CN114219412B - 基于智慧商品系统销售预测的自动补货方法及补货系统 - Google Patents
基于智慧商品系统销售预测的自动补货方法及补货系统 Download PDFInfo
- Publication number
- CN114219412B CN114219412B CN202210164683.9A CN202210164683A CN114219412B CN 114219412 B CN114219412 B CN 114219412B CN 202210164683 A CN202210164683 A CN 202210164683A CN 114219412 B CN114219412 B CN 114219412B
- Authority
- CN
- China
- Prior art keywords
- replenishment
- commodity
- sales
- inventory
- goods
- 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.)
- Active
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
- G06Q10/08—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
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧商品系统技术领域,特别涉及一种基于智慧商品系统销售预测的自动补货方法及补货系统。自动补货系统根据库存商品的实时销售情况更新当前库存量,筛选需补货商品并分别计算各个需补货商品的补货量。补货方法具体地,从调取的历史销售数据库中筛选出与需补货商品在商品属性上的匹配度超过预设程度的商品作为样本商品;获取样本商品的销售变化数据,根据需补货商品与样本商品的销售趋势的比较结果计算样本商品在需补货商品当前库存量周期的剩余销售时间内的销售数量作为补货量。该自动补货系统通过上述自动补货方法的补货步骤确认各个需补货商品的补货量并调配库存商品以实现补货,补货量决策的速度快且准确度更高。
Description
技术领域
本发明涉及智慧商品系统技术领域,特别涉及一种基于智慧商品系统销售预测的自动补货方法及补货系统。
背景技术
在商品销售领域,如何更好地进行库存管理,在合适的时间及时储备合理的库存,在保障订单满足率的同时尽量降低库存水平,是降低成本、提升利润、提高企业乃至整个行业竞争力的关键问题。
目前业界常用的补货策略为目标库存法,具体操作为定期检查库存水平,如果当前库存量水平低于该目标库存,则补货到该目标库存,否则不补货。目标库存法由了解市场变化的销售或预测部门根据人工经验或者传统的时间序列方法预估未来需求变化,再结合库存管理部门根据人工经验或者一定的统计方法来决定合理的库存天数,两者结合形成目标库存量。当前,无论是对未来需求进行预测还是对目标库存天数进行预测时,均在很大程度上需要依赖人工经验,无法实时确定库存预销售变化,更新频率较低,预测的准确度较低;并且现有技术是通过销售人员和库存管理人员分别确定未来的产品需求和目标库存天数,这种割裂的预测方式可能会导致重复考虑或者忽略考虑某些因素,同样会导致决策的准确度不够,且波动会较大。
发明内容
本发明所要解决的技术问题是提供一种自动补货方法、存储有被执行时实现上述方法的计算机程序的计算机可读存储介质以及包括该存储介质的系统,该补货方法提供的补货量决策的准确度更高。
智慧商品系统是当前企业记录商品生产销售数据的智能化系统。以服装销售行业为例,智慧商品系统内记录有当前在售商品在各个销售点的库存量、库存周期和商品属性,并为历史销售商品建立有历史销售数据库。历史销售数据库中记录有各个商品的商品属性以及商品在各个销售点的库存周期内的销售数量变化信息。
发明人想到,只需在历史销售数据库中筛选出与需补货商品相近似的商品作为样本商品,根据该样本商品的销售数据即可估算出该需补货商品的接下来的可能的销售数据,从而对该需补货商品进行销售预测,并且发明人通过大数据分析判断根据商品属性能够相对准确地筛选出与需补货商品相近似的样本商品。为此,发明人提出在智慧商品系统的基础上构建的自动补货系统,自动补货系统针对商品运营的业务需求,结合企业的核心数据资产,采用智能分析的方式实现对于商品企划、补货调配的自动化/智能化处理。
提供一种基于智慧商品系统销售预测的自动补货方法,包括如下补货步骤:
F)获取多种库存商品各自的库存量、库存周期和商品属性;
R)判断多种库存商品当中是否存在库存量不足的需补货商品,若是,则调取智慧商品系统的历史销售数据库,分别对各个需补货商品执行如下步骤R1、R2和R3来计算补货量:
R1)从调取的历史销售数据库中筛选出与需补货商品在商品属性上的匹配度超过预设程度的商品作为样本商品;
R2)获取样本商品的销售信息,识别销售信息的销售变化数据,比较需补货商品与样本商品的销售趋势,根据两者销售趋势的比较结果计算:样本商品在需补货商品当前库存量周期的剩余销售时间内的销售数量;
R3)以步骤R2计算得到的样本商品的销售数量作为该需补货商品的补货量;
D)根据步骤R计算得到的各个需补货商品的补货量来调配库存商品以实现补货。
优选地,步骤R中,判断库存量不足的需补货商品包括:计算各个库存商品的当前库存量占其原始库存量的比例,若计算得到的比例低于预设程度,则认为该库存商品的库存量不足。
优选地,若计算得到的比例低于预设程度,则先计算该商品在当前记录周期相较上一记录周期的销量增长率,若销量增长率高于预设程度,才认为该库存商品的库存量不足。
优选地,商品属性包括预设的限制属性和选择属性,限制属性对匹配度的影响权重高于选择属性。
优选地,库存商品为服装,限制属性包括类别、款型、季节、性别中的一种或多种。
优选地,库存商品为服装,选择属性包括品牌、价格、风格、元素、面料、年份、尺码中的一种或多种。
优选地,还包括在执行步骤D前执行的调整步骤:判断是否存在补货量低于预设程度的需补货商品,若是,则判断在其他需补货商品中是否存在该需补货商品的替代品,若判断结果为存在,则拒绝给该需补货商品补货而将该需补货商品的补货量转移给替代品。
优选地,替代品包括:与该需补货商品的商品属性的匹配度超过预设程度的库存商品。
还提供一种计算机可读存储介质,计算机程序被控制器执行时能够实现上述基于智慧商品系统销售预测的自动补货方法。
还提供一种基于智慧商品系统销售预测的自动补货系统,包括商品信息录入模块、库存记录模块和处理器,商品信息录入模块用于记录各个库存商品的商品属性,库存记录模块用于记录各个库存商品的原始库存量和当前库存量,处理器内还预先存储有上述计算机可读存储介质,该计算机可读存储介质上的计算机程序可被处理器执行。
有益效果:该基于智慧商品系统销售预测的自动补货系统,其库存记录模块根据库存商品的实时销售情况更新当前库存量,并自动执行补货步骤,获取多种库存商品各自的库存量、库存周期和商品属性,在判断多种库存商品当中存在库存量不足的需补货商品时,调取智慧商品系统的历史销售数据库,分别计算各个需补货商品的补货量。该自动补货系统具体通过执行如下步骤R1、R2和R3来计算补货量:R1)从调取的历史销售数据库中筛选出与需补货商品在商品属性上的匹配度超过预设程度的商品作为样本商品;R2)获取样本商品的销售信息,识别销售信息的销售变化数据,比较需补货商品与样本商品的销售趋势,根据两者销售趋势的比较结果计算:样本商品在需补货商品当前库存量周期的剩余销售时间内的销售数量;R3)以步骤R2计算得到的样本商品的销售数量作为该需补货商品的补货量。该自动补货系统通过上述自动补货方法的补货步骤确认各个需补货商品的补货量并调配库存商品以实现补货,补货量决策的速度快且准确度更高。
附图说明
图1是基于智慧商品系统销售预测的自动补货系统的结构框图。
图2是基于智慧商品系统销售预测的自动补货方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例一
在服装销售系统中,每个销售渠道(如门店)的管理终端上均安装有智慧商品系统客户端,销售渠道每销售一件库存商品均会记录在管理终端的智慧商品系统中并上传到服务器,服务器的智慧商品系统中设有该基于智慧商品系统销售预测的自动补货系统。如图1所示,该自动补货系统包括商品信息录入模块、库存记录模块和控制模块(处理器)。其中,商品信息录入模块包括商品名称记录模块、商品类别记录模块、商品属性记录模块和销售渠道记录模块。库存记录模块记录有原始库存数以及实时的当前库存数。
商品类别记录模块记录了商品的类别,如服装。商品属性记录模块用于记录各个库存商品的商品属性,商品属性包括预设的限制属性和选择属性,在后续计算匹配度时,限制属性对匹配度的影响权重高于选择属性。以服装类别为例,限制属性包括类别、款型、季节和性别,选择属性包括品牌、价格、风格、元素、面料、年份和尺码。商品属性是智慧商分析和预测的基础元素,属性维护越详细,预测越精准。
销售渠道记录模块记录有销售渠道相关属性,如:渠道组、渠道类型、渠道状态、渠道等级、租金、物流渠道。智慧商品系统以销售渠道为单位对商品销售情况进行管理,比如进行商品销售分析:统计销售渠道下每个单款单色的过往销售情况,按周次显示渠道下每个单款单色去年销售情况和今年的预测销售情况,并与当前实际销售进行对比,展示均折、均价、销售数和售罄率等的对比数据。智慧商品系统还可以按每个周次统计全部销售渠道下单款单色的销售额数据,如每个渠道下显示销售额排名前20的单款单色,销售额由高到低排序,以便对各个商品的整体销售情况进行对比分析。
服务器的自动补货系统定期统计每周次每个渠道的满场率、齐码率和库存深度表现,从而通过本实施例的基于智慧商品系统销售预测的自动补货方法来为各个销售渠道(如门店A)进行补货。其中满场率=库存单款单色/陈列标准单款单色,齐码率=库存齐码单款单色/库存单款单色,库存深度=库存件数/库存单款单色。
该基于智慧商品系统销售预测的自动补货方法具体通过如图2所示的如下补货步骤来实现补货。
步骤F,获取多种库存商品各自的库存量、库存周期和商品属性。如门店A有60种库存商品,自动补货系统定期获取这些库存商品的当前库存数,并关联获取这些库存商品的库存周期和商品属性。
步骤R,判断多种库存商品当中是否存在库存量不足的需补货商品。自动补货系统计算各个库存商品的当前库存量占其原始库存量的比例,若计算得到的比例低于预设程度,则认为该库存商品的库存量不足,将其列为需补货商品。优选地,若计算得到的比例低于预设程度,则先计算该商品在当前记录周期相较上一记录周期的销量增长率,若销量增长率高于预设程度,才认为该库存商品的库存量不足。
自动补货系统列出全部需补货商品后,调取智慧商品系统的历史销售数据库,分别对各个需补货商品执行如下步骤R1、R2和R3来计算补货量。以下以需补货商品为牛仔外套为例对步骤R1、R2和R3进行详细说明。
步骤R1,从调取的历史销售数据库中筛选出与需补货商品在商品属性上的匹配度超过预设程度的商品作为样本商品。该款牛仔外套的商品属性中,限制属性包括季节(春秋季)、性别(女),选择属性包括品牌X、价格(中档)、风格(校园)、面料(牛仔布)和尺码(M),其中限制属性的匹配权重为选择属性的2倍,季节和性别的匹配权重相同。匹配度具体根据商品属性人工神经网络计算得到,该商品属性人工神经网络以各个商品属性作为输入,以商品同期销售量作为输出,同期销售量越接近的商品匹配度越高。商品属性人工神经网络的构建方法除参数外通过通用人工神经网络构建方法实现,在此不做赘述。本实施例中,由商品属性人工神经网络在历史销售数据库中自动筛选出一款针织外套为该牛仔外套的样本商品。
步骤R2,获取样本商品的销售信息,识别销售信息的销售变化数据,比较需补货商品与样本商品的销售趋势,根据两者销售趋势的比较结果计算:样本商品在需补货商品当前库存量周期的剩余销售时间内的销售数量。获取样本商品针织外套的销售信息,根据销售变化数据自动形成该样本商品的销售曲线图,并同步形成需补货商品的销售曲线图,从而比较需补货商品与样本商品的销售趋势,计算样本商品在需补货商品当前库存量周期的剩余销售时间(如10天)内的销售数量,如80件。
步骤R3,以步骤R2计算得到的样本商品的销售数量作为该需补货商品的补货量。若样本商品和需补货商品两者在销售周期内的单日销售数量差值稳定(如2件),则以销售数量80件减去剩余销售时间内的总单日销售数量差值(20件)的结果60件作为需补货商品牛仔外套的补货量。
步骤D,根据步骤R计算得到的各个需补货商品的补货量来调配库存商品以实现补货。
该基于智慧商品系统销售预测的自动补货系统,其库存记录模块根据库存商品的实时销售情况更新当前库存量,并自动执行补货步骤,获取多种库存商品各自的库存量、库存周期和商品属性,在判断多种库存商品当中存在库存量不足的需补货商品时,调取智慧商品系统的历史销售数据库,分别计算各个需补货商品的补货量。该自动补货系统通过上述自动补货方法的补货步骤确认各个需补货商品的补货量并调配库存商品以实现补货,补货量决策的速度快且准确度更高。
实施例二
本实施例在实施例一的基础上进行调整,在步骤D前执行调整步骤:判断是否存在补货量低于预设程度的需补货商品,若是,则判断在其他需补货商品中是否存在该需补货商品的替代品,若判断结果为存在,则拒绝给该需补货商品补货而将该需补货商品的补货量转移给替代品。替代品包括与该需补货商品的商品属性的匹配度超过预设程度的库存商品。如需补货商品夹克的补货量低于10件,则不补货牛仔外套,而是找到其替代品牛仔外套也属于需补货商品,牛仔外套的补货量增加10件。
本实施例的自动补货系统通过调取智慧商品系统的历史销售数据库,分析销售信息,结合企业销售渠道的库存等因素,构建出高效、精准的销售预测算法;依据销售预测的结果实现对销售渠道的自动化调配。还可以结合现有技术,通过分析当前周期的销售数据以及历史销售情况,计算出下一周期的占比预测数、畅滞平系数、折扣系数、节假日系数,从而得到更准确的预测销售数。畅滞平设置是评判货品畅滞销的基本参数,通过设置货品正常的销售周和完成销售的售罄率为正常的销售频率。通过周次系数设置中的开始周次、结束周次和正常销售周对得出相应的畅滞平销设置。
其中,自动补货系统还可以设置新品保护,单款单色陈列数等参数,如:新品保护天数用于设置新品到某渠道后N天内不会被调配。
其中,自动补货系统还可以设置促销干扰,促销干扰可以是传统的节日,如中秋节、国庆节,也可以是行业自定义,如店庆、年中618、双11等。自动补货系统可以设置促销干扰是适用范围是全局还是到某个渠道。通过促销干扰类型的设置,系统会根据促销干扰期间的周次和节前周次的销售数据分析出销售增幅和参考的补货系数,根据销售数据精准调配库存,减少渠道的库存积压。
其中,自动补货系统还可以设置信用额度,控制非自营渠道的配货额度,超出额度的那部分,则不进行配补调。
以上所描述的基于智慧商品系统销售预测的自动补货系统实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
最后应说明的是:本发明实施例公开的基于智慧商品系统销售预测的自动补货方法所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.基于智慧商品系统销售预测的自动补货方法,其特征是,包括如下补货步骤:
F)获取多种库存商品各自的库存量、库存周期和商品属性;
R)判断所述多种库存商品当中是否存在库存量不足的需补货商品,若是,则调取智慧商品系统的历史销售数据库,分别对各个需补货商品执行如下步骤R1、R2和R3来计算补货量:
R1)从调取的所述历史销售数据库中筛选出与需补货商品在商品属性上的匹配度超过预设程度的商品作为样本商品;
R2)获取所述样本商品的销售信息,识别所述销售信息的销售变化数据,比较需补货商品与样本商品的销售趋势,根据两者销售趋势的比较结果计算:样本商品在需补货商品当前库存量周期的剩余销售时间内的销售数量;
R3)以步骤R2计算得到的所述样本商品的销售数量作为该需补货商品的补货量;
D)根据步骤R计算得到的各个需补货商品的补货量来调配库存商品以实现补货。
2.根据权利要求1所述的基于智慧商品系统销售预测的自动补货方法,其特征是,所述步骤R中,判断库存量不足的需补货商品包括:计算各个库存商品的当前库存量占其原始库存量的比例,若计算得到的比例低于预设程度,则认为该库存商品的库存量不足。
3.根据权利要求2所述的基于智慧商品系统销售预测的自动补货方法,其特征是,若计算得到的比例低于预设程度,则先计算该商品在当前记录周期相较上一记录周期的销量增长率,若销量增长率高于预设程度,才认为该库存商品的库存量不足。
4.根据权利要求1所述的基于智慧商品系统销售预测的自动补货方法,其特征是,所述商品属性包括预设的限制属性和选择属性,所述限制属性对匹配度的影响权重高于选择属性。
5.根据权利要求4所述的基于智慧商品系统销售预测的自动补货方法,其特征是,所述库存商品为服装,所述限制属性包括类别、款型、季节、性别中的一种或多种。
6.根据权利要求4所述的基于智慧商品系统销售预测的自动补货方法,其特征是,所述库存商品为服装,所述选择属性包括品牌、价格、风格、元素、面料、年份、尺码中的一种或多种。
7.根据权利要求1所述的基于智慧商品系统销售预测的自动补货方法,其特征是,还包括在执行步骤D前执行的调整步骤:判断是否存在补货量低于预设程度的需补货商品,若是,则判断在其他需补货商品中是否存在该需补货商品的替代品,若判断结果为存在,则拒绝给该需补货商品补货而将该需补货商品的补货量转移给所述替代品。
8.根据权利要求7所述的基于智慧商品系统销售预测的自动补货方法,其特征是,所述替代品包括:与该需补货商品的商品属性的匹配度超过预设程度的库存商品。
9.计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被控制器执行时能够实现如权利要求1~8中任一项所述的基于智慧商品系统销售预测的自动补货方法。
10.基于智慧商品系统销售预测的自动补货系统,其特征是,包括商品信息录入模块、库存记录模块和处理器,所述商品信息录入模块用于记录各个库存商品的商品属性,所述库存记录模块用于记录各个库存商品的原始库存量和当前库存量,所述处理器内还预先存储有如权利要求9所述的计算机可读存储介质,该计算机可读存储介质上的计算机程序可被处理器执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164683.9A CN114219412B (zh) | 2022-02-23 | 2022-02-23 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164683.9A CN114219412B (zh) | 2022-02-23 | 2022-02-23 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114219412A CN114219412A (zh) | 2022-03-22 |
CN114219412B true CN114219412B (zh) | 2022-04-22 |
Family
ID=80709309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210164683.9A Active CN114219412B (zh) | 2022-02-23 | 2022-02-23 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219412B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943483B (zh) * | 2022-06-27 | 2023-02-03 | 广州市尚为供应链科技有限公司 | 一种物流供应链智能管理系统 |
CN115907800B (zh) * | 2022-11-17 | 2023-11-24 | 广州追尚在线科技有限公司 | 一种基于物联网的食品电商智能监测管理平台 |
CN115829167B (zh) * | 2023-02-15 | 2023-05-19 | 临沂市启成电子科技有限公司 | 一种物流信息平台数据智能管理方法及系统 |
CN117333110B (zh) * | 2023-11-24 | 2024-03-15 | 广东中大管理咨询集团股份有限公司 | 一种基于人工智能的数据分析系统及方法 |
CN117371826B (zh) * | 2023-12-07 | 2024-03-15 | 福建科德信息技术服务有限公司 | 一种基于大数据的企业管理方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101819668A (zh) * | 2010-04-27 | 2010-09-01 | 浙江大学 | 基于产品固有生命周期特征的销售预测模型 |
CN105701553A (zh) * | 2014-11-24 | 2016-06-22 | 财团法人资讯工业策进会 | 商品销量预测系统及商品销量预测方法 |
KR20180041418A (ko) * | 2016-10-14 | 2018-04-24 | 주식회사 셀팅 | 네트워크 기반 판매 예측 정보 제공 장치 |
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 |
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 |
EP3757915A1 (en) * | 2019-06-27 | 2020-12-30 | Tata Consultancy Services Limited | Method and system for adaptive inventory replenishment |
CN112712222A (zh) * | 2019-10-24 | 2021-04-27 | 北京沃东天骏信息技术有限公司 | 物品调度方法和系统 |
CN113065882A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 一种商品处理方法、装置及电子设备 |
CN113095893A (zh) * | 2021-05-10 | 2021-07-09 | 北京京东振世信息技术有限公司 | 确定物品销量的方法和装置 |
CN113205232A (zh) * | 2021-06-07 | 2021-08-03 | 北京橙心无限科技发展有限公司 | 商品销量数据预测方法、装置、设备、介质及产品 |
CN113298546A (zh) * | 2020-05-29 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 销量预测方法及装置、商品处理方法及装置 |
CN113393041A (zh) * | 2021-06-21 | 2021-09-14 | 湖南大学 | 一种基于销量预测的零售领域供应链库存优化方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10181107B2 (en) * | 2014-06-25 | 2019-01-15 | Oracle International Corporation | Using consumption data and an inventory model to generate a replenishment plan |
JP7180525B2 (ja) * | 2019-05-07 | 2022-11-30 | トヨタ自動車株式会社 | 情報処理装置、情報処理方法、および移動店舗車両 |
-
2022
- 2022-02-23 CN CN202210164683.9A patent/CN114219412B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101819668A (zh) * | 2010-04-27 | 2010-09-01 | 浙江大学 | 基于产品固有生命周期特征的销售预测模型 |
CN105701553A (zh) * | 2014-11-24 | 2016-06-22 | 财团法人资讯工业策进会 | 商品销量预测系统及商品销量预测方法 |
KR20180041418A (ko) * | 2016-10-14 | 2018-04-24 | 주식회사 셀팅 | 네트워크 기반 판매 예측 정보 제공 장치 |
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 |
EP3757915A1 (en) * | 2019-06-27 | 2020-12-30 | Tata Consultancy Services Limited | Method and system for adaptive inventory replenishment |
CN112712222A (zh) * | 2019-10-24 | 2021-04-27 | 北京沃东天骏信息技术有限公司 | 物品调度方法和系统 |
CN113065882A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 一种商品处理方法、装置及电子设备 |
CN113298546A (zh) * | 2020-05-29 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 销量预测方法及装置、商品处理方法及装置 |
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 |
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 |
CN113095893A (zh) * | 2021-05-10 | 2021-07-09 | 北京京东振世信息技术有限公司 | 确定物品销量的方法和装置 |
CN113205232A (zh) * | 2021-06-07 | 2021-08-03 | 北京橙心无限科技发展有限公司 | 商品销量数据预测方法、装置、设备、介质及产品 |
CN113393041A (zh) * | 2021-06-21 | 2021-09-14 | 湖南大学 | 一种基于销量预测的零售领域供应链库存优化方法 |
Non-Patent Citations (2)
Title |
---|
Two-stage replenishment policies for deteriorating items at Taiwanese convenience stores;Po-ChienTsai 等;《Computers & Operations Research》;20120228;第39卷(第2期);第328-338页 * |
基于商品聚类的电商销量预测;王建伟;《计算机系统应用》;20161015;第25卷(第10期);第162-168页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114219412A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114219412B (zh) | 基于智慧商品系统销售预测的自动补货方法及补货系统 | |
CN109509030A (zh) | 销量预测方法及其模型的训练方法、装置和电子系统 | |
US7257544B2 (en) | Assortment decisions | |
US8838469B2 (en) | System and method for optimizing display space allocation of merchandising using regression analysis to generate space elasticity curves | |
US9875452B2 (en) | Systems and methods for meeting a service level at a probable minimum cost | |
CN108351999B (zh) | 用于为零售商提供多渠道库存分配途径的系统和方法 | |
Agrawal et al. | Optimal inventory management for a retail chain with diverse store demands | |
JP7402791B2 (ja) | 需要予測パラメータの最適化 | |
US20110153386A1 (en) | System and method for de-seasonalizing product demand based on multiple regression techniques | |
CN111178624A (zh) | 一种新产品需求预测的方法 | |
US20140278775A1 (en) | Method and system for data cleansing to improve product demand forecasting | |
Smith et al. | Optimal markdown pricing and inventory allocation for retail chains with inventory dependent demand | |
CN115689451A (zh) | 一种线下零售门店补货量确定方法、装置、终端及介质 | |
Martínez-de-Albéniz et al. | A model for integrated inventory and assortment planning | |
CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
Hung et al. | Capacity rationing decision procedures with order profit as a continuous random variable | |
US20160019568A1 (en) | ColorStream Inventory Management System and Methodology | |
KR100418620B1 (ko) | 공급사슬관리 시스템 및 운용방법 | |
CN113469598A (zh) | 智慧供应链系统及服务器平台 | |
CN113837783A (zh) | 时间序列模型参数优化方法、装置、计算机设备 | |
CN113469596A (zh) | 智慧供应链系统及服务器平台 | |
Chehrazi et al. | Inventory record inaccuracy explains price rigidity in perishable groceries | |
CN116739652A (zh) | 一种服装电商销量预测建模方法 | |
CN114493673A (zh) | 基于用户行为的商品改价方法、系统、装置和存储介质 | |
CN117114584B (zh) | 智能商品配补调的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |