CN114240473A - 基于sku智能补货的方法及系统 - Google Patents

Abstract

本发明涉及一种基于sku智能补货的方法及系统的技术方案，包括：基于原始数据构建样本集合；构建基于时间序列分解的预测模型，将样本集和促销活动信息作为销量预测模型的输入，并融合自定义移动平均算法输出下一周期的销量预测值；基于销量预测值、库存周转率作为影响因子，预测下一周期的补货量。所述方案提升了商品的补货效率的同时保证了整仓商品库存周转率处于安全的范围内，使得库存成本和运输成本更加合理。

Description

基于sku智能补货的方法及系统

技术领域

本发明涉及计算机技术领域，具体涉及了一种基于sku智能补货的方法及系统。

背景技术

传统电商采购人员主要依赖自身经验定期执行补货操作，例如，销量较多的少量商品做精细化的补货计划，绝大部分商品采用固定的策略进行补货，实践发现，由于人的精力有限往往只能关注一些销量排行靠前商品，现有技术的补货方法商品覆盖率可能偏低。此外，由于掌握的信息不全或人为失误，现有技术的补货方法可能导致部分商品的预测较精确，部分却偏差较大，精确率存在一定波动。基于此，如何提高商品的覆盖率、提高补货的效率以及精确率是待解决的问题。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种基于sku智能补货的方法及系统，实现提升商品的补货效率的同时能够保证整仓商品库存周转率处于安全的范围内，使得库存成本和运输成本更加合理。

本发明的技术方案包括一种基于sku智能补货的方法及系统，所述一种基于sku智能补货的方法包括：S100，基于原始数据构建样本集合；S200，构建基于时间序列分解的预测模型，将所述样本集合作为销量预测模型的输入，并融合自定义移动平均算法输出下一周期的销量预测值；S300，基于销量预测值、库存周转率作为影响因子，预测下一周期的补货量。

根据所述基于sku智能补货的方法，所述基于原始数据构建样本集合包括获取历史销量数据，构建基于库存量单位的样本集以及促销样本集。

根据所述基于sku智能补货的方法，所述获取历史销量数据，构建基于库存量单位的样本集以及促销样本集包括：S110，设定条件信息，筛选出符合条件的历史销量数据，其中条件信息包括历史时间范围、门店以及库存量单位；S120，设定周期的时间窗口，以周期的时间窗口作为一个周期汇总该周期内的销量，周期的时间信息以及周期内的销量汇总值构成一个基于库存量单位的样本，历史时间范围内的多个样本构成基于库存量单位的样本集；S130，历史时间范围内及待预测的时期中所有促销场次对应的时间以及促销的规模构成一个基于库存量单位的促销样本集。

根据所述基于sku智能补货的方法，所述采用自定义移动平均算法修正销售预测值包括：基于所述预测增长率修正所述下一周期的销售预测值，其中预测增长率为窗口平均值和所述下一周期的销量预测值的相对增长率。

根据所述基于sku智能补货的方法，所述基于所述预测增长率修正所述下一周期的销售预测值，其中预测增长率为窗口平均值和所述下一周期的销量预测值的相对增长率包括：S221，设定平均值计算的窗口，剔除最近一个窗口中销量最大值的一个周期和销量最小值的一个周期，对余下的周期计算窗口平均值；S222，计算预测增长率，其中预测增长率为所述下一个周期的预测值除以所述窗口平均值；S223，对于非促销日，若预测增长率在理想预测增长率数值区间范围外，则对销售预测值进行修正，修正后的销量预测值为窗口平均值。

根据所述基于sku智能补货的方法，所述基于销量预测值、库存周转率作为影响因子，预测下一周期的补货量包括：基于下一周期的销量预测值、上一周期的库存周转率以及基本库存周转率作为影响因子，预测下一周期的补货量。

根据所述基于sku智能补货的方法，所述基于下一周期的销量预测值、上一周期的库存周转率以及基本库存周转率作为影响因子，预测下一周期的补货量包括：S310，上一周期的库存周转率为所述上一周期的累计的库存量除以所述上一周期范围内累计的出库量；S320，设定基本周期的库存周转率；S330，所述下一周期补货量预测值与下一周期销量预测值成正比，与上一周期的库存周转率和基本周期的库存周转率倍数比值成反比。

根据所述基于sku智能补货的方法，所述下一周期补货量预测值与下一周期销量预测值成正比，与上一周期的库存周转率和基本周期的库存周转率倍数比值成反比包括：S331，若上一周期的库存周转率小于基本周期的库存周转率，则下一周期补货量的预测值为增长的库存周转率与所述下一周期平均销量的乘积，其中所述增长的库存周转率为两倍的所述基本的周期的库存周转率与所述上一周期库存周转率的差值；S332，若上一周期的库存周转率大于等于基本周期的库存周转率且上一周期的库存周转率小于两倍的基本周期的库存周转率，则下一周期补货量的预测值为所述基本的周期的库存周转率乘以所述下一周期平均销量；S333，若上一周期的库存周转率大于等于两倍的基本周期的库存周转率，则下一周期补货量的预测值为零。

本发明的技术方案还包括一种基于sku智能补货的系统，用于实现上述任一的方法，其特征在于，包括：原始数据收集模块、历史销量数据获取模块、样本集构造模块、销量预测模型构建模块、销量预测值修正模块、补货量预测模块；其中原始数据收集模块用于收集订单明细、发货、库存数据表，将所述数据表进行汇总，统计每天每个sku的销量、出库量、库存量信息；历史销量数据获取模块用于设定历史时间范围、门店以及sku条件信息，筛选出符合条件的历史销量数据；样本集构造模块用于构造模型训练、预测所需的样本集，基于历史销量数据构造不同格式的样本；销量预测模型构建模块用于拟合不同因素，并将所述因素累加起来得到时序分解预测模型；销量预测值修正模块用于自定义移动平均修正销售预测值，综合考虑处于不同生命周期阶段的sku的历史数据量和销量波动性差异，使得销量预测更加精准；补货量预测模块用于基于上一周期的库存周转率与销量预测值作为影响因子计算下一周期的补货量预测值.

根据所述基于sku智能补货的系统，还包括预测计划配置模块、预测及评估指标展示模块；其中，预测计划配置模块用于增加预测计划，包括设置店铺名称、sku信息，并生成记录预测计划的记录，所述记录包括相关的目标店铺ID、生效状态、sku的ID、所述预测计划的ID信息；预测及评估指标展示模块用于将每个预测计划涉及的sku的预测指标和评估指标进行直观的展示。

本发明的有益效果为：本发明采用更加细粒度的库存量单位，融合时间序列分解和自定义移动平均的更加鲁棒的预测算法，基于销量预测值、历史的库存周转率以及基本库存周转率作为影响因子，得到预测的补货量信息，在提升商品的补货效率的同时能够保证整仓商品库存周转率处于安全的范围内，使得库存成本和运输成本更加合理。

附图说明

下面结合附图和实施例对本发明进一步地说明；

图1所示为根据本发明实施方式的基于sku智能补货的方法的流程图。

图2所示为根据本发明实施方式的基于sku智能补货的方法的一个子流程图。

图3所示为根据本发明实施方式的基于sku智能补货的方法的又一子流程图。

图4所示为根据本发明实施方式的基于sku智能补货的方法的又一子流程图。

图5所示为根据本发明实施方式的基于sku智能补货系统的结构模块图。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

如图1所示，一种基于sku智能补货的方法，具体步骤如下：

S100，基于原始数据构建样本集合。与现有技术只是笼统的以同款商品为库存量单位不同的是本发明的库存进出计量的基本单元为库存量单位(Stock Keeping Unit，sku)，例如，同款商品的不同尺码不同颜色都是独立的sku，可以更细粒度的统计商品信息。其中，每个sku分别对应一个样本集，原始数据主要包括每个sku每天的销量、每个sku每天的出库量、每个sku每天的库存量、每个sku近日平均售价等数据，原始数据收集可以基于独立的门店或是所有的门店销售信息。

S200，构建基于时间序列分解的预测模型，将所述样本集合作为销量预测模型的输入，并融合自定义移动平均算法输出下一周期的销量预测值。

S300，基于销量预测值、库存周转率作为影响因子，预测下一周期的补货量。

与现有技术采用人为经验补货的方式不同的是，本发明采用更加细粒度的库存量单位，融合时间序列分解和自定义移动平均的更加鲁棒的预测算法，基于销量预测值、历史的库存周转率以及基本库存周转率作为影响因子，得到预测的补货量信息，在提升商品的补货效率的同时能够保证整仓商品库存周转率处于安全的范围内，使得库存成本和运输成本更加合理。

下面在多个实施例中描述上述步骤的细节实施方式。

如图2所示，步骤S100，具体包括：

S110，设定条件信息，筛选出符合条件的历史销量数据，其中条件信息包括历史时间范围、门店以及库存量单位。其中，历史销量数据中每个记录行表示该门店该天就该sku的销量值，对于存在缺失的记录行，本发明采用零填充方式进行处理。

S120，设定周期的时间窗口，以周期的时间窗口作为一个周期汇总该周期内的销量，周期的时间信息以及周期内的销量汇总值构成一个基于库存量单位的样本，历史时间范围内的多个样本构成基于库存量单位的样本集。为周期设定时间窗口，例如，时间窗口设为30，每30天作为一个周期汇总该周期内的销量，时间窗口设定较小，可能导致预测的销量数据过于灵敏，时间窗口设定较大，可能导致预测的销量数据过于稳定，难以体现受到比如当季热卖、促销活动等因素影响而导致销量激增的情况。本发明基于经验值设定时间窗口为10天，即以当前日期为基准，采用倒序的方式，每10天作为一个周期汇总该周期内的销量，得到基于时序的样本数据。周期的时间信息以及该周期内的销量汇总值构成一个样本，记为(ds,y)，例举的，某个周期的时间段为“20210901”到“20210910”，则ds＝“20210901”，y为该时间段该sku的销量汇总值，历史时间范围内的多个样本构成基于库存量单位的样本集。

S130，历史时间范围内及待预测的时期中所有促销场次对应的时间以及促销的规模构成一个基于库存量单位的促销样本集。其中基于sku促销样本包含促销日和规模，本发明采用促销的天数量化规模的大小，促销天数越长促销的规模就越大。其中，促销日为设定的历史时间范围内及待预测的时期中所有促销场次对应的时间。例举的，双十一促销活动，促销天数为1，则基于sku促销样本表示为：pd.to_datetime(['2008-01-13','2009-01-03','2010-01-16','2010-01-24','2010-02-07','2011-01-08','2013-01-12','2014-01-12','2014-01-19','2014-02-02','2015-01-11','2016-01-17','2016-01-24','2016-02-07']),'lower_window':0,'upper_window':1,})；其中，第一部分为设定的历史时间范围内及待预测的时期中所有促销场次对应的时间，第二部分为促销的规模。

本发明采用促销的天数量化规模的大小，增加促销等活动信息作为预测模型的输入，相比于现有的预测模型仅基于销售信息作为预测模型的输入能得到更精确的预测值。

如图3所示，步骤S200，具体包括：

S210，输入基于sku的样本集和促销样本集，通过Prophet对象进行实例化拟合模型。在时间序列分析领域中，一般将时间序列分成季节项、趋势项、剩余项，而Prophet算法就是通过拟合上述项目，然后累加起来得到时间序列的预测值。通过构建好的基于sku的促销样本后，传入holidays参数使得在预测时考虑促销事件效应，增加预测的精确性。

S220，采用自定义移动平均算法修正销售预测值。当sku处于生命周期的起始阶段，即该sku刚上架售卖不久，累计的历史数据很少，此时，难以基于模型训练学习到历史的趋势规律来进行准确预测；或某sku进入生命周期的末端，即该sku即将退市，其销量呈断崖式下跌，传统的时序分解模型难以基于历史数据得到准确预测；当sku的需求既不快速增长也不快速下降，且不存在促销等因素时，销量预测值应当保持在一个稳定的数值范围内，为了消除销量预测值的不正常波动，本发明提出自定义移动平均算法，具体步骤如下：

S221，设定平均值计算的窗口，剔除最近一个窗口中销量最大值的一个周期和销量最小值的一个周期，对余下的周期计算窗口平均值。

S222，计算预测增长率，其中预测增长率为窗口平均值和所述下一周期的销量预测值的相对增长率，预测增长率计算如公式(1)所示。

increase_rate＝y_pre/y_mean (1)

其中increase_rate为预测增长率；y_pre为下一个周期的预测值；y_mean为采用自定义移动平均算法计算得到的窗口平均值。需要解释的是预测增长率计算公式并不局限于公式(1)，可以是数学领域上的增长率计算，可以是基于公式(1)的形式上的简单变换，例如分子与分母倒置等。

S223，对于非促销日，若预测增长率在理想预测增长率数值区间范围外，则对销售预测值进行修正，修正后的销量预测值为窗口平均值。对于非促销日，预测增长率应该维持在理想预测增长率数值左右区间范围内，其中，理想预测增长率数值为y_pre与y_mean的数值相等时对应的预测增长率，即理想预测增长率为1，例如，理想预测增长率数值左右区间范围为1±0.2，需要说明的是，理想预测增长率数值左右区间范围一般采用经验区间，并不局限于本例举设定的数值，若将y_pre和y_mean代入公式(1)得到的预测增长率在上述区间外，例如increase_rate<0.8或increase_rate>1.6，则说明销量预测值存在不正常波动，需要对销售预测值进行修正，修正后的销量预测值y为y＝y_mean；对于非促销日，若预测增长率在一定区间内，则不需要对销售预测值进行修正，销量预测值y仍然为y＝y_pre。

本发明采用预测增长率作为基准，判断模型输出的销量预测值是否合理，对于存在不正常波动的销量预测值，本发明采用自定义移动平均算法进行修正，以来得到未来时间段内更精确的销量预测结果。

在步骤S300中，基于下一周期的销量预测值、上一周期的库存周转率以及基本库存周转率作为影响因子，预测下一周期的补货量，如图4所示，具体包括：

S310，计算上一周期的库存周转率。上一周期是针对预测下一周期而言的，例如，对于日期“20210820”，需要预测未来10天内的销量情况，则“20210821”到“20210830”为下一周期的时间范围，“20210811”到“20210820”为上一周的范围。此外，上一周期的选取也可以近段时间内的一个周期，例如，对于日期“20210820”，需要预测未来10天内的销量情况，则“20210821”到“20210830”为下一周期的时间范围，近段时间为靠近日期“20210820”之前的时间段，例如，“20210805”到“20210815”可为上一周期的范围。本发明上一周期库存周转率的计算如公式(2)所示。

last_rate＝last_total/last_delivery (2)

其中，last_rate表示上一周期的库存周转率；last_total表示上一周期范围内累计的库存量；last_delivery表示上一周期范围内累计的出库量。其中周期范围内累计的库存量是周期范围内每天库存量之和；周期范围内累计的出库量是周期范围内每天出库量之和。

S320，设定基本周期的库存周转率。根据周期的库存周转率来判断该周期内的sku存货量是否满足购买需求，一般设定一个基本的周期的库存周转率，记为base_rate，基本的周期的库存周转率可以理解为sku存货量恰好满足购买需求。例举的，本发明设定基本周期的库存周转率为12，需要说明的是，基本周期的库存周转率根据实际情况设定，并不局限于本例举设定的数值。

S330，所述下一周期补货量预测值与下一周期销量预测值成正比、与上一周期的库存周转率和基本周期的库存周转率的倍数比值成反比。本发明采用补货的策略与现有技术补货量等价于销量预测值不同，将近期的库存周转率与销量预测值作为影响因子计算下一周期的补货量预测值。下一周期补货量预测值与上一周期的库存周转率和基本周期的库存周转率的倍数比值成反比，近期的库存周转率远远大于基本库存周转率时，即近期sku存货量供大于求，则下一周期的补货量可以适当减少；下一周期补货量预测值与下一周期销量预测值成正比，当下一周期销量预测值越大，则下一周期补货量预测值越大。例举的，本发明选择上一周期库存周转率作为近期的库存周转率。具体补货量的预测过程如下：

S331，若上一周期的库存周转率小于基本周期的库存周转率，即last_rate<base_rate，则补货量的预测如公式(3)所示。

y_add＝(2*base_rate-last_rate)*y_avg (3)

其中，2*base_rate-last_rate为增长的库存周转率，y_add表示下一周期补货量的预测值；base_rate表示基本的周期的库存周转率；last_rate表示上一周期库存周转率；y_avg表示下一周期平均销量，即下一周的销量预测值y在周期范围内的平均值。

S332，若上一周期的库存周转率大于等于基本周期的库存周转率且上一周期的库存周转率小于两倍的基本周期的库存周转率，即base_rate≤last_rate<2*base_rate，则补货量的预测如公式(4)所示。

y_add＝base_rate*y_avg (4)

其中，y_add表示下一周期补货量的预测值；base_rate表示基本的周期的库存周转率；y_avg表示下一周期平均销量，即销量预测值y在周期范围内的平均值。

S333，若上一周期的库存周转率大于等于两倍的基本周期的库存周转率，即last_rate≥2*base_rate，则补货量的预测值为0，即不需要补货就能满足下一周期的sku销售。

由补货量预测公式可知：(1)补货量预测值与上一周期的库存周转率和基本周期的库存周转率的倍数比值成反比，当上一周期的库存周转率和基本周期的库存周转率倍数比值越大，例如上一周期的库存周转率与基本周期的库存周转率倍数比值为2时，此时补货量为0；上一周期的库存周转率和基本周期的库存周转率倍数比值越小，例如，last_rate<base_rate，补货量的预测值相应增大，为(2*base_rate-last_rate)*y_avg。(2)销量预测值与补货量预测值成正比，当销量预测值越大时，平均预测销量也越大，补货量预测值越大。

将近期的库存周转率与销量预测值作为影响因子计算下一周期的补货量预测值相比于现有技术的补货量预测方法，既能全面、精确的预测未来周期的补货量，又能通过近期的库存周转率与基本周期的库存周转率比较，分别适用不同的补货量预测公式，降低库存和运输成本、保证sku的周转率维持在一定的区间内，使得店铺稳定运营。

第二方面，本发明的实施例还提供一种基于sku智能补货的系统，如图5所示，具体包括：原始数据收集模块、历史销量数据获取模块、样本集构造模块、销量预测模型构建模块、销量预测值修正模块、补货量预测模块。

原始数据收集模块用于收集订单明细、发货、库存数据表，将所述数据表进行汇总，统计每天每个sku的销量、出库量、库存量信息。

历史销量数据获取模块用于设定历史时间范围、门店以及sku条件信息，筛选出符合条件的历史销量数据。

样本集构造模块用于构造模型训练、预测所需的样本集，基于历史销量数据构造不同格式的样本。

销量预测模型构建模块用于拟合不同因素，并将所述因素累加起来得到时序分解预测模型。

销量预测值修正模块用于自定义移动平均修正销售预测值，以来消除销量预测值的不正常波动。

补货量预测模块用于基于上一周期的库存周转率与销量预测值作为影响因子计算下一周期的补货量预测值。

所述基于sku智能补货的方法的系统，还包括：预测计划配置模块、预测及评估指标展示模块。

预测计划配置模块用于增加预测计划，包括设置店铺名称、sku信息，并生成记录预测计划的记录，所述记录包括相关的目标店铺ID、生效状态、sku的ID、所述预测计划的ID信息。

预测及评估指标展示模块用于将每个预测计划涉及的sku的预测指标和评估指标进行直观的展示，其中，预测指标包括未来周期内的销量、销售额以及补货量。评估指标包括按照本发明补货量预测方法对未来周期内的sku进行补货并计算近期的sku库存周转率或者整仓所有sku的近期库存周转率，例举的，每30天，此时需要补货3次，计算30天内单个sku的库存周转率或者整仓所有sku的库存周转率作为评估指标，其中，评估指标越接近基本的周期的库存周转率，则说明该30天的补货计划越能供应客户需要且不产生过量的货堆积或出现经常性缺货的现象。

根据本发明提供的基于sku智能补货的系统能够基于历史的sku数据，根据用户自定义的预测计划输出未来周期内销量预测值以及补货量预测值供商家或者业务人员进行补货操作，通过本发明提供的基于sku智能补货的系统能够提高补货效率又能保证整仓商品库存周转率处理合理范围内，满足消费者购买需求的同时还能使库存成本控制在合理范围内。

应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.一种基于sku智能补货的方法，其特征在于，包括以下步骤：

S100，基于原始数据构建样本集合；

S200，构建基于时间序列分解的预测模型，将所述样本集合作为销量预测模型的输入，并融合自定义移动平均算法输出下一周期的销量预测值；

S300，基于所述销量预测值、库存周转率作为影响因子，预测下一周期的补货量。

2.根据权利要求1所述基于sku智能补货的方法，其特征在于，所述基于原始数据构建样本集合包括获取历史销量数据，构建基于库存量单位的样本集以及促销样本集。

3.根据权利要求2所述基于sku智能补货的方法，其特征在于，所述获取历史销量数据，构建基于库存量单位的样本集以及促销样本集包括：

S110，设定条件信息，筛选出符合条件的所述历史销量数据，其中所述条件信息包括历史时间范围、门店以及库存量单位；

S120，设定周期的时间窗口，以所述周期的时间窗口作为一个周期汇总周期内的销量，周期的时间信息以及周期内的销量汇总值构成一个基于库存量单位的样本，历史时间范围内的多个所述样本构成所述基于库存量单位的样本集；

S130，所述历史时间范围内及待预测的时期中促销场次对应的时间以及促销的规模构成所述基于库存量单位的促销样本集。

4.根据权利要求1所述基于sku智能补货的方法，其特征在于，所述融合自定义移动平均算法输出下一周期的销量预测值包括：

基于所述预测增长率修正所述下一周期的销售预测值，其中预测增长率为窗口平均值和所述下一周期的销量预测值的相对增长率。

5.根据权利要求4所述基于sku智能补货的方法，其特征在于，所述基于所述预测增长率修正所述下一周期的销售预测值，其中预测增长率为窗口平均值和所述下一周期的销量预测值的相对增长率包括：

S221，设定平均值计算的窗口，剔除最近一个窗口中销量最大值的一个周期和销量最小值的一个周期，对余下的周期计算所述窗口平均值；

S222，计算所述预测增长率，其中所述预测增长率为所述下一个周期的预测值除以所述窗口平均值；

S223，对于非促销日，若所述预测增长率在理想预测增长率数值区间范围外，则对所述销售预测值进行修正，修正后的所述销量预测值为所述窗口平均值。

6.根据权利要求1所述基于sku智能补货的方法，其特征在于，所述基于所述销量预测值、库存周转率作为影响因子，预测下一周期的补货量包括：

基于所述下一周期的销量预测值、上一周期的所述库存周转率以及基本库存周转率作为影响因子，预测所述下一周期的补货量。

7.根据权利要求6所述基于sku智能补货的方法，其特征在于，所述基于所述下一周期的销量预测值、上一周期的库存周转率以及基本库存周转率作为影响因子，预测所述下一周期的补货量包括：

S310，所述上一周期的库存周转率为所述上一周期累计的库存量除以所述上一周期范围内累计的出库量；

S320，设定所述基本周期的库存周转率；

S330，所述下一周期补货量预测值与下一周期销量预测值成正比，与所述上一周期的库存周转率和所述基本周期的库存周转率倍数比值成反比。

8.根据权利要求7所述基于sku智能补货的方法，其特征在于，所述补货量预测值与所述销量预测值成正比，与所述上一周期的库存周转率和所述基本周期的库存周转率倍数比值成反比包括：

S331，若所述上一周期的库存周转率小于所述基本周期的库存周转率，则所述下一周期补货量的预测值为增长的库存周转率与所述下一周期平均销量的乘积，其中所述增长的库存周转率为两倍的所述基本的周期的库存周转率与所述上一周期库存周转率的差值；

S332，若所述上一周期的库存周转率大于等于所述基本周期的库存周转率且所述上一周期的库存周转率小于两倍的所述基本周期的库存周转率，则所述下一周期补货量的预测值为所述基本的周期的库存周转率乘以所述下一周期平均销量；

S333，若所述上一周期的库存周转率大于等于两倍的所述基本周期的库存周转率，则所述下一周期补货量的预测值为零。

9.一种基于sku智能补货的系统，其特征在于，包括原始数据收集模块、历史销量数据获取模块、样本集构造模块、销量预测模型构建模块、销量预测值修正模块、补货量预测模块；

其中，所述原始数据收集模块用于收集订单明细、发货、库存数据表，将所述数据表进行汇总，统计每天每个sku的销量、出库量、库存量信息；所述历史销量数据获取模块用于设定历史时间范围、门店以及sku条件信息，筛选出符合条件的历史销量数据；所述样本集构造模块用于构造模型训练、预测所需的样本集，基于历史销量数据构造不同格式的样本；所述销量预测模型构建模块用于拟合不同因素，并将所述因素累加起来得到时序分解预测模型；所述销量预测值修正模块用于自定义移动平均修正销售预测值；所述补货量预测模块用于基于上一周期的库存周转率与销量预测值作为影响因子计算下一周期的补货量预测值。

10.根据权利要求9所述基于sku智能补货的系统，其特征在于，还包括预测计划配置模块、预测及评估指标展示模块；

其中，所述预测计划配置模块用于增加预测计划，包括设置店铺名称、sku信息，并生成记录预测计划的记录；所述预测及评估指标展示模块用于将每个预测计划涉及的sku的预测指标和评估指标进行展示。

Images