述商品所在订单的利润和整单满足率的最优化模型，求解该最优化模型以确定商品在指定渠道下的库存分配和派单配置。
10.根据权利要求9所述的装置，其特征在于，当商品的库存量不满足订单对商品的需求量的情形下，不发出针对订单的配送时，所述最大化所述商品所在订单的利润和整单满足率的最优化模型包括：
Figure FDA0001776424120000051
Figure FDA0001776424120000054
Figure FDA0001776424120000055
Figure FDA0001776424120000056
Figure FDA0001776424120000057
Figure FDA0001776424120000058
其中，Kc为渠道c所能存放的商品品类集合，编号为k，Gc为渠道c所有品类包含的商品集合，编号为g，Gk c为渠道c下品类k包含的商品集合，k属于Kc，Jc为渠道c下订单集合，编号为j，Nk c为渠道c下品类k的最大库存数目，Bj c为渠道c下订单j所需商品的品类集合，Ag c为渠道c下商品g的预测销量，g属于Gc，agj c为渠道c下订单j对商品g的需求量，qg c为渠道c下商品g的需求量上限，Mc为渠道c的所有商品的库存上限，pg c为渠道c下商品g的线下销售价，rg c为渠道c下商品g的毛利率，ηg c为渠道c下商品g的资金月利率，δg c为渠道c下商品g的拨备率，ζj c为在渠道c下配送订单j的收益，Cc为渠道c的库存成本，wg c表示商品g是否存放在渠道c对应的仓库中，ugj c表示是否发出渠道c下商品g以满足订单j，oj c表示是否发出针对渠道c下订单j的配送，sg c表示商品g在渠道c下仓库中的库存数量，
wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c和oj c确定商品g所在订单j的派单配置。
11.根据权利要求9所述的装置，其特征在于，当商品的库存量不满足订单对商品的需求量的情形下，仍可发出针对订单的配送时，所述最大化所述商品所在订单的利润和整单满足率的最优化模型包括：
Figure FDA0001776424120000061
Figure FDA0001776424120000062
Figure FDA0001776424120000063
Figure FDA0001776424120000065
Figure FDA0001776424120000066
Figure FDA0001776424120000067
Figure FDA0001776424120000068
Figure FDA0001776424120000069
其中，Kc为渠道c所能存放的商品品类集合，编号为k，Gc为渠道c所有品类包含的商品集合，编号为g，Gk c为渠道c下品类k包含的商品集合，k属于Kc，Jc为渠道c下订单集合，编号为j，Nk c为渠道c下品类k的最大库存数目，Bj c为渠道c下订单j所需商品的品类集合，Ag c为渠道c下商品g的预测销量，g属于Gc，agj c为渠道c下订单j对商品g的需求量，qg c为渠道c下商品g的需求量上限，Mc为渠道c的所有商品的库存上限，pg c为渠道c下商品g的线下销售价，rg c为渠道c下商品g的毛利率，ηg c为渠道c下商品g的资金月利率，δg c为渠道c下商品g的拨备率，ζj c为在渠道c下配送订单j的收益，Cc为渠道c的库存成本，wg c表示商品g是否存放在渠道c对应的仓库中，ugj c表示是否发出渠道c下商品g以满足订单j，oj c表示是否发出针对渠道c下订单j的配送，sg c表示商品g在渠道c下仓库中的库存数量，xgj c表示针对订单j中商品g的实际配送量，
xgj c、wg c、ugj c、oj c和sg c为决策变量，根据决策变量wg c和sg c确定商品g在渠道c下的库存分配，根据决策变量ugj c、xgj c和oj c确定商品g所在订单j的派单配置。
12.根据权利要求9至11中任一项所述的装置，其特征在于，所述定价模块进一步用于确定商品所属的类别，所述商品所属的类别包括：季节商品、易腐商品与一般商品，其中，易腐商品的折余值为零，一般商品的折余值大于易腐商品的折余值且小于季节商品的折余值；
确定商品在指定渠道下的需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子；
将所述需求函数、生产成本、物流成本、需求价格弹性系数和需求膨胀因子输入该商品所属类别的最大化所有渠道的商品利润的最优化模型，求解该最优化模型以确定所述商品在指定渠道下的优化价格和需求量上限。
13.根据权利要求12所述的装置，其特征在于，当所述商品属于季节商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure FDA0001776424120000071
Mi 0(pi,zi)＝(pi-c-di)E[min{qi,Di(pi)}]；
当所述商品属于易腐商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure FDA0001776424120000081
Mi 1(pi,zi)＝(pi-di)E[min{qi,Di(pi)}]-cyi(pi)zi；
当所述商品属于一般商品时，所述商品的最大化所有渠道的商品利润的最优化模型包括：
Figure FDA0001776424120000082
Mi 2(pi,zi)＝(pi-c-di)yi(pi)[zi-Λi(zi)]-γcE[max{0,qi-Di(pi)}]；
其中，
Figure FDA0001776424120000083
M0(p,z)、M1(p,z)和M2(p,z)分别为季节商品、易腐商品和一般商品在所有渠道下的预期总利润，Mi 0(pi,zi)、Mi 1(pi,zi)和Mi 2(pi,zi)分别为季节商品、易腐商品和一般商品在渠道i下的预期利润，c为单位商品的生产成本，di为在渠道i下单位商品的物流成本，pi为在渠道i下单位商品的价格，qi为在渠道i下商品的需求量上限，pi和qi为决策变量，Di(pi)为在渠道i下商品的需求函数，bi为在渠道i下商品的需求价格弹性系数，zi为在渠道i下商品的库存因子，zi＝qi/yi(pi)，yi(pi)为在渠道i下商品的指定递减函数。
14.根据权利要求13所述的装置，其特征在于，所述定价模块进一步用于确定渠道i下的需求膨胀因子∈i为[Ai,Bi]上的随机变量，0≤Ai<Bi，∈i的均值μi>0，令hi(∈i)＝fi(∈i)/(1-Fi(∈i))，则d(∈ihi(∈i))/d∈i＝hi(∈i)+∈idhi(∈i)/d∈i>0，fi(∈i)为需求膨胀因子∈i的概率密度函数，Fi(∈i)为需求膨胀因子∈i的分布函数；
确定渠道i下的商品的需求函数Di(pi)＝yi(pi)+∈i，或Di(pi)＝yi(pi)∈i，yi(pi)＝aipi -bi，ai>0，bi>1。
15.根据权利要求12所述的装置，其特征在于，所述商品的渠道包括下述渠道中的一种或多种：单一线上渠道、单一线下渠道、线上下单线下履约渠道和线下下单线上履约渠道。
16.根据权利要求15所述的装置，其特征在于，线上下单线下履约渠道商品的物流成本d3等于单一线下渠道的物流成本d1，线下下单线上履约渠道商品的物流成本d4等于单一线上渠道的物流成本d2；
线上下单线下履约渠道商品的需求价格弹性系数b3和需求膨胀因子∈3分别等于单一线上渠道的需求价格弹性系数b2和需求膨胀因子∈2，线下下单线上履约渠道商品的需求价格弹性系数b4和需求膨胀因子∈4分别等于单一线下渠道的需求价格弹性系数b1和需求膨胀因子∈1。
17.一种生成配置信息的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，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，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质，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1-8中任一所述的方法。
CN201810971940.3A 2018-08-24 2018-08-24 一种生成配置信息的方法和装置 Pending CN110858337A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810971940.3A CN110858337A (zh) 2018-08-24 2018-08-24 一种生成配置信息的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810971940.3A CN110858337A (zh) 2018-08-24 2018-08-24 一种生成配置信息的方法和装置

Publications (1)

Publication Number Publication Date
CN110858337A true CN110858337A (zh) 2020-03-03

Family

ID=69636361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810971940.3A Pending CN110858337A (zh) 2018-08-24 2018-08-24 一种生成配置信息的方法和装置

Country Status (1)

Country Link
CN (1) CN110858337A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275505A (zh) * 2020-05-08 2020-06-12 创新奇智(南京)科技有限公司 一种数据处理方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275505A (zh) * 2020-05-08 2020-06-12 创新奇智(南京)科技有限公司 一种数据处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Bakker et al. Review of inventory systems with deterioration since 2001
Li et al. A review on deteriorating inventory study
Hemmati et al. Vendor managed inventory with consignment stock for supply chain with stock-and price-dependent demand
US10395210B2 (en) System and method for using stores as receiving points for third party, E-commerce suppliers
CN110555578B (zh) 一种销量预测方法和装置
JP5337174B2 (ja) 需要予測装置、及びそのプログラム
US20180308030A1 (en) System and Method for Establishing Regional Distribution Center Inventory Levels for New Third Party Products
CN102282551A (zh) 娱乐入场券定价的自动决策支持
WO2008039457A2 (en) Price markdown apparatus
CN102272758A (zh) 因果驱动和市场响应弹性或提升因素的自动规范、估计和发现
JP5418326B2 (ja) 価格決定装置、価格決定方法、およびコンピュータプログラム
CN113592207A (zh) 基于机器人的网状供应链决策方法、设备及存储介质
CN111292149A (zh) 一种生成退货处理信息的方法和装置
CN116109252A (zh) 仓库补货管理方法、装置、仓库管理系统及存储介质
US20190147400A1 (en) Inventory Management Software System
US20230419184A1 (en) Causal Inference Machine Learning with Statistical Background Subtraction
JP2023541104A (ja) 短ライフサイクル販売曲線の推定
JP6193817B2 (ja) 需要予測装置およびプログラム
Hsu et al. Optimal delivery service strategy for Internet shopping with time-dependent consumer demand
CN109978421A (zh) 信息输出方法和装置
CN110858337A (zh) 一种生成配置信息的方法和装置
CN110956478A (zh) 确定物品进货量的方法和装置
JP2016012224A (ja) 需要予測装置およびプログラム
CN110084541B (zh) 用于预测供应商送货时长的方法和装置
CN113706250A (zh) 一种基于物业社区管家的品质社区团购方法

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