CN113435541B - 品类规划方法、装置、存储介质及计算机设备 - Google Patents

品类规划方法、装置、存储介质及计算机设备 Download PDF

Info

Publication number
CN113435541B
CN113435541B CN202110832532.1A CN202110832532A CN113435541B CN 113435541 B CN113435541 B CN 113435541B CN 202110832532 A CN202110832532 A CN 202110832532A CN 113435541 B CN113435541 B CN 113435541B
Authority
CN
China
Prior art keywords
store
adjusted
data
category
target
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
Application number
CN202110832532.1A
Other languages
English (en)
Other versions
CN113435541A (zh
Inventor
杨粤
林家豪
张威
雷小平
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.)
Chuangyou Digital Technology Guangdong Co Ltd
Original Assignee
Chuangyou Digital Technology Guangdong 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 Chuangyou Digital Technology Guangdong Co Ltd filed Critical Chuangyou Digital Technology Guangdong Co Ltd
Priority to CN202110832532.1A priority Critical patent/CN113435541B/zh
Publication of CN113435541A publication Critical patent/CN113435541A/zh
Application granted granted Critical
Publication of CN113435541B publication Critical patent/CN113435541B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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

Abstract

本发明提供的品类规划方法、装置、存储介质及计算机设备，参考门店的门店数据和品类规划数据可以为目标门店的品类规划提供客观数据支撑，接着以目标门店和参考门店的门店数据和品类规划数据，来确定目标门店中的待调整品类，使得待调整品类脱离于现有的依赖个人经验进行品类调整的方式，遵循了市场和门店周边情况的变化，提高了待调整品类的确认效率；当确定目标门店中的待调整品类后，还可以依据与待调整品类对应的约束条件，对预先设定的目标门店的目标函数进行优化求解，优化求解后的结果能够保证目标门店的商品供应与顾客的需求相匹配，极大程度上提高了目标门店的收益率的同时，缩短了品类规划的时间，降低了人力成本。

Description

品类规划方法、装置、存储介质及计算机设备
技术领域
本发明涉及数据处理技术领域，尤其涉及一种品类规划方法、装置、存储介质及计算机设备。
背景技术
目前，各大品牌的连锁门店众多，各连锁门店都会通过预先制定的品类规划来提升门店的销售水平。这里的品类指的是管理流程上对商品进行的分类，一般分为库存量单位(Stock keeping unit，SKU)-细类-陈列类/小类-中类-大类，分类的颗粒度逐层增大；品类规划主要包括品类的选择、不同品类在门店的陈列布局等。
传统的品类规划主要由品类规划师根据年度品类销售目标，将负责的品类按照个人经验分配到不同地区、不同规模的门店中，再以统一的标准规定各门店销售的品类资源和品类陈列位置，在各门店具体执行该品类规划的过程中，门店管理者会根据自身门店各个品类的销售情况，再向仓库要货，并自主调整品类的陈列。
由上述内容可知，传统的品类规划主要依靠品类规划师进行规划，品类规划耗时长、人力成本高，且该品类规划不够客观，与各门店的适配程度较低、无法满足各门店的实际需求；另外，各门店对品类规划的自主调整仅依赖于实际销售情况和门店管理者的经验，容易导致门店畅销的品类供给不及时，缺乏对品类规划的预判性和客观性，从而影响门店的收益率。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中传统的品类规划耗时较长、耗费大量的人力成本，与门店的适配度较低、缺乏客观性，容易导致门店品类的供需不匹配，影响收益率的技术缺陷。
本发明提供了一种品类规划方法，所述方法包括：
确定目标门店，以及与所述目标门店关联的参考门店；
获取所述目标门店及所述参考门店的门店数据和品类规划数据；
基于所述门店数据和品类规划数据，确定所述目标门店中的待调整品类，以及与所述待调整品类对应的约束条件；
利用所述约束条件对预先设定的所述目标门店的目标函数进行优化求解，并利用优化求解后的结果对所述目标门店中的待调整品类进行调整。
可选地，所述确定目标门店，以及与所述目标门店关联的参考门店的步骤，包括：
从多个可选门店中确定目标门店；
获取所述目标门店，以及所述多个可选门店中除所述目标门店外的其他门店的销售数据；
基于所述销售数据，从所述其他门店中筛选出与所述目标门店关联的参考门店。
可选地，所述基于所述销售数据，从所述其他门店中筛选出与所述目标门店关联的参考门店的步骤，包括：
根据所述销售数据，计算所述目标门店以及所述其他门店中各个品类的渗透率；
利用预设的检验指标，计算所述目标门店中各个品类的渗透率与每一其他门店中各个品类的渗透率之间的相似度；
根据所述目标门店中各个品类的渗透率与每一其他门店中各个品类的渗透率之间的相似度，从所述其他门店中筛选出与所述目标门店关联的参考门店。
可选地，所述基于所述门店数据和品类规划数据，确定所述目标门店中的待调整品类，以及与所述待调整品类对应的约束条件的步骤，包括：
基于所述目标门店的门店数据，确定所述目标门店的待调整品类；
根据所述目标门店及所述参考门店的门店数据，确定与所述待调整品类对应的边际收益曲线；
利用所述边际收益曲线构建所述待调整品类的决策变量；
基于所述待调整品类的决策变量，以及所述目标门店和所述参考门店的品类规划数据，确定与所述待调整品类对应的约束条件。
可选地，所述根据所述目标门店及所述参考门店的门店数据，确定与所述待调整品类对应的边际收益曲线的步骤，包括：
根据所述目标门店及所述参考门店的门店数据，构建与所述待调整品类对应的拟合数据集；
利用预先设置的拟合模型对所述拟合数据集进行拟合，并选择拟合指标最优的曲线及参数，作为所述待调整品类的边际收益曲线。
可选地，所述门店数据包括销售数据、库存数据和陈列数据；
所述根据所述目标门店及所述参考门店的门店数据，构建与所述待调整品类对应的拟合数据集的步骤，包括：
根据所述目标门店及所述参考门店的销售数据，确定所述待调整品类的渗透率；
根据所述目标门店及所述参考门店的库存数据，确定所述待调整品类的库存米数占比；
根据所述目标门店及所述参考门店的陈列数据，确定所述待调整品类的陈列米数占比；
基于所述待调整品类的渗透率、库存米数占比和陈列米数占比，构建与所述待调整品类对应的拟合数据集。
可选地，所述基于所述待调整品类的决策变量，以及所述目标门店和所述参考门店的品类规划数据，确定与所述待调整品类对应的约束条件的步骤，包括：
基于所述待调整品类的决策变量，确定所述待调整品类的陈列米数占比，以及所述待调整品类的个数；
基于所述目标门店和所述参考门店的品类规划数据，确定所述待调整品类的调整范围；
将所述待调整品类的陈列米数占比、所述待调整品类的个数，以及所述待调整品类的调整范围，作为与所述待调整品类对应的约束条件。
本发明还提供了一种品类规划装置，包括：
门店确定模块，用于确定目标门店，以及与所述目标门店关联的参考门店；
数据获取模块，用于获取所述目标门店和所述参考门店的门店数据和品类规划数据；
品类确定模块，用于基于所述门店数据和品类规划数据，确定所述目标门店中的待调整品类，以及与所述待调整品类对应的约束条件；
品类规划模块，用于利用所述约束条件对预先设定的所述目标门店的目标函数进行优化求解，并利用优化求解后的结果对所述目标门店中的待调整品类进行调整。
本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被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上述实施例中任一项所述的品类规划方法。
本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被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上述实施例中任一项所述的品类规划方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明提供的品类规划方法、装置、存储介质及计算机设备，首先确定与目标门店关联的参考门店，然后获取目标门店和参考门店的门店数据和品类规划数据，该参考门店作为目标门店的关联门店，参考门店的门店数据和品类规划数据可以为目标门店的品类规划提供客观数据支撑，接着以目标门店和参考门店的门店数据和品类规划数据，来确定目标门店中的待调整品类，使得待调整品类脱离于现有的依赖个人经验进行品类调整的方式，遵循了市场和门店周边情况的变化，更加客观，提高了待调整品类的确认效率；当确定目标门店中的待调整品类后，还可以依据目标门店和参考门店的门店数据和品类规划数据来确定与待调整品类对应的约束条件，利用该约束条件对预先设定的目标门店的目标函数进行优化求解，能够满足目标门店的个性化需求，提高品类规划与门店的适配程度，最终得到的优化求解后的结果能够保证目标门店的商品供应与顾客的需求相匹配，极大程度上提高了目标门店的收益率的同时，缩短了品类规划的时间，降低了人力成本。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种品类规划方法的流程示意图；
图2为本发明实施例提供的规划方案的内容示意图；
图3为本发明实施例提供的基于卡方检验确定目标门店与其他门店之间相似度的结果示意图；
图4为本发明实施例提供的构建的拟合数据集的结构示意图；
图5为本发明实施例提供的一种品类规划装置的结构示意图；
图6为本发明实施例提供的一种计算机设备的内部结构示意图。
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。
目前，各大品牌的连锁门店众多，各连锁门店都会通过自身的品类规划，在有限的空间内陈列/放置最能转化为销售的品类，来提升门店的销售水平。品类规划包括多个维度的规划，如商品类别的选择、商品摆放位置的布局，以及商品在门店的陈列位置的规划等。
在一个实施例中，如图1所示，图1为本发明实施例提供的一种品类规划方法的流程示意图；本实施例可适用于对连锁门店中的销售商品进行品类规划的情况，本发明提供了一种品类规划方法，具体包括如下步骤：
S110：确定目标门店，以及与目标门店关联的参考门店。
本步骤中，在对当前区域的可选门店中某一门店的品类进行规划之前，可以将该门店作为目标门店，并将可选门店中的其他门店作为可以学习借鉴的门店，比如结合其他门店的商品陈列模式、商品类别等，来作为目标门店品类规划时的参考依据，可以理解的是，本申请实施例中的目标门店为预设的地理区域中可选门店中待进行品类规划的任一门店。
进一步地，在将可选门店中的其他门店作为学习借鉴的门店之前，还可以对可选门店中的其他门店进行筛选，选择与目标门店关联的其他门店作为参考门店。可以理解的是，本申请实施例中的目标门店和参考门店都归属于可选门店，且参考门店是从可选门店中除目标门店之外的其他门店中确认得到的。
可以理解的是，这里在选择与目标门店关联的参考门店时，关联的方式可以依据目标门店与其他门店之间的距离、目标门店与其他门店所处的区域类型、目标门店与其他门店的消费群体、目标门店与其他门店的销售品类的相似程度，或者目标门店与其他门店的销售数据等，本实施例对具体的关联方式不作限定。
举例来说，当选择与目标门店距离较近的其他门店时，由于两者的距离较近，因此可以推断两者的消费群体以及销售品类较为接近，将该其他门店作为参考门店。
并且，本申请还可以直接根据目标门店与其他门店之间的销售数据，来对目标门店进行相似度匹配，筛选出其他门店中与目标门店相似度较高的门店作为参考门店，以此来进一步确定与目标门店适配的品类规划，提升对目标门店进行品类规划的精确度。
需要说明的是，本申请实施例中的销售数据可以包括预设的地理区域中各个可选门店的订单总数，以及各个可选门店中各个品类对应的订单数(例如，不同细类的订单数、不同大类的订单数、不同小类的订单数，等等)，本发明实施例对此不作具体限定，可以理解的是，本发明中所提及的品类是指产品/商品的类别，某一品类按照从小到大的分类层级可以分为库存量单位(Stock keeping unit，SKU)-细类-陈列类/小类-中类-大类。
本申请实施例中的可选门店可以包括某一品牌下的各个连锁门店，也可以包括某一品牌的子品牌下的各个门店，还可以包括与某一品牌销售的商品重合度较高的其他品牌下的各个门店，本申请实施例对此不作限制。
另外，由于本申请中的品类一般分为SKU-细类-陈列类/小类-中类-大类，颗粒度逐层增大，当使用销售数据对目标门店进行相似度匹配时，可以使用某一品类中的大类来进行匹配，如可以根据各个可选门店的彩妆类、零食类、文具类等各个大类的销售数据进行相似度匹配。
更进一步地，在利用销售数据对可选门店中的其他门店进行筛选时，可以预先设置相应的数据获取时段，进而获取该数据获取时段内的销售数据，如获取前一个月内或前一个星期内各个可选门店的销售数据。
S120：获取目标门店及参考门店的门店数据和品类规划数据。
本步骤中，通过步骤S110确定目标门店，以及与目标门店关联的参考门店后，可以获取目标门店及参考门店的门店数据以及品类规划数据。
可以理解的是，本申请实施例中的门店数据包括但不限于销售数据、库存数据、陈列数据；陈列数据可以包括各个可选门店的各个品类中的商品对应的标准陈列米数、各个可选门店的各个品类中的商品对应的陈列数量以及门店的总陈列空间，等等；各个品类中的商品对应的标准陈列米数指的是门店中每单位陈列资源可以放置该品类下的商品的数量，例如，卸妆棉的标准陈列米数为每米货架60包。
本申请实施例中的品类规划数据包括品类规划师对各个可选门店配置的规划陈列目标、各个品类的销售排名、货架对各个品类的陈列上限等数据。
进一步地，获取目标门店及参考门店的门店数据和品类规划数据时，还可以预先设置门店数据和品类规划数据的获取时段，如获取前一个月或前一个星期的目标门店及参考门店的门店数据和品类规划数据。
S130：确定目标门店中的待调整品类，以及与待调整品类对应的约束条件。
本步骤中，通过步骤S120获取目标门店及参考门店的门店数据和品类规划数据后，可以依据目标门店及参考门店的门店数据和品类规划数据，来确定目标门店中的某一品类作为待调整品类，以及与该待调整品类对应的约束条件。
比如说，可以根据目标门店的门店数据，如销售数据等，筛选出目标门店中销售较多和较少的品类，从而将该品类作为目标门店的待调整品类。
另外，还可以根据目标门店的门店数据中的库存数据以及陈列数据等，筛选出置于特殊货架上的品类(例如放在雨伞架上的雨伞类)、门店禁止销售的品类、跨货架类型放置的品类，和/或门店头部品类，并将该品类作为目标门店的待调整品类。
在确定目标门店的待调整品类之后，可以根据目标门店及参考门店的门店数据和品类规划数据，来确定与该待调整品类对应的约束条件。
例如，可以依据参考门店的门店数据，以及目标门店自身的门店数据，来计算待调整品类的边际收益曲线，然后利用边际收益曲线，以及目标门店和参考门店的品类规划数据，来确定与待调整品类对应的约束条件，以此来平衡各可选门店之间的共性与个性。
需要说明的是，本申请实施例中的边际收益曲线指的是利用预先设置的拟合模型来对与某一待调整品类对应的拟合数据集进行拟合后得到的曲线，边际收益曲线上所记录的数值为边际收益；本申请实施例中的边际收益指的是某一品类每增加一单位陈列资源所增加的收益，和/或，某一品类每增加一单位库存资源所增加的收益；其中，单位陈列资源的计量可以用品类在门店货架上的陈列米数表示，单位库存资源的计量可以用品类在门店中的最小库存数量表示。本申请实施例中的边际收益曲线可以反映某一待调整品类在门店总品类中的收益与该待调整品类在门店中占用的陈列资源或库存资源之间的关系，同时，边际收益曲线的斜率大小可以反映某一品类的边际收益的高低。
在本申请的任一实施例中，对目标门店进行品类规划时，优选的，可以考虑将目标门店中的陈列资源从边际收益低的品类转移到边际收益高的品类。该边际收益低指的是某一品类增加一单位的陈列资源所增加的收益，相较于其他品类增加一单位的陈列资源所增加的收益低，同理，边际收益高指的是某一品类增加一单位的陈列资源所增加的收益，相较于其他品类增加一单位的陈列资源所增加的收益高。对于边际收益低的品类，可以考虑将其陈列资源调整为边际收益高的品类，从而有助于提高门店的整体收益。
S140：利用约束条件对预先设定的目标门店的目标函数进行优化求解，并利用优化求解后的结果对目标门店中的待调整品类进行调整。
本步骤中，通过步骤S130确定目标门店中的待调整品类，以及与待调整品类对应的约束条件后，可以利用该约束条件对预先设定的目标门店的目标函数进行优化求解，从而利用优化求解后的结果对目标门店中的待调整品类进行调整。
需要说明的是，本申请实施例中的目标函数表达的是目标门店中所有待调整品类的销售数据与各待调整品类的陈列资源之间的逻辑关系，该目标函数可以根据品类规划师和门店管理者预先制定的优化目标而设置，该优化目标包括但不限于门店日均销售额、门店日均销量等。
例如，可以将门店的日均销售额作为优化目标，将所有待调整品类对应的细类作为优化对象，制定相应的目标函数，该目标函数的计算公式如下：
Figure BDA0003175999420000091
其中，F(·)为目标函数，此处表示门店的日均销售额，sum表示矩阵中每一项元素的加和汇总，v作为常量，表示目标门店的日均订单量；pj作为常量，表示目标门店j细类的单均价；sj作为变量，表示目标门店j细类的陈列米数占比；fj(sj)表示目标门店j细类的渗透率与j细类的陈列米数占比所对应的函数；j∈[1,m]，m表示目标门店中所有待调整品类对应的细类的总数量。需要说明的是，j细类的陈列米数占比是指该细类在目标门店中的陈列米数与目标门店的总陈列空间之间的比值，该细类在目标门店中的陈列米数表示的是该细类在目标门店中陈列的总数量与该细类在目标门店中的标准陈列米数之间的比值；标准陈列米数指的是门店中每单位陈列资源可以放置某一品类(细类)所对应的商品的数量。
由上述内容可知，本申请可以结合品类规划师和门店管理者的优化目标，按照门店实际情况设计与该优化目标匹配的目标函数，进而根据该目标函数制定目标门店中商品的陈列方案，从而实现对目标门店进行具体的品类规划，相较于传统的品类规划方法，本申请与目标门店的适配度更高，更能满足目标门店的个性化需求，提高目标门店的商品销量及营业额。
示意性地，如图2所示，图2为本发明实施例提供的规划方案的内容示意图；图2中，大类名称包括创意家居、数码电器以及精品包饰，创意家居下的陈列名称包括公仔、配饰挂件，陈列名称下的细类名称包括版权公仔、常规工资啊、玩偶挂饰、盲袋/盲盒毛绒挂饰，对于不同的细类名称下的商品有其对应的陈列位置、当前米数、优化米数、变动以及规划米数，通过该规划方案，门店管理者可以精准地下发补货及门店陈列要求，使得目标门店中的商品供应与顾客的需求之间达到平衡，从而有效提高目标门店的收益率。
进一步地，对目标函数进行优化求解后得到的结果，可以直接作为待调整品类进行品类调整的依据，也可以根据补货执行系统和业务实操要求，对优化求解后的结果进行修正，以此来得到更为准确的品类规划结果。
其中，对优化求解后的结果进行修正的过程包括但不限于，可基于或不基于小类/陈列类/细类的指标(例如销售排名)，对优化后的陈列资源不满足最低陈列条件的小类/陈列类/细类进行修正。
例如，销售排名50-75％的保持原陈列资源不变，而排名75％之后的直接归为0陈列资源。
上述实施例中，首先确定与目标门店关联的参考门店，然后获取目标门店和参考门店的门店数据和品类规划数据，该参考门店作为目标门店的关联门店，参考门店的门店数据和品类规划数据可以为目标门店的品类规划提供客观数据支撑，接着以目标门店和参考门店的门店数据和品类规划数据，来确定目标门店中的待调整品类，使得待调整品类脱离于现有的依赖个人经验进行品类调整的方式，遵循了市场和门店周边情况的变化，更加客观，提高了待调整品类的确认效率；当确定目标门店中的待调整品类后，还可以依据目标门店和参考门店的门店数据和品类规划数据来确定与待调整品类对应的约束条件，利用该约束条件对预先设定的目标门店的目标函数进行优化求解，能够满足目标门店的个性化需求，提高品类规划与门店的适配程度，最终得到的优化求解后的结果能够保证目标门店的商品供应与顾客的需求相匹配，极大程度上提高了目标门店的收益率的同时，缩短了品类规划的时间，降低了人力成本。
上述实施例对本申请的品类规划方法进行了展开描述，下面将对本申请如何确定目标门店以及与目标门店关联的参考门店的过程进行具体说明。
在一个实施例中，步骤S110中确定目标门店，以及与所述目标门店关联的参考门店的步骤，可以包括：
S111：从多个可选门店中确定目标门店。
S112：获取所述目标门店，以及所述多个可选门店中除所述目标门店外的其他门店的销售数据。
S113：基于所述销售数据，从所述其他门店中筛选出与所述目标门店关联的参考门店。
本实施例中，在选择与目标门店关联的参考门店时，可以根据目标门店与多个可选门店中除目标门店外的其他门店之间的销售数据，来对目标门店进行相似度匹配，筛选出其他门店中与目标门店相似度较高的门店作为参考门店，以此来进一步提升品类规划的精确度，并为目标门店的品类规划提供客观数据支撑。
上述实施例对本申请如何确定目标门店以及与目标门店关联的参考门店的过程进行具体说明，下面将对本申请中如何基于销售数据，筛选出与目标门店关联的参考门店的过程进行说明。
在一个实施例中，步骤S113中基于所述销售数据，从所述其他门店中筛选出与所述目标门店关联的参考门店的步骤，可以包括：
S310：根据所述销售数据，计算所述目标门店以及所述其他门店中各个品类的渗透率。
S311：利用预设的检验指标，计算所述目标门店中各个品类的渗透率与所述其他门店的每一门店中各个品类的渗透率之间的相似度。
S312：根据所述目标门店中各个品类的渗透率与所述其他门店的每一门店中各个品类的渗透率之间的相似度，从所述其他门店中筛选出与所述目标门店关联的参考门店。
本实施例中，在确定与目标门店关联的参考门店时，可以先读取所有可选门店近期(例如28天)的销售数据，然后计算每家可选门店中各个品类近期的渗透率，根据目标门店以及其他门店中各个品类的渗透率，确定目标门店与其他门店之间的相似度，进而筛选出与目标门店关联的参考门店。
举例来说，在计算每家可选门店中各个品类近期的渗透率时，可以选择计算各个品类下的大类或中类所对应的渗透率，其中，大类的渗透率的计算公式可以表示为：大类的渗透率＝门店在预设的时间段内包含大类的订单总数/门店在预设的时间段内的订单总数。可以理解的是，某一品类的渗透率＝门店在预设的时间段内包含该品类的订单总数/门店在预设的时间段内的订单总数；即本申请实施例中的渗透率指的是在预设的时间段内，某一品类的订单总数与门店订单总数之间的占比；这里的可选门店可以包括某一品牌下的各个连锁门店，也可以包括某一品牌的子品牌下的各个门店，还可以包括与某一品牌销售的商品重合度较高的其他品牌下的各个门店，本申请可以选择某一品牌在某一地区的各个连锁门店作为可选门店。
当计算完每家可选门店中各个品类近期的渗透率，根据目标门店以及其他门店中各个品类的渗透率，确定目标门店与其他门店之间的相似度时，可以基于预设的检验指标(例如假设检验或其他指标)，来衡量每家可选门店之间的相似度。
在一个示例中，以假设检验中的卡方检验作为预设的检验指标，可以先对每家可选门店中各个品类对应的渗透率进行处理，以满足卡方检验的数据要求，然后再计算目标门店中各个品类的渗透率与多个其他门店中的每一家门店中各个品类的渗透率之间卡方检验的概率p值，p值越大，表明该门店与目标门店的相似度越高，最后可根据相似度排名，将相似度排名靠前的多家门店作为参考门店。
示意性地，如图3所示，图3为本发明实施例提供的基于卡方检验确定目标门店与其他门店之间相似度的结果示意图；图3中，将甲店作为目标门店，乙店和丙店作为其他门店，分别计算甲店、乙店、丙店中大类A、大类B、大类C、大类D、大类E、大类F的渗透率，并利用各个大类的渗透率分别计算乙店与甲店之间卡方检验的p值、丙店与甲店之间卡方检验的p值，经计算发现，乙店相对于丙店，与甲店更为相似。
上述实施例对本申请中如何基于销售数据，筛选出与目标门店关联的参考门店的过程进行说明，下面将对本申请中如何确目标门店中的待调整品类，以及与待调整品类对应的约束条件的过程进行展开描述。
在一个实施例中，步骤S130中基于所述门店数据和品类规划数据，确定所述目标门店中的待调整品类，以及与所述待调整品类对应的约束条件的步骤，可以包括：
S131：基于所述目标门店的门店数据，确定所述目标门店的待调整品类。
S132：根据所述目标门店及所述参考门店的门店数据，确定与所述待调整品类对应的边际收益曲线。
S133：利用所述边际收益曲线构建所述待调整品类的决策变量。
本申请实施例中的决策变量包括非负连续变量和整数变量，其中，非负连续变量可以用于表示每个待调整品类的陈列米数占比，整数变量可以用于控制和调整待调整品类的总个数。
S134：基于所述待调整品类的决策变量，以及所述目标门店和所述参考门店的品类规划数据，确定与所述待调整品类对应的约束条件。
本实施例中，在得到目标门店及参考门店的门店数据和品类规划数据后，可以依据目标门店及参考门店的门店数据和品类规划数据，来确定目标门店中的待调整品类，以及与待调整品类对应的约束条件。
具体地，首先可以基于目标门店的门店数据，来确定目标门店的待调整品类，然后可以根据目标门店及参考门店的门店数据，确定与待调整品类对应的边际收益曲线，然后利用边际收益曲线构建待调整品类的决策变量，将陈列资源从边际收益低的细类转移到边际收益高的细类，最终根据待调整品类的决策变量以及目标门店和参考门店的品类规划数据，构建与待调整品类对应的约束条件，该约束条件不仅有参考门店中的门店数据和品类规划数据作为客观数据支撑，还有目标门店的门店数据和品类规划数据作为基础数据，以此来求解最大化门店销售目标(例如门店日均销)的混合整数规划问题，能够保证最终优化求解后的结果符合目标门店的实际需求。
进一步地，利用边际收益曲线构建待调整品类的决策变量时，可以根据边际收益曲线中有拟合结果的品类，来构建决策变量中的非负连续变量和整数变量；这样不仅能够避免门店陈列结构大规模调整带来的人力成本急剧增高，也可以进一步将品类规划聚焦在最有优化价值的品类上。
上述实施例对申请中如何确定目标门店中的待调整品类，以及与待调整品类对应的约束条件的过程进行展开描述，下面将对本申请中如何确定与待调整品类对应的边际收益曲线的过程进行说明。
在一个实施例中，步骤S132中根据所述目标门店及所述参考门店的门店数据，确定与所述待调整品类对应的边际收益曲线的步骤，可以包括：
S321：根据所述目标门店及所述参考门店的门店数据，构建与所述待调整品类对应的拟合数据集。
S322：利用预先设置的拟合模型对所述拟合数据集进行拟合，并选择拟合指标最优的曲线及参数，作为所述待调整品类的边际收益曲线。
本实施例中，在构建待调整品类对应的拟合数据集时，可以根据目标门店和参考门店的门店数据，如待调整品类的销售数据、库存数据以及陈列数据等进行构建，当构建好相应的拟合数据集后，可以利用预先设置的拟合模型来对某一待调整品类对应的拟合数据集进行拟合，然后选择拟合指标最优的曲线及参数，作为某一待调整品类的边际收益曲线。
本申请使用边际收益曲线来作为待调整品类的规划依据，能够将某一待调整品类与其他待调整品类之间进行直观的比对，从而确定边际收益低和边际收益高的品类，依据边际收益的高低来对各个品类进行调整，能够有效提高门店的整体收益。
可以理解的是，这里的拟合模型包括但不限于一次线性函数、对数函数、指数函数、抛物线、多项式；拟合后计算每一种拟合模型拟合结果的拟合指标，该拟合指标包括但不限于R-square、RMSE。
进一步地，对于边际收益的拟合，可以考虑结合销量预测，使用机器学习进行模型训练，实现同样的边际收益衡量。
上述实施例对本申请中如何确定与待调整品类对应的边际收益曲线的过程进行说明，下面将对本申请中如何构建与待调整品类对应的拟合数据集的过程进行展开说明。
在一个实施例中，所述门店数据可以包括销售数据、库存数据和陈列数据；步骤S321中根据所述目标门店及所述参考门店的门店数据，构建与所述待调整品类对应的拟合数据集的步骤，可以包括：
S3210：根据所述目标门店及所述参考门店的销售数据，确定所述待调整品类的渗透率。
S3211：根据所述目标门店及所述参考门店的库存数据，确定所述待调整品类的库存米数占比。
S3212：根据所述目标门店及所述参考门店的陈列数据，确定所述待调整品类的陈列米数占比。
本申请实施例中的陈列米数占比是指各品类在门店中的陈列米数与门店的总陈列空间之间的比值。
在本实施例中，待调整品类的陈列米数占比是指待调整品类下的小类(陈列类)或细类在目标门店中的陈列米数与目标门店的总陈列空间之间的比值，该待调整品类下的小类(陈列类)或细类在目标门店中的陈列米数表示的是该小类(陈列类)或细类在目标门店中陈列的总数量与该小类(陈列类)或细类在目标门店中的标准陈列米数之间的比值。
S3213：基于所述待调整品类的渗透率、库存米数占比和陈列米数占比，构建与所述待调整品类对应的拟合数据集。
本实施例中，在构建待调整品类对应的拟合数据集时，可以根据目标门店和参考门店的门店数据，如待调整品类的销售数据、库存数据以及陈列数据等进行构建。
具体地，可以根据目标门店及参考门店的销售数据，确定待调整品类的渗透率，如计算目标门店和每个参考门店中各小类/陈列类/细类每天(或每周)的渗透率。
接着，可以根据目标门店及参考门店的库存数据，确定待调整品类的库存米数占比，如依据目标门店和每个参考门店中各小类/陈列类/细类的标准陈列米数，将库存数量转化为米数，再除以门店所有库存的米数之和。
其次，还可以根据目标门店及参考门店的陈列数据，确定待调整品类的陈列米数占比，如依据目标门店和每个参考门店中各小类/陈列类/细类的标准陈列米数，将陈列数量转化为米数，再除以门店总陈列空间之和。
当确定好待调整品类的渗透率、库存米数占比和陈列米数占比之后，可以构建与待调整品类对应的拟合数据集，构建拟合数据集可以采用的方式包括但不限于，以目标门店及每个参考门店中各小类/陈列类/细类每天(或每周)的渗透率为Y轴，库存米数占比为X轴(陈列数据更新频率低，例如每月)，亦或陈列米数占比为X轴(陈列数据更新频率高，例如每天)，亦或库存米数占比和陈列米数占比依照一定比例的融合为X轴(陈列数据更新频率一般，例如每周或每半月)。
需要说明的是，这里若使用到库存米数占比作为Y轴进行拟合，则表示该库存占米数比近似于陈列米数占比，有利于缓解实体门店陈列信息收集困难的问题。
示意性地，如图4所示，图4为本发明实施例提供的构建的拟合数据集的结构示意图；如图4中，对于细类a，将甲店第1周和第2周、乙店第1周和第2周，以及丙店第1周和第2周的渗透率作为Y轴，库存占比，即库存米数占比作为X轴，以此来构建细类a的拟合数据集。
上述实施例对本申请中如何构建与待调整品类对应的拟合数据集的过程进行展开说明，下面将对本申请中如何确定与待调整品类对应的约束条件的的过程进行详细说明。
在一个实施例中，步骤S134中基于所述待调整品类的决策变量，以及所述目标门店和所述参考门店的品类规划数据，确定与所述待调整品类对应的约束条件的步骤，可以包括：
S341：基于所述待调整品类的决策变量，确定所述待调整品类的陈列米数占比，以及所述待调整品类的个数。
S342：基于所述目标门店和所述参考门店的品类规划数据，确定所述待调整品类的调整范围。
S343：将所述待调整品类的陈列米数占比、所述待调整品类的个数，以及所述待调整品类的调整范围，作为与所述待调整品类对应的约束条件。
本实施例中，在确定与待调整品类对应的约束条件时，可以根据待调整品类的决策变量，来确定待调整品类的陈列米数占比，以及所述待调整品类的个数。
比如说，在利用边际收益曲线构建待调整品类的决策变量时，可以根据边际收益曲线中有拟合结果的品类，来构建非负连续变量和整数变量；其中，非负连续变量可以用来表示每个品类的陈列米数占比，整数变量可以用来控制调整品类的总个数。
当构建好决策变量后，可以根据决策变量来调整待调整品类的品类总量和陈列米数占比，即从多个待调整品类中选择部分品类进行调整，从而避免门店陈列结构大规模调整带来的人力成本急剧增高。
当确定待调整品类的品类总量和陈列米数占比后，还可以根据目标门店和参考门店的品类规划数据，确定待调整品类的调整范围，从而依据待调整品类的品类总量、陈列米数占比，以及待调整品类的调整范围，来构建约束条件。
进一步地，在根据目标门店和参考门店的品类规划数据，确定待调整品类的调整范围时，具体的，可以参考目标门店和参考门店的品类规划数据中的规划陈列目标、各个品类的销售排名、货架对各个品类的陈列上限，来确定各待调整品类可调整的最大值和最小值的范围约束。
另外，还可以考虑货架类型和陈列规范等条件限制，确定各待调整品类的最少调整米数，即如果调整，至少调整目标门店能分辨或操作的变动值以上(例如0.25米)。
作为更优化的方案，还可以依据待调整品类所对应的群组，分群组进行内部调整，包括但不限于各个品类中的各大类内部调整(保持各大类的总陈列资源不变)，各货架类型内部调整(中岛陈列架和边墙陈列架各自的总陈列资源不变)，各大类内各货架类型内部调整。
下面对本申请实施例提供的品类规划装置进行描述，下文描述的品类规划装置与上文描述的品类规划方法可相互对应参照。
在一个实施例中，如图5所示，图5为本发明实施例提供的一种品类规划装置的结构示意图；本发明还提供了一种品类规划装置，包括门店确定模块210、数据获取模块220、品类确定模块230、品类规划模块240，具体包括如下：
门店确定模块210，用于确定目标门店，以及与所述目标门店关联的参考门店。
数据获取模块220，用于获取所述目标门店和所述参考门店的门店数据和品类规划数据。
品类确定模块230，用于基于所述门店数据和品类规划数据，确定所述目标门店中的待调整品类，以及与所述待调整品类对应的约束条件。
品类规划模块240，用于利用所述约束条件对预先设定的所述目标门店的目标函数进行优化求解，并利用优化求解后的结果对所述目标门店中的待调整品类进行调整。
上述实施例中，首先确定与目标门店关联的参考门店，然后获取目标门店和参考门店的门店数据和品类规划数据，该参考门店作为目标门店的关联门店，参考门店的门店数据和品类规划数据可以为目标门店的品类规划提供客观数据支撑，接着以目标门店和参考门店的门店数据和品类规划数据，来确定目标门店中的待调整品类，使得待调整品类脱离于现有的依赖个人经验进行品类调整的方式，遵循了市场和门店周边情况的变化，提高了待调整品类的确认效率；当确定目标门店中的待调整品类后，还可以依据目标门店和参考门店的门店数据和品类规划数据来确定与待调整品类对应的约束条件，利用该约束条件对预先设定的目标门店的目标函数进行优化求解，最终得到的优化求解后的结果能够保证目标门店的商品供应与顾客的需求相匹配，极大程度上提高了目标门店的收益率的同时，缩短了品类规划的时间，降低了人力成本。
在一个实施例中，所述门店确定模块210可以包括：
门店确定模块，用于从多个可选门店中确定目标门店。
销售数据获取模块，用于获取所述目标门店，以及所述多个可选门店中除所述目标门店外的其他门店的销售数据。
筛选模块，用于基于所述销售数据，从所述其他门店中筛选出与所述目标门店关联的参考门店。
在一个实施例中，所述筛选模块可以包括：
渗透率计算模块，用于根据所述销售数据，计算所述目标门店以及所述其他门店中各个品类的渗透率。
相似度计算模块，用于利用预设的检验指标，计算所述目标门店中各个品类的渗透率与所述其他门店的每一门店中各个品类的渗透率之间的相似度。
门店筛选模块，用于根据所述目标门店中各个品类的渗透率与所述其他门店的每一门店中各个品类的渗透率之间的相似度，从所述其他门店中筛选出与所述目标门店关联的参考门店。
在一个实施例中，所述品类确定模块230可以包括：
待调整品类确定模块，用于基于所述目标门店的门店数据，确定所述目标门店的待调整品类。
边际收益确定模块，用于根据所述目标门店及所述参考门店的门店数据，确定与所述待调整品类对应的边际收益曲线。
决策变量构建模块，用于利用所述边际收益曲线构建所述待调整品类的决策变量。
约束条件确定模块，用于基于所述待调整品类的决策变量，以及所述目标门店和所述参考门店的品类规划数据，确定与所述待调整品类对应的约束条件。
在一个实施例中，所述边际收益确定模块可以包括：
拟合数据集构建模块，用于根据所述目标门店及所述参考门店的门店数据，构建与所述待调整品类对应的拟合数据集。
拟合模块，用于利用预先设置的拟合模型对所述拟合数据集进行拟合，并选择拟合指标最优的曲线及参数，作为所述待调整品类的边际收益曲线。
在一个实施例中，所述门店数据可以包括销售数据、库存数据和陈列数据；所述拟合数据集构建模块可以包括：
第一确定模块，用于根据所述目标门店及所述参考门店的销售数据，确定所述待调整品类的渗透率。
第二确定模块，用于根据所述目标门店及所述参考门店的库存数据，确定所述待调整品类的库存米数占比。
第三确定模块，用于根据所述目标门店及所述参考门店的陈列数据，确定所述待调整品类的陈列米数占比。
构建模块，用于基于所述待调整品类的渗透率、库存米数占比和陈列米数占比，构建与所述待调整品类对应的拟合数据集。
在一个实施例中，所述约束条件确定模块可以包括：
第四确定模块，用于基于所述待调整品类的决策变量，确定所述待调整品类的陈列米数占比，以及所述待调整品类的个数。
第五确定模块，用于基于所述目标门店和所述参考门店的品类规划数据，确定所述待调整品类的调整范围。
约束条件构建模块，用于将所述待调整品类的陈列米数占比、所述待调整品类的个数，以及所述待调整品类的调整范围，作为与所述待调整品类对应的约束条件。
在一个实施例中，本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被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上述实施例中任一项所述的品类规划方法。
在一个实施例中，本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被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上述实施例中任一项所述的品类规划方法。
示意性地，如图6所示，图6为本发明实施例提供的一种计算机设备的内部结构示意图，该计算机设备300可以被提供为一服务器。参照图6，计算机设备300包括处理组件302，其进一步包括一个或多个处理器，以及由存储器301所代表的存储器资源，用于存储可由处理组件302的执行的指令，例如应用程序。存储器301中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件302被配置为执行指令，以执行上述任意实施例的品类规划方法。
计算机设备300还可以包括一个电源组件303被配置为执行计算机设备300的电源管理，一个有线或无线网络接口304被配置为将计算机设备300连接到网络，和一个输入输出(I/O)接口305。计算机设备300可以操作基于存储在存储器301的操作系统，例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种品类规划方法，其特征在于，所述方法包括：
确定目标门店，以及与所述目标门店关联的参考门店；
获取所述目标门店及所述参考门店的门店数据和品类规划数据，所述门店数据包括销售数据、库存数据和陈列数据；
基于所述目标门店的门店数据，确定所述目标门店的待调整品类；
根据所述目标门店及所述参考门店的门店数据，确定与所述待调整品类对应的边际收益曲线；
利用所述边际收益曲线构建所述待调整品类的决策变量；
基于所述待调整品类的决策变量，以及所述目标门店和所述参考门店的品类规划数据，确定与所述待调整品类对应的约束条件；
其中，所述边际收益曲线反映任一待调整品类在门店总品类中的收益与该待调整品类在门店中占用的陈列资源或库存资源之间的关系；
所述基于所述待调整品类的决策变量，以及所述目标门店和所述参考门店的品类规划数据，确定与所述待调整品类对应的约束条件的步骤，包括：
基于所述待调整品类的决策变量，确定所述待调整品类的陈列米数占比，以及所述待调整品类的个数；
基于所述目标门店和所述参考门店的品类规划数据，确定所述待调整品类的调整范围；
将所述待调整品类的陈列米数占比、所述待调整品类的个数，以及所述待调整品类的调整范围，作为与所述待调整品类对应的约束条件；
利用所述约束条件对预先设定的所述目标门店的目标函数进行优化求解，并利用优化求解后的结果对所述目标门店中的待调整品类进行调整。
2.根据权利要求1所述的品类规划方法，其特征在于，所述确定目标门店，以及与所述目标门店关联的参考门店的步骤，包括：
从多个可选门店中确定目标门店；
获取所述目标门店，以及所述多个可选门店中除所述目标门店外的其他门店的销售数据；
基于所述销售数据，从所述其他门店中筛选出与所述目标门店关联的参考门店。
3.根据权利要求2所述的品类规划方法，其特征在于，所述基于所述销售数据，从所述其他门店中筛选出与所述目标门店关联的参考门店的步骤，包括：
根据所述销售数据，计算所述目标门店以及所述其他门店中各个品类的渗透率；
利用预设的检验指标，计算所述目标门店中各个品类的渗透率与所述其他门店的每一门店中各个品类的渗透率之间的相似度；
根据所述目标门店中各个品类的渗透率与所述其他门店的每一门店中各个品类的渗透率之间的相似度，从所述其他门店中筛选出与所述目标门店关联的参考门店。
4.根据权利要求1所述的品类规划方法，其特征在于，所述根据所述目标门店及所述参考门店的门店数据，确定与所述待调整品类对应的边际收益曲线的步骤，包括：
根据所述目标门店及所述参考门店的门店数据，构建与所述待调整品类对应的拟合数据集；
利用预先设置的拟合模型对所述拟合数据集进行拟合，并选择拟合指标最优的曲线及参数，作为所述待调整品类的边际收益曲线。
5.根据权利要求4所述的品类规划方法，其特征在于，所述根据所述目标门店及所述参考门店的门店数据，构建与所述待调整品类对应的拟合数据集的步骤，包括：
根据所述目标门店及所述参考门店的销售数据，确定所述待调整品类的渗透率；
根据所述目标门店及所述参考门店的库存数据，确定所述待调整品类的库存米数占比；
根据所述目标门店及所述参考门店的陈列数据，确定所述待调整品类的陈列米数占比；
基于所述待调整品类的渗透率、库存米数占比和陈列米数占比，构建与所述待调整品类对应的拟合数据集。
6.一种品类规划装置，其特征在于，包括：
门店确定模块，用于确定目标门店，以及与所述目标门店关联的参考门店；
数据获取模块，用于获取所述目标门店和所述参考门店的门店数据和品类规划数据，所述门店数据包括销售数据、库存数据和陈列数据；
待调整品类确定模块，用于基于所述目标门店的门店数据，确定所述目标门店中的待调整品类；
边际收益确定模块，用于根据所述目标门店及所述参考门店的门店数据，确定与所述待调整品类对应的边际收益曲线；
决策变量构建模块，用于利用所述边际收益曲线构建所述待调整品类的决策变量；
约束条件确定模块，用于基于所述待调整品类的决策变量，以及所述目标门店和所述参考门店的品类规划数据，确定与所述待调整品类对应的约束条件；
其中，所述边际收益曲线反映任一待调整品类在门店总品类中的收益与该待调整品类在门店中占用的陈列资源或库存资源之间的关系；
所述约束条件确定模块，包括：
第四确定模块，用于基于所述待调整品类的决策变量，确定所述待调整品类的陈列米数占比，以及所述待调整品类的个数；
第五确定模块，用于基于所述目标门店和所述参考门店的品类规划数据，确定所述待调整品类的调整范围；
约束条件构建模块，用于将所述待调整品类的陈列米数占比、所述待调整品类的个数，以及所述待调整品类的调整范围，作为与所述待调整品类对应的约束条件；
品类规划模块，用于利用所述约束条件对预先设定的所述目标门店的目标函数进行优化求解，并利用优化求解后的结果对所述目标门店中的待调整品类进行调整。
7.一种存储介质，其特征在于：所述存储介质中存储有计算机可读指令，所述计算机可读指令被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权利要求1至5中任一项所述的品类规划方法。
8.一种计算机设备，其特征在于：所述计算机设备中存储有计算机可读指令，所述计算机可读指令被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权利要求1至5中任一项所述的品类规划方法。
CN202110832532.1A 2021-07-22 2021-07-22 品类规划方法、装置、存储介质及计算机设备 Active CN113435541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110832532.1A CN113435541B (zh) 2021-07-22 2021-07-22 品类规划方法、装置、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110832532.1A CN113435541B (zh) 2021-07-22 2021-07-22 品类规划方法、装置、存储介质及计算机设备

Publications (2)

Publication Number Publication Date
CN113435541A CN113435541A (zh) 2021-09-24
CN113435541B true CN113435541B (zh) 2022-06-21

Family

ID=77761462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110832532.1A Active CN113435541B (zh) 2021-07-22 2021-07-22 品类规划方法、装置、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN113435541B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739655B (zh) * 2023-07-14 2024-04-02 上海朗晖慧科技术有限公司 一种基于大数据的智能供应链管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866785A (zh) * 2019-11-08 2020-03-06 支付宝(杭州)信息技术有限公司 一种成本确定方法、系统及装置
CN112487695A (zh) * 2020-11-30 2021-03-12 中南大学 一种复杂环境铁路多目标智能综合选线方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003027926A1 (fr) * 2001-09-20 2003-04-03 Mcdonald's Company(Japan),Ltd Systeme de prediction du nombre de biens vendus
CN107798410B (zh) * 2016-09-05 2021-09-03 阿里巴巴集团控股有限公司 一种品类规划方法、装置及电子设备
JP6879357B2 (ja) * 2017-02-22 2021-06-02 日本電気株式会社 価格最適化システム、価格最適化方法および価格最適化プログラム
CN107330735A (zh) * 2017-07-04 2017-11-07 百度在线网络技术（北京）有限公司 用于确定关联门店的方法和装置
CN110348921B (zh) * 2018-04-02 2023-06-02 北京京东尚科信息技术有限公司 门店物品选取的方法和装置
CN110634028B (zh) * 2019-09-18 2022-08-19 创优数字科技(广东)有限公司 一种商品结构配置方法及系统
CN111415193B (zh) * 2020-01-12 2023-09-29 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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866785A (zh) * 2019-11-08 2020-03-06 支付宝(杭州)信息技术有限公司 一种成本确定方法、系统及装置
CN112487695A (zh) * 2020-11-30 2021-03-12 中南大学 一种复杂环境铁路多目标智能综合选线方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
品类管理策略及案例研究 ——以潍坊中百连锁超市为例;张金霞;《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》;20060315(第03期);J157-23 *

Also Published As

Publication number Publication date
CN113435541A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
Thomassey Sales forecasts in clothing industry: The key success factor of the supply chain management
Rezaei et al. A deterministic, multi-item inventory model with supplier selection and imperfect quality
Leung et al. A robust optimization model for multi-site production planning problem in an uncertain environment
Kasirian et al. An integration of a hybrid modified TOPSIS with a PGP model for the supplier selection with interdependent criteria
US20060004624A1 (en) Forecast and replenishment analytics
Yadavalli et al. An integrated optimization model for selection of sustainable suppliers based on customers’ expectations
CN101777147A (zh) 预测建模
CN102272758A (zh) 因果驱动和市场响应弹性或提升因素的自动规范、估计和发现
CN102282551A (zh) 娱乐入场券定价的自动决策支持
WO2019109790A1 (zh) 销量预测方法、装置和计算机可读存储介质
TWI311289B (zh)
US20200005209A1 (en) Method and system for optimizing an item assortment
Roldan-Blanco et al. Firm dynamics and pricing under customer capital accumulation
US20070219836A1 (en) Shipping planning system
CN113435541B (zh) 品类规划方法、装置、存储介质及计算机设备
US20120271741A1 (en) Inventory price optimization with key price list
CN114372848A (zh) 一种基于机器学习的烟草行业智能营销系统
Dhurkari Strategic pricing decision using the analytic hierarchy process
Wang et al. Fuzzy multiple-goal programming for analysing outsourcing cost-effectiveness in hi-tech manufacturing
Chen et al. Urban-biased structural change
Casaburi et al. Production in advance versus production to order: The role of downstream spatial clustering and product differentiation
JPH11259564A (ja) 販売予測支援システム
Andersson et al. Heterogeneous distributions of firms sustained by innovation dynamics—a model with empirical illustrations and analysis
Ma et al. Application and research on the complex dynamics behaviour under price-discount promotion policy in inventory control system
Chau An Econometric Model for Forecasting Income and Employment in Hawaii.

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