CN112651784A - 一种用于门店销售计划的智能分解方法及系统 - Google Patents

一种用于门店销售计划的智能分解方法及系统 Download PDF

Info

Publication number
CN112651784A
CN112651784A CN202011618863.7A CN202011618863A CN112651784A CN 112651784 A CN112651784 A CN 112651784A CN 202011618863 A CN202011618863 A CN 202011618863A CN 112651784 A CN112651784 A CN 112651784A
Authority
CN
China
Prior art keywords
sales
coefficient
store
target
week
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.)
Pending
Application number
CN202011618863.7A
Other languages
English (en)
Inventor
王忆新
赵龙涛
王元盛
吴昭松
王新
彭肖溶
朱婵娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Heading Information Engineering Co ltd
Original Assignee
Shanghai Heading Information Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Heading Information Engineering Co ltd filed Critical Shanghai Heading Information Engineering Co ltd
Publication of CN112651784A publication Critical patent/CN112651784A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及销售计划技术领域，提供了一种用于门店销售计划的智能分解方法及系统，方法包括：针对于门店销售计划的年度销售基数，设定比例系数和调节系数，通过比例系数和调节系数对年度销售基数进行划分，得到后续每一天的门店目标销售额；获取预测门店过去一段时间内的每日销售额，形成销售额时间序列，应用SARIMA算法模型提取销售额时间序列的要素值，基于SARIMA算法模型和要素值预测后续的门店目标销售额；采用加权平均的方式对两种方式预测的门店目标销售额进行综合，得到最终的门店目标销售额。能够对指定的门店设定销售计划，并根据每一个门店自身的销售特点，将销售计划进行分解。

Description

一种用于门店销售计划的智能分解方法及系统
技术领域
本发明涉及销售计划的技术领域，尤其涉及门店销售计划智能分解的技术领域。具体为一种用于门店销售计划的智能分解方法及系统。
背景技术
在门店销售中，为了对门店的销售状态进行管理，以及对未来一段时间的销售情况进行预测，以利于提前预备足够并适量的商品，防止在销售时出现缺货的情况。以及对一个门店未来整体的销售情况进行预测，评估一个门店整体的经营状态。上述目的均需要对门店制定销售计划，并对销售计划进行分解。
在传统的销售计划中，无法科学地制定针对单一门店，分解至天或小时等的细化销售计划，而只是将整体销售目标简单地除以天数，无法科学的体现门店真实销售波动情况。
发明内容
针对上述问题，本发明的目的在于提供一种用于门店销售计划的智能分解方法及系统，能够对指定的门店设定销售计划，并根据每一个门店自身的销售特点，将销售计划进行分解。
本发明的上述发明目的是通过以下技术方案得以实现的：
一种用于门店销售计划的智能分解方法，包括以下步骤：
S1：基于历史数据的汇总分析，针对于门店销售计划的年度销售基数，设定包括将所述年度销售基数分配到每个周的年-周系数、将每周的销售营收计划分配到每一天的周-日系数在内的比例系数，以及包括促销系数、天气系数和增长系数在内的调节系数，通过所述比例系数和调节系数对所述年度销售基数进行划分，得到后续每一天的门店目标销售额；
S2：获取预测门店过去一段时间内的每日销售额，形成销售额时间序列，应用SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的要素值，基于所述SARIMA算法模型和所述要素值预测后续的门店目标销售额；
S3：采用加权平均的方式对步骤S1和S2中计算得到的门店目标销售额进行综合，得到最终的门店目标销售额。
进一步地，在步骤S1中，通过所述比例系数和调节系数对所述年度销售基数进行划分，得到每一天的门店销售额，还包括：采用统计算法对销售计划进行划分，具体包括以下公式:
当日门店目标金额＝所述年度销售基数*所述年-周系数*所述周-日系数*所述促销系数*所述天气系数*所述增长系数；
其中，所述年度销售基数为零售企业制定的门店的年度销售营收目标，或上一年度的销售营收总额；
所述年-周系数为基于历史数据汇总分析，将该门店的所述年度销售基数分解到各个周的比例系数，得到每周的销售营收目标；
所述周-日系数为基于历史数据汇总分析，将该门店的每周销售营收目标分解到每周周一到周日产生的波动所形成的比例系数，得到每日的销售营收目标；
所述促销系数为引入了促销因数，对销售业绩带来的波动产生的调节系数；
所述天气系数为引入了天气因数，对销售业绩带来的波动产生的调节系数；
所述增长系数为其他的对销售业绩带来的波动进行调节的调节系数。
进一步地，在步骤S2中，在应用所述SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的所述要素值之后，还包括：通过移动平均值和标准差来校验所述销售额时间序列的平稳性。
进一步地，在步骤S3中，得到最终的门店目标销售额之后，还包括：
采用平均百分比误差公式MAPE，对分解后的门店目标销售额与实际销售额计算平均百分比误差，以根据计算结果对门店目标销售额进行优化。
进一步地，在步骤S2之前，还包括：
所述SARIMA算法模型采用ARIMA(p,d,q)(P,D,Q)S时间序列模型，其中，p为非季节性自回归阶数，d为非季节性差分阶数，q为非季节性移动平均阶数，P为季节性自回归阶数，D为季节性差分阶数，Q为季节性移动平均阶数，S为时间序列的周期。
进一步地，选取所述时间序列模型的参数值，具体为：
生成所述时间序列模型的参数值的不同组合，计算每一个组合的所述时间序列模型的参数值的AIC值，选取所述AIC值最低的组合。
一种执行上述的用于门店销售计划的智能分解方法的用于门店销售计划的智能分解系统，包括：
统计算法模块，用于基于历史数据的汇总分析，针对于门店销售计划的年度销售基数，设定包括将所述年度销售基数分配到每个周的年-周系数、将每周的销售营收计划分配到每一天的周-日系数在内的比例系数，以及包括促销系数、天气系数和增长系数在内的调节系数，通过所述比例系数和调节系数对所述年度销售基数进行划分，得到后续每一天的门店目标销售额；
SARIMA算法模块，用于获取预测门店过去一段时间内的每日销售额，形成销售额时间序列，应用SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的要素值，基于所述SARIMA算法模型和所述要素值预测后续的门店目标销售额；
加权平均模块，用于采用加权平均的方式对统计算法模块和SARIMA算法模块中计算得到的门店目标销售额进行综合，得到最终的门店目标销售额。
进一步地，所述SARIMA算法模块，还包括：
平稳性校验单元，用于在应用所述SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的所述要素值之后，通过移动平均值和标准差来校验所述销售额时间序列的平稳性。
一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现上述的方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如上述的方法被执行。
与现有技术相比，本发明包括以下至少一种有益效果是：
(1)通过提供一种用于门店销售计划的智能分解方法，包括以下步骤：S1：基于历史数据的汇总分析，针对于门店销售计划的年度销售基数，设定包括将所述年度销售基数分配到每个周的年-周系数、将每周的销售营收计划分配到每一天的周-日系数在内的比例系数，以及包括促销系数、天气系数和增长系数在内的调节系数，通过所述比例系数和调节系数对所述年度销售基数进行划分，得到后续每一天的门店目标销售额；S2：获取预测门店过去一段时间内的每日销售额，形成销售额时间序列，应用SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的要素值，基于所述SARIMA算法模型和所述要素值预测后续的门店目标销售额；S3：采用加权平均的方式对步骤S1和S2中计算得到的门店目标销售额进行综合，得到最终的门店目标销售额。上述技术方案，通过将经典统计算法和人工智能算法的加权综合应用，实现对未来销售情况的智能化判断，以及完成对销售目标的科学化分解，从而大大超越了传统方式下人为判断和计算的水平。
(2)通过采用移动平均值和标准差来校验所述销售额时间序列的平稳性，使得SARIMA算法模型预测的销售额更加准确。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明一种用于门店销售计划的智能分解方法的整体流程图；
图2为本发明步骤S1中日均值分解值(预测值)对比图；
图3为本发明步骤S1中日均值实际值对比图；
图4为本发明步骤S1中分解值实际值对比图；
图5为SARIMA算法的理论示意图，其中图a为平稳状态的示意图，图b为相加趋势项与随机影响的示意图，图c为相加季节项与随机影响的示意图，图d为相加趋势项、季节项与随机影响的示意图；
图6为获取的近期一段时间内的销售额的时间序列示意图；
图7为应用SARIMA算法模型获取包括趋势、季节性、残差在内的要素值的示意图；
图8为通过移动平均值和标准差来检验销售值的时间序列的平稳性的示意图；
图9为基于SARIMA算法模型和要素值预测后续一个月内门店销售额的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
第一实施例
如图1所示，本实施例提供了一种用于门店销售计划的智能分解方法，包括以下步骤：
S1：基于历史数据的汇总分析，针对于门店销售计划的年度销售基数，设定包括将所述年度销售基数分配到每个周的年-周系数、将每周的销售营收计划分配到每一天的周-日系数在内的比例系数，以及包括促销系数、天气系数和增长系数在内的调节系数，通过所述比例系数和调节系数对所述年度销售基数进行划分，得到后续每一天的门店目标销售额。
具体地，在本实施例中，首先通过经典统计算法，对历史已产生的销售额的数据进行分析，根据历史销售额数据的分布和趋势，确定将年度销售基数(即当前年份的销售额的总目标)划分到每周(年-周系数)，每天(周-日系数)的比例系数。再辅以包括促销系数、天气系数和增长系数在内的调节系数对年度销售基数进行分解到每一周，每一天。
需要说明的是，年-周系数、周-日系数、促销系数、天气系数和增长系数仅是本发明的优选方案，在实际应用中还可以增加其他的系数，比如说，还可以增加日-时系数，将每天的销售计划进一步划分到每一个小时。
在本实施例中，经典统计算法具体采用以下公式：
当日门店目标金额＝所述年度销售基数*所述年-周系数*所述周-日系数*所述促销系数*所述天气系数*所述增长系数；
其中，所述年度销售基数为零售企业制定的门店的年度销售营收目标，或上一年度的销售营收总额；所述年-周系数为基于历史数据汇总分析，将该门店的所述年度销售基数分解到各个周的比例系数，得到每周的销售营收目标；所述周-日系数为基于历史数据汇总分析，将该门店的每周销售营收目标分解到每周周一到周日产生的波动所形成的比例系数，得到每日的销售营收目标；所述促销系数为引入了促销因数，对销售业绩带来的波动产生的调节系数；所述天气系数为引入了天气因数，对销售业绩带来的波动产生的调节系数；所述增长系数为其他的对销售业绩带来的波动进行调节的调节系数。
以下通过一个具体的举例对步骤S1的预测过程进行说明：
如图2所示，为采集的最近一段时间内日均值和分解值对比的示意图。如图3所示，为采集的最近一段时间内日均值和实际值对比的示意图。如图4所示，为采集的最近一段时间内分解值和实际值对比的示意图。
对未来一个月的销售额进行预测的值，以及实际值的对比如下表1所示：
表1
Figure BDA0002873528820000061
Figure BDA0002873528820000071
S2：获取预测门店过去一段时间内的每日销售额，形成销售额时间序列，应用SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的要素值，并通过移动平均值和标准差来校验所述销售额时间序列的平稳性，基于所述SARIMA算法模型和所述要素值预测后续的门店目标销售额。
具体的，在通过步骤S1中的经典统计算法对后续的门店目标销售额进行预测后，继续通过SARIMA算法模型对门店目标销售额进行进一步地预测，以进一步的提高预测的准确性。
采用SARIMA算法，采用建立判别函数、原数据检验、预测结果、对照分析并优化；SARIMA算法是时间序列分析方法的一种类型，针对非平稳周期性时间序列分析。采用SARIMA算法的原因是，销售金额所体现的时间序列中存在明显的周期性变化，这种周期是由于季节性变化(季度、月度等)引起的，因此比较于ARIMA算法，SARIMA算法较为复合门店销售额预测的场景要求。
所述SARIMA算法模型采用ARIMA(p,d,q)(P,D,Q)S时间序列模型，其中，p为非季节性自回归阶数，d为非季节性差分阶数，q为非季节性移动平均阶数，P为季节性自回归阶数，D为季节性差分阶数，Q为季节性移动平均阶数，S为时间序列的周期。
进一步地，选取所述时间序列模型的参数值，具体为：生成所述时间序列模型的参数值的不同组合，计算每一个组合的所述时间序列模型的参数值的AIC值，选取所述AIC值最低的组合。
通过包括趋势、季节和残差在内的要素值的科学分解与识别，从而形成更高精度的预测效果，基础理论如图5所示。
SARIMA算法在门店销售计划的智能分解中，应用过程如下：
1)原数据校验
如图6所示，提取某预测门店一段时间的每日销售额，并查看数据的整体情况。
2)计算SARIMA各要素值
如图7所示，应用SARIMA算法模型，提取序列的趋势、季节和残差。
如图8所示，通过移动原始的每日销售额的平均值和标准差来检验时间序列的平稳性。如图8的示例中，可以发现该时间序列基本为稳定的，整体上没有明显的上升和下降的趋势。
3)预测结果
如图9所示，基于上述模型及要素值，同样预测后续一月内的门店销售额。
S3：采用加权平均的方式对步骤S1和S2中计算得到的门店目标销售额进行综合，得到最终的门店目标销售额。
具体地，SARIMA算法求得的分解值与经典统计算法求得的数值进行对比；在实际操作中，由于难以判断两种算法哪种更优，因此采用加权平均的方式，从而使得综合偏差度有所降低。
如表2所示，为具体数据的举例。
表2
Figure BDA0002873528820000091
Figure BDA0002873528820000101
从上述对比可以看到，将经典法分解值与SARIMA分解值结合，经过加权综合之后，加权平均分解值与实际值的偏差有较大幅度的减小，从而达到了预期的目标。
进一步地，在步骤S3中，得到最终的门店目标销售额之后，还包括：
采用平均百分比误差公式MAPE，对分解后的门店目标销售额与实际销售额计算平均百分比误差，以根据计算结果对门店目标销售额进行优化。
第二实施例
本实施例提供一种执行第一实施例中的用于门店销售计划的智能分解方法的用于门店销售计划的智能分解系统，包括：
统计算法模块1，用于基于历史数据的汇总分析，针对于门店销售计划的年度销售基数，设定包括将所述年度销售基数分配到每个周的年-周系数、将每周的销售营收计划分配到每一天的周-日系数在内的比例系数，以及包括促销系数、天气系数和增长系数在内的调节系数，通过所述比例系数和调节系数对所述年度销售基数进行划分，得到后续每一天的门店目标销售额；
SARIMA算法模块2，用于获取预测门店过去一段时间内的每日销售额，形成销售额时间序列，应用SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的要素值，基于所述SARIMA算法模型和所述要素值预测后续的门店目标销售额；
加权平均模块3，用于采用加权平均的方式对统计算法模块和SARIMA算法模块中计算得到的门店目标销售额进行综合，得到最终的门店目标销售额。
进一步地，所述SARIMA算法模块2，还包括：
平稳性校验单元21，用于在应用所述SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的所述要素值之后，通过移动平均值和标准差来校验所述销售额时间序列的平稳性。
一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有计算机代码，所述计算机代码被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如第一实施例中任一项所述的方法。
一种计算机可读存储介质，计算机可读存储介质存储有计算机代码，当计算机代码被执行时，如上述方法被执行。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是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个功能或步骤的电路。如本说明书实施例所示实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器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。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，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说明书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。结合本说明书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，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子系统执行时，使得所述电子系统执行实施例一所述的方法。在此不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。

Claims (10)

1.一种用于门店销售计划的智能分解方法，其特征在于，包括以下步骤：
S1：基于历史数据的汇总分析，针对于门店销售计划的年度销售基数，设定包括将所述年度销售基数分配到每个周的年-周系数、将每周的销售营收计划分配到每一天的周-日系数在内的比例系数，以及包括促销系数、天气系数和增长系数在内的调节系数，通过所述比例系数和所述调节系数对所述年度销售基数进行划分，得到后续每一天的门店目标销售额；
S2：获取预测门店过去一段时间内的每日销售额，形成销售额时间序列，应用SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的要素值，基于所述SARIMA算法模型和所述要素值预测后续的门店目标销售额；
S3：采用加权平均的方式对步骤S1和S2中计算得到的门店目标销售额进行综合，得到最终的门店目标销售额。
2.根据权利要求1所述的用于门店销售计划的智能分解方法，其特征在于，在步骤S1中，通过所述比例系数和调节系数对所述年度销售基数进行划分，得到每一天的门店销售额，还包括：采用统计算法对销售计划进行划分，具体包括以下公式:
当日门店目标金额＝所述年度销售基数*所述年-周系数*所述周-日系数*所述促销系数*所述天气系数*所述增长系数；
其中，所述年度销售基数为零售企业制定的门店的年度销售营收目标，或上一年度的销售营收总额；
所述年-周系数为基于历史数据汇总分析，将该门店的所述年度销售基数分解到各个周的比例系数，得到每周的销售营收目标；
所述周-日系数为基于历史数据汇总分析，将该门店的每周销售营收目标分解到每周周一到周日产生的波动所形成的比例系数，得到每日的销售营收目标；
所述促销系数为引入了促销因数，对销售业绩带来的波动产生的调节系数；
所述天气系数为引入了天气因数，对销售业绩带来的波动产生的调节系数；
所述增长系数为其他的对销售业绩带来的波动进行调节的调节系数。
3.根据权利要求1所述的用于门店销售计划的智能分解方法，其特征在于，在步骤S2中，在应用所述SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的所述要素值之后，还包括：通过移动平均值和标准差来校验所述销售额时间序列的平稳性。
4.根据权利要求1所述的用于门店销售计划的智能分解方法，其特征在于，在步骤S3中，得到最终的门店目标销售额之后，还包括：
采用平均百分比误差公式MAPE，对分解后的门店目标销售额与实际销售额计算平均百分比误差，以根据计算结果对门店目标销售额进行优化。
5.根据权利要求1所述的用于门店销售计划的智能分解方法，其特征在于，在步骤S2之前，还包括：
所述SARIMA算法模型采用ARIMA(p,d,q)(P,D,Q)S时间序列模型，其中，p为非季节性自回归阶数，d为非季节性差分阶数，q为非季节性移动平均阶数，P为季节性自回归阶数，D为季节性差分阶数，Q为季节性移动平均阶数，S为时间序列的周期。
6.根据权利要求5所述的用于门店销售计划的智能分解方法，其特征在于，还包括：选取所述时间序列模型的参数值，具体为：
生成所述时间序列模型的参数值的不同组合，计算每一个组合的所述时间序列模型的参数值的AIC值，选取所述AIC值最低的组合。
7.一种执行如权利要求1-6中任意一项所述的用于门店销售计划的智能分解方法的用于门店销售计划的智能分解系统，其特征在于，包括：
统计算法模块，用于基于历史数据的汇总分析，针对于门店销售计划的年度销售基数，设定包括将所述年度销售基数分配到每个周的年-周系数、将每周的销售营收计划分配到每一天的周-日系数在内的比例系数，以及包括促销系数、天气系数和增长系数在内的调节系数，通过所述比例系数和调节系数对所述年度销售基数进行划分，得到后续每一天的门店目标销售额；
SARIMA算法模块，用于获取预测门店过去一段时间内的每日销售额，形成销售额时间序列，应用SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的要素值，基于所述SARIMA算法模型和所述要素值预测后续的门店目标销售额；
加权平均模块，用于采用加权平均的方式对统计算法模块和SARIMA算法模块中计算得到的门店目标销售额进行综合，得到最终的门店目标销售额。
8.根据权利要求7所述的用于门店销售计划的智能分解系统，其特征在于，所述SARIMA算法模块，还包括：
平稳性校验单元，用于在应用所述SARIMA算法模型提取所述销售额时间序列的包括趋势、季节和残差在内的所述要素值之后，通过移动平均值和标准差来校验所述销售额时间序列的平稳性。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1-6中任意一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如权利要求1至6中任一项所述的方法被执行。
CN202011618863.7A 2020-12-23 2020-12-30 一种用于门店销售计划的智能分解方法及系统 Pending CN112651784A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020115444509 2020-12-23
CN202011544450 2020-12-23

Publications (1)

Publication Number Publication Date
CN112651784A true CN112651784A (zh) 2021-04-13

Family

ID=75366648

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011618863.7A Pending CN112651784A (zh) 2020-12-23 2020-12-30 一种用于门店销售计划的智能分解方法及系统
CN202111591031.5A Pending CN114708007A (zh) 2020-12-23 2021-12-23 一种用于门店销售计划的智能分解方法及系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202111591031.5A Pending CN114708007A (zh) 2020-12-23 2021-12-23 一种用于门店销售计划的智能分解方法及系统

Country Status (1)

Country Link
CN (2) CN112651784A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763055A (zh) * 2021-10-25 2021-12-07 金蝶软件（中国）有限公司 一种门店商品配送的预测方法以及相关设备
CN115829611A (zh) * 2022-12-05 2023-03-21 杭州登卓科技有限公司 一种基于数据处理的业绩管理方法及系统
CN117829740A (zh) * 2024-03-05 2024-04-05 深圳泽熙网络科技有限公司 一种库存监测方法、系统、计算机设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763055A (zh) * 2021-10-25 2021-12-07 金蝶软件（中国）有限公司 一种门店商品配送的预测方法以及相关设备
CN113763055B (zh) * 2021-10-25 2024-03-19 金蝶软件（中国）有限公司 一种门店商品配送的预测方法以及相关设备
CN115829611A (zh) * 2022-12-05 2023-03-21 杭州登卓科技有限公司 一种基于数据处理的业绩管理方法及系统
CN117829740A (zh) * 2024-03-05 2024-04-05 深圳泽熙网络科技有限公司 一种库存监测方法、系统、计算机设备及介质

Also Published As

Publication number Publication date
CN114708007A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN112651784A (zh) 一种用于门店销售计划的智能分解方法及系统
Martens et al. A comparison of seasonal adjustment methods when forecasting intraday volatility
US20110208701A1 (en) Computer-Implemented Systems And Methods For Flexible Definition Of Time Intervals
Chen et al. An empirical study of demand forecasting of non-volatile memory for smart production of semiconductor manufacturing
US20110153386A1 (en) System and method for de-seasonalizing product demand based on multiple regression techniques
Navratil et al. Decomposition and forecasting time series in the business economy using prophet forecasting model
US20160283881A1 (en) System and method for forecast driven replenishment of merchandise
CN111461775A (zh) 事件对业务量的影响的确定方法及装置
CN110634061A (zh) 一种资金需求预测方法、装置及终端设备
CN114862291A (zh) 一种数据资产价值评估系统及方法及装置及介质
CN110766232A (zh) 动态预测方法及其系统
CN113850427A (zh) 时间序列的预测方法和电子设备，及计算机存储介质
CN109410052A (zh) 一种数据预测方法和装置
CN117406309A (zh) 多数值计算成员生成方法、装置及存储介质
CN117196695A (zh) 一种目标产品的销量数据的预测方法及装置
CN111461632A (zh) 商品供需平衡方法及系统、服务器及介质
CN113538055B (zh) 用于亚马逊平台商品的销量预估方法、装置及处理器
CN116502754A (zh) 一种苹果盛花期的预测方法、设备及介质
Muschinski et al. Predicting power ramps from joint distributions of future wind speeds
CN113240489A (zh) 一种基于大数据统计分析的物品推荐方法及装置
CN116150570B (zh) 一种高精度网格降雨的存储和叠加分析计算方法及装置
CN117974215B (zh) 基于XGBoost模型的加氢销量预测方法及存储介质
CN114722645B (zh) 影响径流变化的因素贡献率获取方法、系统、介质和设备
Fičura Forecasting jumps in the intraday foreign exchange rate time series with hawkes processes and logistic regression
CN111144617B (zh) 一种确定模型的方法及装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210413

WD01 Invention patent application deemed withdrawn after publication