CN113469596A - 智慧供应链系统及服务器平台 - Google Patents
智慧供应链系统及服务器平台 Download PDFInfo
- Publication number
- CN113469596A CN113469596A CN202010241092.8A CN202010241092A CN113469596A CN 113469596 A CN113469596 A CN 113469596A CN 202010241092 A CN202010241092 A CN 202010241092A CN 113469596 A CN113469596 A CN 113469596A
- Authority
- CN
- China
- Prior art keywords
- sales
- commodities
- commodity
- replenishment
- classification
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供智慧供应链系统和服务器平台。智慧供应链系统对多种商品的供应链进行管理,其特征在于,具备:商品分类装置,基于历史数据,对多种商品进行分类;销售预测装置,基于历史数据以及所述商品分类装置针对多种商品的分类结果,按每种商品进行销售预测;以及智能补货装置,基于所述销售预测装置的预测结果,应用自动补货模型,生成补货决策,所述商品分类装置包括分类部,该分类部以基于作为历史数据的销量数据的ABC分类结果和最近销售时间间隔为两个维度,对多种商品进行分类。
Description
技术领域
本发明涉及智慧供应链系统及服务器平台,尤其涉及智慧供应链的布局方式。
背景技术
近年来,迫切需要对生产厂商、供应商、销售门店之间的供应链进行有效的管理。具体而言,在供应链管理中,首先需要对商品进行科学地分类与定位,然后再对不同类别的商品采取相应的销售与库存策略。其次,需要更准确的销售预测,作为商品数量的驱动器,以此为核心的需求计划可支持各个环节的计划制定,每提升1%的预测准确率可以带来数倍运营成本的降低。最后,需要将自动补货模型应用到特定的场景去优化库存结构,使库存持续保持健康水平,在入库情况下,定位到满足此次补货条件的所有SKU(库存保有单位),依据补货任务跑模型得出补货量的建议,最终生成补货决策给到生产。
然而,现有技术中并没有提出满足上述需求的供应链管理方案,迫切需要能够满足上述需求的智慧供应链的布局方式。
进而,随着全球化和客户需求的多样化,商品需求变为品种多而需求量少,商品的生命周期也变短。因此,需求预测中可使用的数据变少,基于这些数据的需求预测也相应地变得困难,难以保证较高的预测精度。甚至还存在有的商品由销售人员进行预测时反而精度更高的情况。在专利文献CN110674305A中通过一种基于深层特征融合模型的商品信息分类方法,一定程度上改善了以往的由经验者手动设置规则来进行的商品分类方法,提高了商品分类的准确率。
但是,在上述专利文献中只是进行了基于文本分析的商品的大分类,并没有考虑商品的销售特性。并且,上述技术中,虽然实现了分类作业的效率提高,但没有牵涉到需求预测精度提高及库存优化。
发明内容
本发明针对现有技术中上述技术问题,其目的在于,提供能够有效融合商品分类、销售预测与智能补货这三大重要板块,并且考虑商品的销售特性对商品进行分类的智慧供应链系统及服务器平台。
本发明的一个实施方式提供一种智慧供应链系统,对多种商品的供应链进行管理,其特征在于,具备:商品分类装置,基于历史数据,对多种商品进行分类;销售预测装置,基于历史数据以及所述商品分类装置针对多种商品的分类结果,按每种商品进行销售预测;以及智能补货装置,基于所述销售预测装置的预测结果,应用自动补货模型,生成补货决策,所述商品分类装置包括分类部,该分类部以基于销量数据的ABC分类结果和最近销售时间间隔为两个维度,对多种商品进行分类。
由此,能够有效融合商品分类、销售预测与智能补货这三大重要板块,并且考虑商品的销售特性(时间特性)进一步细化了ABC分类,从而能够从传统的ABC分类中挑选出更有价值的商品。
并且,也可以是,所述商品分类装置还包括:指标计算部,基于历史数据,计算各商品的商品特性分析指标;细分部,基于所述分类部的分类结果,使用由所述指标计算部计算出的商品特性分析指标进行多维度的细分;以及提取部,基于所述细分部的细分结果,提取需要由销售人员确认预测结果的商品。
由此,基于细分结果,能够提取需要由销售人员确认预测结果的商品,通过有效地结合销售人员的业务经验,能够提高需求预测的精度。
并且,也可以是,所述商品特性分析指标包括销售频次、变动系数、变动幅度、客户集中度、销售节拍、以及发售间隔中的至少一个。
由此,通过使用这些商品特性分析指标,能够更好地分析商品的销售特性。
并且,也可以是,所述细分部基于所述分类部的分类结果,针对属于销量较多且最近销售时间间隔较短的主力商品组的类的商品,使用销售频次、变动系数、变动幅度、客户集中度中的至少一个进行细分;针对属于销量较多且最近销售时间间隔较长的过去畅销品组的类的商品,使用客户集中度、销售节拍、发售间隔进行细分;针对属于销量较少且最近销售时间间隔较短的长尾商品或新发售商品组的类的商品,使用发售间隔进行细分;针对属于销量较少且最近销售时间间隔较长的对象外商品组的类的商品,不进行细分。
由此,根据商品所属的类,使用不同的商品特性分析指标进行细分,从而能够更高效地分析商品的销售特性。
并且,也可以是,所述提取部提取以下商品,作为需要由销售人员确认预测结果的商品:属于主力商品组的类的商品中,销售频次为中、变动系数大、变动幅度大、且客户集中度高的商品、以及销售频次低且客户集中度高的商品;属于过去畅销品组的类的商品中,客户集中度高且最近销售时间间隔小于销售节拍的商品、以及客户集中度低且发售间隔短的商品;以及属于长尾商品或新发售商品组的类的商品中,发售间隔短的商品。
由此,自动提取需要由销售人员确认预测结果的商品,以便销售人员结合业务经验,对预测结果进行适当的调整,提高需求预测的精度。
并且,也可以是,所述提取部还提取以下商品,作为需要由销售人员确认预测结果的商品或留观商品:属于主力商品组的类的商品中,销售频次为中、变动系数大、变动幅度大,但是客户集中度低的商品、销售频次为中、变动系数大,但是变动幅度小的商品、以及销售频次低,但是客户集中度低的商品。
由此,自动提取可先留观的商品,以便在发生异常情况时,销售人员能够单独进行确认,对预测结果进行适当的调整,提高需求预测的精度。
并且,也可以是,所述提取部还提取以下商品,作为不需要由销售人员确认预测结果的商品:属于主力商品组的类的商品中,销售频次高的商品、以及销售频次为中,但是变动系数小的商品;属于过去畅销品组的类的商品中,客户集中度高且最近销售时间间隔大于销售节拍的商品、以及客户集中度低且发售间隔长的商品;以及属于长尾商品或新发售商品组的类的商品中,发售间隔长的商品。
由此,自动提取通常不需要销售人员确认的商品,使得销售人员在这些商品一旦有异常情况时,也能确认预测结果。
并且,也可以是,所述智能补货装置中,根据商品的销售频次及需求概率,确定各商品的最大库存周转期间和安全系数,利用所确定的最大库存周转期间及安全系数,计算所述最大库存周转期间内的安全库存,利用所述最大库存周转期间内的需求预测量和安全库存,计算最大库存量。
由此,根据不同商品的特性确定不同的库存周转期间和安全系数,生成适当的补货计划。
并且,也可以是,所述智能补货装置中,针对定期不定量补货模型,根据标准补货前置期,确定以周为单位的最小库存周转期间,并利用所述最小库存周转期间内的需求预测量和安全库存,计算最小库存量;针对不定期不定量补货模型,利用标准补货前置期内以天为单位的需求预测量和安全库存,计算最小库存量。
由此,根据不同的补货模型制定不同的补货策略,提高更加灵活且适当的补货策略。
本发明的一个实施方式还提供一种服务器平台,对多种商品的供应链进行管理,具备处理器、存储器和接口,能够经由所述接口与客户端设备进行数据通信,其特征在于,所述处理器通过执行所述存储器中存储的程序,执行如下处理:商品分类处理,基于历史数据,对多种商品进行分类;销售预测处理,基于历史数据以及所述商品分类处理针对多种商品的分类结果,按每种商品进行销售预测;以及智能补货处理,基于所述销售预测处理的预测结果,应用自动补货模型,生成补货决策,所述商品分类处理中,以基于销量数据的ABC分类结果和最近销售时间间隔为两个维度,对多种商品进行分类,所述商品分类处理的结果及/或所述销售预测处理的结果及/或所述补货决策经由所述接口被发送给所述客户端设备。
本发明的智慧供应链系统的上述各具体方式及其效果,也能够通过上述服务器平台、上述智慧供应链系统所执行的方法、使计算机执行上述方法的程序、或者存储了上述程序的记录介质实现。
附图说明
图1是表示本发明的第一实施方式的智慧供应链系统能够被应用的应用对象的概念图。
图2是表示本发明的第一实施方式的智慧供应链系统的功能结构框图。
图3A及图3B是表示本发明的第一实施方式的智慧供应链系统所使用的历史数据的一例的图。
图4是表示本发明的第一实施方式的智慧供应链系统的硬件结构的一例的框图。
图5是表示本发明的第一实施方式的智慧供应链系统的硬件结构的另一例的框图。
图6是用于说明本发明的第一实施方式的商品分类装置所执行的分类方法的图。
图7是表示本发明的第一实施方式的智慧供应链系统所执行的方法的流程图。
图8是表示本发明的第二实施方式的智慧供应链系统的功能结构框图。
图9是用于说明本发明的第二实施方式的商品分类装置中的细分方法的图。
图10是表示本发明的第二实施方式的智慧供应链系统的商品分类装置所执行的处理的流程图。
图11是表示本发明的第三实施方式的智能补货装置生成补货计划的过程的图。
图12是表示本发明的第三实施方式的智能补货装置生成补货计划的过程的图。
具体实施方式
以下结合附图、实施方式及具体例对本发明进行更详细的说明。其中,下述说明只是为了方便理解本发明而举出的例子,不用于限定本发明的范围。在具体实施方式中,装置和系统所具备的部件可以根据实际情况变更、删减或追加,方法的步骤可以根据实际情况变更、删减、追加或改变顺序。
(第一实施方式)
首先,说明本实施方式的智慧供应链系统100能够被应用的应用对象。图1是表示本发明的第一实施方式的智慧供应链系统能够被应用的应用对象的概念图。智慧供应链系统100的应用对象包括销售门店、供应商、生产厂商中的至少一个,其中销售门店、供应商、生产厂商的关系如图1所示,其中箭头表示货物流向。在此示出了销售门店1、销售门店2、销售门店3这三个销售门店,供应商1、供应商2这两个供应商,生产厂商1、生产厂商2、生产厂商3这三个生产厂商,但销售门店、供应商、生产厂商的数量和关系不限于此,实际可能存在大量销售门店、供应商、生产厂商以及更为复杂的关系。
其中,销售门店需要监控各个商品的销量情况,从而制定销售与库存策略。供应商从不同生产厂商处取货,将取得的货物供应给多家销售门店,因此需要向生产厂商进行订货,同时安排下一阶段为销售门店的配送计划。生产厂商生产商品供给给多个不同的供应商,以供供应商将商品供应给销售门店,每种商品所处的生命周期不同,需要预测产品在未来的需求,以指导未来生产计划。
针对上述需求之中的至少一个,本实施方式提供智慧供应链系统100。图2是表示本发明的第一实施方式的智慧供应链系统100的功能结构框图。如图2所示,该智慧供应链系统100具备商品分类装置10、销售预测装置20和智能补货装置30,对例如图1所示的多种商品的供应链进行管理。各装置既可以通过处理器执行存储器中存储的应用程序作为功能模块实现,也可以通过各自独立的硬件结构实现。关于具体的实现方式,后文中说明两个具体例。
如图2所示,商品分类装置10基于历史数据,对多种商品进行分类。例如,商品分类装置10在传统的ABC分类法的基础之上,追加考虑商品的时间特性,例如追加最近销售时间间隔作为分析维度,以基于作为历史数据的销量数据的ABC分类结果和最近销售时间间隔为两个维度,作为R-ABC分类法对多种商品进行分类。关于R-ABC分类的详细内容,在后面叙述。
历史数据由按每一次销售或按每一次出入库来记录的各个项目构成。图3A及图3B是表示本发明的第一实施方式的智慧供应链系统所使用的历史数据的一例的图。其中图3A示出了应用对象为供应商及生产厂商时的历史数据的一例。如图3A所示,历史数据包括出库时间、月/周数、目的地仓库编号、商品号、出库数量等。图3B示出了应用对象为销售门店时的历史数据的一例。如图3B所示,历史数据包括销售时间、月/周数、商品号、销量等。历史数据根据需要也可以包括其他数据。另外,由于对于供应商/生产厂商来说,对某客户的“出库”就是相当于“销售”,因此在本说明书中将供应商/生产厂商中的“出库”和销售门店的“销售”统一用“销售”来表现。例如“销售时间”不仅包括销售门店中的销售时间,还包括供应商/生产厂商中的出库时间,“销量”不仅包括销售门店中的销量,还包括供应商/生产厂商中的出库量。
销售预测装置20基于历史数据以及商品分类装置10针对多种商品的分类结果,按每种商品进行销售预测。例如,销售预测装置20基于商品分类装置10的分类结果,例如针对商品分类装置10提取出的需要确认需求预测结果的商品,按每种商品预测不同时间维度(例如日、周、月、季度、年等)的销量。
具体而言,销售预测装置20例如可以使用基于深度学习(例如DeepAR方法)的概率密度区间预测,搭建与预测时间(例如1个月)对应的概率密度区间预测模型,进行数据收集、数据处理、模型构建、预测结果处理,输出与上述预测时间对应的预测结果。此外,销售预测的方法不限于此,也可以采用其他任意的预测方法。
智能补货装置30基于销售预测装置20的预测结果,应用自动补货模型,生成补货决策。例如,智能补货装置30基于销售预测装置20的概率密度区间预测结果,生成不定期不定量的补货决策。此外,生成补货决策的方法不限于此,也可以采用其他基于预测结果并应用自动补货模型来生成的任意方法。
其中,图2示出了智慧供应链系统100与外部的数据库200连接,从外部的数据库200取得历史数据的例子。但本实施方式不限于此,数据库200也可以由智慧供应链系统100的内置存储设备保存。另外,智慧供应链系统100与外部的数据库200之间的连接方式可以是各种有线或无线连接,在此不作限定。
根据本实施方式的智慧供应链系统100,供应链管理不仅仅只是供应链,而是依托大数据和信息系统,有效融合商品分类、销售预测与智能补货这三大重要板块,将内外部数据要素集成于一体,使各个系统在信息主导下协调一致的行动,最大限度地凝聚服务能量、有序释放服务能力。由此,能够使服务变得精准,使供应链变得透明、柔性和敏捷,使各个职能更加协同。
以下说明本实施方式的智慧供应链系统100的硬件结构的两个具体例。图4是表示本发明的第一实施方式的智慧供应链系统100的硬件结构的一例的框图。如图4所示,智慧供应链系统100通过具有处理器110、存储器120、接口130、输入设备140和显示部150的计算机系统,实现如图2所示的各功能模块。其中,处理器110、存储器120、接口130、输入设备140和显示部150相互之间通过总线160连接。
具体而言,处理器110例如是CPU、微处理器等,通过执行存储器120中存储的应用程序,实现智慧供应链系统100的各装置的功能。接口130例如是通信接口,能够与数据库200进行数据通信。输入设备140例如是键盘、鼠标、麦克风等输入设备,供用户输入指令。显示部150例如是液晶显示器,能够显示与智慧供应链系统100的处理过程和结果相关的画面。
基于本例的硬件结构的智慧供应链系统100例如可以设置于作为应用对象的销售门店、供应商、生产厂商处,由作为用户的销售门店、供应商、生产厂商使用。
图5是表示本发明的第一实施方式的智慧供应链系统100的硬件结构的另一例的框图。如图5所示,智慧供应链系统100包括相互能够进行数据通信的服务器平台100A和客户端设备100B。服务器平台100A具有通过总线160A相互连接的处理器110A、存储器120A和接口130A,客户端设备100B具有通过总线160B相互连接的处理器110B、存储器120B、接口130B、输入设备140和显示部150。
具体而言,服务器平台100A的处理器110A例如是CPU、微处理器等,通过执行存储器120A中存储的应用程序,实现智慧供应链系统100的各装置的功能。另外,服务器平台100A的接口130A例如是通信接口,能够与客户端设备100B的接口130B及/或数据库200进行数据通信。
客户端设备100B的处理器110B例如是CPU、微处理器等,通过执行存储器120B中存储的应用程序,实现用户界面的功能。输入设备140例如是键盘、鼠标、麦克风等输入设备,供用户输入指令。显示部150例如是液晶显示器,能够显示与智慧供应链系统100的处理过程和结果相关的画面。
基于本例的硬件结构的智慧供应链系统100中,服务器平台100A可以设置于服务提供商处,客户端设备100B可以设置于作为应用对象的销售门店、供应商、生产厂商处。由此,由服务提供商向作为用户的销售门店、供应商、生产厂商提供智慧供应链系统100的上述功能。
以下,对本实施方式的商品分类装置的分类方法进行详细的说明。
如图2所示,商品分类装置10包括分类部11。分类部11以基于作为历史数据的销量数据的ABC分类结果和最近销售时间间隔为两个维度,对多种商品进行分类。
图6是用于说明本发明第一实施方式的商品分类装置的分类方法的图。
如图6所示,首先,分类部11基于历史数据中的销量数据,应用ABC分类法进行分类。
具体地,将销量从大到小排序,计算各产品的销量占整体销量数量的百分比,然后计算累计百分比,累计比例为0%-80%,为A类,累计比例为80%-90%,为B类,累计比例为90%-100%,为C类。其中A类商品的重要度最高。此处的比例可根据实际情况调整。另外,应用ABC分类法,一般是将分析对象分成A、B、C类三类。这里,也可以根据分析对象重要性分布的特性和对象的数量的大小而分成两类、或三类以上。
但是,传统的ABC分类法没有考虑商品的时间特性,如某商品虽然销量合计为100,但是这个100,是包含了近期的销售记录,还是2个月以前的销售记录,商品的重要度会不一样。可以认为,最近有销售记录的商品比最近一段时间没有销售记录的商品重要度高。
因此,接下来,分类部11在ABC分类法的基础之上,追加“最近销售时间间隔”的维度,作为R-ABC分类法。其中,横轴的销售记录的分类临界点沿用ABC分类法的临界点,将“最近销售时间间隔”这一时间维度分层3级,得到A1~A3类、B1~B3类、C1~C3类。其中将商品按照时间维度分成的级数不限于此,可以根据实际情况酌情设定。最近销售时间间隔R是当前分析时间点相对于商品的最近销售时间的间隔。例如,当某商品的最终销售时间为2020/03/12,当前分析时间点为2020/03/13,则最近销售时间间隔为1。
关于纵轴的“最近销售时间间隔”的临界点,可通过从各商品的最近销售时间间隔中通过Grubbs检验法去异常值后平均分成三等分的方式计算。
例如,图6中,从最近销售时间间隔中去掉异常值180,求出临界点间隔。
临界点间隔=(MAX(最近销售间隔)-MIN(最近销售间隔))/3=(49-1)/3=16
所以,“最近销售时间间隔”按如下范围分级:R1(0-16),R2(16-32),R3(32以上)。
从图6的分类结果可以看到A3类的产品,由于较长时间没有产生销售记录,因此虽然历史销量很高,但是相较于A1、A2类的产品,重要度较低。
另外,在上述方法中,通过将最近销售间隔进行等分的方式进行了计算,但不限于此,也可以不进行等分而根据阈值以不等分的方式进行划分。
图7是表示本发明的第一实施方式的智慧供应链系统所执行的方法的流程图。
如图7所示,在步骤S1中,商品分类装置100对商品进行分类,以便对不同类别的商品采取相应的销售与库存策略。在本实施方式中通过R-ABC分类法对多种商品进行分类。
在步骤S2中,销售预测装置20进行销售预测,以便制定需求计划。如上所述,销售预测装置20基于步骤S1中的分类结果,对需要确认需求预测结果的商品,例如利用基于DeepAR算法的概率密度区间预测。
在步骤S3中,智能补货装置30将自动补货模型应用到特定的场景,以便生成补货决策。如上所述,智能补货装置30可以基于步骤S2中生成的概率密度区间预测结果,生成不定期不定量的补货决策。
根据本实施方式的智慧供应链系统,有效融合商品分类、销售预测与智能补货这三大重要板块,并且考虑商品的时间特性进一步细化了ABC分类,从而能够从传统的ABC分类中挑选出更有价值的商品。
(第二实施方式)
以下,对第二实施方式的智慧供应链系统100’及其所执行的方法进行详细的说明。在本实施方式中,以与第一实施方式的不同点为中心进行说明,而对于与第一实施方式相同或相似的部分使用相同的附图标记,并适当省略重复的说明。
图8是表示本发明的第二实施方式的智慧供应链系统的功能结构框图。
如图8所示,本实施方式的智慧供应链系统100’相对于第一实施方式的智慧供应链系统100,不同点在于,商品分类装置10除了分类部11以外,还具备指标计算部12、细分部13以及提取部14。
指标计算部12基于历史数据,对各商品计算商品特性分析指标,以便进一步明确商品的销售特性。
商品特性分析指标可以包括销售频次、变动系数、变动幅度、客户集中度、销售节拍、发售间隔中的至少一个。
(1)销售频次
销售频次表示商品销售或出库的频次。可以通过以下方法来计算:在指定期间内,以周为单位统计销售记录,销量大于0则为1,销量小于等于0则为0,统计有销量记录的周数作为频次。可以按照如下规则分级:高(频次≥0.6*期间),中(频次≥0.2*期间且频次<0.6*期间),低(频次<0.2*期间)
例如,基于图3B所示的历史数据,例如2个月(共9周)内,商品P001的有销售记录的周数为8周(第7周没有销售记录),因此商品P001的销售频次为8。由于8>0.6*9=5.4,所以商品P001的销售频次级别为高。
根据销售频次,可以明确商品以怎样的频次被销售。例如,当销售频次为高的情况下,该商品说明为主流商品,当销售频次为中的情况下,则说明是中间商品,需要与其他指标结合进行细分。当销售频次为低的情况下,则说明是长尾商品。
(2)变动系数
变动系数表示需求波动的大小。可以通过以下方法来计算:
变动系数=指定期间内销量的标准方差/指定期间内销量的平均值
另外,变动系数可以按照如下规则分级:
样本数量为10以下时,大(≥1.9),小(<1.9)
样本数据量为10以上且100以下时,大(≥1.5),小(<1.5)
样本数据量为100以上时,大(≥1.4),小(<1.4)
例如,基于图3B所示的历史数据,商品P001的2个月内销量的平均值为11.11,标准偏差为8.48。因此其变动系数为8.48/11.11=0.76。由于样本数量为9个,是10以下,且0.76<1.9,因此商品P001的变动系数小。
根据变动系数,能够明确需求变动是否剧烈。例如,当变动系数大的情况下,认为需求的偏差大,当变动系数小的情况下,认为需求的偏差小。
(3)变动幅度
变动幅度表示规定期间内的需求总量的波动情况。可以通过以下方法来计算:
变动幅度=(规定期间的销量合计-上一个规定期间的销量合计)的绝对值/规定期间的销量合计
另外,变动幅度可以按照如下规则分级:小(<0.2),中(≥0.2且<0.5),大(≥0.5)。
例如,基于图3B所示的历史数据,设规定期间为一个月的情况下,商品P001的2月的销量合计为6+10+8+5=29,1月份的销量合计为5+20+6+10+30=71,因而变动幅度为|(29-71)|/29=1.45,大于0.5,说明商品P001的变动幅度大。
根据变动幅度,能够明确规定期间内的需求合计的变动是否大。例如,在变动幅度为大的情况下,认为需求变动大,在变动幅度为中的情况下,认为需求变动比较大,在变动幅度为小的情况下,认为需求变动小。
(4)客户集中度
客户集中度表示指定期间内的销量是否集中在少数客户上。在当指定期间内单个客户的购买数达到总销量的50%以上的情况下,或者20%的客户的购买数占总体的80%以上的情况下,判断为客户集中度高。另外,在销售门店需要计算客户集中度的情况下,需要事先知道客户名那样的能够识别客户的数据。
例如,基于图3A所示的历史数据,客户(目的地仓库)C0001的购买量(出库量)为40,总销量为100,客户1的购买量在总销量所占的比例为40/100=40%,同样,客户C0002的情况为50/100=50%,客户C0003的情况为10/100=10%。客户C0002占整体销售记录的50%,所以,客户集中度为“高”。
另外,图3B中的历史数据中没有客户数据,但如果有客户ID那样的能够识别客户的数据,则同样能够分析。
根据客户集中度,能够明确该商品的客户是集中的还是分散的,在客户集中的情况下,需要按客户进行管理。
(5)销售节拍
销售节拍表示商品被销售的间隔的平均值。可以通过以下方式来计算:以商品为单位,统计从每一次销售记录到下一次销售记录的时间间隔,使用Grubbs检验去掉异常值后,求时间间隔的平均值。
例如,基于图3B的历史数据,商品P001的销售日间隔如下:
由此,能够得到销售节拍为7天。
根据销售节拍,能够判断暂时没有销售记录的现象属于正常节拍。例如,当没有销售记录的期间(最近销售时间间隔)小于销售节拍的情况下,认为在正常的销售节拍范围内,当没有销售记录的期间大于销售节拍的情况下,认为是超出了正常的销售节拍范围。
(6)发售间隔
发售间隔表示当前分析时间点相对于最早销售日的间隔。发售间隔越长,说明发售时间长,发售间隔越短,说明发售时间短。关于长短的判定,可以根据商品的特性设定不同的阈值,例如2个月、3个月等。
例如,商品P001的最早销售记录产生时间为“2020/01/03”,当前分析时间点为“2020/03/13”,所以,发售间隔为:2020/03/13-2020/01/03=70天
根据发售间隔,能够判断当前是否处于发售的初期阶段。
上述的对各指标的说明中,各个期间、阈值、分级数、样本数量都可以适当变更及调整。
以上对6个指标进行了说明,但不限于此,也可以包括能够体现商品的销售特性的其他指标。例如表示单位期间内有多大的概率会产生销售记录的需求概率等。
细分部13基于分类部11的分类结果,使用指标计算部12计算出的商品特性分析指标进行多维度的细分。
图9是用于说明本发明的第二实施方式的商品分类装置中的细分方法的图。
如图9所示,细分部13针对A1、A2、B1、B2类那样销量比第一分类临界点(图中为B类与C间的点)多且最近销售时间间隔比第二分类临界点(图中为R2)小、即销量大且近期有销售记录的类的第一组商品(主力商品),使用销售频次、变动系数、变动幅度、客户集中度中的至少一个进行细分。其中A1、A2、B1、B2的重要度为A1>A2>B1>B2。
例如,在第一组商品在销售频次为高的情况下,说明当前数据足够通过数据分析或及学习来进行需求预测,并且也能够充分考虑过去的需求预测值和实际值的误差来对需求预测值进行修正。所以,此时细分部105可以不再进行进一步的细分。
在销售频次为中的情况下,判断变动系数的大小,在判断为变动系数大的情况下,进一步判断变动幅度的大小,在判断为变动幅度同样大的情况下,说明该商品的预测本身是比较困难的。此时,进一步判断客户集中度,在客户集中度高的情况下,说明个别的客户较大地左右需求的变动,需要分析其变动大的理由,因而需要由销售人员人为确认,对需求预测的结果做适当调整,因此结束细分。另一方面,在客户集中度低的情况下,说明客户分散,但实际情况中如果像这样销量大且客户分散,那么应有很大的销售频次,这与该商品的“销售频次为中”有些矛盾。这种情况下考虑到大的变动幅度可能会在分散的客户之间相互吸收,因而反而可以认为不一定需要销售人员确认,结束细分。在上述中变动幅度小的情况下,说明该商品虽然变动系数大,但一定期间的整体上的变动幅度小,因而该商品并非一定需要销售人员确认。另一方面,在上述中变动系数小的情况下,说明该商品虽然销售频次不高,但需求比较稳定,对于这种商品,通过数据分析或需求预测通常能够找到规律,因而不一定需要销售人员确认。
在销售频次低的情况下,一般属于集中在某几个客户的情况,因此此时虽然也可以参考其他指标,但主要判断客户集中度高还是低即可。在客户集中度高的情况下,说明其为个别案件,需要由销售人员确认。另一方面,在客户集中度低的情况下,说明客户分散,如上述那样这与该商品的“销售频次为低”矛盾。这种情况下考虑到大的变动幅度可能在分散的客户之间相互吸收,因而反而不一定需要销售人员确认。
并且,细分部13针对图9中的A3、B3类那样销量比第一分类临界点多且最近销售时间的间隔比第二分类临界点大、即历史销量很好但最近没有销售记录的类的第二组商品(过去畅销商品),使用客户集中度、销售节拍、发售间隔进行细分。
例如,在客户集中度高的情况下,进一步判断销售节拍。如果最近销售时间间隔(未销售期间)小于销售节拍,则说明当前没有销售记录的情况属于正常节拍范围内,但未来会出现大量的采购,需要由销售人员确认。如果最近销售间隔大于销售节拍,则说明该商品已超出正常销售节拍,属于衰退期商品,未来也不会有大的销量,需求预测结果也会是0,通常不需要销售人员确认。
另一方面,在上述中客户集中度低的情况下,进一步判断发售间隔。在发售间隔例如大于3个月的情况下,能够认为该商品为衰退型商品,不需要进行特殊的管理。如果发售间隔例如小于3个月,则需要销售人员确认最近销售间隔长即最近没有销售记录是因为缺货还是疫情等突发事件等。
并且,细分部13针对图9中的C1、C2类那样销量比第一分类临界点少且最近销售时间的间隔比第二分类临界点小、即近期有销售记录但销量少的子类的第三组商品(长尾商品或新发售商品),使用发售间隔进行细分。
例如,在发售间隔大(例如大于2个月)的情况下,说明该商品是长尾商品,对整体影响不大,可参考需求预测值和顾客服务水平进行库存设定,从而结束细分。另一方面,在发售间隔小(例如小于2个月)的情况下,说明该商品是新发售商品,需要由销售人员确认未来趋势,从而结束细分。
并且,细分部13针对图9的中的C3类那样的销量比第一分类临界点少且最近销售时间的间隔比第二分类临界点大的类、即最近没有销售记录并且销量很少的第四组商品(对象外商品),不进行细分。实际上,这一类商品也不需要由销售预测装置20进行需求预测。
上述中,各个组的分组方法也可以根据商品的特性采用不同的分组方法,例如可以改变作为阈值的分类临界点。
此外,在图9中,按照商品所属的类,使用不同的商品特性指标进行了细分,这是为了使用针对该类更具有意义的一部分指标来进行细分从而提高效率。但不限于此,也可以还使用其他商品特性分析指标的一部分或全部作为参考。
提取部14基于细分部13的细分结果,提取需要由销售人员确认需求预测结果的商品。
在本实施方式中,提取部14例如提取以下商品,作为需要由销售人员确认需求预测结果的商品:(1)第一组商品中,销售频次中、变动系数大、变动幅度大、且客户集中度高的商品、以及销售频次低且客户集中度高的商品;(2)第二组商品中,客户集中度高且最近销售时间小于销售节拍的商品和客户集中度低且发售间隔小的商品;以及(3)第三组商品中发售间隔小(例如小于2个月)的商品。
这些商品是在图9中标“◎”的商品,基本属于个别案件或异常情况等,需要由销售人员结合经验具体确认或调整。
此外,提取部105也可以还提取以下商品,作为留观商品:第一组商品中,销售频次中且变动系数大且变动幅度大但是客户集中度低的商品、销售频次中、变动系数大但是变动幅度小的商品、销售频次低但是客户集中度低的商品。
这些商品是在图9中标“〇”的商品,可先留观,在发生异常情况时再单独确认。
此外,提取部105也可以还提取以下商品,作为不需要由销售人员确认需求预测结果的商品:(1)第一组商品中销售频次高的商品、以及销售频次中但是变动系数小的商品;(2)第二组商品中客户集中度高且最近销售间隔大于销售节拍的商品、及客户集中度低且发售时间长的商品;以及(3)第三组商品中发售间隔长的商品。
这些商品是在图9中标“△”的商品,这些商品的数据分析的精度相对较高,通常不需要确认。
此外,上述的提取方法只是一例,并不限于此。也可以根据需要或商品的特性采用其他提取方法。例如,上述留观商品作为模棱两可的情况,其中一部分或全部既可以作为需要由销售人员确认的商品来提取,也可以作为不需要人为确认的商品来提取。在作为需要由销售人员确认的商品来提取的情况下,由于销售频次中且变动系数大、或者销售频次低的情况下即可认为需要由销售人员确认,因此不需要使用变动幅度和客户集中度这两个指标。
关于智慧供应链系统100’所执行的方法,基本流程与图7所示的流程相同,因此,这里仅对与第一实施方式不同的商品分类装置所执行的处理进行说明。
图10是表示本发明的第二实施方式的智慧供应链系统的商品分类装置所执行的处理的流程图。
如图10所示,在步骤S11中,商品分类装置100的分类部11利用R-ABC分类法对多种商品进行分类,得到初步的分类结果。
在步骤S12中,指标计算部12基于历史数据,计算各商品的商品特性分析指标。例如,计算销售频次、变动系数、变动幅度、客户集中度、销售节拍、发售间隔中的至少一个。
在步骤S13中,细分部13基于在步骤S11中得到的初步的分类结果,使用在步骤S12中计算出的商品特性分析指标,进行多维度的细分。例如,基于商品所属的类,使用不同的商品特性分析指标进行细分。
在步骤14中,提取部14基于在步骤S13中的细分结果,至少提取需要由销售人员确认预测结果的商品,以便由销售人员对预测结果进行确认,进行适当的调整。
根据本实施方式的智慧供应链系统及其所执行的方法,在R-ABC分类法的基础上,结合商品特性分析指标,将商品细分,从中挑选出需要销售人员确认需求预测结果的商品,结合销售人员的业务经验,能够提高需求预测的精度。
(第三实施方式)
以下,对第三实施方式的智慧供应链系统及其所执行的方法进行详细的说明。
本实施方式的智慧供应链系统的概略结构和所执行的方法采用第二实施方式的智慧供应链系统100’的概略结构和方法,因此省略图示。此外,本实施方式也同样能够应用于第一实施方式。
本实施方式的智慧供应链系统相对于第二实施方式的智慧供应链系统100’,不同点在于,在销售预测装置20进行以月、周、日为单位的需求预测的前提下,智能补货装置30基于销售预测装置20的预测结果以及商品特性评价指标,应用自动补货模型,生成补货决策。其中,销售预测装置20例如可以基于长短时记忆网络进行销售预测,进行数据收集、数据处理、模型构建、模型评价和模型部署,输出与至少一个预测时间对应的销售预测结果,由此,能够针对不同时间粒度的销量进行估计(如日销量、周销量、月销量)。智能补货装置30基于销售预测装置20的长短时记忆网络预测结果和商品特性评价指标,生成定期不定量及/或不定期不定量的补货决策。
以下,对智能补货装置30进行的处理进行详细的说明。
(1)最大库存量的定义
假定企业期待的标准库存周转期为1个月(4周),即需要库存满足未来1个月的需求。
首先,按各仓库对各仓库例如过去6个月(26周)的销售频次和需求概率进行统计。
销售频次与第二实施方式中说明的销售频次相同。
需求概率表示单位期间内有多大的概率会产生销售记录。可以通过以下方法来计算:在过去的N周里,以周为单位统计销售记录,销量大于0则赋予1,销量小于等于0则赋予0,需求概率=有销售记录的周的总数/N。例如,基于图3B所示的历史数据,例如2个月(共9周)内,商品P001的有销售记录的周数为8周(第7周没有销售记录),因此商品P001的需求概率=8/9=0.89。根据需求概率,能够计算在单位期间内需要多大的需求。例如,在上述的例子中,需求概率未0.89,因此在1个月(4周)的情况下,需要应对0.89*4=4(周)的需求。
其次,将销售频次分为高(21~26)、中高(16~20)、中(11~15)、中低(6~10)、低(0~5)的5个级别,并对各商品进行库存周转期和安全系数的设置。在此,5个级别的划分及其分界点只是一例,也可以采用不同的级别及分界点。
具体地,假设整体的目标库存周转期是1个月(4周),如以下这样计算各商品的库存周转期:
各商品的库存周转期=各商品的需求概率*4(小数点进位取整)
并且,根据商品的销售频次,决定服务水平,并通过查询服务水平与安全系数变换表来确定安全系数。安全系数可根据实际情况进行调整。
服务水平与安全系数变换表
如上述那样确定的库存周转期及安全系数与销售频次及需求概率的对应关系如下表,表中的服务水平仅为示例,可根据实际情况进行调整。
接下来,利用库存周转期和安全系数,通过以下公式计算安全库存SS。
其中,STD---库存周转期内,以日为单位的实绩需求的标准方差。
L---库存周转期
Z---安全系数
这样,就能够通过安全库存量和库存周转期内的需求预测量来计算最大库存量。
最大库存量=未来库存周转期内的需求预测量+安全库存
最大库存数量根据每月、每周最新的需求预测结果定期更新。根据不同的库存周转期,使用对应的月预测或者周预测的结果。
(2)定期不定量补货模型
每周定期检查各仓库的库存量,使用如下公式计算最小库存量:
最小库存周转期(周)=标准补货前置期/7天(小数点进位取整)
这样,就能够通过安全库存量和最小库存周转期内的以周为单位的需求预测量来计算最小库存量。
最小库存量=未来最小库存周转期内的需求预测量+安全库存
图11是用于说明智能补货装置生成补货计划的过程的图。
如图11所示,每周定期补货时,检查当前库存量是否低于最小库存量,如果低于最小库存量,生成补货计划,将库存补到当周的最大库存量。
例如,在第2周、第5周出现当前库存量小于最小库存量的情况,因而生成补货计划,将库存补到当周的最大库存量。其中在第5周补货到最大库存量之后,第6周出现库存没变、超过第6周的最大库存量的情况。这说明第6周中超过最大库存量的部分存在呆滞风险。因此,此时需要对该风险进行提示。
并且,当下次(图中为第8周)因当前库存量小于最小库存量而生成补货计划时,需要根据上一次的需求的波动,重新考量是否需要补货到最大库存量,并对补货量进行调整。例如,可以根据需求预测量和实际值的偏差来进行调整。
(3)不定期不定量补货模型
为了监控库存状况,每日实时检查各仓库的库存量,使用如下公式计算最小库存量:
最小库存周转期=标准补货前置期
这样,就能够通过安全库存量和最小库存周转期内的以天为单位的需求预测量来计算最小库存量。
最小库存量=未来最小库存周转期内的需求预测量+安全库存
实际上,最小库存量=标准补货前置期内的需求预测量+安全库存
图12是用于说明智能补货装置生成补货计划的过程的图。如图12所示,每日检查当前库存,如果当前库存低于最小库存量(图中3日),则生成补货计划,将库存补到当周计算的最大库存量。
以上,以仓库为例说明了智能补货的详细内容。但从目前常见的物流路径即生产厂商或供应商→仓库→中央配送中心(CDC)→区域配送中心(RDC)→销售门店来看,也能够面向CDC、RDC以及销售门店。
(具体例)
下面以销售门店的情况为例,说明智能补货的具体例。
假定企业期待的库存周期为2周,例如对过去2个月(9周)的销售频次和需求概率进行统计。
使用需要概率和销售频次,制定不同商品的库存周转期和安全系数。
其中,
各商品的库存周转期=各商品的需求概率*2(小数点进位取整)
将销售频次按照如下规则分为高(8~9)、中高(6~8)、中(3~6)、中低(2~3)、低(0~2)五级,决定服务水平,并确定安全系数。
例如,图3B中,商品P001的需求概率为0.89,因此库存周转期为0.89*2≈2周(14天)。并且商品P001的销售频次为8,是高频次商品,因此将服务水平决定为99.90%,从而通过查询服务水平与安全系数变换表,得到安全系数3.1。
这样,能够如以下这样最大库存量。
以商品P001为例,
并且,在定期不定量补货模型的情况下,每周固定时间点,定期检查当前库存情况,假定标准补货前置期为3天,使用如下公式计算定期补货模式下的最小库存量:
最小库存周转期(周)=标准补货前置期/7天(小数点进位取整)=3/7=1(周)
如果当期库存低于40,假设当前库存量为30,则生产补货计划,补货量为111-30=81
此外,在不定期不定量补货模型的情况下,每天实时检查当前库存情况,假定标准补货前置期为3天,使用如下公式计算不定期补货模式下的最小库存量:
如果当天的库存低于21,假设当前库存量为18,则生成补货计划,补货量为111-18=93。
通过本实施方式的智慧供应链系统的智能补货装置,能够基于商品特性分析指标,按每个商品确定补货策略进行库存管理,从而能够实现更合理的库存优化。
以上参照附图说明了本发明的具体实施方式和具体例。其中,以上说明的具体实施方式和具体例仅是本发明的具体例子,用于理解本发明,而不用于限定本发明的范围。本领域技术人员能够基于本发明的技术思想对具体实施方式和具体例进行各种变形、组合和要素的合理省略,由此得到的方式也包括在本发明的范围内。例如,上述各实施方式和具体例皆可以相互组合,其组合而成的实施方式也包含在本发明的范围中。
Claims (10)
1.一种智慧供应链系统,对多种商品的供应链进行管理,其特征在于,具备:
商品分类装置,基于历史数据,对多种商品进行分类;
销售预测装置,基于历史数据以及所述商品分类装置针对多种商品的分类结果,按每种商品进行销售预测;以及
智能补货装置,基于所述销售预测装置的预测结果,应用自动补货模型,生成补货决策,
所述商品分类装置包括分类部,该分类部以基于作为历史数据的销量数据的ABC分类结果和最近销售时间间隔为两个维度,对多种商品进行分类。
2.如权利要求1所述的智慧供应链系统,其特征在于,
所述商品分类装置还包括:
指标计算部,基于历史数据,计算各商品的商品特性分析指标;
细分部,基于所述分类部的分类结果,使用由所述指标计算部计算出的商品特性分析指标进行多维度的细分;以及
提取部,基于所述细分部的细分结果,提取需要由销售人员确认预测结果的商品。
3.如权利要求2所述的智慧供应链系统,其特征在于,
所述商品特性分析指标包括销售频次、变动系数、变动幅度、客户集中度、销售节拍、以及发售间隔中的至少一个。
4.如权利要求3所述的智慧供应链系统,其特征在于,
所述细分部基于所述分类部的分类结果,
针对属于销量较多且最近销售时间间隔较短的主力商品组的类的商品,使用销售频次、变动系数、变动幅度、客户集中度中的至少一个进行细分;
针对属于销量较多且最近销售时间间隔较长的过去畅销品组的类的商品,使用客户集中度、销售节拍、发售间隔进行细分;
针对属于销量较少且最近销售时间间隔较短的长尾商品或新发售商品组的类的商品,使用发售间隔进行细分;
针对属于销量较少且最近销售时间间隔较长的对象外商品组的类的商品,不进行细分。
5.如权利要求4所述的智慧供应链系统,其特征在于,
所述提取部提取以下商品,作为需要由销售人员确认预测结果的商品:
属于主力商品组的类的商品中,销售频次为中、变动系数大、变动幅度大、且客户集中度高的商品、以及销售频次低且客户集中度高的商品;
属于过去畅销品组的类的商品中,客户集中度高且最近销售时间间隔小于销售节拍的商品、以及客户集中度低且发售间隔短的商品;以及
属于长尾商品或新发售商品组的类的商品中,发售间隔短的商品。
6.如权利要求5所述的智慧供应链系统,其特征在于,
所述提取部还提取以下商品,作为需要由销售人员确认预测结果的商品或留观商品:
属于主力商品组的类的商品中,销售频次为中、变动系数大、变动幅度大但是客户集中度低的商品、销售频次为中、变动系数大但是变动幅度小的商品、以及销售频次低但是客户集中度低的商品。
7.如权利要求5或6所述的智慧供应链系统,其特征在于,
所述提取部还提取以下商品,作为不需要由销售人员确认预测结果的商品:
属于主力商品组的类的商品中,销售频次高的商品、以及销售频次为中但是变动系数小的商品;
属于过去畅销品组的类的商品中,客户集中度高且最近销售时间间隔大于销售节拍的商品、以及客户集中度低且发售间隔长的商品;以及
属于长尾商品或新发售商品组的类的商品中,发售间隔长的商品。
8.如权利要求1至6中任一项所述的智慧供应链系统,其特征在于,
所述智能补货装置中,
根据商品的销售频次及需求概率,确定各商品的最大库存周转期间和安全系数,
利用所确定的最大库存周转期间及安全系数,计算所述最大库存周转期间内的安全库存,
利用所述最大库存周转期间内的需求预测量和安全库存,计算最大库存量。
9.如权利要求8所述的系统,其特征在于,
所述智能补货装置中,
针对定期不定量补货模型,根据标准补货前置期,确定以周为单位的最小库存周转期间,并利用所述最小库存周转期间内的需求预测量和安全库存,计算最小库存量;
针对不定期不定量补货模型,利用标准补货前置期内的以日为单位的需求预测量和安全库存,计算最小库存量。
10.一种服务器平台,对多种商品的供应链进行管理,具备处理器、存储器和接口,能够经由所述接口与客户端设备进行数据通信,其特征在于,
所述处理器通过执行所述存储器中存储的程序,执行如下处理:
商品分类处理,基于历史数据,对多种商品进行分类;
销售预测处理,基于历史数据以及所述商品分类处理针对多种商品的分类结果,按每种商品进行销售预测;以及
智能补货处理,基于所述销售预测处理的预测结果,应用自动补货模型,生成补货决策,
所述商品分类处理中,以基于销量数据的ABC分类结果和最近销售时间间隔为两个维度,对多种商品进行分类,
所述商品分类处理的结果及/或所述销售预测处理的结果及/或所述补货决策经由所述接口被发送给所述客户端设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241092.8A CN113469596A (zh) | 2020-03-31 | 2020-03-31 | 智慧供应链系统及服务器平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241092.8A CN113469596A (zh) | 2020-03-31 | 2020-03-31 | 智慧供应链系统及服务器平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469596A true CN113469596A (zh) | 2021-10-01 |
Family
ID=77865332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010241092.8A Pending CN113469596A (zh) | 2020-03-31 | 2020-03-31 | 智慧供应链系统及服务器平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469596A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997970A (zh) * | 2022-07-19 | 2022-09-02 | 国网浙江省电力有限公司 | 基于云平台和erp系统的采购计划管控方法 |
CN115564497A (zh) * | 2022-11-09 | 2023-01-03 | 深圳市鼎山科技有限公司 | 一种基于大数据的芯片供应管理系统及方法 |
-
2020
- 2020-03-31 CN CN202010241092.8A patent/CN113469596A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997970A (zh) * | 2022-07-19 | 2022-09-02 | 国网浙江省电力有限公司 | 基于云平台和erp系统的采购计划管控方法 |
CN114997970B (zh) * | 2022-07-19 | 2022-10-25 | 国网浙江省电力有限公司 | 基于云平台和erp系统的采购计划管控方法 |
CN115564497A (zh) * | 2022-11-09 | 2023-01-03 | 深圳市鼎山科技有限公司 | 一种基于大数据的芯片供应管理系统及方法 |
CN115564497B (zh) * | 2022-11-09 | 2023-08-15 | 深圳市鼎山科技有限公司 | 一种基于大数据的芯片供应管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7058587B1 (en) | System and method for allocating the supply of critical material components and manufacturing capacity | |
Bhatnagar et al. | Models for multi-plant coordination | |
US7006981B2 (en) | Assortment decisions | |
US5963919A (en) | Inventory management strategy evaluation system and method | |
US8838469B2 (en) | System and method for optimizing display space allocation of merchandising using regression analysis to generate space elasticity curves | |
Ball et al. | Available to promise | |
Laosirihongthong et al. | Prioritizing warehouse performance measures in contemporary supply chains | |
US7827049B2 (en) | Estimating demand for a supply chain according to order lead time | |
CN113469597A (zh) | 智慧供应链系统及服务器平台 | |
US20080086392A1 (en) | Managing distribution of constrained product inventory from a warehouse | |
US20050197887A1 (en) | System and method for using sales patterns with markdown profiles | |
US20030195791A1 (en) | System, method and article of manufacture to determine and communicate redistributed product demand | |
US8359229B2 (en) | Methods and systems for forecasting product demand during promotional events using statistical confidence filters | |
CN111882278A (zh) | 一种智能补货方法及系统 | |
JP6370757B2 (ja) | 損益予測装置及び損益予測プログラム | |
Aisyati et al. | Determination inventory level for aircraft spare parts using continuous review model | |
US20090125375A1 (en) | Methods and systems for forecasting product demand during promotional events using a causal methodology | |
CN113469596A (zh) | 智慧供应链系统及服务器平台 | |
US20090327027A1 (en) | Methods and systems for transforming logistic variables into numerical values for use in demand chain forecasting | |
CN113469598A (zh) | 智慧供应链系统及服务器平台 | |
CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
US20140129269A1 (en) | Forecasting Business Entity Characteristics Based on Planning Infrastructure | |
CN113469397A (zh) | 智慧供应链系统及服务器平台 | |
JP2020187416A (ja) | 物流管理システム | |
CN116050987A (zh) | 用于物料补货的预测方法、装置、存储介质及处理器 |
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 |