CN114169557A - 库存补货方法、计算机可读存储介质以及终端设备 - Google Patents
库存补货方法、计算机可读存储介质以及终端设备 Download PDFInfo
- Publication number
- CN114169557A CN114169557A CN202010946386.0A CN202010946386A CN114169557A CN 114169557 A CN114169557 A CN 114169557A CN 202010946386 A CN202010946386 A CN 202010946386A CN 114169557 A CN114169557 A CN 114169557A
- Authority
- CN
- China
- Prior art keywords
- replenishment
- model
- data
- demand
- cost
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims description 42
- 238000013112 stability test Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 16
- 238000002844 melting Methods 0.000 description 11
- 230000008018 melting Effects 0.000 description 11
- 239000000047 product Substances 0.000 description 9
- 238000007689 inspection Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000009795 derivation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种库存补货方法、计算机可读存储介质以及终端设备,其库存补货方法包括如下步骤:数据采集步骤,针对商品收集历史数据以及未来预测销量数据;数据分析步骤,基于收集到的数据进行数据分析来确定商品的需求类型;模型推荐步骤,根据确定的需求类型来推荐对应的补货策略模型;基本参数设定步骤,针对店铺和商品设定基本参数;模型确定步骤,在推荐多个补货策略模型的情况下,根据基本参数中规定的是否定期补货来最终推荐多个补货策略模型中的一个模型;以及补货策略输出步骤,以收集到的历史数据、未来预测销量数据和基本参数作为输入,根据最终推荐的补货策略模型计算并输出补货策略。通过上述库存补货方法,能够实现精细的库存管理。
Description
技术领域
本发明涉及一种库存补货方法、计算机可读存储介质以及终端设备。
背景技术
7亿年轻人正成为中国消费的主力军。他们对智力、多元化、个性化寄予厚望。近年来,随着社交商务和全渠道购物的兴起,这一点显而易见。市场趋势导致需求的严重不确定性,加剧了控制库存的难度。库存积压和缺货的问题正在同步恶化,我们称其为供需不平衡问题。
随着AI、IoT、5G和区块链技术的发展,创建数字化和连接的供应链成为可能。数字供应网络(DSN)的一个特点是精确管理,这是来自新市场趋势的紧迫要求。准确的管理取决于信息的对称性和前瞻性分析。我们希望实现准确的库存控制,以满足个性化和多样化的消费者的期望。
准确的库存控制意味着针对在不同地方出售的不同商品推荐不同的策略。此外,该策略应根据市场环境动态更新。存在许多库存管理方法,例如常规库存检查,连续库存检查和JIT。准确的控制要求方法和目标商品的准确匹配。但是,面对大量数据时,很难通过持续的手动监视和分析来实现。我们需要可靠且自动的分析系统来捕获有效功能并为每个商品生成合适的策略。因此,系统的基础是全面的库存策略。
对比文件1提供了一种基于供应链需求的智能补货系统。该系统由三个模块构成:需求预测,业务分析和智能补货。机器学习算法用于预测每个商店出售的每种商品的需求。业务分析是了解业务数据、业务约束和业务目标的过程。以需求预测和业务分析的结果作为输入,智能补货模块可以进行需求分类、参数优化、补货和分配决策以及结果监控。智能补货系统旨在减少人工补货工作造成的人工成本、未满足和未开发的需求、库存过多和其他成本。通过应用该系统,希望提高商店的库存周转率和活跃销量率。
现有技术文献
专利文献1:CN110516998A
发明内容
【发明要解决的技术问题】
然而,专利文献1的智能补货系统并不是最优化的。首先,在专利文献1中补货量基于需求预测结果。但是,预测准确性始终在波动,几乎不可能始终确保100%的准确性,准确性也会随着时间而降低。因此,仅参考需求预测结果的补货决策可能无法很好地满足实际需求。其次,对比文件1的需求分类的可靠性低。分类的对象是预测需求,不使用实际的销量数据。然而,需求分类的可靠性受预测精度和时间的影响。因此这样得到的补货策略无法满足客户需求。
本发明是为了解决这样的课题而完成的,本发明通过引入历史销量数据,提高数据分析的准确性。数据分析采用变异系数、稳定性检验、分布拟合、预测误差分析的方法,得出六个分类结果,比现有技术的分类结果更细,种类更多。
【解决问题的技术手段】
为了达成上述的目的,本发明的方案1所记载的发明中,库存补货方法用于针对店铺的商品制定补货策略,所述库存补货方法包括如下步骤:数据采集步骤,针对所述商品收集历史数据以及未来预测销量数据;数据分析步骤,基于收集到的所述历史数据以及所述未来预测销量数据进行数据分析来确定所述商品的需求类型;模型推荐步骤,根据确定的所述需求类型来推荐对应的补货策略模型;基本参数设定步骤,针对所述店铺和所述商品设定基本参数;模型确定步骤,在推荐多个补货策略模型的情况下,根据所述基本参数中规定的是否定期补货来最终推荐所述多个补货策略模型中的一个模型;以及补货策略输出步骤,以收集到的所述历史数据、所述未来预测销量数据和所述基本参数作为输入,根据最终推荐的补货策略模型计算并输出补货策略。
所述库存补货方法通过数据分析和模型推荐能够实现精细的库存管理,针对在各个店铺出售的各种商品制定适当的补货策略。另一方面,该方法可以定期自动执行,既省时又节省成本。
方案2所记载的发明中,所述需求类型包括平滑型需求、平稳可拟合型需求、非平稳可预测型需求以及非平稳难预测型需求,每种需求类型都对应至少一种补货策略模型。
所述库存补货方法适合于不同的需求类型,可以应用于许多行业,包括百货商店、服装商店、生鲜食品行业和其他快速消费品行业。
方案3所记载的发明中,所述数据分析包括:针对需求数据计算变异系数;针对所述需求数据进行稳定性检验;针对所述需求数据进行分布拟合;针对补货提前期内的需求数据进行分布拟合;以及根据所述历史数据中的实际销量数据和历史预测销量数据进行销量预测误差计算,所述需求数据是历史需求数据或整体需求数据,所述历史需求数据根据所述历史数据中的所述实际销量数据和缺货数据来计算,所述整体需求数据除了所述历史需求数据之外还包括作为预测需求数据的所述未来预测销量数据,所述补货提前期在基本参数设定步骤中设定。
数据分析采用变异系数、稳定性检验、分布拟合、预测误差分析多种方法,能够对需求数据进行更精细的分析。而且,采用实际销量数据和缺货数据来作为需求数据,确保了分析的准确度。除了所述历史需求数据之外,通过增加未来预测销量数据,使得用于分析的数据更具连续性。
方案4所记载的发明中,所述补货策略模型包括:模型一,其对应于变异系数小于规定阈值的平滑型需求;模型二、模型三,这两个模型对应于变异系数在规定阈值以上、且稳定性检验结果为稳定、且需求数据分布拟合成功的平稳可拟合型需求;模型四、模型五,这两个模型对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且需求预测误差小的非平稳可预测型需求;以及模型六,其对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且需求预测误差大的非平稳难预测型需求。
通过推荐了六种补货策略模型,覆盖了各种类型的需求数据,使得本发明的补货方法可以应用于各种行业,适用范围广泛。而且,可以洞悉需求特征并制定适当的策略,有助于减少供需不平衡。
方案5所记载的发明中,针对所述店铺的基本参数包括:是否库存融通、是否定期补货、定期补货的周期、定期补货的指定时点、补货提前期、提前期的标准差、最小起订量,针对所述商品的基本参数包括:服务水平、库存成本、缺货成本、固定补货成本、滞销成本、补货变动成本、当天库存水平、在途库存。
通过各种基本参数的设定,实现需求数据的精确分类和补货策略的准确计算。
方案6所记载的发明中,在模型推荐步骤中推荐了模型二和模型三的情况下,如果在基本参数设定步骤中设定为定期补货,则最终推荐模型二,如果在基本参数设定步骤中设定为非定期补货,则判断提前期需求分布拟合是否成功,在提前期需求分布拟合成功时,最终推荐模型三,在模型推荐步骤中推荐了模型四和模型五的情况下,如果在基本参数设定步骤中设定为定期补货,则最终推荐模型五,如果在基本参数设定步骤中设定为非定期补货,则最终推荐模型四。
方案7所记载的发明中,在模型一中,基于所述需求数据求解补货量,在模型二和模型三中,以总补货成本包括库存成本、缺货成本、固定补货成本、滞销成本以及补货变动成本为条件的建立约束,基于所述需求数据,求解总补货成本最低时的补货量,在模型四中,以总补货成本包括库存成本、固定补货成本、滞销成本以及补货变动成本为条件的建立约束,基于所述未来预测销量数据,求解总补货成本最低时的补货量,在模型五中,基于所述未来预测销量数据求解补货量。
模型的建立主要基于成本优化,在减少供需不平衡的同时能够降低总成本。
方案8所记载的发明中,预先对各店铺进行区域划分,每个区域包括一个融通店和多个普通店,融通店是可以在本区域进行库存融通的店铺,普通店是不可以库存融通的店铺,
在模型推荐步骤中推荐了模型六的情况下,推荐了模型六的普通店在缺货时从本区域的融通店补货,本区域的融通店基于本区域整体的需求数据再次执行所述库存补货方法的各步骤,但不进行销量预测误差计算,不满足模型一~模型三中的任意一种的情况下,选择模型四或模型五。
通过库存融通的方式减少销量预测不准确带来的负面影响。将库存融通作为第一补货渠道的紧急需求,也能够降低总成本。
方案9所记载的发明中,在各个补货策略模型分别计算安全库存,基于在各个补货策略模型分别求解的补货量和安全库存,确定补货策略中的实际补货量。
在补货计划中考虑了安全库存,能够应对不可避免的预测偏差,有效降低缺货造成的负面影响。
【发明的效果】
本发明的库存补货方法,通过数据分析和模型推荐能够实现精细的库存管理,另一方面,该方法可以定期自动执行,既省时又节省成本。推荐的模型适合于不同的需求类型,因此可以应用于许多行业。模型的构件基于成本优化,在减少供需不平衡的同时能够降低总成本。
附图说明
图1是示出本发明的库存补货方法的流程图。
图2是示出根据数据分析的结果来推荐补货策略模型的流程图。
图3是示出一个区域中的融通点与普通店的关系的示意图。
图4是示出某商品过去60天的销量数据的实例。
图5是示出另一商品过去60天的销量数据的实例。
图6是示出分布拟合结果的图。
图7是示出又一商品过去60天的销量数据的实例。
具体实施方式
以下,参照附图对本发明的具体实施方式进行说明。
下面,根据图1对本发明的库存补货方法的各步骤的执行内容进行说明。图1是示出本发明的库存补货方法的流程图。
《数据采集步骤》
在数据采集步骤(S11)中,针对商品收集历史数据以及未来预测销量数据。历史数据包括实际销量数据、历史的预测销量数据、缺货数据等。通常,历史数据中的实际销量数据可以被视为历史需求数据。但是,有时实际销量数据与需求数据并不完全相等,这是因为实际销量数据中不包含未满足的需求信息、即缺货数据。因此,也可以将实际销量数据与缺货数据结合起来作为历史需求数据,用以真实反映市场需求。需求数据除了历史需求数据之外还可以包括预测需求数据,用以确保数据的连续性。未来预测销量数据可以被视为预测需求数据。
《数据分析步骤》
在数据分析步骤(S12)中,基于收集到的历史数据以及未来预测销量数据进行数据分析来确定商品的需求类型。这里,将需求类型划分为平滑型需求、平稳可拟合型需求、非平稳可预测型需求以及非平稳难预测型需求。
为了确定需求数据所属的需求类型,采用五种方法进行数据分析。其一是针对需求数据、通过计算需求标准差与需求平均值的比值来求出变异系数,变异系数反映了需求的波动程度。其中,需求标准差和需求平均值都通过步骤S11中收集到的需求数据来计算。其二是针对需求数据进行稳定性检验,需求数据稳定表示需求数据的属性(例如,均值、方差和协方差)不依赖于时间序列,没有趋势或季节性特征。需求数据的稳定性检验可以采用公知的ADF检验。其三是对于稳定的需求数据应用分布拟合进行定量描述,分布拟合是与数据库中的八十个分布进行匹配,通过K-S检验值来确认匹配是否成功。其四是对于分布拟合成功的需求数据,再次针对补货提前期内的需求数据单独进行分布拟合,分布拟合的检验同样可以采用公知的K-S检验。其五是如果拟合失败或需求数据不稳定,使用预测平均绝对误差MAE分析销量的预测误差。销量的预测误差低意味着可以利用未来的预测销量数据进行补货计算。否则,说明预测的销量数据不可靠,不能根据预测销量数据进行补货计算。预测平均绝对误差MAE可以利用实际销量数据和历史的预测销量数据采用下式(1)来计算。其中,表示历史的预测销量数据,yi表示实际销量数据,n表示记录的历史数据的周期。
在实际数据分析的过程中,如果根据目前的分析结果已经能够确定商品的需求类型,则不需要进行后续的数据分析。
《模型推荐步骤》
在模型推荐步骤(S13)中,根据确定的需求类型来推荐对应的补货策略模型。补货策略模型也可以简称为模型。
这里定义了模型一~模型六总共六种模型。模型一对应于变异系数小于规定阈值的平滑型需求,平滑型需求的需求波动很小。模型二和模型三对应于变异系数在规定阈值以上、且稳定性检验结果为稳定、且需求数据分布拟合成功的平稳可拟合型需求,平稳可拟合型需求不依赖于时间序列,没有趋势或季节性特征。模型四和模型五对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且销量预测误差小的非平稳可预测型需求,对于非平稳可预测型需求,由于销量预测误差较小,可以按照预测需求补货。模型六对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且销量预测误差大的非平稳难预测型需求,非平稳难预测型需求表现为毫无规律的突增突减,这里采用库存融通方法来减少不确定性的负面影响。补货策略模型的具体推荐方法以及模型一~模型六构成将于后文进行详细说明。
《基本参数设定步骤》
在基本参数设定步骤(S14)中,针对店铺和商品设定基本参数。店铺的基本参数例如包括:是否库存融通、是否是定期补货、定期补货的周期(日/周/月/季度)、定期补货的指定时点、补货提前期LT、提前期的标准差σLT、最小起订量等。由于从补货下单至到货为止存在物流时间,因此,计算补货量时需要考虑提前期LT,如第1期的补货量是满足第1+LT期的需求。
商品的基本参数例如包括:服务水平,其表示针对商品规定的销量满足需求的程度;库存成本h(元/台/天);缺货成本oc(元/台);固定补货成本s(元/次);滞销成本uc(元/台/天);补货变动成本vc(元/台),其根据补货量的大小而变动;当天库存水平,即在设为第t期补货的情况下的t期的期初库存vt;在途库存等。
《模型确定步骤》
在模型确定步骤(S15)中,在推荐多个补货策略模型的情况下,根据在基本参数设定步骤中设定的是否定期补货来最终推荐多个补货策略模型中的一个模型。
《补货策略输出步骤》
在补货策略输出步骤(S16)中,以收集到的历史数据、未来预测销量数据和基本参数作为输入,根据最终推荐的补货策略模型计算并输出补货策略。输入到各模型的商品的基本参数如下表1所示,根据表1可知,根据模型不同所需要的基本参数也不同。根据表1的最后一列所示,除了基本参数之外,还需要基于数据采集步骤中采集的数据和数据分析中分布拟合的结果,针对各模型输入与需求相关的数据。
表1
表2示出了各模型输出的补货策略。如表2所示,补货策略包括:补货量、补货周期、再补货点、安全库存以及补货计划,根据模型不同所输出补货策略包含的项目也不同。
表2
输出 | 补货量 | 补货周期 | 再补货点 | 安全库存 | 补货计划 |
模型1 | √ | √ | √ | √ | |
模型2 | √ | √ | √ | √ | |
模型3 | √ | √ | √ | √ | |
模型4 | √ | √ | |||
模型5 | √ | √ | √ | ||
模型6 | √ | √ |
图2是示出根据数据分析的结果来推荐补货策略模型的流程图。
在步骤S301中判定需求数据的变异系数是否低于规定的阈值,在判定为低于规定的阈值的情况下(判定为“是”)推荐模型一,否则进入步骤S302。在步骤S302中判定需求数据的稳定性检验结果是否为稳定,在判定为稳定的情况下(判定为“是”)进入步骤S303,否则进入步骤S306。在步骤S303中判定需求数据的分布拟合是否成功,在判定为分布拟合成功的情况下(判定为“是”)进入步骤S304,否则进入步骤S306。在步骤S304中判定是否是定期补货,在判定为定期补货的情况下(判定为“是”)推荐模型二,否则进入步骤S305。在步骤S305中判定提前期的需求数据的分布拟合是否成功,在判定为分布拟合成功的情况下(判定为“是”)推荐模型三,否则进入步骤S306。在步骤S306判定预测平均绝对误差MAE是否低于规定的阈值,在判定为低于规定的阈值的情况下(判定为“是”)进入步骤S307,否则推荐模型六。在步骤S307中判定是否是定期补货,在判定为定期补货的情况下(判定为“是”)推荐模型五,否则推荐模型四。
下面对各个补货策略模型分别进行具体说明。
《模型一》
模型一对应于变异系数值较小的平滑型需求。以分析期内总需求N、固定补货成本s、库存成本h、滞销成本uc、分析期天数t为输入,通过下式(2)计算最经济补货量Q*。其中d为平均需求,分析期是自定义的周期,分析期内总需求N可以按分析期求取需求数据的均值而获得。
以某服务水平下的标准差个数z、平均需求的标准差σd、补货提前期LT为输入,通过下式(3)计算模型一的安全库存。标准差个数z通过服务水平获得。
在计算再补货点rop时,考虑了补货提前期LT和安全库存,通过下式(4)计算再补货点rop。
rop=dLT+ss (4)
使用模型一的计算数据进行补货时,进行连续盘点,当库存低于再补货点rop时,下补货订单Q*。
《模型二》
模型二对应于变异系数值较大、平稳性检验结果为平稳且需求分布拟合成功,用户希望定期补货的平稳可拟合型需求。
在模型二中考虑到一次补货总成本E(TC)包括库存成本h、滞销成本uc、缺货成本oc、补货变动成本vc、固定补货成本s,因此下式(5)成立。其中,T是用户自定义的补货周期,例如为日、周、月、季度等。D是周期内的随机需求,f(D)是随机需求的概率密度函数,可以通过以需求数据拟合而获得。qty2是补货量,是模型二中需要求解的变量。
为使一次补货总成本E(TC)最低,对qty2求导,并使求导之后的等式为零,得到下式(6)。
求解下式(6)得到下式(7),其中qty2*是求解得到的最经济补货量。
以某服务水平下的标准差个数z、平均需求的标准差σd、补货周期T、提前期LT的标准差σLT、平均需求d为输入,通过下式(8)计算模型二的安全库存。
在定期补货的情况下,作为任意一个补货周期的第t期的期初库存vt,可以表示为第t-1期的期初库存vt-1与第t-1期到货的在途库存之和再扣除第t-1期的预测需求量qt-1。如果求出的第t期的期初库存vt为负值,则说明存在缺货,则第t期的期初库存vt取零。通过该方法可以求取任意补货周期的期初库存或期末库存。
模型二考虑补货提前期LT和安全库存确定实际的下单补货量,因此,在确定第t期的补货量时,在求解得到的最经济补货量qty2*的基础之上增加了第t+LT期的期末库存低于安全库存的部分作为实际的下单补货量。第t+LT期的期末库存可以通过前文所述方法求得。
《模型三》
模型三对应于变异系数值较大、稳定性检验结果为稳定且需求分布拟合成功,用户希望连续盘点不定期补货的平稳可拟合型需求。
在模型三中考虑到一次补货总成本E(TC)包括库存成本h、滞销成本uc、缺货成本oc、补货变动成本vc、固定补货成本s,因此下式(9)成立。其中,E(x)提前期内随机需求的期望,f(x)是提前期内的需求概率分布,需对提前期内的需求概率单独拟合得到,如果拟合不成功,则不能采用模型三,x是提前期内的需求之和。qty3是补货量,rop是再补货点,都是模型三中需要求解的变量。
求解下式(10)得到下式(11),其中qty3*是求解得到的最经济补货量。
对rop求偏导,并使求导之后的等式为零,得到下式(12)。
求解下式(12)得到下式(13),其中rop*是求解得到的最经济再补货点。
以某服务水平下的标准差个数z、平均需求的标准差σd、提前期LT、提前期LT的标准差σLT、平均需求d为输入,通过下式(14)计算模型三的安全库存。
模型三考虑补货提前期LT和安全库存确定实际的下单补货量,因此,若库存低于再补货点rop*,在求解得到的最经济补货量qty3*的基础之上增加了提前期的期末库存低于安全库存的部分作为实际的下单补货量。提前期的期末库存可以通过模型二中所述方法求得。
《模型四》
模型四对应于变异系数值较大、且稳定性检验结果为不稳定或需求分布拟合失败、且销量预测误差小、用户希望不定期补货的需求类型。在模型四中直接生成不定期补货计划,按计划补货即可,因此,模型四不需要求解再补货点rop。
由于销量预测误差较小,可以按照预测结果补货,同时设置一些必要的安全库存,应对不可避免的预测偏差。
按预测需求补货时,第t+1期的期初库存vt+1为第t期的期初库存vt与第t期的补货到货量zt之和再扣除第t期的预测需求量qt。t表示不定期补货的补货日,t+1表示不定期补货的下个补货日。
总成本包括补货费、库存成本h、滞销成本uc。其中,补货费包括固定补货成本s和补货变动成本vc。寻求成本最低的方案,可以采用后向递归的动态规划算法求解,总成本为本期成本与下期成本之和,以此后向递归求取总成本最低时的每期到货量zt。
在求解时对其中的变量设定边界。第t期的期初库存vt下限为零,上限是后面几期的总需求加第1期的期初库存。每期到货量zt下限是当期需求qt与期初库存vt的差,上限是后面几期总需求与期初库存vt的差。
zt为t期的到货量,补货量需要考虑提前期LT,因此,最终确定第t期的补货量是满足第t+LT期的到货量zt+LT。
应对整个采购期T的需求不确定,以销量预测误差衡量需求的不确定性。以某服务水平下的标准差个数z、销量预测误差的标准差σed、采购期T、提前期LT的标准差σLT、平均需求d为输入,通过下式(15)计算模型四的安全库存。
考虑安全库存,第t期的实际下单补货量为模型计算补货量加上提前期末低于安全库存的部分,提前期的期末库存可以通过模型二中所述方法求得。
《模型五》
模型五对应于变异系数值较大、且稳定性检验结果为不稳定或需求分布拟合失败、且销量预测误差小、用户希望定期补货的需求类型。在模型五中按照预测的需求直接生成定期补货计划,按计划补货即可。
模型五的安全库存采用与模型四相同的方法求得,在这里省略说明。
t为补货下单日,补货量需要考虑提前期LT,第t期的实际下单补货量为第t+LT期后整个补货周期T的预测总需求加上提前期末低于安全库存的部分,提前期的期末库存可以通过模型二中所述方法求得。
《模型六》
模型六对应于变异系数值较大、且稳定性检验结果为不稳定或需求分布拟合失败、且销量预测误差大的非平稳难预测型需求。销量预测误差大的原因可能是新品或历史销量数据缺失、出现无法预料的突发情况、数据质量差,更新不及时等。
针对非平稳难预测型需求,这里采用库存融通方法来减少不确定性的负面影响。预先对各店铺进行区域划分,每个区域包括一个融通店和多个普通店。融通店是区域中供应短期库存的店铺,从总仓补货,补货量考虑区域整体的需求。普通店是有类似长尾商品的店铺,只备安全库存,缺货时从融通店补货。图3是示出一个区域中的融通点与普通店的关系的示意图。融通店和普通店根据店铺的基本参数中的是否库存融通来确定,如果可以库存融通则确定为融通店,不可以库存融通则确定为普通店。
在推荐了模型六的情况下,对于推荐了模型六的普通店来说,在缺货时从本区域的融通店补货即可,补货量为少于安全库存的部分与当天实际产生且愿意等待的需求之和。对于本区域的融通店来说,需要对该融通店覆盖区域内的需要融通的店铺和商品进行汇总,收集该融通店覆盖区域内需要融通的商品的历史数据和未来预测销量数据,基于本区域整体的需求数据再次执行本申请的库存补货方法的各步骤,但不进行销量预测误差计算,不满足模型一~模型三中的任意一种的情况下,直接选择模型四或模型五。
以某服务水平下的标准差个数z、平均需求的标准差σd、提前期LT为输入,通过下式(16)计算模型六的安全库存。
实施例
本实施例为2020/8/5日早上执行,根据过往60天实际销量、预测销量以及未来7天(8/5至8/11)预测销量,做补货计划。以不同形态的销量数据为例,匹配相应的补货模型,设变异系数的阈值为0.2,MAE临界点为3。
表3~表6示出针对店铺和商品设定的基本参数。表3示出针对店铺设定的基本参数。表4示出针对商品设定的基本参数。表5示出8月5日各商品的期初库存。表6示出已有的各商品的补货计划,用于计算在途库存。
表3
店铺ID | 100Y | 100E | 100P |
是否库存融通 | 0 | 1 | 1 |
补货提前期 | 1 | 1 | 2 |
提前期的标准差 | 0 | 0 | 0 |
最小起订量 | 1 | 1 | 1 |
是否定期补货 | 1 | 1 | 0 |
每天补货 | 1 | 0 | 0 |
每周补货 | 0 | 1 | 0 |
每周的补货日 | 0 | 6 | 0 |
每月补货 | 0 | 0 | 0 |
每月的补货日 | 0 | 0 | 0 |
表4
表5
日期 | 店铺ID | 商品 | 库存 |
2020/8/5 | 100Y | 7402703255 | 3 |
2020/8/5 | 100Y | 7402703738 | 5 |
2020/8/5 | 100Y | 7402703927 | 2 |
2020/8/5 | 100Y | 7402705648 | 5 |
2020/8/5 | 100Y | 7402707087 | 6 |
表6
日期 | 店铺ID | 商品 | 补货量 |
2020/8/3 | 100Y | 7402703255 | 13 |
2020/8/3 | 100Y | 7402703738 | 11 |
2020/8/3 | 100Y | 7402703927 | 11 |
2020/8/3 | 100Y | 7402705648 | 12 |
2020/8/3 | 100Y | 7402707087 | 12 |
2020/8/4 | 100Y | 7402703255 | 13 |
2020/8/4 | 100Y | 7402703738 | 10 |
2020/8/4 | 100Y | 7402703927 | 12 |
2020/8/4 | 100Y | 7402705648 | 13 |
2020/8/4 | 100Y | 7402707087 | 11 |
2020/8/5 | 100Y | 7402703255 | 13 |
2020/8/5 | 100Y | 7402703738 | 12 |
2020/8/5 | 100Y | 7402703927 | 13 |
2020/8/5 | 100Y | 7402705648 | 12 |
2020/8/5 | 100Y | 7402707087 | 12 |
《平滑型需求》
图4示出某商品过去60天的销量数据的实例。
以该商品为例,首先分析过往60天的销量数据,均值=47.9,标准差=8,变异系数cv=8/47.8=0.17,低于阈值0.2,故推荐模型一。
这里以历史的销量数据作为需求数据计算变异系数,在存在缺货数据的情况下,可以在加上缺货数据。模型输出如表7所示。表7示出了模型一输出的补货策略。表8示出了模型一输出的补货计划。如表8所示,该商品的补货量是65,再补货点为23,安全库存为19,8/5日需下单采购65件。
表7
表8
日期 | 店铺ID | 商品 | 实际补货量 |
2020/8/5 | 100Y | 7402703738 | 65 |
《平稳可拟合型需求》
图5是示出另一商品过去60天的销量数据的实例。
计算得到变异系数cv=0.405>0.2,故不能采用模型一。稳定性检验p-value=3.8656794153707564e-07<0.05,故需求稳定。进行分布拟合,图6是示出分布拟合结果的图。横轴表示商品的需求,纵轴表示需求分布的概率。数据符合dweibull分布,分布拟合ks检验p-value=0.8>0.05,故拟合结果显著。可推荐模型二或三,如果推荐模型二,按定期每日补货,则模型输出如表9所示。表9示出了模型二输出的补货策略。表10示出了模型二输出的补货计划。如表10所示,不考虑安全库存的最优补货量时82,安全库存20,8/5日需要下单采购102件
表9
表10
日期 | 店铺ID | 商品 | 实际补货量 |
2020/8/5 | 100Y | 7402703255 | 102.0 |
同样以上述的商品7402703255为例说明,若用户选择连续盘点策略,则模型输出如表11所示,表11示出了模型三输出的补货策略。表12示出了模型三输出的补货计划。如表12所示,连续盘点下不考虑安全库存的最经济补货量是999,再补货点为10,安全库存为20,8/5日实际下单补货量为999。
表11
表12
日期 | 店铺ID | 商品 | 实际补货量 |
2020/8/5 | 100Y | 7402703255 | 999 |
《非平稳可预测型需求》
图7是示出又一商品过去60天的销量数据的实例。
计算得到变异系数cv=0.72>0.2,稳定性ADF检验P-value=0.59>0.05,所以需求具有波动大,且不稳定的特征,从上图也可以看出销量有逐渐减少的趋势。
再分析预测精度,预测平均绝对误差MAE=2.1,此处取MAE临界点为3,小于3认为预测较为准确,可采用模型四和模型五,在3以上为预测不准,需要库存融通。若用户要求不定期补货,则模型输出如表13所示,表13示出了模型四输出的补货策略。表14示出了模型四输出的补货计划。如表14所示,安全库存为2件,8/5日的补货量为0。
表13
表14
日期 | 店铺ID | 商品 | 实际补货量 |
2020/8/5 | 100Y | 7402703927 | 0.0 |
同样以商品7402703927为例,当用户需要推荐定期补货时,则模型输出如表15所示,。表15示出了模型五输出的补货策略。表16示出了模型五输出的补货计划。根据用户设定的补货周期为1天,即每天补货,安全库存为2,8/5日需下单补货2件。
表15
表16
日期 | 店铺ID | 商品 | 实际补货量 |
2020/8/5 | 100Y | 7402703927 | 2.0 |
《非平稳难预测型需求》
某次算法运行结果显示,以下两个店铺100E和100P的商品属于非平稳难预测型需求,需要库存融通,补货来源是本区域的融通店100Y。100E和100P的对应商品补货策略如下表17中所示、补货计划如下表18所示。
表17
表18
融通店100Y的对应商品的补货策略则需考虑自家店铺及需要融通的店铺的总需求来重新计算。考虑区域需融通商品后,100Y对应商品补货策略如下表19中所示、补货计划如下表20所示。
表19
表20
本申请还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实施如本申请的库存补货方法。
相应地,本申请还公开了一种终端设备,包括:存储器,其存储有计算机程序;处理器,其连接至存储器,并且配置为执行计算机程序,计算机程序被处理器执行以实施如本申请的库存补货方法。电子设备可以为服务器、PC机、移动终端、个人数字助理、平板电脑等。
以上对本申请提供的一种库存补货方法、计算机可读存储介质以及终端设备进行了详细介绍,本文中应用了具体实施例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种库存补货方法,其用于针对店铺的商品制定补货策略,所述库存补货方法的特征在于,包括如下步骤:
数据采集步骤,针对所述商品收集历史数据以及未来预测销量数据;
数据分析步骤,基于收集到的所述历史数据以及所述未来预测销量数据进行数据分析来确定所述商品的需求类型;
模型推荐步骤,根据确定的所述需求类型来推荐对应的补货策略模型;
基本参数设定步骤,针对所述店铺和所述商品设定基本参数;
模型确定步骤,在推荐多个补货策略模型的情况下,根据所述基本参数中规定的是否定期补货来最终推荐所述多个补货策略模型中的一个模型;以及
补货策略输出步骤,以收集到的所述历史数据、所述未来预测销量数据和所述基本参数作为输入,根据最终推荐的补货策略模型计算并输出补货策略。
2.根据权利要求1所述的库存补货方法,其特征在于,
所述需求类型包括平滑型需求、平稳可拟合型需求、非平稳可预测型需求以及非平稳难预测型需求,每种需求类型都对应至少一种补货策略模型。
3.根据权利要求1所述的库存补货方法,其特征在于,
所述数据分析包括:针对需求数据计算变异系数;针对所述需求数据进行稳定性检验;针对所述需求数据进行分布拟合;针对补货提前期内的需求数据进行分布拟合;以及根据所述历史数据中的实际销量数据和历史预测销量数据进行销量预测误差计算,
所述需求数据是历史需求数据或整体需求数据,所述历史需求数据根据所述历史数据中的所述实际销量数据和缺货数据来计算,所述整体需求数据除了所述历史需求数据之外还包括作为预测需求数据的所述未来预测销量数据,
所述补货提前期在基本参数设定步骤中设定。
4.根据权利要求3所述的库存补货方法,其特征在于,
所述补货策略模型包括:
模型一,其对应于变异系数小于规定阈值的平滑型需求;
模型二、模型三,这两个模型对应于变异系数在规定阈值以上、且稳定性检验结果为稳定、且需求数据分布拟合成功的平稳可拟合型需求;
模型四、模型五,这两个模型对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且需求预测误差小的非平稳难预测型需求;以及
模型六,其对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且需求预测误差大的非平稳难预测型需求。
5.根据权利要求1所述的库存补货方法,其特征在于,
针对所述店铺的基本参数包括:是否库存融通、是否定期补货、定期补货的周期、定期补货的指定时点、补货提前期、提前期的标准差、最小起订量,
针对所述商品的基本参数包括:服务水平、库存成本、缺货成本、固定补货成本、滞销成本、补货变动成本、当天库存水平、在途库存。
6.根据权利要求4或5所述的库存补货方法,其特征在于,
在模型推荐步骤中推荐了模型二和模型三的情况下,如果在基本参数设定步骤中设定为定期补货,则最终推荐模型二,
如果在基本参数设定步骤中设定为非定期补货,则判断提前期需求分布拟合是否成功,在提前期需求分布拟合成功时,最终推荐模型三,
在模型推荐步骤中推荐了模型四和模型五的情况下,如果在基本参数设定步骤中设定为定期补货,则最终推荐模型五,
如果在基本参数设定步骤中设定为非定期补货,则最终推荐模型四。
7.根据权利要求5所述的库存补货方法,其特征在于,
在模型一中,基于所述需求数据求解补货量,
在模型二和模型三中,以总补货成本包括库存成本、缺货成本、固定补货成本、滞销成本以及补货变动成本为条件的建立约束,基于所述需求数据,求解总补货成本最低时的补货量,
在模型四中,以总补货成本包括库存成本、固定补货成本、滞销成本以及补货变动成本为条件的建立约束,基于所述未来预测销量数据,求解总补货成本最低时的补货量,
在模型五中,基于所述未来预测销量数据求解补货量。
8.根据权利要求5所述的库存补货方法,其特征在于,
预先对各店铺进行区域划分,每个区域包括一个融通店和多个普通店,融通店是可以在本区域进行库存融通的店铺,普通店是不可以库存融通的店铺,
在模型推荐步骤中推荐了模型六的情况下,推荐了模型六的普通店在缺货时从本区域的融通店补货,本区域的融通店基于本区域整体的需求数据再次执行所述库存补货方法的各步骤,但不进行销量预测误差计算,不满足模型一~模型三中的任意一种的情况下,选择模型四或模型五。
9.根据权利要求7或8所述的库存补货方法,其特征在于,
在各个补货策略模型分别计算安全库存,基于在各个补货策略模型分别求解的补货量和安全库存,确定补货策略中的实际补货量。
10.一种计算机可读存储介质,在计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被计算机执行以实施权利要求1~9中任一项所述的库存补货方法。
11.一种终端设备,包括:存储器,其存储有计算机程序;处理器,其连接至所述存储器,并且配置为执行所述计算机程序,其特征在于,所述计算机程序被所述处理器执行以实施权利要求1~9中任一项所述的库存补货方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946386.0A CN114169557A (zh) | 2020-09-10 | 2020-09-10 | 库存补货方法、计算机可读存储介质以及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946386.0A CN114169557A (zh) | 2020-09-10 | 2020-09-10 | 库存补货方法、计算机可读存储介质以及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169557A true CN114169557A (zh) | 2022-03-11 |
Family
ID=80475696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010946386.0A Pending CN114169557A (zh) | 2020-09-10 | 2020-09-10 | 库存补货方法、计算机可读存储介质以及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169557A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829287A (zh) * | 2022-12-16 | 2023-03-21 | 广州飞狮数字科技有限公司 | 一种货品的分配方法及装置 |
WO2024032397A1 (zh) * | 2022-08-08 | 2024-02-15 | 深圳市库宝软件有限公司 | 库存补货推荐方法、装置以及电子设备 |
-
2020
- 2020-09-10 CN CN202010946386.0A patent/CN114169557A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024032397A1 (zh) * | 2022-08-08 | 2024-02-15 | 深圳市库宝软件有限公司 | 库存补货推荐方法、装置以及电子设备 |
CN115829287A (zh) * | 2022-12-16 | 2023-03-21 | 广州飞狮数字科技有限公司 | 一种货品的分配方法及装置 |
CN115829287B (zh) * | 2022-12-16 | 2023-09-01 | 广州飞狮数字科技有限公司 | 一种货品的分配方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8515835B2 (en) | Systems and methods for multi-echelon inventory planning with lateral transshipment | |
JP7105336B2 (ja) | スマートサプライチェーンシステム | |
US8494916B2 (en) | Managing fresh-product inventory | |
Yang et al. | Evaluation of robustness of supply chain information-sharing strategies using a hybrid Taguchi and multiple criteria decision-making method | |
Li et al. | Pricing decisions during inter‐generational product transition | |
CN112561414B (zh) | 库存管理方法、装置及计算机可读存储介质 | |
US20080086392A1 (en) | Managing distribution of constrained product inventory from a warehouse | |
CN110097203A (zh) | 库存调度方法、库存调度装置以及计算机可读存储介质 | |
Stenius et al. | Exact analysis of divergent inventory systems with time-based shipment consolidation and compound poisson demand | |
CN102598034A (zh) | 为多个需求组提供不同服务质量的有效库存管理 | |
CN114118503A (zh) | 供应链库存优化方法、装置、设备和存储介质 | |
CN112529491B (zh) | 一种库存管理方法及装置 | |
CN111222815A (zh) | 确定单品补货量方法、装置、设备及存储介质 | |
CN113743862B (zh) | 基于产品分类的产品目标库存确定方法及系统 | |
CN114169557A (zh) | 库存补货方法、计算机可读存储介质以及终端设备 | |
Yadollahi et al. | Evaluating approximate solution models for the stochastic periodic inventory routing problem | |
CN115456494A (zh) | 自动补货方法、装置、计算机设备及计算机可读存储介质 | |
Liu et al. | The two-stage batch ordering strategy of logistics service capacity with demand update | |
CN113469397A (zh) | 智慧供应链系统及服务器平台 | |
US20180032937A1 (en) | System and Method of Solving Supply Chain Campaign Planning Problems Involving Major and Minor Setups | |
CN115271574A (zh) | 一种货品补货方法、装置、电子设备及存储介质 | |
CN115564359B (zh) | 汽车售后备件的库存预测方法、设备和存储介质 | |
JP2000306015A (ja) | レンタル品管理装置およびレンタル品管理方法 | |
Perakis et al. | Leveraging the newsvendor for inventory distribution at a large fashion e-retailer with depth and capacity constraints | |
CN116805121A (zh) | 基于需求关联性预测的多产品联合补货控制方法 |
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 |