CN112132343B - 一种商品采购预测方法及系统、可读存储介质 - Google Patents
一种商品采购预测方法及系统、可读存储介质 Download PDFInfo
- Publication number
- CN112132343B CN112132343B CN202011008079.4A CN202011008079A CN112132343B CN 112132343 B CN112132343 B CN 112132343B CN 202011008079 A CN202011008079 A CN 202011008079A CN 112132343 B CN112132343 B CN 112132343B
- Authority
- CN
- China
- Prior art keywords
- sales
- commodity
- total sales
- accumulated value
- total
- 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
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请一种商品采购预测方法及系统、可读存储介质,方法主要包括:(1)计算每个商品的总销量和单店日均销量;(2)根据商品总销量对同一品类下的商品进行排序,并计算总销量累计值、单店日均销量累计值和商品个数累计值;(3)根据品类下商品的排序依次计算各总销量累计值与品类总销量的比值;(4)根据帕累托法则将各总销量累计值与品类总销量的比值映射为品类的单店日均销量;(5)根据所属品类的单店日均销量预测待采购商品的采购量。计算品类的单店日均销量时借鉴帕累托法则,考虑各商品对所属品类的贡献程度,贡献程度过低的商品的销量数据不计入计算,相比较于现有的技术方案更加科学合理,更符合实际的销售情况。
Description
技术领域
本发明属于商品销售数据处理领域,具体涉及一种商品采购预测方法及系统、可读存储介质。
背景技术
商品零售行业由于商品种类繁多,往往需要对商品的销量进行分类统计,通过计算各类别的平均销量以指导采购、配货、销售管理等商品管理环节。目前计算各商品类别的日均销量是直接利用类别下所有商品的日均销量求平均值,这样的计算方法没有考虑各个商品的销售情况对所在品类的影响程度,当某一商品的日均销量过低或过高都将使得所在商品类别的日均销量偏离实际情况,使得结果失真,不符合实际商品管理计划,采用错误的销售数据将使得门店无法对后续的采购、配货等环节进行正确的评估,导致供给不足或库存积压等情况。
发明内容
基于此,本发明提出一种商品采购预测方法及系统、存储介质,考虑品类下商品的单店日均销量对所在品类的贡献程度,以达到更好指导采购、配货等环节的目的。
第一方面,本发明一种商品采购预测方法,包括:
计算同一品类下每个商品在选定时间段内的总销量和单店日均销量;
根据商品的总销量对同一品类下的商品进行排序,并计算总销量累计值、单店日均销量累计值和商品个数累计值;
根据品类下商品的排序依次计算各总销量累计值与品类总销量的比值,其中品类总销量为同一品类下所有商品的总销量的总和;
根据帕累托法则将各总销量累计值与品类总销量的比值映射为品类的单店日均销量;
根据所属品类的单店日均销量预测待采购商品的采购量。
优选地,根据帕累托法则将各总销量累计值与品类总销量的比值映射为品类的单店日均销量包括:
当首次出现总销量累计值与品类总销量的比值超过预设值,且前一总销量累计值与品类总销量的比值小于预设值时,计算当前单店日均销量累计值与商品个数累计值的比值,记为该品类的单店日均销量。
优选地,根据所属品类的单店日均销量预测待采购商品的采购量包括:
对各品类根据其单店日均销量进行档次划分,根据所属品类所在的档次确定待采购商品的周转天数,根据周转天数与采购量的映射关系预测待采购商品的采购量。
优选地,对各品类根据其单店日均销量进行档次划分包括:
对各品类根据单店日均销量进行降序排名,根据排名把各品类划分成三个档次依次为前20%、20%-50%、后50%。
优选地,根据所属品类的单店日均销量预测待采购商品的采购量还包括:
当品类的单店日均销量超过设定阈值时,根据品类的单店日均销量与商品周转天数的映射关系预测待采购商品的采购量。
优选地,为了减小误差,计算每个商品在选定时间段内的单店日均销量时仅考虑有发生销售行为的天数和门店数。
优选地,根据商品的总销量对同一品类下的商品进行排序包括:
根据各商品的总销量对同一品类下的商品降序排序。
优选地,预设值为90%。
第二方面,本发明提供一种商品采购预测系统,包括:
商品销量计算模块,用于计算同一品类下每个商品在选定时间段内的总销量和单店日均销量;
累计值计算模块,用于根据商品的总销量对同一品类下的商品进行排序,并计算总销量累计值、单店日均销量累计值和商品个数累计值;
商品贡献度分析模块,用于根据品类下商品的排序依次计算各总销量累计值与品类总销量的比值,其中品类总销量为同一品类下所有商品的总销量的总和;
品类销量计算模块,用于根据帕累托法则将各总销量累计值与品类总销量的比值映射为品类的单店日均销量;
采购预测模块,用于根据所属品类的单店日均销量预测待采购商品的采购量。
此外,为实现上述目的,本发明还提供一种可读存储介质,其中存储有销售数据分析程序,当该销售数据分析程序被处理器执行时用于实现上述第一方面中的任一种商品采购预测方法。
从以上技术方案可以看出,本发明具有如下有益效果:
在本申请提供的技术方案中,计算品类的单店日均销量时借鉴帕累托法则,考虑各商品对所属品类的贡献程度,贡献程度过低的商品的销量数据不计入计算,相比较于现有的技术方案更加科学合理,更符合实际的销售情况,为商品的采购预测提供更科学的数据参考,使得采购管理和存货管理更符合消费需求,有利于销售的效益最大化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1本发明第一实施例提供的商品采购预测方法流程图
图2本发明第二实施例提供的商品采购预测方法流程图
图3本发明第三实施例提供的商品采购预测系统结构框图
具体实施方式
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,都属于本发明保护的范围。
参见图1,本发明第一实施例提供一种商品采购预测方法,该方法包括:
S101.计算同一品类下每个商品在选定时间段内的总销量和单店日均销量。
为了规避计算噪声,计算每个商品在选定时间段内的单店日均销量时仅考虑有发生销售行为的天数和门店数。
S102.根据商品的总销量对同一品类下的商品进行排序,并计算总销量累计值、单店日均销量累计值和商品个数累计值。
为了方便后续的计算,此处对商品根据总销量进行降序排列。
S103.根据品类下商品的排序依次计算各总销量累计值与品类总销量的比值,其中品类总销量为同一品类下所有商品的总销量的总和。
S104.根据帕累托法则将各总销量累计值与品类总销量的比值映射为品类的单店日均销量;
根据帕累托法则中“重要的少数”的原理,产出或报酬往往由少数投入产生,因此在计算各品类的单店日均销量时,贡献程度过低的商品不纳入计算,以避免拉低品类整体销售情况,给后续的采购带来错误的指导。
因此在计算品类的单店日均销量时,本实施例采取以下步骤:
当首次出现总销量累计值与品类总销量的比值超过预设值90%,且前一总销量累计值与品类总销量的比值小于90%时,计算当前单店日均销量累计值与商品个数累计值的比值,记为该品类的单店日均销量。
容易理解的是,计算商品的总销量累计值意在确定为某个品类带来超过90%效益的该部分商品,剩余的销售效益不纳入计算。
S105.根据所属品类的单店日均销量预测待采购商品的采购量。
本实施例中预测采购量时需考虑品类的单店日均销量的阈值,当品类的单店日均销量超过设定阈值时,根据品类的单店日均销量与商品周转天数的映射关系f(x)预测待采购商品的采购量,其中x表示所属品类的单店日均销量,f(x)表示商品的周转天数,进而根据设定的周转天数与采购量的对应关系预测待采购商品的采购量。
参见图2,本发明第二实施例提供一种商品采购预测方法,用于对新品的采购量进行预测。
即将发布的新品由于未发生过销售行为,并不具有实际的销售数据,为了更好地规划新品的采购和存货管理,需要对其采购量进行一个科学的预测,以避免超额采购或存货不足影响流转。
该方法包括:
S201.计算同一品类下每个商品在30天内的总销量和单店日均销量。
为了规避计算噪声,计算每个商品在选定时间段内的单店日均销量时仅考虑有发生销售行为的天数和门店数。
S202.根据商品的总销量对同一品类下的商品进行降序排序,并计算总销量累计值、单店日均销量累计值和商品个数累计值。
S203.根据品类下商品的排序依次计算各总销量累计值与品类总销量的比值,其中品类总销量为同一品类下所有商品的总销量的总和。
S204.根据帕累托法则将各总销量累计值与品类总销量的比值映射为品类的单店日均销量;
根据帕累托法则中“重要的少数”的原理,产出或报酬往往由少数投入产生,因此在计算各品类的单店日均销量时,贡献程度过低的商品不纳入计算,以避免拉低品类整体销售情况,给后续的采购带来错误的指导。
在计算品类的单店日均销量时,本实施例采取以下步骤:
当首次出现总销量累计值与品类总销量的比值超过预设值90%,且前一总销量累计值与品类总销量的比值小于90%时,计算当前单店日均销量累计值与商品个数累计值的比值,记为该品类的单店日均销量。
以某品类为例,品类总销量为1000件,假设该品类下有5种商品A-E,将商品A-E按商品总销量降序排名,计算结果如下表所示,则该品类的单店日均销量为15.9/3=5.3件。
S205.根据所属品类的单店日均销量预测待采购商品的采购量。
对各品类根据其单店日均销量进行档次划分,根据单店日均销量对各品类降序排名,把品类划分为三个档次依次为前20%、20%-50%、后50%,则各档次对应的周转天数为30天、60天、90天,根据周转天数与采购量的映射关系预测待采购商品的采购量。
参见图3,本发明第三实施例提供一种商品采购预测系统,包括:
商品销量计算模块,用于计算同一品类下每个商品在选定时间段内的总销量和单店日均销量;
累计值计算模块,用于根据商品的总销量对同一品类下的商品进行排序,并计算总销量累计值、单店日均销量累计值和商品个数累计值;
商品贡献度分析模块,用于根据品类下商品的排序依次计算各总销量累计值与品类总销量的比值,其中品类总销量为同一品类下所有商品的总销量的总和;
品类销量计算模块,用于根据帕累托法则将各总销量累计值与品类总销量的比值映射为品类的单店日均销量;
采购预测模块,用于根据所属品类的单店日均销量预测待采购商品的采购量。
在进一步实施例中,考虑海量的零售行业销售业务数据对处理引擎运算能力的要求,采用HANA高速计算数据库实现上述商品采购预测系统。
本发明还提供一种计算机可读存储介质,其中存储有销售数据分析程序,当该销售数据分析程序被处理器执行时用于实现前述实施例的任一种商品采购预测方法。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (9)
1.一种商品采购预测方法,其特征在于,包括:
计算同一品类下每个商品在选定时间段内的总销量和单店日均销量;
根据所述总销量对同一品类下的商品进行排序,并计算总销量累计值、单店日均销量累计值和商品个数累计值;
根据品类下商品的排序依次计算各总销量累计值与品类总销量的比值,其中所述品类总销量为同一品类下所有商品的总销量的总和;
根据帕累托法则将各总销量累计值与品类总销量的比值映射为品类的单店日均销量,具体为:
当首次出现总销量累计值与品类总销量的比值超过预设值,且前一总销量累计值与品类总销量的比值小于预设值时,计算当前单店日均销量累计值与商品个数累计值的比值,记为品类的单店日均销量;
根据所属品类的单店日均销量预测待采购商品的采购量。
2.根据权利要求1所述的商品采购预测方法,其特征在于,所述预设值为90%。
3.根据权利要求1所述的商品采购预测方法,其特征在于,所述根据所属品类的单店日均销量预测待采购商品的采购量包括:
对各品类根据品类的单店日均销量进行档次划分,根据所属品类所在的档次确定待采购商品的周转天数,根据所述周转天数与采购量的映射关系预测待采购商品的采购量。
4.根据权利要求3所述的商品采购预测方法,其特征在于,所述对各品类根据品类的单店日均销量进行档次划分包括:
对各品类根据品类的单店日均销量进行降序排名,根据品类排名把各品类划分成三个档次依次为前20%、20%-50%、后50%。
5.根据权利要求3所述的商品采购预测方法,其特征在于,所述根据所属品类的单店日均销量预测待采购商品的采购量还包括:
当品类的单店日均销量超过设定阈值时,根据品类的单店日均销量与商品周转天数的映射关系预测待采购商品的采购量。
6.根据权利要求1所述的商品采购预测方法,其特征在于,计算所述每个商品在选定时间段内的单店日均销量时仅考虑有发生销售行为的天数和门店数。
7.根据权利要求1所述的商品采购预测方法,其特征在于,所述,根据所述总销量对同一品类下的商品进行排序包括:
根据各商品的总销量对同一品类下的商品降序排序。
8.一种商品采购预测系统,其特征在于,包括:
商品销量计算模块,用于计算同一品类下每个商品在选定时间段内的总销量和单店日均销量;
累计值计算模块,用于根据商品的总销量对同一品类下的商品进行排序,并计算总销量累计值、单店日均销量累计值和商品个数累计值;
商品贡献度分析模块,用于根据品类下商品的排序依次计算各总销量累计值与品类总销量的比值,其中品类总销量为同一品类下所有商品的总销量的总和;
品类销量计算模块,用于根据帕累托法则将各总销量累计值与品类总销量的比值映射为品类的单店日均销量,具体为:
当首次出现总销量累计值与品类总销量的比值超过预设值,且前一总销量累计值与品类总销量的比值小于预设值时,计算当前单店日均销量累计值与商品个数累计值的比值,记为品类的单店日均销量;
采购预测模块,用于根据所属品类的单店日均销量预测待采购商品的采购量。
9.一种可读存储介质,其特征在于,其中存储有销售数据分析程序,当所述销售数据分析程序被处理器执行时用于实现如权利要求1-7任一项所述的商品采购预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011008079.4A CN112132343B (zh) | 2020-09-23 | 2020-09-23 | 一种商品采购预测方法及系统、可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011008079.4A CN112132343B (zh) | 2020-09-23 | 2020-09-23 | 一种商品采购预测方法及系统、可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132343A CN112132343A (zh) | 2020-12-25 |
CN112132343B true CN112132343B (zh) | 2023-02-07 |
Family
ID=73842846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011008079.4A Active CN112132343B (zh) | 2020-09-23 | 2020-09-23 | 一种商品采购预测方法及系统、可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132343B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660733A (zh) * | 2022-11-04 | 2023-01-31 | 鹏展万国电子商务(深圳)有限公司 | 一种基于人工智能的销量预测系统及方法 |
CN117371826B (zh) * | 2023-12-07 | 2024-03-15 | 福建科德信息技术服务有限公司 | 一种基于大数据的企业管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801102A (zh) * | 2019-01-10 | 2019-05-24 | 哈步数据科技(上海)有限公司 | 一种促销选品的方法及系统 |
CN110033222A (zh) * | 2019-04-17 | 2019-07-19 | 东莞市糖酒集团美宜佳便利店有限公司 | 一种补货方法 |
CN110400058A (zh) * | 2019-07-04 | 2019-11-01 | 周如祥 | 基于rx法则的零售管理方法及装置 |
CN111415193A (zh) * | 2020-01-12 | 2020-07-14 | 杭州览众数据科技有限公司 | 基于关联商品的门店相似度的品类销售提升度计算方法 |
CN111507809A (zh) * | 2020-05-09 | 2020-08-07 | 苏州中仑网络科技有限公司 | 对商品采购信息进行推荐的方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278778A1 (en) * | 2013-03-15 | 2014-09-18 | Rangespan Limited | Method, apparatus, and computer-readable medium for predicting sales volume |
TWI533245B (zh) * | 2014-11-24 | 2016-05-11 | 財團法人資訊工業策進會 | 商品銷量預測系統、商品銷量預測方法及其非暫態電腦可讀取記錄媒體 |
-
2020
- 2020-09-23 CN CN202011008079.4A patent/CN112132343B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801102A (zh) * | 2019-01-10 | 2019-05-24 | 哈步数据科技(上海)有限公司 | 一种促销选品的方法及系统 |
CN110033222A (zh) * | 2019-04-17 | 2019-07-19 | 东莞市糖酒集团美宜佳便利店有限公司 | 一种补货方法 |
CN110400058A (zh) * | 2019-07-04 | 2019-11-01 | 周如祥 | 基于rx法则的零售管理方法及装置 |
CN111415193A (zh) * | 2020-01-12 | 2020-07-14 | 杭州览众数据科技有限公司 | 基于关联商品的门店相似度的品类销售提升度计算方法 |
CN111507809A (zh) * | 2020-05-09 | 2020-08-07 | 苏州中仑网络科技有限公司 | 对商品采购信息进行推荐的方法和装置 |
Non-Patent Citations (1)
Title |
---|
四川倍顺连锁超市有限公司电子补货系统改进;刘光瑜;《中国优秀硕士学位论文全文数据库(电子期刊)经济与管理科学辑》;20111231(第S2期);第J157-97页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132343A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7805316B2 (en) | Method for assigning retail units to economic markets | |
US20030187767A1 (en) | Optimal allocation of budget among marketing programs | |
CN112132343B (zh) | 一种商品采购预测方法及系统、可读存储介质 | |
CN111861759B (zh) | 产品与客户群体的匹配方法和系统 | |
CN110826886A (zh) | 一种基于聚类算法和主成分分析的电力客户画像构建方法 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN109117990B (zh) | 一种核电站备件库存预测及指标分解装置 | |
CN110826958A (zh) | 用于电商平台的智能调货方法及装置 | |
Paduloh et al. | Impact of reverse supply chain on bullwhip effects in beef supply | |
KR102217886B1 (ko) | 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법 | |
Hadad et al. | ABC inventory classification via linear discriminant analysis and ranking methods | |
CN114186903A (zh) | 仓库选品方法、装置、计算机设备和存储介质 | |
Anupa et al. | Artificial neural network based demand forecasting integrated with federal funds rate | |
Kabanova et al. | ABC-XYZ inventory analysis accounting for change points | |
Rojas | Time dependence in joint replacement to multi-products grouped. The case of hospital food service | |
Ozhegov et al. | Ensemble Method for Censored Demand Prediction | |
CN111598660A (zh) | 一种用于筛选供应商的计算机筛选装置、方法及存储介质 | |
Yemane et al. | ABC Classification for Inventory Optimization (Case Study Family Supermarket) | |
JP2007018023A (ja) | 受注分析システム、受注分析方法及び受注分析プログラム | |
Cebi et al. | Single and Multiple Attribute Fuzzy Pareto Models. | |
US11367091B2 (en) | Methods and apparatus to identify retail pricing strategies | |
Khoiriyah et al. | Dynamic Segmentation Analysis for Expedition Services: Integrating K-Means and Decision Tree | |
CN117764394A (zh) | 一种商品库存风险评估方法、装置及相关设备 | |
Sheng et al. | Research on Pricing and Replenishment of Vegetable Products Based on the Optimization of Supermarket Revenue |
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 |