CN112053113A - 一种用于精简发货流程的整箱拣货智能决策方法和系统 - Google Patents
一种用于精简发货流程的整箱拣货智能决策方法和系统 Download PDFInfo
- Publication number
- CN112053113A CN112053113A CN202010910947.1A CN202010910947A CN112053113A CN 112053113 A CN112053113 A CN 112053113A CN 202010910947 A CN202010910947 A CN 202010910947A CN 112053113 A CN112053113 A CN 112053113A
- Authority
- CN
- China
- Prior art keywords
- order
- orders
- probability
- time period
- sales
- 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
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
- G06Q10/08—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本发明公开了一种用于精简发货流程的整箱拣货智能决策方法和系统,解决商家在整箱拣货过程中遇到的决策难题,为客户带来了增效降本的效果。其技术方案为:步骤一:通过对次日整日订单种类进行销量预测进行订单筛选,确定保留订单的种类与范围;步骤二:将筛选出的同种类订单保留到订单蓄水池;步骤三:通过对订单的监控和准实时预测,计算监控过程中各同种类订单的成箱概率;步骤四:根据成箱概率确定订单去向决策,订单去向包括成箱、释放或保留;步骤五:每设定间隔进行一次步骤三和步骤四的处理,直至到最晚批次生成时间的时间点,释放剩余保留订单,再到仓库发货截止时间的时间点,执行步骤一的次日预测/决策流程。
Description
技术领域
本发明涉及一种电商物流拣货环节的应用技术,具体涉及一种用于精简发货流程的整箱拣货智能决策方法和系统。
背景技术
通常在一个订单发货流程中,商品会经历从备货区补货上架到配货区(后称“补货”)、配货区拣货(后称“拣货”)、播种或验货(后称“验货”)以及打包的整个流程。对于所需商品相同且单量足够大的同种订单,通常现场可以用整箱拣货,将商品整箱从备货区直接配到打包台,从而省略了拣货和验货的两个环节,提高发货效率的同时,节省了大量人力成本。因此,对尽量多订单实现整箱拣货操作是商家提效降本的重要方式。
然而,整箱拣货在实际操作中遇到了很多问题,最重要的在以下两点:
(1)通常交易中,订单持续稳步流入,而无法即刻成箱,导致很多订单原本一天能购凑足整箱,但由于仓库现场不做区分的持续消化此类订单,而最终该类订单试中无法成箱;
(2)仓库管理人员为了凑足整箱降低发货费用成本,但又无法区分当日哪些订单/商品可以成箱,他们通常会延迟所有订单进入发货流程的时间,从而让足够多的订单得以成箱。容易看出,这种方法以整个仓库的发货时效来换取发货成本的降低,代价极大。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题,提供了一种用于精简发货流程的整箱拣货智能决策方法和系统,解决商家在整箱拣货过程中遇到的决策难题,为客户带来了增效降本的效果。
本发明的技术方案为:本发明揭示了一种用于精简发货流程的整箱拣货智能决策方法,方法包括:
步骤一:通过对次日整日订单种类进行销量预测进行订单筛选,确定保留订单的种类与范围;
步骤二:将筛选出的同种类订单保留到订单蓄水池;
步骤三:通过对订单的监控和准实时预测,计算监控过程中各同种类订单的成箱概率;
步骤四:根据成箱概率确定订单去向决策,订单去向包括成箱、释放或保留;
步骤五:每设定间隔进行一次步骤三和步骤四的处理,直至到最晚批次生成时间的时间点,释放剩余保留订单,再到仓库发货截止时间的时间点,执行步骤一的次日预测/决策流程。
根据本发明的用于精简发货流程的整箱拣货智能决策方法的一实施例,在步骤一中,对设定时间的历史订单信息按照天和订单种类进行聚合,对聚合结果与相关订单对应商品的装箱数进行比较,判断该设定时间内的历史同种类订单的销量大于相应商品装箱数的概率是否大于一预设的概率阈值,若大于则将该同种类订单作为保留订单纳入到次日订单监控和准实时预测范围,否则不作为保留订单且不进行次日订单监控和准实时预测。
根据本发明的用于精简发货流程的整箱拣货智能决策方法的一实施例,步骤三进一步包括:
步骤3.1:计算各同种类订单在N2Tb时间段的销量分布,通过该N2Tb时间段内的销量数据计算均值μ和方差σ2,在正态分布的情况下计算出各同种类订单的销量分布概率N(μ,σ2),其中N2Tb时间段是指从当前时间点到下一个最晚批次生成时间Tb的时间段;
步骤3.2:使用当日已产生的Ta2N时间段内的销量数据计算出调整系数,调整系数k的计算方式为:
调整系数k=当日Ta2N时间段的销量/过去14天Ta2N时间段的销量均值,其中Ta2N时间段是指从前一个仓库发货截止时间Ta到当前时间点的时间段;
步骤3.3:通过调整系数k对N2Tb时间段内的销量进行调整,调整N2Tb时间段的销量分布概率为N(k*μ,(k*σ)2);
步骤3.4:计算成箱差额Δ:成箱差额Δ=商品装箱数-当前订单销量;
步骤3.5:根据一维正态分布的数学性质,将成箱差额Δ转化为标准正态分布:Δ’=(Δ-k*μ)/(k*σ);
步骤3.6:计算在标准正态分布中大于Δ’的成箱概率P=P(x>Δ’),通过查询正态分布表并计算可得到成箱概率P。
根据本发明的用于精简发货流程的整箱拣货智能决策方法的一实施例,步骤四的订单去向决策的依据包括:
若成箱概率>设定值,且当前保留订单销量大于商品装箱数,则生成整箱拣货批次,即成箱;
若成箱概率>设定值,且当前保留订单不足整箱,则继续保留该种同种类订单,即保留;
若成箱概率<设定值,则不再保留该同种类订单,并通知系统进行订单释放,以便被释放的订单可通过其他批次流程完成发货,此后不再对该同种类订单进行保留。
本发明还揭示了一种用于精简发货流程的整箱拣货智能决策系统,系统包括:
订单筛选模块,通过对次日整日订单种类进行销量预测进行订单筛选,确定保留订单的种类与范围;
订单保留模块,将筛选出的同种类订单保留到订单蓄水池;
成箱概率计算模块,通过对订单的监控和准实时预测,计算监控过程中各同种类订单的成箱概率;
订单去向决策模块,根据成箱概率确定订单去向决策,订单去向包括成箱、释放或保留;
其中,每设定间隔进行一次成箱概率计算模块和订单去向决策模块的处理,直至到最晚批次生成时间的时间点,释放剩余保留订单,再到仓库发货截止时间的时间点,重新开始进行订单筛选模块的处理。
根据本发明的用于精简发货流程的整箱拣货智能决策系统的一实施例,订单筛选模块进一步配置为:对设定时间的历史订单信息按照天和订单种类进行聚合,对聚合结果与相关订单对应商品的装箱数进行比较,判断该设定时间内的历史同种类订单的销量大于相应商品装箱数的概率是否大于一预设的概率阈值,若大于则将该同种类订单作为保留订单纳入到次日订单监控和准实时预测范围,否则不作为保留订单且不进行次日订单监控和准实时预测。
根据本发明的用于精简发货流程的整箱拣货智能决策系统的一实施例,成箱概率计算模块进一步配置为执行以下处理:
步骤3.1:计算各同种类订单在N2Tb时间段的销量分布,通过该N2Tb时间段内的销量数据计算均值μ和方差σ2,在正态分布的情况下计算出各同种类订单的销量分布概率N(μ,σ2),其中N2Tb时间段是指从当前时间点到下一个最晚批次生成时间Tb的时间段;
步骤3.2:使用当日已产生的Ta2N时间段内的销量数据计算出调整系数,调整系数k的计算方式为:
调整系数k=当日Ta2N时间段的销量/过去14天Ta2N时间段的销量均值,其中Ta2N时间段是指从前一个仓库发货截止时间Ta到当前时间点的时间段;
步骤3.3:通过调整系数k对N2Tb时间段内的销量进行调整,调整N2Tb时间段的销量分布概率为N(k*μ,(k*σ)2);
步骤3.4:计算成箱差额Δ:成箱差额Δ=商品装箱数-当前订单销量;
步骤3.5:根据一维正态分布的数学性质,将成箱差额Δ转化为标准正态分布:Δ’=(Δ-k*μ)/(k*σ);
步骤3.6:计算在标准正态分布中大于Δ’的成箱概率P=P(x>Δ’),通过查询正态分布表并计算可得到成箱概率P。
根据本发明的用于精简发货流程的整箱拣货智能决策系统的一实施例,订单去向决策模块的决策依据包括:
若成箱概率>设定值,且当前保留订单销量大于商品装箱数,则生成整箱拣货批次,即成箱;
若成箱概率>设定值,且当前保留订单不足整箱,则继续保留该种同种类订单,即保留;
若成箱概率<设定值,则不再保留该同种类订单,并通知系统进行订单释放,以便被释放的订单可通过其他批次流程完成发货,此后不再对该同种类订单进行保留。
本发明另外揭示了一种用于精简发货流程的整箱拣货智能决策系统,系统包括:
处理器;以及
存储器,所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据,
其中,当所述一系列计算机可执行的指令被所述处理器执行时,使得所述处理器进行如上所述的方法。
本发明另外揭示了一种非临时性计算机可读存储介质,其特征在于,所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列可执行的指令被计算装置执行时,使得计算装置进行如上所述的方法。
本发明对比现有技术有如下的有益效果:整箱拣货本身可大幅精简发货流程,从而达到仓库发货降本增效的效果,但传统凑整箱的方式要么无法最大化的将可成箱的订单提取出来,要么为达成凑整会牺牲较大的仓库效率。本发明的方案利用ERP系统的订单保留功能,通过整日预测和准实时预测对成箱概率进行持续计算和评估,进而对大概率成箱的订单进行针对性的保留或释放,提供智能决策,达到提高仓库整箱拣货的能力而对大量订单精简了发货流程,降低了发货成本的效果。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后,能够更好地理解本发明的上述特征和优点。在附图中,各组件不一定是按比例绘制,并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了本发明的用于精简发货流程的整箱拣货智能决策方法的一实施例的流程图。
图2示出了本发明的用于精简发货流程的整箱拣货智能决策系统的一实施例的原理图。
图3示出了本发明的用于精简发货流程的整箱拣货智能决策系统的另一实施例的原理图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意,以下结合附图和具体实施例描述的诸方面仅是示例性的,而不应被理解为对本发明的保护范围进行任何限制。
图1示出了本发明的用于精简发货流程的整箱拣货智能决策方法的一实施例的流程。请参见图1,本实施例的方法的实施步骤详述如下。
步骤一:通过对次日整日订单种类的销量预测进行订单筛选,确定保留订单种类与范围。
该步骤进行次日整日订单种类的销量预测,主要目的在于筛选出次日成箱可能性较大的订单种类,以便于在次日准实时计算中仅针对有较高成箱概率的保留订单进行监控和预测。其中,过去14天的成箱概率是此步骤关注的主要数据。在本发明中,订单明细完全一致的订单定义为同种类订单(简称“同订单”),如一个订单明细为A商品1件,B商品2件,C商品3件,即A1B2C3,那么同样明细为A1B2C3订单,或B2A1C3,或C3A1B2等结构的订单,都可称为该订单的同种类订单。
具体实现上,对过去14天的订单信息按天和订单种类进行聚合,并将所得结果与相关订单对应商品的装箱数(箱装规格的SKU在装箱状态下,一箱货的商品件数)进行比较,如在过去14天中某同订单销量大于相应商品装箱数的概率不低于30%,则该同订单作为保留订单纳入到次日订单监控和准实时预测范围;如低于30%,则不对该种同订单进行次日的监控和准实时预测。
需要注意的是,为服务于整箱拣货的目的,监控最多的是订单明细中仅有一个SKU的订单;而对于有多个SKU的订单,仅对订单明细中各商品比例为1:1:1的订单进行计算,同时需要订单内各商品对应备货区的装箱数相同,否则无法达成很好的整箱拣效果,而在拣货中会出现参差。
步骤二:将筛选出的同种类订单保留到订单蓄水池(也称为“订单蓄水”)。
对步骤一筛选出的同订单规则,系统会在接下来的时间Ta开始生效,对符合规则的同订单进行保留。即,在接下来的时间里,符合规则的订单都会进入订单蓄水池,而不会被纳入到可被生成批次的范围从而被持续的发货操作消化掉;除非,在次日的准实时预测计算中通知系统,针对该同订单的保留规则失效。被保留订单组成的集合称为订单蓄水池。
步骤三:通过对订单的监控和准实时预测,计算监控过程中各种同订单的成箱概率。
步骤三具体包括如下顺序的处理步骤:
步骤3.1:计算各同订单在N2Tb时间段(N2Tb即Now to Tb,从当前时间到下一个最晚批次生成时间Tb的时间段,过去14天的N2Tb则指过去14个相对应的时间段)的销量分布。通过过去14天的N2Tb的销量数据,计算均值μ和方差σ2,在正态分布的情况下,得到各同订单的销量分布概率N(μ,σ2);在本发明中,根据前期的数据采集与分析,发现受平台流量分配机制、运营操作(上下架、促销活动等)以及季节等因素的影响,某一特定商家的具体商品/订单销量有着极大的波动,但在一个相对稳定的期限内,商品/订单销量基本符合正态分布,有着较高的可预测性。因此,本实施例计算出某订单销量分布的均值μ和方差σ2,可利用正态分布快速获得其销量的概率密度曲线;
步骤3.2:计算调整系数k。由于当日销量可能会与过去销量有一定调整,可使用当日已产生的Ta2N销量数据(Ta2N即Ta to Now,从前一个仓库发货截止时间Ta到当前时间点的时间段,过去14天的Ta2N则指过去14个相对应的时间段)对N2Tb销量进行调节,调整系数k的具体计算方式如下:
调整系数k=当日Ta2N时间段的销量/过去14天Ta2N时间段销量均值;
步骤3.3:根据一维正态分布的数学性质,调整N2Tb时间段销量分布概率为N(k*μ,(k*σ)2);
步骤3.4:计算成箱差额Δ,即,商品还差多少销量即可成箱:
成箱差额Δ=商品装箱数-当前订单销量;
步骤3.5:转化为标准正态分布问题。根据一维正态分布的数学性质,对德尔塔进行转换,即:
Δ’=(Δ-k*μ)/(k*σ)
步骤3.6:计算成箱概率P。计算在标准正态分布中大于Δ’的概率P=P(x>Δ’),通过查询正态分布表并计算可得。
步骤四:根据成箱概率确定订单去向决策——成箱、释放或继续保留。
决策依据如下:
4.1若成箱概率P>50%,且当前保留订单销量大于商品装箱数,则生成整箱拣货批次,即成箱;在本发明中,拣货批次也称为批次,批次是若干订单组成的一个订单集合,仓库管理人员通常根据需要将订单集合进行分配,生成若干个批次后,由配货人员认领批次并开始配货操作,通常,批次的生成是发货流程的起始触发点;
4.2若P>50%,且当前保留订单不足整箱,则继续保留该种同订单,即保留;
4.3若P<50%,则不再保留该同种订单,并通知系统进行订单释放,以便被释放的订单可通过其他批次流程完成发货,此后不再对该种类订单进行保留。
步骤五:每设定间隔(例如10分钟)进行一次步骤三和步骤四的处理,直至到时间点Tb,释放剩余保留订单;再到时间点Ta,重新回到步骤一开始执行新一轮的次日预测/决策流程。
在本实施例中,Ta为仓库发货截止时间:仓库最晚能发货的时间,在此时间后当日即使有新的订单或包裹,也无法发货;对某仓库而言,一般是其相应快递能接收包裹的最晚时间。需要注意的是,该时间后仓库中的作业流程/发货流程仍可继续,只是打包完成的包裹无法在当日发货。简单起见,以下流程说明中Ta假定为每日0点。
Tb为最晚批次生成时间:在满足订单当日寄出的条件下,可接受的生成批次的最晚时间;一般在发货截止时间Ta前的2-3个小时,这样批次生成后,该批次的订单仍然可在当日寄出。在该时间之后用户仍可生成新批次,只是新批次的订单无法当日发送寄出。简单起见,以下流程说明中假定Tb与Ta非常接近,即Tb≈Ta。
图2示出了本发明的用于精简发货流程的整箱拣货智能决策系统的一实施例的原理。请参见图2,本实施例的系统包括:订单筛选模块、订单保留模块、成箱概率计算模块、订单去向决策模块。
订单筛选模块用于通过对次日整日订单种类进行销量预测进行订单筛选,确定保留订单的种类与范围。
订单筛选模块进一步配置为:对设定时间(比如过去14天)的历史订单信息按照天和订单种类进行聚合,对聚合结果与相关订单对应商品的装箱数(箱装规格的SKU在装箱状态下,一箱货的商品件数)进行比较,判断该设定时间内的历史同种类订单的销量大于相应商品装箱数的概率是否大于一预设的概率阈值(比如30%),若大于则将该同种类订单作为保留订单纳入到次日订单监控和准实时预测范围,否则不作为保留订单且不进行次日订单监控和准实时预测。
需要注意的是,为服务于整箱拣货的目的,监控最多的是订单明细中仅有一个SKU的订单;而对于有多个SKU的订单,仅对订单明细中各商品比例为1:1:1的订单进行计算,同时需要订单内各商品对应备货区的装箱数相同,否则无法达成很好的整箱拣效果,而在拣货中会出现参差。
订单保留模块用于将筛选出的同种类订单保留到订单蓄水池。
对订单筛选模块筛选出的同订单规则,系统会在接下来的时间Ta开始生效,对符合规则的同种类订单进行保留。即,在接下来的时间里,符合规则的订单都会进入订单蓄水池,而不会被纳入到可被生成批次的范围从而被持续的发货操作消化掉;除非,在次日的准实时预测计算中通知系统,针对该同订单的保留规则失效。被保留订单组成的集合称为订单蓄水池。
成箱概率计算模块用于通过对订单的监控和准实时预测,计算监控过程中各同种类订单的成箱概率。
成箱概率计算模块进一步配置为执行以下处理:
步骤3.1:计算各同种类订单在N2Tb时间段的销量分布,通过该N2Tb时间段内的销量数据计算均值μ和方差σ2,在正态分布的情况下计算出各同种类订单的销量分布概率N(μ,σ2),其中N2Tb时间段是指从当前时间点到下一个最晚批次生成时间Tb的时间段;
步骤3.2:使用当日已产生的Ta2N时间段内的销量数据计算出调整系数,调整系数k的计算方式为:
调整系数k=当日Ta2N时间段的销量/过去14天Ta2N时间段的销量均值,其中Ta2N时间段是指从前一个仓库发货截止时间Ta到当前时间点的时间段;
步骤3.3:通过调整系数k对N2Tb时间段内的销量进行调整,调整N2Tb时间段的销量分布概率为N(k*μ,(k*σ)2);
步骤3.4:计算成箱差额Δ:成箱差额Δ=商品装箱数-当前订单销量;
步骤3.5:根据一维正态分布的数学性质,将成箱差额Δ转化为标准正态分布:Δ’=(Δ-k*μ)/(k*σ);
步骤3.6:计算在标准正态分布中大于Δ’的成箱概率P=P(x>Δ’),通过查询正态分布表并计算可得到成箱概率P。
订单去向决策模块用于根据成箱概率确定订单去向决策,订单去向包括成箱、释放或保留。
订单去向决策模块的决策依据包括:
若成箱概率>设定值(比如50%),且当前保留订单销量大于商品装箱数,则生成整箱拣货批次,即成箱;在本发明中,拣货批次也称为批次,批次是若干订单组成的一个订单集合,仓库管理人员通常根据需要将订单集合进行分配,生成若干个批次后,由配货人员认领批次并开始配货操作,通常,批次的生成是发货流程的起始触发点;
若成箱概率>设定值,且当前保留订单不足整箱,则继续保留该种同种类订单,即保留;
若成箱概率<设定值,则不再保留该同种类订单,并通知系统进行订单释放,以便被释放的订单可通过其他批次流程完成发货,此后不再对该同种类订单进行保留。
每设定间隔进行一次成箱概率计算模块和订单去向决策模块的处理,直至到最晚批次生成时间的时间点,释放剩余保留订单,再到仓库发货截止时间的时间点,重新开始进行订单筛选模块的新一轮处理。
请参见图3,图3所示的系统包括处理器和存储器。存储器被配置为存储一系列计算机可执行的指令以及与这一系列计算机可执行的指令相关联的计算机可访问的数据,当一系列计算机可执行的指令被处理器执行时,使得处理器执行如图1实施例所示的方法。
此外,本发明还公开了一种非临时性计算机可读存储介质,非临时性计算机可读存储介质上存储有一系列计算机可执行的指令,当一系列可执行的指令被计算装置执行时,使得计算装置执行如图1实施例所示的方法。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (10)
1.一种用于精简发货流程的整箱拣货智能决策方法,其特征在于,方法包括:
步骤一:通过对次日整日订单种类进行销量预测进行订单筛选,确定保留订单的种类与范围;
步骤二:将筛选出的同种类订单保留到订单蓄水池;
步骤三:通过对订单的监控和准实时预测,计算监控过程中各同种类订单的成箱概率;
步骤四:根据成箱概率确定订单去向决策,订单去向包括成箱、释放或保留;
步骤五:每设定间隔进行一次步骤三和步骤四的处理,直至到最晚批次生成时间的时间点,释放剩余保留订单,再到仓库发货截止时间的时间点,执行步骤一的次日预测/决策流程。
2.根据权利要求1所述的用于精简发货流程的整箱拣货智能决策方法,其特征在于,在步骤一中,对设定时间的历史订单信息按照天和订单种类进行聚合,对聚合结果与相关订单对应商品的装箱数进行比较,判断该设定时间内的历史同种类订单的销量大于相应商品装箱数的概率是否大于一预设的概率阈值,若大于则将该同种类订单作为保留订单纳入到次日订单监控和准实时预测范围,否则不作为保留订单且不进行次日订单监控和准实时预测。
3.根据权利要求1所述的用于精简发货流程的整箱拣货智能决策方法,其特征在于,步骤三进一步包括:
步骤3.1:计算各同种类订单在N2Tb时间段的销量分布,通过该N2Tb时间段内的销量数据计算均值μ和方差σ2,在正态分布的情况下计算出各同种类订单的销量分布概率N(μ,σ2),其中N2Tb时间段是指从当前时间点到下一个最晚批次生成时间Tb的时间段;
步骤3.2:使用当日已产生的Ta2N时间段内的销量数据计算出调整系数,调整系数k的计算方式为:
调整系数k=当日Ta2N时间段的销量/过去14天Ta2N时间段的销量均值,其中Ta2N时间段是指从前一个仓库发货截止时间Ta到当前时间点的时间段;
步骤3.3:通过调整系数k对N2Tb时间段内的销量进行调整,调整N2Tb时间段的销量分布概率为N(k*μ,(k*σ)2);
步骤3.4:计算成箱差额Δ:成箱差额Δ=商品装箱数-当前订单销量;
步骤3.5:根据一维正态分布的数学性质,将成箱差额Δ转化为标准正态分布:Δ’=(Δ-k*μ)/(k*σ);
步骤3.6:计算在标准正态分布中大于Δ’的成箱概率P=P(x>Δ’),通过查询正态分布表并计算可得到成箱概率P。
4.根据权利要求1所述的用于精简发货流程的整箱拣货智能决策方法,其特征在于,步骤四的订单去向决策的依据包括:
若成箱概率>设定值,且当前保留订单销量大于商品装箱数,则生成整箱拣货批次,即成箱;
若成箱概率>设定值,且当前保留订单不足整箱,则继续保留该种同种类订单,即保留;
若成箱概率<设定值,则不再保留该同种类订单,并通知系统进行订单释放,以便被释放的订单可通过其他批次流程完成发货,此后不再对该同种类订单进行保留。
5.一种用于精简发货流程的整箱拣货智能决策系统,其特征在于,系统包括:
订单筛选模块,通过对次日整日订单种类进行销量预测进行订单筛选,确定保留订单的种类与范围;
订单保留模块,将筛选出的同种类订单保留到订单蓄水池;
成箱概率计算模块,通过对订单的监控和准实时预测,计算监控过程中各同种类订单的成箱概率;
订单去向决策模块,根据成箱概率确定订单去向决策,订单去向包括成箱、释放或保留;
其中,每设定间隔进行一次成箱概率计算模块和订单去向决策模块的处理,直至到最晚批次生成时间的时间点,释放剩余保留订单,再到仓库发货截止时间的时间点,重新开始进行订单筛选模块的处理。
6.根据权利要求5所述的用于精简发货流程的整箱拣货智能决策系统,其特征在于,订单筛选模块进一步配置为:对设定时间的历史订单信息按照天和订单种类进行聚合,对聚合结果与相关订单对应商品的装箱数进行比较,判断该设定时间内的历史同种类订单的销量大于相应商品装箱数的概率是否大于一预设的概率阈值,若大于则将该同种类订单作为保留订单纳入到次日订单监控和准实时预测范围,否则不作为保留订单且不进行次日订单监控和准实时预测。
7.根据权利要求5所述的用于精简发货流程的整箱拣货智能决策系统,其特征在于,成箱概率计算模块进一步配置为执行以下处理:
步骤3.1:计算各同种类订单在N2Tb时间段的销量分布,通过该N2Tb时间段内的销量数据计算均值μ和方差σ2,在正态分布的情况下计算出各同种类订单的销量分布概率N(μ,σ2),其中N2Tb时间段是指从当前时间点到下一个最晚批次生成时间Tb的时间段;
步骤3.2:使用当日已产生的Ta2N时间段内的销量数据计算出调整系数,调整系数k的计算方式为:
调整系数k=当日Ta2N时间段的销量/过去14天Ta2N时间段的销量均值,其中Ta2N时间段是指从前一个仓库发货截止时间Ta到当前时间点的时间段;
步骤3.3:通过调整系数k对N2Tb时间段内的销量进行调整,调整N2Tb时间段的销量分布概率为N(k*μ,(k*σ)2);
步骤3.4:计算成箱差额Δ:成箱差额Δ=商品装箱数-当前订单销量;
步骤3.5:根据一维正态分布的数学性质,将成箱差额Δ转化为标准正态分布:Δ’=(Δ-k*μ)/(k*σ);
步骤3.6:计算在标准正态分布中大于Δ’的成箱概率P=P(x>Δ’),通过查询正态分布表并计算可得到成箱概率P。
8.根据权利要求5所述的用于精简发货流程的整箱拣货智能决策系统,其特征在于,订单去向决策模块的决策依据包括:
若成箱概率>设定值,且当前保留订单销量大于商品装箱数,则生成整箱拣货批次,即成箱;
若成箱概率>设定值,且当前保留订单不足整箱,则继续保留该种同种类订单,即保留;
若成箱概率<设定值,则不再保留该同种类订单,并通知系统进行订单释放,以便被释放的订单可通过其他批次流程完成发货,此后不再对该同种类订单进行保留。
9.一种用于精简发货流程的整箱拣货智能决策系统,其特征在于,系统包括:
处理器;以及
存储器,所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据,
其中,当所述一系列计算机可执行的指令被所述处理器执行时,使得所述处理器进行如权利要求1至4中任一项所述的方法。
10.一种非临时性计算机可读存储介质,其特征在于,所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列可执行的指令被计算装置执行时,使得计算装置进行如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010910947.1A CN112053113B (zh) | 2020-09-02 | 2020-09-02 | 一种用于精简发货流程的整箱拣货智能决策方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010910947.1A CN112053113B (zh) | 2020-09-02 | 2020-09-02 | 一种用于精简发货流程的整箱拣货智能决策方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112053113A true CN112053113A (zh) | 2020-12-08 |
CN112053113B CN112053113B (zh) | 2021-06-08 |
Family
ID=73606751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010910947.1A Active CN112053113B (zh) | 2020-09-02 | 2020-09-02 | 一种用于精简发货流程的整箱拣货智能决策方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053113B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819668A (zh) * | 2010-04-27 | 2010-09-01 | 浙江大学 | 基于产品固有生命周期特征的销售预测模型 |
CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
CN104217355A (zh) * | 2014-09-11 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 预测促销商品销量的方法和装置 |
CN104574027A (zh) * | 2015-01-29 | 2015-04-29 | 中国烟草总公司北京市公司物流中心 | 一种烟草物流分配系统及方法 |
CN104820913A (zh) * | 2015-04-24 | 2015-08-05 | 北京京东尚科信息技术有限公司 | 一种补货方法和装置 |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
CN110135770A (zh) * | 2018-02-02 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 出库方案的生成方法和装置 |
US20190295032A1 (en) * | 2017-01-12 | 2019-09-26 | Jda Software Group, Inc. | Forecasting Returns for Retail Demand Planning |
CN110443533A (zh) * | 2018-05-02 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 商品分仓入库方法、装置、电子设备及计算机可读介质 |
US20200019991A1 (en) * | 2014-11-12 | 2020-01-16 | International Business Machines Corporation | Sales assistance based on purchasing prediction |
US10726448B1 (en) * | 2015-07-13 | 2020-07-28 | Walgreen Co. | System and method for inventory display management tool |
CN111523977A (zh) * | 2020-04-23 | 2020-08-11 | 北京京东振世信息技术有限公司 | 波次订单集合的创建方法、装置、计算设备和介质 |
-
2020
- 2020-09-02 CN CN202010910947.1A patent/CN112053113B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819668A (zh) * | 2010-04-27 | 2010-09-01 | 浙江大学 | 基于产品固有生命周期特征的销售预测模型 |
CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
CN104217355A (zh) * | 2014-09-11 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 预测促销商品销量的方法和装置 |
US20200019991A1 (en) * | 2014-11-12 | 2020-01-16 | International Business Machines Corporation | Sales assistance based on purchasing prediction |
CN104574027A (zh) * | 2015-01-29 | 2015-04-29 | 中国烟草总公司北京市公司物流中心 | 一种烟草物流分配系统及方法 |
CN104820913A (zh) * | 2015-04-24 | 2015-08-05 | 北京京东尚科信息技术有限公司 | 一种补货方法和装置 |
US10726448B1 (en) * | 2015-07-13 | 2020-07-28 | Walgreen Co. | System and method for inventory display management tool |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
US20190295032A1 (en) * | 2017-01-12 | 2019-09-26 | Jda Software Group, Inc. | Forecasting Returns for Retail Demand Planning |
CN110135770A (zh) * | 2018-02-02 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 出库方案的生成方法和装置 |
CN110443533A (zh) * | 2018-05-02 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 商品分仓入库方法、装置、电子设备及计算机可读介质 |
CN111523977A (zh) * | 2020-04-23 | 2020-08-11 | 北京京东振世信息技术有限公司 | 波次订单集合的创建方法、装置、计算设备和介质 |
Non-Patent Citations (2)
Title |
---|
ALY MEGATHED ETC.: "An optimization approach to services sales forecasting in a multi-staged sales pipeline", 《2016 IEEE INTERNATIONAL CONFERENCE ON SERVICES COMPUTING》 * |
田歆 等: "零售物流中心运作优化的一种T型补货策略", 《中国管理科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112053113B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8700443B1 (en) | Supply risk detection | |
US8494916B2 (en) | Managing fresh-product inventory | |
Moussaoui et al. | Drivers of retail on-shelf availability: Systematic review, critical assessment, and reflections on the road ahead | |
CN111340421A (zh) | 一种采购方法 | |
CN112074849A (zh) | 价格优化系统 | |
US20240152858A1 (en) | Method and system for tracking inventory including inventory level reconciliation across inventory tracking system | |
US11367042B2 (en) | Computerized inventory redistribution control system | |
CN110147974A (zh) | 分布式仓库间库存共享方法及装置 | |
CN108108940A (zh) | 一种配货量确定方法及装置 | |
CN113177763A (zh) | 一种补货建议生成方法和系统及计算机可读存储介质 | |
CN116308470A (zh) | 基于数据分析的门店物品效期全生命周期管理系统 | |
CN111967832A (zh) | 商品库存处理方法、电子设备、平台和存储介质 | |
CN112053113B (zh) | 一种用于精简发货流程的整箱拣货智能决策方法和系统 | |
EP4264521A1 (en) | Systems and methods for inventory control and optimization | |
CN113469596A (zh) | 智慧供应链系统及服务器平台 | |
CN114298625B (zh) | 一种基于大数据的智能跨境海运采购分析系统 | |
CN105103171A (zh) | 交易支持装置、交易支持系统、交易支持方法和程序 | |
CN115049332A (zh) | 仓储网络的网络库存信息确定方法及电子设备 | |
US11367046B2 (en) | Method and system for tracking inventory | |
KR20010020782A (ko) | 상품의 예약발주개수 및 최종발주개수 결정방법 | |
Singh et al. | Production planning for controllable deteriorating items with price and stock dependent demand rate | |
CN110930222A (zh) | 商品无源时的价格展示方法、系统及存储介质 | |
KR102422535B1 (ko) | 아이템 결품과 관련된 정보 제공 방법 및 그 장치 | |
Yamsaard | Managing International Perishable Food Supply Chain: A Literature Review | |
JP2003532202A (ja) | 製品配送を分析する方法、システム及び記憶媒体 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201208 Assignee: Shanghai juhuotong e-commerce Co.,Ltd. Assignor: SHANGHAI JUSHUITAN NETWORK TECHNOLOGY Co.,Ltd. Contract record no.: X2021990000556 Denomination of invention: A full container picking intelligent decision-making method and system for simplifying delivery process Granted publication date: 20210608 License type: Common License Record date: 20210908 |
|
EE01 | Entry into force of recordation of patent licensing contract |