CN114331269A - 基于多源异构数据的跨境电商发货补货方法及系统 - Google Patents
基于多源异构数据的跨境电商发货补货方法及系统 Download PDFInfo
- Publication number
- CN114331269A CN114331269A CN202111621684.3A CN202111621684A CN114331269A CN 114331269 A CN114331269 A CN 114331269A CN 202111621684 A CN202111621684 A CN 202111621684A CN 114331269 A CN114331269 A CN 114331269A
- Authority
- CN
- China
- Prior art keywords
- sales
- data
- days
- inventory
- weighted
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源异构数据的跨境电商发货补货方法及系统,其中方法包括:采集商品的多源异构数据,其中,所述多源异构数据包括库存数据和销量数据;将所述多源异构数据中的库存数据和销量数据进行合并处理,得到基础数据;根据所述基础数据进行模拟,得到售后数据;基于所述基础数据和预先设定的季节系数,得到加权销量;根据所述售后数据和所述加权销量,确定FBA库存可售天数。本发明通过采集多源异构数据并进行结构化分析,可以基于多维度分析对未来的销量、库存、断仓等情况进行模拟,解决了现有技术中无法精细化处理多源异构数据,无法给出最优化采购、发货实质建议的问题。
Description
技术领域
本发明涉及电商技术领域,具体涉及一种基于多源异构数据的跨境电商发货补货方法及系统。
背景技术
跨境电商由于运输流程、物流费用及时长等因素,对于库存的调配比境内电商更加复杂,如果库存量较大,积压商品量大会影响公司现金流,如果库存量较小,断仓对店铺经营会产生负面影响。
现有发货补货预测和建议技术中,虽然可以通过销量、海外仓库存、本地库存、在途库存等给出采购、发货量的建议,但还不能够很好地通过多源异构的数据信息,对不同形态的商品进行精细化的模拟及预测,无法给出最优化采购、发货的实质建议。
发明内容
本发明的主要目的在于提供一种基于多源异构数据的跨境电商发货补货方法及系统,以解决现有技术中无法精细化处理多源异构数据,无法给出最优化采购、发货实质建议的问题。
为了实现上述目的,本发明的第一方面提供了一种基于多源异构数据的跨境电商发货补货方法,包括:
采集商品的多源异构数据,其中,所述多源异构数据包括库存数据和销量数据;
将所述多源异构数据中的库存数据和销量数据进行合并处理,得到基础数据;
根据所述基础数据进行模拟,得到售后数据;
基于所述基础数据和预先设定的季节系数,得到加权销量;
根据所述售后数据和所述加权销量,确定FBA库存可售天数。
可选地,所述多源异构数据包括:库存数据、款型数据和销量数据;
其中,所述库存数据包括:国内库存、国内在途库存、国内发货中库存、当前国内剩余库存、国内转运中库存、FBA在途库存、海外仓库存、海外仓在途库存、积压库存;
所述款型数据包括:sku组合关系、sku基本信息、首单时间、爆款标识、新增款型标签;
所述销量数据包括:销量表、近60天的销量、近30天SMC日销量、上周加权销量、昨日款型排名。
可选地,在采集商品的多源异构数据之后,所述方法还包括:
初始化多维度参数配置和所述多源异构数据;
其中,所述多维度参数配置包括不同发货渠道的时效配置、采购生产周期配置、出入库配置、库存需要满足销量的天数、销量的季节系统、售后数据配置、不同形态商品及类目,不同发货渠道包括联邦快递IP、联邦快递IE、空派、海派。
可选地,所述方法还包括:
不考虑当前可用库存,计算模拟发货执行计划;
考虑当前可用库存,计算实际发货执行计划;
按照所述实际发货执行计划进行发货后,将国内剩余及在途库存模拟到FBA库存上;
根据不同发货渠道计算实际补货计划;
根据所述所述多源异构数据、所述FBA库存可售天数和所述实际发货执行计划,构造并更新单款、组合款关系图。
可选地,所述基于所述基础数据和预先设定的季节系数,得到加权销量,包括:
按下式确定加权销量:
加权销量=(A1/T1*0.75+A2/T2*0.1+A3/T3*0.1+A4/T4*0.05)*今日季节系数;
其中,A1为近7天去季节化销量,A2为近8-14天去季节化销量,A3为近15-21天去季节化销量,A4为近22-28天去季节化销量,今日季节系数=销量表中的销量/去季节化销量;T1为近7天商家有销量的天数,T2为近8-14天商家有销量的天数,T3为近15-21天商家有销量的天数,T4为近22-28天商家有销量的天数,商家有销量天数为实际上传销量的天数。
可选地,所述根据所述售后数据和所述加权销量,确定FBA库存可售天数,包括:
分别确定FBA可售库存销售天数、断仓前FBA库存销售天数、FBA总库存销售天数、一共可售天数、FBA和国内库存销售天数、所有库存销售天数;
判断所述FBA可售库存销售天数和发货阈值的大小关系;
如果所述FBA可售库存销售天数大于发货阈值,则不发货;
如果所述FBA可售库存销售天数小于等于发货阈值,则判断加权销量与加权销量阈值的大小关系;
如果加权销量小于加权销量阈值,则走加权销量小配置,不发海派;
如果加权销量大于等于加权销量阈值,则走正常配置,发海派。
进一步地,所述根据所述售后数据和所述加权销量,确定FBA库存可售天数,还包括:
判断所述一共可售天数和补货阈值的大小关系;
如果所述一共可售天数大于补货阈值,则不补货;
如果所述一共可售天数小于等于补货阈值,则判断加权销量与加权销量阈值的大小关系;
如果加权销量小于加权销量阈值,则按照加权销量小配置补货;
如果加权销量大于等于加权销量阈值,则按照加权销量正常配置补货。
可选地,所述根据所述基础数据进行模拟,得到售后数据,包括:
按下式预估售后库存:
sku在当日的预估售后库存=(当日-退货周期+1天)日发起的有效售后量;
其中,退货周期预先设定为19天,当日发起的有效售后量=当日的销量*sku当日发起的售后概率*sku当日的还原售后率*退回系数,所述退回系数的值为0.5或0.75。
本发明的第二方面提供了一种基于多源异构数据的跨境电商发货补货系统,包括:
采集单元,用于采集商品的多源异构数据,其中,所述多源异构数据包括库存数据和销量数据;
合并单元,用于将所述多源异构数据中的库存数据和销量数据进行合并处理,得到基础数据;
模拟单元,用于根据所述基础数据进行模拟,得到售后数据;
加权销量确定单元,用于基于所述基础数据和预先设定的季节系数,得到加权销量;
可售天数确定单元,用于根据所述售后数据和所述加权销量,确定FBA库存可售天数。
本发明的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行第一方面任意一项提供的基于多源异构数据的跨境电商发货补货方法。
本发明的第四方面提供了一种电子设备,所述电子设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行第一方面任意一项提供的基于多源异构数据的跨境电商发货补货方法。
在本发明实施例提供的基于多源异构数据的跨境电商发货补货方法中,采集商品的多源异构数据,其中,所述多源异构数据包括库存数据和销量数据;将所述多源异构数据中的库存数据和销量数据进行合并处理,得到基础数据;根据所述基础数据进行模拟,得到售后数据;基于所述基础数据和预先设定的季节系数,得到加权销量;根据所述售后数据和所述加权销量,确定FBA库存可售天数。本发明通过采集多源异构数据并进行结构化分析,可以基于多维度分析对未来的销量、库存、断仓等情况进行模拟,解决了现有技术中无法精细化处理多源异构数据,无法给出最优化采购、发货实质建议的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于多源异构数据的跨境电商发货补货方法流程示意图;
图2为本发明实施例提供的基于多源异构数据的跨境电商发货补货系统框图;
图3为本发明实施例提供的电子设备框图。
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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明针对不同类目、爆款、新款、延展款不同形态的商品进行不同配置,通过不同的季节系数消除促销、淡旺季等因素对整体库存补货的干扰,给出通过海派、空派、IP等等时效不同的运输方式发货,并模拟细化到未来每一天需要发货补货的量,最大限度地确保库存少积压、不断仓。
通过多源采集到的数据及系统参数配置,充分考虑季节、新款、爆款、售后等多种相关因素,通过大数据技术进行模拟数据计算,计算出未来180天每天的预估销量、库存、模拟fba当天可售的库存、发出的货物当日可变为fba的可售库存的数量、国内仓库当天可用库存、国内供应商当前供货库存、当天需要发出货物量、当天需要采购货物量等相关信息,使得运营人员可以通过数据结果清晰了解,商品sku未来180天预估销量、库存剩余、断仓等信息,并制定最为有效的发货补货计划。其中,fba(fulfillment by Amazon)为亚马逊物流服务;sku(stock keeping unit)为库存量单位,买家购买、商家进货、供应商备货、工厂生产都是依据sku进行的,sku是物理上不可分割的最小存货单元,即,对于一款商品,可以根据sku来确定具体的货物存量。
本发明实施例提供了一种基于多源异构数据的跨境电商发货补货方法,如图1所示,该方法包括如下的步骤S101至步骤S105:
步骤S101:采集商品的多源异构数据,其中,所述多源异构数据包括库存数据和销量数据;
步骤S101中的所述多源异构数据包括:库存数据、款型数据和销量数据;
其中,所述库存数据包括:国内库存、国内在途库存、国内发货中库存、当前国内剩余库存、国内转运中库存、FBA在途库存、海外仓库存、海外仓在途库存、积压库存;
所述款型数据包括:sku组合关系、sku基本信息、首单时间、爆款标识、新增款型标签;
所述销量数据包括:销量表、近60天的销量、近30天SMC日销量、上周加权销量、昨日款型排名。其中,销量表为经过一定规则对当前销量的调整表,比如某天促销导致销量异常,不能直接作为预测未来销量的基础数据,需要根据一定规则进行调整;近60天销量为近60天的没有调整过的真实销量;近30天SMC日销量为近30天促销活动涉及到的订单日销量,SMC是指促销折扣活动参与的订单;近60天销量销量中包含smc订单销量,也包括没有参与促销折扣活动的订单。
本发明通过采集多源异构数据并进行结构化分析,可以基于多维度分析对未来的销量、库存、断仓等情况进行模拟,解决了现有技术中无法精细化处理多源异构数据,无法给出最优化采购、发货实质建议的问题。
具体的,在步骤S101中的采集商品的多源异构数据之后,所述方法还包括:
初始化多维度参数配置和所述多源异构数据;
其中,所述多维度参数配置包括不同发货渠道的时效配置、采购生产周期配置、出入库配置、库存需要满足销量的天数、销量的季节系统、售后数据配置、不同形态商品及类目,不同发货渠道包括联邦快递IP、联邦快递IE、空派、海派。
IP为FedEx IP,指的是联邦快递优先服务(International Priority Freight,简称为IP),时效比较快,相对来说价格也比普通的高一些;
IE为FedEx IE,指的是联邦快递经济服务(International Economy,简称为IE),时效与FedEx IP相比较要慢些,是FedEx国际快递中最便宜的运转方式。
本发明通过大数据算法分析模拟给出未来180天每天的销售、库存、发货、采购等情况,同时模拟出通过海派、空派、IP等等时效不同的运输方式最优化的采购、发货建议,最大限度地确保库存少挤压、不断仓。
步骤S102:将所述多源异构数据中的库存数据和销量数据进行合并处理,得到基础数据;
步骤S103:根据所述基础数据进行模拟,得到售后数据;
具体的,所述步骤S103包括:
按下式预估售后库存:
sku在当日的预估售后库存=(当日-退货周期+1天)日发起的有效售后量;
其中,退货周期预先设定为19天,当日发起的有效售后量=当日的销量*sku当日发起的售后概率*sku当日的还原售后率*退回系数,所述退回系数的值为0.5或0.75。
上式中,销量分为两部分,一部分是历史日期的真实销量,与多源异构数据的近60天销量相同,一部分是未来的预估销量,是通过加权销量公式推导出来的未来每天的预估销量;
售后概率是通过运营经验,通过历史订单情况推导出来的数据,就是历史某天产生的订单在当前时间产生售后退还库存的概率;
还原售后率是通过运营经验和历史订单推导出来的数据,就是通过售后返回的库存可以作为可售商品直接售卖的概率。
例如,在根据所述基础数据进行模拟,得到售后数据时,对服装类模拟预估售后库存时,可以将服装类分为泳衣、服装和家居服;
对于泳衣的售后库存,退回系数的值为0.5:
sku在某个日期的预估售后库存
=(某日期-退货周期暂定19天+1)日期发起的有效售后量
=(某日期-退回周期19天+1-29)日期的销量*sku第29天发起售后概率*sku第29天的还原售后率*0.5+(某日期-退回周期19天+1-28)日期的销量*sku第28天发起售后概率*sku第28天的还原售后率*0.5+(某日期-退回周期19天+1-27)日期的销量*sku第27天发起售后概率*sku第27天的还原售后率*0.5+......+(某日期-退回周期19天+1-0)日期的销量*sku当天发起售后概率*当天的还原售后率*0.5;
对于服装或家居服的售后库存,退回系数的值为0.75:
sku在某个日期的预估售后库存
=(某日期-退货周期暂定19天+1)日期发起的有效售后量
=(某日期-退回周期19天+1-29)日期的销量*sku第29天发起售后概率*sku第29天的还原售后率*0.75+(某日期-退回周期19天+1-28)日期的销量*sku第28天发起售后概率*sku第28天的还原售后率*0.75+(某日期-退回周期19天+1-27)日期的销量*sku第27天发起售后概率*sku第27天的还原售后率*0.75+......+(某日期-退回周期19天+1-0)日期的销量*sku当天发起售后概率*当天的还原售后率*0.75;
因为售后退回会有些损坏的商品,这部分商品会销毁不再售卖,故为计算售后退回的有效库存,泳衣乘以0.5,服装或家居服乘以0.75;
开始补货日期之前,若是已经发生过的日期可以取到实际销量,则用实际销量,若是没有发生的日期,则用预估消耗量。
以泳衣为例,如果当前日期是2021/06/25,开始补货日期是2021/07/06,则:
sku在2021/07/26的预估售后库存
=2021/07/08时预计发起的有效售后量
=2021/06/09的实际销量*sku第29天发起售后概率*sku第29天的还原售后率*0.5+2021/06/10的实际销量*sku第28天发起售后概率*sku第28天的还原售后率*0.5+2021/06/11的实际销量*sku第27天发起售后概率*sku第28天的还原售后率*0.5+...+2021/06/22的实际销量*sku第17天发起售后概率*sku第17天的还原售后率*0.5+2021/06/23的预估消耗量*sku第16天发起售后概率*sku第16天的还原售后率*0.5+...+2021/07/05的预估消耗量*sku第3天发起售后概率*sku第3天的还原售后率*0.5+2021/07/06的预估销量*sku第2天发起售后概率*sku第2天的还原售后率*0.5+2021/07/07的预估销量*sku第1天发起售后概率*sku第1天的还原售后率*0.5+2021/07/08的预估销量*sku当天发起售后概率*当天的还原售后率*0.5。
步骤S104:基于所述基础数据和预先设定的季节系数,得到加权销量;
具体的,所述步骤S104包括:
按下式确定加权销量:
加权销量=(A1/T1*0.75+A2/T2*0.1+A3/T3*0.1+A4/T4*0.05)*今日季节系数;
其中,A1为近7天去季节化销量,A2为近8-14天去季节化销量,A3为近15-21天去季节化销量,A4为近22-28天去季节化销量,今日季节系数=销量表中的销量/去季节化销量;T1为近7天商家有销量的天数,T2为近8-14天商家有销量的天数,T3为近15-21天商家有销量的天数,T4为近22-28天商家有销量的天数,商家有销量天数为实际上传销量的天数。
在本发明一种可选的实施方式中,基于上述加权销量基本计算公式,可以得到断仓不同天数的加权销量计算公式。具体的,断仓定义为:可用库存与运营中心调拨中库存之和小于等于3;断仓天数为:min(统计日期-3天-首单日期,近28天商家上传库存的天数)-(可用库存+运营中心调拨中库存)大于3的天数。
例如:①此处近28天与销量取值时间段相同,如统计日期为8月11日,近28天指7月12日-8月8日;
②统计日期-3天-首单日期:如统计日期为8月11日,首单日期为8月1日,应计算8月1日-8月8日的天数;
注:跟卖的2个及以上的sku在判断断仓天数时,(可用库存+运营中心调拨中库存)为跟卖的sku合并的库存。比如:A、B是2个跟卖的sku,若A为主共,B为次共,A的fba(可用库存+运营中心调拨中库存)=10,B的fba(可用库存+运营中心调拨中库存)=20,则判断A的断仓天数逻辑是用A+B的fba(可用库存+运营中心调拨中库存)=30来判断。
基于上述加权销量基本计算公式,可以得到断仓1-3天、断仓4-21天、断仓22-28天的加权销量计算公式。
1.如果断仓1-3天,则:沿用上述加权销量的计算公式,并除去断仓日的数据;
加权销量=(A1/T1*0.75+A2/T2*0.1+A3/T3*0.1+A4/T4*0.05)*今日季节系数;
加权销量计算公式沿用上述公式,区别为:A1-A4、T1-T4中不包括断仓当天数据;
注:跟卖sku判断断仓的库存是跟卖sku合并后的库存。
其适用范围为:断仓时间为1-3天,有断仓天数,但未判断为断仓。
2.如果断仓4-21天,则:
加权销量=断仓系数*sum(近7天非零日均+近14天非零日均+近21天非零日均+近28天非零日均)/四个非零日均中大于0的个数*今日季节系数;
即,加权销量=断仓系数*A,其中,A=sum(近7天非零日均+近14天非零日均+近21天非零日均+近28天非零日均)/四个非零日均中大于0的个数*今日季节系数;
其中,断仓系数可以设定为1,非零日均=实际销量去季节化/(可用+运营中心调拨中库存)大于3的天数。例如:假如说今天6月24日,则近14天指6.8-6.14,近14天非零日均是(6.8-6.14的每日销量去季节化汇总)/(6.8-6.14可用+运营中心调拨中库存大于3的天数)。
注:跟卖sku的非零日均中(可用+运营中心调拨中库存)为跟卖sku合并后的库存。
其适用范围为:判断为断仓,且断仓天数为4-21天。
3.如果断仓22-28天,则:
针对断仓天数为22-28天、加权销量为0的数据,查找近60天内连续3天不断仓的销量,去季节化后取均值,然后乘以今日季节系数,算出今天的加权销量;若近60天内没有连续3天不断仓的,则不作处理。
其适用范围为:断仓天数为22-28天,加权销量为0。
在本发明一种可选的实施方式中,基于上述加权销量基本计算公式,可以得到新品翻单加权销量计算公式。具体的,新品翻单加权销量计算公式的适用范围为:首单时间在近28天内的数据;
对于首单时间在近28天内,加权销量=a*X;
其中,a为新品加权销量系数,可以在参数配置中按照类目调整,X可以根据首单日期分块计算。
例如,下面以3月17日为例展示各段计算逻辑,其中,非零日均=实际销量去季节化/(可用+运营中心调拨中库存)大于3的天数;
首单1-7天(3.8-3.14):第一周非零日均*统计日期(3.17日)的季节系数;
首单8-14天(3.1-3.7):(0.75*第一周非零日均+0.25*第二周非零日均)*统计日期(3.17日)的季节系数;
首单15-21天(2.23-2.29):(0.5*第一周非零日均+0.25*第二周非零日均+0.25*第三周非零日均)*统计日期(3.17日)的季节系数;
首单22-28天(2.16-2.22):(0.5*第一周非零日均+0.2*第二周非零日均+0.15*第三周非零日均+0.15*第三周非零日均)*统计日期(3.17日)的季节系数。
在本发明一种可选的实施方式中,基于上述加权销量基本计算公式,可以得到服装类基数算法,其中,所述服装类包括泳衣、服装、家居服。
具体的,服装类基数算法中,基数的含义指的是sku颜色当前整月销量,只包含在售商品的销量;其中,老品为:根据历史销量测算出;新款延展款(未采购)&新款延展款(未售卖)为:由运营提供基数;
基数的用途为根据基数拆出每个在售商品当前日期的销量,可以用于模拟跨境电商的商品发货补货;
对于老品的服装类基数算法:
1.基本定义
1)近8周:当前日期-3天,再往前推8周,销量表用的是api订单表,以确保销售数据实时;
2)断仓天数判断标准:(fba可用+fba运营中心调拨中库存)<=3,并且从有首单售卖时间开始计算;
3)判断周度断仓是否断仓标准:一周断仓天数<=3断仓;
4)非零日均=去折扣去断仓去季节化周销量/一周中非断仓天数;
去折扣是指,去掉运营的SMC折扣,SMC为促销折扣活动参与的订单;
5)去折扣去断仓去季节化周销量:一周内,sum(每天去折扣去季节化销量a);
非断仓且非大型活动日,a=(每天销量-当天smc折扣销量)/当天季节系数;
非断仓且大型活动日,a=大型活动日配置好的销量/当天季节系数;
断仓时,a=0;
注:当大型活动日销量配置为“直接剔除”,计算非零日均中的“一周中非断仓天数”,不包含大型活动日这天。
6)sku颜色去折扣去季节化销量非零周销量=非零日均*7=sum(sku颜色下在售sku尺码非零日均)*7=A
7)sku颜色断仓天数:sku颜色下各尺码断仓天数*尺码比例;
8)A1:近第1周sku颜色去折扣去季节化销量非零周销量;An:近第n周sku颜色去折扣去季节化销量非零周销量。
2.涉及数据定义
1)js_高置信:取值优先级a>b>c;
a:近8周内,有连续两周不断仓,取(0.6*A(第一周不断仓周数)+0.4*A(第二周不断仓周数))/7*当月系数和,比如:第3周和第4周不断仓,js_高置信=(0.6*A3+0.4*A4)/7*当月系数和;
b:近8周内,有不连续两周不断仓,取(0.6*A(第一周不断仓周数)+0.4*A(第二周不断仓周数))/7*当月系数和,比如:第3周和第6周不断仓,第4周和第5周断仓,js_高置信=(0.6*A3+0.4*A6)/7*当月系数和;
c:近8周内,sku有连续5天及以上不断仓,sum(近8周最近连续5天不断仓的剔除折扣且去季节化销量之和/5天*7天)/7*当月系数和。
2)是否有js_高置信:a=1或b=1或c=1;
a:近8周有连续两周不断仓,计为1,否则为0;b:近8周有不连续两周不断仓,计为1,否则为0;
c:近8周内,sku颜色下指定尺码有连续5天以上不断仓,计为1,否则为0;
指定尺码:泳衣标码S、M、L、XL
泳衣大码L、XL、14W、16W、18W、20W
服装标码S、M、L、XL
服装大码18W、20W、22W、24W
家居服标码S、M、L、XL
3)js_低置信:近8周内,sku有断断续续5天不断仓,sum(近8周最近5天不断仓的剔除折扣且去季节化销量之和/5天*7天)/7*当月系数和;
4)是否有js_低置信:近8周内,sku颜色下指定尺码有断断续续5天不断仓,则有低置信;
指定尺码:泳衣标码S、M、L、XL
泳衣大码L、XL、14W、16W、18W、20W
服装标码S、M、L、XL
服装大码18W、20W、22W、24W
家居服标码S、M、L、XL
5)js_排名:按照sku前缀、top标签升序排序,往上找2个级别内,js_高置信不为0的数据,记为last,往下找2个级别内,js_高置信不为0的数据,记为next,
当last>0,next>0,min(last,next)/max(last,next)>=0.5时,js_排名才存在,且为(last+next)/2;
6)js_历史1:近24周内,单周不断仓最大周均转换当月基数,max(不断仓周的非零周均)/7*当月系数和;
7)js_历史2:近24周内,连续两周不断仓最大周均转换当月基数,max(连续2周不断仓,0.6*第一周不断仓周的非零周均+0.4*第二周不断仓周的非零周均)/7*当月系数和;
8)js_原:根据最初的逻辑测算的基数。
进一步的,对于老品的服装类基数算法:
1.其基数的基本算法为:
基数的基本算法=(A1*0.5+A2*0.25+A3*0.15+A4*0.1)/7*当月系数和。
2.其基数的断仓算法包括:
1)sku尺码断仓算法:判断是否用断仓算法:如果每周sku断仓天数>3,则判断断仓,需要修正sku尺码断仓的非零周均销量;
如果sku断仓天数>3,近4周有断仓天数<=3的,取断仓天数<=3对应非零周均的平均值,如果近4周没有,则取近8周是否有断仓天数<=3的,取断仓天数<3对应非零周均的平均值;
2)sku颜色非零周销量断仓算法:sku颜色断仓天数=sku尺码每周断仓天数*尺码比例;
近4周每周断仓天数<=3天的个数是4(第一周非零周均*0.5+第二周非零周均*0.25+第三周非零周均*0.15+第四周非零周均*0.1);
近4周每周断仓天数<=3个数是3(第一个周非零周均*0.5+第二个周非零周均*0.3+第三个周非零周均*0.2);
近4周每周断仓天数<=3个数是2(第一个周非零周均*0.6+第二个周非零周均*0.4);
近4周每周断仓天数<=3个数是1,判断之后4周是否存在断仓天数小于3的,如果有则取(第个周非零周均*0.6+第二个周非零周均*0.4);
否则取后四周:
后4周每周断仓天数<=3个数是4(第一个周非零日均*0.5+第二个周非零日均*0.25+第三个周非零日均*0.1);
后4周每周断仓天数<=3个数是3(第一个周非零日均*0.5+第二周非零日均*0.3+第三个周非零日均*0.2);
后4周每周断仓天数<=3个数是2(第一个周非零日均*0.6+第二个周非零日均*0.4);
后4周每周断仓天数<=3个数是1(非零周均);
全断:近4周非零周均/非零周均个数。
新品sku颜色算法(上线四周):
当上线一周:每周断仓天数<=3,取第一周非零周均;
当上线两周:每周断仓天数<=3,取非零周均/非零周均个数*7;
上线3周-四周:每周断仓天数<=3,取非零周均/非零周均个数*7;
否则走全断仓算法。
3.基数确认逻辑
1)无首单时间,基数暂设为0;
2)有首单时间,有js_高置信,有js_排名,取min(js_高置信*1.2,max(js_高置信*0.8,js_排名));
3)有首单时间,有js_高置信,无js_排名,listing下js_高置信个数大于等于2,取js_高置信;
4)有首单时间,有js_高置信,无js_排名,listing下js_高置信个数小于2,取js_高置信*0.8;
5)有首单时间,无js_高置信,有js_低置信,有js_排名,取min(js_低置信*1.5,max(js_低置信*0.8,js_历史1*0.7,js_历史2*0.8,js_排名));
6)有首单时间,无js_高置信,有js_低置信,无js_排名,有js_历史1,取min(js_低置信*1.5,max(js_低置信*0.8,js_历史1*0.7,js_历史2*0.8));
7)有首单时间,无js_高置信,有js_低置信,无js_排名,无js_历史1,last或next有值,取js_原,补最小起订量,标记最小量;
8)有首单时间,无js_高置信,有js_低置信,无js_排名,无js_历史1,last和next无值,取js_原,标记人工确认;
9)有首单时间,无js_高置信,无js_低置信,有js_排名,取max(js_历史1*0.7,js_历史2*0.8,js_排名);
10)有首单时间,无js_高置信,无js_低置信,无js_排名,有js_历史1,那么有js_历史2,取js_历史2*0.8,无js_历史2,取js_历史1*0.7;
11)有首单时间,无js_高置信,无js_低置信,无js_排名,无js_历史1,last或next有值,取js_原,补最小起订量,标记最小量;
12)有首单时间,无js_高置信,无js_低置信,无js_排名,无js_历史1,last和next无值,取js_原,标记人工确认。
步骤S105:根据所述售后数据和所述加权销量,确定FBA库存可售天数。
具体的,所述步骤S105包括:
分别确定FBA可售库存销售天数、断仓前FBA库存销售天数、FBA总库存销售天数、一共可售天数、FBA和国内库存销售天数、所有库存销售天数;
判断所述FBA可售库存销售天数和发货阈值的大小关系;
如果所述FBA可售库存销售天数大于发货阈值,则不发货;
如果所述FBA可售库存销售天数小于等于发货阈值,则判断加权销量与加权销量阈值的大小关系;
如果加权销量小于加权销量阈值,则走加权销量小配置,不发海派;
如果加权销量大于等于加权销量阈值,则走正常配置,发海派。
其中,加权销量小配置包括:加权销量阀值、空派发货天数、发货天数阀值、补货天数阀值、补货天数,主要影响发货补货从哪天到哪天累加,因为小销量商品受销售量的影响不能像其他商品那样随意发货,否则会带来库存积压和运输成本的问题,所以这部分配置分离出来进行加权销量小配置。
进一步的,所述步骤S105还包括:
判断所述一共可售天数和补货阈值的大小关系;
如果所述一共可售天数大于补货阈值,则不补货;
如果所述一共可售天数小于等于补货阈值,则判断加权销量与加权销量阈值的大小关系;
如果加权销量小于加权销量阈值,则按照加权销量小配置补货;
如果加权销量大于等于加权销量阈值,则按照加权销量正常配置补货。
进一步的,在步骤S105之后,所述方法还包括:
不考虑当前可用库存,计算模拟发货执行计划;
考虑当前可用库存,计算实际发货执行计划;
按照所述实际发货执行计划进行发货后,将国内剩余及在途库存模拟到FBA库存上;
根据不同发货渠道计算实际补货计划;
根据所述所述多源异构数据、所述FBA库存可售天数和所述实际发货执行计划,构造并更新单款、组合款关系图。
通过大数据算法分析模拟,本发明可以给出未来180天每天的销售、库存、发货、采购、及断仓等情况,同时根据运营人员设置得参数模拟出通过海派、空派、IP等等时效不同的运输方式最优化的采购、发货建议,最大限度地确保库存少挤压、不断仓;
运营人员拿到发货补货模拟计划数据的结果后,会清晰了解到发货补货计划情况,如:FBA仓未来哪天会断仓,今日需通过IP或海运发货多少件,为保证商品可售卖到未来多少天需采购多少件等;
正常情况运营人员会直接使用模拟得出的这份计划进行发货补货,特殊情况运营人员也会根据具体商品SKU得运营情况进行调整;例如,某一商品sku计划下架则不进行发货补货,或某一商品计划将做促销活动将自行调高发货补货数量等。
从以上的描述中,可以看出,本发明实现了如下技术效果:
本发明通过采集多源异构数据并进行结构化分析,可以基于多维度分析对未来的销量、库存、断仓等情况进行模拟,解决了现有技术中无法精细化处理多源异构数据,无法给出最优化采购、发货实质建议的问题;
本发明通过大数据算法分析模拟给出未来180天每天的销售、库存、发货、采购等情况,同时模拟出通过海派、空派、IP等等时效不同的运输方式最优化的采购、发货建议,最大限度地确保库存少挤压、不断仓。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例还提供了一种用于实施上述基于多源异构数据的跨境电商发货补货方法的基于多源异构数据的跨境电商发货补货系统,如图2所示,该系统包括:
采集单元21,用于采集商品的多源异构数据,其中,所述多源异构数据包括库存数据和销量数据;
合并单元22,用于将所述多源异构数据中的库存数据和销量数据进行合并处理,得到基础数据;
模拟单元23,用于根据所述基础数据进行模拟,得到售后数据;
加权销量确定单元24,用于基于所述基础数据和预先设定的季节系数,得到加权销量;
可售天数确定单元25,用于根据所述售后数据和所述加权销量,确定FBA库存可售天数。
本发明实施例还提供了一种电子设备,如图3所示,该电子设备包括一个或多个处理器31以及存储器32,图3中以一个处理器31为例。
该控制器还可以包括:输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,简称为CPU),处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,简称为DSP)、专用集成电路(Application Specific Integrated Circuit,简称为ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称为FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合,通用处理器可以是微处理器或者任何常规的处理器。
存储器32作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的控制方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的基于多源异构数据的跨境电商发货补货方法。
存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可接收输入的数字或字符信息,以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
一个或者多个模块存储在存储器32中,当被一个或者多个处理器31执行时,执行如图1所示的方法。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各电机控制方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,简称为ROM)、随机存储记忆体(Random AccessMemory,简称为RAM)、快闪存储器(Flash Memory,简称为FM)、硬盘(Hard Disk Drive,简称为HDD)或固态硬盘(Solid-State Drive,简称为SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于多源异构数据的跨境电商发货补货方法,其特征在于,包括:
采集商品的多源异构数据,其中,所述多源异构数据包括库存数据和销量数据;
将所述多源异构数据中的库存数据和销量数据进行合并处理,得到基础数据;
根据所述基础数据进行模拟,得到售后数据;
基于所述基础数据和预先设定的季节系数,得到加权销量;
根据所述售后数据和所述加权销量,确定FBA库存可售天数。
2.根据权利要求1所述的方法,其特征在于,所述多源异构数据包括:库存数据、款型数据和销量数据;
其中,所述库存数据包括:国内库存、国内在途库存、国内发货中库存、当前国内剩余库存、国内转运中库存、FBA在途库存、海外仓库存、海外仓在途库存、积压库存;
所述款型数据包括:sku组合关系、sku基本信息、首单时间、爆款标识、新增款型标签;
所述销量数据包括:销量表、近60天的销量、近30天SMC日销量、上周加权销量、昨日款型排名。
3.根据权利要求1所述的方法,其特征在于,在采集商品的多源异构数据之后,所述方法还包括:
初始化多维度参数配置和所述多源异构数据;
其中,所述多维度参数配置包括不同发货渠道的时效配置、采购生产周期配置、出入库配置、库存需要满足销量的天数、销量的季节系统、售后数据配置、不同形态商品及类目,不同发货渠道包括联邦快递IP、联邦快递IE、空派、海派。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
不考虑当前可用库存,计算模拟发货执行计划;
考虑当前可用库存,计算实际发货执行计划;
按照所述实际发货执行计划进行发货后,将国内剩余及在途库存模拟到FBA库存上;
根据不同发货渠道计算实际补货计划;
根据所述所述多源异构数据、所述FBA库存可售天数和所述实际发货执行计划,构造并更新单款、组合款关系图。
5.根据权利要求1所述的方法,其特征在于,所述基于所述基础数据和预先设定的季节系数,得到加权销量,包括:
按下式确定加权销量:
加权销量=(A1/T1*0.75+A2/T2*0.1+A3/T3*0.1+A4/T4*0.05)*今日季节系数;
其中,A1为近7天去季节化销量,A2为近8-14天去季节化销量,A3为近15-21天去季节化销量,A4为近22-28天去季节化销量,今日季节系数=销量表中的销量/去季节化销量;T1为近7天商家有销量的天数,T2为近8-14天商家有销量的天数,T3为近15-21天商家有销量的天数,T4为近22-28天商家有销量的天数,商家有销量天数为实际上传销量的天数。
6.根据权利要求1所述的方法,其特征在于,所述根据所述售后数据和所述加权销量,确定FBA库存可售天数,包括:
分别确定FBA可售库存销售天数、断仓前FBA库存销售天数、FBA总库存销售天数、一共可售天数、FBA和国内库存销售天数、所有库存销售天数;
判断所述FBA可售库存销售天数和发货阈值的大小关系;
如果所述FBA可售库存销售天数大于发货阈值,则不发货;
如果所述FBA可售库存销售天数小于等于发货阈值,则判断加权销量与加权销量阈值的大小关系;
如果加权销量小于加权销量阈值,则走加权销量小配置,不发海派;
如果加权销量大于等于加权销量阈值,则走正常配置,发海派。
7.根据权利要求6所述的方法,其特征在于,所述根据所述售后数据和所述加权销量,确定FBA库存可售天数,还包括:
判断所述一共可售天数和补货阈值的大小关系;
如果所述一共可售天数大于补货阈值,则不补货;
如果所述一共可售天数小于等于补货阈值,则判断加权销量与加权销量阈值的大小关系;
如果加权销量小于加权销量阈值,则按照加权销量小配置补货;
如果加权销量大于等于加权销量阈值,则按照加权销量正常配置补货。
8.根据权利要求1所述的方法,其特征在于,所述根据所述基础数据进行模拟,得到售后数据,包括:
按下式预估售后库存:
sku在当日的预估售后库存=(当日-退货周期+1天)日发起的有效售后量;
其中,退货周期预先设定为19天,当日发起的有效售后量=当日的销量*sku当日发起的售后概率*sku当日的还原售后率*退回系数,所述退回系数的值为0.5或0.75。
9.一种基于多源异构数据的跨境电商发货补货系统,其特征在于,包括:
采集单元,用于采集商品的多源异构数据,其中,所述多源异构数据包括库存数据和销量数据;
合并单元,用于将所述多源异构数据中的库存数据和销量数据进行合并处理,得到基础数据;
模拟单元,用于根据所述基础数据进行模拟,得到售后数据;
加权销量确定单元,用于基于所述基础数据和预先设定的季节系数,得到加权销量;
可售天数确定单元,用于根据所述售后数据和所述加权销量,确定FBA库存可售天数。
10.一种电子设备,其特征在于,所述电子设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-8任意一项所述的基于多源异构数据的跨境电商发货补货方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111621684.3A CN114331269A (zh) | 2021-12-28 | 2021-12-28 | 基于多源异构数据的跨境电商发货补货方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111621684.3A CN114331269A (zh) | 2021-12-28 | 2021-12-28 | 基于多源异构数据的跨境电商发货补货方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114331269A true CN114331269A (zh) | 2022-04-12 |
Family
ID=81014077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111621684.3A Pending CN114331269A (zh) | 2021-12-28 | 2021-12-28 | 基于多源异构数据的跨境电商发货补货方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331269A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819831A (zh) * | 2022-04-27 | 2022-07-29 | 南京希音电子商务有限公司 | 一种基于亚马逊fba仓库的补调货方法、设备和存储介质 |
CN116228375A (zh) * | 2023-05-06 | 2023-06-06 | 深圳千亚商务科技有限公司 | 基于跨境销售系统的运营管理方法与装置 |
-
2021
- 2021-12-28 CN CN202111621684.3A patent/CN114331269A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819831A (zh) * | 2022-04-27 | 2022-07-29 | 南京希音电子商务有限公司 | 一种基于亚马逊fba仓库的补调货方法、设备和存储介质 |
CN114819831B (zh) * | 2022-04-27 | 2024-07-05 | 南京希音电子商务有限公司 | 一种基于亚马逊fba仓库的补调货方法、设备和存储介质 |
CN116228375A (zh) * | 2023-05-06 | 2023-06-06 | 深圳千亚商务科技有限公司 | 基于跨境销售系统的运营管理方法与装置 |
CN116228375B (zh) * | 2023-05-06 | 2023-07-07 | 深圳千亚商务科技有限公司 | 基于跨境销售系统的运营管理方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114331269A (zh) | 基于多源异构数据的跨境电商发货补货方法及系统 | |
US11922440B2 (en) | Demand forecasting using weighted mixed machine learning models | |
CN111133460B (zh) | 需求预测参数的优化 | |
CN106408341A (zh) | 货品销量的预测方法及装置、电子设备 | |
WO2019125612A1 (en) | Dynamic feature selection for model generation | |
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 | |
JP6679734B2 (ja) | コンピュータ化された販促および値引き価格スケジュール | |
CN109948829A (zh) | 一种基于多个售货点的调货方法、电子设备及存储介质 | |
CN114331291A (zh) | 一种智能制造用原料管理方法及系统 | |
CN113298606B (zh) | 商品对象库存调控方法、装置及电子设备 | |
CA3202052A1 (en) | Systems and methods for inventory control and optimization | |
CN111445133B (zh) | 一种材料管理方法、装置、计算机设备和存储介质 | |
GB2526840A (en) | Inventory setting system | |
CN114663008A (zh) | 一种基于门店生鲜的智能补货系统 | |
CN112613719A (zh) | 一种熟食门店智能订货系统及方法 | |
CN116109252A (zh) | 仓库补货管理方法、装置、仓库管理系统及存储介质 | |
CN112184340A (zh) | 一种快消品自动补货系统及其工作方法 | |
CN109558991A (zh) | 基于自贩机的货道量推荐方法、装置、设备及存储介质 | |
US20200019976A1 (en) | Sku number determination server, method, and program | |
CN113469397A (zh) | 智慧供应链系统及服务器平台 | |
CN113657667A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
KR20210014432A (ko) | 원자재 수요예측시스템을 이용한 원자재 수요예측 정확도 향상방법 | |
CN114462946A (zh) | 一种基于fba订单进销存头程运费管理系统及方法 | |
US11205185B2 (en) | Forecasting demand for groups of items, such as mobile phones | |
WO2015065407A1 (en) | Days of inventory determination based on constraints |
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 |