CN114004680A

CN114004680A - 订货量信息处理方法、装置及存储介质

Info

Publication number: CN114004680A
Application number: CN202111637390.XA
Authority: CN
Inventors: 许海军; 熊礼平; 顾宏光
Original assignee: Hangzhou Mingxin Information Technology Co ltd
Current assignee: Hangzhou Mingxin Information Technology Co ltd
Priority date: 2021-12-30
Filing date: 2021-12-30
Publication date: 2022-02-01

Abstract

本公开提供一种订货量信息处理方法、装置及存储介质，该方法包括：响应于目标门店的订货请求，基于目标门店的历史订货数据及历史销售数据，确定目标门店的订货约束条件，订货约束条件至少包括至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间；在订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量；输出对应订货请求的目标信息，目标信息至少包含至少两种单品的目标订货量。本公开提供的订货量信息处理方法中通过结合单品间的关联性来确定目标门店面向至少两种单品的目标订货量，相比于基于单品的历史销量来预测订货量而言，可以在订货成本有限的情况下，预测满足最大毛利的各个单品的订货量。

Description

订货量信息处理方法、装置及存储介质

技术领域

本公开涉及物联网领域，尤其涉及一种订货量信息处理方法、装置及存储介质。

背景技术

日清门店是一种以零库存概念为主导思想的新型快消便利店，所经营的单品大多为生鲜类等对新鲜度要求较高的单品。它的经营特点是全场单品定点打折，到点日清，绝不卖隔夜单品。因此较之普通零售便利店，日清生鲜门店对选品、订货的要求的精准度会更高，否则出现严重的报损，进而影响门店的毛利水平。

相关技术中，通过传统订货模型为日清门店订货。其中，传统订货模型以单品模型为主，建模时主要考虑单品的历史销量或者订货量，然后通过时间序列类算法，对未来某个时间的单品销量或订货量进行回归。由于单品模型鲁棒性较弱，因此通过这种方法得到的订货量可能是不合理的。

发明内容

为了解决上述问题，本公开提供了一种订货量信息处理方法、装置及存储介质，以实现在订货成本有限的情况下，预测出满足最大毛利的各个单品的订货量。

第一方面，本公开提供了一种订货量信息处理方法，包括：

响应于目标门店的订货请求，基于目标门店的历史订货数据及历史销售数据，确定所述目标门店的订货约束条件，所述订货约束条件至少包括至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间；

在所述订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量；

输出对应所述订货请求的目标信息，所述目标信息至少包含所述至少两种单品的目标订货量。

一种可能的实施方式中，在订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量，包括：将订货约束条件和目标函数输入遗传算法模型，获得最大总毛利对应的至少两种单品的目标订货量。

一种可能的实施方式中，目标函数是通过以下方式得到的：获取训练集，训练集包含多个类型的训练样本，训练样本包含一门店的历史订货数据和历史销售数据；提取训练样本的属性特征，属性特征包含订货结构属性特征、门店属性特征、历史销售属性特征和时间属性特征；根据训练样本的属性特征，调整目标函数中的参数，直到计算得到的损失函数值满足预设评估条件或者迭代次数达到预设迭代次数，得到训练完成的目标函数。

一种可能的实施方式中，提取训练样本的属性特征，包括：基于历史订货数据和历史销售数据，在预设时间窗口大小的时间序列内，确定以日期为单位的订货结构属性特征，以日期为单位的订货结构属性特征与时间属性特征的日期对应；确定预设时段内的门店的门店属性特征和历史销售属性特征。

一种可能的实施方式中，还包括：确定目标门店的订货池与总订货池的差集，总订货池为多个门店的订货池的并集；根据差集中单品的销售天数、单品在所在大类内的销量以及销售毛利帕累托贡献位次，确定面向目标门店的新单品；将新单品添加至目标门店的订货池中，得到目标门店面向至少两种单品。

一种可能的实施方式中，还包括以下至少一种：

根据单品的季节性，更新目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向目标门店的至少两种单品；根据目标门店的订货池中单品在所在大类内的销量和/或销售毛利帕累托贡献位次，更新目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向目标门店的至少两种单品。

一种可能的实施方式中，根据目标门店的订货池中单品在所在大类内的销量和/或销售毛利帕累托贡献位次，更新目标门店的订货池中包含的单品，包括：将目标门店的订货池中单品在所在大类内的销量低于销量阈值的单品，从目标门店的订货池中移除；和/或，将目标门店的订货池中单品销售毛利帕累托贡献位次低于位次阈值的单品，从目标门店的订货池中移除。

第二方面，本公开提供一种订货量信息处理装置，包括：

确定模块，用于响应于目标门店的订货请求，基于目标门店的历史订货数据及历史销售数据，确定所述目标门店的订货约束条件，所述订货约束条件至少包括至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间；

获得模块，用于在所述订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量；

输出模块，用于输出对应所述订货请求的目标信息，所述目标信息至少包含所述至少两种单品的目标订货量。

一种可能的实施方式中，获得模块具体用于：将订货约束条件和目标函数输入遗传算法模型，获得最大总毛利对应的至少两种单品的目标订货量。

一种可能的实施方式中，还包括提取模块，用于：基于历史订货数据及历史销售数据，在预设时间窗口大小的时间序列内，确定以日期为单位的订货结构属性特征，以日期为单位的订货结构属性特征与时间属性特征的日期对应；确定预设时段内的门店的门店属性特征和历史销售属性特征。

一种可能的实施方式中，还包括添加模块，用于：确定目标门店的订货池与总订货池的差集，总订货池为多个门店的订货池的并集；根据差集中单品的销售天数、单品在所在大类内的销量以及销售毛利帕累托贡献位次，确定面向目标门店的新单品；将新单品添加至目标门店的订货池中，得到目标门店面向至少两种单品。

一种可能的实施方式中，还包括更新模块，用于执行以下至少一种：根据单品的季节性，更新目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向目标门店的至少两种单品；根据目标门店的订货池中单品在所在大类内的销量和/或销售毛利帕累托贡献位次，更新目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向目标门店的至少两种单品。

一种可能的实施方式中，更新模块具体用于：将目标门店的订货池中单品在所在大类内的销量低于销量阈值的单品，从目标门店的订货池中移除；和/或，将目标门店的订货池中单品销售毛利帕累托贡献位次低于位次阈值的单品，从目标门店的订货池中移除。

第三方面，本公开提供一种电子设备，包括：存储器和处理；其中：

存储器用于存储程序指令；

处理器用于调用存储器中的程序指令执行第一方面中任一所述的订货量信息处理方法。

第四方面，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中存储有计算机程序指令，计算机程序指令被执行时，用于实现第一方面中任一所述的订货量信息处理方法。

本公开提供一种订货量信息处理方法、装置及存储介质，该方法包括：响应于目标门店的订货请求，基于目标门店的历史订货数据及历史销售数据，确定目标门店的订货约束条件，订货约束条件至少包括至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间；在订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量；输出对应订货请求的目标信息，目标信息至少包含至少两种单品的目标订货量。由于本公开实施例的订货约束条件至少包括至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间，也就是说，该订货量信息处理方法中通过结合单品间的关联性来确定目标门店面向至少两种单品的目标订货量，相比于基于单品的历史销量来预测订货量而言，可以在订货成本有限的情况下，预测满足最大毛利的各个单品的订货量。

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做一简单地介绍，显而易见地，下面描述中的附图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他的附图。

图1为传统订货模型的原理示意图；

图2为本公开一实施例提供的应用场景示例图；

图3为本公开一实施提供的订货量信息处理方法的流程图；

图4为本公开一实施例提供的训练数据集的结构示意图；

图5为本公开一实施例提供的毛利折线图；

图6为本公开另一实施例提供的毛利折线图；

图7为本公开一实施例提供的待清洗数据的结构示意图；

图8为本公开一实施例提供的毛利预估模型的训练示意图；

图9为本公开一实施例提供的遗传优化算法的优化示意图；

图10为本公开另一实施例提供的订货量信息处理方法的流程示意图；

图11为本公开一实施例提供的订货量信息处理装置的结构示意图；

图12为本公开一实施例提供的电子设备的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本公开保护的范围。

目前，相关技术中，如图1所示，传统订货模型主要以单个商品为主（商品1，……，商品n），即，主要考虑单品的历史销量或者订货量，再通过时间序列算法对未来某个时间的单品销量或者订货量进行回归，得到单个商品的订货量，再合并单个商品的订货量得到订货结构。这种单品模型优势在于底层逻辑简单、速度快，但是，由于只考虑单品自身历史销量或者订货量，使得模型忽略了单品与单品之间的关联。因此，该模型计算得到的订货量往往不够准确，无法应用于多样化的场景中。

基于上述问题，发明人通过从全局信息出发建模，考虑价格、订货量、成本、毛利，以及商品与商品之间的互补、排斥的关联关系，使得商品之间的订货呈现出联动效应，这种方法更加符合实际销售的订货思维。因此，这种预测模型对实际订货的预测性更加合理，最终各个单品订货量的预测结果也更为准确。

图2为本公开一实施例提供的应用场景示意图。如图2所示，该应用场景包括：目标门店客户端101、目标门店客户端102、目标门店客户端103以及服务器104，服务器104上搭载了本公开的订货量信息处理模型。

示例地，目标门店客户端101至目标门店客户端103上还可以包括分布式数据库（图中未标出），服务器104上搭载有云数据库（图中未标出）。

服务器104可以获取目标门店客户端101至目标门店客户端103在预设天数范围内的销售数据。例如，当需要预测目标门店客户端101在未来2天的各个单品的订货量时，服务器104会先获取目标门店客户端101面向各单品的历史订货数据及历史销售数据，同时，其还会获取其他门店的历史订货数据及历史销售数据；基于上述的历史订货数据及历史销售数据，通过订货量信息处理模型进行分析，得到目标门店客户端101在未来2天的各单品的订货量。同理，服务器104可以通过上述方法确定目标门店客户端102和目标门店客户端103在未来2天内各单品的订货量。

另外，服务器104还可以根据所有门店的历史订货数据及历史销售数据，对不同目标门店进行新品推送或者旧品淘汰。同时，服务器104还会根据实际日期，考虑订货量，例如，在春节或者周末，各单品的订货量会区别于周内各单品的订货量。

本应用场景中，不对目标门店的个数进行限制，也不对服务器的个数进行限制，同时，也不对各个设备之间的关系进行限制。

接下来，通过具体实施例对本公开的订货量信息处理方法进行叙述：

如图3所示，图3是本公开一实施例提供的订货量信息处理方法，该方法包括：

S301、响应于目标门店的订货请求，基于目标门店的历史订货数据及历史销售数据，确定目标门店的订货约束条件，订货约束条件至少包括至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间。

示例地，在实际应用中，当一门店有订货需求时，该门店即为目标门店，该目标门店的管理人员，例如店长等，可以通过店内的客户端或者手机端等设备触发订货请求。对应地，设备向服务器发送该订货请求，以得到对应的订货量等相关信息。

可选地，对于目标门店的历史订货数据及历史销售数据，可以是该目标门店在整个经营时长的历史订货数据及历史销售数据，也可以是在整个经营时长内某一个时间段内的历史订货数据及历史销售数据，对此，本申请实施例不予限制，具体可根据实际需求进行设置。

另外，订货约束条件也不以至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间这些为限制，还可以包括其他信息。

其中，上述的单品可以是各类商品，本公开不对其进行限定。

对于任一目标门店而言，需要预先设定一订货成本。另外，该订货成本可以不是完全固定的，也可以是一个范围。最终确定的订货量所需花费的成本需要小于或等于该订货成本即可，该范围即订货量区间。

在本公开实施例中，为了准确确定各个单品的订货量，需要先划分一个大范围，即订货量区间。该订货量区间可以是根据每个单品在该目标门店以及其他门店的历史订货数据及历史销售数据共同决定的。示例地，若某个单品的历史订货数据及历史销售数据显示该单品的销量一直处于高水平，则该单品的订货量下限可以设置较高的值；反之，若某个单品的历史订货数据及历史销售数据显示该单品的销量一直处于低水平，则该单品的订货量下限可以设置较低的值。

销售价可以根据历史销售价来确定，一般而言，销售价可以设置为一个固定值。但其可以随着实际情况进行人为调整。

初始订货量也可以根据历史销售及订货数据确定，示例地，在过去一段时间内，取毛利最大的各个单品的订货量作为初始订货量。

S302、在订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量。

在订货约束条件一定的情况下，该步骤中基于目标函数获得最大总毛利对应的至少两种单品的目标订货量。对此，可以理解，目标函数用于反映最大总毛利与至少两种单品的订货量的关联关系。

S303、输出对应订货请求的目标信息，目标信息至少包含至少两种单品的目标订货量。

可选地，若服务器执行步骤S301至S303，对该步骤S303，服务器可以通过其自带的显示器或者外接的显示设备输出对应订货请求的目标信息，其中外接的显示设备可以包括如上所述的客户端或手机端等设备。

另外，目标信息也不仅限于至少两种单品的目标订货量，还可以包含单品的标识信息，例如单品名称、单品标号、单品代码，等等；单品所属的类别等。

本公开实施例中的订货量信息处理方法，包括：响应于目标门店的订货请求，基于目标门店的历史订货数据及历史销售数据，确定目标门店的订货约束条件，订货约束条件至少包括至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间；在订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量；输出对应订货请求的目标信息，目标信息至少包含至少两种单品的目标订货量。由于本公开实施例的订货约束条件至少包括至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间，也就是说，该订货量信息处理方法中通过结合单品间的关联性来确定目标门店面向至少两种单品的目标订货量，相比于基于单品的历史销量来预测订货量而言，可以在订货成本有限的情况下，预测满足最大毛利的各个单品的订货量。

一些实施例中，在订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量，包括：将订货约束条件和目标函数输入遗传算法模型，获得最大总毛利对应的至少两种单品的目标订货量。具体地，遗传算法模型可以每次调整多个相关联的单品的订货量，该关联关系可以包括互补、互斥和依赖这三种关联关系中的至少一种。

其中，目标函数可以理解为毛利预估模型，根据多个单品的订货量，确定该订货量下的毛利。

另外，对于上述的三种关联关系，示例地，调整两个互补的单品的订货量，往往不会对预估毛利造成太大影响。而调整互斥的两个单品则会根据实际情况发生巨大改变：例如冬装和夏装，若在冬季增多夏装，减少夏装的订货量，则会大幅度减少预估毛利。而调整相互依赖的单品的订货量，则也会大幅度影响预估毛利。例如核桃和剥核桃器，当进入冬季后，核桃的产量和订货量降低时，剥核桃器的订货量也会降低。若此时提高任何一单品的订货量，则会减小预估毛利。

通过遗传算法模型根据订货约束条件下得到的至少两个预估毛利，确定目标门店面向至少两种物料的目标订货量。示例地，在一些实施例中，该步骤可以包括：确定订货约束条件下得到的至少两个预估毛利中的最大预估毛利；确定目标门店面向至少两种单品的目标订货量为最大预估毛利对应的至少两种单品的订货量。

即通过多次调整单品的订货量，确定最大预估毛利时的各个单品的订货量为目标订货量。

在另一些实施例中，有时还需要考虑单品质量等因素，即牺牲一部分成本和毛利，提高单品的质量。此时可以不选取最大预估毛利对应的各个单品的订货量，而是选择预估毛利相对较低，且单品质量较高的订货量方案。

可以理解，本公开实施例提供的订货量信息处理方法可以是由搭载了订货量信息处理模型的服务器等电子设备执行的。

接下来，通过本公开另一个实施例，从完整角度介绍本公开的订货量信息处理方法。

首先，由于需要得到最大总毛利对应的至少两种单品的目标订货量，因此，需要先学习总毛利与至少两种单品的订货量的关联关系，即目标函数。目标函数是通过以下方式得到的：获取训练集，训练集包含多个类型的训练样本，训练样本包含一门店的历史订货数据和历史销售数据；提取训练样本的属性特征，属性特征包含订货结构属性特征、门店属性特征、历史销售属性特征和时间属性特征；根据训练样本的属性特征，调整目标函数中的参数，直到计算得到的损失函数值满足预设评估条件或者迭代次数达到预设迭代次数，得到训练完成的目标函数。

调整目标函数的自变量，即机器学习模型的输入为订货结构属性特征、门店属性特征、历史销售属性特征和时间属性特征，即Xi；机器学习模型的输出值毛利，用Yi表示。当且仅当输出值毛利Yi与实际最大总毛利的差异较小或者迭代次数达到预设迭代次数时，得到训练好的目标函数。

应理解：特征设计的基础是基于前期对数据的探索性分析以及一些人工经验，在这些基础之上探索可能对模型影响较大的影响因子，并将这些因子数据化，转化为可以量化模型某些维度的指标，该指标即特征。

示例地，机器学习模型可以具体为LightGBM模型。

作为一种示例，基于历史订货数据及历史销售数据，提取属性特征，可以包括：基于历史订货数据及历史销售数据，在预设时间窗口大小的时间序列内，确定以日期为单位的订货结构属性特征，以日期为单位的订货结构属性特征与时间属性特征的日期对应；确定预设时段内的门店的门店属性特征和历史销售属性特征。例如，如图4所示，训练数据集中的历史订货数据及历史销售数据，可以包括4个维度：即订货结构属性、门店属性、历史销售属性和时间属性。以单品为商品为例，订货结构属性包括了某个目标门店的各个商品一天的商品销量、标准价、促销价和到店价。经过对上述的数据进行处理后，可以得到该目标门店各个商品的订货成本、理论毛利、销售金额和实际毛利。应理解：这里的数据处理是通过矩阵运算实现的，经过处理后，每个数据都被转化为矩阵，例如，订货成本、理论毛利、销售金额和实际毛利转化为矩阵后，作为订货结构属性特征，输入到机器学习模型中。

另外，对于订货结构属性特征，本公开还将目标门店每个商品一天的订货结构属性特征分为了三个状态，分别为欠饱和状态、最优状态和过饱和状态。如图5和图6所示，门店会统计一天中某个时段的毛利累计值，当毛利达到最高点时（图5和图6的20时30分），此时的订货量为最优量，而位于最高点之前的订货量则为欠饱和订货量，位于最高点之后的订货量为过饱和订货量。

综上所述，订货结构属性特征包括了目标门店中，各个单品并且各天内的订货成本、理论毛利、销售金额和实际毛利。且订货成本、理论毛利、销售金额和实际毛利还包括了欠饱和状态、最优状态和过饱和状态，由于每个状态的订货量不同，因此订货结构属性特征对于该目标门店一个单品和一天内而言，包括了三组数据。用公式表示可以是：

，其中，

表示为欠饱和状态的商品的销售量，

表示毛利最大时刻的商品的销售量，

可以表示该天结束时商品的销售量。

对于门店属性，由平均客单价、品类丰富度、单位成本、成交客单量、平均折扣率等进行矩阵运算后，生成门店属性特征。

对于历史销售属性，将所有门店中，各个单品的历史销量、历史毛利、历史成本、历史客单以及历史成交数等进行矩阵运算后，生成历史销售属性特征。

对于时间属性，由节假日、周几、第几天等信息，转化为矩阵后，组成时间属性特征。

一些实施例中，基于线下订货数据、销售小票数据或者节假日日期数据获取源数据后，还需要对上述部分特征进行数据清洗。如图7所示，例如，对于商品的订货结果属性特征，需要对历史订货数据及历史销售数据中的异常订单去除，该异常订单包括退单、异常毛利、异常成本、异常销量、异常价格以及开业附近时间段订单去除等等。对于门店属性，需要将门店变更之前的信息进行剔除，还会将异常门店剔除。对于历史销售属性，会在所有门店的商品池中，去除异常商品。同时，还会定期筛选有效的商品，以及，对商品信息进行动态更新。另外，数据清洗还包括了将新老数据融合，以及A.B码的转换。所谓A.B码转换，即将一个大类细分为多个小类。例如，若鸡肉为A码，则鸡胸肉、鸡腿肉、翅根、翅中等为B码。

经过上述数据清洗后，将订货结构属性特征、门店属性特征、历史销售属性特征和时间属性特征输入至机器学习模型进行训练，得到毛利预估模型。该毛利预估模型可以用于预估未来第二天的订货量，也可以用来预估未来第一天的订货量，本公开不加以限定。一些具体实施方式中，该步骤又具体可以由图8来表示。如图8所示：

订货结构属性特征包括了欠饱和状态、最优状态和过饱和状态。本实施方式可以取前两个状态：令某一天19点前各个商品的销售量为欠饱和状态，而毛利最大时刻的销售量为最优状态。通过矩阵运算，得到两组订货成本、理论毛利、销售金额和实际毛利的数据，作为该目标门店在当天的订货结构属性。门店属性特征在图8中没有标注，一般地，选定目标门店后，服务器会调取该门店在预设时间窗口大小的时间序列内的平均客单价、品类丰富度、单位成本、成交客单量、平均折扣率等数据，作为门店属性。

历史销售属性特征包括了预设时间窗口大小的时间序列内历史销售量、历史毛利、历史成本、历史客单以及历史成交数等信息，如图8中，该预设时间段可以是一周，即从T-2天至T-9天。而历史销售属性特征可以进一步包括这7天内的：门店订货成本、门店标准销售额、门店销售额、门店毛利、门店售前毛利、门店客单以及门店成交量。

而时间属性特征则与前述的订货结构属性特征相互对应。例如，时间属性特征中包括了星期和节日对应的日期。每个日期都对应上述的两组订货成本、理论毛利、销售金额和实际毛利的数据。而门店属性特征和历史销售属性特征则是在预设时间窗口大小的时间序列内的一组整体数据。

因此综上，可以理解：上述时间属性特征至少包含一个完整的自然周，而每个日期会对应星期和节日，以及该日期下的目标门店处于欠饱和状态和最优状态下的各个商品的订货成本、理论毛利、销售金额和实际毛利的数据，即订货结构属性特征。同时还包括了预设时间窗口大小的时间序列内的门店属性特征和预设时间窗口大小的时间序列内的历史销售属性特征。将这些特征输入机器学习模型，其中，Xi作为输入，而Yi作为学习目标，最终得到具有毛利预估功能的毛利预估模型。

需要指出的是，得到毛利预估模型只是第一阶段，为了得到未来某天的（例如未来第二天）的订货量信息处理值，还需要基于该毛利预估模型，对初始订货量进行优化：可以通过图9来优化的具体过程。具体地可以使用遗传优化算法，对初始订货量进行优化。

首先，初始订货量的确定方法可以是基于历史订货数据及历史销售数据，确定出各个商品可能的订货区间，示例地，初始订货量可以取历史订货数据及历史销售数据中，毛利最大时的各个商品的订货量。然而，由于各种不确定因素，该订货量还无法达到足够准确。因此，引入遗传优化算法，基于毛利预估模型，对初始订货量进行进一步优化，方法如下：

对于每个商品，需要先确定其订货量的约束区间，即上下限，同时，还需要确定调整步长。该确定过程在前述实施例已经叙述，此处不再赘述。应理解：图9中，基于每个商品的历史销量、订货规格、商品属性等等，可以确定优化约束条件、调整步长、订货量区间的上限和下限。例如，优化约束条件可以是毛利大于3000且成本低于2000，且单品订货量小于100等。

经过上述过程后，可以确定出各个商品的订货量区间，例如某个商品的订货量上限为80，下限为20，调整步长为2。

遗传优化算法具体包括了交叉，选择和变异的过程。例如，A商品的优化上限和下限为50和20，B商品的优化上限和下限为60和0。此时交叉即可以互换两个商品的上下限，而该交叉不出现于每次优化中，因此增加了一定的随机性；同理，变异即随机变换某个商品的上限或者下限，其也是随机出现的。例如，经过交叉后，A商品的上下限变为60和0；B商品的上下限变为50和20；或者，经过突变后，A商品的上下限变为40和20；B商品的上下限变为30和10，这会影响到后续订货量的取值。该优化方法不同于穷举法，每次优化会在优化约束区间中，选取各个商品的订货量，具体地，选取方法可以是随机选取，也可以是手动设定。选取到各个商品的订货量之后，会由毛利预估模型确定出毛利预估值，此时遗传优化算法会选择出相近的其他订货量方案，以避免优化的方向过偏。

因此，通过图10的实施例可以显示出本公开完整的订货量信息处理方法的流程示意图，第一阶段：先对历史订货数据及历史销售数据进行特征提取，然后确定出订货结构属性特征、门店属性特征、历史销售属性特征和时间属性特征的至少一种。并输入至机器学习模型LightGBM，经过训练后，得到毛利预估模型，毛利预估模型上搭载了上述训练得到的目标函数。第二阶段：输入初始订货量至订货优化模型，该订货优化模型中搭载了遗传优化算法，订货优化模型会基于毛利预估模型确定出初始订货量的毛利，并对订货量进行进一步优化。具体地，可以通过选择、突变以及交叉的方法进行优化，优化后，确定出满足约束条件下的最高毛利的各个商品的订货量。

通过图10的实施例，基于两个阶段的模型，先确定毛利，再在对订货量进行优化，由于遗传优化算法还包括交叉、选择和突变功能，其在一定程度上也增加了多个商品之间的关联性，进而提高了最终确定出的订货量的准确率。另外，遗传优化算法本身不同于一般软件的穷举类优化，其可以加快优化的效率。

需要指出，图3至图10的实施例之间可以相互组合使用，也可以单独使用，本公开不加以限定。

在一些实施例中，历史订货数据及历史销售数据可以包括单品在目标门店的毛利最大时刻对应的销量中位数、单品在多个门店中的销量和毛利中位数、单品在目标门店的销售天数、目标门店的营业天数、单品在预设时间之前历史销量中位数和单品所在大类类别的全天毛利帕累托贡献位次的至少一种。

上述的各个单品的订货量确定中，确定目标门店面向至少两种单品的订货量区间，可以包括：针对至少两种单品中各单品，通过以下方式确定目标门店面向单品的订货量区间：根据单品在目标门店的毛利最大时刻对应的销量中位数和单品在多个门店中的销量和毛利中位数，确定单品的订货量区间上限值。

每件单品的订货量需要根据自身门店和所有门店的销量和毛利确定，具体地，可以引入权重，如，自身门店权重为0.6，所有门店的权重的0.4，此处不对其加以限定。

在一些具体实施方式中，根据单品在目标门店的毛利最大时刻对应的销量中位数和单品在多个门店中的销量和毛利中位数，确定单品的订货量区间上限值，可以包括：确定单品在目标门店的毛利最大时刻对应的销量中位数与第一权重的乘积为第一中间值；确定单品在多个门店中的销量和毛利中位数与第二权重的乘积为第二中间值；确定第一中间值与第二中间值的和为单品的订货量区间上限值。

示例地，若将第一权重设置为0.65，则第二权重为0.35，某单品在目标门店毛利最大时刻对应的销量中位数为Q2，该单品在所有门店销量的中位数为Q3。

此时，订货量区间上限值Boundary_upper=Q2*0.65+Q3*0.35。

而对于单品订货量的下限值，则可以需要根据其销量进行确定：

响应于单品在目标门店的销售天数与目标门店的营业天数的比值大于或者等于第一阈值，或者单品所在大类类别的全天毛利帕累托贡献位次小于或者等于第二阈值，则确定单品的订货量区间下限值为单品在预设时间之前历史销量的中位数；或者，响应于单品在目标门店的销售天数与目标门店的营业天数的比值小于第一阈值，且单品所在大类类别的全天毛利帕累托贡献位次大于第二阈值，确定单品的订货量区间下限值为零。

设单品在目标门店的销售天数为S1，而该目标门店的营业天数为S2。该单品的全天毛利帕累托位次为S3，毛利帕累托位次即：将各个单品根据毛利由高到低进行排序。作为一种示例，可以设定第一阈值为0.5，第二阈值为80。可以理解：当目标门店销售该单品的天数占该目标门店的营业天数的一半以上时，或者，若单品的全天毛利帕累托位次在80之内时（位次最大为100），可以认为该单品为潜在销量较大的单品，此时订货量的下限可以设置为单品在预设时间之前历史销量的中位数。示例地，该预设时间可以是毛利最大的时刻，如19点。

而当目标门店销售该单品的天数小于该目标门店的营业天数的一半时，且当单品的全天毛利帕累托位次大于80时，说明该单品在该目标门店销量较差，需要从零开始调整该单品的订货量，因此，确定此情况下的单品的订货量区间下限值为零。

通过上述方法确定订货量的约束区间后，在订货量区间内，调整至少两种单品的订货量，可以包括：针对至少两种单品中各单品，确定单品在单品对应的订货量区间内的调整步长；根据调整步长，确定单品的调整后的订货量。

上述过程也可以叫做优化过程，因此需要先设置优化步长，即调整步长。调整步长的设置是根据单品自身的情况而定的，对于与其他单品关联性高，且销量变化敏感的单品而言，需要设置较低的调整步长；而对于相对独立、且销量变化相对不敏感的单品而言，可以设置较大的调整步长，来减小计算的复杂度。

进一步地，确定单品在单品对应的订货量区间内的调整步长，可以包括：根据单品的销售单位、计价方式、配送方案和配货规格，确定单品在单品对应的订货量区间内的调整步长。

例如，作为一种示例，设商品的配送方案为m1，默认配货规格为m2，商品的销售单位为u1，计价方式为u2。销售单位可以是公斤或者斤；计价方式为散装或者统装。

可以设置调整步长Step=1 IF nvl(

,

)>1 AND

=’KG’ AND

=’散称’ ELSE nvl(

,

)。

上式中，当配送方案m1和默认配货规格m2都大于1种时，且商品销售单位为公斤，并且单品为散装时，统一设置步长为1；否则根据配送方案或者默认配货规格确定调整步长。

通过上述方法可以预测某目标门店在未来的各个单品的订货量。而本公开还提供了对于一目标门店，单品的增添或淘汰方法：

例如，根据订货成本以及历史订货数据及历史销售数据，确定目标门店面向至少两种单品的订货量区间之前，还可以包括：确定目标门店的订货池与总订货池的差集，总订货池为多个门店的订货池的并集；根据差集中单品的销售天数、单品在所在大类内的销量以及销售毛利帕累托贡献位次，确定面向目标门店的新单品；将新单品添加至目标门店的订货池中，得到目标门店面向至少两种单品。

示例地，首先需要先确定目标门店的订货池和所有门店的订货池。确定后，确定两者的差集，作为备选订货池。之后从备选订货池中，选取差集中单品的销售天数、单品在所在大类内的销量以及销售毛利帕累托贡献位次位于前面的单品，作为该目标门店的新单品进行销售，示例地，可以从备选订货池中取前10位单品，本公开不加以限定。而这些新单品在目标门店的订货量和订货频率可以与其他门店订货量和订货频率的中位数保持一致。

另一些实施方式中，还存在根据季节性，以及销售情况适应性调整单品的情况，可以包括以下至少一种：

A.根据单品的季节性，更新目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向目标门店的至少两种单品；

B.根据目标门店的订货池中单品在所在大类内的销量和/或销售毛利帕累托贡献位次，更新目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向目标门店的至少两种单品。

对于A，对于季节性较强的单品，当到达换季的时间节点后，此类单品会在后续的销售中，逐步降低其订货量，最终将其淘汰；同理，也会开始增添当季比较火热的单品。

对于B，一种实施方式可以是，将目标门店的订货池中单品在所在大类内的销量低于销量阈值的单品，从目标门店的订货池中移除；和/或，将目标门店的订货池中单品销售毛利帕累托贡献位次低于位次阈值的单品，从目标门店的订货池中移除。

即，在一定周期内，会确定目标门店订货池中各个单品的销量和销售毛利帕累托贡献位次。若一些单品销量或者毛利明显低于其他单品，且为非必须品，可以将其进行淘汰，并按照前述方法进行换新。

本公开实施例中，对于每个目标门店，基于多种因素，定期地对门店进行新品推广，以增加门店销售品类的丰富度和创新性。同时，还会对目标门店的旧品和低销量的非必须品进行淘汰。

另外，若需要推广一些新门店，而这些门店没有历史订货数据及历史销售数据，无法预估订货量时，还可以包括：若目标门店的营业天数小于预设天数，则根据目标门店的地区属性，确定目标区域，地区属性包括城市、商圈和大区的至少一种；在目标区域内，确定至少一个与目标门店距离小于距离阈值的参考门店；获取参考门店的历史订货数据及历史销售数据为目标门店的历史订货数据及历史销售数据。

例如，可以先获取新门店的属性，包括：大区、城市、商圈等信息；确定一范围（即目标区域）。示例地，该范围可以是半径为1km内的圆形范围。之后获取在该范围内的至少一个其他门店的历史订货数据及历史销售数据；并使用这些门店的历史订货数据及历史销售数据替代新店的历史销售属性，即先导入其他门店的历史订货数据及历史销售数据。当该新店累计到足够多的历史订货数据及历史销售数据后，可以使用自身的历史订货数据及历史销售数据，作为订货量信息处理模型的输入数据。

接下来，通过图11介绍本公开提供的订货量信息处理装置1100，如图11所示，该装置包括：

确定模块1101，用于响应于目标门店的订货请求，基于目标门店的历史订货数据及历史销售数据，确定所述目标门店的订货约束条件，所述订货约束条件至少包括至少两种单品的初始订货量、订货成本区间、销售价以及订货量区间；

获得模块1102，用于在所述订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量；

输出模块1103，用于输出对应所述订货请求的目标信息，所述目标信息至少包含所述至少两种单品的目标订货量。

一种可能的实施方式中，获得模块1102具体用于：将订货约束条件和目标函数输入遗传算法模型，获得最大总毛利对应的至少两种单品的目标订货量。

一种可能的实施方式中，还包括提取模块（图中未标出），用于：基于历史订货数据及历史销售数据，在预设时间窗口大小的时间序列内，确定以日期为单位的订货结构属性特征，以日期为单位的订货结构属性特征与时间属性特征的日期对应；确定预设时段内的门店的门店属性特征和历史销售属性特征。

一种可能的实施方式中，还包括添加模块（图中未标出），用于：确定目标门店的订货池与总订货池的差集，总订货池为多个门店的订货池的并集；根据差集中单品的销售天数、单品在所在大类内的销量以及销售毛利帕累托贡献位次，确定面向目标门店的新单品；将新单品添加至目标门店的订货池中，得到目标门店面向至少两种单品。

一种可能的实施方式中，还包括更新模块（图中未标出），用于执行以下至少一种：根据单品的季节性，更新目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向目标门店的至少两种单品；根据目标门店的订货池中单品在所在大类内的销量和/或销售毛利帕累托贡献位次，更新目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向目标门店的至少两种单品。

一种可能的实施方式中，更新模块可以具体用于：将目标门店的订货池中单品在所在大类内的销量低于销量阈值的单品，从目标门店的订货池中移除；和/或，将目标门店的订货池中单品销售毛利帕累托贡献位次低于位次阈值的单品，从目标门店的订货池中移除。

通过本公开实施例提供的装置，可用于执行如前所述的实施例的方法，其实现原理和技术效果类似，在此不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路（application specific integrated circuit，ASIC），或，一个或多个微处理器（digital signal processor，DSP），或，一个或者多个现场可编程门阵列（field programmable gate array，FPGA）等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器（centralprocessing unit，CPU）或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统（system-on-a-chip，SOC）的形式实现。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘solid state disk (SSD)）等。

图12为本公开一实施例提供的电子设备1200的结构示意图。示例性地，电子设备可以被提供为一计算机，例如服务器或客户端等。参照图12，电子设备1200包括处理组件1201，其进一步包括一个或多个处理器，以及由存储器1202所代表的存储器资源，用于存储可由处理组件1201的执行的指令，例如应用程序。存储器1202中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1201被配置为执行指令，以执行上述任一方法实施例。

电子设备1200还可以包括一个电源组件1203被配置为执行电子设备1200的电源管理，一个有线或无线网络接口1204被配置为将电子设备1200连接到网络，和一个输入输出（I/O）接口1205。电子设备1200可以操作基于存储在存储器1102的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。

本公开还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上订货量信息处理方法的方案。

本公开还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上的订货量信息处理方法的方案。

上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于订货量信息处理装置中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，

本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims

1.一种订货量信息处理方法，其特征在于，包括：

2.根据权利要求1所述的订货量信息处理方法，其特征在于，所述在所述订货约束条件下，基于目标函数，获得最大总毛利对应的至少两种单品的目标订货量，包括：

将所述订货约束条件和所述目标函数输入遗传算法模型，获得最大总毛利对应的至少两种单品的目标订货量。

3.根据权利要求1所述的订货量信息处理方法，其特征在于，所述目标函数是通过以下方式得到的：

获取训练集，所述训练集包含多个类型的训练样本，所述训练样本包含一门店的历史订货数据和历史销售数据；

提取所述训练样本的属性特征，所述属性特征包含订货结构属性特征、门店属性特征、历史销售属性特征和时间属性特征；

根据所述训练样本的属性特征，调整目标函数中的参数，直到计算得到的损失函数值满足预设评估条件或者迭代次数达到预设迭代次数，得到训练完成的目标函数。

4.根据权利要求3所述的订货量信息处理方法，其特征在于，所述提取所述训练样本的属性特征，包括：

基于所述历史订货数据和历史销售数据，在预设时间窗口大小的时间序列内，确定以日期为单位的订货结构属性特征，所述以日期为单位的订货结构属性特征与所述时间属性特征的日期对应；

确定预设时段内的门店的门店属性特征和历史销售属性特征。

5.根据权利要求1至3中任一项所述的订货量信息处理方法，其特征在于，还包括：

确定所述目标门店的订货池与总订货池的差集，所述总订货池为多个门店的订货池的并集；

根据所述差集中单品的销售天数、单品在所在大类内的销量以及销售毛利帕累托贡献位次，确定面向所述目标门店的新单品；

将所述新单品添加至所述目标门店的订货池中，得到所述目标门店面向至少两种单品。

6.根据权利要求1至3中任一项所述的订货量信息处理方法，其特征在于，还包括以下至少一种：

根据单品的季节性，更新所述目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向所述目标门店的至少两种单品；

根据所述目标门店的订货池中单品在所在大类内的销量和/或销售毛利帕累托贡献位次，更新所述目标门店的订货池中包含的单品；确定更新后的订货池中的单品为面向所述目标门店的至少两种单品。

7.根据权利要求6所述的订货量信息处理方法，其特征在于，所述根据所述目标门店的订货池中单品在所在大类内的销量和/或销售毛利帕累托贡献位次，更新所述目标门店的订货池中包含的单品，包括：

将所述目标门店的订货池中单品在所在大类内的销量低于销量阈值的单品，从所述目标门店的订货池中移除；

和/或，将所述目标门店的订货池中单品销售毛利帕累托贡献位次低于位次阈值的单品，从所述目标门店的订货池中移除。

8.一种订货量信息处理装置，其特征在于，包括：

9.根据权利要求8所述的订货量信息处理装置，其特征在于，所述获得模块具体用于：

10.根据权利要求8所述的订货量信息处理装置，其特征在于，所述目标函数是通过以下方式得到的：

11.根据权利要求10所述的订货量信息处理装置，其特征在于，还包括提取模块，用于：

基于所述历史订货数据及历史销售数据，在预设时间窗口大小的时间序列内，确定以日期为单位的订货结构属性特征，所述以日期为单位的订货结构属性特征与所述时间属性特征的日期对应；

12.根据权利要求8至10中任一项所述的订货量信息处理装置，其特征在于，还包括添加模块，用于：

13.根据权利要求8至10中任一项所述的订货量信息处理装置，其特征在于，还包括更新模块，用于执行以下至少一种：

14.根据权利要求13所述的订货量信息处理装置，其特征在于，所述更新模块具体用于：

15.一种电子设备，包括：存储器和处理；其中：

存储器用于存储程序指令；

处理器用于调用存储器中的程序指令执行权利要求1至7中任一项的订货量信息处理方法。

16.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序指令，计算机程序指令被执行时，实现权利要求1至7中任一项的订货量信息处理方法。