CN110874670A - 仓储储位配置系统 - Google Patents
仓储储位配置系统 Download PDFInfo
- Publication number
- CN110874670A CN110874670A CN201811193548.7A CN201811193548A CN110874670A CN 110874670 A CN110874670 A CN 110874670A CN 201811193548 A CN201811193548 A CN 201811193548A CN 110874670 A CN110874670 A CN 110874670A
- Authority
- CN
- China
- Prior art keywords
- data
- commodity
- stock
- storage
- matrix
- 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.)
- Granted
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000013439 planning Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000007306 turnover Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 9
- 230000008451 emotion Effects 0.000 description 8
- 230000036651 mood Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 101100208381 Caenorhabditis elegans tth-1 gene Proteins 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种仓储储位配置系统，包括仓储数据库、社交网络声量分析模块、备货预测模块、仓储数据计算模块以及储位配置规划模块，其中，社交网络声量分析模块提供有关外部社交网络的商品声量数据，备货预测模块提供备货预测数据，以及仓储数据计算模块提供有关仓储内货品状态的商品数据矩阵，以供储位配置规划模块综合考量该仓储数据库、该备货预测模块、该仓储数据计算模块所提供的数据以产生仓库储位配置信息，借以达到储位配置优化的目的。
Description
技术领域
本发明属于仓储管理技术领域，有关仓储管理的储位配置机制，特别是关于一种将商品、仓储、外部信息作为储位配置考量的仓储储位配置系统。
背景技术
在物流业中，通常面对许多商品备货与仓储管理的问题，且在传统仓储管理中，皆需仰赖人工经验规划、调整仓储配置，因此，现今仓储管理已面临诸多挑战，但凡储位配置如无法随商品销量波动即时调整，则将在淡季中出现储位空间过剩的情况，而在旺季反而发生储位空间不足的问题，又例如出货相关性高的商品存放位置相隔很远，会降低拣货效率，另外，部分商品外观相似难以分辨，导致拣货时容易出错，又或者相邻商品价格差异大，拣错时造成较大的成本损失，又例如周转率高的物品放在离出入口较远处，将使拣货效率下降，以及重量较重的商品拣货时放置在较轻的商品上方，将会造成货损，上述种种情况皆凸显出仓储储位管理的重要性。再由备货方面来看，由于新进商品未来销量未知、与其他商品关联度未知以及仓储空间使用率高，容纳空间不足等因素，使得新进商品存放位置难以决策，且在面对前述仓储管理的种种因素下，难以使货物妥善存放于仓库中，此将有碍于管理者对于进出货的储位配置与管理。
据此，在商品销量更动、新品进入仓储等诸多状况下，仓储的商品存放位置需随之调整，而储位调整会影响后续拣货、出货作业，进而影响整体出货效率。此外，储位调整时须考量众多因素，因而需经验丰富的专业人士规划，然在各行业皆面临人力资源短缺的现今社会，物流业也无可避免人力不足的问题，因此，如何通过数据分析、备货预测等信息科学方法，考量相关因素，协助物流业人员进行仓储储位配置规划，进而达到优化储位配置、增进拣货和出货效率的目的变得着实重要。
发明内容
本发明的目的是提出一种仓储储位配置系统，利用商品的基本数据、先前历史数据、销售情况以及仓储空间数据等信息，再搭配其他外部信息以达到储位配置优化的目的。
为了达成上述或其他目的，本发明提出一种仓储储位配置系统，包括：仓储数据库、社交网络声量分析模块、备货预测模块、仓储数据计算模块及储位配置规划模块，其中，该仓储数据库用于储存商品基本数据、历史促销数据、历史订单数据以及仓储空间数据，该社交网络声量分析模块用于获取外部的社交网络的文章数据，并依据该仓储数据库的该商品基本数据，分析出该文章数据与该商品基本数据的关联性而产生商品声量数据；该备货预测模块依据该仓储数据库的该商品基本数据和该历史促销数据以及依据该社交网络声量分析模块的该商品声量数据，运算取得备货预测数据；该仓储数据计算模块依据仓储数据库的该历史订单数据及该商品基本数据，解析取得有关仓储内货品状态的商品数据矩阵；以及该储位配置规划模块依据该备货预测模块的该备货预测数据、该仓储数据计算模块的该商品数据矩阵、以及该仓储数据库的该商品基本数据和该仓储空间数据，进行分析计算以产生仓库储位配置信息。
在一实施例中，该社交网络声量分析模块还包括：用于取得该文章数据的第一浏览网页单元；用于分析该文章数据与该商品基本数据关联性以取得该商品声量数据的语意分析单元；以及包含有用于储存该文章数据的文章数据库以及用于储存该商品声量数据的商品声量数据库的第一存储单元。
在另一实施例中，该备货预测模块还包括：备货预测运算单元以及第二存储单元，其中，该备货预测运算单元用于将该商品基本数据、该历史促销数据及该商品声量数据输入至一预测模型，以计算出该备货预测数据，以及该第二存储单元用于储存于该备货预测数据。
在另一实施例中，该备货预测模块还包括用于获取外部网站的天气数据的第二浏览网页单元，以供该备货预测运算单元分析运算该商品基本数据、该历史促销数据、该商品声量数据及该天气数据，以取得该备货预测数据。
在另一实施例中，该储位配置规划模块还包括规划单元，该规划单元用于依据该商品基本数据与该仓储空间数据产生外观相似性矩阵以及商品价格差矩阵，其中，外观相似性矩阵通过由该规划单元依据该商品基本数据内文字描述进行分类而产生，以及该商品价格差矩阵由该规划单元依据每一储位内商品与其相邻内商品的正规化价格差值而产生。
在另一实施例中，该规划单元依据该备货预测数据、该商品数据矩阵、该外观相似性矩阵以及该商品价格差矩阵以执行储位配置成本计算，借以取得该仓库储位配置信息，该储位配置成本计算为经过演算法分析计算成本值，该成本值回送至该外观相似性矩阵及该商品价格差矩阵作为考量依据，经多次迭代后以产生该成本值为最低的该仓库储位配置信息。
本发明提出的仓储储位配置系统，通过多项信息整合来优化储位配置，如此可达到在淡季减少备货量以及根据天气或节日等因素调整对应的商品备货量，另外，还可避免将出货相关性高的商品存放位置相隔很远、外观相似而难以分辨的商品相隔甚近、相邻商品价格差异大、周转率高的物品放在离出入口较远处、重量较重的商品拣货时放置在较轻的商品上方等不合适的储位方式，进而使商家达到商品或货品可有效管理配置的目的。
附图说明
图1为本发明的仓储储位配置系统的系统架构图；
图2为本发明的仓储储位配置系统其具体实施例的架构图；
图3为本发明的仓储储位配置系统的社交网络声量分析模块的架构图；
图4为本发明的仓储储位配置系统的备货预测模块的架构图；
图5为本发明的仓储储位配置系统的仓储数据计算模块的架构图；以及
图6为本发明的仓储储位配置系统的储位配置规划模块的架构图。
【符号说明】
1 仓储数据库；
100 仓储储位配置系统；
11 商品基本数据；
12 历史促销数据；
13 历史订单数据；
14 仓储空间数据；
2 社交网络声量分析模块；
21 语意分析单元；
22 第一浏览网页单元；
23 第一存储单元；
231 文章数据库；
232 商品声量数据库；
3 备货预测模块；
32 备货预测运算单元；
33 第二存储单元；
331 备货预测数据；
332 历史天气数据；
333 天气预报数据；
34 第二浏览网页单元；
35 计时器；
4 仓储数据计算模块；
41 商品周转率矩阵；
42 货品间出货相关性矩阵；
43 正规化商品重量矩阵；
5 储位配置规划模块；
51 仓库储位配置信息；
52 规划单元；
521 外观相似性矩阵；
522 商品价格差矩阵。
具体实施方式
以下借由特定的具体实施形态说明本发明的技术内容，本领域的技术人员可由本说明书所公开的内容轻易地了解本发明的优点与功效。但是本发明也可借由其他不同的具体实施例加以施行或应用。
本发明的模块、单元、装置等包括微处理器及存储器，而演算法、数据、程序等为储存存储器或芯片内，微处理器可从存储器载入数据或演算法或程序进行数据分析或计算等处理，在此不予赘述。例如本发明的仓储数据库、社交网络声量分析模块、备货预测模块、仓储数据计算模块以及储位配置规划模块包括有微处理器与存储器等，且各模块内的各单元以此执行分析运算，因而本发明所述的单元或模块其硬件细部结构也可按照相同方式实现。
图1为说明本发明的仓储储位配置系统。如图所示，该仓储储位配置系统100包括仓储数据库1、社交网络声量分析模块2、备货预测模块3、仓储数据计算模块4以及储位配置规划模块5。该仓储储位配置系统100可依据仓储内商品和历史数据以及外部信息进行整合，以得到较佳的货品配置结果。
仓储数据库1用于储存商品基本数据11、历史促销数据12、历史订单数据13以及仓储空间数据14，其中，商品基本数据11可用于商品间比对，历史促销数据12可作为备货考量，历史订单数据13可提供进货依据，而仓储空间数据14则提供现有仓储配置信息。在一实施例中，储存商品基本数据11、历史促销数据12、历史订单数据13以及仓储空间数据14可储存于存储器中，当欲使用前述数据则可分别自存储器载入(load)至微处理器。以下各模块或单元或装置等均为相同或类似方式处理。
社交网络声量分析模块2用于分析自外部的社交网络获取的文章数据及自仓储数据库1取得的商品基本数据11的商品声量数据。简言之，商品基本数据11可得到店家商品种类信息，而该些商品在消费者评价如何也与进货量与仓储配置相关，因而社交网络声量分析模块2会到外部的社交网络，例如论坛或讨论区，获取有关商品的文章数据，进而得到商品声量数据，也就是有关该商品的评论，以作为日后商品进货与配置的考量因素。具体来说，在分析之前，会预先对常用的形容词、副词等文字标注情绪评分以构成一常用数据库，之后在社交网络声量分析模块2通过自动浏览网页取得群网络的文章数据，即可通过比对文章数据内文字和常用数据库所储存信息，进而知道商品声量数据。关于商品声量数据更详细细计算方式，本发明后续将会有更详细举例说明。在一实施例中，分析自外部的社交网络获取的文章数据及自仓储数据库1取得的商品基本数据11的商品声量数据可储存于存储器中，当欲使用前述数据则可分别自存储器载入(load)至微处理器。以下各模块或单元或装置等均为相同或类似方式处理。
备货预测模块3接收仓储数据库1的商品基本数据11和历史促销数据12以及来自该社交网络声量分析模块2的商品声量数据，经由分析运算以取得备货预测数据，其中，备货预测数据是指店家日后备货参考依据，故除了考量有关消费者意见的商品声量数据外，当然也会考量与商品有关的历史促销数据，简单来说，商品基本数据11和历史促销数据12经递归类神经网络方式可得到一预测模型，之后当要预测商品备货数量时，则将预计进货的商品信息代入预测模型，即可得到备货预测数据，在此机制下，借此可得到哪一期间的销售情况，进而判断进货量多少的目的。在一实施例中，备货预测数据、商品备货数量、等销售情况可储存于存储器中，当欲使用前述数据则可分别自存储器载入(load)至微处理器，其中备货预测模型3在微处理器中执行。以下各模块或单元或装置等均为相同或类似方式处理。
仓储数据计算模块4解析仓储数据库1的历史订单数据13及商品基本数据11以得到有关仓储内货品状态的商品数据矩阵。详言之，历史订单数据13及商品基本数据11的分析可得到各商品的订货情况，此对于货品储位有影响，举例来说，不常订货表示销售速度相对慢，也就是出货机率相对低，如此将该货品放置仓储较内部避免影响热门商品的出货。在一实施例中，仓储数据计算模块4在微处理器中执行。以下各模块或单元或装置等均为相同或类似方式处理。
储位配置规划模块5接收并利用演算法分析计算该备货预测模块3的备货预测数据、该仓储数据计算模块4的商品数据矩阵以及仓储数据库1所提出的商品基本数据11和仓储空间数据14，借此产生仓库储位配置信息。储位配置规划模块5用于规划仓库储位配置，取得备货预测数据、商品数据矩阵、商品基本数据11和仓储空间数据14，通过演算法以产生最终的仓库储位配置信息，具体来说，商品基本数据11和仓储空间数据14可得到外观相似性和商品价格差异，上述信息会影响到商品储位配置，而备货预测模块3的备货预测数据与仓储数据计算模块4的商品数据矩阵则可产生各种储位配置的组合，在考量上述外观相似性、商品价格差异下，通过公式即可计算此配置的成本值，若经数次迭代后，即可令成本值最低的储位配置成为最适储位配置，其中，演算法可采用基因演算法、粒子群演算法等启发式演算法。在一实施例中，储位配置规划模块5在微处理器中执行。以下各模块或单元或装置等均为相同或类似方式处理。
由上可知，通过仓储内外部信息整合，除了考量消费者心态或评价下，还参考商品订货量与销售情况以及有关仓储现行配置结果，进而通过演算法来找出最佳的仓库储位配置信息，如此可供店家对于后续商品订货与储存建立参考依据。
图2为说明本发明的仓储储位配置系统其具体实施例的架构图。如图所示，仓储数据库1中储存有商品基本数据11、历史促销数据12、历史订单数据13以及仓储空间数据14。进一步来说，商品基本数据11可包含商品编号、商品名称、重量、售价及文字描述等可资区别商品的数据，商品基本数据11可作为其他信息查询的依据，例如到网络聊天室或时论区取得商品评论，或者依据商品名称取得销售情况、促销情况以及库存状态等。
历史促销数据12可包含商品编号、订购日期、订单编号及订购数量，该历史促销数据12可作为商品储位参考依据，例如某商品的促销档期将近，那该商品进货时，放置位置当然要以近期方便出货作为考量。
另外，历史订单数据13记录有货品先前促销的数据，可包含商品编号、促销日期及促销售价等信息，而仓储空间数据14则包含储位编号、座标及容量，是有关货品在仓储内位置等信息。
仓储储位配置系统100除了前述仓储数据库1外，还包括社交网络声量分析模块2、备货预测模块3、仓储数据计算模块4及储位配置规划模块5，其中，社交网络声量分析模块2包括第一浏览网页单元22、语意分析单元21及第一存储单元23，举例来说，具体实施时，语意分析单元21可为微处理器，第一存储单元23可为存储器，以此类推，下面将不再赘述。备货预测模块3包括备货预测运算单元32及第二存储单元33；以及储位配置规划模块5还包括规划单元52。后续将针对图2仓储储位配置系统100的各模块搭配以图3～图6进一步说明。
请一并参照图2及图3，图3为本发明的社交网络声量分析模块的架构图。如图所示，社交网络声量分析模块2用于获取外部的社交网络(例如：PTT、Dcard、Mobile01、Facebook等)中提及关于商品基本数据(例如商品名称)的文章数据，另外，社交网络声量分析模块2也会至仓储数据库1取得商品基本数据11，借此分析文章数据与商品基本数据11以产生商品声量数据。
社交网络声量分析模块2可包括用于搜寻各社交网络并取得文章数据的第一浏览网页单元22、用于分析文章数据与商品基本数据以取得商品声量数据的语意分析单元21、以及包含用于储存该文章数据的文章数据库231和用于储存该商品声量数据的商品声量数据库232的第一存储单元23。关于社交网络声量分析模块2如何执行分析的程序，下面将以实例说明。
社交网络声量分析模块2中会预先建立常用词库，即预先储存经标注情绪评分的常用的形容词、副词于词库中，词库也可供未来增加新的形容词、副词，其中，情绪评分的标注例如“好”为情绪评分“+5”的形容词、“不”为情绪评分“-1”的形容词、“很”为情绪评分“+2”的副词等，据此，在分析文章时，利用语意分析模块2根据商品基本数据11将文章内提及商品名称的句子或段落提取出，并检查文句内的常用形容词及与常用形容词对应修饰的副词，以获得文章数据的情绪评分，进而作为评量商品以产生商品声量数据。
在一实施例中，社交网络声量分析模块2通过第一浏览网页单元22在各种社交网络搜集与商品相关的文章数据，并储存于文章数据库231中，第一存储单元23可包含预先建立的词库，语意分析单元21将来自仓储数据库1的商品基本数据11及文章数据库231的文章数据进行分析，进而比对文章数据中有关商品的形容词及副词而分析出情绪评分，并将形容词及副词的情绪评分代入情绪评分计算公式中，进而产生商品声量数据，并储存于商品声量数据库232，计算公式如下式1：
其中，Adji表示句子中第i个形容词的情绪评分，Advi表示第i个形容词前的副词的情绪评分。
请一并参照图2及图4，图4为本发明的备货预测模块3的架构图。备货预测模块3接收来自仓储数据库1的商品基本数据11和历史促销数据12以及来自社交网络声量分析模块2的商品声量数据，经运算以取得备货预测数据331，据此，备货预测模块3通过运算分析上述数据得到备货预测数据331来预测商品所需的备货量。在一实施例中，该备货预测模块3包括备货预测运算单元32及第二存储单元33，其中，备货预测运算单元32用于将商品基本数据11、历史促销数据12及商品声量数据输入至一预测模型，以计算出该备货预测数据，也就是，备货预测运算单元32利用商品基本数据11和历史促销数据12通过递归类神经网络方式得到预测模型，之后将预计进货的商品信息代入预测模型中以得到备货预测数据，而第二存储单元33可用于储存备货预测数据331，具体实施时，第二存储单元33可为伺服器数据库。
在另一实施例中，备货预测模块还包括第二浏览网页单元34，该第二浏览网页单元34可用于获取外部网站的天气数据，其中，天气数据可包括历史天气数据332及天气预报数据333，该备货预测运算单元32可将该天气数据与该商品基本数据11、该历史促销数据12、该商品声量数据进行分析运算，同理，备货预测运算单元32除了考量商品基本数据11和历史促销数据12外，还加入历史天气数据332及天气预报数据333等信息，同样通过递归类神经网络以产生预测模型，而预测模型在键入该次预计进货的商品信息，即可取得备货预测数据331。简单来说，受不同天气的影响，商品的备货量也需调整，例如雨天需要雨伞、晴天应加强防晒，因此，第二浏览网页单元34提取天气数据可包含历史天气数据332或天气预报数据333的雨量、最高气温或最低气温等，借此推估货品备货数量。
另外，备货预测模块3还包括提供计时数据的计时器35，其中，备货预测运算单元32能提取计时数据以作为计算该备货预测数据331的参考依据。简言之，备货预测运算单元32分析计时数据时，基于在平日、假日或节日对于商品的需求有所不同，因此，通过备货预测运算单元32分析计时数据，以判断进货期间是否接近假日或节日，进而作为预测备货的参考，也就是，在接近节日时，增加与节日相关的商品的备货量。具体来说，计时器35的计时数据可包含日期、星期或是否假日的因素，并可搭配备历史天气数据332、天气预报数据333，以供备货预测运算单元32利用计时数据进行分析，简单来说，备货预测运算单元32在利用所建置的预测模型进行备货预估时，会加入计时器35的计时数据的考量，以得到最终的备货预测数据331。
在另一实施例中，在进行商品备货预测前会先建立预测模型，而备货预测运算单元32可将该次要备货的商品的商品基本数据11、历史促销数据12及商品声量数据输入至该预测模型以计算出备货预测数据331。具体来说，预测模型的建立，是利用先前取得的商品基本数据11、历史促销数据12及商品声量数据的既有数据进行正规化，即将上述数据依据关联性产生可用信息，并经递归类神经网络训练后而产生前述预测模型，且其中，递归类神经网络为长短期记忆(LSTM)神经网络、循环神经网络(RNN)或序列到序列(seq2seq)模型，或是以其它类似功能的神经网络来实作。
进一步而言，本系统的备货预测模块3为基于递归类神经网络的备货预测方法，备货预测方法包含预测模型生成和未来时段预测两部分，举例来说，在预测模型生成中，先进行指定商品的历史数据正规化处理以产生正规化历史数据，再利用正规化历史数据(例如历史订购数量，历史天气数据、商品售价等)训练递归类神经网络获得预测模型，而在未来时段预测中，先将指定商品的未来时间的数据进行正规化处理以产生正规化未来数据，再利用正规化未来数据(例如未来订购数量、未来天气数据、商品售价等)代入经递归类神经网络训练所获得的预测模型，以进行未来时段的备货预测，最终会得到预计进货的商品的商品备货预测货量。
具体而言，以T-2至T+1的时间轴为例，在第T-1日，备货预测运算单元32接收第T-2日商品订购量并分析第T-1日的数据、是否假日或节日、商品售价(促销价或建议售价)、商品社交网络声量、最高气温、最低气温、及日期或星期，以产生第T-1日的商品预测备货量，进而得到第T-1日的商品订购量；在第T日，备货预测运算单元32接收第T-1日商品订购量并分析第T日的数据、是否假日或节日、商品售价(促销价或建议售价)、商品社交网络声量、最高气温、最低气温、及日期或星期，以产生第T日的商品预测备货量，进而得到第T日的商品订购量，以此类推获得时间轴上的日期的备货量。
请一并参照图2及图5，图5为本发明的仓储数据计算模块的架构图。仓储数据计算模块4能自仓储数据库1取得历史订单数据13及商品基本数据11，以通过解析历史订单数据13及商品基本数据11而得到有关仓储内货品状态的商品数据矩阵，其中，该商品数据矩阵包括有关单一商品周转率的商品周转率矩阵41、有关货品间出货相关性的货品间出货相关性矩阵42以及有关商品重量的正规化商品重量矩阵43。
具体言之，仓储数据库1的历史订单数据13、商品基本数据11及仓储空间数据14可供仓储数据计算模块4运算单一商品周转率，进而产生单一商品周转率矩阵41，其中，单一商品周转率计算公式为fn1，其为商品订购次数/订单总数。
仓储数据计算模块4内的货品间出货相关性矩阵42表示货品间出货相关性，其中，货品间出货相关性的运算分析公式为fn2，其包含以下步骤：(1)建立一N×N的全0矩阵R，其中，N为商品品项总数，矩阵内第i行第j列的元素以Rij表示，0＜i，j≤N；(2)若商品i和商品j出现在同一张订单，则将Rij和Rji的值加1；(3)执行步骤(2)，累计所有订单内的所有商品；(4)找出将R内所有的元素的最大值Rmax，并将R内的所有元素皆除以Rmax；以及(5)矩阵R即为货品间出货相关性矩阵。通过上述步骤，将可得到有关货品间出货相关性的货品间出货相关性矩阵42。
仓储数据计算模块4内的正规化商品重量矩阵43用于正规化商品重量，其中，正规化商品重量的运算分析公式为fn3，其包含以下步骤：(1)由商品基本数据中的重量，可得到一N×1的商品重量矩阵；(2)从矩阵中得出矩阵内所有元素的最小值和最大值；(3)矩阵内所有的元素减去最小值，再除以该矩阵中最大值减去最小值的值，即可得出正规化商品重量矩阵。通过上述步骤，将可得到有关商品重量的正规化商品重量矩阵43。
请一并参照图2及图6，图6为本发明的储位配置规划模块的架构图。如图2所示，储位配置规划模块5可接收来自备货预测模块3的备货预测数据、来自仓储数据计算模块4的商品数据矩阵以及来自仓储数据库1的商品基本数据11和仓储空间数据14，经过演算法分析计算以产生仓库储位配置信息，据此，本发明的系统通过储位配置规划模块5演算备货预测数据、商品数据矩阵以及商品基本数据11和仓储空间数据14可预测所需备货量以及较佳储放位置，故避免储位空间过剩或不足的问题，不仅将仓储空间有效利用，更能提高拣货效率。
如图6所示，储位配置规划模块5还包括规划单元52，规划单元52能依据商品基本数据11与仓储空间数据14产生依据商品基本数据11内文字描述进行分类的外观相似性矩阵521以及依据每一储位内商品与其相邻内商品的正规化价格差值的商品价格差矩阵522。
外观相似性矩阵521的运算分析公式为fn4，其为依下列步骤进行分析：(1)商品根据商品基本数据11内的文字描述，进行聚类分群，得出商品的外观相似性分类值；(2)演算法产生一组储位配置；以及(3)在储位配置内，计算每一个储位内商品与其相邻储位内商品的外观相似性分类值差值，即为储位配置的外观相似性矩阵521。
商品价格差矩阵522依据的运算分析公式为fn5，其为依下列步骤分析：(1)根据商品基本数据内的商品建议售价减去所有建议售价的最小值，再除以建议售价最大值和建议售价最小值的差值，得出每个商品的正规化价格；(2)演算法产生一组储位配置；以及(3)将储位配置内，计算每一个储位内商品与其相邻储位内商品的正规化价格差值，即为储位配置的商品价格差矩阵522。
规划单元52在具备外观相似性矩阵521及商品价格差矩阵522下，规划单元52能依据备货预测数据331、商品数据矩阵、外观相似性矩阵521及商品价格差矩阵522来执行储位配置成本计算，借以取得最终的仓库储位配置信息51。在一实施例中，上述的储位配置成本计算为经过演算法分析计算成本值，即将利用各种储位配置组合，考量商品的外观相似性、商品价格差异并由成本公式fn6以计算各种配置的成本值，成本值会回送至外观相似性矩阵521及商品价格差矩阵522作为考量依据，经多次迭代后以产生成本值最低的仓库储位配置信息51，其中，成本计算为先依据成本公式fn6进行运算，其运算结果再经过演算法分析计算成本值，举例来说，演算法可为基因演算法、粒子群演算法或其他启发式演算法，另外，前述成本公式fn6如式2所示：
参照前述说明，规划单元52可依据备货预测数据331，经参考商品于社交网络上的声量决策新商品的备货量，并参考天气数据及计时数据综合考量所需的备货量，进而达到在淡季减少备货量以及根据天气或节日等因素调整对应的商品备货量的目的，另外，规划单元52还可依据商品数据矩阵(商品周转率矩阵41、货品间出货相关性矩阵42及正规化商品重量矩阵43)、外观相似性矩阵521以及商品价格差矩阵522的综合分析，以达到避免将出货相关性高的商品存放位置相隔很远、外观相似而难以分辨的商品相隔甚近或相邻商品价格差异大等问题的目的，且规划单元52也可依据商品基本数据11、历史订单数据13及正规化商品重量矩阵43，以避免周转率高的物品放在离出入口较远处、重量较重的商品拣货时放置在较轻的商品上方等问题。
综上所述，本发明的仓储储位配置系统，通过多项信息整合来优化储位配置，可预测所需的备货量，并提供经优化的储位给予所储存或将备货的货品，如此避免储位空间过剩或不足的问题，也可提高拣货效率。通过本发明的仓储储位配置机制，将能为店家提供更佳的进货管理和储位配置。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。
Claims (13)
1.一种仓储储位配置系统，其特征在于，包括：
仓储数据库，其用于储存商品基本数据、历史促销数据、历史订单数据以及仓储空间数据；
社交网络声量分析模块，其用于获取外部的社交网络的文章数据，并依该仓储数据库的该商品基本数据，以分析出该文章数据与该商品基本数据的关联性而产生商品声量数据；
备货预测模块，其依据该仓储数据库的该商品基本数据和该历史促销数据以及该社交网络声量分析模块的该商品声量数据，进行运算取得备货预测数据；
仓储数据计算模块，其依据该仓储数据库的该历史订单数据及该商品基本数据，进行解析以取得有关仓储内货品状态的商品数据矩阵；以及
储位配置规划模块，其依据该备货预测数据、该商品数据矩阵、以及该商品基本数据和该仓储空间数据，进行分析计算以产生仓库储位配置信息。
2.根据权利要求1所述的仓储储位配置系统，其特征在于，该社交网络声量分析模块还包括：
第一浏览网页单元，其用于获取该社交网络的文章数据；
语意分析单元，其用于分析该文章数据与该商品基本数据关联性以取得该商品声量数据；以及
第一存储单元，其包含有用于储存该文章数据的文章数据库以及用于储存该商品声量数据的商品声量数据库。
3.根据权利要求1所述的仓储储位配置系统，其特征在于，该备货预测模块还包括：
备货预测运算单元，其用于将该商品基本数据、该历史促销数据及该商品声量数据输入至一预测模型，以计算出该备货预测数据；以及
第二存储单元，其用于储存该备货预测数据。
4.根据权利要求3所述的仓储储位配置系统，其特征在于，该预测模型是利用先前取得的该商品基本数据、该历史促销数据及该商品声量数据的既有数据进行正规化，经递归类神经网络训练后产生。
5.根据权利要求4所述的仓储储位配置系统，其特征在于，该递归类神经网络为长短期记忆(LSTM)神经网络、循环神经网络(RNN)或序列到序列(seq2seq)模型。
6.根据权利要求3所述的仓储储位配置系统，其特征在于，该备货预测模块还包括第二浏览网页单元，其用于获取外部网站的天气数据，以供该备货预测运算单元分析运算该商品基本数据、该历史促销数据、该商品声量数据及该天气数据，以取得该备货预测数据。
7.根据权利要求6所述的仓储储位配置系统，其特征在于，该天气数据包括历史天气数据及天气预报数据。
8.根据权利要求3所述的仓储储位配置系统，其特征在于，该备货预测模块还包括提供计时数据的计时器，且该备货预测运算单元提取该计时数据以作为计算该备货预测数据的参考依据。
9.根据权利要求1所述的仓储储位配置系统，其特征在于，该商品数据矩阵包括有关单一商品周转率的商品周转率矩阵、有关货品间出货相关性的货品间出货相关性矩阵以及有关商品重量的正规化商品重量矩阵。
10.根据权利要求1所述的仓储储位配置系统，其特征在于，该储位配置规划模块还包括规划单元，该规划单元依据该商品基本数据与该仓储空间数据产生外观相似性矩阵和商品价格差矩阵，通过该商品基本数据内文字描述进行分类产生所述外观相似性矩阵以及通过每一储位内商品与其相邻内商品的正规化价格差值产生所述商品价格差矩阵。
11.根据权利要求10所述的仓储储位配置系统，其特征在于，该规划单元依据该备货预测数据、该商品数据矩阵、该外观相似性矩阵以及该商品价格差矩阵以执行储位配置成本计算，借以取得该仓库储位配置信息。
12.根据权利要求11所述的仓储储位配置系统，其特征在于，该储位配置成本计算为经过演算法分析计算出成本值，该成本值回送至该外观相似性矩阵及该商品价格差矩阵作为考量依据，经多次迭代后以产生该成本值为最低的该仓库储位配置信息。
13.根据权利要求12所述的仓储储位配置系统，其特征在于，该演算法为一基因演算法或粒子群演算法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107130601 | 2018-08-31 | ||
| TW107130601A TWI684145B (zh) | 2018-08-31 | 2018-08-31 | 倉儲儲位配置系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110874670A true CN110874670A (zh) | 2020-03-10 |
| CN110874670B CN110874670B (zh) | 2023-07-04 |
Family
ID=69716254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811193548.7A Active CN110874670B (zh) | 2018-08-31 | 2018-10-12 | 仓储储位配置系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110874670B (zh) |
| TW (1) | TWI684145B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111831675A (zh) * | 2020-07-07 | 2020-10-27 | 平安科技（深圳）有限公司 | 一种仓储模型训练方法、装置、计算机设备及存储介质 |
| CN111860953A (zh) * | 2020-06-17 | 2020-10-30 | 湖南中拓信息科技有限公司 | 一种智能仓库库位分配系统及方法 |
| CN112580601A (zh) * | 2020-12-30 | 2021-03-30 | 触动力科技（深圳）有限公司 | 立体无人仓库的管理系统及方法 |
| CN113793086A (zh) * | 2020-09-30 | 2021-12-14 | 北京沃东天骏信息技术有限公司 | 备货量确定方法及装置、计算机存储介质、电子设备 |
| CN115099525A (zh) * | 2022-07-28 | 2022-09-23 | 国连科技(浙江)有限公司 | 一种货物仓储管理方法、系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020099563A1 (en) * | 2001-01-19 | 2002-07-25 | Michael Adendorff | Data warehouse system |
| US20020133368A1 (en) * | 1999-10-28 | 2002-09-19 | David Strutt | Data warehouse model and methodology |
| CN1741053A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 物流仓储决策支持系统 |
| CN105809384A (zh) * | 2014-12-31 | 2016-07-27 | 江阴中科今朝科技有限公司 | 跨境仓储决策分析系统 |
| CN107292565A (zh) * | 2017-06-29 | 2017-10-24 | 浙江优展信息科技有限公司 | 一种前置仓生鲜购物配送模式 |
| CN107392703A (zh) * | 2017-07-11 | 2017-11-24 | 网易无尾熊（杭州）科技有限公司 | 一种确定预采购商品的方法、设备和服务器 |
| CN107609812A (zh) * | 2017-08-30 | 2018-01-19 | 南京理工大学 | 一种新型的智能仓储系统 |
| CN107730189A (zh) * | 2017-11-23 | 2018-02-23 | 北京德鑫泉物联网科技股份有限公司 | Rfid智能仓储管理系统及管理方法 |
| US20180068255A1 (en) * | 2016-09-02 | 2018-03-08 | X Development Llc | Optimization of Warehouse Layout Based on Customizable Goals |
| CN108108933A (zh) * | 2017-12-01 | 2018-06-01 | 中国联合网络通信集团有限公司 | 仓储位置分配方法及装置 |
| CN108202965A (zh) * | 2016-12-16 | 2018-06-26 | 东莞市海柔智能科技有限公司 | 自动化仓储管理方法、装置和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI453684B (zh) * | 2009-11-24 | 2014-09-21 | Univ Nat Chiao Tung | An Evaluation System and Method of Intelligent Mobile Service Commodity Application Information Retrieval Technology |
| CN105631619A (zh) * | 2014-10-30 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 资源管理方法与系统 |
-
2018
- 2018-08-31 TW TW107130601A patent/TWI684145B/zh active
- 2018-10-12 CN CN201811193548.7A patent/CN110874670B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020133368A1 (en) * | 1999-10-28 | 2002-09-19 | David Strutt | Data warehouse model and methodology |
| US20020099563A1 (en) * | 2001-01-19 | 2002-07-25 | Michael Adendorff | Data warehouse system |
| CN1741053A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 物流仓储决策支持系统 |
| CN105809384A (zh) * | 2014-12-31 | 2016-07-27 | 江阴中科今朝科技有限公司 | 跨境仓储决策分析系统 |
| US20180068255A1 (en) * | 2016-09-02 | 2018-03-08 | X Development Llc | Optimization of Warehouse Layout Based on Customizable Goals |
| CN108202965A (zh) * | 2016-12-16 | 2018-06-26 | 东莞市海柔智能科技有限公司 | 自动化仓储管理方法、装置和系统 |
| CN107292565A (zh) * | 2017-06-29 | 2017-10-24 | 浙江优展信息科技有限公司 | 一种前置仓生鲜购物配送模式 |
| CN107392703A (zh) * | 2017-07-11 | 2017-11-24 | 网易无尾熊（杭州）科技有限公司 | 一种确定预采购商品的方法、设备和服务器 |
| CN107609812A (zh) * | 2017-08-30 | 2018-01-19 | 南京理工大学 | 一种新型的智能仓储系统 |
| CN107730189A (zh) * | 2017-11-23 | 2018-02-23 | 北京德鑫泉物联网科技股份有限公司 | Rfid智能仓储管理系统及管理方法 |
| CN108108933A (zh) * | 2017-12-01 | 2018-06-01 | 中国联合网络通信集团有限公司 | 仓储位置分配方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860953A (zh) * | 2020-06-17 | 2020-10-30 | 湖南中拓信息科技有限公司 | 一种智能仓库库位分配系统及方法 |
| CN111860953B (zh) * | 2020-06-17 | 2022-01-25 | 湖南中拓信息科技有限公司 | 一种智能仓库库位分配系统及方法 |
| CN111831675A (zh) * | 2020-07-07 | 2020-10-27 | 平安科技（深圳）有限公司 | 一种仓储模型训练方法、装置、计算机设备及存储介质 |
| CN113793086A (zh) * | 2020-09-30 | 2021-12-14 | 北京沃东天骏信息技术有限公司 | 备货量确定方法及装置、计算机存储介质、电子设备 |
| CN112580601A (zh) * | 2020-12-30 | 2021-03-30 | 触动力科技（深圳）有限公司 | 立体无人仓库的管理系统及方法 |
| CN115099525A (zh) * | 2022-07-28 | 2022-09-23 | 国连科技(浙江)有限公司 | 一种货物仓储管理方法、系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202011288A (zh) | 2020-03-16 |
| TWI684145B (zh) | 2020-02-01 |
| CN110874670B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Van Steenbergen et al. | Forecasting demand profiles of new products | |
| Li et al. | Dynamic supply chain decisions based on networked sensor data: an application in the chilled food retail chain | |
| CN110874670A (zh) | 仓储储位配置系统 | |
| Bottani et al. | Optimisation of storage allocation in order picking operations through a genetic algorithm | |
| CN109840730B (zh) | 用于数据预测的方法及装置 | |
| CN109741082A (zh) | 一种基于时间序列分解的季节性商品需求预测方法 | |
| CN117350766B (zh) | 一种基于私域电商平台的数据处理方法、系统及存储介质 | |
| Zhang et al. | Integrating the logistics network design with order quantity determination under uncertain customer demands | |
| CN110599100A (zh) | 商品的仓库货位推荐方法及装置 | |
| Saha et al. | Demand forecasting of a multinational retail company using deep learning frameworks | |
| Theodorou et al. | Optimizing inventory control through a data-driven and model-independent framework | |
| Chen et al. | Warehouse site selection for online retailers in inter-connected warehouse networks | |
| Baghla et al. | Performance evaluation of various classification techniques for customer churn prediction in e-commerce | |
| Agarwal et al. | Machine Learning and Natural Language Processing in Supply Chain Management: A Comprehensive Review and Future Research Directions. | |
| CN114997916A (zh) | 潜在用户的预测方法、系统、电子设备和存储介质 | |
| Spuritha et al. | Quotidian sales forecasting using machine learning | |
| Chen et al. | Hierarchical demand forecasting for factory production of perishable goods | |
| KR102615751B1 (ko) | 택배운송정보를 이용한 판매 예측 시스템 | |
| CN118096016A (zh) | 一种仓储管理技术的数据资产管理方法及系统 | |
| CN113393041A (zh) | 一种基于销量预测的零售领域供应链库存优化方法 | |
| Verma et al. | Role of corporate memory in the global supply chain environment | |
| CN116308507A (zh) | 一种基于客户价值的潜在客户挖掘方法、存储介质及设备 | |
| Ikram et al. | Comparative analysis of regression algorithms used to predict the sales of big marts | |
| CN114118610A (zh) | 基于关联性大数据的产品销量预测方法及系统 | |
| Huang et al. | A rough set based approach to patent development with the consideration of resource allocation |
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 |