CN112581182A - 自动售货设备的销售管理方法及系统 - Google Patents
自动售货设备的销售管理方法及系统 Download PDFInfo
- Publication number
- CN112581182A CN112581182A CN202011574217.5A CN202011574217A CN112581182A CN 112581182 A CN112581182 A CN 112581182A CN 202011574217 A CN202011574217 A CN 202011574217A CN 112581182 A CN112581182 A CN 112581182A
- Authority
- CN
- China
- Prior art keywords
- sales
- historical
- target commodity
- target
- data
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
Abstract
本发明提供了一种自动售货设备的销售管理方法及系统,涉及自动售货的技术领域,自动售货设备的销售管理方法包括获取第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据;根据第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据,计算目标商品的类型;其中,商品的类型包括销量稳定型、销量不稳定型和销量较小型;根据目标商品的类型确定目标商品对应的目标销量预测模型;基于第一历史时间段内目标商品的历史销售数据,使用目标销量预测模型计算目标商品在未来预设时间段内的第一预测销量。本发明可以有效提高自动售货设备的商品销量预测的准确性。
Description
技术领域
本发明涉及自动售货技术领域,尤其是涉及一种自动售货设备的销售管理方法及系统。
背景技术
自动售货设备作为一种新零售设备,由于其具有不受时间地点限制、能节省人力、方便交易等特点,因此自动售货设备应用越来越广泛。相对于商场、超市等传统零售方式,自动售货设备(例如自动售货机)往往具有空间小、日均销量少、商品售卖周期短等特点,因此,现有的传统零售行业的商品销量预测方法往往不能适用于自动售货设备的应用场景,目前自动售货设备的运营商只能根据传统零售行业的经验进行销售预测的尝试,然而通过这种方式得到的预测销量与实际销量存在较大偏差,从而导致存在较大的运营风险,还可能对运营收入产生负面影响。
发明内容
有鉴于此,本发明的目的在于提供一种自动售货设备的销售管理方法及系统,可以有效提高自动售货设备的商品销量预测的准确性。
第一方面,本发明实施例提供了一种自动售货设备的销售管理方法,应用于自动售货设备的销售管理系统的销售预测应用服务器,所述自动售货设备的所述销售管理系统还包括与所述销售预测应用服务器通信连接的运营服务器和运维服务器,所述运营服务器和所述运维服务器分别与所述自动售货设备通信连接,所述运营服务器用于采集并存储所述自动售货设备的所销售商品的运营数据,所述运维服务器用于采集并存储所述自动售货设备的运维数据,所述方法包括:获取第一历史时间段内所述自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据;其中,所述目标商品为所述自动售货设备所销售商品中要预测其销量的一种商品;根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,计算所述目标商品的类型;其中,商品的类型包括销量稳定型、销量不稳定型和销量较小型;根据所述目标商品的类型确定所述目标商品对应的目标销量预测模型;基于所述第一历史时间段内所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量。
在一种实施方式中,根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,计算所述目标商品的类型的步骤,包括:获取预先存储的多组分类参数值中的一组分类参数值;其中,每组分类参数值中包括第一分组参数值和第二分组参数值;根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,基于所述一组分类参数值中的所述第一分组参数值,使用预先设定的业务归类方法计算所述目标商品的第一类型,以及基于所述一组分类参数值中的所述第二分组参数值,使用聚类算法计算所述目标商品的第二类型;判断计算所得的所述目标商品的所述第一类型和所述第二类型是否一致;如果判定计算所得的所述目标商品的所述第一类型和所述第二类型一致,将一致的类型确定为所述目标商品的类型;如果判定计算所得的所述目标商品的所述第一类型和所述第二类型不一致,获取预先存储的多组分类参数值中的另一组分类参数值,并根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,基于所述另一组分类参数值中的所述第一分组参数值,重新使用所述预先设定的业务归类方法计算所述目标商品的第一类型,以及基于所述另一组分类参数值中的所述第二分组参数值,重新使用所述聚类算法计算所述目标商品的第二类型,并判断计算所得的所述目标商品的所述第一类型和所述第二类型是否一致,以此循环,直至判定计算所得的所述目标商品的所述第一类型和所述第二类型一致并将一致的类型确定为所述目标商品的类型。
在一种实施方式中,根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,基于所述一组分类参数值中的所述第一分组参数值,使用预先设定的业务归类方法计算所述目标商品的第一类型的步骤,包括:对所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的历史销售数据进行分析,生成所述目标商品的第一特征数据;其中,所述目标商品的第一特征数据包括所述第一历史时间段内所述目标商品的关键销售事件特征数据,所述目标商品的关键销售事件包括:目标商品售空、目标商品全天缺货、目标商品缺货并补货、目标商品缺货未及时补货和目标商品补货后售空;获取所述一组分类参数值中的所述第一分组参数值;其中,每组分类参数值中的所述第一分组参数值包括第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值、第五预设阈值和第六预设阈值,所述第一预设阈值用于表征所述目标商品的总销售周期内的日均销量,所述第二预设阈值用于表征所述目标商品售空关键销售事件在所述总销售周期内的发生概率,所述第三预设阈值用于表征所述目标商品缺货并补货关键销售事件在所述总销售周期内的发生概率,所述第四预设阈值用于表征所述目标商品缺货未及时补货关键销售事件在所述总销售周期内的发生概率,所述第五预设阈值用于表征所述目标商品补货后售空关键销售事件在所述总销售周期内的发生概率,所述第六预设阈值用于表征所述目标商品的有效销售周期占总销售周期的比重;根据所述第一历史时间段内所述目标商品的所述历史销售数据以及所述目标商品的所述第一特征数据计算所述第一历史时间段内所述目标商品的所述总销售周期和所述总销售周期内所述目标商品的日均销量,并判断所述总销售周期内所述目标商品的所述日均销量是否小于所述第一预设阈值,当所述总销售周期内所述目标商品的所述日均销量小于所述第一预设阈值时,将所述目标商品的第一类型确定为所述销量较小型;当所述目标商品的所述第一类型不是所述销量较小型时,根据所述目标商品的所述第一特征数据计算所述第一历史时间段内发生所述目标商品售空关键销售事件的第一累计天数、发生所述目标商品缺货并补货关键销售事件的第二累计天数、发生所述目标商品缺货未及时补货关键销售事件的第三累计天数、发生所述目标商品补货后售空关键销售事件的第四累计天数以及所述总销售周期内所述目标商品的所述有效销售周期,根据所述第一累计天数、所述第二累计天数、所述第三累计天数、所述第四累计天数、所述有效销售周期与所述总销售周期的比值确定所述目标商品的第一类型是否为所述销量不稳定型;其中,当所述第一累计天数与所述总销售周期的比值大于所述第二预设阈值,或所述第二累计天数与所述总销售周期的比值大于所述第三预设阈值,或所述第三累计天数与所述总销售周期的比值大于所述第四预设阈值,或所述第四累计天数与所述总销售周期的比值大于所述第五预设阈值,或所述有效销售周期与所述总销售周期的比值小于所述第六预设阈值时,将所述目标商品的第一类型确定为所述销量不稳定型;当所述目标商品的第一类型不是所述销量较小型和所述销量不稳定型时,将所述目标商品的所述第一类型确定为所述销量稳定型。
在一种实施方式中,根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,基于所述一组分类参数值中的所述第二分组参数值,使用聚类算法计算所述目标商品的第二类型的步骤,包括:获取所述一组分类参数值中的所述第二分组参数值;其中,每组分类参数值中的所述第二分组参数值包括销量稳定型商品对应的第一参数值、销量不稳定型商品对应的第二参数值和销量较小型商品对应的第三参数值;按照日期的维度对所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据和所述目标商品的所述历史销售数据进行合并,得到所述自动售货设备在所述第一历史时间段内每天的历史数据;对所述第一历史时间段内每天的历史数据进行数据归一化,得到所述目标商品的分类计算输入数据;采用K近邻算法的KNeighborsClassifier类,使用所述第一参数值对所述目标商品的所述分类计算输入数据进行计算得到第一输出值,使用所述第二参数值对所述目标商品的所述分类计算输入数据进行计算得到第二输出值,使用所述第三参数值对所述目标商品的所述分类计算输入数据进行计算得到第三输出值;其中,所述第一输出值用于表征所述目标商品属于所述销量稳定型商品的概率,所述第二输出值用于表征所述目标商品属于所述销量不稳定型商品的概率,所述第三输出值用于表征所述目标商品属于所述销量较小型商品的概率;将所述第一输出值、所述第二输出值和所述第三输出值中最大的一个输出值对应的类型作为所述目标商品的第二类型。
在一种实施方式中,所述方法还包括:预先使用每种类型的多种商品的历史销售数据进行训练,得到每种类型的商品对应的销量预测模型。
在一种实施方式中,基于所述第一历史时间段内所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量的步骤,包括:确定未来预设时间段内每一天的日历特征信息;其中,所述日历特征信息包括:工作日、双休日和法定节假日;对于所述未来预设时间段内的每一天,从所述第一历史时间段内确定与所述一天的所述日历特征信息相同的日期,将与所述一天的所述日历特征信息相同的所有日期的销售数据作为输入数据,使用所述目标销量预测模型计算所述一天的第一预测销量。
在一种实施方式中,基于所述第一历史时间段内所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量的步骤,包括:获取所述目标销量预测模型的多组初始参数值以及获取第二历史时间段内所述自动售货设备中所述目标商品的历史销售数据;依次将所述目标销量预测模型的参数配置为每组初始参数值,基于所述第二历史时间段内所述自动售货设备中所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算第三历史时间段内所述目标商品的第一预测销量;其中,所述第二历史时间段和所述第三历史时间段均包含于所述第一历史时间段,且所述第二历史时间段早于所述第三历史时间段;获取所述第三历史时间段内所述自动售货设备中所述目标商品的历史销售数据,将使用每组初始参数值计算得到的所述第三历史时间段内所述目标商品的第一预测销量与所述第三历史时间段内所述目标商品的历史销售数据进行比较,确定与所述第三历史时间段内所述目标商品的历史销售数据最接近的所述第三历史时间段内所述目标商品的第一预测销量;将与所述第三历史时间段内所述目标商品的历史销售数据最接近的所述第三历史时间段内所述目标商品的第一预测销量所对应的一组初始参数确定为所述目标销量预测模型的最优参数值;基于所确定的所述最优参数值使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量。
在一种实施方式中,所述方法还包括:采集所述自动售货设备的第二特征数据;其中,所述第二特征数据包括所述自动售货设备的历史场景特征信息和历史天气特征信息;基于所述第二特征数据和所述目标商品的第一预测销量,使用修正模型进行计算,得到所述目标商品的第二预测销量。
在一种实施方式中,所述方法还包括:根据所述目标商品的预测销量,计算所述目标商品的补货信息;其中,所述目标商品的补货信息包括以下中的至少一项:最迟补货时间、不补货损失和补货数量,所述不补货损失包括缺货当日不补货损失和未来不补货损失;向运行商的终端发送所述目标商品的补货信息。
第二方面,本发明实施例还提供一种自动售货设备的销售管理系统,包括销售预测应用服务器、运营服务器和运维服务器,其中,所述销售预测应用服务器与所述运营服务器和所述运维服务器分别通信连接,所述运营服务器和所述运维服务器分别与所述自动售货设备通信连接,所述运营服务器用于采集并存储所述自动售货设备的所销售商品的运营数据,所述运维服务器用于采集并存储所述自动售货设备的运维数据;所述销售预测应用服务器设置为:获取第一历史时间段内所述自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据;其中,所述目标商品为所述自动售货设备所销售商品中要预测其销量的一种商品;根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,计算所述目标商品的类型;其中,商品的类型包括销量稳定型、销量不稳定型和销量较小型;根据所述目标商品的类型确定所述目标商品对应的目标销量预测模型;基于所述第一历史时间段内所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量。
第三方面,本发明实施例还提供一种服务器,包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面提供的任一项所述的方法的步骤。
第四方面,本发明实施例还提供一种计算机存储介质,用于存储为第一方面提供的任一项所述方法所用的计算机软件指令。
本发明实施例提供的一种自动售货设备的销售管理方法及系统,首先获取第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及自动售货设备所销售商品中的目标商品的历史销售数据,然后根据第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据,计算目标商品的类型(包括销量稳定型、销量不稳定型和销量较小型),并根据目标商品的类型确定目标商品对应的目标销量预测模型,从而基于第一历史时间段内目标商品的历史销售数据,使用目标销量预测模型计算目标商品在未来预设时间段内的第一预测销量。上述方法能够基于自动售货设备的历史运营数据、历史运维数据和目标商品的历史销售数据等多种非线性因素确定目标商品的类型,并根据目标商品的类型选择对应的目标销量预测模型对自动售货设备销售的目标商品在未来预设时间段内的第一预测销量进行计算,相较于现有技术中根据传统零售行业的经验对自动销售设备进行销售预测的方式,本发明实施例能够基于自动售货设备的特点对自动售货设备的商品销量进行更为精准的预测,因此,本发明实施例能够有效提高自动售货设备的商品销量预测的准确性,从而能够使运营商基于第一预测销量作出可靠的决策,进而降低运营风险以及提升运营收入。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种自动售货设备的销售管理系统的结构示意图;
图2为本发明实施例提供的一种自动售货设备的销售管理方法的流程示意图;
图3为本发明实施例提供的另一种自动售卖设备的销售管理方法的流程示意图;
图4为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
发明人经研究发现,现有技术的商品销量预测方法往往是采集商品的历史销售数据,根据所采集的历史销售数据使用单一的线性模型对商品未来一段时间内的销量进行预测,然而对于自动售货设备而言,由于其具备空间小、日均销量少、商品售卖周期短等特点,因此自动售货设备所销售的商品的销量更容易受到设备库存、运营补货、营销活动、市场供求等因素的影响,且自动售货设备所销售的商品的销量还与周边人流变化、节假日、季节变化、天气变化、推广促销活动以及商业竞争等环境因素息息相关,这部分变化往往是非线性和随机的,如果使用单一的线性模型对自动售货设备的销量进行预测将很难预测出良好的结果。基于此,本发明实施提供了一种自动售货设备的销售管理方法及系统,可以有效提高自动售货设备的商品销量预测的准确性。
为了更清楚地说明本发明实施例中的自动售货设备的销售管理方法及系统,首先对本发明实施例中所涉及的销售管理系统进行说明。参见图1所示的一种自动售货设备的销售管理系统的结构示意图,图1中示意出销售管理系统包括销售预测应用服务器、运营服务器和运维服务器,其中,销售预测应用服务器与运营服务器和运维服务器分别通信连接,运营服务器和运维服务器分别与自动售货设备通信连接,自动售货设备的数量可以为至少一个,自动售货设备可以包括呈多层多列排布的多个货道,销售预测应用服务器用于执行本发明实施例提供的自动售货设备的销售管理方法的步骤,逐一对各个自动售货设备中每个商品的销量进行预测,运营服务器用于采集并存储自动售货设备的所销售商品的运营数据,运维服务器用于采集并存储自动售货设备的运维数据。上述运营数据可以表征自动售货设备所售卖商品的商品相关信息和/或自动售卖设备的货道信息数据,商品相关信息可以包括自动售卖设备中每种商品的信息数据、起始库存数据和补货数据等,上述运维数据可以表征自动售货设备的属性数据和/或故障数据。
在上述实施例提供的销售管理系统的基础上,本发明实施例提供了一种自动售货设备的销售管理方法,该方法应用于上述销售管理系统的销售预测应用服务器,参见图2所示的一种自动售货设备的销售管理方法的流程示意图,该方法主要包括以下步骤S202至步骤S208:
步骤S202,获取第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据。
其中,目标商品为自动售货设备所销售商品中要预测其销量的一种商品,在实际应用中,可能需要对自动售货设备中所有或部分商品的销量进行预测,此时可从要预测其销量的商品中选择任一商品作为目标商品;上述第一历史时间段是指自当前时刻之前的第一预设时间段,例如为自当前时刻之前的30天、70天、100天、半年等;自动售货设备的历史运营数据可以包括自动售货设备中每种商品的信息数据、自动售货设备每天的起始库存数据、自动售货设备的补货数据和自动售货设备的货道信息数据等,商品的信息数据包括商品的名称、所属分类、商品对应的货道的数量及标识,每天的起始库存数据包括每天的设定时刻(例如零点)每个货道的库存量,补货数据包括每次发生补货时所补货的商品、补货时间和补货数量,货道信息数据包括每个货道的宽度、长度、所在层数和所在列数;自动售货设备的历史运维数据包括自动售货设备的属性数据和自动售货设备的故障数据,自动售货设备的属性数据包括自动售货设备的类型、自动售货设备的机柜的长度、宽度和高度,自动售货设备的故障数据包括自动售货设备每次发生故障时的故障时长和故障类型;自动售货设备的目标商品的历史销售数据包括自动售货设备所销售的目标商品的订单数据,每条订单数据包括目标商品的名称、销售时间和销售金额等。在一种实施方式中,可以从运营服务器中获取第一历史时间段内自动售货设备的历史运营数据,从运维服务器中获取第一历史时间段内自动售货设备的历史运维数据。
步骤S204,根据第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据,计算目标商品的类型。
其中,商品的类型包括销量稳定型、销量不稳定型和销量较小型,销量较小型商品可以理解为在总销售周期内日均销量较小的商品,销量不稳定型商品可理解为在总销售周期内发生关键销售事件概率较高的商品,商品的关键销售事件可以包括商品售空、商品全天缺货、商品缺货并补货、商品缺货未及时补货和商品补货后售空等,销量稳定型商品可以理解为除销量不稳定型商品和销量较小型商品之外的商品。
在一种实施方式中,可以采用预先设定的业务归类方法或聚类方法等多种方式分别确定目标商品的类型,如果仅采用其中一种方式确定目标商品的类型,则可直接将该方式确定的类型作为目标商品的类型,如果采用多种方式分别确定目标商品的类型,则可以在各个方式确定的类型均一致的情况下将该一致的类型作为目标商品的类型,例如,如果采用业务归类方法确定目标商品类型为销量较小型且采用聚类方法确定目标商品类型为销量较小型,此时方可确定目标商品的类型为销量较小型,如果采用业务归类方法确定目标商品类型为销量较小型而采用聚类方法确定目标商品类型为销量不稳定型时,需要调整业务归类方法和/或聚类方法的参数重新对目标商品的类型进行确定,直至两种方式得到的类型一致时将该一致的类型确定为目标商品的类型。
步骤S206,根据目标商品的类型确定目标商品对应的目标销量预测模型。
其中,销量预测模型可以用于对目标商品的销量进行预测,在一种实施方式中,可以预先配置每种商品类型与销量预测模型之间的对应关系,诸如,销量稳定型对应第一预测模型,销量不稳定型对应第二预测模型,销量较小型对应第三预测模型。在实际应用中,对于每个销量预测模型,可以利用与该销量预测模型对应的类型的商品的历史销量数据对其进行训练,从而得到预测准确性较高的销量预测模型。
步骤S208,基于第一历史时间段内目标商品的历史销售数据,使用目标销量预测模型计算目标商品在未来预设时间段内的第一预测销量。
其中,未来预设时间段是指自当前时刻之后的预设时间段,例如为自当前时刻之后的1天、2天、3天、7天、10天等。在一种可选的实施方式中,可以基于第一历史时间段内目标商品的历史销售数据配置目标销量预测模型的参数值,和/或,基于第一历史时间段内每天的日历特征信息和未来预设时间段内每天的日历特征信息,从第一历史时间段内目标商品的历史销量数据中确定目标销量预测模型的输入数据,其中,日历特征信息可以包括工作日、双休日和法定节假日等,本发明实施例通过对目标销量预测模型的参数值进行优化和/或对目标销量预测模型的输入数据进行优化,可以进一步提高第一预测销量的准确性。
进一步的,在获取到第一历史时间段内自动售货设备的历史运营数据、历史运维数据和目标商品的历史销量数据之后,可以根据第一历史时间段内自动售货设备的历史运营数据和历史运维数据对目标商品的历史销售数据进行清洗,从而将第一历史时间段内目标商品的历史销售数据中的无效数据清除,并仅使用第一历史时间段内目标商品的历史销售数据中的有效数据进行商品类型的确定和第一预测销量的计算,从而提高第一预测销量计算的可靠性。
本发明实施例提供的上述自动售卖设备的销售管理方法,能够基于自动售货设备的历史运营数据、历史运维数据和目标商品的历史销售数据等多种非线性因素确定目标商品的类型,并根据目标商品的类型选择对应的目标销量预测模型对自动售货设备销售的目标商品在未来预设时间段内的第一预测销量进行计算,相较于现有技术中根据传统零售行业的经验对自动销售设备进行销售预测的方式,本发明实施例能够基于自动售货设备的特点对自动售货设备的商品销量进行更为精准的预测,因此,本发明实施例能够有效提高自动售货设备的商品销量预测的准确性,从而能够使运营商基于第一预测销量作出可靠的决策,进而降低运营风险以及提升运营收入。
为便于理解,本发明实施例提供了另一种自动售卖设备的销售管理方法,参见如图3所示的另一种自动售卖设备的销售管理方法的流程示意图,该方法主要包括以下步骤S302至步骤S316:
步骤S302,预先使用每种类型的多种商品的历史销售数据进行训练,得到每种类型的商品对应的销量预测模型。在一种实施方式中,销量稳定型的商品对应第一预测模型,第一预测模型采用EWMA(Exponentially Weighted Moving-Average,指数加权移动平均法)算法计算商品的第一预测销量;销量不稳定型的商品对应第二预测模型,第二预测模型采用ARIMA(Autoregressive Integrated Moving Average,差分整合移动平均自回归)算法计算商品的第一预测销量;销量较小型的商品对应第三预测模型,第三预测模型采用ARIMA算法与多元线性回归算法两种算法融合的方式计算商品的第一预测销量。具体的,以销量稳定型商品对应的第一预测模型为例,利用销量稳定型的商品的历史销售数据对第一预测模型进行训练,得到销量稳定型的商品对应的预测销量模型。
步骤S304,获取第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据。
步骤S306,获取预先存储的多组分类参数值中的一组分类参数值。其中,每组分类参数值中包括第一分组参数值和第二分组参数值,可选的,销售预测应用服务器中预先存储有K组分类参数值,K组分类参数值通过预先学习训练得到,每组分类参数值中包括应用于业务归类方法计算目标商品的第一类型的第一分组参数值和应用于聚类算法计算目标商品的第二类型的第二分组参数值。
在一种实施方式中,第一分组参数值可以包括第一预设阈值T1、第二预设阈值T2、第三预设阈值T3、第四预设阈值T4、第五预设阈值T5和第六预设阈值T6,第一预设阈值T1用于表征目标商品的总销售周期内的日均销量,第二预设阈值T2用于表征目标商品售空关键销售事件在总销售周期内的发生概率,第三预设阈值T3用于表征目标商品缺货并补货关键销售事件在总销售周期内的发生概率,第四预设阈值T4用于表征目标商品缺货未及时补货关键销售事件在总销售周期内的发生概率,第五预设阈值T5用于表征目标商品补货后售空关键销售事件在总销售周期内的发生概率,第六预设阈值T6用于表征目标商品的有效销售周期占总销售周期的比重。第二分组参数值可以包括销量稳定型商品对应的第一参数值、销量不稳定型商品对应的第二参数值和销量较小型商品对应的第三参数值。
步骤S308,根据第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据,基于该一组分类参数值中的第一分组参数值,使用预先设定的业务归类方法计算目标商品的第一类型,以及基于该一组分类参数值中的第二分组参数值,使用聚类算法计算目标商品的第二类型。为便于对步骤S308进行理解,本发明实施例分别提供了计算目标商品的第一类型和计算目标商品的第二类型的实施方式,首先参见如下步骤1至步骤5所示的一种计算目标商品的第一类型的实施方式:
步骤1,对第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据进行分析,生成目标商品的第一特征数据。其中,目标商品的第一特征数据包括第一历史时间段内目标商品的关键销售事件特征数据,还可以包括自动售货设备的故障信息数据,第一历史时间段内目标商品的关键销售事件特征数据用于记录目标商品在第一历史时间段内发生的关键销售事件,目标商品的关键销售事件包括:目标商品售空、目标商品全天缺货、目标商品缺货并补货、目标商品缺货未及时补货和目标商品补货后售空;自动售货设备的故障信息数据用于记录每天自动售后设备发生故障的时长。
在一种具体的实施方式中,在执行对第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据进行分析,生成目标商品的第一特征数据的步骤时,可以参照如下1.1至步骤1.3:
步骤1.1,分析第一历史时间段内自动售货设备的历史运营数据和目标商品的历史销售数据,确定第一历史时间段内每天目标商品的关键销售事件特征数据。其中,若目标商品当天起始库存量为零,且目标商品当天无补货,则确定当天发生目标商品全天缺货关键销售事件;若目标商品当天起始库存量为零,且目标商品当天有补货,则确定当天发生目标商品缺货并补货关键销售事件;若目标商品当天起始库存量大于零,目标商品当天无补货,且目标商品当天起始库存量大于当天销量,则确定当天未发生目标商品关键销售事件;若目标商品当天起始库存量大于零,目标商品当天无补货,且目标商品当天起始库存量等于当天销量,则确定当天发生目标商品售空关键销售事件;若目标商品当天起始库存量大于零,目标商品当天有补货,且目标商品当天起始库存量与补货量之和大于当天销量,则按当天逐次补货时间,计算每次补货时目标商品是否售空,如果每次补货时目标商品均未售空,则确定当天未发生目标商品关键销售事件,如果某次补货时商品售空,则确定当天发生目标商品缺货未及时补货关键销售事件;若目标商品当天起始库存量大于零,目标商品当天有补货,且目标商品当天起始库存量与补货量之和等于当天销量,则确定当天发生目标商品补货后售空关键销售事件。
步骤1.2,获取自动售货设备的历史运维数据中自动售货设备的故障数据,确定第一历史时间段内每天自动售货设备的故障信息数据。具体的,判断每天自动售货设备是否出现故障,若某天自动售货设备出现故障,则计算该天自动售货设备的累计故障时长,并判断该累计故障时长是否大于设定时长,若该累计故障时长大于设定时长,则将该天自动售货设备的累计故障时长记录为该天自动售货设备的故障信息数据,若该累计故障时长小于或等于设定时长,则不记录此次故障。例如,假设设定时长为30分钟,则在该天的累计故障时长(诸如35分钟)大于30分钟时将累计故障时长记录为该天自动售货设备的故障信息数据,在该天的累计故障时长(诸如25分钟)小于或等于30分钟时不将其记录为该天自动售货设备的故障信息数据。
步骤1.3,汇总第一历史时间段内每天目标商品的关键销售事件特征数据、每天自动售货设备的故障信息数据作为目标商品的第一特征数据。
步骤2,获取该一组分类参数值中的第一分组参数值。其中,每组分类参数值中的第一分组参数值包括第一预设阈值T1、第二预设阈值T2、第三预设阈值T3、第四预设阈值T4、第五预设阈值T5和第六预设阈值T6。
步骤3,根据第一历史时间段内目标商品的历史销售数据以及目标商品的第一特征数据计算第一历史时间段内目标商品的总销售周期和总销售周期内目标商品的日均销量,并判断总销售周期内目标商品的日均销量是否小于第一预设阈值,当总销售周期内目标商品的日均销量小于第一预设阈值时,将目标商品的第一类型确定为销量较小型。其中,第一预设阈值T1用于表征目标商品的总销售周期P内的日均销售情况,当目标商品的总销售周期P内的日均销量小于第一预设阈值T1时,说明目标商品的日均销量较小,此时将目标商品的类型确定为销量较小型,可选的,第一预设阈值T1可以设置为3、5、7、10等。另外,本发明实施例还示例性提供了一种计算总销售周期的实施方式,第一历史时间段内目标商品的总销售周期P=D当前-D起始-D全天缺货,D当前为当前日期,D起始为第一历史时间段内自动售货设备中开始放置目标商品以进行销售的第一天的日期,D全天缺货为第一历史时间段内目标商品发生全天缺货关键销售事件的累计天数。
步骤4,当目标商品的第一类型不是销量较小型时,根据目标商品的第一特征数据计算第一历史时间段内发生目标商品售空关键销售事件的第一累计天数、发生目标商品缺货并补货关键销售事件的第二累计天数、发生目标商品缺货未及时补货关键销售事件的第三累计天数、发生目标商品补货后售空关键销售事件的第四累计天数以及总销售周期内目标商品的有效销售周期,根据第一累计天数、第二累计天数、第三累计天数、第四累计天数、有效销售周期与总销售周期的比值确定目标商品的第一类型是否为销量不稳定型。其中,当第一累计天数P1与总销售周期P的比值大于第二预设阈值T2(P1/P>T2),或第二累计天数P2与总销售周期P的比值大于第三预设阈值T3(P2/P>T3),或第三累计天数P3与总销售周期P的比值大于第四预设阈值T4(P3/P>T4),或第四累计天数P4与总销售周期P的比值大于第五预设阈值T5(P4/P>T5),或有效销售周期P5与总销售周期P的比值小于第六预设阈值T6(P5/P<T6)时,将目标商品的第一类型确定为销量不稳定型。
第二预设阈值T2、第三预设阈值T3、第四预设阈值T4和第五预设阈值T5用于表征总销售周期P内关键销售事件发生的概率,由于关键销售事件包括目标商品售空、目标商品全天缺货、目标商品缺货并补货、目标商品缺货未及时补货和目标商品补货后售空,在目标商品销售稳定的情况下,目标商品的销售情况将与库存情况相匹配,将不容易发生这些关键销售事件,在目标商品销售不稳定的情况下将容易发生这些关键销售事件,因此,当总销售周期P内任意一种关键销售事件发生的概率大于其对应的设定阈值时,将目标商品的类型确定为销量不稳定型。而第六预设阈值T6用于表征总销售周期P内有效销售周期的占比情况,有效销售周期P5为销售周期P内目标商品的销量不为零的累计天数,当总销售周期P内有效销售周期的占比过低时,说明目标商品在较多日期中有库存但没有被销售,此时也将目标商品的类型确定为销量不稳定型。
示例性的,根据目标商品的关键销售事件特征数据统计第一历史时间段内发生目标商品售空关键销售事件的累计天数P1,若P1与P的比值大于第二预设阈值T2,则确定目标商品的第一类型为销量不稳定型,可选的,第二预设阈值T2可以设置为0.5、0.6、0.65、0.7等;根据目标商品的关键销售事件特征数据统计第一历史时间段内发生目标商品缺货并补货关键销售事件的累计天数P2,若P2与P的比值大于第三预设阈值T3,则确定目标商品的第一类型为销量不稳定型,可选的,第三预设阈值T3可以设置为0.5、0.6、0.65、0.7等;根据目标商品的关键销售事件特征数据统计第一历史时间段内发生目标商品缺货未及时补货关键销售事件的累计天数P3,若P3与P的比值大于第四预设阈值T4,则确定目标商品的第一类型为销量不稳定型,可选的,第四预设阈值T4可以设置为0.5、0.6、0.65、0.7等;根据目标商品的关键销售事件特征数据统计第一历史时间段内发生目标商品补货后售空关键销售事件的累计天数P4,若P4与P的比值大于第五预设阈值T5,则确定目标商品的第一类型为销量不稳定型,可选的,第四预设阈值T4可以设置为0.5、0.6、0.65、0.7等;统计总销售周期P内目标商品的有效销售周期P5,若P5与P的比值小于第六预设阈值T6,则确定目标商品的第一类型为销量不稳定型,可选的,第五预设阈值T5可以设置为0.6、0.65、0.7、0.75等。
步骤5,当目标商品的第一类型不是销量较小型和销量不稳定型时,将目标商品的第一类型确定为销量稳定型。
另外,参见如下步骤a至步骤e所示的一种计算目标商品的第二类型的实施方式:
步骤a,获取该一组分类参数值中的第二分组参数值。其中,每组分类参数值中的第二分组参数值包括销量稳定型商品对应的第一参数值、销量不稳定型对应的第二参数值和销量较小型商品对应的第三参数值。
步骤b,按照日期的维度对第一历史时间段内自动售货设备的历史运营数据、历史运维数据和目标商品的历史销售数据进行合并,得到自动售货设备在第一历史时间段内每天的历史数据。例如,将2020年11月27日内自动售货设备的历史运营数据、历史运维数据和目标商品的历史销售数据进行合并,即可得到2020年11月27日的历史数据,也即,对于第一历史时间段内的每一天,该天的历史数据包括该天的历史运营数据、历史运维数据和历史销售数据。
步骤c,对自动售货设备的第一历史时间段内每天的历史数据进行数据归一化,得到目标商品的分类计算输入数据。在一种实施方式中,可以使用Z-score标准化方法对第一历史时间段内每天的历史数据进行数据归一化。
步骤d,采用K近邻算法的KNeighborsClassifier类,使用第一参数值对目标商品的分类计算输入数据进行计算得到第一输出值,使用第二参数值对目标商品的分类计算输入数据进行计算得到第二输出值,使用第三参数值对目标商品的分类计算输入数据进行计算得到第三输出值。其中,第一输出值用于表征目标商品属于销量稳定型商品的概率,第二输出值用于表征目标商品属于销量不稳定型商品的概率,第三输出值用于表征目标商品属于销量较小型商品的概率。在一种实施方式中,第一参数值、第二参数值和第三参数值可以理解为K近邻算法的已标记的数据集,分别计算分类计算输入数据与第一参数值的距离并基于该距离得到第一输出值、计算分类计算输入数据与第二参数值的距离并基于该距离得到第二输出值、计算分类计算输入数据与第三参数值的距离并基于该距离得到第三输出值,其中,距离衡量的标准可以包括Lp距离、切比雪夫距离、马氏距离、巴氏距离、余弦值等。
步骤e,将第一输出值、第二输出值和第三输出值中最大的一个输出值对应的类型作为目标商品的第二类型。例如,第一输出值为0.6,第二输出值为0.1,第三输出值为0.3,此时将第一输出值对应的类型作为目标商品的第二类型,也即目标商品的第二类型为销量稳定型。
步骤S310,判断计算所得的目标商品的第一类型和第二类型是否一致。如果是,执行步骤S312;如果否,执行步骤S306。例如,如果目标商品的第一类型和第二类型均为销售较小型,则可以确定目标商品的第一类型和第二类型一致,如果目标商品的第一类型为销售较小型,而第二类型为销售不稳定型,则可以确定目标商品的第一类型和第二类型不一致。
步骤S312,将一致的类型确定为目标商品的类型。例如,如果第一类型和第二类型一致,且第一类型和第二类型均为销售较小型,则确定目标商品的类型为销售较小型。
另外,如果判定计算所得的目标商品的第一类型和第二类型不一致,获取预先存储的多组分类参数值中的另一组分类参数值,并根据第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据,基于该另一组分类参数值中的第一分组参数值,重新使用预先设定的业务归类方法计算目标商品的第一类型,以及基于该另一组分类参数值中的第二分组参数值,重新使用聚类算法计算目标商品的第二类型,并判断计算所得的目标商品的第一类型和第二类型是否一致,以此循环,直至判定计算所得的目标商品的第一类型和第二类型一致。在本发明实施例中,使用一组分类参数值进行目标商品的第一类型和第二类型的计算,当计算所得的目标商品的第一类型和第二类型不一致时,使用另一组分类参数值再次计算目标商品的第一类型和第二类型,以此循环,直至计算所得的目标商品的第一类型和第二类型一致。本发明实施例能够基于一组分类参数值通过两种不同的方法确定目标商品的类型,从而使所确定的目标商品的类型能够更加准确地反应目标商品在第一历史时间段内的实际销售情况,从而使后续的目标商品的销量预测更准确。
进一步的,可以通过预先学习训练得到M组第一分组参数值和N组第二分组参数值,通过将M组第一分组参数值和N组第二分组参数值进行排列组合得到K组分类参数值,也即,K=M*N。
步骤S314,根据目标商品的类型确定目标商品对应的目标销量预测模型。在一种实施方式中,可以获取预先存储的商品类型与预测模型的对应关系表,根据目标商品的类型进行查表以确定目标销量预测模型。
步骤S316,基于第一历史时间段内目标商品的历史销售数据,使用目标销量预测模型计算目标商品在未来预设时间段内的第一预测销量。为便于理解,本发明实施例示例性列举了第一预测销量的两种计算方式,该两种方式分别从确定目标销量预测模型的输入数据和确定目标销量预测模型的最优参数的角度出发进行阐述,具体可参见如下:
方式一:(1)确定未来预设时间段内每一天的日历特征信息,其中,日历特征信息包括工作日、双休日和法定节假日;(2)对于未来预设时间段内的每一天,从第一历史时间段内确定与该一天的日历特征信息相同的日期,将与该一天的日历特征信息相同的所有日期的销售数据作为输入数据,使用目标销量预测模型计算该一天的第一预测销量。例如,未来预设时间段内的某一天的日历特征信息为法定节假日,从第一历史时间段内确定日历特征信息为法定节假日的日期,并将所有日历特征信息为法定节假日的日期的销售数据作为输入数据,输入至目标销量预测模型,以利用目标销量预测模型针对输入数据计算得到该一天的第一预测销量。
方式二:(1)获取目标销量预测模型的多组初始参数值以及获取第二历史时间段内自动售货设备中目标商品的历史销售数据。在实际应用中,销量稳定型的商品对应采用EWMA算法的第一预测模型,销量不稳定型的商品对应采用ARIMA算法的第二预测模型,销量较小型的商品对应采用ARIMA与多元线性回归两种算法融合的第三预测模型。对于第一预测模型和第二预测模型,预先存储有模型对应的R组初始参数值,例如,预先存储有ARIMA算法的(p、d、q)对应的R组初始参数值,再例如,R可以等于16。对于第三预测模型,预先存储的初始参数中除了包括ARIMA与多元线性回归两种算法的参数,还包括ARIMA与多元线性回归两种算法融合的比例。(2)依次将目标销量预测模型的参数配置为每组初始参数值,基于第二历史时间段内自动售货设备中目标商品的历史销售数据,使用目标销量预测模型计算第三历史时间段内目标商品的第一预测销量。其中,第二历史时间段和第三历史时间段均包含于第一历史时间段,且第二历史时间段早于第三历史时间段,例如,当前时刻为2020年11月27日,第一历史时间段为自当前时刻之前的10天,也即,第一历史时间段为2020年11月17日至2020年11月26日,第三历史时间段为自当前时刻之前的3天,也即,第三历史时间段为2020年11月24日至2020年11月26日,第二历史时间段为自第三历史时间段的第一天之前的5天,也即,第二历史时间段为2020年11月19日至2020年11月23日。在一种可选的实施方式中,对于第三历史时间段内的某天(例如2020年11月24),假设该一天的日历特征信息为工作日,则从第二历史时间段内选择日历特征信息为工作日的所有日期,并将各个日期的销售数据作为目标销量预测模型的输入数据,以通过目标销量预测模型基于第二历史时间段内目标商品的历史销售数据计算2020年11月24内目标商品的第一预测销量。(3)获取第三历史时间段内自动售货设备中目标商品的历史销售数据,将使用每组初始参数值计算得到的第三历史时间段内目标商品的第一预测销量与第三历史时间段内目标商品的历史销售数据进行比较,确定与第三历史时间段内目标商品的历史销售数据最接近的第三历史时间段内目标商品的第一预测销量。在实际应用中,目标销量预测模型的初始参数值不同,将直接影响其输出的第三历史时间段内目标商品的第一预测销量,其中,计算得到的第三历史时间段内目标商品的第一预测销量与第三历史时间段内目标商品的历史销售数据越接近,则说明目标销量预测模型采用该组初始参数值时计算得到的第一预测销量的准确性越高。(4)将与第三历史时间段内目标商品的历史销售数据最接近的第三历史时间段内目标商品的第一预测销量所对应的一组初始参数确定为目标销量预测模型的最优参数值。(5)基于所确定的最优参数值使用目标销量预测模型计算目标商品在未来预设时间段内的第一预测销量。本发明实施例通过从R组初始参数值中确定最优参数值,能够使用目标销量预测模型的最优参数进行目标商品的销量预测,从而提高计算目标商品在未来预设时间段内的第一预测销量的准确性。
考虑到自动售货设备所销售的商品的销量还与周边人流变化、节假日、季节变化、天气变化、推广促销活动以及商业竞争等环境因素息息相关,本发明实施例还提供了一种对第一预测销量进行修正的实施方式,以得到准确度更高的第二预测销量。在一种具体的实施方式中,可以采集自动售货设备的第二特征数据,然后基于第二特征数据和目标商品的第一预测销量,使用修正模型进行计算,得到目标商品的第二预测销量。其中,第二特征数据包括自动售货设备的历史场景特征信息和历史天气特征信息,具体的,历史场景特征信息包括:过去预设时间段内(例如1年)自动售货设备的营业时间、特殊活动、周边人流量、地理位置、周边常住居民数量等;历史天气特征信息包括:过去预设时间段内(例如5年)每天的最高温度、最低温度、天气状况、风力风向等。
在一种可选的实施方式中,上述修正模型可以采用BP(Error Back Propagation)神经网络算法,为便于理解,本发明实施例提供了一种修正第一预测销量的应用示例,参见如下(一)至(五):
(一)获取第二特征数据中的历史场景特征信息中的影响因素和历史天气特征信息中的影响因素,其中,历史场景信息中的影响因素包括过去第三预设时间段内自动售货设备每日的营业时间、周边人流量、节假日信息、特殊活动、地理位置和周边常住居民数量,历史天气信息中的影响因素包括过去第四预设时间段内自动售货设备所在位置的县区级区域每天的最高温度、最低温度、天气状况和风力风向。例如,过去第三预设时间段可以为过去1年,过去第四预设时间段可以为过去5年。
(二)对各影响因素进行专家打分,确定影响因子权重,并选取排名靠前的设定X个影响因素作为输入数据。例如,选取排名靠前的6个影响因素作为输入数据。
(三)获取第一历史时间段内自动售货设备中目标商品的历史销量数据和预测销量数据,其中,对于第一历史时间段内的每一天,该一天目标商品的历史销售数据是指该一天目标商品的实际销售数据,该一天目标商品的预测销量数据是指该天还没有到来时所预测的该一天的目标商品的第一预测销量。
(四)对输入数据、第一历史时间段内自动售货设备中目标商品的历史销量数据和预测销量数据按销售日期维度进行数据合并,对合并后的数据使用Z-score标准化方法进行数据归一化,生成一维数组。
(五)将一维数组作为修正模型的输入数据,进行网络学习和训练,通过多次计算得到目标商品的第二预测销量。
由于第二特征数据中天气特征信息中的高温、低温影响因素对商品的销量的影响是线性相关的,但是雨、雪等天气状况的影响因素对商品的销量的影响是非线性的,且自动售货设备所在的位置、隶属的场景中的各种影响因素对该自动售货设备的商品的销量的影响是各不相同的,在实际应用中,基于第二特征数据中的历史场景特征信息和历史天气特征信息对目标商品的第一预测销量进行修正得到目标商品的第二预测销量,因此,在得到目标商品的第二预测销量的计算过程中加入了场景特征信息和历史天气特征信息对销量的影响因素,将目标商品的第二预测销量作为目标商品的实际预测销量,将提高目标商品销量预测的准确性。
另外,在前述实施例的基础上,本发明实施例还提供了一种补货信息的确定方法,可以根据目标商品的预测销量,计算目标商品的补货信息,然后向运营商的终端发送目标商品的补货信息。其中,目标商品的补货信息包括以下中的至少一项:最迟补货时间、不补货损失和补货数量,不补货损失包括缺货当日不补货损失和未来不补货损失。在一种实施方式中,本发明实施例在通过精准预测出未来预设时间段内自动售货设备中目标商品的销量的基础上,根据目标商品的预测销量向运营商提供补货策略,以使运营商基于该补货策略制定补货计划,其中,目标商品的预测销量可以为目标商品的第一预测销量或第二预测销量。
具体的,可以基于自动售货设备中目标商品未来设定时段内的预测销量R,结合自动售货设备中目标商品的当前库存量N和目标商品的单价v,实时计算自动售货设备中目标商品在未来设定时间段(例如销售天数为:i{0,1,2,3…n})内,未能及时补充而造成的销售收益损失,具体如下:如果R<N,则商品不缺货,该商品不补货损失价值为0;如果R>N,则n天不补货,不补货损失价值等于(R-N)*v。
可选的,销售预测应用服务器与运营商的移动终端通信连接,销售预测应用服务器通过短信、微信公众号等方式向运营商的移动终端发送目标商品的补货信息,从而使运营商可以随时随地查看自动售货设备的最新补货策略建议信息。
当不补货损失达到自动售货设备库存的阈值时,计算出来的第n天就是该自动售货设备的最迟补货时间,在这种情况下,销售预测应用服务器生成实时补货告警信息,借助运营商的移动终端,通过微信公众号API(Application Programming Interface,应用程序接口)等形式,实现模板消息实时推送,可选的,销售预测应用服务器通过运营商的移动终端对自动售货设备的实时工作状态信息提供图形化信息展示,便于运营商实时了解自动售货设备的销售情况和以及精准制定运营计划。本发明实施例还能够基于商品的销量预测结果为运营商提供智能补货策略,从而为运营商作出决策提供多方位的服务,提高了运营商运营的便利性。
综上所述,本发明实施例提供的上述自动售货设备的销售管理方法,基于自动售货设备的历史运营数据、历史运维数据和目标商品的历史销售数据确定目标商品的类型,并根据目标商品的类型针对性地选择对应的销量预测模型进行目标商品的销量预测。本发明实施例能够结合自动售货设备的历史运营数据和历史运维数据,基于目标商品的历史销售特点从多个预测模型中选择最合适的模型对目标商品在未来时间段内的销量进行预测,因此,能够使目标商品销量预测更加准确,解决了自动售货设备使用单一的线性模型对商品的销量进行预测所导致的预测不准确的问题;进一步的,本发明实施例还能够基于第二特征数据使用修正模型对目标商品的第一预测销量进行修正得到目标商品的第二预测销量,进一步提高了目标商品销量预测的准确性;进一步的,本发明实施例还能够根据目标商品的预测销量计算目标商品的补货信息,从而能够为运营商提供精准的补货策略,使运营商及时获取准确的补货信息并及时进行补货,避免由于不补货造成的损失,使得运营商的利益能够最大化。
对于前述实施例提供的自动售货设备的销售管理方法,本发明实施例还提供了一种自动售货设备的销售管理系统,其结构如前述图1所示,包括销售预测应用服务器、运营服务器和运维服务器,其中,销售预测应用服务器与运营服务器和运维服务器分别通信连接,运营服务器和运维服务器分别与自动售货设备通信连接,运营服务器用于采集并存储自动售货设备的所销售商品的运营数据,运维服务器用于采集并存储自动售货设备的运维数据。在具体实现时,将销售预测应用服务器设置为:
获取第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据;其中,目标商品为自动售货设备所销售商品中要预测其销量的一种商品;
根据第一历史时间段内自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据,计算目标商品的类型;其中,商品的类型包括销量稳定型、销量不稳定型和销量较小型;
根据目标商品的类型确定目标商品对应的目标销量预测模型;
基于第一历史时间段内目标商品的历史销售数据,使用目标销量预测模型计算目标商品在未来预设时间段内的第一预测销量。
本发明实施例提供的上述自动售货设备的销售管理系统,能够基于自动售货设备的历史运营数据、历史运维数据和目标商品的历史销售数据等多种非线性因素确定目标商品的类型,并根据目标商品的类型选择对应的目标销量预测模型对自动售货设备销售的目标商品在未来预设时间段内的第一预测销量进行计算,相较于现有技术中根据传统零售行业的经验对自动销售设备进行销售预测的方式,本发明实施例能够基于自动售货设备的特点对自动售货设备的商品销量进行更为精准的预测,因此,本发明实施例能够有效提高自动售货设备的商品销量预测的准确性,从而能够使运营商基于第一预测销量作出可靠的决策,进而降低运营风险以及提升运营收入。
本发明实施例所提供的系统,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,系统实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种服务器,具体的,该服务器包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被处理器运行时执行如上实施方式的任一项的方法。
图4为本发明实施例提供的一种服务器的结构示意图,该服务器100包括:处理器40,存储器41,总线42和通信接口43,处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,所述处理器40在接收到执行指令后,执行所述程序,前述本发明任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器40读取存储器41中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,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,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种自动售货设备的销售管理方法,其特征在于,应用于自动售货设备的销售管理系统的销售预测应用服务器,所述自动售货设备的所述销售管理系统还包括与所述销售预测应用服务器通信连接的运营服务器和运维服务器,所述运营服务器和所述运维服务器分别与所述自动售货设备通信连接,所述运营服务器用于采集并存储所述自动售货设备的所销售商品的运营数据,所述运维服务器用于采集并存储所述自动售货设备的运维数据,所述方法包括:
获取第一历史时间段内所述自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据;其中,所述目标商品为所述自动售货设备所销售商品中要预测其销量的一种商品;
根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,计算所述目标商品的类型;其中,商品的类型包括销量稳定型、销量不稳定型和销量较小型;
根据所述目标商品的类型确定所述目标商品对应的目标销量预测模型;
基于所述第一历史时间段内所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量。
2.根据权利要求1所述的方法,其特征在于,根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,计算所述目标商品的类型的步骤,包括:
获取预先存储的多组分类参数值中的一组分类参数值;其中,每组分类参数值中包括第一分组参数值和第二分组参数值;
根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,基于所述一组分类参数值中的所述第一分组参数值,使用预先设定的业务归类方法计算所述目标商品的第一类型,以及基于所述一组分类参数值中的所述第二分组参数值,使用聚类算法计算所述目标商品的第二类型;
判断计算所得的所述目标商品的所述第一类型和所述第二类型是否一致;
如果判定计算所得的所述目标商品的所述第一类型和所述第二类型一致,将一致的类型确定为所述目标商品的类型;
如果判定计算所得的所述目标商品的所述第一类型和所述第二类型不一致,获取预先存储的多组分类参数值中的另一组分类参数值,并根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,基于所述另一组分类参数值中的所述第一分组参数值,重新使用所述预先设定的业务归类方法计算所述目标商品的第一类型,以及基于所述另一组分类参数值中的所述第二分组参数值,重新使用所述聚类算法计算所述目标商品的第二类型,并判断计算所得的所述目标商品的所述第一类型和所述第二类型是否一致,以此循环,直至判定计算所得的所述目标商品的所述第一类型和所述第二类型一致并将一致的类型确定为所述目标商品的类型。
3.根据权利要求2所述的方法,其特征在于,根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,基于所述一组分类参数值中的所述第一分组参数值,使用预先设定的业务归类方法计算所述目标商品的第一类型的步骤,包括:
对所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的历史销售数据进行分析,生成所述目标商品的第一特征数据;其中,所述目标商品的第一特征数据包括所述第一历史时间段内所述目标商品的关键销售事件特征数据,所述目标商品的关键销售事件包括:目标商品售空、目标商品全天缺货、目标商品缺货并补货、目标商品缺货未及时补货和目标商品补货后售空;
获取所述一组分类参数值中的所述第一分组参数值;其中,每组分类参数值中的所述第一分组参数值包括第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值、第五预设阈值和第六预设阈值,所述第一预设阈值用于表征所述目标商品的总销售周期内的日均销量,所述第二预设阈值用于表征所述目标商品售空关键销售事件在所述总销售周期内的发生概率,所述第三预设阈值用于表征所述目标商品缺货并补货关键销售事件在所述总销售周期内的发生概率,所述第四预设阈值用于表征所述目标商品缺货未及时补货关键销售事件在所述总销售周期内的发生概率,所述第五预设阈值用于表征所述目标商品补货后售空关键销售事件在所述总销售周期内的发生概率,所述第六预设阈值用于表征所述目标商品的有效销售周期占总销售周期的比重;
根据所述第一历史时间段内所述目标商品的所述历史销售数据以及所述目标商品的所述第一特征数据计算所述第一历史时间段内所述目标商品的所述总销售周期和所述总销售周期内所述目标商品的日均销量,并判断所述总销售周期内所述目标商品的所述日均销量是否小于所述第一预设阈值,当所述总销售周期内所述目标商品的所述日均销量小于所述第一预设阈值时,将所述目标商品的第一类型确定为所述销量较小型;
当所述目标商品的所述第一类型不是所述销量较小型时,根据所述目标商品的所述第一特征数据计算所述第一历史时间段内发生所述目标商品售空关键销售事件的第一累计天数、发生所述目标商品缺货并补货关键销售事件的第二累计天数、发生所述目标商品缺货未及时补货关键销售事件的第三累计天数、发生所述目标商品补货后售空关键销售事件的第四累计天数以及所述总销售周期内所述目标商品的所述有效销售周期,根据所述第一累计天数、所述第二累计天数、所述第三累计天数、所述第四累计天数、所述有效销售周期与所述总销售周期的比值确定所述目标商品的第一类型是否为所述销量不稳定型;其中,当所述第一累计天数与所述总销售周期的比值大于所述第二预设阈值,或所述第二累计天数与所述总销售周期的比值大于所述第三预设阈值,或所述第三累计天数与所述总销售周期的比值大于所述第四预设阈值,或所述第四累计天数与所述总销售周期的比值大于所述第五预设阈值,或所述有效销售周期与所述总销售周期的比值小于所述第六预设阈值时,将所述目标商品的第一类型确定为所述销量不稳定型;
当所述目标商品的第一类型不是所述销量较小型和所述销量不稳定型时,将所述目标商品的所述第一类型确定为所述销量稳定型。
4.根据权利要求2所述的方法,其特征在于,根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,基于所述一组分类参数值中的所述第二分组参数值,使用聚类算法计算所述目标商品的第二类型的步骤,包括:
获取所述一组分类参数值中的所述第二分组参数值;其中,每组分类参数值中的所述第二分组参数值包括销量稳定型商品对应的第一参数值、销量不稳定型商品对应的第二参数值和销量较小型商品对应的第三参数值;
按照日期的维度对所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据和所述目标商品的所述历史销售数据进行合并,得到所述自动售货设备在所述第一历史时间段内每天的历史数据;
对所述自动售货设备在所述第一历史时间段内每天的历史数据进行数据归一化,得到所述目标商品的分类计算输入数据;
采用K近邻算法的KNeighborsClassifier类,使用所述第一参数值对所述目标商品的所述分类计算输入数据进行计算得到第一输出值,使用所述第二参数值对所述目标商品的所述分类计算输入数据进行计算得到第二输出值,使用所述第三参数值对所述目标商品的所述分类计算输入数据进行计算得到第三输出值;其中,所述第一输出值用于表征所述目标商品属于所述销量稳定型商品的概率,所述第二输出值用于表征所述目标商品属于所述销量不稳定型商品的概率,所述第三输出值用于表征所述目标商品属于所述销量较小型商品的概率;
将所述第一输出值、所述第二输出值和所述第三输出值中最大的一个输出值对应的类型作为所述目标商品的第二类型。
5.根据权利要求1所述的方法,其特征在于,基于所述第一历史时间段内所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量的步骤,包括:
确定未来预设时间段内每一天的日历特征信息;其中,所述日历特征信息包括:工作日、双休日和法定节假日;
对于所述未来预设时间段内的每一天,从所述第一历史时间段内确定与所述一天的所述日历特征信息相同的日期,将与所述一天的所述日历特征信息相同的所有日期的销售数据作为输入数据,使用所述目标销量预测模型计算所述一天的第一预测销量。
6.根据权利要求1所述的方法,其特征在于,基于所述第一历史时间段内所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量的步骤,包括:
获取所述目标销量预测模型的多组初始参数值以及获取第二历史时间段内所述自动售货设备中所述目标商品的历史销售数据;
依次将所述目标销量预测模型的参数配置为每组初始参数值,基于所述第二历史时间段内所述自动售货设备中所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算第三历史时间段内所述目标商品的第一预测销量;其中,所述第二历史时间段和所述第三历史时间段均包含于所述第一历史时间段,且所述第二历史时间段早于所述第三历史时间段;
获取所述第三历史时间段内所述自动售货设备中所述目标商品的历史销售数据,将使用每组初始参数值计算得到的所述第三历史时间段内所述目标商品的第一预测销量与所述第三历史时间段内所述目标商品的历史销售数据进行比较,确定与所述第三历史时间段内所述目标商品的历史销售数据最接近的所述第三历史时间段内所述目标商品的第一预测销量;
将与所述第三历史时间段内所述目标商品的历史销售数据最接近的所述第三历史时间段内所述目标商品的第一预测销量所对应的一组初始参数确定为所述目标销量预测模型的最优参数值;
基于所确定的所述最优参数值使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集所述自动售货设备的第二特征数据;其中,所述第二特征数据包括所述自动售货设备的历史场景特征信息和历史天气特征信息;
基于所述第二特征数据和所述目标商品的第一预测销量,使用修正模型进行计算,得到所述目标商品的第二预测销量。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述方法还包括:
根据所述目标商品的预测销量,计算所述目标商品的补货信息;其中,所述目标商品的补货信息包括以下中的至少一项:最迟补货时间、不补货损失和补货数量,所述不补货损失包括缺货当日不补货损失和未来不补货损失;
向运行商的终端发送所述目标商品的补货信息。
9.一种自动售货设备的销售管理系统,其特征在于,包括销售预测应用服务器、运营服务器和运维服务器,其中,所述销售预测应用服务器与所述运营服务器和所述运维服务器分别通信连接,所述运营服务器和所述运维服务器分别与所述自动售货设备通信连接,所述运营服务器用于采集并存储所述自动售货设备的所销售商品的运营数据,所述运维服务器用于采集并存储所述自动售货设备的运维数据;所述销售预测应用服务器设置为:
获取第一历史时间段内所述自动售货设备的历史运营数据、历史运维数据以及目标商品的历史销售数据;其中,所述目标商品为所述自动售货设备所销售商品中要预测其销量的一种商品;
根据所述第一历史时间段内所述自动售货设备的所述历史运营数据、所述历史运维数据以及所述目标商品的所述历史销售数据,计算所述目标商品的类型;其中,商品的类型包括销量稳定型、销量不稳定型和销量较小型;
根据所述目标商品的类型确定所述目标商品对应的目标销量预测模型;
基于所述第一历史时间段内所述目标商品的所述历史销售数据,使用所述目标销量预测模型计算所述目标商品在未来预设时间段内的第一预测销量。
10.一种服务器,其特征在于,包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1至8任一项所述的方法的步骤。
11.一种计算机存储介质,其特征在于,用于存储为权利要求1至8任一项所述方法所用的计算机软件指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011574217.5A CN112581182B (zh) | 2020-12-24 | 2020-12-24 | 自动售货设备的销售管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011574217.5A CN112581182B (zh) | 2020-12-24 | 2020-12-24 | 自动售货设备的销售管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581182A true CN112581182A (zh) | 2021-03-30 |
CN112581182B CN112581182B (zh) | 2023-04-07 |
Family
ID=75140334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011574217.5A Active CN112581182B (zh) | 2020-12-24 | 2020-12-24 | 自动售货设备的销售管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581182B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554335A (zh) * | 2021-08-02 | 2021-10-26 | 南京邮电大学 | 一种基于大数据的生产计划方法 |
CN115150430A (zh) * | 2022-06-20 | 2022-10-04 | 广东便捷神科技股份有限公司 | 一种基于物联网的自动售卖机运营数据采集系统 |
CN116227778A (zh) * | 2023-01-05 | 2023-06-06 | 江苏汇智达信息科技有限公司 | 运行商品销售平台的网络app管理系统及方法 |
CN116415984A (zh) * | 2023-06-09 | 2023-07-11 | 江苏圣骏智能科技有限公司 | 一种分布式自助机的管理系统及方法 |
CN116957471A (zh) * | 2023-07-29 | 2023-10-27 | 京品高科信息科技(北京)有限公司 | 一种智能零售服务方法、系统、电子设备及存储介质 |
CN117745323A (zh) * | 2023-12-22 | 2024-03-22 | 广州市禾赢文化传播有限公司 | 一种基于大数据的零售内容管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204086A (zh) * | 2015-05-06 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 商品销量的预警方法和装置 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 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 |
CN109558991A (zh) * | 2018-12-17 | 2019-04-02 | 广州甘来信息科技有限公司 | 基于自贩机的货道量推荐方法、装置、设备及存储介质 |
CN109635961A (zh) * | 2018-12-17 | 2019-04-16 | 广州甘来信息科技有限公司 | 基于自贩机的运维调度方法、装置、设备及存储介质 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 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 |
CN111445134A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 商品的销量预测方法、装置、计算机设备和存储介质 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
CN111882278A (zh) * | 2020-07-30 | 2020-11-03 | 上海百胜软件股份有限公司 | 一种智能补货方法及系统 |
-
2020
- 2020-12-24 CN CN202011574217.5A patent/CN112581182B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204086A (zh) * | 2015-05-06 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 商品销量的预警方法和装置 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 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 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 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 |
CN109558991A (zh) * | 2018-12-17 | 2019-04-02 | 广州甘来信息科技有限公司 | 基于自贩机的货道量推荐方法、装置、设备及存储介质 |
CN109635961A (zh) * | 2018-12-17 | 2019-04-16 | 广州甘来信息科技有限公司 | 基于自贩机的运维调度方法、装置、设备及存储介质 |
CN111445134A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 商品的销量预测方法、装置、计算机设备和存储介质 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
CN111882278A (zh) * | 2020-07-30 | 2020-11-03 | 上海百胜软件股份有限公司 | 一种智能补货方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554335A (zh) * | 2021-08-02 | 2021-10-26 | 南京邮电大学 | 一种基于大数据的生产计划方法 |
CN115150430A (zh) * | 2022-06-20 | 2022-10-04 | 广东便捷神科技股份有限公司 | 一种基于物联网的自动售卖机运营数据采集系统 |
CN115150430B (zh) * | 2022-06-20 | 2023-06-23 | 广东便捷神科技股份有限公司 | 一种基于物联网的自动售卖机运营数据采集系统 |
CN116227778A (zh) * | 2023-01-05 | 2023-06-06 | 江苏汇智达信息科技有限公司 | 运行商品销售平台的网络app管理系统及方法 |
CN116227778B (zh) * | 2023-01-05 | 2023-09-22 | 深圳爱巧电子商务有限公司 | 运行商品销售平台的网络app管理系统及方法 |
CN116415984A (zh) * | 2023-06-09 | 2023-07-11 | 江苏圣骏智能科技有限公司 | 一种分布式自助机的管理系统及方法 |
CN116415984B (zh) * | 2023-06-09 | 2023-08-18 | 江苏圣骏智能科技有限公司 | 一种分布式自助机的管理系统及方法 |
CN116957471A (zh) * | 2023-07-29 | 2023-10-27 | 京品高科信息科技(北京)有限公司 | 一种智能零售服务方法、系统、电子设备及存储介质 |
CN116957471B (zh) * | 2023-07-29 | 2024-03-19 | 京品高科信息科技(北京)有限公司 | 一种智能零售服务方法、系统、电子设备及存储介质 |
CN117745323A (zh) * | 2023-12-22 | 2024-03-22 | 广州市禾赢文化传播有限公司 | 一种基于大数据的零售内容管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112581182B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581182B (zh) | 自动售货设备的销售管理方法及系统 | |
CN111133460B (zh) | 需求预测参数的优化 | |
CN109685583B (zh) | 一种基于大数据的供应链需求预测方法 | |
US8447664B1 (en) | Method and system for managing inventory by expected profitability | |
US20200104771A1 (en) | Optimized Selection of Demand Forecast Parameters | |
US20190332991A1 (en) | Inventory management apparatus, inventory management method, and storage medium | |
CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
TW202242735A (zh) | 庫存自動化管理方法及其系統 | |
Theodorou et al. | Optimizing inventory control through a data-driven and model-independent framework | |
CN117217380A (zh) | 停车场空余停车位预测方法、装置、电子设备及存储介质 | |
CN111353794B (zh) | 数据处理的方法、供应链调度的方法和装置 | |
CN115860800A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
CN116205560A (zh) | 库存自动化管理系统及其方法 | |
Guo et al. | Integrated inventory control and scheduling decision framework for packaging and products on a reusable transport item sharing platform | |
CN116881242B (zh) | 一种生鲜农产品电商采购数据智能存储系统 | |
JP2001134643A (ja) | 需要予測装置及び需要予測方法 | |
CN116128408A (zh) | 智能补货方法、系统以及计算机可读介质 | |
US11631102B2 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
CN114881694A (zh) | 自动补货方法、系统、电子设备、存储介质、程序产品 | |
CN114493673A (zh) | 基于用户行为的商品改价方法、系统、装置和存储介质 | |
US20210142348A1 (en) | Multi-layered system for heterogeneous pricing decisions by continuously learning market and hotel dynamics | |
US20210073840A1 (en) | Multi-layered system for heterogeneous pricing decisions by continuously learning market and hotel dynamics | |
JP2001243401A (ja) | 受注予測システム |
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 |