CN113780611A - 一种库存管理方法和装置 - Google Patents
一种库存管理方法和装置 Download PDFInfo
- Publication number
- CN113780611A CN113780611A CN202011458370.1A CN202011458370A CN113780611A CN 113780611 A CN113780611 A CN 113780611A CN 202011458370 A CN202011458370 A CN 202011458370A CN 113780611 A CN113780611 A CN 113780611A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- data
- sales
- demand
- driving scene
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 230000002147 killing effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 210000004899 c-terminal region Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/083—Shipping
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种库存管理方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取商品的销量时序数据以及销量时序数据的特征信息;根据特征信息,将销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据;将需求驱动场景的时序数据输入预先设置的需求驱动预测模型,生成第一补货量;将计划驱动场景的时序数据提供给客户端,以使客户端基于计划驱动场景的时序数据得到第二补货量;获取第二补货量;结合第一补货量和第二补货量,管理仓库内的商品的库存。该实施方式能够有效地提高补货准确性。
Description
技术领域
本发明涉及仓储技术领域,尤其涉及一种库存管理方法和装置。
背景技术
商品补货作为库存管理的一部分,其可对库存成本和后续的物流成本产生直接影响。比如,合理的补货可有效地避免商品囤积所带来的时间成本和损失成本,另外,合理在各个仓库间分配商品,可降低仓库间调配商品所带来的消耗。
目前常用的商品补货的方式主要有两种,一种是计划驱动的补货方式,该计划驱动的补货方式主要是人工直接控制采购量进行补货;另一种是需求驱动的补货方式,该需求驱动的补货方式主要根据用户历史的购买情况,通过预测模型进行需求量的预测,并基于预测的结果进行补货。其中,计划驱动的补货方式往往不能整体考量市场在一个长时间段的需求,而需求驱动的补货方式由于没有考虑人为干预因素等,很难准确预测促销活动期间所需的补货量。
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:
在库存管理补货过程中,主要选择上述两种补货方式中的一种来进行补货,导致补货的准确性较低。
发明内容
有鉴于此,本发明实施例提供一种库存管理方法和装置,能够有效地提高补货准确性。
为实现上述目的,根据本发明实施例的一个方面,提供了一种库存管理方法,包括:
获取商品的销量时序数据以及所述销量时序数据的特征信息;
根据所述特征信息,将所述销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据;
将所述需求驱动场景的时序数据输入预先设置的需求驱动预测模型,生成第一补货量;
将所述计划驱动场景的时序数据提供给客户端,以使所述客户端基于所述计划驱动场景的时序数据得到第二补货量;
获取所述第二补货量;
结合所述第一补货量和所述第二补货量,管理仓库内的所述商品的库存。
优选地,将所述销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据,包括:
根据所述销量时序数据的特征信息,对所述销量时序数据进行分类,得到需求驱动场景的时序数据和计划驱动场景的时序数据。
优选地,所述库存管理方法,进一步包括:
设置有对应的多种业务类别,并为每一种所述业务类别配置有对应的场景,其中,场景包括:需求驱动场景和计划驱动场景;
对所述销量时序数据进行分类,包括:
根据所述特征信息和所述多种业务类别,将所述销量时序数据划分为多段时序数据段;并确定每一段所述时序数据段所属的业务类别;
根据所述时序数据段所属的业务类别和所述业务类别对应的场景,确定所述时序数据段属于需求驱动场景的时序数据或计划驱动场景的时序数据。
优选地,所述库存管理方法,进一步包括:
设置分类模型,其中,所述分类模型由标注有需求驱动场景和计划驱动场景的销量样本数据训练得出;
对所述销量时序数据进行分类,包括:
利用所述分类模型对所述销量时序数据进行分类。
优选地,所述生成第一补货量,包括:
从所述需求驱动场景的时序数据的特征信息中,筛选出属性特征;
从所述需求驱动场景的时序数据中,获取时序统计特征;
将所述属性特征和所述时序统计特征输入所述预先设置的需求驱动预测模型,得到所述需求驱动预测模型输出的第一补货量。
优选地,所述库存管理方法,进一步包括:
设置有多种需求驱动预测模型,并为每一种所述需求驱动预测模型配置对应的业务类别;
将所述属性特征和所述时序统计特征输入所述预先设置的需求驱动预测模型,包括:
确定所述时序统计特征属于的业务类别以及每一种所述需求驱动预测模型配置对应的业务类别,为所述时序统计特征选择对应的目标需求驱动预测模型;
将所述时序统计特征以及所述属性特征输入选择出的目标需求驱动预测模型。
优选地,所述库存管理方法,进一步包括:
确定商品销量样本的属性特征、所述商品销量样本的多个时序统计特征以及每一个所述商品销量样本的时序统计特征属于的业务类别;
针对所述商品销量样本的每一个时序统计特征,执行:
将所述商品销量样本的属性特征和所述商品销量样本的时序统计特征输入所述多种需求驱动预测模型,得到多个输出结果;
根据每一个所述输出结果与所述商品销量样本的时序统计特征对应的时序销量,计算每一个所述需求驱动预测模型的准确度;
根据计算出的准确度,为所述商品销量样本的时序统计特征选择出需求驱动预测模型;
基于所述商品销量样本的时序统计特征属于的业务类别,为选择出的所述需求驱动预测模型配置对应的业务类别。
优选地,在获取所述第二补货量之后,进一步包括:
获取仓库集合以及所述商品的运输费用;
根据所述商品的运输费用和所述第二补货量,为所述仓库集合中的多个仓库分配对应的计划补货量;
管理仓库内的所述商品的库存,包括:根据所述第一补货量以及仓库的计划补货量,为所述仓库中商品补货。
优选地,
所述商品的运输费用包括:所述仓库集合中的仓库之间的件均调拨支援费用以及供应商向所述仓库集合中的仓库送货的件均送货费用;
为所述仓库集合中的多个仓库分配对应的计划补货量,包括:
利用所述件均调拨支援费用、所述件均送货费用、所述第二补货量以及成本最优策略,计算所述仓库集合中每一个仓库的计划补货量。
第二方面,本发明实施例提供一种库存管理装置,包括:
商品信息获取单元,用于获取商品的销量时序数据以及所述销量时序数据的特征信息;
场景管理器,用于根据所述特征信息,将所述销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据;
第一处理单元,用于所述需求驱动场景的时序数据输入预先设置的需求驱动预测模型,生成第一补货量;
第二处理单元,用于将所述计划驱动场景的时序数据提供给客户端,以使客户端基于所述计划驱动场景的时序数据得到第二补货量;获取所述第二补货量;
库存处理单元,用于结合所述第一补货量和所述第二补货量,管理仓库内的所述商品的库存。
优选地,
所述场景管理器,进一步用于根据所述销量时序数据的特征信息,对所述销量时序数据进行分类,得到需求驱动场景的时序数据和计划驱动场景的时序数据。
上述发明中的一个实施例具有如下优点或有益效果:根据商品的销量时序数据的特征信息,将分割为需求驱动场景的时序数据和计划驱动场景的时序数据;分别对需求驱动场景的时序数据和计划驱动场景的时序数据进行不同的处理,即对需求驱动场景的时序数据按照需求驱动处理得到第一补货量,对计划驱动场景的时序数据按照计算驱动处理得到第二补货量,与单一一种补货方式相比,结合场景以及分割至场景中的数据得到的补货量更准确性,因此,结合第一补货量和第二补货量,管理仓库内的商品的库存,能够有效地提高补货准确性。
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库存管理方法的主要流程的示意图;
图2是根据本发明实施例的将销量时序数据分割成不同场景的时序数据的主要流程的示意图;
图3是根据本发明实施例的场景管理器维护的业务类别以及工作主要流程的示意图;
图4是根据本发明实施例的生成第一补货量的主要流程的示意图;
图5是根据本发明实施例的为需求驱动预测模型配置业务类别的主要流程的示意图;
图6是根据本发明实施例的网络结构的示意图;
图7是根据本发明另一实施例的库存管理方法的主要流程的示意图;
图8是根据本发明实施例的补货建议数据以及用户可操作展示界面的示意图;
图9是根据本发明实施例的库存管理装置的主要单元的示意图;
图10是本发明实施例可以应用于其中的示例性系统架构图;
图11是适于用来实现本发明实施例的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。
需求驱动场景是指,由常规市场需求所带来的补货行为所属于的场景,其可包括多种业务类别,比如,常规销售业务、期货业务、大单等,这些业务类别均属于需求驱动场景。相应地,这些业务所带来的销量也属于需求驱动场景。相应地,来源于常规市场需求的销量时序数据或属于需求驱动场景的业务类别的销量时序数据为需求驱动场景的时序数据。
计划驱动场景是指,强人工干预下的补货行为所属于的场景,其也可包括多种业务类别,比如节日促销业务如618、双11大促,季节性销售业务如像空调、时尚等的强季节性和生命周期性的商品的季节性销售、开学季销售等,这些业务类别均属于计划驱动场景。相应地,这些业务所带来的销量也属于计划驱动场景。相应地,来源于强人工干预的销量时序数据或属于计划驱动场景的业务类别的销量时序数据为计划驱动场景的时序数据。
图1是根据本发明实施例的一种库存管理方法,如图1所示,该库存管理方法可包括如下步骤:
步骤S101:获取商品的销量时序数据以及销量时序数据的特征信息;
步骤S102:根据特征信息,将销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据;
步骤S103:将需求驱动场景的时序数据输入预先设置的需求驱动预测模型,生成第一补货量;
步骤S104:将计划驱动场景的时序数据提供给客户端,以使客户端基于计划驱动场景的时序数据得到第二补货量;
步骤S105:获取第二补货量;
步骤S106:结合第一补货量和第二补货量,管理仓库内的商品的库存。
其中,商品的销量时序数据一般是指,商品一段时间内多个设定周期的销量数据的排列,比如,商品在一个月内,每一天(设定周期)的销量数据的排列;又比如,商品在一年内,每一个月或者每15天或每10天(设定周期)的销量数据的排列。
其中,销量时序数据的特征信息是指,一段时间内、每一个设定周期内的销量数据对应的特征信息,该特征信息可包括:商品的属性如品类、品牌、件型、体积等,也可包括商品的销量所来源的业务类别比如促销、常规销售、大单、季节品等。
比如,一个设定周期内商品A的销量为20件,该20件中,有15件的来源的业务类别为促销,有5件来源于常规销售,则上述步骤S103可将该商品A的销量20件中的业务类别为促销的15件销量时序数据分割至计划驱动场景,将业务类别为常规销售的5件销量时序数据分割至需求驱动场景。
其中,步骤S104具体为,客户端将计划驱动场景的时序数据展示给用户,用户根据该计划驱动场景的时序数据制定出第二补货量,并将该第二补货量提供给客户端。
其中,第一补货量是指一个仓库内的需求驱动场景下所预测出的补货量。
其中,第二补货量是指人工根据计划驱动场景的时序数据预测的多个仓库的补货量之和。
其中,结合第一补货量和第二补货量,管理仓库内的商品的库存具体实施方式可包括:将第二补货量分配多个仓库,根据每一个仓库分配的第二补货量的一部分以及第一补货量,得到商品在仓库内的补货量,以实现对仓库内的商品的库存进行管理。
在图1所示的实施例中,根据商品的销量时序数据的特征信息,将分割为需求驱动场景的时序数据和计划驱动场景的时序数据;分别对需求驱动场景的时序数据和计划驱动场景的时序数据进行不同的处理,即对需求驱动场景的时序数据按照需求驱动处理得到第一补货量,对计划驱动场景的时序数据按照计算驱动处理得到第二补货量,与单一一种补货方式相比,结合场景以及分割至场景中的数据得到的补货量更准确性,因此,结合第一补货量和第二补货量,管理仓库内的商品的库存,能够有效地提高补货准确性。
其中,步骤S101的具体实施方式可以包括:直接从数据库中读取商品的销量时序数据以及销量时序数据的特征信息;也可以为,接收用户输入的商品的销量时序数据以及销量时序数据的特征信息。
其中,直接从数据库中读取商品的销量时序数据以及销量时序数据的特征信息的具体实现形式:
商品的销量时序数据以及销量时序数据的特征信息主要来源于用户订单数据、商品属性数据和供应商信息数据等,其中,用户订单数据通过分布式文件系统HDFS进行数据读取,通过解析用户订单数据,加工成商品每一个周期的销量如商品每日的销量数据,例如,商品A在2020年1月1日共有10个用户下单,通过汇总10个用户的总销量,得到当日商品A的总销量,将解析出的数据如商品的每日的销量数据存储到数据库中,方便后续进行调用和处理。商品属性数据主要通过商品主站信息进行爬取,存储到MYSQL和HDFS中,通过数据库操作,选取需要的商品信息进行加工和存储以得到商品的部分特征信息。对于供应商信息,通过供应商系统数据库进行获取,访问MYSQL数据库或HDFS,获取所需要的信息,该部分为商品的另一部分特征信息。
存储在数据库中的销量时序数据、销量时序数据的特征信息等数据,需要定期更新,可通过建立从数据源到数据库存储的数据流任务,定期获取销量时序数据、销量时序数据的特征信息等数据,存储到相应的数据库内。获取的相关数据结构示例如下表1和表2所示。
表1商品A的销量时序数据
表2商品的属性数据
可以通过订单标识信息等,将表1中的商品销量与表2中的商品的属性以及属性值对应起来,以供步骤S101获取。
在本发明实施例中,将销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据可包括:根据销量时序数据的特征信息,对销量时序数据进行分类,得到需求驱动场景的时序数据和计划驱动场景的时序数据。
其中,对销量时序数据进行分类可以有两种实现方式。
第一种实现方式可包括:如图2所示,该第一种实现方式可包括如下步骤:
步骤S201:设置有对应的多种业务类别,并为每一种业务类别配置有对应的场景,其中,场景包括:需求驱动场景和计划驱动场景;
步骤S202:根据特征信息和多种业务类别,将销量时序数据划分为多段时序数据段;并确定每一段时序数据段所属的业务类别;
步骤S203:根据时序数据段所属的业务类别和业务类别对应的场景,确定时序数据段属于需求驱动场景的时序数据或计划驱动场景的时序数据。
第二种具体实现方式:
设置分类模型,其中,分类模型由标注有需求驱动场景和计划驱动场景的销量样本数据训练得出;利用分类模型对所述销量时序数据进行分类。。
上述第一种和第二种具体实施方式对销量时序数据进行分类,得到需求驱动场景的时序数据和计划驱动场景的时序数据的步骤可通过预先构建的场景管理器来完成。
其中,如图3所示,预先构建的场景管理器可维护需求驱动场境和计划驱动场景,其维护需求驱动场境和计划驱动场景的具体实现方式可包括:场景管理器可对日常业务类别的收集、管理和识别,并对业务类别对应的场景(需求驱动场景或计划驱动场景)的识别和管理。比如,场景管理器对于业务类别的收集主要有促销、大单、季节品、开学季、法定节假日和期货等,每个业务类别下有包含不同的小类,比如针对促销这一业务类别又可包含满减、直降、秒杀和满赠等,针对大单这一业务类别可包括B端和C端的大单,针对季节品这一业务类别可包括单季和双季,开学季可包含不同季节的开学时间节点,针对法定节假日这一业务类别可包括春节、中秋、端午和国庆等,针对期货这一业务类别可包括时尚类和通讯类等。同时,该场景管理器对于场景的管理,可定期进行场景的更新和迭代,以适应业务本身的变化。如图3所示,对于场景的识别,本发明实施例提供两种方式。一种方式:利用预先训练好的分类模型进行标注,模型分类的标签为需求驱动场景和计划驱动场景的二分类问题,模型可以采用但不局限于Xgboost、GBDT以及深度学习等。训练模型所需的样本的标注可以采用人工标注或利用场景的预测准确度进行区分,如果场景需求预测准确度高,判定为需求驱动场景,否则判定为计划驱动场景。另一种方式:为对于场景日常更新迭代,可以直接采用人工标注方式,区分场景的类别为需求驱动场景或计划驱动场景。比如,促销这一业务类别包含的满减人工标注为计划驱动场景,促销这一业务类别包含的秒杀属于需求驱动场景。则针对不同时序数据中包括有满减这一特征的,则直接划分为计划驱动场景;针对不同时序数据中包括有秒杀这一特征的,则直接划分为需求驱动场景。比如,12月1日商品A卖出10件,其中,5件通过满减方式卖出,3件以秒杀方式卖出,则该以满减方式卖出的5件商品A分割至计划驱动场景;以秒杀方式卖出的3件分割至需求驱动场境。
其中,根据特征信息,对销量时序数据进行分类,具体为根据特征信息比如商品所来源的订单的特征比如满减、秒杀等,对销量时序数据进行分类是指将销量时序数据划分到不同的业务类别下的小类。比如,销量时序数据:12月1日商品A销售10件、12月2日商品A销售2件、12月3日商品A销售3件,其中,12月1日商品A销售10件的10件中,5件属于满减、5件属于秒杀,12月2日商品A销售的2件中1件属于满减、1件属于秒杀,12月3日商品A销售3件均属于秒杀。相应地,该多段时序数据段:12月1日商品A属于满减的5件、12月1日商品A属于秒杀的5件、12月2日商品A属于满减的1件、12月2日商品A属于秒杀的1件、12月3日商品A销售属于秒杀的3件。
在本发明实施例中,如图4所示,上述生成第一补货量可包括如下步骤:
步骤S401:从所述需求驱动场景的时序数据的特征信息中,筛选出属性特征;
该属性特征可包括品类、品牌、件型、体积等,在该步骤中还可以进一步对筛选出的属性特征进行one-hot编码,得到商品的通用属性特征F1=(品类的属性值,品牌的属性值,件型的属性值,体积的属性值)。
步骤S402:从需求驱动场景的时序数据中,获取时序统计特征;
该步骤可对分割至需求驱动场景的销量时序数据中的不同时序对应的销量数据进行特征加工,提取不同时序的中位数、众数、均值、不同分位数、零值占比、趋势特征、傅里叶变化系数等,获取不同时序统计特征F2。
F2=(中位数、众数、均值、不同分位数、零值占比、趋势特征、傅里叶变化系数)。
其中,中位数、众数、均值、不同分位数、零值占比、趋势特征、傅里叶变化系数等均可采用现有数据处理方式得到。趋势特征可包括斜率等。
值得说明的是,该步骤的时序统计特征是针对一种业务类别而言的,针对一种商品的销量可存在多种业务类别。
步骤S403:将属性特征和时序统计特征输入预先设置的需求驱动预测模型,得到需求驱动预测模型输出的第一补货量。
在本发明实施例中,上述库存管理方法可进一步包括:设置有多种需求驱动预测模型,并为每一种需求驱动预测模型配置对应的业务类别;相应地,将属性特征和时序统计特征输入预先设置的需求驱动预测模型可包括:确定时序统计特征属于的业务类别以及每一种需求驱动预测模型配置对应的业务类别,为时序统计特征选择对应的目标需求驱动预测模型;将时序统计特征以及属性特征输入选择出的目标需求驱动预测模型。比如,时序统计特征属于的业务类别为常规销售,相应地,需求驱动预测模型1的业务类别也为常规销售,则为该时序统计特征选择该需求驱动预测模型1。
其中,多种需求驱动预测模型可包括线性回归、时序预测算法(Prophet/Holtwinter/...)和深度学习模型(RNN/MQRNN/LSTM/…)等。
在本发明实施例中,如图5所示,在库存管理方法中,为需求驱动预测模型配置业务类别的具体实施方式可包括如下步骤:
步骤S501:确定商品销量样本的属性特征、商品销量样本的多个时序统计特征以及每一个商品销量样本的时序统计特征属于的业务类别;
针对商品销量样本的每一个时序统计特征,执行步骤S502至步骤S505:
步骤S502:将商品销量样本的属性特征和商品销量样本的时序统计特征输入多种需求驱动预测模型,得到多个输出结果;
步骤S503:根据每一个输出结果与商品销量样本的时序统计特征的时序销量,计算每一个需求驱动预测模型的准确度;
该计算准确度可采用现有的计算方式得到。
步骤S504:根据计算出的准确度,为商品销量样本的时序统计特征选择出需求驱动预测模型;
步骤S505:基于商品销量样本的时序统计特征属于的业务类别,为选择出的需求驱动预测模型配置对应的业务类别。
通过样本为每一种业务类别选择对应的需求驱动预测模型,可进一步提高对需求驱动场景的第一步补货量预测的准确性。
由于第二补货量是由人工计划的多个仓库总体的补货量,需要解决的问题为如何将总体补货量拆分到单仓,本发明实施例提出一种成本最优的分仓补货方式,使得分仓补货拆分结果对应成本最优。其中,本发明实施例提供的针对第二补货量的分仓补货方式,适用的网络结构如图6所示,仓库与仓库之间(DC1、DC2以及DC3之间)可以相互调拨商品,同时供应商可以送达不同的仓库(DC1、DC2以及DC3),不同的仓库(DC1、DC2以及DC3)都能够向用户履约。
在本发明实施例中,成本最优的分仓补货方式如图7所示,在获取第二补货量之后可进一步包括如下步骤:
步骤S701:获取仓库集合以及商品的运输费用;
仓库集合DCi,i∈[1,M],M代表总仓库个数。该仓库集合中包括多个仓库,比如图6所示的DC1、DC2以及DC3为一个仓库集合,则M=3。
商品的运输费用可包括:仓库集合中的仓库之间的件均调拨支援费用以及供应商向仓库集合中的仓库送货的件均送货费用;比如,仓库之间的件均调拨支援费用TF(i,j),i,j∈[1,M];供应商向仓库集合中的仓库送货的件均送货费用VFi,i∈[1,M]。
步骤S702:根据商品的运输费用和第二补货量,为仓库集合中的多个仓库分配对应的计划补货量;
该步骤的具体实施方式可包括:利用件均调拨支援费用、件均送货费用、第二补货量以及成本最优策略,计算仓库集合中每一个仓库的计划补货量。
具体地,假设分仓决策变量为repi,i∈[1,M],计算不同的成本项:
根据成本最优策略,确定是供应商补到某些仓库之后,仓库间调拨,还是进行将总计划量拆分到各个仓库,成本最优策略的目标函数为:
MIN(VF+TF)
该目标函数的约束条件为:
约束2:alp(i,j)≥0,i,j∈[1,M],保证仓库间支援为正。
最后,利用优化求解器CPLEX求解器进行最优采购决策量求解,得到成本最优情况下,总采购量的分仓补货建议量,同时输出仓间支援量。
CPLEX:是一种数学优化技术。主要用于提高效率、快速实现策略并提高收益率。使用WebSphere ILOG CPLEX的数学优化技术可以就资源的高效利用做出更佳决策。使用CPLEX,可以将复杂的业务问题表现为数学规划(Mathematic Programming)模型。高级优化算法使您能够快速找到这些模型的解决方案。
步骤S703:根据第一补货量以及仓库的计划补货量,为仓库中商品补货。
除了得到每一个仓库的计划补货量,还可以得到仓库之间的调货量。
另外,在库存管理方法中还可进一步包括:对得到的商品的库存相关的数据进行存储、输出以及管理。
商品的库存相关的数据的存储主要分为2个步骤,第一步为通过分布式文件管理系统HDFS对原始数据(商品属性信息、销量信息和供应商信息)、中间数据(标签数据和中间变量数据)和结果数据进行存储,将数据表存储到大数据集市平台。第二步为,将数据推送到补货系统的MYSQL数据库,利用补货系统前端进行原始数据、中间数据和结果数据的输出,同时,用户可根据自身需求选取系统展示数据。最终的补货建议数据以及用户可操作展示界面可包括的主要信息如图8所示。
如图9所示,本发明实施例提供一种库存管理装置900,该库存管理装置900可包括:
商品信息获取单元901,用于获取商品的销量时序数据以及销量时序数据的特征信息;
场景管理器902,用于根据特征信息,将销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据;
第一处理单元903,用于将需求驱动场景的时序数据输入预先设置的需求驱动预测模型,生成第一补货量;
第二处理单元904,用于将计划驱动场景的时序数据提供给用户,客户端,以使客户端基于计划驱动场景的时序数据得到第二补货量,并获取第二补货量;
库存处理单元905,用于结合第一补货量和第二补货量,管理仓库内的商品的库存。
在本发明实施例中,场景管理器902,进一步用于维护有需求驱动场景和计划驱动场景;根据销量时序数据的特征信息,对销量时序数据进行分类,得到需求驱动场景的时序数据和计划驱动场景的时序数据。
在本发明实施例中,场景管理器902,进一步用于设置有对应的多种业务类别,并为每一种业务类别配置有对应的场景,其中,场景包括:需求驱动场景和计划驱动场景;根据特征信息和多种业务类别,将销量时序数据划分为多段时序数据段;并确定每一段时序数据段所属的业务类别;根据时序数据段所属的业务类别和业务类别对应的场景,确定时序数据段属于需求驱动场景的时序数据或计划驱动场景的时序数据。
在本发明实施例中,场景管理器902,进一步用于设置有分类模型,其中,分类模型由标注有需求驱动场景和计划驱动场景的销量样本数据训练得出;利用分类模型对销量时序数据进行分类。
在本发明实施例中,第一处理单元903,用于从需求驱动场景的时序数据的特征信息中,筛选出属性特征;从需求驱动场景的时序数据中,获取时序统计特征;将属性特征和所述时序统计特征输入预先设置的需求驱动预测模型,得到需求驱动预测模型输出的第一补货量。
在本发明实施例中,第一处理单元903,用于设置多种需求驱动预测模型,并为每一种需求驱动预测模型配置对应的业务类别;确定时序统计特征属于的业务类别以及每一种需求驱动预测模型配置对应的业务类别,为时序统计特征选择对应的目标需求驱动预测模型;将时序统计特征以及属性特征输入选择出的目标需求驱动预测模型。
在本发明实施例中,第一处理单元903,用于确定商品销量样本的属性特征、商品销量样本的多个时序统计特征以及每一个商品销量样本的时序统计特征属于的业务类别;针对商品销量样本的每一个时序统计特征,执行:将商品销量样本的属性特征和商品销量样本的时序统计特征输入多种需求驱动预测模型,得到多个输出结果;根据每一个输出结果与商品销量样本的时序统计特征对应的时序销量,计算每一个需求驱动预测模型的准确度;根据计算出的准确度,为商品销量样本的时序统计特征选择出需求驱动预测模型;基于商品销量样本的时序统计特征属于的业务类别,为选择出的需求驱动预测模型配置对应的业务类别。
在本发明实施例中,第二处理单元904,用于获取仓库集合以及商品的运输费用;根据商品的运输费用和第二补货量,为仓库集合中的多个仓库分配对应的计划补货量;
库存处理单元905,用于根据第一补货量以及仓库的计划补货量,为仓库中商品补货。
在本发明实施例中,商品的运输费用包括:仓库集合中的仓库之间的件均调拨支援费用以及供应商向仓库集合中的仓库送货的件均送货费用;第二处理单元904,用于利用件均调拨支援费用、件均送货费用、第二补货量以及成本最优策略,计算仓库集合中每一个仓库的计划补货量。
图10示出了可以应用本发明实施例的库存管理方法或库存管理装置的示例性系统架构1000。
如图10所示,系统架构1000可以包括终端设备1001、1002、1003,第一网络1004、数据库服务器1005、第二网络1006以及库存管理服务器1007。第一网络1004用以在终端设备1001、1002、1003和数据库服务器1005之间提供通信链路的介质。第二网络1006用以在数据库服务器1005和库存管理服务器1007之间提供通信链路的介质。第一网络1004和第二网络1006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1001、1002、1003通过第一网络1004与数据库服务器1005交互,以接收或发送消息等。终端设备1001、1002、1003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1001、1002、1003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。
数据库服务器1005可以是提供各种服务的服务器,例如对用户利用终端设备1001、1002、1003所请求的数据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库存查询请求等数据进行分析等处理,并将处理结果(例如获取的商品时序数据、补货信息--仅为示例)反馈给终端设备。
另外,数据库服务器1005还可以通过第二网络1006为库存管理服务器1007提供数据支撑以及存储空间。比如,该数据库服务器1005可为库存管理服务器1007提供商品的时序数据以及时序数据的特征信息,库存管理服务器1007根据商品的时序数据以及时序数据的特征信息进行数据处理,以得到商品的补货量等,并将商品的补货量存储到数据库服务器1005。
需要说明的是,本发明实施例所提供的库存管理方法一般由库存管理服务器1007执行,相应地,库存管理装置一般设置于库存管理服务器1007中。
应该理解,图10中的终端设备、第一网络、数据库服务器、第二网络和库存管理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、第一网络、数据库服务器、第二网络和库存管理服务器。
下面参考图11,其示出了适于用来实现本发明实施例的库存管理服务器的计算机系统1100的结构示意图。图11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11所示,计算机系统1100包括中央处理单元(CPU)1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中,还存储有系统1100操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标等的输入部分1106;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1107;包括硬盘等的存储部分1108;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1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,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1110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1108。
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1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101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单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括商品信息获取单元、场景管理器、第一处理单元、第二处理单元和库存处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,商品信息获取单元还可以被描述为“获取商品的销量时序数据以及销量时序数据的特征信息的单元”。
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:获取商品的销量时序数据以及销量时序数据的特征信息;根据特征信息,将销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据;将需求驱动场景的时序数据输入预先设置的需求驱动预测模型,生成第一补货量;将计划驱动场景的时序数据提供给客户端,以使客户端基于计划驱动场景的时序数据得到第二补货量;获取第二补货量;结合第一补货量和第二补货量,管理仓库内的商品的库存。
根据本发明实施例的技术方案,根据商品的销量时序数据的特征信息,将分割为需求驱动场景的时序数据和计划驱动场景的时序数据;分别对需求驱动场景的时序数据和计划驱动场景的时序数据进行不同的处理,即对需求驱动场景的时序数据按照需求驱动处理得到第一补货量,对计划驱动场景的时序数据按照计算驱动处理得到第二补货量,与单一一种补货方式相比,结合场景以及分割至场景中的数据得到的补货量更准确性,因此,结合第一补货量和第二补货量,管理仓库内的商品的库存,能够有效地提高补货准确性。
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 (13)
1.一种库存管理方法,其特征在于,包括:
获取商品的销量时序数据以及所述销量时序数据的特征信息;
根据所述特征信息,将所述销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据;
将所述需求驱动场景的时序数据输入预先设置的需求驱动预测模型,生成第一补货量;
将所述计划驱动场景的时序数据提供给客户端,以使所述客户端基于所述计划驱动场景的时序数据得到第二补货量;
获取所述第二补货量;
结合所述第一补货量和所述第二补货量,管理仓库内的所述商品的库存。
2.根据权利要求1所述库存管理方法,其特征在于,将所述销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据,包括:
根据所述销量时序数据的特征信息,对所述销量时序数据进行分类,得到需求驱动场景的时序数据和计划驱动场景的时序数据。
3.根据权利要求2所述库存管理方法,其特征在于,进一步包括:
设置有对应的多种业务类别,并为每一种所述业务类别配置有对应的场景,其中,场景包括:需求驱动场景和计划驱动场景;
对所述销量时序数据进行分类,包括:
根据所述特征信息和所述多种业务类别,将所述销量时序数据划分为多段时序数据段;并确定每一段所述时序数据段所属的业务类别;
根据所述时序数据段所属的业务类别和所述业务类别对应的场景,确定所述时序数据段属于需求驱动场景的时序数据或计划驱动场景的时序数据。
4.根据权利要求2所述库存管理方法,其特征在于,进一步包括:
设置分类模型,其中,所述分类模型由标注有需求驱动场景和计划驱动场景的销量样本数据训练得出;
对所述销量时序数据进行分类,包括:
利用所述分类模型对所述销量时序数据进行分类。
5.根据权利要求1至4任一所述库存管理方法,其特征在于,所述生成第一补货量,包括:
从所述需求驱动场景的时序数据的特征信息中,筛选出属性特征;
从所述需求驱动场景的时序数据中,获取时序统计特征;
将所述属性特征和所述时序统计特征输入所述预先设置的需求驱动预测模型,得到所述需求驱动预测模型输出的第一补货量。
6.根据权利要求5所述库存管理方法,其特征在于,进一步包括:
设置有多种需求驱动预测模型,并为每一种所述需求驱动预测模型配置对应的业务类别;
将所述属性特征和所述时序统计特征输入所述预先设置的需求驱动预测模型,包括:
确定所述时序统计特征属于的业务类别以及每一种所述需求驱动预测模型配置对应的业务类别,为所述时序统计特征选择对应的目标需求驱动预测模型;
将所述时序统计特征以及所述属性特征输入选择出的目标需求驱动预测模型。
7.根据权利要求6所述库存管理方法,其特征在于,进一步包括:
确定商品销量样本的属性特征、所述商品销量样本的多个时序统计特征以及每一个所述商品销量样本的时序统计特征属于的业务类别;
针对所述商品销量样本的每一个时序统计特征,执行:
将所述商品销量样本的属性特征和所述商品销量样本的时序统计特征输入所述多种需求驱动预测模型,得到多个输出结果;
根据每一个所述输出结果与所述商品销量样本的时序统计特征对应的时序销量,计算每一个所述需求驱动预测模型的准确度;
根据计算出的准确度,为所述商品销量样本的时序统计特征选择出需求驱动预测模型;
基于所述商品销量样本的时序统计特征属于的业务类别,为选择出的所述需求驱动预测模型配置对应的业务类别。
8.根据权利要求1至4任一所述库存管理方法,其特征在于,
在获取所述第二补货量之后,进一步包括:
获取仓库集合以及所述商品的运输费用;
根据所述商品的运输费用和所述第二补货量,为所述仓库集合中的多个仓库分配对应的计划补货量;
管理仓库内的所述商品的库存,包括:根据所述第一补货量以及仓库的计划补货量,为所述仓库中商品补货。
9.根据权利要求8所述库存管理方法,其特征在于,
所述商品的运输费用包括:所述仓库集合中的仓库之间的件均调拨支援费用以及供应商向所述仓库集合中的仓库送货的件均送货费用;
为所述仓库集合中的多个仓库分配对应的计划补货量,包括:
利用所述件均调拨支援费用、所述件均送货费用、所述第二补货量以及成本最优策略,计算所述仓库集合中每一个仓库的计划补货量。
10.一种库存管理装置,其特征在于,包括:
商品信息获取单元,用于获取商品的销量时序数据以及所述销量时序数据的特征信息;
场景管理器,用于根据所述特征信息,将所述销量时序数据分割为需求驱动场景的时序数据和计划驱动场景的时序数据;
第一处理单元,用于将所述需求驱动场景的时序数据输入预先设置的需求驱动预测模型,生成第一补货量;
第二处理单元,用于将所述计划驱动场景的时序数据提供给客户端,以使客户端基于所述计划驱动场景的时序数据得到第二补货量;获取所述第二补货量;
库存处理单元,用于结合所述第一补货量和所述第二补货量,管理仓库内的所述商品的库存。
11.根据权利要求10所述库存管理装置,其特征在于,
所述场景管理器,进一步用于根据所述销量时序数据的特征信息,对所述销量时序数据进行分类,得到需求驱动场景的时序数据和计划驱动场景的时序数据。
12.一种库存管理电子设备,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1-9中任一所述的方法。
13.一种计算机可读介质,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1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011458370.1A CN113780611A (zh) | 2020-12-10 | 2020-12-10 | 一种库存管理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011458370.1A CN113780611A (zh) | 2020-12-10 | 2020-12-10 | 一种库存管理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780611A true CN113780611A (zh) | 2021-12-10 |
Family
ID=78835287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011458370.1A Pending CN113780611A (zh) | 2020-12-10 | 2020-12-10 | 一种库存管理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780611A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219545A (zh) * | 2022-02-17 | 2022-03-22 | 北京京东振世信息技术有限公司 | 一种数据处理的方法和装置 |
CN114723369A (zh) * | 2022-04-18 | 2022-07-08 | 北京京东振世信息技术有限公司 | 动态调配物品的方法、装置、电子设备及存储介质 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5953707A (en) * | 1995-10-26 | 1999-09-14 | Philips Electronics North America Corporation | Decision support system for the management of an agile supply chain |
US6609101B1 (en) * | 1999-03-26 | 2003-08-19 | The Retail Pipeline Integration Group, Inc. | Method and system for determining time-phased product sales forecasts and projected replenishment shipments for a retail stores supply chain |
JP2004075321A (ja) * | 2002-08-20 | 2004-03-11 | Ricoh Co Ltd | 在庫管理方法及び在庫管理プログラム |
JP2006228035A (ja) * | 2005-02-18 | 2006-08-31 | Hitachi Ltd | 在庫補充モデルの選定方法及びシステム |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
WO2016206556A1 (zh) * | 2015-06-25 | 2016-12-29 | 阿里巴巴集团控股有限公司 | 仓库资源信息处理、提供库存信息的方法及装置 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN106971249A (zh) * | 2017-05-05 | 2017-07-21 | 北京挖玖电子商务有限公司 | 一种销量预测及补货方法 |
CN107292672A (zh) * | 2017-07-05 | 2017-10-24 | 上海数道信息科技有限公司 | 一种餐饮行业销售预测的实现系统与方法 |
CN109558992A (zh) * | 2018-12-17 | 2019-04-02 | 广州甘来信息科技有限公司 | 基于自贩机的销售峰值预测方法、装置、设备及存储介质 |
CN109784979A (zh) * | 2018-12-19 | 2019-05-21 | 重庆邮电大学 | 一种大数据驱动的供应链需求预测方法 |
CN110046739A (zh) * | 2019-01-18 | 2019-07-23 | 创新奇智(南京)科技有限公司 | 基于多阶段销量分布预测的补货方法和装置 |
CN110348635A (zh) * | 2019-07-12 | 2019-10-18 | 创新奇智(成都)科技有限公司 | 基于端对端学习的智能补货方法、存储介质、系统及装置 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN110555578A (zh) * | 2018-06-01 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 一种销量预测方法和装置 |
CN110555713A (zh) * | 2018-05-31 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 一种确定销量预测模型的方法和装置 |
US20190392380A1 (en) * | 2018-06-25 | 2019-12-26 | Walmart Apollo, Llc | System and method for implementing just-in-time inventory replenishment |
US20200013000A1 (en) * | 2018-07-03 | 2020-01-09 | Target Brands, Inc. | Demand signal router for demand aware replenishment system |
US20200012983A1 (en) * | 2018-07-03 | 2020-01-09 | Target Brands, Inc. | Demand aware replenishment system |
CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
CN111340421A (zh) * | 2020-02-19 | 2020-06-26 | 广东卓志供应链科技有限公司 | 一种采购方法 |
CN111612251A (zh) * | 2020-05-21 | 2020-09-01 | 海汇星驰信息科技(广州)有限公司 | 一种基于亚马逊fba的跨境电商采购与补货方法 |
CN111652657A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 商品销量预测方法、装置、电子设备及可读存储介质 |
CN111833093A (zh) * | 2020-05-29 | 2020-10-27 | 大数金科网络技术有限公司 | 钢铁智能促销系统 |
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 |
-
2020
- 2020-12-10 CN CN202011458370.1A patent/CN113780611A/zh active Pending
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5953707A (en) * | 1995-10-26 | 1999-09-14 | Philips Electronics North America Corporation | Decision support system for the management of an agile supply chain |
US6609101B1 (en) * | 1999-03-26 | 2003-08-19 | The Retail Pipeline Integration Group, Inc. | Method and system for determining time-phased product sales forecasts and projected replenishment shipments for a retail stores supply chain |
JP2004075321A (ja) * | 2002-08-20 | 2004-03-11 | Ricoh Co Ltd | 在庫管理方法及び在庫管理プログラム |
JP2006228035A (ja) * | 2005-02-18 | 2006-08-31 | Hitachi Ltd | 在庫補充モデルの選定方法及びシステム |
WO2016206556A1 (zh) * | 2015-06-25 | 2016-12-29 | 阿里巴巴集团控股有限公司 | 仓库资源信息处理、提供库存信息的方法及装置 |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN106971249A (zh) * | 2017-05-05 | 2017-07-21 | 北京挖玖电子商务有限公司 | 一种销量预测及补货方法 |
CN107292672A (zh) * | 2017-07-05 | 2017-10-24 | 上海数道信息科技有限公司 | 一种餐饮行业销售预测的实现系统与方法 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN110555713A (zh) * | 2018-05-31 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 一种确定销量预测模型的方法和装置 |
CN110555578A (zh) * | 2018-06-01 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 一种销量预测方法和装置 |
US20190392380A1 (en) * | 2018-06-25 | 2019-12-26 | Walmart Apollo, Llc | System and method for implementing just-in-time inventory replenishment |
US20200012983A1 (en) * | 2018-07-03 | 2020-01-09 | Target Brands, Inc. | Demand aware replenishment system |
US20200013000A1 (en) * | 2018-07-03 | 2020-01-09 | Target Brands, Inc. | Demand signal router for demand aware replenishment system |
CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
CN109558992A (zh) * | 2018-12-17 | 2019-04-02 | 广州甘来信息科技有限公司 | 基于自贩机的销售峰值预测方法、装置、设备及存储介质 |
CN109784979A (zh) * | 2018-12-19 | 2019-05-21 | 重庆邮电大学 | 一种大数据驱动的供应链需求预测方法 |
CN110046739A (zh) * | 2019-01-18 | 2019-07-23 | 创新奇智(南京)科技有限公司 | 基于多阶段销量分布预测的补货方法和装置 |
CN110348635A (zh) * | 2019-07-12 | 2019-10-18 | 创新奇智(成都)科技有限公司 | 基于端对端学习的智能补货方法、存储介质、系统及装置 |
CN111340421A (zh) * | 2020-02-19 | 2020-06-26 | 广东卓志供应链科技有限公司 | 一种采购方法 |
CN111612251A (zh) * | 2020-05-21 | 2020-09-01 | 海汇星驰信息科技(广州)有限公司 | 一种基于亚马逊fba的跨境电商采购与补货方法 |
CN111833093A (zh) * | 2020-05-29 | 2020-10-27 | 大数金科网络技术有限公司 | 钢铁智能促销系统 |
CN111652657A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 商品销量预测方法、装置、电子设备及可读存储介质 |
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 |
Non-Patent Citations (2)
Title |
---|
PENG ZHANG等: ""Use of Stability and Seasonality Analysis for Optimal Inventory Prediction Models"", 《JOURNAL OF INTELLIGENT SYSTEMS》, vol. 20, no. 2 * |
田英;: "电脑零售店补货管控的研究实践", 信息与电脑(理论版), no. 09 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219545A (zh) * | 2022-02-17 | 2022-03-22 | 北京京东振世信息技术有限公司 | 一种数据处理的方法和装置 |
WO2023155426A1 (zh) * | 2022-02-17 | 2023-08-24 | 北京京东振世信息技术有限公司 | 数据处理的方法和装置 |
CN114723369A (zh) * | 2022-04-18 | 2022-07-08 | 北京京东振世信息技术有限公司 | 动态调配物品的方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751497B (zh) | 一种商品补货方法和装置 | |
CN106980955B (zh) | 用于输出信息的方法和装置 | |
CN110880084A (zh) | 一种仓库补货的方法和装置 | |
CN110555578B (zh) | 一种销量预测方法和装置 | |
US10685319B2 (en) | Big data sourcing simulator | |
CN109961306B (zh) | 一种物品的库存分配方法和装置 | |
CN112215530B (zh) | 选仓方法和装置 | |
CN110689159B (zh) | 一种商品补货的方法和装置 | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN110650170B (zh) | 用于推送信息的方法和装置 | |
CN113780611A (zh) | 一种库存管理方法和装置 | |
CN113538028B (zh) | 一种广告投放的方法和装置 | |
CN111985862A (zh) | 定位库存物品的方法和装置 | |
CN114663015A (zh) | 补货方法和装置 | |
CN109978421B (zh) | 信息输出方法和装置 | |
CN113469598A (zh) | 智慧供应链系统及服务器平台 | |
CN113379177A (zh) | 一种任务调度系统和方法 | |
JP6301326B2 (ja) | サービスアセットマネジメントシステム及び方法 | |
JP2023541104A (ja) | 短ライフサイクル販売曲線の推定 | |
CN112784212B (zh) | 一种优化库存的方法和装置 | |
CN109902847A (zh) | 预测分库订单量的方法和装置 | |
CN113222490A (zh) | 一种库存分配方法和装置 | |
US20150100378A1 (en) | Supply chain management method and system | |
CN114677174A (zh) | 一种计算未上架物品销量的方法和装置 | |
CN110084541B (zh) | 用于预测供应商送货时长的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |