CN111445133B - 一种材料管理方法、装置、计算机设备和存储介质 - Google Patents
一种材料管理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111445133B CN111445133B CN202010222713.8A CN202010222713A CN111445133B CN 111445133 B CN111445133 B CN 111445133B CN 202010222713 A CN202010222713 A CN 202010222713A CN 111445133 B CN111445133 B CN 111445133B
- Authority
- CN
- China
- Prior art keywords
- sales
- commodity
- time period
- sold
- historical
- 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
- 239000000463 material Substances 0.000 title claims abstract description 228
- 238000007726 management method Methods 0.000 title claims abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 28
- 239000004744 fabric Substances 0.000 description 13
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—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
- G06Q30/0202—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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种材料管理方法、装置、计算机设备和存储介质。该方法包括:获取至少一个待售商品,以及所述待售商品在未来时间段的预测销量;根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量;将材料的备货数量发送至材料管理的用户交互页面进行展示。使用本发明的技术方案,可以实现准确平衡材料库存,在保证商家生产力的同时,降低商家的库存成本和商业风险。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种材料管理方法、装置、计算机设备和存储介质。
背景技术
C2M(Customer-to-Manufacturer,用户直连制造商)模式下,用户下单前,制造商只有材料库存,用户购买商品后,制造商才开始生产商品。因此,合理管理材料,对制造商来讲至关重要。
现有技术中管理材料主要通过人为预测商品未来销量之后,对应商品的销量预测材料用量,调整材料库存。发明人在实现本发明的过程中,发现现有技术存在以下缺陷:人为预测销量再预测材料用量,调整材料库存,预测结果准确性低,容易出现积压材料或材料不足的情况,商家承受的风险和成本较高。
发明内容
本发明实施例提供一种材料管理方法、装置、计算机设备和存储介质,以实现准确平衡材料库存,在保证商家生产力的同时,降低商家的库存成本和商业风险。
第一方面,本发明实施例提供了一种材料管理方法,该方法包括:
获取至少一个待售商品,以及所述待售商品在未来时间段的预测销量;
根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量;
将材料的备货数量发送至材料管理的用户交互页面进行展示。
第二方面,本发明实施例还提供了一种材料管理装置,该装置包括:
预测销量获取模块,用于获取至少一个待售商品,以及所述待售商品在未来时间段的预测销量;
备货数量获取模块,用于根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量;
备货数量展示模块,用于将材料的备货数量发送至材料管理的用户交互页面进行展示。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的材料管理方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的材料管理方法。
本发明实施例通过获取待售商品的预测销量,根据商品与材料之间的映射关系和材料的当前数量,计算材料的备货数量,并将备货数量展示到用户交互页面。解决了现有技术中采用人为预测销量再预测材料用量,从而调整材料库存的方式,预测结果准确性低,容易出现积压材料或材料不足的情况,商家承受的风险和成本较高的问题,实现了准确平衡材料库存,在保证商家生产力的同时,降低商家库存成本和商业风险的效果。
附图说明
图1a是本发明实施例一中的一种材料管理方法的流程图;
图1b是适用于本发明实施例中的一种商品和材料之间映射关系的示意图;
图2a是本发明实施例二中的一种材料管理方法的流程图;
图2b是适用于本发明实施例中的一种对商品进行材料管理的示意图;
图3是本发明实施例三中的一种材料管理装置的结构示意图;
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a是本发明实施例一提供的一种材料管理方法的流程图,本实施例可适用于预测材料用量,从而调整材料库存的情况,该方法可以由材料管理装置来执行,该装置可以由软件和/或硬件来实现,并一般集成在计算机设备中,与商品的销售平台以及材料的仓储管理平台配合使用。
如图1a所示,本发明实施例的技术方案,具体包括如下步骤:
S110、获取至少一个待售商品,以及所述待售商品在未来时间段的预测销量。
其中,待售商品可以为商家提供的可供消费者购买的商品,预测销量可以为待售商品在未来时间段内可能产生的销量,预测销量可以使用预先训练得到的商品销量预测模型预测得到,也可以统计影响商品销量的因素,通过商品销量预测算法计算得到,本实施例对获取预测销量的方式不进行限制。
在本发明实施例中,要计算各项材料在未来时间段的预测用量,首先需要计算各待售商品在未来时间段的预测销量。
在本发明一个可选的实施例中,获取待售商品在未来时间段的预测销量,可以包括:获取当前处理的待售商品在历史预测时间段内的历史销量数据,并在至少一个统计指标下,获取与所述历史销量数据匹配的销量关联特征集合;将所述历史销量数据和所述销量关联特征集合进行组合,构成与所述历史预测时间段匹配的目标特征样本;根据所述目标特征样本,以及当前处理的待售商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系,对未来时间段内当前处理的待售商品销量进行预测;其中,特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征集合组合构成。
其中,历史预测时间段可以为用以预测当前处理的待售商品未来时间段销量的相关数据所在的时间段。示例性的,当需要预测当前处理的待售商品未来15天销量时,可以使用过去30天的相关数据,则历史预测时间段为过去30天内。历史销量数据可以为当前处理的待售商品在历史预测时间段的销量。统计指标可以为影响当前处理的待售商品销量的指标,优选的,统计指标可以为与当前处理的待售商品销量相关性较强的指标。销量关联特征数据集合可以为各统计指标下,影响当前处理的待售商品销量的各关联特征的相关数据的集合。示例性的,当销量关联特征为100项时,每天的销量关联特征数据可以用100个数值表示,当历史预测时间段为过去30天时,销量关联特征数据集合可以为30条数据,每条数据包含100个数值。一个统计指标下可以对应多个销量关联特征。示例性的,统计指标可以为商品特征指标,在商品特征指标下,还包括商品价格、销量、商品曝光量、商品页面点击数以及同类目在售商品数等销量关联特征。
其中,历史时间段可以为过去的某一段时间,可划分为第一时间段和第二时间段。特征样本可以为当前处理的待售商品在历史时间段的第一时间段内的历史销量数据和销量关联特征数据集合的组合,结果样本可以为当前处理的待售商品在历史时间段的第二时间段内的销量。
在本发明实施例中,通过获取当前处理的待售商品的历史销量数据,以及至少一个统计指标下的销量关联特征数据集合,生成目标特征样本,通过当前处理的待售商品在多个历史时间段内,第一时间段的特征样本和第二时间段的结果样本之间的关系,以及目标特征样本,获取当前处理的待售商品在未来时间段的预测销量。
在本发明一个可选的实施例中,所述统计指标的类型可以包括下述至少一项:用户特征指标、商品特征指标、季节特征指标、售后特征指标、营销活动特征指标、外部环境特征指标和与所述商品的销售模式匹配的模式特征指标。
其中,用户特征指标可以为与用户相关的可能影响销量的指标,用户特征指标下,又可以包括用户浏览特征、下单特征、收藏特征以及加购特征等销量关联特征。商品特征指标可以为与商品相关的可能影响销量的指标,商品特征指标又可以包括商品价格、销量、商品曝光量、商品页面点击数以及同类目在售商品数等销量关联特征。季节特征指标可以为与当前所在季节相关的指标,可以根据当前日期,结合商品生产地温度确定,季节特征指标可以包括月份、节假日以及季节等销量关联特征。售后特征指标可以为与商品售后相关的指标,可以包括退换货频率、退款率、评价率、好评率、差评率、复购率以及复购周期等销量关联特征。营销活动特征指标可以为商品销售平台运营的活动相关的指标,可以包括广告推广、优惠策略以及投放力度等销量关联特征。外部环境特征指标可以为可能影响商品销量的外部影响因素相关的指标,可以包括经济形势、社会关注度以及流行商品等销量关联特征。商品的销售模式可以为代理营销、直销、网络销售等,网络销售又可以包括C2C(Consumer To Consumer,小贩到消费者)、B2C(Business To Customers,厂商到消费者)、C2M等模式,模式特征指标可以为各商品的销售模式特有的特征指标。
在本发明一个可选的实施例中,所述商品的销售模式可以包括:用户直连制造模式;所述模式特征指标包括下述至少一项:商品生产周期、同类商品的生产周期以及用户需求特征。
其中,商品的生产周期可以为商品从开始制作到制作完成所需的时间周期,同类商品的生产周期可以为与商品同类目的所有商品的平均生产周期。示例性的,商品是衬衫时,某衬衫的生产周期为15天,商品销售平台中其余衬衫商品的平均生产周期为5天,则商品的生产周期为15天,同类商品的生产周期为5天。在用户直连制造模式下,用户下单后,才开始进行商品的制造流程,一般而言,用户倾向于选择生产周期更短的商品,因此需要考虑商品的生产周期以及同类商品的生产周期。同时,需要考虑用户需求特征,也即用户是否有定制或半定制等需求。
S120、根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量。
其中,材料的备货数量可以为未来时间段内,需要补充的材料的数量。
在本发明实施例中,根据待售商品在未来时间段的预测销量,以及待售商品和材料之间的映射关系,材料的当前数量,计算材料的备货数量。
在本发明一个可选的实施例中,所述待售商品可以与一个或者两个以上材料之间存在映射关系。图1b提供了一种商品和材料之间映射关系的示意图,如图1b所示,一项待售商品可以与一个或者两个以上材料之间存在映射关系,同样,一个材料可以与一个或者两个以上商品之间存在映射关系。
在本发明实施例中,当待售商品与两个以上材料之间存在映射关系时,计算材料的备货数量,对材料库存进行管理,可以降低商家的库存成本,并且将备货成本分摊到多项材料上,降低商业风险。
S130、将材料的备货数量发送至材料管理的用户交互页面进行展示。
在本发明实施例中,获取材料备货数量后,将材料的备货数量发送至材料管理的用户交互页面进行展示。
本实施例的技术方案,通过获取待售商品的预测销量,根据商品与材料之间的映射关系和材料的当前数量,计算材料的备货数量,并将备货数量展示到用户交互页面。解决了现有技术中采用人为预测销量再预测材料用量,从而调整材料库存的方式,预测结果准确性低,容易出现积压材料或材料不足的情况,商家承受的风险和成本较高的问题,实现了准确平衡材料库存,在保证商家生产力的同时,降低商家库存成本和商业风险的效果。
实施例二
图2a是本发明实施例二提供的一种材料管理方法的流程图,本发明实施例在上述实施例的基础上,对获取待售商品预测销量的过程,以及计算材料备货数量的过程进行了进一步的具体化。
相应的,如图2a所示,本发明实施例的技术方案,具体包括如下步骤:
S210、获取所述当前处理的待售商品在多个历史时间段内的目标历史销量数据,以及与各所述目标历史销量数据分别匹配的目标销量关联特征集合。
示例性的,当将历史时间段的时间跨度设置为45天时,可以分别获取当前处理的待售商品在过去45天内、过去90天到过去45天内以及过去135天到过去90天内的历史销量数据和销量关联特征数据集合。本实施例对历史时间段的数量不进行限制。
S220、将各所述历史时间段,划分为第一时间段以及第二时间段,所述第一时间段位于所述第二时间段之前。
其中,第一时间段位于第二时间段之前,示例性的,当将历史时间段的时间跨度设置为45天时,可以将历史时间段内的前30天设置为第一时间段,后15天设置为第二时间段,本实施例只需保证第一时间段位于第二时间段之前,对历史时间段、第一时间段和第二时间段各自的具体时间跨度不进行限制。
S230、根据所述目标历史销量数据以及目标销量关联特征集合,分别生成与各历史时间段中的第一时间段对应的局部历史销量数据和局部销量关联特征集合,以及与第二时间段对应的局部历史销量数据和局部销量关联特征集合。
在本发明实施例中,获取当前处理的待售商品在多个历史时间段内的目标历史销量数据和目标销量关联特征数据集合,并将多个历史时间段分别划分为第一时间段和第二时间段,目标历史销量数据和目标销量关联特征数据集合也对应第一时间段和第二时间段进行划分。
S240、将与各第一时间段对应的所述局部历史销量数据与所述局部销量关联特征集合组合得到特征样本,并将与各第二时间段对应的所述局部历史销量数据与所述局部销量关联特征集合组合得到结果样本。
其中,特征样本为各历史时间段内第一时间段对应的历史销量数据和销量关联特征数据集合,结果样本为各历史时间段内第二时间段对应的历史销量数据和销量关联特征数据集合。示例性的,当将历史时间段的时间跨度设置为45天,将历史时间段内的前30天设置为第一时间段,后15天设置为第二时间段时,特征样本为前30天的历史销量数据和销量关联特征数据集合,结果样本为后15天的历史销量数据和销量关联特征数据集合。
S250、使用与各所述历史时间段分别对应的特征样本和结果样本,对预设的机器学习模型进行训练,得到所述商品销量预测模型。
在本发明实施例中,使用各历史时间段对应的特征样本和结果样本训练商品销量预测模型。
在本发明一个可选的实施例中,相应的,S250又包括:
S251、将各所述特征样本中的局部销量关联特征集合输入至所述机器学习模型的第一子模型中。
其中,第一子模型可以用于根据销量关联特征数据的历史值,预测销量关联特征数据未来的预测值。第一子模型可以为LASSO(Least Absolute Shrinkage and SelectionOperator,最小绝对收缩和选择算子)模型或者GBDT(Gradient Boosting Decision Tree,梯度提升决策树)模型等,本实施例对第一子模型的具体类型不进行限制。
S252、根据所述第一子模型对局部销量关联特征集合的预测结果,以及匹配的结果样本中的局部销量关联特征集合,对所述第一子模型进行训练。
示例性的,当将历史时间段的时间跨度设置为45天,将历史时间段内的前30天设置为第一时间段,后15天设置为第二时间段时,将前30天的销量关联特征数据输入至第一子模型,获得后15天的销量关联特征数据的预测值,再根据后15天的销量关联特征数据,对第一子模型进行训练。
S253、将各所述结果样本中的局部销量关联特征集合输入至所述机器学习模型的第二子模型中。
其中,第二子模型可以用于根据销量关联特征数据,预测同一时间段的商品销量。第二子模型可以为ARIMA(Autoregressive Integrated Moving Average Model,自回归综合移动平均模型),或者GM11(Gray model,灰色模型),本实施例对第二子模型的具体类型不进行限制,第一子模型与第二子模型的具体类型,可以为相同,也可以为不同。
S254、根据所述第二子模型对历史销量数据的预测结果,以及结果样本中匹配的局部历史销量数据,对所述第二子模型进行训练。
示例性的,当将历史时间段的时间跨度设置为45天,将历史时间段内的前30天设置为第一时间段,后15天设置为第二时间段时,第一子模型的输出为后15天的销量关联特征数据的预测值。第二子模型根据后15天的销量关联特征数据的预测值,预测后15天商品销量的预测值,再根据后15天的历史销量数据,对第二子模型进行训练。
在本发明一个可选的实施例中,可以将特征样本和结果样本分为训练数据和测试数据,采用训练数据对第一子模型和第二子模型进行训练,采用测试数据对第一子模型和第二子模型进行测试。训练数据和测试数据的比例可以为7:3,本实施例对训练数据和测试数据的选取比例不进行限制。当测试结果不理想时,可以调整模型参数。示例性的,当标准误差大于80,或者平均百分比误差大于12.5%时,可以认为第一子模型或者第二子模型的测试结果不理想。
S260、获取当前处理的待售商品在历史预测时间段内的历史销量数据,并在至少一个统计指标下,获取与所述历史销量数据匹配的销量关联特征集合。
在本发明一个可选的实施例中,可以通过以下步骤确定统计指标:在设定的统计指标确定时间段内,收集所述商品的各历史销售订单;在至少一个备选指标下,获取与所述商品的各目标历史销售订单分别匹配的各订单销量关联特征数据;根据各历史销售订单计算与统计指标确定时间段匹配的销售总量,并根据各订单销量关联特征数据,计算与销售总量匹配的备选销量关联特征数据集合;根据所述销售总量与所述备选销量关联特征数据集合,在各备选指标中,确定所述统计指标。
其中,统计指标确定时间段可以为预先设置的,用以确定统计指标的时间段。各指标对销量的影响会随着时间和环境变化而产生变化,因此需要每隔一段时间重新确定统计指标。示例性的,当每隔10-20天指标对销量的影响发生较大变动时,可以将统计指标确定时间段设置为15天。这样设置的好处在于,可以根据实际情况,灵活选取统计指标,提高销量预测的准确性和灵活性。
其中,备选指标可以为可能与当前处理的待售商品销量相关的各项指标,备选指标的范围大于统计指标,统计指标为根据备选指标筛选得来。订单销量关联特征可以为与当前处理的待售商品销售订单相关的、可能影响当前处理的待售商品销量的特征,例如,当前处理的待售商品的好评率需要对统计指标确定时间段内的历史销售订单进行统计获得,所以好评率为订单销量关联特征。
在本发明实施例中,获取尽可能多的备选指标,并从中筛选统计指标,这样设置的好处在于,可以充分考虑各个因素对销量的影响,使销量的预测结果更加准确。
在本发明一个可选的实施例中,根据所述销售总量与所述备选销量关联特征数据集合,在各备选指标中,确定所述统计指标,包括:通过下述公式计算所述销售总量与各备选指标之间的相关性系数:
其中,X为统计指标确定时间段内的备选销量关联特征数据,Y为与统计指标确定时间段匹配的销售总量,Cov(X,Y)表示所述销售总量与所述备选销量关联特征数据的协方差,Var[X]表示所述备选销量关联特征数据的样本方差,Var[Y]表示所述销售总量的样本方差;
将相关性系数满足预设阈值条件的备选指标作为统计指标。
其中,其中,n为统计指标确定时间段的天数,xi为统计指标确定时间段内每一天中的备选销量关联特征数据,i∈[1,n],i为正整数,为xi的均值。yi为统计指标确定时间段内每一天中的销售总量,为yi的均值。
在本发明实施例中,如果相关性系数满足预设阈值条件,说明该备选指标的变化影响商品销量的变化。
示例性的,可以将满足预设阈值条件设置为相关性系数大于0.95,当相关性系数大于0.95时,备选特征与销量为强相关。对于相关性系数为0的备选特征,说明其变化与销量无关,因此将该无相关备选指标剔除。对于其余的备选指标,对其进行处理引用。
需要说明的是,在本发明实施例中,模式特征指标与商品的销售模式相对应,因此,模式特征指标可以直接作为一项统计指标。
S270、将所述历史销量数据和所述销量关联特征集合进行组合,构成与所述历史预测时间段匹配的目标特征样本。
S280、将所述目标特征样本输入至预先训练的商品销量预测模型中,并获取所述商品销量预测模型输出的对未来时间段内的当前处理的待售商品销量的预测结果。
在本发明实施例中,将目标特征样本输入至商品销量预测模型中,首先由商品销量预测模型中的第一子模型根据目标特征样本中的销量关联特征数据集合,得到未来时间段内各销量关联特征数据的预测值。再由商品销量预测模型中的第二子模型根据未来时间段内各销量关联特征数据的预测值,获得未来时间段内的当前处理的待售商品销量预测结果。
S290、判断是否完成对全部待售商品的销量预测,如果是,则执行S2100,否则执行S210。
S2100、获取材料的当前数量。
在本发明实施例中,材料的当前数量可以通过材料的仓储管理平台获取,其中,材料的当前数量随着待售商品订单的生成和取消,以及商家的采购行为而变化。
S2110、判断是否检测到待售商品订单,如果是,则执行S2120,否则执行S2160。
S2120、根据所述待售商品订单获取待售商品的数量,并根据待售商品与至少一个材料之间的映射关系,计算所述待售商品订单对应的材料的数量。
在本发明实施例中,当待售商品出售时,生成待售商品订单,根据所出售的待售商品的数量,以及待售商品和材料之间的映射关系,获取待售商品订单对应的材料类型和数量。
S2130、将所述材料的当前数量和所述待售商品订单对应的材料的数量之间的差值,作为所述材料的新的当前数量。
在本发明实施例中,待售商品出售时,从待售商品所需材料的当前库存中,扣减待售商品订单对应的材料的数量,将扣减后的材料的数量作为材料的新的当前数量。
S2140、判断是否检测到所述待售商品订单取消,如果是,则执行S2150,否则执行S2160。
S2150、根据所述待售商品订单对应的材料的数量,更新所述材料的新的当前数量。
在本发明实施例中,当待售商品订单取消时,将已经扣减的材料的数量回滚,将回滚后的材料的数量作为材料的新的当前数量。
S2160、获取待售商品与至少一个材料之间的映射关系。
在本发明实施例中,待售商品可以与一个或多个材料之间存在映射关系。
S2170、根据待售商品的预测销量,以及待售商品与至少一个材料之间的映射关系,计算所述材料的预测数量。
其中,预测数量可以为制作预测销量的待售商品所需的材料的数量,将预测数量与材料当前数量之间的差值,作为材料的备货数量。
S2180、根据所述材料的预测数量,以及材料的当前数量,计算材料的备货数量。
示例性的,某商家有上衣、裤子两个商品时,制作一件上衣需要一份A布料和一份B布料,制作一件裤子需要一份B布料和两份C布料。该商家的上衣和裤子在未来15天的销量分别为100件和80件,当前材料库存为A布料10份,B布料20份,C布料30份。则计算得到各材料的预测数量为:A布料100份,B布料180份,C布料160份。将各材料的预测数量和各材料的当前库存数量计算差值,得到各材料的备货数量为:A布料90份,B布料160份,C布料130份。
S2190、将材料的备货数量发送至材料管理的用户交互页面进行展示。
在本发明一个可选的实施例中,图2b提供了一种对商品进行材料管理的示意图,如图2b所示,首先通过商品销量预测模型进行商品销量预测,获取商品在未来时间段的预测销量,并通过材料仓储管理平台获取材料的当前数量,以及商品与材料之间的对应关系。然后根据商品在未来时间段的预测销量,材料的当前数量以及商品与材料之间的对应关系,计算未来时间段所需备货的材料数量。再将未来时间段所需备货的材料数量提供给用户交互界面进行显示。获取商家购买的材料的数量。对材料仓储管理平台内材料的库存数量进行更新,并自定义商品与材料之间的对应关系。
本实施例的技术方案,通过商品销量预测模型获取待售商品的预测销量,获取材料的当前数量,根据商品与材料之间的映射关系和待售商品的预测销量,计算材料的预测数量,根据材料的预测数量和当前数量,计算材料的备货数量,并将备货数量展示到用户交互页面。解决了现有技术中采用人为预测销量再预测材料用量,从而调整材料库存的方式,预测结果准确性低,容易出现积压材料或材料不足的情况,商家承受的风险和成本较高的问题,实现了准确平衡材料库存,在保证商家生产力的同时,降低商家库存成本和商业风险的效果。
实施例三
图3是本发明实施例三提供的一种材料管理装置的结构示意图,该装置一般集成在计算机设备中,与商品的销售平台以及材料的仓储管理平台配合使用。该装置包括:预测销量获取模块310、备货数量获取模块320以及备货数量展示模块330。其中:
预测销量获取模块310,用于获取至少一个待售商品,以及所述待售商品在未来时间段的预测销量;
备货数量获取模块320,用于根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量;
备货数量展示模块330,用于将材料的备货数量发送至材料管理的用户交互页面进行展示。
本实施例的技术方案,通过获取待售商品的预测销量,根据商品与材料之间的映射关系和材料的当前数量,计算材料的备货数量,并将备货数量展示到用户交互页面。解决了现有技术中采用人为预测销量再预测材料用量,从而调整材料库存的方式,预测结果准确性低,容易出现积压材料或材料不足的情况,商家承受的风险和成本较高的问题,实现了准确平衡材料库存,在保证商家生产力的同时,降低商家库存成本和商业风险的效果。
在上述实施例的基础上,所述预测销量获取模块310,包括:
待售商品数据获取模块,用于获取当前处理的待售商品在历史预测时间段内的历史销量数据,并在至少一个统计指标下,获取与所述历史销量数据匹配的销量关联特征集合;
目标特征样本获取模块,用于将所述历史销量数据和所述销量关联特征集合进行组合,构成与所述历史预测时间段匹配的目标特征样本;
待售商品销量预测模块,用于根据所述目标特征样本,以及当前处理的待售商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系,对未来时间段内当前处理的待售商品销量进行预测;
其中,特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征集合组合构成。
在上述实施例的基础上,所述备货数量获取模块320,包括:
映射关系获取单元,用于获取待售商品与至少一个材料之间的映射关系;
预测数量计算单元,用于根据待售商品的预测销量,以及待售商品与至少一个材料之间的映射关系,计算所述材料的预测数量;
备货数量计算单元,用于根据所述材料的预测数量,以及材料的当前数量,计算材料的备货数量。
在上述实施例的基础上,所述装置,还包括:
当前数量获取模块,用于获取材料的当前数量;
材料数量计算模块,用于如果检测到待售商品订单,则根据所述待售商品订单获取待售商品的数量,并根据待售商品与至少一个材料之间的映射关系,计算所述待售商品订单对应的材料的数量;
第一数量更新模块,用于将所述材料的当前数量和所述待售商品订单对应的材料的数量之间的差值,作为所述材料的新的当前数量;
第二数量更新模块,用于如果检测到所述待售商品订单取消,则根据所述待售商品订单对应的材料的数量,更新所述材料的新的当前数量。
在上述实施例的基础上,所述待售商品与一个或者两个以上材料之间存在映射关系。
在上述实施例的基础上,所述统计指标的类型包括下述至少一项:
用户特征指标、商品特征指标、季节特征指标、售后特征指标、营销活动特征指标、外部环境特征指标和与所述商品的销售模式匹配的模式特征指标。
在上述实施例的基础上,所述商品的销售模式包括:用户直连制造模式;
所述模式特征指标包括下述至少一项:商品生产周期、同类商品的生产周期以及用户需求特征。
在上述实施例的基础上,所述待售商品销量预测模块,包括:
预测结果获取单元,用于将所述目标特征样本输入至预先训练的商品销量预测模型中,并获取所述商品销量预测模型输出的对未来时间段内的当前处理的待售商品销量的预测结果;
其中,所述商品销量预测模型通过使用当前处理的待售商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系训练得到。
在上述实施例的基础上,所述装置,还包括:
待售商品目标数据获取模块,用于获取所述当前处理的待售商品在多个历史时间段内的目标历史销量数据,以及与各所述目标历史销量数据分别匹配的目标销量关联特征集合;
历史时间段划分模块,用于将各所述历史时间段,划分为第一时间段以及第二时间段,所述第一时间段位于所述第二时间段之前;
局部数据划分模块,用于根据所述目标历史销量数据以及目标销量关联特征集合,分别生成与各历史时间段中的第一时间段对应的局部历史销量数据和局部销量关联特征集合,以及与第二时间段对应的局部历史销量数据和局部销量关联特征集合;
样本数据获取模块,用于将与各第一时间段对应的所述局部历史销量数据与所述局部销量关联特征集合组合得到特征样本,并将与各第二时间段对应的所述局部历史销量数据与所述局部销量关联特征集合组合得到结果样本;
商品销量预测模型获取模块,用于使用与各所述历史时间段分别对应的特征样本和结果样本,对预设的机器学习模型进行训练,得到所述商品销量预测模型。
在上述实施例的基础上,所述商品销量预测模型获取模块,包括:
局部销量关联特征集合输入单元,用于将各所述特征样本中的局部销量关联特征集合输入至所述机器学习模型的第一子模型中;
第一子模型训练单元,用于根据所述第一子模型对局部销量关联特征集合的预测结果,以及匹配的结果样本中的局部销量关联特征集合,对所述第一子模型进行训练;
局部销量关联特征集合输入单元,用于将各所述结果样本中的局部销量关联特征集合输入至所述机器学习模型的第二子模型中;
第二子模型训练单元,用于根据所述第二子模型对历史销量数据的预测结果,以及结果样本中匹配的局部历史销量数据,对所述第二子模型进行训练。
本发明实施例所提供的材料管理装置可执行本发明任意实施例所提供的材料管理方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图,如图4所示,该计算机设备包括处理器70、存储器71、输入装置72和输出装置73;计算机设备中处理器70的数量可以是一个或多个,图4中以一个处理器70为例;计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的材料管理方法对应的模块(例如,材料管理装置中的预测销量获取模块310、备货数量获取模块320以及备货数量展示模块330)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的材料管理方法。该方法包括:
获取至少一个待售商品,以及所述待售商品在未来时间段的预测销量;
根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量;
将材料的备货数量发送至材料管理的用户交互页面进行展示。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70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设备。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。
输入装置72可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种材料管理方法,该方法包括:
获取至少一个待售商品,以及所述待售商品在未来时间段的预测销量;
根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量;
将材料的备货数量发送至材料管理的用户交互页面进行展示。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的材料管理方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述材料管理装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种材料管理方法,其特征在于,包括:
获取当前处理的待售商品在多个历史时间段内的目标历史销量数据,以及与各所述目标历史销量数据分别匹配的目标销量关联特征集合;
将各所述历史时间段,划分为第一时间段以及第二时间段,所述第一时间段位于所述第二时间段之前;
根据所述目标历史销量数据以及目标销量关联特征集合,分别生成与各历史时间段中的第一时间段对应的局部历史销量数据和局部销量关联特征集合,以及与第二时间段对应的局部历史销量数据和局部销量关联特征集合;
将与各第一时间段对应的所述局部历史销量数据与所述局部销量关联特征集合组合得到特征样本,并将与各第二时间段对应的所述局部历史销量数据与所述局部销量关联特征集合组合得到结果样本;
使用与各所述历史时间段分别对应的特征样本和结果样本,对预设的机器学习模型进行训练,得到所述商品销量预测模型;
获取至少一个待售商品,以及所述待售商品在未来时间段的预测销量;
根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量;
将材料的备货数量发送至材料管理的用户交互页面进行展示;
获取待售商品在未来时间段的预测销量,包括:
获取当前处理的待售商品在历史预测时间段内的历史销量数据,并在至少一个统计指标下,获取与所述历史销量数据匹配的销量关联特征集合;
将所述历史销量数据和所述销量关联特征集合进行组合,构成与所述历史预测时间段匹配的目标特征样本;
根据所述目标特征样本,以及当前处理的待售商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系,对未来时间段内当前处理的待售商品销量进行预测;
其中,特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征集合组合构成;
根据所述目标特征样本,以及当前处理的待售商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系,对未来时间段内当前处理的待售商品销量进行预测,包括:
将所述目标特征样本输入至预先训练的商品销量预测模型中,并获取所述商品销量预测模型输出的对未来时间段内的当前处理的待售商品销量的预测结果;
其中,所述商品销量预测模型通过使用当前处理的待售商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系训练得到。
2.根据权利要求1所述的方法,其特征在于,根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量,包括:
获取待售商品与至少一个材料之间的映射关系;
根据待售商品的预测销量,以及待售商品与至少一个材料之间的映射关系,计算所述材料的预测数量;
根据所述材料的预测数量,以及材料的当前数量,计算材料的备货数量。
3.根据权利要求2所述的方法,其特征在于,在获取待售商品与至少一个材料之间的映射关系之前,还包括:
获取材料的当前数量;
如果检测到待售商品订单,则根据所述待售商品订单获取待售商品的数量,并根据待售商品与至少一个材料之间的映射关系,计算所述待售商品订单对应的材料的数量;
将所述材料的当前数量和所述待售商品订单对应的材料的数量之间的差值,作为所述材料的新的当前数量;
如果检测到所述待售商品订单取消,则根据所述待售商品订单对应的材料的数量,更新所述材料的新的当前数量。
4.根据权利要求3所述的方法,其特征在于,所述待售商品与一个或者两个以上材料之间存在映射关系。
5.根据权利要求1所述的方法,其特征在于,所述统计指标的类型包括下述至少一项:
用户特征指标、商品特征指标、季节特征指标、售后特征指标、营销活动特征指标、外部环境特征指标和与所述商品的销售模式匹配的模式特征指标。
6.根据权利要求5所述的方法,其特征在于,所述商品的销售模式包括:用户直连制造模式;
所述模式特征指标包括下述至少一项:商品生产周期、同类商品的生产周期以及用户需求特征。
7.根据权利要求1所述的方法,其特征在于,使用与各所述历史时间段分别对应的特征样本和结果样本,对预设的机器学习模型进行训练,得到所述商品销量预测模型,包括:
将各所述特征样本中的局部销量关联特征集合输入至所述机器学习模型的第一子模型中;
根据所述第一子模型对局部销量关联特征集合的预测结果,以及匹配的结果样本中的局部销量关联特征集合,对所述第一子模型进行训练;
将各所述结果样本中的局部销量关联特征集合输入至所述机器学习模型的第二子模型中;
根据所述第二子模型对历史销量数据的预测结果,以及结果样本中匹配的局部历史销量数据,对所述第二子模型进行训练。
8.一种材料管理装置,其特征在于,包括:
待售商品目标数据获取模块,用于获取当前处理的待售商品在多个历史时间段内的目标历史销量数据,以及与各所述目标历史销量数据分别匹配的目标销量关联特征集合;
历史时间段划分模块,用于将各所述历史时间段,划分为第一时间段以及第二时间段,所述第一时间段位于所述第二时间段之前;
局部数据划分模块,用于根据所述目标历史销量数据以及目标销量关联特征集合,分别生成与各历史时间段中的第一时间段对应的局部历史销量数据和局部销量关联特征集合,以及与第二时间段对应的局部历史销量数据和局部销量关联特征集合;
样本数据获取模块,用于将与各第一时间段对应的所述局部历史销量数据与所述局部销量关联特征集合组合得到特征样本,并将与各第二时间段对应的所述局部历史销量数据与所述局部销量关联特征集合组合得到结果样本;
商品销量预测模型获取模块,用于使用与各所述历史时间段分别对应的特征样本和结果样本,对预设的机器学习模型进行训练,得到所述商品销量预测模型;
预测销量获取模块,用于获取至少一个待售商品,以及所述待售商品在未来时间段的预测销量;
备货数量获取模块,用于根据所述待售商品与至少一个材料之间的映射关系、所述预测销量以及材料的当前数量,计算材料的备货数量;
备货数量展示模块,用于将材料的备货数量发送至材料管理的用户交互页面进行展示;
所述预测销量获取模块,包括:
待售商品数据获取模块,用于获取当前处理的待售商品在历史预测时间段内的历史销量数据,并在至少一个统计指标下,获取与所述历史销量数据匹配的销量关联特征集合;
目标特征样本获取模块,用于将所述历史销量数据和所述销量关联特征集合进行组合,构成与所述历史预测时间段匹配的目标特征样本;
待售商品销量预测模块,用于根据所述目标特征样本,以及当前处理的待售商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系,对未来时间段内当前处理的待售商品销量进行预测;
其中,特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征集合组合构成;
所述待售商品销量预测模块,包括:
预测结果获取单元,用于将所述目标特征样本输入至预先训练的商品销量预测模型中,并获取所述商品销量预测模型输出的对未来时间段内的当前处理的待售商品销量的预测结果;
其中,所述商品销量预测模型通过使用当前处理的待售商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系训练得到。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的材料管理方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的材料管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222713.8A CN111445133B (zh) | 2020-03-26 | 2020-03-26 | 一种材料管理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222713.8A CN111445133B (zh) | 2020-03-26 | 2020-03-26 | 一种材料管理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445133A CN111445133A (zh) | 2020-07-24 |
CN111445133B true CN111445133B (zh) | 2021-04-27 |
Family
ID=71657418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010222713.8A Active CN111445133B (zh) | 2020-03-26 | 2020-03-26 | 一种材料管理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445133B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053169A (zh) * | 2020-09-01 | 2020-12-08 | 珠海随变科技有限公司 | 信息同步方法、装置、电子设备及存储介质 |
EP4207018A4 (en) * | 2020-09-30 | 2024-10-09 | Beijing Wodong Tianjun Information Tech Co Ltd | METHOD AND DEVICE FOR DETERMINING THE STORAGE QUANTITY AS WELL AS COMPUTER STORAGE MEDIUM AND ELECTRONIC DEVICE |
CN113283844B (zh) * | 2021-06-11 | 2024-01-19 | 杉数科技(北京)有限公司 | 时效敏感物料的库存确定方法、装置、电子设备 |
CN113256223A (zh) * | 2021-06-18 | 2021-08-13 | 深圳远荣智能制造股份有限公司 | 一种货物存储方法、存储装置、终端设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090000563A (ko) * | 2007-02-26 | 2009-01-08 | (주)데일리시스템 | 식자재 유통 시스템 및 방법 |
CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的系统和方法 |
JP2018128862A (ja) * | 2017-02-08 | 2018-08-16 | 株式会社オービック | 発注数管理装置、発注数管理方法および発注数管理プログラム |
CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7577577B2 (en) * | 2001-01-31 | 2009-08-18 | Dell Products L.P. | Pull to customer order demand fulfillment system and method |
CN102063662A (zh) * | 2010-12-30 | 2011-05-18 | 用友软件股份有限公司 | 补货需求生成方法和装置 |
CN104951843B (zh) * | 2014-03-27 | 2018-10-26 | 日立(中国)研究开发有限公司 | 销量预测系统及方法 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN108537399B (zh) * | 2017-03-02 | 2021-02-26 | 华为技术有限公司 | 一种物料需求量的预测方法及装置 |
CN109903063A (zh) * | 2017-12-07 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统、计算机系统和可读存储介质 |
CN110363454B (zh) * | 2018-04-09 | 2022-01-11 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN109064274B (zh) * | 2018-07-24 | 2021-09-21 | 方骥 | 一种基于机器学习的智慧电商页面缺货管理方法及系统 |
CN109509030B (zh) * | 2018-11-15 | 2021-06-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN109472648A (zh) * | 2018-11-20 | 2019-03-15 | 四川长虹电器股份有限公司 | 销量预测方法及服务器 |
CN109741083B (zh) * | 2018-11-29 | 2020-09-11 | 杭州览众数据科技有限公司 | 一种基于企业mrp的物料需求加权预测方法 |
CN110276483A (zh) * | 2019-06-04 | 2019-09-24 | 湖北大学 | 基于神经网络的制糖原材料预测方法 |
CN110826663A (zh) * | 2019-10-28 | 2020-02-21 | 上海工程技术大学 | 一种基于rfid的航材管理系统 |
-
2020
- 2020-03-26 CN CN202010222713.8A patent/CN111445133B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090000563A (ko) * | 2007-02-26 | 2009-01-08 | (주)데일리시스템 | 식자재 유통 시스템 및 방법 |
JP2018128862A (ja) * | 2017-02-08 | 2018-08-16 | 株式会社オービック | 発注数管理装置、発注数管理方法および発注数管理プログラム |
CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的系统和方法 |
CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
Non-Patent Citations (1)
Title |
---|
ERP环境下的万通公司采购预测与决策的优化研究;刘静;《中国优秀博硕士学位论文全文数据库 (硕士) 社会科学Ⅰ辑》;20141215(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111445133A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445134B (zh) | 商品的销量预测方法、装置、计算机设备和存储介质 | |
CN111445133B (zh) | 一种材料管理方法、装置、计算机设备和存储介质 | |
CN110009400A (zh) | 商品定价方法、终端及计算机可读存储介质 | |
JP5337174B2 (ja) | 需要予測装置、及びそのプログラム | |
CN110969512B (zh) | 一种基于用户购买行为的商品推荐方法和装置 | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
KR101872220B1 (ko) | 네트워크 기반 판매 예측 정보 제공 장치 | |
CN110880061A (zh) | 商品到手价格的风险监管方法及系统 | |
JP2018139036A (ja) | 分析装置 | |
CN110189164B (zh) | 基于信息熵度量和特征随机采样的商品—门店推荐方案 | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
BenMark et al. | How retailers can drive profitable growth through dynamic pricing | |
CN113763125A (zh) | 一种关于购买货物的采购单生成方法及装置 | |
CN110175883A (zh) | 一种排序方法、装置、电子设备和非易失性存储介质 | |
CN116739652A (zh) | 一种服装电商销量预测建模方法 | |
CN107358472A (zh) | 数据处理方法及装置 | |
White | Measurement biases in consumer price indexes | |
CN111507779A (zh) | 一种对商品进行等级划分的方法和装置 | |
CN113516492A (zh) | 数据处理方法及装置 | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
CN115619503A (zh) | 一种物品推荐方法、装置、存储介质和计算机设备 | |
CN115271884A (zh) | 一种基于多源数据的商品选品方法、装置及电子设备 | |
JP6914313B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
KR20230072097A (ko) | 수익률 기반 제품 추천 시스템 및 그 방법 | |
CN113421148A (zh) | 商品数据处理方法、装置、电子设备及计算机存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 519085 Building 8, No.1, Tangjiawan Harbin Institute of technology, high tech Zone, Zhuhai City, Guangdong Province Applicant after: Zhuhai necessary Industrial Technology Co.,Ltd. Address before: 519085 Building 8, No.1, Tangjiawan Harbin Institute of technology, high tech Zone, Zhuhai City, Guangdong Province Applicant before: ZHUHAI SUIBIAN TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |