CN113762701A - 物品补货方法、装置以及存储介质 - Google Patents

物品补货方法、装置以及存储介质 Download PDF

Info

Publication number
CN113762701A
CN113762701A CN202110325828.4A CN202110325828A CN113762701A CN 113762701 A CN113762701 A CN 113762701A CN 202110325828 A CN202110325828 A CN 202110325828A CN 113762701 A CN113762701 A CN 113762701A
Authority
CN
China
Prior art keywords
sales
item
inventory
data
product attribute
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
CN202110325828.4A
Other languages
English (en)
Inventor
宋威
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.)
Beijing Jingdong Tuoxian Technology Co Ltd
Original Assignee
Beijing Jingdong Tuoxian Technology 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 Beijing Jingdong Tuoxian Technology Co Ltd filed Critical Beijing Jingdong Tuoxian Technology Co Ltd
Priority to CN202110325828.4A priority Critical patent/CN113762701A/zh
Publication of CN113762701A publication Critical patent/CN113762701A/zh
Priority to PCT/CN2022/079934 priority patent/WO2022199383A1/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
    • 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
    • G06Q10/0633—Workflow analysis
    • 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
    • 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]
    • G06Q30/0607—Regulated
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种物品补货方法、装置以及存储介质，涉及电子商务技术领域，其中的方法包括：计算产品属性特征与物品的销售量之间的销售属性相关系数；根据销售属性相关系数和产品属性特征建立销售预测模型；基于物品的销售数据并使用销售预测模型，获取物品的销售预测数据；根据销售预测数据以及物品的库存量，判断物品的库存是否充足，根据物品的库存量和门店存货量确定物品的补货方案。本公开的方法、装置以及存储介质，能够解决由于对物品的未来销量无法预测，并根据经验进行补货而造成的库存积压等问题，充分考虑了影响物品销售的各个因素，使得物品补货更加及时、全面、有效、准确，降低了人工成本，提高补货效率，并提升了客户体验。

Description

物品补货方法、装置以及存储介质
技术领域
本公开涉及电子商务技术领域，尤其涉及一种物品补货方法、装置以及存储介质。
背景技术
在电商领域中，常用的物品补货信息通常是以人工的决策为主，以物品库存数据为辅进行物品补货信息生成的。例如，目前，在国内外市场上，药店管家系统在功能上已实现药品的采销存配，但是药品的补药往往需要手动补药操作，依赖人的主观性，导致药品供应的决策具有随机性，使得药品补货数据准确度不高。药店在发生药品缺货时，通常需要店员手动进行补药，店员在进行补药时，会出现药品缺货后补药不足或过多的现象，往往需要店员多次补药调配工作才能完成，浪费人力并且往往不能及时补全药品，降低了补药效率，同时也影响了客户的购药体验。
发明内容
有鉴于此，本发明要解决的一个技术问题是提供一种物品补货方法、装置以及存储介质。
根据本公开的第一方面，提供一种物品补货方法，包括：确定与物品的销售量相关联的产品属性特征，计算所述产品属性特征与所述物品的销售量之间的销售属性相关系数；根据所述销售属性相关系数和所述产品属性特征建立销售预测模型，并对所述销售预测模型进行训练；基于所述物品的销售数据并使用所述销售预测模型，获取所述物品的销售预测数据；根据所述销售预测数据以及所述物品的库存量，判断所述物品的库存是否充足；如果所述物品的库存不足，则根据所述物品的库存量和门店存货量确定所述物品的补货方案。
可选地，所述确定与物品的销售量相关联的产品属性特征包括：获取所述物品的多个产品属性，在每个产品属性中确定至少一个产品属性特征；其中，所述产品属性包括：规格、剂型、包装、生产厂商中的一个或多个。
可选地，所述计算所述产品属性特征与所述物品的销售量之间的销售属性相关系数包括：计算所述物品的销售量分别与每一个产品属性特征之间的Pearson相关系数，作为与此产品属性特征与所述物品的销售量之间的销售属性相关系数。
可选地，所述计算所述物品的销售量分别与每一个产品属性特征之间的Pearson相关系数包括：获取所述物品的多个历史销售数据；其中，所述历史销售数据包括：物品历史销售量、与各个产品属性特征相对应的历史销售量；基于所述物品历史销售量、所述与各个产品属性特征相对应的历史销售量，分别计算所述物品的销售量分别与各个产品属性特征之间的Pearson相关系数。
可选地，所述销售预测模型包括：多元线性回归模型；所述对所述销售预测模型进行训练包括：基于所述历史销售数据构建所述训练样本集；其中，所述训练样本集中的训练样本包括：与各个产品属性特征相对应的历史销售量、物品在预设时段后的对应销售量；使用所述训练样本集对所述多元线性回归模型进行训练。
可选地，所述多元线性回归模型为：
yi＝β+a0x0+a1x1+a2x2+…+amxm+e；
其中，所述yi为第i种物品在预设时段后的销售量，x0，x1，x2，…，xm为与第0,1,2，…m个产品属性特征相对应的销售量,a0，a1,a2,…，am为与第0,1,2，…m个产品属性特征相对应的Pearson相关系数，β为常数项，e表示误差值。
可选地，所述基于所述物品的销售数据并使用所述销售预测模型，获取所述物品的销售预测数据包括：获取所述物品在设定时段内的、与各个产品属性特征相对应的销售数据；基于此销售数据并使用所述多元线性回归模型，确定所述物品在预设时段后的销售预测数据。
可选地，所述根据所述销售预测数据以及所述物品的库存量，判断所述物品的库存是否充足包括：计算所述物品的库存量与所述销售预测数据之间的第一差值；如果所述第一差值大于预设的第一阈值，则确定所述物品的库存充足，如果所述第一差值小于或等于所述第一阈值，则确定所述物品的库存不足。
可选地，所述如果所述物品的库存不足，则根据所述物品的库存量和门店存货量确定所述物品的补货方案包括：根据所述门店存货量与所述物品的库存量，计算所述物品的存货总量；计算所述存货总量与所述销售预测数据之间的第二差值；如果所述第二差值大于预设的所述第二阈值，则不进行物品采购处理，并进行门店间调配处理；如果所述第二差值小于或等于所述第二阈值，则进行库存采购处理，并进行库存补货，或者库存补货结合门店间调配处理。
可选地，所述物品包括：药品。
根据本公开的第二方面，提供一种物品补货装置，包括：销售因子确定模块，用于确定与物品的销售量相关联的产品属性特征，计算所述产品属性特征与所述物品的销售量之间的销售属性相关系数；预测模型建立模块，用于根据所述销售属性相关系数和所述产品属性特征建立销售预测模型，并对所述销售预测模型进行训练；销售数据预测模块，用于基于所述物品的销售数据并使用所述销售预测模型，获取所述物品的销售预测数据；物品库存判断模块，用于根据所述销售预测数据以及所述物品的库存量，判断所述物品的库存是否充足；补货方案确定模块，用于如果所述物品的库存不足，则根据所述物品的库存量和门店存货量确定所述物品的补货方案。
可选地，所述销售因子确定模块，包括：特征确定单元，用于获取所述物品的多个产品属性，在每个产品属性中确定至少一个产品属性特征；其中，所述产品属性包括：规格、剂型、包装、生产厂商中的一个或多个。
可选地，所述销售因子确定模块，包括：系数确定单元，用于计算所述物品的销售量分别与每一个产品属性特征之间的Pearson相关系数，作为与此产品属性特征与所述物品的销售量之间的销售属性相关系数。
可选地，所述系数确定单元，具体用于获取所述物品的多个历史销售数据；其中，所述历史销售数据包括：物品历史销售量、与各个产品属性特征相对应的历史销售量；基于所述物品历史销售量、所述与各个产品属性特征相对应的历史销售量，分别计算所述物品的销售量分别与各个产品属性特征之间的Pearson相关系数。
可选地，所述销售预测模型包括：多元线性回归模型；所述预测模型建立模块，具体用于基于所述历史销售数据构建所述训练样本集；其中，所述训练样本集中的训练样本包括：与各个产品属性特征相对应的历史销售量、物品在预设时段后的对应销售量；使用所述训练样本集对所述多元线性回归模型进行训练。
可选地，所述多元线性回归模型为：
yi＝β+a0x0+a1x1+a2x2+…+amxm+e；
其中，所述yi为第i种物品在预设时段后的销售量，x0，x1，x2，…，xm为与第0,1,2，…m个产品属性特征相对应的销售量,a0，a1，a2，…，am为与第0,1,2，…m个产品属性特征相对应的Pearson相关系数，β为常数项，e表示误差值。
可选地，所述销售数据预测模块，具体用于获取所述物品在设定时段内的、与各个产品属性特征相对应的销售数据；基于此销售数据并使用所述多元线性回归模型，确定所述物品在预设时段后的销售预测数据。
可选地，所述物品库存判断模块，具体用于计算所述物品的库存量与所述销售预测数据之间的第一差值；如果所述第一差值大于预设的第一阈值，则确定所述物品的库存充足，如果所述第一差值小于或等于所述第一阈值，则确定所述物品的库存不足。
可选地，所述补货方案确定模块，具体用于根据所述门店存货量与所述物品的库存量，计算所述物品的存货总量；计算所述存货总量与所述销售预测数据之间的第二差值；如果所述第二差值大于预设的所述第二阈值，则不进行物品采购处理，并进行门店间调配处理；如果所述第二差值小于或等于所述第二阈值，则进行库存采购处理，并进行库存补货，或者库存补货结合门店间调配处理。
根据本公开的第三方面，提供一种物品补货装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述的方法。
根据本公开的第四方面，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有计算机指令，所述指令被处理器执行如上的物品补货方法。
本公开的物品补货方法、装置以及存储介质，能够解决由于对物品的未来销量无法预测，并根据经验进行补货而造成的库存积压等问题，能够根据物品的销量值进行智能补货，在满足客户采购需求的前提下，避免造成库存的积压；充分考虑了影响物品销售的各个因素，使得物品补货更加及时、全面、有效、准确，降低了人工成本，提高补货效率，并提升了客户体验。
附图说明
为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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为根据本公开的物品补货方法的一个实施例的流程示意图；
图2为根据本公开的物品补货方法的一个实施例中的确定销售属性相关系数的流程示意图；
图3为根据本公开的物品补货方法的一个实施例中的获取销售预测数据的流程示意图；
图4为根据本公开的物品补货方法的一个实施例中的确定补货方案的流程示意图；
图5为根据本公开的物品补货装置的一个实施例的模块示意图；
图6为根据本公开的物品补货装置的一个实施例中的销售因子确定模块的模块示意图；
图7为根据本公开的物品补货装置的另一个实施例的模块示意图。
具体实施方式
下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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它实施例，都属于本公开保护的范围。下面结合各个图和实施例对本公开的技术方案进行多方面的描述。
在现有技术中，药店管理应用平台能够管理药店的各项事务信息，简化工作流程，提高药店的工作效率，从而提高药店的营销业绩，核心功能包括系统管理、营销中心、会员中心、数据分析、药诊店、智能硬件等。药店管理应用平台支持对接医院的医疗SPD供应链管理系统，接收需求订单；支持对接业务流程管理BPM系统进行异常审批处理等；完全符合药品经营质量管理规范GSP法规要求。
目前，药店在发生药品缺货时，通常需要店员手动进行补药，降低了补药效率，同时也影响了客户的购药体验。因此，如何提高补药效率，是当前亟需解决的技术问题。
图1为根据本公开的物品补货方法的一个实施例的流程示意图，如图1所示：
步骤101，确定与物品的销售量相关联的产品属性特征，计算产品属性特征与物品的销售量之间的销售属性相关系数。物品可以为多种，例如为药品等。
步骤102，根据销售属性相关系数和产品属性特征建立销售预测模型，并对销售预测模型进行训练。销售预测模型可以为多种模型。
步骤103，基于物品的销售数据并使用销售预测模型，获取物品的销售预测数据。
步骤104，根据销售预测数据以及物品的库存量，判断物品的库存是否充足。
步骤105，如果物品的库存不足，则根据物品的库存量和门店存货量确定物品的补货方案。
在一个实施例中，确定与物品的销售量相关联的产品属性特征可以使用多种方法。图2为根据本公开的物品补货方法的一个实施例中的确定销售属性相关系数的流程示意图，如图2所示：
步骤201，获取物品的多个产品属性，在每个产品属性中确定至少一个产品属性特征。
在一个实施例中，产品属性包括：规格、剂型、包装、生产厂商中的一个或多个。例如，药品的产品属性包括规格、剂型、包装、生产厂商等，在规格属性中确定的产品属性特征为30克/包、50克/包等，在剂型属性中确定的产品属性特征为糖衣片、肠溶片、吸吮片、咀嚼片、泡腾片等，在包装属性中确定的产品属性特征为药袋包装、真空包装、压塑包装等，在生产厂商属性中确定的产品属性特征为北京A厂、上海B厂、广州C厂等。
步骤202，计算物品的销售量分别与每一个产品属性特征之间的Pearson相关系数，作为与此产品属性特征与物品的销售量之间的销售属性相关系数。
在一个实施例中，Pearson相关系数(Pearson Correlation Coefficient)用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。
计算物品的销售量分别与每一个产品属性特征之间的Pearson相关系数可以采用多种方法。获取物品的多个历史销售数据，历史销售数据包括：物品历史销售量、与各个产品属性特征相对应的历史销售量。基于物品历史销售量、与各个产品属性特征相对应的历史销售量，分别计算物品的销售量分别与各个产品属性特征之间的Pearson相关系数。
例如，获取一种药品的历史销售量，并分别获取与30克/包、50克/包、糖衣片、肠溶片、吸吮片、咀嚼片、泡腾片、药袋包装、真空包装、压塑包装、北京A厂、上海B厂、广州C厂等产品属性特征相对应的历史销售量。每个历史销售数据可以为一个向量，此向量的元素包括药品历史销售量、与各个产品属性特征相对应的历史销售量，多个历史销售数据可以为多个向量。
对历史销售数据进行清洗处理：判读历史销售数据中是否存在异常值，根据现有的方法对异常值进行处理，得到异常值处理后的历史销售数据；对历史销售数据依次根据现有的方法进行标准化处理、数值化处理以及归一化处理，得到归一化处理后的历史销售数据。
使用清洗后的多个历史销售数据进行分析，可以使用现有的方法根据Pearson相关系数公式计算物品的销售量分别与每一个产品属性特征之间的Pearson相关系数，Pearson相关系数公式为：
Figure BDA0002994621580000081
其中，ρ表示x、y的取值根据均值集中后构成的向量之间夹角的余弦，X表示影响物品销量的一个产品属性特征X，Y表示物品销售量，coV(X，Y)表示产品属性特征X和物品销售量Y之间的协方差，σx表示产品属性特征X的标准差，σv表示物品销售量Y的标准差。通过计算得出产品属性特征与物品销售量的Pearson相关系数ρ。
例如，产品属性特征X为“30克/包”，从历史销售量数据中获取与“30克/包”相对应的历史销售量数据集合，以及药品实际的历史销售量数据集合。基于公式1-1、与“30克/包”相对应的历史销售量数据集合和药品实际的历史销售量数据集合，能够计算产品属性特征X“30克/包”与物品的销售量之间的Pearson相关系数。
在一个实施例中，销售预测模型包括多元线性回归模型等。图3为根据本公开的物品补货方法的一个实施例中的获取销售预测数据的流程示意图，如图3所示：
步骤301，基于历史销售数据构建训练样本集。
在一个实施例中，训练样本集中的训练样本包括与各个产品属性特征相对应的历史销售量、物品在预设时段后的对应销售量；预设时段可以为1天、3天、5天、10天、30天等，能够进行设置。
例如，在药品的历史销售数据中，分别获取与30克/包、50克/包、糖衣片、肠溶片、吸吮片、咀嚼片、泡腾片、药袋包装、真空包装、压塑包装、北京A厂、上海B厂、广州C厂等产品属性特征相对应的历史销售量，并获取药品在10天后的对应销售量，生成训练样本集；其中，与各个产品属性特征相对应的历史销售量可以为3天、5天、7天等时段内的历史销售量。
步骤302，使用训练样本集对多元线性回归模型进行训练。
在一个实施例中，多元线性回归模型为：
yi＝β+a0x0+a1x1+a2x2+…+amxm+e (1-2)；
其中，yi为第i种物品在预设时段后的销售量，x0，x1，x2，…,xm为与第0,1,2，…m个产品属性特征相对应的销售量,a0，a1，a2，…，am为与第0,1,2，…m个产品属性特征相对应的Pearson相关系数(由Pearson相关系数计算得出)，β为常数项，e表示误差值。可以采用现有的多种方法对多元线性回归模型进行训练，获得训练好的多元线性回归模型。
步骤303，获取物品在设定时段内的、与各个产品属性特征相对应的销售数据。
步骤304，基于此销售数据并使用多元线性回归模型，确定物品在预设时段后的销售预测数据。
例如，获取药品在近七天(十五天、三十天)内的、分别与30克/包、50克/包、糖衣片、肠溶片、吸吮片、咀嚼片、泡腾片、药袋包装、真空包装、压塑包装、北京A厂、上海B厂、广州C厂等产品属性特征相对应的销售数据，并输入公式1-2中进行销量预测，得到药品在在预设时段(1天、3天、5天、7天等)后的销量值预测数据；根据销量值预测数据计算得到补药数量信息，能够驱动相关采配环节进行智能补药。
在一个实施例中，判断物品的库存是否充足有多种方法。例如，计算物品的库存量与销售预测数据之间的第一差值，如果第一差值大于预设的第一阈值，则确定物品的库存充足，如果第一差值小于或等于第一阈值，则确定物品的库存不足。第一阈值可以预先设置。
确定物品的补货方案可以采用多种方法。例如，根据门店存货量与物品的库存量，计算物品的存货总量；计算存货总量与销售预测数据之间的第二差值，如果第二差值大于预设的第二阈值，则不进行物品采购处理，并进行门店间调配处理；如果第二差值小于或等于第二阈值，则进行库存采购处理，并进行库存补货，或者库存补货结合门店间调配处理。库存补货是指将库存的物品补充给门店，门店间调配处理是指将门店中积压的物品调配给其他缺货的门店；第二阈值可以预先设置
图4为根据本公开的物品补货方法的一个实施例中的确定补货方案的流程示意图，如图4所示：
步骤401，药品缺货预警值设置。例如，设置第一阈值、第二阈值。
步骤402，判断药品当前库存量是否低于预警值。例如，计算药品的库存量与销售预测数据之间的第一差值，如果第一差值小于或等于第一阈值，则确定药品当前库存量是否低于预警值。
步骤403，向仓库发出请货需求。
步骤403，判断是否需要采购。例如，将门店存货量与药品的库存量相加，计算药品的存货总量；计算存货总量与销售预测数据之间的第二差值，如果第二差值大于预设的第二阈值，则进行门店间调配处理；如果第二差值小于或等于第二阈值，则进行采购处理。
步骤405和406，生成采购单，进行采购补货。
步骤407、408和409，进行门店间货物调配，生成配货单并进行货物调配。
在一个实施例中，如图5所示，本公开提供一种物品补货装置50，包括：销售因子确定模块51、预测模型建立模块52、销售数据预测模块53、物品库存判断模块54和补货方案确定模块55。
销售因子确定模块51确定与物品的销售量相关联的产品属性特征，计算产品属性特征与物品的销售量之间的销售属性相关系数。预测模型建立模块52根据销售属性相关系数和产品属性特征建立销售预测模型，并对销售预测模型进行训练。
销售数据预测模块53基于物品的销售数据并使用销售预测模型，获取物品的销售预测数据。物品库存判断模块54根据销售预测数据以及物品的库存量，判断物品的库存是否充足。如果物品的库存不足，则补货方案确定模块55根据物品的库存量和门店存货量确定物品的补货方案。
在一个实施例中，如图6所示，销售因子确定模块51包括：特征确定单元511和系数确定单元512。特征确定单元511获取物品的多个产品属性，在每个产品属性中确定至少一个产品属性特征；其中，产品属性包括：规格、剂型、包装、生产厂商中的一个或多个。
系数确定单元512计算物品的销售量分别与每一个产品属性特征之间的Pearson相关系数，作为与此产品属性特征与物品的销售量之间的销售属性相关系数。
系数确定单元511获取物品的多个历史销售数据；其中，历史销售数据包括物品历史销售量、与各个产品属性特征相对应的历史销售量等。系数确定单元511基于物品历史销售量、与各个产品属性特征相对应的历史销售量，分别计算物品的销售量分别与各个产品属性特征之间的Pearson相关系数。
在一个实施例中，销售预测模型包括多元线性回归模型；预测模型建立模块52基于历史销售数据构建训练样本集，训练样本集中的训练样本包括与各个产品属性特征相对应的历史销售量、物品在预设时段后的对应销售量等。预测模型建立模块52使用训练样本集对多元线性回归模型进行训练。
多元线性回归模型为：
yi＝β+a0x0+a1x1+a2x2+…+amxm+e；
其中，yi为第i种物品在预设时段后的销售量，x0，x1，x2，…，xm为与第0,1,2，…m个产品属性特征相对应的销售量,a0，a1，a2，…，am为与第0,1,2，…m个产品属性特征相对应的Pearson相关系数，β为常数项，e表示误差值。
销售数据预测模块53获取物品在设定时段内的、与各个产品属性特征相对应的销售数据。销售数据预测模块53基于此销售数据并使用多元线性回归模型，确定物品在预设时段后的销售预测数据。
物品库存判断模块54计算物品的库存量与销售预测数据之间的第一差值。如果第一差值大于预设的第一阈值，则物品库存判断模块54确定物品的库存充足，如果第一差值小于或等于第一阈值，则物品库存判断模块54确定物品的库存不足。
补货方案确定模块55根据门店存货量与物品的库存量，计算物品的存货总量。补货方案确定模块55计算存货总量与销售预测数据之间的第二差值。如果第二差值大于预设的第二阈值，则补货方案确定模块55不进行物品采购处理，并进行门店间调配处理，如果第二差值小于或等于第二阈值，则补货方案确定模块55进行库存采购处理，并进行库存补货，或者库存补货结合门店间调配处理。
在一个实施例中，图7为根据本公开的物品补货装置的另一个实施例的模块示意图。如图7所示，该装置可包括存储器701、处理器702、通信接口703以及总线704。存储器701用于存储指令，处理器702耦合到存储器701，处理器702被配置为基于存储器701存储的指令执行实现上述的物品补货方法。
存储器701可以为高速RAM存储器、非易失性存储器(non-volatile memory)等，存储器701也可以是存储器阵列。存储器701还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器702可以为中央处理器CPU，或专用集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本公开的物品补货方法的一个或多个集成电路。
在一个实施例中，本公开提供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指令，指令被处理器执行时实现如上任一个实施例中的物品补货方法。
上述实施例提供的物品补货方法、装置以及存储介质，能够解决由于对物品的未来销量无法预测，并根据经验进行补货而造成的库存积压等问题，能够根据物品的销量值进行智能补货，在满足客户采购需求的前提下，避免造成库存的积压；充分考虑了影响物品销售的各个因素，使得物品补货更加及时、全面、有效、准确，降低了人工成本，提高补货效率，并提升了客户体验。
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (21)

1.一种物品补货方法，包括：
确定与物品的销售量相关联的产品属性特征，计算所述产品属性特征与所述物品的销售量之间的销售属性相关系数；
根据所述销售属性相关系数和所述产品属性特征建立销售预测模型，并对所述销售预测模型进行训练；
基于所述物品的销售数据并使用所述销售预测模型，获取所述物品的销售预测数据；
根据所述销售预测数据以及所述物品的库存量，判断所述物品的库存是否充足；
如果所述物品的库存不足，则根据所述物品的库存量和门店存货量确定所述物品的补货方案。
2.如权利要求1所述的方法，所述确定与物品的销售量相关联的产品属性特征包括：
获取所述物品的多个产品属性，在每个产品属性中确定至少一个产品属性特征；
其中，所述产品属性包括：规格、剂型、包装、生产厂商中的一个或多个。
3.如权利要求2所述的方法，所述计算所述产品属性特征与所述物品的销售量之间的销售属性相关系数包括：
计算所述物品的销售量分别与每一个产品属性特征之间的Pearson相关系数，作为与此产品属性特征与所述物品的销售量之间的销售属性相关系数。
4.如权利要求3所述的方法，所述计算所述物品的销售量分别与每一个产品属性特征之间的Pearson相关系数包括：
获取所述物品的多个历史销售数据；其中，所述历史销售数据包括：物品历史销售量、与各个产品属性特征相对应的历史销售量；
基于所述物品历史销售量、所述与各个产品属性特征相对应的历史销售量，分别计算所述物品的销售量分别与各个产品属性特征之间的Pearson相关系数。
5.如权利要求3或4所述的方法，所述销售预测模型包括：多元线性回归模型；所述对所述销售预测模型进行训练包括：
基于所述历史销售数据构建所述训练样本集；其中，所述训练样本集中的训练样本包括：与各个产品属性特征相对应的历史销售量、物品在预设时段后的对应销售量；
使用所述训练样本集对所述多元线性回归模型进行训练。
6.如权利要求5所述的方法，其中，
所述多元线性回归模型为：
yi＝β+a0x0+a1x1+a2x2+…+amxm+e；
其中，所述yi为第i种物品在预设时段后的销售量，x0，x1，x2，…，xm为与第0,1,2，…m个产品属性特征相对应的销售量,a0，a1,a2,…，am为与第0,1,2，…m个产品属性特征相对应的Pearson相关系数，β为常数项，e表示误差值。
7.如权利要求5所述的方法，所述基于所述物品的销售数据并使用所述销售预测模型，获取所述物品的销售预测数据包括：
获取所述物品在设定时段内的、与各个产品属性特征相对应的销售数据；
基于此销售数据并使用所述多元线性回归模型，确定所述物品在预设时段后的销售预测数据。
8.如权利要求1所述的方法，所述根据所述销售预测数据以及所述物品的库存量，判断所述物品的库存是否充足包括：
计算所述物品的库存量与所述销售预测数据之间的第一差值；
如果所述第一差值大于预设的第一阈值，则确定所述物品的库存充足，如果所述第一差值小于或等于所述第一阈值，则确定所述物品的库存不足。
9.如权利要求8所述的方法，所述如果所述物品的库存不足，则根据所述物品的库存量和门店存货量确定所述物品的补货方案包括：
根据所述门店存货量与所述物品的库存量，计算所述物品的存货总量；
计算所述存货总量与所述销售预测数据之间的第二差值；
如果所述第二差值大于预设的所述第二阈值，则不进行物品采购处理，并进行门店间调配处理；
如果所述第二差值小于或等于所述第二阈值，则进行库存采购处理，并进行库存补货，或者库存补货结合门店间调配处理。
10.如权利要求1至9任一项所述的方法，其中，
所述物品包括：药品。
11.一种物品补货装置，包括：
销售因子确定模块，用于确定与物品的销售量相关联的产品属性特征，计算所述产品属性特征与所述物品的销售量之间的销售属性相关系数；
预测模型建立模块，用于根据所述销售属性相关系数和所述产品属性特征建立销售预测模型，并对所述销售预测模型进行训练；
销售数据预测模块，用于基于所述物品的销售数据并使用所述销售预测模型，获取所述物品的销售预测数据；
物品库存判断模块，用于根据所述销售预测数据以及所述物品的库存量，判断所述物品的库存是否充足；
补货方案确定模块，用于如果所述物品的库存不足，则根据所述物品的库存量和门店存货量确定所述物品的补货方案。
12.如权利要求11所述的装置，其中，
所述销售因子确定模块，包括：
特征确定单元，用于获取所述物品的多个产品属性，在每个产品属性中确定至少一个产品属性特征；
其中，所述产品属性包括：规格、剂型、包装、生产厂商中的一个或多个。
13.如权利要求12所述的装置，其中，
所述销售因子确定模块，包括：
系数确定单元，用于计算所述物品的销售量分别与每一个产品属性特征之间的Pearson相关系数，作为与此产品属性特征与所述物品的销售量之间的销售属性相关系数。
14.如权利要求13所述的装置，其中，
所述系数确定单元，具体用于获取所述物品的多个历史销售数据；其中，所述历史销售数据包括：物品历史销售量、与各个产品属性特征相对应的历史销售量；基于所述物品历史销售量、所述与各个产品属性特征相对应的历史销售量，分别计算所述物品的销售量分别与各个产品属性特征之间的Pearson相关系数。
15.如权利要求13或14所述的装置，所述销售预测模型包括：多元线性回归模型；
所述预测模型建立模块，具体用于基于所述历史销售数据构建所述训练样本集；其中，所述训练样本集中的训练样本包括：与各个产品属性特征相对应的历史销售量、物品在预设时段后的对应销售量；使用所述训练样本集对所述多元线性回归模型进行训练。
16.如权利要求15所述的装置，其中，
所述多元线性回归模型为：
yi＝β+a0x0+a1x1+a2x2+…+amxm+e；
其中，所述yi为第i种物品在预设时段后的销售量，x0，x1，x2，…，xm为与第0,1,2，…m个产品属性特征相对应的销售量,a0，a1，a2，…，am为与第0,1,2，…m个产品属性特征相对应的Pearson相关系数，β为常数项，e表示误差值。
17.如权利要求15所述的装置，其中，
所述销售数据预测模块，具体用于获取所述物品在设定时段内的、与各个产品属性特征相对应的销售数据；基于此销售数据并使用所述多元线性回归模型，确定所述物品在预设时段后的销售预测数据。
18.如权利要求11所述的装置，其中，
所述物品库存判断模块，具体用于计算所述物品的库存量与所述销售预测数据之间的第一差值；如果所述第一差值大于预设的第一阈值，则确定所述物品的库存充足，如果所述第一差值小于或等于所述第一阈值，则确定所述物品的库存不足。
19.如权利要求18所述的装置，其中，
所述补货方案确定模块，具体用于根据所述门店存货量与所述物品的库存量，计算所述物品的存货总量；计算所述存货总量与所述销售预测数据之间的第二差值；如果所述第二差值大于预设的所述第二阈值，则不进行物品采购处理，并进行门店间调配处理；如果所述第二差值小于或等于所述第二阈值，则进行库存采购处理，并进行库存补货，或者库存补货结合门店间调配处理。
20.一种物品补货装置，包括：
存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1至10中任一项所述的方法。
21.一种计算机可读存储介质，所述计算机可读存储介质非暂时性地存储有计算机指令，所述指令被处理器执行如权利要求1至10中任一项所述的方法。
CN202110325828.4A 2021-03-26 2021-03-26 物品补货方法、装置以及存储介质 Pending CN113762701A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110325828.4A CN113762701A (zh) 2021-03-26 2021-03-26 物品补货方法、装置以及存储介质
PCT/CN2022/079934 WO2022199383A1 (zh) 2021-03-26 2022-03-09 物品补货方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110325828.4A CN113762701A (zh) 2021-03-26 2021-03-26 物品补货方法、装置以及存储介质

Publications (1)

Publication Number Publication Date
CN113762701A true CN113762701A (zh) 2021-12-07

Family

ID=78786832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110325828.4A Pending CN113762701A (zh) 2021-03-26 2021-03-26 物品补货方法、装置以及存储介质

Country Status (2)

Country Link
CN (1) CN113762701A (zh)
WO (1) WO2022199383A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219412A (zh) * 2022-02-23 2022-03-22 广州丽晶软件科技股份有限公司 基于智慧商品系统销售预测的自动补货方法及补货系统
WO2022199383A1 (zh) * 2021-03-26 2022-09-29 北京京东拓先科技有限公司 物品补货方法、装置以及存储介质
CN115330317A (zh) * 2022-10-11 2022-11-11 北京京东拓先科技有限公司 库存数据处理方法和装置
CN116452121A (zh) * 2023-06-15 2023-07-18 佛山市趣果网络科技有限公司 一种智能企业库存管理系统及管理平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
CN110400103A (zh) * 2019-05-08 2019-11-01 深圳壹账通智能科技有限公司 补货量确定方法、装置、计算机装置及存储介质
WO2020199775A1 (zh) * 2019-03-29 2020-10-08 京东方科技集团股份有限公司 货架状态确定方法及装置、存储介质
CN111882278A (zh) * 2020-07-30 2020-11-03 上海百胜软件股份有限公司 一种智能补货方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150371243A1 (en) * 2014-06-23 2015-12-24 Progress Rail Services Corporation. Systems and methods for parts forecasting
CN106156880A (zh) * 2015-04-22 2016-11-23 阿里巴巴集团控股有限公司 一种预测库存分配比例的方法、装置及电子设备
CN110070382A (zh) * 2018-01-24 2019-07-30 北京京东尚科信息技术有限公司 用于生成信息的方法和装置
CN110689159A (zh) * 2018-07-06 2020-01-14 北京京东尚科信息技术有限公司 一种商品补货的方法和装置
CN111445134B (zh) * 2020-03-26 2021-05-28 珠海必要工业科技股份有限公司 商品的销量预测方法、装置、计算机设备和存储介质
CN112308624A (zh) * 2020-11-09 2021-02-02 深圳市苍泓科技有限公司 一种基于互联网的线上商品销量预测方法及设备
CN113762701A (zh) * 2021-03-26 2021-12-07 北京京东拓先科技有限公司 物品补货方法、装置以及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
WO2020199775A1 (zh) * 2019-03-29 2020-10-08 京东方科技集团股份有限公司 货架状态确定方法及装置、存储介质
CN110400103A (zh) * 2019-05-08 2019-11-01 深圳壹账通智能科技有限公司 补货量确定方法、装置、计算机装置及存储介质
CN111882278A (zh) * 2020-07-30 2020-11-03 上海百胜软件股份有限公司 一种智能补货方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022199383A1 (zh) * 2021-03-26 2022-09-29 北京京东拓先科技有限公司 物品补货方法、装置以及存储介质
CN114219412A (zh) * 2022-02-23 2022-03-22 广州丽晶软件科技股份有限公司 基于智慧商品系统销售预测的自动补货方法及补货系统
CN114219412B (zh) * 2022-02-23 2022-04-22 广州丽晶软件科技股份有限公司 基于智慧商品系统销售预测的自动补货方法及补货系统
CN115330317A (zh) * 2022-10-11 2022-11-11 北京京东拓先科技有限公司 库存数据处理方法和装置
CN116452121A (zh) * 2023-06-15 2023-07-18 佛山市趣果网络科技有限公司 一种智能企业库存管理系统及管理平台
CN116452121B (zh) * 2023-06-15 2023-09-08 佛山市趣果网络科技有限公司 一种智能企业库存管理系统及管理平台

Also Published As

Publication number Publication date
WO2022199383A1 (zh) 2022-09-29

Similar Documents

Publication Publication Date Title
CN113762701A (zh) 物品补货方法、装置以及存储介质
CN107977812A (zh) 生产自动排单方法、装置及系统
CN108256898A (zh) 一种产品销量预测方法、系统及存储介质
CN111242524A (zh) 一种确定单品补货量的方法、系统、设备及存储介质
US20150112762A1 (en) Optimization of product assortments
CN112215546B (zh) 一种对象页面生成方法、装置、设备及存储介质
Lin A stochastic periodic review integrated inventory model involving defective items, backorder price discount, and variable lead time
CN112101880A (zh) 一种基于云计算的供货管理系统
CN113191795A (zh) 商品陈列数量预估方法、装置、设备和存储介质
KR20080018867A (ko) 유제품 생산 정보 시스템
CN114595865A (zh) 一种ivd诊断试剂耗材的需求预测方法
CN113780913B (zh) 一种安全库存信息的生成方法和装置
Pichka et al. Fulfillment and pricing optimization for omni-channel retailers considering shipment of in-store demand
CN114331289A (zh) 一种基于大数据的仓储管理系统及管理方法
CN112132343B (zh) 一种商品采购预测方法及系统、可读存储介质
CN115311005B (zh) 一种生鲜的供需管理方法、装置、电子设备及存储介质
Paknejad et al. Yield improvement and yield variability reduction in an EOQ model with planned shortages and random yield
CN111445297A (zh) 采购量的确定方法、装置、存储介质及电子设备
CN108446923B (zh) 一种基于自助式劳务众包平台的任务定价方法
CN116012086A (zh) 商品价格的评估方法、装置、电子设备及存储介质
CN115685912A (zh) 基于大数据的制造企业生产与物流协同优化调度方法及系统
TW589555B (en) Inventory planning method
CN114742505A (zh) 库存控制方法和装置
CN112819540A (zh) 预测售货机商品销量方法及装置、计算机可读存储介质
Shen et al. Data Mining the Data Processing Technologies for Inventory Management.

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