CN111353794B - 数据处理的方法、供应链调度的方法和装置 - Google Patents

数据处理的方法、供应链调度的方法和装置 Download PDF

Info

Publication number
CN111353794B
CN111353794B CN201811565041.XA CN201811565041A CN111353794B CN 111353794 B CN111353794 B CN 111353794B CN 201811565041 A CN201811565041 A CN 201811565041A CN 111353794 B CN111353794 B CN 111353794B
Authority
CN
China
Prior art keywords
data
target object
store
configuration file
generating
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
CN201811565041.XA
Other languages
English (en)
Other versions
CN111353794A (zh
Inventor
尹君
张滋润
杨程
杨森
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201811565041.XA priority Critical patent/CN111353794B/zh
Publication of CN111353794A publication Critical patent/CN111353794A/zh
Application granted granted Critical
Publication of CN111353794B publication Critical patent/CN111353794B/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了一种数据处理的方法、供应链调度的方法和装置。其中，该方法包括：依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取数据策略参数配置文件；依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；将待预测样本导入数据模型，得到数据评估结果。本发明解决了由于现有技术中库存仿真优化系统普遍存在计算量巨大，需要分析等待时间过长的技术问题。

Description

数据处理的方法、供应链调度的方法和装置
技术领域
本发明涉及互联网技术领域，具体而言，涉及一种数据处理的方法、供应链调度的方法和装置。
背景技术
大型零售业或商对客(Business to Customer，简称B2C)中库存管理系统每日管理多个门店向上游仓库补货请求，或者多个仓库向供应商的补货请求。而需要进行补充货品的类目多达百个，每个类目下库存量单位(Stock Keeping Unit，简称SKU)近上千个。在面对如此海量的商品，库存管理人员需要根据店铺内商品当前库存情况、历史销量、未来需求、到货时间等数据，根据是否满足一定服务水平或者可容忍缺货率，对于不同的补货策略进行仿真拟合和策略优化选择。期望能够快速在合理的时间内进行分析多个不同策略，获得最佳符合需求补货策略，决定补货方案。目前的库存仿真优化系统普遍存在计算量巨大，需要分析等待时间过长等问题。
针对上述由于现有技术中库存仿真优化系统普遍存在计算量巨大，需要分析等待时间过长的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据处理的方法、供应链调度的方法和装置，以至少解决由于现有技术中库存仿真优化系统普遍存在计算量巨大，需要分析等待时间过长的技术问题。
根据本发明实施例的一个方面，提供了一种数据处理的方法，包括：依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取数据策略参数配置文件；依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；将待预测样本导入数据模型，得到数据评估结果。
可选的，该方法还包括：在目标对象的历史数据包括新增目标对象的历史数据的情况下，获取新增目标对象的历史数据，其中，新增目标对象的历史数据包括：目标对象需求数据、目标对象预测销量数据或目标对象到达时间数据；获取目标对象的属性数据，目标对象的属性数据包括：目标对象类目、目标对象所属门店；依据新增目标对象的历史数据和目标对象的属性数据进行数据汇总，得到门店级别数据；依据门店级别数据进行数据统计，得到目标对象所属门店数据。
可选的，依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本包括：从目标对象的所属门店数据中获取目标对象的特征数据；从数据策略参数配置文件中获取策略参数数据；依据目标对象的特征数据和策略参数数据生成待预测样本。
可选的，该方法还包括：根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据；依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集；依据数据训练集生成数据模型。
进一步地，可选的，根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据包括：获取历史真实数据集和目标对象的属性数据集进行数据汇总，得到门店级别数据，其中，历史真实数据集包括：历史目标对象需求数据、历史到达时间数据、历史库存数据和/或历史预测销量数据；目标对象的属性数据集包括：目标对象类目和目标对象所属店铺；依据门店级别数据进行统计得到目标对象以及所属门店的数据。
可选的，依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集包括：根据目标对象以及所属门店的数据和数据策略参数配置文件，生成回归分析所需训练数据集和评估测试数据集。
进一步地，可选的，依据数据训练集生成数据模型包括：在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成数据模型。
可选的，在依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集之前，该方法还包括：获取数据策略参数配置文件；将数据策略参数配置文件进行仿真，得到策略与仿真缺货率数据之间的映射集。
根据本发明实施例的另一方面，还提供了一种供应链调度方法，包括：依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取数据策略参数配置文件；依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；将待预测样本导入数据模型，得到数据评估结果；依据数据评估结果对目标对象进行补货。
根据本发明实施例的又一方面，还提供了一种数据处理的方法，包括：根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据；依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集；依据数据训练集生成数据模型。
可选的，根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据包括：获取历史真实数据集和目标对象的属性数据集进行数据汇总，得到门店级别数据，其中，历史真实数据集包括：历史目标对象需求数据、历史到达时间数据、历史库存数据和/或历史预测销量数据；目标对象的属性数据集包括：目标对象类目和目标对象所属店铺；依据门店级别数据进行统计得到目标对象以及所属门店的数据。
可选的，依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集包括：根据目标对象以及所属门店的数据和数据策略参数配置文件，生成回归分析所需训练数据集和评估测试数据集。
进一步地，可选的，依据数据训练集生成数据模型包括：在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成数据模型。
可选的，在依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集之前，该方法还包括：获取数据策略参数配置文件；将数据策略参数配置文件进行仿真，得到策略与仿真缺货率数据之间的映射集。
根据本发明实施例的再一方面，还提供了一种数据处理的装置，包括：统计模块，用于依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取模块，用于获取数据策略参数配置文件；样本生成模块，用于依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；导入模块，用于将待预测样本导入数据模型，得到数据评估结果。
根据本发明另一实施例的一方面，还提供了一种供应链调度装置，包括：统计模块，用于依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取模块，用于获取数据策略参数配置文件；配置模块，用于依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；导入模块，用于将待预测样本导入数据模型，得到数据评估结果；预测模块，依据数据评估结果对目标对象进行补货。
根据本发明另一实施例的一方面，还提供了一种数据处理的装置，包括：统计模块,用于根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据；训练集生成模块,用于依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集；模型生成模块,用于依据数据训练集生成数据模型。
根据本发明另一实施例的一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述数据处理的方法或上述供应链调度方法。
在本发明实施例中，采用通过已有的仿真数据，进行模型训练预测缺货率的方式，通过依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取数据策略参数配置文件；依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；将待预测样本导入数据模型，得到数据评估结果，达到了对于新的需要补货的商品和策略组合可以预判是否该策略是否能够获得满足缺货率指标以内的预判的目的，从而实现了有效减少需要进行仿真优化的策略数量，提高库存管理员的效率的技术效果，进而解决了由于现有技术中库存仿真优化系统普遍存在计算量巨大，需要分析等待时间过长的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的一种数据处理的方法的计算机终端的硬件结构框图；
图2是根据本发明实施例一的数据处理的方法的流程图；
图3是根据本发明实施例一的数据处理的方法中的预测流程的示意图；
图4是根据本发明实施例一的数据处理的方法中离线数据处理的示意图；
图5是根据本发明实施例二的数据处理的方法的流程示意图；
图6是根据本发明实施例四的数据处理的装置的结构示意图；
图7是根据本发明实施例六的数据处理的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请涉及的技术名词：
缺货率：零售业中因库存耗尽无法满足用户需求为缺货。缺货率定义可以为商品的缺货时间占所有服务时间的比例或者缺货商品占全部商品的比例。
仿真优化：根据库存管理目标，对于现实世界中的数据、性能等问题进行模拟，建立具有一定逻辑关系的仿真模型，据此进行试验和定量分析，获得正确决策所需的各种信息。
Linear Regression:线性回归，是一种线性拟合模型。
实施例1
根据本发明实施例，还提供了一种数据处理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例的一种数据处理的方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的数据处理的方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的数据处理的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
在上述运行环境下，本申请提供了如图2所示的数据处理的方法。图2是根据本发明实施例一的数据处理的方法的流程图。
步骤S202,依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；
步骤S204,获取数据策略参数配置文件；
步骤S206,依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；
步骤S208,将待预测样本导入数据模型，得到数据评估结果。
综上，结合步骤S202至步骤S208,本申请实施例提供的数据处理的方法可以适用于门店配货预测,在实现手段上可以基于人工智能进行供应链仿真优化,以精确的提供预测缺货和配货方案。
其中，如图3所示，图3是根据本发明实施例一的数据处理的方法中的预测流程的示意图，在本申请实施例中目标对象可以包括线上和/或线下门店销售的商品，基于离线数据处理过程中生成的数据模型，在预测时，通过接受新的商品的需求数据、当前库存数据、当前到货时间数据等，结合该数据模型，生成不同策略下的预估缺货率，并输出最终策略筛选结果。
本申请实施例提供的数据处理的方法在预测时的方案具体如下：
S31:新增商品补货库存需求(即，本申请实施例中的目标对象的历史数据)，该新增商品补货库存需求至少包含商品需求数据、商品预测销量数据、到达时间数据。
S32:导入商品属性数据集(即，本申请实施例中的目标对象的属性数据)。
S33:统计门店数据，即，根据商品历史数据和商品固定属性汇总到门店级别数据。
S34:统计目标商品及其对应的门店数据(即，本申请实施例中的目标对象所属门店数据)。
S35:导入配置策略参数配置文件(即，本申请实施例中的数据策略参数配置文件)，即，导入策略配置文件数据集，其中，导入不同策略的配置文件数据。
S36:预测样本生成(即，得到本申请实施例中的待预测样本)，即，通过汇总策略参数数据与商品特征数据生成得到。
S37:根据已有的D14模型文件(即，本申请实施例中的数据模型)，对于S36中生成的待预测样本进行预测。
S38:输出评估结果，按照评估结果生成缺货率预测，过滤掉无缺货和无效策略。
需要说明的是，在本申请实施例中通过已有的仿真数据，进行模型训练预测缺货率等优化目标。对于新的需要补货的商品和策略组合可以预判是否该策略是否能够获得满足缺货率指标以内的预判，可以有效减少需要进行仿真优化的策略数量，提高库存管理员的效率。
而本申请实施例中通过已有的仿真数据，进行模型训练预测缺货率等优化目标的过程可以通过离线数据处理实现，以使得在预测时，不占用线上运算资源，从而提升预测效率，并且，通过离线数据处理对每次预测的评估结果基于人工智能技术进行深度学习，进而达到通过多次学习，提升预测精确率。
在本发明实施例中，采用通过已有的仿真数据，进行模型训练预测缺货率的方式，通过依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取数据策略参数配置文件；依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；将待预测样本导入数据模型，得到数据评估结果，达到了对于新的需要补货的商品和策略组合可以预判是否该策略是否能够获得满足缺货率指标以内的预判的目的，从而实现了有效减少需要进行仿真优化的策略数量，提高库存管理员的效率的技术效果，进而解决了由于现有技术中库存仿真优化系统普遍存在计算量巨大，需要分析等待时间过长的技术问题。
可选的，本申请实施例提供的数据处理的方法包括：
Step1,在目标对象的历史数据包括新增目标对象的历史数据的情况下，获取新增目标对象的历史数据，其中，新增目标对象的历史数据包括：目标对象需求数据、目标对象预测销量数据或目标对象到达时间数据；
具体的，结合图3所示，在预测时，导入新增补货商历史真实数据，即，新增的商品的历史数据，该商品的历史数据至少包含商品需求数据、商品预测销量数据、到达时间数据。
Step2,获取目标对象的属性数据，目标对象的属性数据包括：目标对象类目、目标对象所属门店；
具体的，目标对象的属性数据在本申请实施例中为商品的属性数据，商品的属性数据包括商品类目和/或商品所属门店。
Step3,依据新增目标对象的历史数据和目标对象的属性数据进行数据汇总，得到门店级别数据；
具体的，结合图3，根据Step1和Step2统计新门店数据。
Step4,依据门店级别数据进行数据统计，得到目标对象所属门店数据。
具体的，结合图3，根据步骤Step1至Step3，根据新增的商品的历史数据和新门店数据进行统计，得到目标商品数据及目标商品对应的门店数据。
可选的，步骤S206中依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本包括：从目标对象的所属门店数据中获取目标对象的特征数据；从数据策略参数配置文件中获取策略参数数据；依据目标对象的特征数据和策略参数数据生成待预测样本。
具体的，结合图3中的步骤S36，基于步骤S204中获取到的目标对象所属门店数据，即，目标商品数据及目标商品对应的门店数据，从目标商品数据及目标商品对应的门店数据中获取目标商品的特征数据；并从数据策略参数配置文件中获取策略参数数据；基于目标商品的特征数据和策略参数数据生成待预测样本。
进一步地，可选的，本申请实施例提供的数据处理的方法还包括：步骤S210，依据数据评估结果生成缺货率预测，过滤无缺货和无效策略。
具体的，结合图3中的步骤S38，按照数据评估结果生成缺货率预测，过滤无缺货和无效策略。
此外，本申请实施例提供的数据处理的方法在离线数据处理过程具体如下：
可选的，本申请实施例提供的数据处理的方法还包括：
Step1,根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据；
Step2,依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集；
Step3,依据数据训练集生成数据模型。
具体的，如图4所示，图4是根据本发明实施例一的数据处理的方法中离线数据处理的示意图，在进行预测之前，通过离线数据处理的方式获取数据模型，具体如下：
S41:导入历史真实数据集，包括历史商品需求数据、历史到达时间数据、历史库存数据、历史预测销量数据。
S42:导入商品固定属性数据集。包括商品类目、商品所属店铺等固有属性。
其中，结合步骤S41和步骤S42,获取历史真实数据集和目标对象的属性数据集进行数据汇总，得到门店级别数据，其中，历史真实数据集包括：历史目标对象需求数据(即,本申请实施例中的历史商品需求数据)、历史到达时间数据、历史库存数据和/或历史预测销量数据。
这里商品固定属性数据集为本申请实施例中的目标对象的属性数据集，该目标对象的属性数据集包括：目标对象类目和目标对象所属店铺(即，本申请实施例中的商品类目、商品所属店铺等固有属性)。
S43:统计门店数据，根据商品历史数据和商品固定属性汇总到门店级别数据。
S44:统计目标商品及其对应的门店数据。
其中,依据门店级别数据进行统计得到目标对象(即，本申请实施例中的目标商品)以及所属门店的数据。
S45:导入策略配置文件数据集。导入不同策略的配置文件数据。
S46:输入仿真系统进行优化仿真。生成不同策略下的D11仿真缺货率数据。
其中，结合步骤S45和S46，获取数据策略参数配置文件；将数据策略参数配置文件进行仿真，得到策略与仿真缺货率数据之间的映射集。
S47:样本生成。根据统计目标商品数据集和策略配置文件，生成回归分析所需D12训练数据集和D13评估测试数据集。
其中，关于样本的生成过程具体如下：根据目标对象以及所属门店的数据和数据策略参数配置文件，生成回归分析所需训练数据集和评估测试数据集。
S48:在训练样本集上，训练缺货率预测模型。
需要说明的是，在本申请实施例中进行模型训练时，可以选择的模型包括但不限于LR等线性模型，还可以包括DL相关的非线性模型等，以实现本申请实施例提供的数据处理的方法为准，具体不做限定。
S49:评估效果，在D13评估测试数据集上，生成D14模型文件。
需要说明的是，本申请实施例提供的数据处理的方法在对应的优化目标中，可以不局限于缺货率，还可以包括库存水位、库存周转等，本申请实施例仅以缺货率的预测为优选示例进行举例，以实现本申请实施例提供的数据处理的方法为准，具体不做限定。
本申请实施例提供的数据处理的方法中利用仿真系统数据根据目标，对于已有的策略和商品数据(历史需求、未来需求、lead-time)等进行模型训练，可以在新一轮库存决策时，有效减少需要预判的策略。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的数据处理的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例的另一方面，还提供了一种数据处理的方法，如图5所示，图5是根据本发明实施例二的数据处理的方法的流程示意图，包括：
步骤S502，根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据；
步骤S504，依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集；
步骤S506，依据数据训练集生成数据模型。
具体的，结合步骤S502至步骤S506，对应实施例1中的图4，本申请实施例提供的数据处理的方法对应实施例1中的离线数据处理部分，通过利用仿真系统数据根据目标，对于已有的策略和商品数据(历史需求、未来需求、lead-time)等进行模型训练，可以在新一轮库存决策时，有效减少需要预判的策略。
可选的，根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据包括：获取历史真实数据集和目标对象的属性数据集进行数据汇总，得到门店级别数据，其中，历史真实数据集包括：历史目标对象需求数据、历史到达时间数据、历史库存数据和/或历史预测销量数据；目标对象的属性数据集包括：目标对象类目和目标对象所属店铺；依据门店级别数据进行统计得到目标对象以及所属门店的数据。
可选的，依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集包括：根据目标对象以及所属门店的数据和数据策略参数配置文件，生成回归分析所需训练数据集和评估测试数据集。
进一步地，可选的，依据数据训练集生成数据模型包括：在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成数据模型。
可选的，在依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集之前，该方法还包括：获取数据策略参数配置文件；将数据策略参数配置文件进行仿真，得到策略与仿真缺货率数据之间的映射集。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的数据处理的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例3
根据本发明实施例的另一方面，还提供了一种供应链调度方法，包括：依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取数据策略参数配置文件；依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；将待预测样本导入数据模型，得到数据评估结果；依据数据评估结果对目标对象进行补货。
实施例4
根据本发明实施例，还提供了一种用于实施上述数据处理的方法的装置，如图6所示，图6是根据本发明实施例四的数据处理的装置的结构示意图，该装置包括：
统计模块62，用于依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取模块64，用于获取数据策略参数配置文件；样本生成模块66，用于依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；导入模块68，用于将待预测样本导入数据模型，得到数据评估结果。
实施例5
根据本发明另一实施例的一方面，还提供了一种供应链调度装置，包括：统计模块，用于依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取模块，用于获取数据策略参数配置文件；配置模块，用于依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；导入模块，用于将待预测样本导入数据模型，得到数据评估结果；预测模块，依据数据评估结果对目标对象进行补货。
实施例6
根据本发明实施例，还提供了一种用于实施上述数据处理的方法的装置，如图7所示，图7是根据本发明实施例六的数据处理的装置的结构示意图，该装置包括：
统计模块72,用于根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据；训练集生成模块74,用于依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集；模型生成模块76,用于依据数据训练集生成数据模型。
实施例7
根据本发明另一实施例的一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述实施例1或2中的数据处理的方法，或上述实施例3中的供应链调度方法。
实施例8
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的数据处理的方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：依据目标对象的历史数据和目标对象的属性数据进行数据统计，得到目标对象所属门店数据；获取数据策略参数配置文件；依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本；将待预测样本导入数据模型，得到数据评估结果。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：在目标对象的历史数据包括新增目标对象的历史数据的情况下，获取新增目标对象的历史数据，其中，新增目标对象的历史数据包括：目标对象需求数据、目标对象预测销量数据或目标对象到达时间数据；获取目标对象的属性数据，目标对象的属性数据包括：目标对象类目、目标对象所属门店；依据新增目标对象的历史数据和目标对象的属性数据进行数据汇总，得到门店级别数据；依据门店级别数据进行数据统计，得到目标对象所属门店数据。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：依据目标对象所属门店数据和数据策略参数配置文件生成待预测样本包括：从目标对象的所属门店数据中获取目标对象的特征数据；从数据策略参数配置文件中获取策略参数数据；依据目标对象的特征数据和策略参数数据生成待预测样本。
进一步地，可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：依据数据评估结果生成缺货率预测，过滤无缺货和无效策略。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据；依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集；依据数据训练集生成数据模型。
进一步地，可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据包括：获取历史真实数据集和目标对象的属性数据集进行数据汇总，得到门店级别数据，其中，历史真实数据集包括：历史目标对象需求数据、历史到达时间数据、历史库存数据和/或历史预测销量数据；目标对象的属性数据集包括：目标对象类目和目标对象所属店铺；依据门店级别数据进行统计得到目标对象以及所属门店的数据。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集包括：根据目标对象以及所属门店的数据和数据策略参数配置文件，生成回归分析所需训练数据集和评估测试数据集。
进一步地，可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：依据数据训练集生成数据模型包括：在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成数据模型。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：在依据获取到的数据策略参数配置文件和目标对象以及所属门店的数据生成数据训练集之前，获取数据策略参数配置文件；将数据策略参数配置文件进行仿真，得到策略与仿真缺货率数据之间的映射集。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种数据处理的方法，包括：
依据目标对象的历史数据和所述目标对象的属性数据进行数据统计，得到所述目标对象所属门店数据；
获取数据策略参数配置文件；
依据所述目标对象所属门店数据和所述数据策略参数配置文件生成待预测样本；
将所述待预测样本导入数据模型，得到数据评估结果；
所述依据所述目标对象所属门店数据和所述数据策略参数配置文件生成待预测样本包括：从所述目标对象的所属门店数据中获取所述目标对象的特征数据；从所述数据策略参数配置文件中获取策略参数数据；依据所述目标对象的特征数据和所述策略参数数据生成所述待预测样本；
在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成所述数据模型。
2.根据权利要求1所述的方法，其中，所述方法还包括：
在所述目标对象的历史数据包括新增目标对象的历史数据的情况下，获取所述新增目标对象的历史数据，其中，所述新增目标对象的历史数据包括：目标对象需求数据、目标对象预测销量数据或目标对象到达时间数据；
获取所述目标对象的属性数据，所述目标对象的属性数据包括：目标对象类目、目标对象所属门店；
依据所述新增目标对象的历史数据和所述目标对象的属性数据进行数据汇总，得到门店级别数据；
依据所述门店级别数据进行数据统计，得到所述目标对象所属门店数据。
3.根据权利要求1所述的方法，其中，所述方法还包括：
根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到所述目标对象以及所属门店的数据；
依据获取到的数据策略参数配置文件和所述目标对象以及所属门店的数据生成数据训练集；
依据所述数据训练集生成所述数据模型。
4.根据权利要求3所述的方法，其中，所述根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到所述目标对象以及所属门店的数据包括：
获取所述历史真实数据集和所述目标对象的属性数据集进行数据汇总，得到门店级别数据，其中，所述历史真实数据集包括：历史目标对象需求数据、历史到达时间数据、历史库存数据和/或历史预测销量数据；所述目标对象的属性数据集包括：目标对象类目和目标对象所属店铺；
依据所述门店级别数据进行统计得到所述目标对象以及所属门店的数据。
5.根据权利要求3所述的方法，其中，所述依据获取到的数据策略参数配置文件和所述目标对象以及所属门店的数据生成数据训练集包括：
根据所述目标对象以及所属门店的数据和所述数据策略参数配置文件，生成回归分析所需训练数据集和评估测试数据集。
6.根据权利要求3所述的方法，其中，在依据获取到的数据策略参数配置文件和所述目标对象以及所属门店的数据生成数据训练集之前，所述方法还包括：
获取数据策略参数配置文件；
将所述数据策略参数配置文件进行仿真，得到策略与仿真缺货率数据之间的映射集。
7.一种供应链调度方法，包括：
依据目标对象的历史数据和所述目标对象的属性数据进行数据统计，得到所述目标对象所属门店数据；
获取数据策略参数配置文件；
依据所述目标对象所属门店数据和所述数据策略参数配置文件生成待预测样本；
将所述待预测样本导入数据模型，得到数据评估结果；
依据所述数据评估结果对所述目标对象进行补货；
所述依据所述目标对象所属门店数据和所述数据策略参数配置文件生成待预测样本包括：从所述目标对象的所属门店数据中获取所述目标对象的特征数据；从所述数据策略参数配置文件中获取策略参数数据；依据所述目标对象的特征数据和所述策略参数数据生成所述待预测样本；
在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成所述数据模型。
8.一种数据处理的方法，包括：
根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据；
依据获取到的数据策略参数配置文件和所述目标对象以及所属门店的数据生成数据训练集；
依据所述数据训练集生成数据模型；
从所述目标对象的所属门店数据中获取所述目标对象的特征数据；从所述数据策略参数配置文件中获取策略参数数据；依据所述目标对象的特征数据和所述策略参数数据生成待预测样本；在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成所述数据模型。
9.根据权利要求8所述的方法，其中，所述根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据包括：
获取所述历史真实数据集和所述目标对象的属性数据集进行数据汇总，得到门店级别数据，其中，所述历史真实数据集包括：历史目标对象需求数据、历史到达时间数据、历史库存数据和/或历史预测销量数据；所述目标对象的属性数据集包括：目标对象类目和目标对象所属店铺；
依据所述门店级别数据进行统计得到所述目标对象以及所属门店的数据。
10.根据权利要求8所述的方法，其中，所述依据获取到的数据策略参数配置文件和所述目标对象以及所属门店的数据生成数据训练集包括：
根据所述目标对象以及所属门店的数据和所述数据策略参数配置文件，生成回归分析所需训练数据集和评估测试数据集。
11.根据权利要求8所述的方法，其中，在依据获取到的数据策略参数配置文件和所述目标对象以及所属门店的数据生成数据训练集之前，所述方法还包括：
获取数据策略参数配置文件；
将所述数据策略参数配置文件进行仿真，得到策略与仿真缺货率数据之间的映射集。
12.一种数据处理的装置，包括：
统计模块，用于依据目标对象的历史数据和所述目标对象的属性数据进行数据统计，得到所述目标对象所属门店数据；
获取模块，用于获取数据策略参数配置文件；
样本生成模块，用于依据所述目标对象所属门店数据和所述数据策略参数配置文件生成待预测样本；
导入模块，用于将所述待预测样本导入数据模型，得到数据评估结果；
所述依据所述目标对象所属门店数据和所述数据策略参数配置文件生成待预测样本包括：从所述目标对象的所属门店数据中获取所述目标对象的特征数据；从所述数据策略参数配置文件中获取策略参数数据；依据所述目标对象的特征数据和所述策略参数数据生成所述待预测样本；
在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成所述数据模型。
13.一种供应链调度装置，包括：
统计模块，用于依据目标对象的历史数据和所述目标对象的属性数据进行数据统计，得到所述目标对象所属门店数据；
获取模块，用于获取数据策略参数配置文件；
配置模块，用于依据所述目标对象所属门店数据和所述数据策略参数配置文件生成待预测样本；
导入模块，用于将所述待预测样本导入数据模型，得到数据评估结果；
预测模块，依据所述数据评估结果对所述目标对象进行补货；
所述依据所述目标对象所属门店数据和所述数据策略参数配置文件生成待预测样本包括：从所述目标对象的所属门店数据中获取所述目标对象的特征数据；从所述数据策略参数配置文件中获取策略参数数据；依据所述目标对象的特征数据和所述策略参数数据生成所述待预测样本；
在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成所述数据模型。
14.一种数据处理的装置，包括：
统计模块,用于根据获取到的历史真实数据集和目标对象的属性数据集进行数据统计，得到目标对象以及所属门店的数据；
训练集生成模块,用于依据获取到的数据策略参数配置文件和所述目标对象以及所属门店的数据生成数据训练集；
模型生成模块,用于依据所述数据训练集生成数据模型；
从所述目标对象的所属门店数据中获取所述目标对象的特征数据；从所述数据策略参数配置文件中获取策略参数数据；依据所述目标对象的特征数据和所述策略参数数据生成待预测样本；在训练数据集上训练缺货率预测模型，并在评估测试数据集上生成所述数据模型。
15.一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行：权利要求1或8所述的数据处理的方法或权利要求7所述的供应链调度方法。
CN201811565041.XA 2018-12-20 2018-12-20 数据处理的方法、供应链调度的方法和装置 Active CN111353794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811565041.XA CN111353794B (zh) 2018-12-20 2018-12-20 数据处理的方法、供应链调度的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811565041.XA CN111353794B (zh) 2018-12-20 2018-12-20 数据处理的方法、供应链调度的方法和装置

Publications (2)

Publication Number Publication Date
CN111353794A CN111353794A (zh) 2020-06-30
CN111353794B true CN111353794B (zh) 2023-05-30

Family

ID=71193682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811565041.XA Active CN111353794B (zh) 2018-12-20 2018-12-20 数据处理的方法、供应链调度的方法和装置

Country Status (1)

Country Link
CN (1) CN111353794B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112004153A (zh) * 2020-08-20 2020-11-27 深圳创维－Rgb电子有限公司 一种特征数据的读取方法、存储介质及智能电视
CN114118503A (zh) * 2020-08-26 2022-03-01 上海顺如丰来技术有限公司 供应链库存优化方法、装置、设备和存储介质
CN113743702A (zh) * 2021-02-02 2021-12-03 北京沃东天骏信息技术有限公司 一种信息处理方法及装置、存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971249A (zh) * 2017-05-05 2017-07-21 北京挖玖电子商务有限公司 一种销量预测及补货方法
CN108960038A (zh) * 2018-05-04 2018-12-07 广州图匠数据科技有限公司 一种基于图像识别技术的购物手推车及其识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090172035A1 (en) * 2007-12-31 2009-07-02 Pieter Lessing System and method for capturing and storing casino information in a relational database system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971249A (zh) * 2017-05-05 2017-07-21 北京挖玖电子商务有限公司 一种销量预测及补货方法
CN108960038A (zh) * 2018-05-04 2018-12-07 广州图匠数据科技有限公司 一种基于图像识别技术的购物手推车及其识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高峻峻 ; .智能采购――医药零售企业的必由之路.中国药店.2018,(05),全文. *

Also Published As

Publication number Publication date
CN111353794A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN111667207B (zh) 供应链库存的管理方法及装置、存储介质和处理器
Belo-Filho et al. An adaptive large neighbourhood search for the operational integrated production and distribution problem of perishable products
US20170329837A1 (en) Digital analytics system
CN111652657A (zh) 商品销量预测方法、装置、电子设备及可读存储介质
CN111353794B (zh) 数据处理的方法、供应链调度的方法和装置
Paul et al. A quantitative and simulation model for managing sudden supply delay with fuzzy demand and safety stock
US10346862B2 (en) Migration system to migrate users to target services
WO2015001558A1 (en) System and method for predicting sales
Sillanpää et al. Forecasting replenishment orders in retail: value of modelling low and intermittent consumer demand with distributions
CN112581182B (zh) 自动售货设备的销售管理方法及系统
KR20170099078A (ko) 생산관리시스템(ｍｅｓ)의 제조생산설비 수집정보를 활용한 빅데이터 기반 경영예측 플랫폼 시스템
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
KR102081727B1 (ko) 서비스 최적화 운영관리 및 의사결정 지원을 위한 서비스 제공 시스템 및 방법
Theodorou et al. Optimizing inventory control through a data-driven and model-independent framework
CN113469595A (zh) 智慧供应链系统及服务器平台
CN113469598A (zh) 智慧供应链系统及服务器平台
CN113780611A (zh) 一种库存管理方法和装置
CN108629467B (zh) 一种样品信息处理方法及系统
Mahbub et al. A neural approach to product demand forecasting
KR20200096175A (ko) 서비스 최적화 운영관리 및 의사결정 지원을 위한 서비스 제공 시스템 및 방법
Chen-Ritzo et al. Component rationing for available-to-promise scheduling in configure-to-order systems
CN118134652A (zh) 一种资产配置方案生成方法、装置、电子设备及介质
US20230267007A1 (en) System and method to simulate demand and optimize control parameters for a technology platform
CN114757448A (zh) 一种基于数据空间模型的制造环节间最优价值链构建方法
Marttonen-Arola et al. A pricing model for Internet of Things-based fleet services to support equipment sales

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