CN112446659A - 商品订货量确定方法、装置、电子设备及存储介质 - Google Patents
商品订货量确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112446659A CN112446659A CN201910836536.XA CN201910836536A CN112446659A CN 112446659 A CN112446659 A CN 112446659A CN 201910836536 A CN201910836536 A CN 201910836536A CN 112446659 A CN112446659 A CN 112446659A
- Authority
- CN
- China
- Prior art keywords
- daily
- target commodity
- target
- commodity
- demand
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 103
- 239000002699 waste material Substances 0.000 claims abstract description 97
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 abstract description 270
- 230000003203 everyday effect Effects 0.000 abstract description 7
- 230000007306 turnover Effects 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06Q10/08—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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (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)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种商品订货量确定方法、装置、电子设备及存储介质。该商品订货量确定方法包括:获取商家的目标仓库在优化周期内每日的可使用目标商品数量;获取优化周期内商家每日的目标商品需求;将每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;根据每日目标商品的需求概率分布和每日的可使用目标商品数量,确定目标商品的每日最优订货量。本申请中在现有的商品补货方式无法兼顾浪费和供不应求问题基础上,根据每天的目标商品需求拟合成泊松分布的需求概率分布,根据需求概率分布和可使用目标商品数量得到每天的最优订货量,使得商品库存周期率提高,浪费率降低,服务满足率提高,进而提高商品供应链的库存周转效率。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种商品订货量确定方法、装置、电子设备及存储介质。
背景技术
传统的库存管理模式中,库存的调拨极度依赖操作人员的经验和个人能力,会出现每日的重复性计算工作,效率低下,成本过高,准确率精度较低。尤其是在零售业的库存管理方案中,库存量单位(Stock Keeping Unit,SKU)品类繁多,传统的库存管理方案已经不能应对更新迭代速度非常快的零售业的库存模式。
随着人工智能运筹优化算法的快速发展以及在实际场景的运用,智能高效的库存管理方案已经开始落地。易逝品是指保质期较短的易腐生鲜的商品。它们有着非常短的生命周期,如果在保质期内不能卖出的话,会造成极大的浪费,对企业带来巨大的利润损失,如果不能及时补货,又会造成供不应求,不能提高市场占有率,对企业也会带来巨大的利润损失,现有的商品补货方式无法兼顾浪费和供不应求问题,导致企业巨大的利润损失,同时供应链的库存周转效率较低。
发明内容
本发明实施例提供一种商品订货量确定方法、装置、电子设备及存储介质,使得商品库存周期率提高,浪费率降低,服务满足率提高,进而提高商品供应链的库存周转效率。
一方面,本申请提供一种商品订货量确定方法,所述商品订货量确定方法包括:
获取商家的目标仓库在优化周期内每日的可使用目标商品数量;
获取所述优化周期内所述商家每日的目标商品需求;
将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
在本申请一些实施例中,所述获取商家的目标仓库在优化周期内每日的可使用目标商品数量,包括:
获取所述目标仓库在所述优化周期内每日的在途目标商品数量;
获取所述目标仓库在所述优化周期内每日的目标商品库存数量;
根据所述在途目标商品数量和所述目标商品库存数量,确定所述目标仓库在优化周期内每日的可使用目标商品数量。
在本申请一些实施例中,所述获取所述优化周期内所述商家每日的目标商品需求,包括:
获取所述商家在第一时间段内从所述目标仓库出货的历史订单数据;
根据所述历史订单数据,预测所述优化周期内商家每日的目标商品需求。
在本申请一些实施例中,所述根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量,包括:
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算所述目标商品的总期望浪费率和总期望在库率;
获取所述目标商品每日的订货量范围;
根据所述总期望浪费率和所述总期望在库率,在所述订货量范围内确定所述目标商品的每日最优订货量。
在本申请一些实施例中,所述根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算所述目标商品的总期望浪费率和总期望在库率,包括:
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算每日目标商品的期望需求量和每日目标商品的期望浪费量;
根据每日目标商品的期望浪费量与每日的期望需求量,计算所述优化周期内的总期望浪费率;
根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算总期望在库率。
在本申请一些实施例中,所述根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算每日目标商品的期望需求量和每日目标商品的期望浪费量,包括:
根据所述优化周期内每日目标商品的需求概率分布,计算每日目标商品的期望需求量;
根据所述优化周期内每日目标商品需求的概率分布,计算每日目标商品需求的浪费概率分布;
根据所述每日目标商品需求的浪费概率分布,计算每日目标商品的期望浪费量。
在本申请一些实施例中,所述根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算总期望在库率,包括:
根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算每日的期望库存;
根据所述每日目标商品的期望需求量和每日的期望库存,计算所述优化周期内每日目标商品的期望在库率;
对所述优化周期内每日目标商品的期望在库率求平均值,得到总期望在库率。
在本申请一些实施例中,所述根据所述总期望浪费率和所述总期望在库率,在所述订货量范围内确定所述目标商品的每日最优订货量,包括:
根据所述总期望浪费率和所述总期望在库率,通过回溯算法遍历所述订货量范围内每个订货量范围内的取值,确定所述订货量范围内最优值;
将所述最优值作为所述目标商品的每日最优订货量。
另一方面,本申请提供一种商品订货量确定装置,所述商品订货量确定装置包括:
第一获取单元,用于获取商家的目标仓库在优化周期内每日的可使用目标商品数量;
第二获取单元,用于获取所述优化周期内所述商家每日的目标商品需求;
拟合单元,用于将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;
确定单元,用于根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
在本申请一些实施例中,所述第一获取单元具体用于:
获取所述目标仓库在所述优化周期内每日的在途目标商品数量;
获取所述目标仓库在所述优化周期内每日的目标商品库存数量;
根据所述在途目标商品数量和所述目标商品库存数量,确定所述目标仓库在优化周期内每日的可使用目标商品数量。
在本申请一些实施例中,所述第二获取单元具体用于:
获取所述商家在第一时间段内从所述目标仓库出货的历史订单数据;
根据所述历史订单数据,预测所述优化周期内商家每日的目标商品需求。
在本申请一些实施例中,所述确定单元具体用于:
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算所述目标商品的总期望浪费率和总期望在库率;
获取所述目标商品每日的订货量范围;
根据所述总期望浪费率和所述总期望在库率,在所述订货量范围内确定所述目标商品的每日最优订货量。
在本申请一些实施例中,所述确定单元具体用于:
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算每日目标商品的期望需求量和每日目标商品的期望浪费量;
根据每日目标商品的期望浪费量与每日的期望需求量,计算所述优化周期内的总期望浪费率;
根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算总期望在库率。
在本申请一些实施例中,所述确定单元具体用于:
根据所述优化周期内每日目标商品的需求概率分布,计算每日目标商品的期望需求量;
根据所述优化周期内每日目标商品需求的概率分布,计算每日目标商品需求的浪费概率分布;
根据所述每日目标商品需求的浪费概率分布,计算每日目标商品的期望浪费量。
在本申请一些实施例中,所述确定单元具体用于:
根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算每日的期望库存;
根据所述每日目标商品的期望需求量和每日的期望库存,计算所述优化周期内每日目标商品的期望在库率;
对所述优化周期内每日目标商品的期望在库率求平均值,得到总期望在库率。
在本申请一些实施例中,所述确定单元具体用于:
根据所述总期望浪费率和所述总期望在库率,通过回溯算法遍历所述订货量范围内每个订货量范围内的取值,确定所述订货量范围内最优值;
将所述最优值作为所述目标商品的每日最优订货量。
另一方面,本申请还提供一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现所述的商品订货量确定方法。
另一方面,本申请还一种计算机可读存储介质,上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的商品订货量确定方法中的步骤。
本发明实施例获取商家的目标仓库在优化周期内每日的可使用目标商品数量;获取所述优化周期内所述商家每日的目标商品需求;将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。本申请实施例中在现有的商品补货方式无法兼顾浪费和供不应求问题基础上,根据每天的目标商品需求拟合成泊松分布的需求概率分布,根据需求概率分布和每日的可使用目标商品数量得到每天的最优订货量,使得商品库存周期率提高,浪费率降低,服务满足率提高,进而提高商品供应链的库存周转效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中提供的库存管理系统的场景示意图;
图2是本发明实施例中提供的商品订货量确定方法的一个实施例流程示意图;
图3是本发明实施例中步骤201的一个实施例流程示意图;
图4是本发明实施例中步骤204的一个实施例流程示意图;
图5是本发明实施例中步骤401的一个实施例流程示意图;
图6是本发明实施例中提供的商品订货量确定装置的一个实施例结构示意图;
图7是本发明实施例中提供的电子设备的一个实施例结构示意图。
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,本领域技术人员在没有作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。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本发明实施例提供一种商品订货量确定方法、装置、电子设备及存储介质。以下分别进行详细说明。
请参阅图1,图1为本发明实施例所提供的库存管理系统的场景示意图,该库存管理系统可以包括电子设备100,电子设备100中集成有商品订货量确定装置,如图1中的电子设备。
本发明实施例中电子设备100主要用于获取商家的目标仓库在优化周期内每日的可使用目标商品数量;获取所述优化周期内所述商家每日的目标商品需求;将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
本发明实施例中,该电子设备100可以是用户设备或者服务器,用户设备可以是手机、平板电脑等移动终端,服务器可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本发明实施例中所描述的电子设备100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的电子设备,例如图1中仅示出1个电子设备
另外,如图1所示,该库存管理系统还可以包括存储器200,用于存储数据,如存储商家数据,例如商家的历史订单数据,商家仓库对应的各种数据,如商品库存数据等。
需要说明的是,图1所示的库存管理系统的场景示意图仅仅是一个示例,本发明实施例描述的库存管理系统以及场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着库存管理系统的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
首先,本发明实施例中提供一种商品订货量确定方法,所述商品订货量确定方法执行主体为商品订货量确定装置,该商品订货量确定装置应用于电子设备,该商品订货量确定方法包括:获取商家的目标仓库在优化周期内每日的可使用目标商品数量;获取所述优化周期内所述商家每日的目标商品需求;将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
如图2所示,为本发明实施例中商品订货量确定方法的一个实施例流程示意图,该商品订货量确定方法包括:
201、获取商家的目标仓库在优化周期内每日的可使用目标商品数量。
本发明实施例中,商家可以实体店面商家或实体企业,也可以是电商平台上的商家,该目标仓库为商家保存商品的仓库,该目标仓库可以包括一个或多个保存目标商品的仓库。另外,优化周期为商家对目标商品的订货量需要优化的一个周期,例如7天或一个月等,需要说明的是,该优化周期不是采购周期,优化周期内可以进行一次或多次采购,或者每天进行采购,即优化周期可以包括一次或多次采购日期,例如优化周期为7天,每天都进行采购,则包括7次采购日期。
易逝品是指保质期短的易腐的生鲜商品,它们有着非常短的生命周期(例如1天或2天等),如果在保质期内不能卖出的话,会造成极大的浪费。由于易逝品保质期较短,补货过多容易出现浪费,过少容易供不应求,更容易出现无法兼顾浪费和供不应求的问题,因此作为优选,本发明实施例中主要用于易逝品订货量确定,即该目标商品可以是易逝品。
由于易逝品的保质期都比较短,售卖保质期比较短的商品需要每天订货,此时,本发明实施例中,同一种商品每天都会存在在途的商品和仓库中的商品两种来源,因此,如图3所示,本发明实施例中,所述获取商家的目标仓库在优化周期内每日的可使用目标商品数量,可以进一步包括:
301、获取所述目标仓库在所述优化周期内每日的在途目标商品数量。
其中,在途目标商品数量,即在运输过程中,未入目标仓库的目标商品数量。
302、获取所述目标仓库在所述优化周期内每日的目标商品库存数量。
其中,目标商品库存数量当前已入库且未销售的目标商品数量。
303、根据所述在途目标商品数量和所述目标商品库存数量,确定所述目标仓库在优化周期内每日的可使用目标商品数量。
具体的,每日的在途目标商品数量和每日的目标商品库存数量之和,即为述目标仓库在优化周期内每日的可使用目标商品数量。例如,对于某款蛋糕A,某天蛋糕A库存数量为3,在途蛋糕A数量4,则当天可使用蛋糕A数量为3+4=7。
202、获取所述优化周期内所述商家每日的目标商品需求。
其中,获取所述优化周期内所述商家每日的目标商品需求,一种是商家自身进行预先设置每日的目标商品需求。另一种方式是通过神经网络模型预测所述优化周期内所述商家每日的目标商品需求。
具体的,过神经网络模型预测所述优化周期内所述商家每日的目标商品需求的具体过程如下,即所述获取所述优化周期内所述商家每日的目标商品需求,可以包括:获取所述商家在第一时间段内从所述目标仓库出货的历史订单数据;根据所述历史订单数据,预测所述优化周期内商家每日的目标商品需求。
203、将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布。
泊松分布(Poisson distribution),是一种统计与概率学里常见到的离散机率分布(discrete probability distribution),由法国数学家西莫恩·德尼·泊松(Siméon-Denis Poisson)在1838年时发表。泊松分布主要用于描述在单位时间(空间)中稀有事件的发生数。
将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布,即按照泊松分布公式,对每日的目标商品需求进行拟合,即可得到每日目标商品的需求概率分布。即有了泊松分布公式,已知每日的目标商品需求,就能求得每个目标商品数量对应的概率是多少。
204、根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
本发明实施例获取商家的目标仓库在优化周期内每日的可使用目标商品数量;获取所述优化周期内所述商家每日的目标商品需求;将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。本申请实施例中在现有的商品补货方式无法兼顾浪费和供不应求问题基础上,根据每天的目标商品需求拟合成泊松分布的需求概率分布,根据需求概率分布和每日的可使用目标商品数量得到每天的最优订货量,使得商品库存周期率提高,浪费率降低,服务满足率提高,进而提高商品供应链的库存周转效率。
如图4所示,所述根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量,可以进一步包括:
401、根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算所述目标商品的总期望浪费率和总期望在库率。
其中,浪费指的是目标商品变质、过期等导致无法销售的情形,目标商品的期望浪费率为每日目标商品对应的浪费率,具体的,所述目标商品的总期望浪费率为优化周期内期望的目标商品浪费数量占总数量的比例
在本发明一些实施例中,如图5所示,所述根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算所述目标商品的总期望浪费率和总期望在库率,可以进一步包括:
501、根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算每日目标商品的期望需求量和每日目标商品的期望浪费量。
进一步的,所述根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算每日目标商品的期望需求量和每日目标商品的期望浪费量,可以包括:
(1)根据所述优化周期内每日目标商品的需求概率分布,计算每日目标商品的期望需求量。
假设所述优化周期内每日目标商品的需求概率分布如下表1所示:
表1
概率 | P<sub>1</sub> | P<sub>2</sub> | ... | P<sub>n</sub> |
需求 | D<sub>1</sub> | D<sub>2</sub> | ... | Dn |
根据如下公式可以计算计算每日目标商品的期望需求量为:
其中,E(D)为每日目标商品的期望需求量,i的取值为[1,n],i,n为正整数,i小于等于n。Dn为每日目标商品的需求数量,Pn为每日目标商品的需求数量为Dn时的概率。
(2)根据所述优化周期内每日目标商品需求的概率分布,计算每日目标商品需求的浪费概率分布。
具体的,根据所述优化周期内每日目标商品需求的概率分布,即每日目标商品需求,即可对应计算出每日目标商品需求的浪费概率分布。
假设优化周期(T天,T为正整数)内每日目标商品的需求概率分布(泊松分布)为:F(Di)
今天过期目标商品的库存分布:F(xi)
第二天过期目标商品的库存分布:F(yi)
第二天到达目标商品的库存分布:F(ti)
由于提前期为T天(采购目标商品下单L天后目标商品能到达),则每日目标商品的订货量:qi=F(ti+L) (2)
即可得到目标仓库中每天的目标商品库存分布迭代方程:
F(xi+1)=max(0,F(yi)-max(0,F(Di)-F(xi))) (3)
F(yi+1)=F(ti) (4)
则可以计算每日结算库存后目标商品的浪费量和目标商品售卖出的库存量:
每日目标商品需求的浪费概率分布:waste_amounti=max(0,F(xi)-F(Di) (5)
每日目标商品售卖出的库存量:inventoryi=F(xi)-F(yi) (6)
根据上述公式(5)即可计算出每日目标商品的期望需求量。
(3)根据所述每日目标商品需求的浪费概率分布,计算每日目标商品的期望浪费量。
具体的,可以参照上述公式(1),将E(D)改为每日目标商品的期望浪费量,Pn改为为每日目标商品的需求数量为Dn时的浪费概率。此时即可采用公式(1)根据所述每日目标商品需求的浪费概率分布,计算每日目标商品的期望浪费量。
502、根据每日目标商品的期望浪费量与每日的期望需求量,计算所述优化周期内的总期望浪费率。
具体的,根据每日目标商品的期望浪费量与每日的期望需求量,计算所述优化周期内的总期望浪费率可以包括:根据所述优化周期内每日目标商品的期望浪费量,计算所述优化周期内总期望浪费量;根据所述优化周期内每日的期望需求量,计算所述优化周期内总期望需求量,将总期望浪费量除以总期望需求量即得到总期望浪费率。
503、根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算总期望在库率。
进一步的,所述根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算总期望在库率,可以包括:
(1)根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算每日的期望库存。
其中,根据上述公式(6)可以计算出每日目标商品售卖出的库存量。此时,根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算每日的期望库存可以是:每日的期望库存=每日的可使用目标商品数量-每日目标商品的期望浪费量-每日目标商品售卖出的库存量。
(2)根据所述每日目标商品的期望需求量和每日的期望库存,计算所述优化周期内每日目标商品的期望在库率。
此时,根据所述每日目标商品的期望需求量和每日的期望库存,计算所述优化周期内每日目标商品的期望在库率:期望在库率=每日的期望库存/每日的可使用目标商品数量。
(3)对所述优化周期内每日目标商品的期望在库率求平均值,得到总期望在库率。
402、获取所述目标商品每日的订货量范围。
具体的,获取所述目标商品每日的订货量范围可以是获取用户(如商家)设置的所述目标商品每日的订货量范围。
当然,在本发明一些实施例中,也可以是通过上述实施例中内容中,可以分别计算得到优化周期内每日目标商品的期望浪费率(每日的期望浪费量除以每日的期望需求),每日目标商品的期望在库率,由于浪费最少的时候,订货量最少,库存多的时候不会出现供不应求,因此最小化每日目标商品的期望浪费率,最大化优化周期内每日目标商品的期望在库率,以确定优化周期内最小目标商品的期望浪费率,最大目标商品的期望在库率的第一订货量(即确定目标商品的订货量下界)。当库存最多的时候,订货量最多,在库率最少的时候,库存最少,容易供不应求,此时最大化每日目标商品的期望浪费率,最小化优化周期内每日目标商品的期望在库率,以确定优化周期内最大目标商品的期望浪费率,最小目标商品的期望在库率的第二订货量(即确定目标商品的订货量上界),根据目标商品的订货量的上下界即可确定目标商品每日的订货量范围。
403、根据所述总期望浪费率和所述总期望在库率,在所述订货量范围内确定所述目标商品的每日最优订货量。
具体的,即所述在所述订货量范围内确定所述目标商品的每日最优订货量,可以包括:根据所述总期望浪费率和所述总期望在库率,通过回溯算法遍历所述订货量范围内每个订货量范围内的取值,确定所述订货量范围内最优值;将所述最优值作为所述目标商品的每日最优订货量。
本发明实施例中,假设优化周期为T天,即通过迭代连续T天的订货量分别计算每天的浪费量和在库率,因此利用第1、2…T天的订货情况最优化第4、5…T+3天的总期望浪费率和总期望在库率,通过回溯算法遍历所述订货量范围内的每个订货量值,确定总期望浪费率最小和总期望在库率最大的订货量值,得到全局最优解,将最优解作为目标商品的每日最优订货量。
回溯算法实际上一个类似枚举的搜索尝试过程,主要是在搜索尝试过程中寻找问题的解,当发现已不满足求解条件时,就“回溯”返回,尝试别的路径。回溯法是一种选优搜索法,按选优条件向前搜索,以达到目标。但当探索到某一步时,发现原先选择并不优或达不到目标,就退回一步重新选择,这种走不通就退回再走的技术为回溯法,而满足回溯条件的某个状态的点称为“回溯点”。
为了更好实施本发明实施例中商品订货量确定方法,在商品订货量确定方法基础之上,本发明实施例中还提供一种商品订货量确定装置,该商品订货量确定装置应用于电子设备,如图6所示,为商品订货量确定装置的一个实施例结构示意图,该商品订货量确定装置600包括:
第一获取单元601,用于获取商家的目标仓库在优化周期内每日的可使用目标商品数量;
第二获取单元602,用于获取所述优化周期内所述商家每日的目标商品需求;
拟合单元603,用于将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;
确定单元604,用于根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
在本申请一些实施例中,所述第一获取单元601具体用于:
获取所述目标仓库在所述优化周期内每日的在途目标商品数量;
获取所述目标仓库在所述优化周期内每日的目标商品库存数量;
根据所述在途目标商品数量和所述目标商品库存数量,确定所述目标仓库在优化周期内每日的可使用目标商品数量。
在本申请一些实施例中,所述第二获取单元602具体用于:
获取所述商家在第一时间段内从所述目标仓库出货的历史订单数据;
根据所述历史订单数据,预测所述优化周期内商家每日的目标商品需求。
在本申请一些实施例中,所述确定单元604具体用于:
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算所述目标商品的总期望浪费率和总期望在库率;
获取所述目标商品每日的订货量范围;
根据所述总期望浪费率和所述总期望在库率,在所述订货量范围内确定所述目标商品的每日最优订货量。
在本申请一些实施例中,所述确定单元604具体用于:
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算每日目标商品的期望需求量和每日目标商品的期望浪费量;
根据每日目标商品的期望浪费量与每日的期望需求量,计算所述优化周期内的总期望浪费率;
根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算总期望在库率。
在本申请一些实施例中,所述确定单元604具体用于:
根据所述优化周期内每日目标商品的需求概率分布,计算每日目标商品的期望需求量;
根据所述优化周期内每日目标商品需求的概率分布,计算每日目标商品需求的浪费概率分布;
根据所述每日目标商品需求的浪费概率分布,计算每日目标商品的期望浪费量。
在本申请一些实施例中,所述确定单元604具体用于:
根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算每日的期望库存;
根据所述每日目标商品的期望需求量和每日的期望库存,计算所述优化周期内每日目标商品的期望在库率;
对所述优化周期内每日目标商品的期望在库率求平均值,得到总期望在库率。
在本申请一些实施例中,所述确定单元604具体用于:
根据所述总期望浪费率和所述总期望在库率,通过回溯算法遍历所述订货量范围内每个订货量范围内的取值,确定所述订货量范围内最优值;
将所述最优值作为所述目标商品的每日最优订货量。
本发明实施例第一获取单元601获取商家的目标仓库在优化周期内每日的可使用目标商品数量;第二获取单元602获取所述优化周期内所述商家每日的目标商品需求;拟合单元603将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;确定单元604根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。本申请实施例中在现有的商品补货方式无法兼顾浪费和供不应求问题基础上,根据每天的目标商品需求拟合成泊松分布的需求概率分布,根据需求概率分布和每日的可使用目标商品数量得到每天的最优订货量,使得商品库存周期率提高,浪费率降低,服务满足率提高,进而提高商品供应链的库存周转效率。
本发明实施例还提供一种电子设备,其集成了本发明实施例所提供的任一种商品订货量确定装置,所述电子设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行上述商品订货量确定方法实施例中任一实施例中所述的商品订货量确定方法中的步骤。
本发明实施例还提供一种电子设备,其集成了本发明实施例所提供的任一种商品订货量确定装置。如图7所示,其示出了本发明实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器701、一个或一个以上计算机可读存储介质的存储器702、电源703和输入单元704等部件。本领域技术人员可以理解,图7中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器701是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器702内的软件程序和/或模块,以及调用存储在存储器702内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器701可包括一个或多个处理核心;优选的,处理器701可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器701中。
存储器702可用于存储软件程序以及模块,处理器701通过运行存储在存储器702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。存储器702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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器702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、或其他易失性固态存储器件。相应地,存储器702还可以包括存储器控制器,以提供处理器701对存储器702的访问。
电子设备还包括给各个部件供电的电源703,优选的,电源703可以通过电源管理系统与处理器701逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源703还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元704,该输入单元704可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器701会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中,并由处理器701来运行存储在存储器702中的应用程序,从而实现各种功能,如下:
获取商家的目标仓库在优化周期内每日的可使用目标商品数量;
获取所述优化周期内所述商家每日的目标商品需求;
将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行本发明实施例所提供的任一种商品订货量确定方法中的步骤。例如,所述计算机程序被处理器进行加载可以执行如下步骤:
获取商家的目标仓库在优化周期内每日的可使用目标商品数量;
获取所述优化周期内所述商家每日的目标商品需求;
将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
在上述实施例中,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,可以参见上文针对其他实施例的详细描述,此处不再赘述。
具体实施时,以上各个单元或结构可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元或结构的具体实施可参见前面的方法实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种商品订货量确定方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种商品订货量确定方法,其特征在于,所述商品订货量确定方法包括:
获取商家的目标仓库在优化周期内每日的可使用目标商品数量;
获取所述优化周期内所述商家每日的目标商品需求;
将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
2.根据权利要求1所述的商品订货量确定方法,其特征在于,所述获取商家的目标仓库在优化周期内每日的可使用目标商品数量,包括:
获取所述目标仓库在所述优化周期内每日的在途目标商品数量;
获取所述目标仓库在所述优化周期内每日的目标商品库存数量;
根据所述在途目标商品数量和所述目标商品库存数量,确定所述目标仓库在优化周期内每日的可使用目标商品数量。
3.根据权利要求1所述的商品订货量确定方法,其特征在于,所述获取所述优化周期内所述商家每日的目标商品需求,包括:
获取所述商家在第一时间段内从所述目标仓库出货的历史订单数据;
根据所述历史订单数据,预测所述优化周期内商家每日的目标商品需求。
4.根据权利要求1所述的商品订货量确定方法,其特征在于,所述根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量,包括:
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算所述目标商品的总期望浪费率和总期望在库率;
获取所述目标商品每日的订货量范围;
根据所述总期望浪费率和所述总期望在库率,在所述订货量范围内确定所述目标商品的每日最优订货量。
5.根据权利要求4所述的商品订货量确定方法,其特征在于,所述根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算所述目标商品的总期望浪费率和总期望在库率,包括:
根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算每日目标商品的期望需求量和每日目标商品的期望浪费量;
根据所述每日目标商品的期望浪费量与每日的期望需求量,计算所述优化周期内的总期望浪费率;
根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算总期望在库率。
6.根据权利要求5所述的商品订货量确定方法,其特征在于,所述根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,计算每日目标商品的期望需求量和每日目标商品的期望浪费量,包括:
根据所述优化周期内每日目标商品的需求概率分布,计算每日目标商品的期望需求量;
根据所述优化周期内每日目标商品需求的概率分布,计算每日目标商品需求的浪费概率分布;
根据所述每日目标商品需求的浪费概率分布,计算每日目标商品的期望浪费量。
7.根据权利要求5所述的商品订货量确定方法,其特征在于,所述根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算总期望在库率,包括:
根据所述每日目标商品的期望浪费量和每日的可使用目标商品数量,计算每日的期望库存;
根据所述每日目标商品的期望需求量和每日的期望库存,计算所述优化周期内每日目标商品的期望在库率;
对所述优化周期内每日目标商品的期望在库率求平均值,得到总期望在库率。
8.根据权利要求4至7中任一所述的商品订货量确定方法,其特征在于,所述根据所述总期望浪费率和所述总期望在库率,在所述订货量范围内确定所述目标商品的每日最优订货量,包括:
根据所述总期望浪费率和所述总期望在库率,通过回溯算法遍历所述订货量范围内每个订货量范围内的取值,确定所述订货量范围内最优值;
将所述最优值作为所述目标商品的每日最优订货量。
9.一种商品订货量确定装置,其特征在于,所述商品订货量确定装置包括:
第一获取单元,用于获取商家的目标仓库在优化周期内每日的可使用目标商品数量;
第二获取单元,用于获取所述优化周期内所述商家每日的目标商品需求;
拟合单元,用于将所述每日的目标商品需求进行泊松分布拟合,得到每日目标商品的需求概率分布;
确定单元,用于根据所述每日目标商品的需求概率分布和每日的可使用目标商品数量,确定所述目标商品的每日最优订货量。
10.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至8中任一项所述的商品订货量确定方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至8任一项所述的商品订货量确定方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836536.XA CN112446659B (zh) | 2019-09-05 | 2019-09-05 | 商品订货量确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836536.XA CN112446659B (zh) | 2019-09-05 | 2019-09-05 | 商品订货量确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446659A true CN112446659A (zh) | 2021-03-05 |
CN112446659B CN112446659B (zh) | 2024-07-02 |
Family
ID=74733548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910836536.XA Active CN112446659B (zh) | 2019-09-05 | 2019-09-05 | 商品订货量确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446659B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005015140A (ja) * | 2003-06-25 | 2005-01-20 | Mbk Ryutsu Partners Kk | 発注量算出システム |
CN104820938A (zh) * | 2015-05-15 | 2015-08-05 | 南京大学 | 一种季节性、周期性商品的最优订购周期预测方法 |
CN107301490A (zh) * | 2017-05-02 | 2017-10-27 | 国网浙江省电力公司 | 基于泊松分布的二级库存最优保险储备量计算方法 |
CN107563818A (zh) * | 2017-09-15 | 2018-01-09 | 山东工商学院 | 针对订货前盈亏状态影响的零售商订货量决策行为测试方法 |
CN109636298A (zh) * | 2019-01-28 | 2019-04-16 | 合肥工业大学智能制造技术研究院 | 用于仓储管理的控制系统及仓库 |
-
2019
- 2019-09-05 CN CN201910836536.XA patent/CN112446659B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005015140A (ja) * | 2003-06-25 | 2005-01-20 | Mbk Ryutsu Partners Kk | 発注量算出システム |
CN104820938A (zh) * | 2015-05-15 | 2015-08-05 | 南京大学 | 一种季节性、周期性商品的最优订购周期预测方法 |
CN107301490A (zh) * | 2017-05-02 | 2017-10-27 | 国网浙江省电力公司 | 基于泊松分布的二级库存最优保险储备量计算方法 |
CN107563818A (zh) * | 2017-09-15 | 2018-01-09 | 山东工商学院 | 针对订货前盈亏状态影响的零售商订货量决策行为测试方法 |
CN109636298A (zh) * | 2019-01-28 | 2019-04-16 | 合肥工业大学智能制造技术研究院 | 用于仓储管理的控制系统及仓库 |
Non-Patent Citations (3)
Title |
---|
姜爱萍;夏浩;高峻峻;池秋果;吴思予;: "电力物资复合泊松需求下的最优订货量", 工业工程, no. 03 * |
田志友, 蒋录全, 吴瑞明: "易腐商品最优订货批量与定价及其粒子群优化解", 系统工程理论与实践, no. 03 * |
陈淮莉;韩伟;: "基于保质期约束的生鲜品订货批量以及定价决策研究", 工业工程与管理, no. 03, pages 19 - 23 * |
Also Published As
Publication number | Publication date |
---|---|
CN112446659B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Papanastasiou et al. | Dynamic pricing in the presence of social learning and strategic consumers | |
US8600843B2 (en) | Method and computer system for setting inventory control levels from demand inter-arrival time, demand size statistics | |
CN112561414B (zh) | 库存管理方法、装置及计算机可读存储介质 | |
CN111401619A (zh) | 采购订单处理方法、装置、电子设备及存储介质 | |
JP7558145B2 (ja) | 在庫割り当ておよび価格決め最適化システム | |
CN110097203A (zh) | 库存调度方法、库存调度装置以及计算机可读存储介质 | |
US20130132147A1 (en) | Managing fresh-product inventory | |
CN107038629A (zh) | 一种商品交易中的订单处理方法、装置及服务器 | |
CN112396365B (zh) | 一种库存单品预测方法、装置、计算机设备及存储介质 | |
CN114118503A (zh) | 供应链库存优化方法、装置、设备和存储介质 | |
CN109961198B (zh) | 关联信息生成方法和装置 | |
CN112215546B (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
US20200074509A1 (en) | Business data promotion method, device, terminal and computer-readable storage medium | |
CN108108940A (zh) | 一种配货量确定方法及装置 | |
US20170193433A1 (en) | System for estimating geographical demand and method therefor | |
WO2019015476A1 (zh) | 数据对象库存信息处理方法、装置及系统 | |
CN109523314A (zh) | 一种基于ai技术的供应链管控方法及其系统和存储介质 | |
CN116128408A (zh) | 智能补货方法、系统以及计算机可读介质 | |
Cattani et al. | Shelf loathing: Cross docking at an online retailer | |
Dominey et al. | Performance of approximations for compound Poisson distributed demand in the newsboy problem | |
CN115271574A (zh) | 一种货品补货方法、装置、电子设备及存储介质 | |
CN112785228A (zh) | 订单价格调整方法、装置及存储介质 | |
CN112308266B (zh) | 仓库选址方法、装置、设备和可读存储介质 | |
CN115829287B (zh) | 一种货品的分配方法及装置 | |
CN112446659B (zh) | 商品订货量确定方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant |