CN113762582A - 基于库存仿真确定退货量的数据处理方法和装置 - Google Patents
基于库存仿真确定退货量的数据处理方法和装置 Download PDFInfo
- Publication number
- CN113762582A CN113762582A CN202110130656.5A CN202110130656A CN113762582A CN 113762582 A CN113762582 A CN 113762582A CN 202110130656 A CN202110130656 A CN 202110130656A CN 113762582 A CN113762582 A CN 113762582A
- Authority
- CN
- China
- Prior art keywords
- inventory
- simulation
- cost
- goods
- return
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 196
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007418 data mining Methods 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims description 40
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000007306 turnover Effects 0.000 description 29
- 230000001186 cumulative effect Effects 0.000 description 18
- 238000007726 management method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003111 delayed effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于库存仿真确定退货量的数据处理方法和装置,该方法包括利用预设的数据挖掘引擎获取目标货品的数据信息;调用预设的库存仿真引擎,以基于数据信息和指定退货量通过预设的库存仿真模型对目标货品的库存进行仿真以得到库存仿真结果;基于库存仿真结果和数据信息,通过预设的成本计算模型计算目标货品的总成本;以及根据目标货品的总成本和库存金额,通过预设的成本费率计算模型计算目标货品的在指定退货量下的未来成本费率,并且基于毛利率的可接受成本占比阈值和未来成本费率,通过最优退货量计算模型确定最优退货量。
Description
技术领域
本发明涉及大数据分析和仓储物流领域,尤其涉及一种基于库存仿真确定退货量的数据处理方法、装置、电子设备以及介质。
背景技术
在电商发展日趋成熟的大背景下,各大电商平台正逐渐从在GMV(GrossMerchandise Volume,一定时间段内的成交总额)领域角逐的扩张式经营模式向基于损益度量的精细化管理模式转变,而想要实现精细化的经营,就必然需要对库存成本进行有效的控制。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
现有技术主要通过滞销周转天阈值和/或库龄阈值判断是否滞销,进而确定滞销库存。然而,现有的清滞手段通过上述间接指标进行库存管理,无法直接度量退货量带来的成本节省,而且无法度量清退建议后的成本结构变化。而且,作为滞销的判断标准之一的周转是时点计算值,容易受到近期补货、囤货、促销等因素的影响。再者,现有的滞销库存的计算过程中采用的阈值的合理性无法判断;鉴于难以直接找到一个货品的“合理周转天”,故使用例如经验值60作为周转滞销周转天阈值(库龄阈值经验值为90天),但是无法判断上述经验值是否是正确的。此外,现有技术也没有基于成本最优化原则进行清滞方案的寻优。
发明内容
有鉴于此,本发明实施例提供一种基于库存仿真确定退货量的数据处理方法、装置、电子设备以及介质,其能够通过对未来库存进行仿真,从而对特定库存结构变化(某几个退货节点下退特定的量)下的持货成本进行量化,并在可退货量的约束下进行最优清退策略的寻优,从而找到损益最优的库存清退方案,指导智能化的库存管理。
为实现上述目的,根据本发明实施例的一个方面,提供了一种基于库存仿真确定退货量的数据处理方法,所述方法包括:利用预设的数据挖掘引擎获取目标货品的数据信息;调用预设的库存仿真引擎,以基于所述数据信息和指定退货量通过预设的库存仿真模型对所述目标货品的库存进行仿真,从而得到库存仿真结果;基于所述库存仿真结果和所述数据信息,通过预设的成本计算模型计算所述目标货品的总成本;以及根据所述目标货品的总成本和库存金额,通过预设的成本费率计算模型计算所述目标货品的在所述指定退货量下的未来成本费率,并且基于毛利率的可接受成本占比阈值和所述未来成本费率,通过最优退货量计算模型确定最优退货量。
进一步地,通过预设的所述库存仿真模型对所述目标货品的库存进行仿真包括:基于所述数据信息中包括的商品信息,判定仿真场景,并且在判定所述仿真场景是除了所述资金占用场景和所述计提计算场景之外的常规场景的情况下,利用常规场景仿真子模型进行常规场景仿真,其中,
利用所述常规场景仿真子模型进行所述常规场景仿真包括:
获得所述指定退货量和所述指定退货量所对应的退货节点,并根据所述数据信息中的库存信息,计算批次库存量占所述总库存量的比例,对所述数据信息中的日均销量进行比例分配,以获得各批次的批次日均销量;以所述批次日均销量对各批次进行库存消耗直至所述退货节点,计算各批次在所述退货节点的期初库存量:对所述指定退货量进行比例分配,以获得各批次的退货量:将所述各批次的退货量从所述期初库存量中扣减并获得刷新后的库存;以及以所述刷新后的库存重复执行所述常规场景仿真直至库存消耗完成或截断阈值。
进一步地,利用所述常规场景仿真子模型进行所述常规场景仿真还包括:生成自然月的数据容器,所述数据容器采用两层嵌套字典的数据结构,其中,所述数据结构的键从仿真开始日当月月初开始至所述截断阈值所在月的月初,所述数据结构的第一层值为当月的仿真剩余天数、月真实天数、月累计库存、月累计销量、月末剩余期末库存,以及将所述常规场景仿真下的库存仿真结果填充至所述数据容器,并在数据库中记录为第一数据集,并且
利用所述成本计算模型计算所述总成本包括基于所述第一数据集和所述数据信息,计算所述总成本中包括的常规仓储费和超期仓储费。
进一步地,通过预设的所述库存仿真模型对所述目标货品的库存进行仿真还包括:在判定所述仿真场景是所述资金占用场景的情况下,利用资金占用场景仿真子模型进行资金占用场景仿真,其中,
利用所述资金占用场景仿真子模型进行所述资金占用场景仿真包括:匹配所述目标货品的帐期,并基于所述帐期和各批次的首次入库时间,确定计算日和所述仿真开始日,随后执行利用所述常规场景仿真子模型的所述常规场景仿真,以及将所述资金占用场景仿真下的库存仿真结果填充至所述数据容器,并在所述数据库中记录为第二数据集,并且
利用所述成本计算模型计算所述总成本包括基于所述第二数据集和所述数据信息,计算所述总成本所包括的资金占用成本。
进一步地,通过预设的所述库存仿真模型对所述目标货品的库存进行仿真还包括:在判定所述仿真场景是所述计提计算场景的情况下,利用计提计算场景仿真子模型进行计提计算场景仿真,其中,
利用所述计提计算场景仿真子模型进行所述计提计算场景仿真包括:利用所述常规场景仿真子模型进行所述常规场景仿真计算各批次到仿真结算日的期末库存,以及将所述期末库存填充至所述数据容器,并在所述数据库中记录为第三数据集。
进一步地,利用所述成本计算模型计算所述总成本包括基于所述第三数据集和所述数据信息,计算所述总成本所包括的存货跌价计提成本,并且
通过所述成本费率计算模型计算所述未来成本费率包括将所述总成本除以所述库存金额,以获得在所述指定退货量下的所述未来成本费率。
进一步地,通过所述最优退货量计算模型确定所述最优退货量利用二分搜索来确定所述最优退货量,包括:
计算无退货的自然消耗场景的零退货未来成本费率,并比较所述零退货未来成本费率与费率上限;当所述零退货未来成本费率小于或等于所述费率上限时,所述最优退货量为0;并且当所述零退货未来成本费率大于所述费率上限时,计算全退货未来成本费率,并将所述全退货未来成本费率与所述费率上限比较;当所述全退货未来成本费率大于或等于所述费率上限时,所述最优退货量为100%;并且当所述全退货未来成本费率小于所述费率上限时,计算50%退货未来成本费率,并比较所述50%退货未来成本费率与所述费率上限和费率下限的大小关系;重复所述二分搜索,直至搜索的退货量所对应的未来成本费率位于所述费率上限与所述费率下限之间或者达到设定的最大搜索次数为止。
根据本发明实施例的另一个方面,提供了一种基于库存仿真确定退货量的数据处理装置,所述装置包括:
数据预处理模块,该数据预处理模块用于获取目标货品的数据信息;
库存仿真模块,该库存仿真模块用于基于所述数据信息和指定退货量,对所述目标货品的库存进行仿真,得到库存仿真结果;
成本计算模块,该成本计算模块用于基于所述库存仿真结果和所述数据信息,计算所述目标货品的总成本;以及
损益寻优模块,该损益寻优模块用于根据所述目标货品的总成本和库存金额,计算所述目标货品的在所述指定退货量下的未来成本费率,并且基于毛利率的可接受成本占比阈值和所述未来成本费率,确定最优退货量。
根据本发明实施例的再另一个方面,提供了一种基于库存仿真确定退货量的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如前文所述一个方面所述的方法。
根据本发明实施例的又一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现前文所述一个方面所述的方法。
上述发明中的实施例具有如下优点或有益效果:因为采用前文所述的技术手段,所以克服了现有的清滞手段无法直接度量退货量带来的成本节省、无法度量清退建议后的成本结构变化、周转易受影响、无法判断阈值合理性和没有基于成本最优化原则进行清滞方案的寻优等技术问题,进而达到对持货成本进行量化计算、在退货量的约束下进行最优清退策略的寻优、找到损益最优的库存清退方案并指导智能化的库存管理这样的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的基于库存仿真确定退货量的数据处理方法的主要流程的示意图;
图2是用于说明根据本发明实施例的基于库存仿真确定退货量的数据处理方法的库存仿真步骤的示意性说明图;
图3是根据本发明实施例的基于库存仿真确定退货量的数据处理方法的库存仿真步骤的示意性流程图;
图4是根据本发明实施例的基于库存仿真确定退货量的数据处理方法的损益寻优步骤的示意性流程图;
图5是根据本发明实施例的基于库存仿真确定退货量的数据处理装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在描述本发明之前,首先描述本发明所针对而进行改进的现有的清滞技术的具体方案:
方案1:通过时点库存周转判定是否滞销,超过滞销周转天阈值(阈值为人工设置)的sku(Stock keeping Unit,库存保有单位)则被判定为滞销,其滞销量为超过滞销周转的库存量。
方案2:通过库龄判定是否滞销,超过库龄阈值(阈值为人工设定)的sku则被判定为滞销,滞销量为超过库龄阈值的批次库存总量。
方案3:结合周转和库龄联合判定是否滞销,即先判断是否超过滞销周转阈值,再判定是否超过库龄阈值,两者均判定为“是”的sku,则被判定为滞销sku。而在滞销量的计算中,先通过滞销周转计算滞销库存,再通过库龄判断长库龄库存,根据长库龄库存对滞销库存进行修正,得到最终的滞销库存。
因此,现有的清滞技术存在如前文所述的无法直接度量退货量带来的成本节省、无法度量清退建议后的成本结构变化、无法确定合理阈值以及无法基于成本最优化原则进行清滞寻优等诸多缺陷。
针对上述诸多缺陷,提出了本发明的基于库存仿真确定退货量的数据处理方法、装置、电子设备和介质,下文将结合附图对本发明进行详细描述。
根据本发明的基于库存仿真确定退货量的数据处理方法包括数据预处理步骤、库存仿真步骤、成本计算步骤和损益寻优步骤。
下文将结合图1至4描述根据本发明的实施例的基于库存仿真确定退货量的数据处理方法。
图1是根据本发明实施例的基于库存仿真确定退货量的数据处理方法的主要流程的示意图;图2是用于说明根据本发明实施例的基于库存仿真确定退货量的数据处理方法的库存仿真步骤的示意性说明图;图3是根据本发明实施例的基于库存仿真确定退货量的数据处理方法库存仿真步骤的示意性流程图;图4是根据本发明实施例的基于库存仿真确定退货量的数据处理方法的损益寻优步骤的示意性流程图。
如图1所示,根据本发明的实施例的基于库存仿真确定退货量的数据处理方法包括S101,数据预处理步骤;S102,库存仿真步骤;S103,成本计算步骤和S104,损益寻优步骤。下文将详细描述上述各个步骤。
步骤S101,数据预处理步骤
在数据预处理步骤中,利用预设的数据挖掘引擎获取数据信息,所述数据信息包括商品信息、库存信息、销量信息和财务信息。
其中,商品信息包括商品基本信息、产品线(中小件、大件)、全国平均仓报价以及是否全球购。
库存信息包括逻辑批次(下文可以简称为“批次”)库存、区域维度月至今累计库存和可退货量。
销量包括未来日均销量预测、区域维度月至今累计销量。
财务包括结算帐期、毛利率和计提参数。
数据挖掘引擎可以从系统数据库中获取上述数据信息中包括的各项信息及参数,下文将对上述个别参数进行详细说明。
具体的,为了进行针对性的库存管理和滞销清退,需要首先对目标货品进行分类,其依据目标货品的产品线(中小件、大件)、特殊货品标记(例如,全球购、赠品、虚拟品等)等。对于目标货品是否是中小件或大件进行分类,这是因为目标货品的生产线是中小件还是大件,其仓储费所受影响因素不同。具体而言,对于中小件货品,仓储费主要受到其库存量以及所存储的区域的折扣率影响;而对于大件货品,仓储费还会受到该货品的件型的影响,例如特异件、超大件的存储会收取更高费用。另一方面,对于目标货品是否是特殊货品进行分类,这是因为特殊货品会有独立于其他货品的收费标准,例如全球购货品所对应的计提系数会高于常规的中小件货品。
此外,为了度量货品库存所对应的资金流,还需要获取货品的采购均价,此处采用货品全国仓报价的均值作为采购均价的估计。高值货品的大量采购会占用更多的现金流,故产生更多的资金占用成本。
以上数据皆通过分布式文件系统(HDFS)进行读取,并利用数据仓库工具(HIVE)进行初步数据清洗和匹配。
此外,还需要获取目标货品在当前时点的在库库存量,并且由于在库库存是按照逻辑批次进行入库的,故还需要对目标货品的当前时点库存按照货品的批次进行拆分并获得各批次所对应的在库库存量,从而通过逻辑批次首次入库时间,推断该批次剩余库存的在库库龄。库龄越长的货品的计提系数越大,从而会收取更多的跌价计提费用。同时,由于当前计算时点通常不是月初,而超期仓储费的计算是基于月累计库存的,故对于历史月至今的累计库存,需要进行首月的累计库存填充。库存数据主要通过ERP(企业资源计划)系统进行获取,访问MYSQL(My Structured Query Language)数据库或HDFS,选取目标货品的库存数据并进行加工和存储。
在获取货品的库存信息之后,为了对未来进行库存仿真,则需要获取未来的库存消耗节奏,即,日均销量。此处通过调用销量预测系统接口,并获取货品未来预定时间段内(例如,91天)的区域销量以获得日均销量,作为对区域库存消耗节奏的估计,进而货品的每个区域的逻辑批次的可用库存可以按照该区域的日均销量进行消耗,从而获得未来库存变化的仿真,以实现对未来累计库存的估计。同时,与需要获取月至今累计库存一样,在数据预处理步骤中,还需要获取首月的月至今累计销量。
步骤S102,库存仿真步骤
图2示出了在任意退货节点下进行未来库存仿真的基本形式,在假设未来销量(日销量)维持在一个固定值的前提下,未来的库存是一个三角形的消耗模式。如果未来销量为0或者非常小,以至于很长时间(或无限长)都无法将库存消耗至0,则在某个设定的时间阈值进行截断,三角形的库存消耗模式转变为梯形(或矩形)。可以根据具体情况而设定截断阈值,例如,将截断阈值设定为2年。
图2中分别示出了分别在自然消耗、单词退货和多次退货的情况下的库存的消耗模式,横轴代表时间,其单位时间(周期)可以设定为1天、半天、0.25天等,纵轴代表库存量(其中,20件、50件和80件表示各批次的库存)。其中,在自然消耗状态下,其为三角形的库存消耗模式。当在设定的退货节点下,库存量减少退货量对应的值,从而产生梯形的库存消耗模式。图2仅示出了库存变化的基本趋势的实例,下文将详细描述本发明的基于库存仿真确定退货量的数据处理方法的基于图2的库存仿真步骤。
在库存仿真步骤S102中,针对目标货品的各个区域的库存,调用预设的库存仿真引擎,以基于前文描述的数据信息和指定退货量通过预设的库存仿真模型对目标货品的库存进行仿真,从而得到库存仿真结果。下文参考图3进行描述。通过预设的所述库存仿真模型对目标货品的库存进行仿真具体包括以下步骤:
首先判定仿真场景是否为资金占用场景或者计提计算场景(步骤S1021),若判定不是资金占用场景或者计提计算场景,则利用常规场景仿真子模型进行常规场景仿真。
当利用常规场景仿真子模型进行常规场景仿真时,首先生成自然月的数据容器(步骤S1022),例如,该数据容器可以采用两层嵌套字典的数据结构(嵌套字典数据结构),称为database(数据集),例如,{‘2020-01-01’:{仿真剩余天数:31,月真实天数:31,月累计库存:0,月累计销量:0,月末剩余期末库存:0}},该数据结构的键为从仿真开始日当月月初至截断阈值所在月的月初(当自然消耗完成时尚未到达截断阈值,则在消耗完成后直至截断阈值的上述数据结构中的值全部为0即可)。第一层值为当月的仿真剩余天数、月真实天数、月累计库存、月累计销量、月末剩余期末库存。
然后,获取区域维度的退货节点ti和每个退货节点ti的退货量return i(在区域维度进行计算)。将区域内的日均销量按照逻辑批次的库存进行比例分配,以计算区域内各逻辑批次的日均销量(步骤S1023)。
具体地,获取仿真系统指定的退货节点ti和每个退货节点ti的退货量returni。将区域内的日均销量按照各逻辑批次的库存{stock0i}i∈batch进行比例分配(比例为),i表示逻辑批次,stock0i表示区域内的逻辑批次i的库存,0代表退货次数,则区域内逻辑批次i的日均销量为其中,fcst表示区域内的日均销量,即,区域内各逻辑批次的总日均销量。
随后,步骤前进到步骤S1024,从仿真开始日起以步骤S1023中的计算的区域内各逻辑批次的日均销量进行库存消耗,并计算在第一退货节点时的期初库存量,并且按照逻辑批次的期初库存量进行比例分配,以分配各逻辑批次的退货量。
具体地,从仿真开始日起以步骤S1023中的计算的区域内各逻辑批次的日均销量进行库存消耗,并记录所跨月份的累计库存等信息于dat aBase(数据集),当消耗至第一退货节点t1时,计算各逻辑批次的期初库存量{stock1i}i∈batch,
计算公式为其中,Δt为从仿真开始日到第一退货节点t1的单位时间数。然后,将在第一退货节点t1的退货量return1按照逻辑批次期初库存进行比例分配,比例为分配后的各逻辑批次的退货量为{return1i}i∈batch,其中:
然后,步骤进入步骤S1025,将各逻辑批次的退货量从各逻辑批次的期初库存中扣减并刷新库存。具体地,刷新后的库存为:
重复上述步骤S1022至步骤S1025,直至库存消耗完成(或至截断阈值),将填充后的dataBase关联到商品的各个逻辑批次,这种场景下计算的dataBase记为dataBase1(第一数据集)。
当在步骤S1021中判定仿真场景是资金占用场景时,步骤进入资金占用场景仿真步骤S1026,以利用资金占用场景仿真子模型进行资金占用场景仿真。
利用资金占用场景仿真子模型进行资金占用场景仿真包括以下步骤:
首先,匹配商品的结算帐期(步骤S1026),针对各区域的各逻辑批次,计算首次入库时间增加帐期天数后的日期,若该日期早于计算日,则按照计算日开始计算;若该日期晚于计算日,则将计算日推迟至该日期,即仿真从该日期开始计算。
例如,如果首次入库时间为1号,帐期为3天,则首次入库时间增加帐期后的日期为3号,取3号和计算日中的较晚一天作为计算日,计算日的后一天为仿真开始日。
在完成上述步骤S1026后,步骤进入前文描述的步骤S1022至步骤S1025,直至完成库存仿真,这种场景下计算的dataBase记为dataBase2(第二数据集)。
当在步骤S1021中判定仿真场景是计提计算场景时,步骤进入计提计算仿真步骤S1027,以利用计提计算场景仿真子模型进行计提计算场景仿真。
利用计提计算场景仿真子模型进行计提计算场景仿真包括以下步骤:
将计算日所在月的月底日期作为仿真结算日期,利用上述常规场景仿真的步骤S1022至步骤S1025计算各区域下各逻辑批次的到仿真结算日的剩余库存(步骤S1027)。这种场景下的dataBase仅有计算日所在的月份,且只需要记录期末库存(该库存为时点库存,而非累积库存),记为dataBase3(第三数据集)。
步骤S103,成本计算步骤
通常,库存成本可以大致分成持货成本、履约成本、缺货成本和其他成本等。
其中,履约成本存在较大的不确定性,履约线路、货品自身特性、仓网布局等等因素都可能成为主要的影响因素,并且履约成本还存在难以通过有效的管理手段进行提升优化的管理难点。缺货成本存在无法精确度量的难题,它是基于销量损失预测进行的成本预测,无法进行有效的校验。
相比而言,持货成本本质上是累积库存所产生的成本,具有较好度量的特点,并且可以通过“退货”、“促销”、“报废”等清滞手段进行有效的管控。现有的持货成本主要包括“仓储成本”、“资金占用成本”、“跌价计提成本”三个部分。其中,“仓储成本”还可以细分为“常规仓储成本”和作为惩罚项的“超期仓储成本”。
针对上述持货成本,在完成库存仿真后,基于dataBase1、dataBase2、dataBase3以及前文描述的数据信息,通过预设的成本计算模型计算目标货品的总成本,即,计算常规仓储费、超期仓储费、资金占用成本以及存货跌价计提成本的总和。上述四项成本的计算公式如下表所示,下文将结合下表详细描述上述四项成本的计算。
表1各项成本的计算公式列表
(1)常规仓储费
常规仓储费是商品在仓库中存放所需要收取的费用,和商品本身的单价以及累计存放的件数直接相关,不同的区域会叠加不同的折扣率,具体计算逻辑如下:
对商品各区域下各逻辑批次的dataBase1中各月的预估未来累计库存汇总求和,获取该商品在各区域下的预估未来总累计库存
从而获得,目标产品的常规仓储费为:
(2)超期仓储费
超期仓储费是商品在仓库中存放过多或过久所产生的惩罚费用,和商品的全国周转、标准周转、累计库存直接相关,不同区域会叠加不同的折扣率,并且超期仓储费的收费是按照月维度判断和计算,预估未来超期仓储费需要进行月维度计算再进行汇总,具体计算逻辑如下:
对商品各区域下各逻辑批次的dataBase1中各月的预估未来累计库存汇总求和至各月,按相同逻辑汇总dataBase1中各月的预估未来累计销量,将各月的累计库存和累计销量汇总至全国,计算当月的全国平均周转天,如果全国平均周转天小于商品标准周转天,则记录当月商品的全国超期仓储费为0,如果全国平均周转天大于商品标准周转天,则按照如下方式进行计算:
a)计算商品当月全国累计库存,记为stock,计算商品当月各区域累计库存,记为stocki;
c)计算商品当月超期库存超过量,具体地,全国平均周转天(itonation)减去商品标准周转天(itostd),差值乘以商品当月全国累计销量(salesnation),记为overdue
d)计算商品当月各区域超期仓储成本,具体计算如下:
overdue*ratioi*discounti*price*2;
e)将商品当月各区域超期仓储费汇总至全国;
从而计算得到超期仓储费为:
用上述计算方式滚动计算dataBase1中各月的超期仓储成本。
(3)资金占用成本:
资金占用成本的存在是由于存货库存会占用现金流,而现金流本身可以产生收益,这部分收益对于自营中心化的供应链而言是一种成本,具体计算逻辑如下:
对商品各区域下各逻辑批次的dataBase2中各月的累计库存汇总至商品全国预估未来总累计库存,记为stockcapital(公式中即为stock*),将该库存乘以商品全国仓报价(wh_qtn)和资金占用日均收益率(interest,也可以称为折算率)得到商品预估未来资金占用成本
(4)存货跌价计提成本
存货会存在随时间跌价的现象,为了让货物流转更快,会增收一部分存货跌价计提金,这部分跌价计提准备金对于库存管理而言也是一种成本,跌价计提和商品库存的库龄以及库存量直接相关,具体计算逻辑如下:
针对商品各区域下的各逻辑批次的dataBase3中计算日所在月的月末剩余库存(stockit),匹配各批次的在库库龄所对应的跌价计提系数(计提比例)(coeft),各批次月末剩余库存金额(stockit*wh_qtn)乘以批次库存所对应的跌价计提系数即为商品未来跌价计提成本,具体公式为:
步骤S104,损益寻优步骤,根据目标货品的前文描述的总成本和库存金额,通过预设的成本费率计算模型计算目标货品的在指定退货量下的未来成本费率,并且基于毛利率的可接受成本占比阈值和未来成本费率,通过最优退货量计算模型确定最优退货量。具体地,基于毛利率空间的可接受成本占比阈值α(a∈[0,1],优选为0.6),利用二分查找确定最优退货量。
在本发明中,利用业务输入的毛利率空间的可接受成本占比阈值α,进行二分搜索。如附图4所示地执行损益寻优算法,主要用于搜索退货节点为当前计算时间且有可退货量约束的清退场景。
首先,通过预设的成本费率计算模型计算无退货的自然消耗场景的零退货未来成本费率,其中,未来成本费率=未来成本/库存金额,其中未来成本为上述步骤S103中计算的各项成本的总和。
然后基于毛利率的可接受成本占比阈值和所述未来成本费率,通过最优退货量计算模型确定最优退货量,其具体包括以下步骤:
判断零退货未来成本费率是否小于或等于费率上限(步骤S1041),其中,费率上限=毛利率*α。
其中,在设定好指定退货量(例如,此处退货量为0)的情况下,通过步骤S102和步骤103计算四项持货成本,并将四项持货成本求和后获得未来成本,库存金额等于当前库存扣减上述指定退货量(此处为0退货量)后的库存乘以仓报价wh_qtn,将计算出的未来成本除以库存金额,以获得零退货未来成本费率。
如果在步骤S1401中判定零退货未来成本费率小于或等于所述费率上限时(S1041:是),最优解为0,即,最优退货量即为零。
在该情况下,不退(零退货)的情况下产生的未来成本对应的费率小于费率上限,利润空间可以接受。
如果在步骤S1041中判定零退货未来成本费率大于费率上限(步骤S1041:否),则计算全退货场景下的全退货未来成本费率,并判定全退货未来成本费率是否大于或等于费率上限(步骤S1402)。
如果在步骤S1042中判定全退货未来成本费率大于或等于费率上限(步骤S1402:是),则说明在可退货量的约束下没有可行解,故采用最接近的解做近似,跳出寻优并记录最优解为全量退货。
全退货的情况下产生的未来成本对应的费率仍然高于费率上限,利润空间低于可接受的范围。
如果在步骤S1042中判定全退货未来成本费率小于费率上限(步骤S1042:否),则判定存在可行解,而全退货不是最优解。此时,步骤进行步骤S1403,在该步骤中,设定费率下限=毛利率*β(β<α),优选地,例如,可以设定为β=80%*α,并且判定50%退货未来成本费率与费率上限和费率下限的大小关系。
如果50%退货未来成本费率位于费率上限与费率下限之间(包含等于的上下限的情况),则50%退货量为最优解。
如果判断50%退货未来成本费率小于费率下限,则计算25%退货未来成本费率,并且判断25%退货未来成本费率与费率上限和费率下限的大小关系(步骤S1044)。
另一方面,如果判断50%退货未来成本费率大于费率上限,则计算75%退货未来成本费率,并且判断75%退货未来成本费率与费率上限和费率下限的大小关系(步骤S1045)
重复上述步骤S1044或S1045,直到某次搜索的退货量的退货后未来成本费率首次落入费率上限与费率下限之间;或者迭代次数超过事先设定的最大搜索次数(本发明中默认为例如,5次)。
不退的情况下费率偏高,全退对应的费率会低于费率上限。此时设置费率下限,并通过二分法寻求最优的退货比例,使得在该退货比例下对应的费率会落入费率上限与费率下限之间的区间内。
需要指出的是,上述利用二分搜索确定最优退货量不是本发明的损益寻优的唯一实施方式,例如,还可以采用禁忌搜索、网格搜索等算法获取退货量的最优解。现有的禁忌搜索、网格搜索这类获得最优解的算法都可以应用到本发明的损益寻优中,此处不再进行详细说明。
以上描述了根据本发明的基于库存仿真确定退货量的数据处理方法,其能够通过对未来库存进行仿真,从而对特定库存结构变化(某几个退货节点下退特定的量)下的持货成本进行量化,并在可退货量的约束下进行最优清退策略的寻优,从而找到损益最优的库存清退方案,指导智能化的库存管理。
根据本发明的另一方面,提供了一种基于库存仿真确定退货量的数据处理装置200,如图5所示,包括数据预处理模块201、库存仿真模块202、成本计算模块203和损益寻优模块204。下文将详细描述上述各个模块。
数据预处理模块201
该数据预处理模块201用于获取数据信息,所述数据信息包括商品信息、库存信息、销量信息和财务信息。
其中,商品信息包括商品基本信息、产品线(中小件、大件)、全国平均仓报价以及是否全球购。
库存信息包括逻辑批次库存、区域维度月至今累计库存和可退货量。
销量包括未来日均销量预测、区域维度月至今累计销量。
财务包括结算帐期、毛利率和计提系数。
上述数据信息中包括的各项信息及参数可以从系统数据库中获取,下文将对上述个别参数进行详细说明。
具体的,为了进行针对性的库存管理和滞销清退,数据预处理模块201需要首先对目标货品进行分类,其依据目标货品的产品线(中小件、大件)、特殊货品标记(例如,全球购、赠品、虚拟品等)等。对于目标货品是否是中小件或大件进行分类,这是因为目标货品的生产线是中小件还是大件,其仓储费所受影响因素不同。具体而言,对于中小件货品,仓储费主要受到其库存量以及所存储的区域的折扣率影响;而对于大件货品,仓储费还会受到该货品的件型的影响,例如特异件、超大件的存储会收取更高费用。另一方面,对于目标货品是否是特殊货品进行分类,这是因为特殊货品会有独立于其他货品的收费标准,例如全球购货品所对应的计提系数会高于常规的中小件货品。
此外,为了度量货品库存所对应的资金流,数据预处理模块201还需要获取货品的采购均价,此处采用货品全国仓报价的均值作为采购均价的估计。高值货品的大量采购会占用更多的现金流,故产生更多的资金占用成本。
以上数据皆通过分布式文件系统(HDFS)进行读取,并利用数据仓库工具(HIVE)进行初步数据清洗和匹配。
此外,数据预处理模块201还需要获取目标货品在当前时点的在库库存量,并且由于在库库存是按照逻辑批次进行入库的,故还需要对目标货品的当前时点库存按照货品的批次进行拆分并获得各批次所对应的在库库存量,从而通过逻辑批次首次入库时间,推断该批次剩余库存的在库库龄。库龄越长的货品的计提系数越大,从而会收取更多的跌价计提费用。同时,由于当前计算时点通常不是月初,而超期仓储费的计算是基于月累计库存的,故对于历史月至今的累计库存,需要进行首月的累计库存填充。库存数据主要通过ERP(企业资源计划)系统进行获取,访问MYSQL(My Structured Query Language)数据库或HDFS,选取目标货品的库存数据并进行加工和存储。
在获取货品的库存信息之后,为了对未来进行库存仿真,则数据预处理模块201需要获取未来的库存消耗节奏,即,日均销量。此处通过调用销量预测系统接口,并获取货品未来预定时间段内(例如,91天)的区域销量以获得日均销量,作为对区域库存消耗节奏的估计,进而货品的每个区域的逻辑批次的可用库存可以按照该区域的日均销量进行消耗,从而获得未来库存变化的仿真,以实现对未来累计库存的估计。同时,与需要获取月至今累计库存一样,在数据预处理步骤中,还需要获取首月的月至今累计销量。
库存仿真模块202
图2示出了在任意退货节点下进行未来库存仿真的基本形式,在假设未来销量(日销量)维持在一个固定值的前提下,未来的库存是一个三角形的消耗模式。如果未来销量为0或者非常小,以至于很长时间(或无限长)都无法将库存消耗至0,则在某个设定的时间阈值进行截断,三角形的库存消耗模式转变为梯形(或矩形)。可以根据具体情况而设定截断阈值,例如,将截断阈值设定为2年。
图2中分别示出了分别在自然消耗、单词退货和多次退货的情况下的库存的消耗模式,横轴代表时间,其单位时间(周期)可以设定为1天、半天、0.25天等,纵轴代表库存量(其中,20件、50件和80件表示各批次的库存)。其中,在自然消耗状态下,其为三角形的库存消耗模式。当在设定的退货节点下,库存量减少退货量对应的值,从而产生梯形的库存消耗模式。图2仅示出了库存变化的基本趋势的实例。
库存仿真模块202用于针对目标货品的各个区域的库存进行仿真。库存仿真模块202所执行的操作具体如下:
判定仿真场景是否为资金占用场景或者计提计算场景,若判定不是资金占用场景或者计提计算场景,则进行常规场景仿真。
当进行常规场景仿真时,首先生成自然月的数据容器,例如,该数据容器可以采用两层嵌套字典的数据结构(嵌套字典数据结构),称为database(数据库),例如,{‘2020-01-01’:{仿真剩余天数:31,月真实天数:31,月累计库存:0,月累计销量:0,月末剩余期末库存:0}},该数据结构的键为从仿真开始日当月月初至截断阈值所在月的月初(当自然消耗完成时尚未到达截断阈值,则在消耗完成后直至截断阈值的上述数据结构中的值全部为0即可)。第一层值为当月的仿真剩余天数、月真实天数、月累计库存、月累计销量、月末剩余期末库存。
然后,获取区域维度的退货节点ti和每个退货节点ti的退货量returni(在区域维度进行计算)。将区域内的日均销量按照逻辑批次的库存进行比例分配,以计算区域内各逻辑批次的日均销量。
具体地,获取仿真系统(例如,后文描述的损益寻优模块)指定的退货节点ti和每个退货节点ti的退货量returni。将区域内的日均销量按照各逻辑批次的库存{stock0i}i∈batch进行比例分配(比例为),i表示逻辑批次,stock0i表示区域内的逻辑批次i的库存,0代表退货次数,则区域内逻辑批次i的日均销量为其中,fcst表示区域内的日均销量,即,区域内各逻辑批次的总日均销量。
随后,从仿真开始日起以已经计算的区域内各逻辑批次的日均销量进行库存消耗,并计算在第一退货节点时的期初库存量,并且按照逻辑批次的期初库存量进行比例分配,以分配各逻辑批次的退货量。
具体地,从仿真开始日起以计算的区域内各逻辑批次的日均销量进行库存消耗,并记录所跨月份的累计库存等信息于dataBase,当消耗至第一退货节点t1时,计算各逻辑批次的期初库存量{stock1i}i∈batch,计算公式为其中,Δt为从仿真开始日到第一退货节点t1的单位时间数。然后,将在第一退货节点t1的退货量return1按照逻辑批次期初库存进行比例分配,比例为分配后的各逻辑退货量为{return1i}i∈batch,
然后,将各逻辑批次的退货量从各逻辑批次的期初库存中扣减并刷新库存。具体地,刷新后的库存为:
然后根据更新后的库存刷新未来各逻辑批次的日均销量
重复上述操作,直至库存消耗完成(或至拦截阈值),将填充后的dataBase关联到商品的各个逻辑批次,这种场景下计算的dataBase记为dataBase1。
当判定仿真场景是资金占用场景时,则进入资金占用场景仿真。
首先匹配商品帐期,针对各区域的各逻辑批次,计算首次入库时间增加帐期天数后的日期,若该日期早于计算日,则按照计算日开始计算;若该日期晚于计算日,则将计算日推迟至该日期,即仿真从该日期开始计算。
例如,如果首次入库时间为1号,帐期为3天,则首次入库时间增加帐期后的日期为3号,取3号和计算日中的较晚一天作为计算日,计算日的后一天为仿真开始日。
然后进行与上述常规场景仿真相同的操作,直至完成库存仿真,这种场景下计算的dataBase记为dataBase2。
当判定仿真场景是计提计算场景时,进入计提计算仿真。
首先将计算日所在月的月底日期作为仿真结算日期,然后进行与上述常规场景仿真相同的操作以计算各区域下各逻辑批次的到仿真结算日的剩余库存。这种场景下的dataBase仅有计算日所在的月份,且只需要记录期末库存,记为dataBase3。
成本计算模块203
通常,库存成本可以大致分成持货成本、履约成本、缺货成本和其他成本等。
其中,履约成本存在较大的不确定性,履约线路、货品自身特性、仓网布局等等因素都可能成为主要的影响因素,并且履约成本还存在难以通过有效的管理手段进行提升优化的管理难点。缺货成本存在无法精确度量的难题,它是基于销量损失预测进行的成本预测,无法进行有效的校验。
相比而言,持货成本本质上是累积库存所产生的成本,具有较好度量的特点,并且可以通过“退货”、“促销”、“报废”等清滞手段进行有效的管控。现有的持货成本主要包括“仓储成本”、“资金占用成本”、“跌价计提成本”三个部分。其中,“仓储成本”还可以细分为“常规仓储成本”和作为惩罚项的“超期仓储成本”。
针对上述持货成本,成本计算模块203基于dataBase1、dataBase2、dataBase3,计算常规仓储费、超期仓储费、资金占用成本以及存货跌价计提成本。上述四项成本的计算公式如表1所示,下文将结合前文表1详细描述成本计算模块203所执行的上述四项成本的计算操作。
(1)常规仓储费
常规仓储费是商品在仓库中存放所需要收取的费用,和商品本身的单价以及累计存放的件数直接相关,不同的区域会叠加不同的折扣率,具体计算逻辑如下:
对商品各区域下各逻辑批次的dataBase1中各月的预估未来累计库存汇总求和,获取该商品在各区域下的预估未来总累计库存
从而获得,目标产品的常规仓储费为:
(2)超期仓储费
超期仓储费是商品在仓库中存放过多或过久所产生的惩罚费用,和商品的全国周转、标准周转、累计库存直接相关,不同区域会叠加不同的折扣率,并且超期仓储费的收费是按照月维度判断和计算,预估未来超期仓储费需要进行月维度计算再进行汇总,具体计算逻辑如下:
对商品各区域下各逻辑批次的dataBase1中各月的预估未来累计库存汇总求和至各月,按相同逻辑汇总dataBase1中各月的预估未来累计销量,将各月的累计库存和累计销量汇总至全国,计算当月的全国平均周转天,如果全国平均周转天小于商品标准周转天,则记录当月商品的全国超期仓储费为0,如果全国平均周转天大于商品标准周转天,则按照如下方式进行计算:
a)计算商品当月全国累计库存,记为stock,计算商品当月各区域累计库存,记为stocki;
c)计算商品当月超期库存超过量,具体地,全国平均周转天(itonation)减去商品标准周转天(itostd),差值乘以商品当月全国累计销量(salesnation),记为overdue;
d)计算商品当月各区域超期仓储成本,具体计算如下:overdue*ratioi*discounti*price*2;
e)将商品当月各区域超期仓储费汇总至全国;
从而计算得到超期仓储费为:
用上述计算方式滚动计算dataBase1中各月的超期仓储成本。
(3)资金占用成本:
资金占用成本的存在是由于存货库存会占用现金流,而现金流本身可以产生收益,这部分收益对于自营中心化的供应链而言是一种成本,具体计算逻辑如下:
对商品各区域下各逻辑批次的dataBase2中各月的累计库存汇总至商品全国预估未来总累计库存,记为stockcapital(公式中即为stock*),将该库存乘以商品全国仓报价(wh_qtn)和资金占用日均收益率(interest,也可以称为折算率)得到商品预估未来资金占用成本
(4)存货跌价计提成本
存货会存在随时间跌价的现象,为了让货物流转更快,会增收一部分存货跌价计提金,这部分跌价计提准备金对于库存管理而言也是一种成本,跌价计提和商品库存的库龄以及库存量直接相关,具体计算逻辑如下:
针对商品各区域下的各逻辑批次的dataBase3中计算日所在月的月末剩余库存(stockit),匹配各批次的在库库龄所对应的跌价计提系数(计提比例)(coeft),各批次月末剩余库存金额(stockit*wh_qtn)乘以批次库存所对应的跌价计提系数即为商品未来跌价计提成本,具体公式为:
损益寻优模块204
损益寻优模块204用于基于毛利率空间的可接受成本占比阈值α,利用二分查找确定最优退货量。
在本发明中,损益寻优模块204利用业务输入的毛利率空间的可接受成本占比阈值α(a∈[0,1],优选为0.6),进行二分搜索。如附图4所示地进行损益寻优算法,主要用于搜索退货节点为当前计算时间且有可退货量约束的清退场景。
损益寻优模块204所执行的具体的寻优操作如下:
首先,计算无退货的自然消耗场景的零退货未来成本费率,其中,未来成本费率=未来成本/库存金额,其中未来成本为上述成本计算模块203计算的各项成本的总和,并且,判断零退货未来成本费率是否小于或等于费率上限,其中,费率上限=毛利率*α。
其中,在设定好退货量(例如,此处退货量为0)的情况下,通过库存仿真模块202和成本计算模块203的仿真和计算,获得四项持货成本,并将四项持货成本求和后获得未来成本,库存金额等于当前库存扣减上述指定退货量(此处为0退货量)后的库存乘以仓报价wh_qtn,将计算出的未来成本除以库存金额,以获得零退货未来成本费率。
如果判定零退货未来成本费率小于或等于所述费率上限时,最优解为0,即,最优退货量即为零。
在该情况下,不退(零退货)的情况下产生的未来成本对应的费率小于费率上限,利润空间可以接受。
如果判定零退货未来成本费率大于费率上限,则计算全退货场景下的全退货未来成本费率,并判定全退货未来成本费率是否大于或等于费率上限。
如果判定全退货未来成本费率大于或等于费率上限,则说明在可退货量的约束下没有可行解,故采用最接近的解做近似,跳出寻优并记录最优解为全量退货。
全退货的情况下产生的未来成本对应的费率仍然高于费率上限,利润空间低于可接受的范围。
如果判定全退货未来成本费率小于费率上限,则判定存在可行解,而全退货不是最优解。此时,设定费率下限=毛利率*β(β<α),优选地,例如,可以设定为β=80%*α,并且判定50%退货未来成本费率与费率上限和费率下限的大小关系。
如果50%退货未来成本费率位于费率上限与费率下限之间(包含等于的上下限的情况),则50%退货量为最优解。
如果判断50%退货未来成本费率小于费率下限,则计算25%退货未来成本费率,并且判断25%退货未来成本费率与费率上限和费率下限的大小关系。
另一方面,如果判断50%退货未来成本费率大于费率上限,则计算75%退货未来成本费率,并且判断75%退货未来成本费率与费率上限和费率下限的大小关系。
重复上述操作,直到某次退货量的退货后未来成本费率首次落入费率上限与费率下限之间;或者迭代次数超过事先设定的最大搜索次数(本发明中默认为例如,5次)。
不退的情况下费率偏高,全退对应的费率会低于费率上限。此时设置费率下限,并通过二分法寻求最优的退货比例,使得在该退货比例下对应的费率会落入费率上限与费率下限之间的区间内。
需要指出的是,上述损益寻优模块利用二分搜索确定最优退货量不是本发明的损益寻优的唯一实施方式,例如,还可以采用禁忌搜索、网格搜索等算法获取退货量的最优解。现有的禁忌搜索、网格搜索这类获得最优解的算法都可以应用到本发明的损益寻优中,此处不再进行详细说明。
以上描述了根据本发明的基于库存仿真确定退货量的数据处理装置,其能够通过对未来库存进行仿真,从而对特定库存结构变化(某几个退货节点下退特定的量)下的持货成本进行量化,并在可退货量的约束下进行最优清退策略的寻优,从而找到损益最优的库存清退方案,指导智能化的库存管理。
图6示出了可以应用本发明实施例的清退方法或清退装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的清退方法一般由服务器605执行,相应地,清退装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括数据预处理模块、库存仿真模块、成本计算模块和损益寻优模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,损益寻优模块还可以描述利用二分查找确定最优退货量的模块。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
利用预设的数据挖掘引擎获取目标货品的数据信息;
调用预设的库存仿真引擎,以基于所述数据信息和指定退货量通过预设的库存仿真模型对所述目标货品的库存进行仿真,从而得到库存仿真结果;
基于所述库存仿真结果和所述数据信息,通过预设的成本计算模型计算所述目标货品的总成本;以及
根据所述目标货品的总成本和库存金额,通过预设的成本费率计算模型计算所述目标货品的在所述指定退货量下的未来成本费率,并且基于毛利率的可接受成本占比阈值和所述未来成本费率,通过最优退货量计算模型确定最优退货量。
根据本发明实施例的技术方案,能够通过对未来库存进行仿真,从而对特定库存结构变化(某几个退货节点下退特定的量)下的持货成本进行量化,并在可退货量的约束下进行最优清退策略的寻优,从而找到损益最优的库存清退方案,指导智能化的库存管理。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于库存仿真确定退货量的数据处理方法,其特征在于,包括:
利用预设的数据挖掘引擎获取目标货品的数据信息;
调用预设的库存仿真引擎,以基于所述数据信息和指定退货量通过预设的库存仿真模型对所述目标货品的库存进行仿真,从而得到库存仿真结果;
基于所述库存仿真结果和所述数据信息,通过预设的成本计算模型计算所述目标货品的总成本;以及
根据所述目标货品的总成本和库存金额,通过预设的成本费率计算模型计算所述目标货品的在所述指定退货量下的未来成本费率,并且基于毛利率的可接受成本占比阈值和所述未来成本费率,通过最优退货量计算模型确定最优退货量。
2.根据权利要求1所述的方法,其特征在于,其中,
通过预设的所述库存仿真模型对所述目标货品的库存进行仿真包括:
基于所述数据信息中包括的商品信息,判定仿真场景,并且
在判定所述仿真场景是除了所述资金占用场景和所述计提计算场景之外的常规场景的情况下,利用常规场景仿真子模型进行常规场景仿真,其中,
利用所述常规场景仿真子模型进行所述常规场景仿真包括:
获得所述指定退货量和所述指定退货量所对应的退货节点,并根据所述数据信息中的库存信息,计算批次库存量占总库存量的比例,对所述数据信息中的日均销量进行比例分配,以获得各批次的批次日均销量;
以所述批次日均销量对各批次进行库存消耗直至所述退货节点,计算各批次在所述退货节点的期初库存量:
对所述指定退货量进行比例分配,以获得各批次的退货量:
将所述各批次的退货量从所述期初库存量中扣减并获得刷新后的库存;以及
以所述刷新后的库存重复执行所述常规场景仿真直至库存消耗完成或截断阈值。
3.根据权利要求2所述的方法,其特征在于,其中,
利用所述常规场景仿真子模型进行所述常规场景仿真还包括:
生成自然月的数据容器,所述数据容器采用两层嵌套字典的数据结构,其中,所述数据结构的键从仿真开始日当月月初开始至所述截断阈值所在月的月初,所述数据结构的第一层值为当月的仿真剩余天数、月真实天数、月累计库存、月累计销量、月末剩余期末库存,以及
将所述常规场景仿真下的库存仿真结果填充至所述数据容器,并记录为第一数据集,并且
利用所述成本计算模型计算所述总成本包括基于所述第一数据集和所述数据信息,计算所述总成本中包括的常规仓储费和超期仓储费。
4.根据权利要求3所述的方法,其特征在于,其中,
通过预设的所述库存仿真模型对所述目标货品的库存进行仿真还包括:
在判定所述仿真场景是所述资金占用场景的情况下,利用资金占用场景仿真子模型进行资金占用场景仿真,其中,
利用所述资金占用场景仿真子模型进行所述资金占用场景仿真包括:
匹配所述目标货品的帐期,并基于所述帐期和各批次的首次入库时间,确定计算日和所述仿真开始日,随后执行利用所述常规场景仿真子模型的所述常规场景仿真,以及
将所述资金占用场景仿真下的库存仿真结果填充至所述数据容器,并记录为第二数据集,并且
利用所述成本计算模型计算所述总成本包括基于所述第二数据集和所述数据信息,计算所述总成本所包括的资金占用成本。
5.根据权利要求4所述的方法,其特征在于,其中,
通过预设的所述库存仿真模型对所述目标货品的库存进行仿真还包括:
在判定所述仿真场景是所述计提计算场景的情况下,利用计提计算场景仿真子模型进行计提计算场景仿真,其中,
利用所述计提计算场景仿真子模型进行所述计提计算场景仿真包括:
利用所述常规场景仿真子模型进行所述常规场景仿真以计算各批次到仿真结算日的期末库存,以及
将所述期末库存填充至所述数据容器,并记录为第三数据集。
6.根据权利要求5所述的方法,其特征在于,其中,
利用所述成本计算模型计算所述总成本包括基于所述第三数据集和所述数据信息,计算所述总成本所包括的存货跌价计提成本,并且
通过所述成本费率计算模型计算所述未来成本费率包括将所述总成本除以所述库存金额,以获得在所述指定退货量下的所述未来成本费率。
7.根据权利要求1至6的任一项所述的方法,其特征在于,其中,
通过所述最优退货量计算模型确定所述最优退货量利用二分搜索来确定所述最优退货量,并且包括:
计算无退货的自然消耗场景的零退货未来成本费率,并比较所述零退货未来成本费率与费率上限;
当所述零退货未来成本费率小于或等于所述费率上限时,所述最优退货量为0;并且当所述零退货未来成本费率大于所述费率上限时,计算全退货未来成本费率,并将所述全退货未来成本费率与所述费率上限比较;
当所述全退货未来成本费率大于或等于所述费率上限时,所述最优退货量为100%;并且当所述全退货未来成本费率小于所述费率上限时,计算50%退货未来成本费率,并比较所述50%退货未来成本费率与所述费率上限和费率下限的大小关系;
重复所述二分搜索,直至搜索的退货量所对应的未来成本费率位于所述费率上限与所述费率下限之间或者达到设定的最大搜索次数为止。
8.一种基于库存仿真确定退货量的数据处理装置,其特征在于,包括:
数据预处理模块,该数据预处理模块用于获取目标货品的数据信息;
库存仿真模块,该库存仿真模块用于基于所述数据信息和指定退货量,对所述目标货品的库存进行仿真,得到库存仿真结果;
成本计算模块,该成本计算模块用于基于所述库存仿真结果和所述数据信息,计算所述目标货品的总成本;以及
损益寻优模块,该损益寻优模块用于根据所述目标货品的总成本和库存金额,计算所述目标货品的在所述指定退货量下的未来成本费率,并且基于毛利率的可接受成本占比阈值和所述未来成本费率,确定最优退货量。
9.一种基于库存仿真确定退货量的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130656.5A CN113762582A (zh) | 2021-01-29 | 2021-01-29 | 基于库存仿真确定退货量的数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130656.5A CN113762582A (zh) | 2021-01-29 | 2021-01-29 | 基于库存仿真确定退货量的数据处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762582A true CN113762582A (zh) | 2021-12-07 |
Family
ID=78786525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110130656.5A Pending CN113762582A (zh) | 2021-01-29 | 2021-01-29 | 基于库存仿真确定退货量的数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762582A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101180651A (zh) * | 2005-05-20 | 2008-05-14 | 美国联合包装服务有限公司 | 用于帮助存货退还的系统和方法 |
CN109740793A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于概率需求分布的库存优化方法 |
CN109829669A (zh) * | 2018-12-28 | 2019-05-31 | 宁波瓜瓜农业科技有限公司 | 适用于电商的退供方法 |
CN109902850A (zh) * | 2018-08-24 | 2019-06-18 | 华为技术有限公司 | 确定库存控制策略的方法、装置及存储介质 |
CN109960826A (zh) * | 2017-12-22 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 供应链仿真方法和装置 |
CN109961198A (zh) * | 2017-12-25 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 关联信息生成方法和装置 |
US10565544B1 (en) * | 2019-08-07 | 2020-02-18 | Coupang Corp. | Computer-implemented systems and methods for transferring a return item to fulfillment centers for inventory management |
JP2020052742A (ja) * | 2018-09-27 | 2020-04-02 | 株式会社オービック | 在庫内訳情報作成装置、在庫内訳情報作成方法および在庫内訳情報作成プログラム |
CN111292149A (zh) * | 2018-12-07 | 2020-06-16 | 北京沃东天骏信息技术有限公司 | 一种生成退货处理信息的方法和装置 |
CN111667207A (zh) * | 2019-03-05 | 2020-09-15 | 阿里巴巴集团控股有限公司 | 供应链库存的管理方法及装置、存储介质和处理器 |
-
2021
- 2021-01-29 CN CN202110130656.5A patent/CN113762582A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101180651A (zh) * | 2005-05-20 | 2008-05-14 | 美国联合包装服务有限公司 | 用于帮助存货退还的系统和方法 |
CN109960826A (zh) * | 2017-12-22 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 供应链仿真方法和装置 |
CN109961198A (zh) * | 2017-12-25 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 关联信息生成方法和装置 |
CN109902850A (zh) * | 2018-08-24 | 2019-06-18 | 华为技术有限公司 | 确定库存控制策略的方法、装置及存储介质 |
JP2020052742A (ja) * | 2018-09-27 | 2020-04-02 | 株式会社オービック | 在庫内訳情報作成装置、在庫内訳情報作成方法および在庫内訳情報作成プログラム |
CN109740793A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于概率需求分布的库存优化方法 |
CN111292149A (zh) * | 2018-12-07 | 2020-06-16 | 北京沃东天骏信息技术有限公司 | 一种生成退货处理信息的方法和装置 |
CN109829669A (zh) * | 2018-12-28 | 2019-05-31 | 宁波瓜瓜农业科技有限公司 | 适用于电商的退供方法 |
CN111667207A (zh) * | 2019-03-05 | 2020-09-15 | 阿里巴巴集团控股有限公司 | 供应链库存的管理方法及装置、存储介质和处理器 |
US10565544B1 (en) * | 2019-08-07 | 2020-02-18 | Coupang Corp. | Computer-implemented systems and methods for transferring a return item to fulfillment centers for inventory management |
Non-Patent Citations (3)
Title |
---|
吴姝琪: ""H(厦门)公司退货逆向物流库存控制研究"", 《中国优秀硕士学位论文全文数据库(经济与管理科学)》, 15 July 2019 (2019-07-15), pages 29 - 55 * |
娄山佐;田新诚;吕文;: ""随机退货环境下最优补货和处理控制策略"", 《控制与决策》, vol. 28, no. 5, 15 May 2013 (2013-05-15), pages 657 - 663 * |
孟丽君: ""基于FIFO的存在退货的易逝品库存系统的仿真研究"", 《重庆大学学报(社会科学版)》, vol. 15, no. 3, 15 May 2009 (2009-05-15), pages 50 - 55 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751497B (zh) | 一种商品补货方法和装置 | |
JP7121118B2 (ja) | 重み付けされた混合機械学習モデルを使用した需要予測 | |
Kim et al. | Optimal inventory control in a multi-period newsvendor problem with non-stationary demand | |
CN109961198B (zh) | 关联信息生成方法和装置 | |
US20190378066A1 (en) | Machine for labor optimization for efficient shipping | |
CN106529869A (zh) | 一种物资库存物料动态特征分析平台及其分析方法 | |
CN111932161B (zh) | 针对物品的车辆调度方法、装置、电子设备和计算机介质 | |
CN112215546B (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
CN113988768B (zh) | 一种库存的确定方法和装置 | |
CN113469598A (zh) | 智慧供应链系统及服务器平台 | |
CN114663015A (zh) | 补货方法和装置 | |
Seo et al. | Rebalancing docked bicycle sharing system with approximate dynamic programming and reinforcement learning | |
US20170345096A1 (en) | Method and system for providing a dashboard for determining resource allocation for marketing | |
CN113191806A (zh) | 确定流量调控目标的方法及装置 | |
CN113780912A (zh) | 一种确定安全库存的方法及装置 | |
CN111507779A (zh) | 一种对商品进行等级划分的方法和装置 | |
CN113762582A (zh) | 基于库存仿真确定退货量的数据处理方法和装置 | |
CN115936875A (zh) | 金融产品挂单处理方法和装置 | |
CN115544152A (zh) | 一种数据处理方法和装置 | |
Kong et al. | Demand-predictive storage assignment mechanism for flower auction centers | |
Lan et al. | A supply chain network equilibrium model with a smoothing newton solution scheme | |
CN110858335A (zh) | 一种计算促销弹性的方法和装置 | |
CN115099865A (zh) | 一种数据处理方法和装置 | |
CN113793189A (zh) | 一种信息预测方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |