CN114358874A - 补货方法、装置及电子设备 - Google Patents
补货方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114358874A CN114358874A CN202111622982.4A CN202111622982A CN114358874A CN 114358874 A CN114358874 A CN 114358874A CN 202111622982 A CN202111622982 A CN 202111622982A CN 114358874 A CN114358874 A CN 114358874A
- Authority
- CN
- China
- Prior art keywords
- candidate
- commodity
- inventory
- sales
- replenishment
- 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
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出了一种补货方法、装置及电子设备,涉及数据处理领域。该方法包括:获取目标商品品类下的候选商品的商品信息和补货周期;针对候选商品,根据商品信息中的历史数据,获取补货周期内候选商品在各个销售区域的销量预测序列;根据候选商品的销量预测序列,获取候选商品在各个销售区域的需求量集;根据商品信息、需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取候选商品的补货策略。本申请实施例在需求不确定的前提下,基于销量预测序列,通过全局分仓补货获取候选商品的订购量,该方法可以提高补货的精准性,避免库存积压或者缺货的情况,从而避免存储资源以及人力资源的浪费。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种补货方法、装置及电子设备。
背景技术
对商品进行补货时,由于随机因素的影响,对商品补货量的理论预测和实际需求之间可能存在较大的偏差,从而导致补货精度受到影响,造成库存积压或者缺货的情况。因此,如何提高补货的精准性,已经成为重点的研究方向之一。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本申请的一个目的在于提出一种补货方法。
本申请的第二个目的在于提出一种补货装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种非瞬时计算机可读存储介质。
本申请的第五个目的在于提出一种计算机程序产品。
为达上述目的,本申请第一方面实施例提出了一种补货方法,包括:
获取目标商品品类下的候选商品的商品信息和补货周期;
针对候选商品,根据商品信息中的历史数据,获取补货周期内候选商品在各个销售区域的销量预测序列;
根据候选商品的销量预测序列,获取候选商品在各个销售区域的需求量集;
根据商品信息、需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取候选商品的补货策略。
为达上述目的,本申请第二方面实施例提出了一种补货装置,包括:
第一获取模块,用于获取目标商品品类下的候选商品的商品信息和补货周期;
第二获取模块,用于针对候选商品,根据商品信息中的历史数据,获取补货周期内候选商品在各个销售区域的销量预测序列;
第三获取模块,用于根据候选商品的销量预测序列,获取候选商品在各个销售区域的需求量集;
补货策略生成模块,用于根据商品信息、需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取候选商品的补货策略。
为达上述目的,本申请第三方面实施例提出了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请第一方面实施例中提供的补货方法。
为达上述目的,本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机指令,其中,计算机指令用于使计算机执行根据本申请第一方面实施例中提供的补货方法。
为达上述目的,本申请第五方面实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本申请第一方面实施例中提供的补货方法。
本申请实施例在需求不确定的前提下,基于销量预测序列,通过全局分仓补货获取候选商品的订购量,该方法可以提高补货的精准性,避免库存积压或者缺货的情况,从而避免存储资源以及人力资源的浪费。
附图说明
图1是本申请一个实施例的补货方法的流程图;
图2是本申请一个实施例的销售区域与仓库之间的映射关系的示意图;
图3是本申请一个实施例的补货方法的流程图;
图4是本申请一个实施例的补货方法的流程图;
图5是本申请一个实施例的补货方法的流程图;
图6是本申请一个实施例的补货方法的流程图;
图7是本申请一个实施例的补货装置的结构框图;
图8是本申请一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面结合附图来描述本申请实施例的补货方法、装置及电子设备。
图1是本申请一个实施例的补货方法的流程图,如图1所示,该方法包括以下步骤:
S101,获取目标商品品类下的候选商品的商品信息和补货周期。
目前,终端销售的竞争日益激烈,若商品补货量过大,会造成货物堆积,从而浪费仓储资源,若补货量过小,会导致人工浪费,影响订单配送速度,降低客户体验,因此,如何确定商品的补货量,用于节约成本,对资源进行合理分配,已经成为重要的研究方向。
在一些实现中,可以以时间作为条件,每当达到预设时间阈值时,判定商品需要进行补货,例如,预设时间阈值可以为15天,与上次补货时间间隔达到15天时,判定商品需要进行补货;在一些实现中,可以以候选商品的库存量作为条件,也就是说,当仓库的库存量小于预设库存量阈值时,判定商品需要进行补货;在一些实现中,每当达到预设时间阈值时,或当仓库的库存量小于预设库存量阈值时,判定为需要进行补货。
在一些实现中,选取一个商品品类作为目标商品品类,在一些实现中,选取多个商品品类作为目标商品品类,进而获取目标商品品类下的候选商品的商品信息和补货周期,其中,候选商品为最小库存量单位(Stock Keeping Unit,SKU)。
在实现中,补货后需要预留运输时间及上货时间,因此补货周期还包括提前补货天数,可选地,本申请实施例中,补货周期可以是库存盘点周期与提前补货天数之和。
S102,针对候选商品,根据商品信息中的历史数据,获取补货周期内候选商品在各个销售区域的销量预测序列。
本申请实施例中,候选商品的商品信息中包含该候选商品的历史数据,可选地,候选商品的历史数据可以是历史销量信息,也就是候选商品在一段时间内每天的销量量以及销售日期。
在一些实现中,将候选商品的历史数据以及补货周期输入分位数预测模型中,由分位数预测模型对补货周期内候选商品在各个销售区域的销量进行预测,获取补货周期内候选商品在各个销售区域的一个销量预测序列。
在一些实现中,为了提高销量预测的准确度,本申请实施例选取两个预测分位数,基于两个预测分位数对候选商品的销售预测序列进行预测,也就是说,将候选商品的历史数据以及补货周期输入分位数预测模型中,由分位数预测模型对补货周期内候选商品在各个销售区域的销量进行预测,获取补货周期内候选商品在各个销售区域的两个销量预测序列,即第一销量预测序列和第二销量预测序列,其中,第一销售预测序列中候选商品的预测分位数大于第二销售预测序列中候选商品的预测分位数。
可选地,分位数预测模型可以是决策树模型,例如梯度提升决策树(GradientBoosting Decision Tree,GBDT)模型、极端梯度提升(eXtreme Gradient Boosting,XGboost)模型、梯度提升机(Light Gradient Boosting Machine,light GBM)模型等。
可选地,补货周期内候选商品在各个销售区域的销量预测序列为补货周期内候选商品在各个销售区域每一天的销量预测值,例如,补货周期为5天时,销量预测序列可以为{[39,60,56,45,52,57],[65,46,36,59,58,62,]......},[39,60,56,45,52,56]为第一个销售区域的销量预测值,其中,39为补货周期第一天的销量预测值,60为补货周期第二天的销量预测值,以此类推,57为补货周期第五天的销量预测值;同理,[65,46,36,59,58,62,]为第二个销售区域的销量预测值,其中,65为补货周期第一天的销量预测值,46为补货周期第二天的销量预测值,以此类推,62为补货周期第五天的销量预测值。
S103,根据候选商品的销量预测序列,获取候选商品在各个销售区域的需求量集。
响应于获取到补货周期内候选商品在各个销售区域的一个销量预测序列,对销售预测序列中的销售预测值进行加和,获取候选商品在各个销售区域的一个或多个需求量集,需求量集包含候选商品在各个销售区域的一个或多个需求量。
响应于获取到补货周期内候选商品在各个销售区域的第一销量预测序列和第二销量预测序列,获取第一销售预测序列和第二销售预测序列在相同销售时段内预测分位数的差值,进而根据差值获取候选商品在各个销售区域的一个或多个需求量集。
S104,根据商品信息、需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取候选商品的补货策略。
图2是本申请一个实施例的销售区域与仓库之间的映射关系的示意图,如图2所示,可选地,可以以销售区域与仓库之间的供货关系获取销售区域与仓库之间的映射关系,例如,仓库S1可以向销售区域C1、C2、C3进行供货,仓库S2可以向销售区域C2、C3进行供货,仓库S3可以向销售区域C1、C2进行供货,则仓库S1与销售区域C1、C2、C3之间具有映射关系,仓库S2与销售区域C2、C3之间具有映射关系,仓库S3与销售区域C1、C2之间具有映射关系。
可选地,根据商品信息、需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取候选商品的补货策略,也就是每个仓库的候选商品的补货量。
可选地,在实现中,仓库中还存在候选商品的库存余量,为了提高补货精度,进行全局分仓补货时,还需要考虑当前库存余量,根据当前库存余量、商品信息、需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取候选商品的补货策略,也就是每个仓库的候选商品的订购量以及目标补货成本。
本申请实施例中,获取目标商品品类下的候选商品的商品信息和补货周期;针对候选商品,根据商品信息中的历史数据,获取补货周期内候选商品在各个销售区域的销量预测序列;根据候选商品的销量预测序列,获取候选商品在各个销售区域的需求量集;根据商品信息、需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取候选商品的补货策略。本申请实施例在需求不确定的前提下,基于销量预测序列,通过全局分仓补货获取候选商品的订购量,该方法可以实现自动化补货,提高补货的精准性,避免库存积压或者缺货的情况,进而避免存储资源以及人力资源的浪费。
图3是本申请一个实施例的补货方法的流程图,如图3所示,在上述实施例的基础上,根据候选商品的销量预测序列,获取候选商品在各个销售区域的需求量集,包括以下步骤:
S301,获取第一销售预测序列和第二销售预测序列在相同销售时段内预测分位数的差值,根据所有销售时段的预测分位数的差值,获取候选商品的安全需求量。
本申请实施例中,第i个候选商品在第k个销售区域的安全需求量为:
其中,Cr为第一销售预测序列的预测分位数,M为补货周期,补货周期可以以“小时”为单位计量销售时段,也可以以“天”、“周”、“月”或“季度”为单位计量销售时段。f为其中第f个销售时段,本申请实施例中以“天”为为单位进行举例说明,也就是说,补货周期共M天,f为M天中的第f天,其中,f≤M,为第一销售预测序列中第i个候选商品在第k个销售区域的第f天的销售预测值,Cm为第二销售预测序列的预测分位数,为第二销售预测序列中第i个候选商品在第k个销售区域的第f天的销售预测值,且Cr>Cm。本申请实施例中,Cr可以取80,Cm可以取50。
S302,基于第一销售预测序列的和值以及安全需求量获取候选商品的目标需求量。
本申请实施例中,第i个候选商品在第k个销售区域的目标需求量为:
S303,对目标需求量进行修正,获取候选商品的最大需求量。
可选地,本申请实施例中,可以基于滞销因子对目标需求量进行修正,第i个候选商品在第k个销售区域的最大需求量为:
spi,k=xs×ouli,k
其中,xs为滞销因子,滞销因子体现候选商品的滞销风险,当市场供不应求时可以增大xs值,当市场供大于求时可以降低xs值,本申请实施例中xs>1。
本申请实施例在需求不确定的前提下,基于销量预测序列,获取候选商品的需求量,进而通过全局分仓补货获取候选商品的订购量,该方法可以实现自动化补货,提高补货的精准性,避免库存积压或者缺货的情况,进而避免存储资源以及人力资源的浪费。
图4是本申请一个实施例的补货方法的流程图,如图4所示,根据商品信息、需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取候选商品的补货策略,包括以下步骤:
S401,基于商品信息、需求量集和销售区域与仓库之间的映射关系,以预设约束条件获取候选商品在所属仓库的库存量集。
本申请实施例中,以成本最低作为预设约束条件进行说明。
仓库中的候选商品运往销售区域的过程中会产生发货成本,仓库中的候选商品在存储过程中会产生库存成本,仓库中的商品售罄之后,再订购的过程中,由于缺货影响,会产生缺货损失,为获取最优的补货策略,本申请实施例中,可以以发货成本、库存成本、缺货损失中的一种或几种作为约束条件,基于商品信息、需求量集和销售区域与仓库之间的映射关系,获取候选商品在所属仓库的库存量集。
获取候选商品的由每个仓库映射至各销售区域的初始库存量集。在一些实现中,可以以每个仓库的最大容量作为限制条件,利用启发式算法获取初始库存量集,可选地,启发式算法可以是遗传算法,粒子群算法,模拟退火算法等。
从候选商品的初始库存量集开始,根据商品信息、需求量集和当前迭代更新出的库存量集,以及销售区域与仓库之间的映射关系,获取候选商品的补货成本。
针对任一仓库,获取候选商品的销售区域的库存量之和,若库存量之和大于仓库的最大容量,即:
则判定为满足迭代结束条件。其中,n为候选商品数量,i为第i个候选商品,c为销售区域数量,k为第k个销售区域,m为仓库数量,j为第j个仓库,Pi,j,k为第j个仓库可以发往第k个销售区域的第i个候选商品的库存量。
响应于满足迭代结束条件,从每次迭代后获取的补货总成本中,选取最小补货成本。
将最小补充总成本对应的库存量集,作为候选商品最终的库存量集。
S402,根据库存量集进行全局分仓补货,获取候选商品的补货策略。
可选地,可以利用经济批量订货(economic order quantity,EOQ)模型进行全局分仓补货,获取候选商品的最优订货量,生成补货策略。
本申请实施例基于商品信息、需求量集和销售区域与仓库之间的映射关系,以预设约束条件获取候选商品在所属仓库的库存量集,进而通过全局分仓补货获取候选商品的订购量,该方法可以实现自动化补货,提高补货的精准性,并协调库存商品数量,避免库存积压或者缺货的情况,进而避免存储资源以及人力资源的浪费。
图5是本申请一个实施例的补货方法的流程图,如图5所示,在上述实施例的基础上,该方法还包括以下步骤:
S501,基于候选商品在各个仓库映射至各销售区域的初始库存量集和需求量获取候选商品的缺货量。
在一些实现中,响应于候选商品的需求量不大于库存量,将候选商品的缺货量约束为0;响应于候选商品的需求量大于库存量,则基于需求量以及库存量集获取该候选商品的缺货量。即
其中,Ri为第i种商品的缺货量,sci,k为第i个候选商品在第k个销售区域的需求量。
S502,根据商品信息,获取候选商品的单位缺货成本,并根据候选商品的单位缺货成本和缺货量,获取候选商品的缺货损失。
其中,cost1为库存成本,qi为第i个候选商品的缺货成本。
S503,根据销售区域与仓库之间的映射关系,获取候选商品的单位库存成本和每个仓库映射至每个销售区域的候选商品的库存量,并根据候选商品的单位库存成本和库存量,获取候选商品的库存成本。
其中,cost2为缺货损失,ti,j为第i个候选商品在第j个仓库的单位库存成本。
S504,获取候选商品所在仓库发往每个销售区域的区域发货成本,并根据区域发货成本以及库存量集,获取候选商品的从仓库发货到销售区域的发货成本。
其中,cost3为发货成本,di,j,k为第k个销售区域对第i个商品的需求量由第j个仓库发货的单位成本。
S505,基于缺货损失、库存成本以及发货成本获取补货成本。
本申请实施例中,补货成本为缺货损失、库存成本以及发货成本之和,也就是说,cost=cost1+cost2+cost3。
S506,基于商品信息、需求量集和销售区域与仓库之间的映射关系,以预设约束条件获取候选商品在所属仓库的库存量集。
S507,根据库存量集进行全局分仓补货,获取候选商品的补货策略。
步骤S506,步骤S507的相关内容可以参考上述实施例中的相关叙述,此处不再赘述。
本申请实施例基于缺货损失、库存成本以及发货成本获取补货成本,进而以预设约束条件获取候选商品在所属仓库的库存量集,通过全局分仓补货获取候选商品的订购量,该方法可以实现自动化补货,提高补货的精准性,并协调库存商品数量,避免库存积压或者缺货的情况,进而避免存储资源以及人力资源的浪费。
在一些实现中,基于安全需求量获取成本最低时的安全库存量;基于目标需求量获取成本最低时的目标库存量;基于最大需求量获取成本最低时的最大库存量。也就是说,将第i个候选商品在第k个销售区域的安全需求量作为sci,k获取该候选商品的缺货量,进而获取成本最低时的安全库存量;将第i个候选商品在第k个销售区域的目标需求量作为sci,k获取该候选商品的缺货量,进而获取成本最低时的目标库存量;将第i个候选商品在第k个销售区域的最大需求量作为sci,k获取该候选商品的缺货量,进而获取成本最低时的最大库存量。
图6是本申请一个实施例的补货方法的流程图,如图6所示,在上述实施例的基础上,该方法还包括以下步骤:
S601,获取当前库存余量。
获取候选商品在每个仓库的当前库存余量。
S602,响应于候选商品的当前库存余量小于目标库存量集中的库存量之和,则基于目标库存量集中的库存量之和以及候选商品的当前库存余量,获取候选商品在每个仓库的预估需求量。
若候选商品的当前库存余量小于目标库存量集中的库存量之和,则以目标库存量集中的每个销售区域的库存量之和以及候选商品的当前库存余量的差值作为候选商品在每个仓库的预估需求量。
S603,将预估需求量及安全需求量输入经济批量订货模型,获取候选商品在每个仓库的订购量以及目标补货成本。
候选商品的订购量为:
其中,Qi,j为第i个候选商品在第j个仓库的订购量,Di,j为第i个候选商品在第j个仓库的预估需求量,Si为第i个候选商品的单次订货成本。
候选商品的目标补货成本为:
TCi,j=Di,j×Ci+Di,j/Qi,j×Si+Qi,j×ti,j/2
其中,TCi,j为第i个候选商品在第j个仓库的目标补货成本,Ci为第i种商品的采购单价。
可选地,在一些实现中,为了减小缺货损失,当仓库的库存量小于库存量阈值时,候选商品需要进行补货,库存量阈值为:
Ri,j=Li,j×Ei,j+ssi,j
其中,Ri,j为第i个候选商品在第j个仓库的库存量阈值,Li,j为第i个候选商品在第j个仓库的提前补货天数,Li,j为第i个候选商品在第j个仓库的日均需求量,Li,j为第i个候选商品在第j个仓库的安全需求量。
在一些实现中,响应于候选商品的当前库存余量大于最大库存量集中的销售区域的库存量之和,则进行库存滞销预警。
在一些实现中,响应于候选商品的当前库存余量小于安全库存量集中的销售区域的库存量之和,则进行库存缺货预警。
本申请实施例基于经济批量订货模型,获取候选商品在每个仓库的订购量以及目标补货成本。该方法可以实现自动化补货,提高补货的精准性,并协调库存商品数量,避免库存积压或者缺货的情况,进而避免存储资源以及人力资源的浪费。
如图7所示,基于同一申请构思,本申请实施例还提供了一种补货装置700,包括:
第一获取模块710,用于获取目标商品品类下的候选商品的商品信息和补货周期;
第二获取模块720,用于针对候选商品,根据商品信息中的历史数据,获取补货周期内候选商品在各个销售区域的销量预测序列;
第三获取模块730,用于根据候选商品的销量预测序列,获取候选商品在各个销售区域的需求量集;
补货策略生成模块740,用于根据商品信息、需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取候选商品的补货策略。
进一步地,在本申请实施例一种可能的实现方式中,第二获取模块720,还用于:
将候选商品的历史数据以及补货周期输入分位数预测模型中,由分位数预测模型对补货周期内候选商品在各个销售区域的销量进行预测,获取第一销量预测序列和第二销量预测序列,其中,第一销售预测序列中候选商品的预测分位数大于第二销售预测序列中候选商品的预测分位数。
进一步地,在本申请实施例一种可能的实现方式中,第三获取模块730,还用于:
获取第一销售预测序列和第二销售预测序列在相同销售时段内预测分位数的差值,根据所有销售时段的预测分位数的差值,获取候选商品的安全需求量;
基于第一销售预测序列的和值以及安全需求量获取候选商品的目标需求量;
对目标需求量进行修正,获取候选商品的最大需求量。
进一步地,在本申请实施例一种可能的实现方式中,补货策略生成模块740,还用于:
基于商品信息、需求量集和销售区域与仓库之间的映射关系,以预设约束条件获取候选商品在所属仓库的库存量集;
根据库存量集进行全局分仓补货,获取候选商品的补货策略。
进一步地,在本申请实施例一种可能的实现方式中,补货策略生成模块740,还用于:
获取候选商品的由每个仓库映射至各销售区域的初始库存量集;
从候选商品的初始库存量集开始,根据商品信息、需求量集和当前迭代更新出的库存量集,以及销售区域与仓库之间的映射关系,获取候选商品的补货成本;
响应于满足迭代结束条件,从每次迭代后获取的补货总成本中,选取最小补货成本;
将最小补充总成本对应的库存量集,作为候选商品最终的库存量集。
进一步地,在本申请实施例一种可能的实现方式中,补货策略生成模块740,还用于:
基于候选商品在各个仓库对应的销售区域的当前迭代更新出的库存量集以及需求量获取缺货量;
根据商品信息,获取候选商品的单位缺货成本,并根据候选商品的单位缺货成本和缺货量,获取候选商品的缺货损失;
根据销售区域与仓库之间的映射关系,获取候选商品的单位库存成本和每个仓库映射至每个销售区域的候选商品的库存量,并根据候选商品的单位库存成本和库存量,获取候选商品的库存成本;
获取候选商品所在仓库发往每个销售区域的区域发货成本,并根据区域发货成本以及库存量集,获取候选商品的从仓库发货到销售区域的发货成本;
基于缺货损失、库存成本以及发货成本获取补货成本。
进一步地,在本申请实施例一种可能的实现方式中,补货策略生成模块740,还用于:
针对任一仓库,获取候选商品的销售区域的库存量之和,若库存量之和大于仓库的最大容量,则判定为满足迭代结束条件。
进一步地,在本申请实施例一种可能的实现方式中,补货策略生成模块740,还用于:
响应于候选商品的需求量不大于库存量,将候选商品的缺货量约束为0;
响应于候选商品的需求量大于库存量,则基于需求量以及库存量集获取该候选商品的缺货量。
进一步地,在本申请实施例一种可能的实现方式中,补货策略生成模块740,还用于:
基于商品信息、安全需求量和销售区域与仓库之间的映射关系,获取成本最低时的安全库存量;
基于商品信息、目标需求量和销售区域与仓库之间的映射关系,获取成本最低时的目标库存量;
基于商品信息、最大需求量和销售区域与仓库之间的映射关系,获取成本最低时的最大库存量。
进一步地,在本申请实施例一种可能的实现方式中,补货策略生成模块740,还用于:
获取当前库存余量;
响应于候选商品的当前库存余量小于目标库存量集中的库存量之和,则基于目标库存量集中的库存量之和以及候选商品的当前库存余量,获取候选商品在每个仓库的预估需求量;
将预估需求量及安全需求量输入经济批量订货模型,获取候选商品在每个仓库的订购量以及目标补货成本。
进一步地,在本申请实施例一种可能的实现方式中,补货策略生成模块740,还用于:
响应于候选商品的当前库存余量大于最大库存量集中的库存量之和,则进行库存滞销预警;或响应于候选商品的当前库存余量小于安全库存量集中的库存量之和,则进行库存缺货预警。
本申请实施例在需求不确定的前提下,基于销量预测序列,通过全局分仓补货获取候选商品的订购量,该方法可以实现自动化补货,提高补货的精准性,并协调库存商品数量,避免库存积压或者缺货的情况,进而避免存储资源以及人力资源的浪费。
基于同一申请构思,本申请实施例还提供了一种电子设备。
图8为本申请实施例提供的电子设备的结构示意图。如图8所示,该电子设备800,包括存储介质810、处理器820及存储在存储介质810上并可在处理器820上运行的计算机程序产品,处理器执行计算机程序时,实现前述的补货方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
基于同一申请构思,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,其中,该计算机指令用于使计算机执行上述实施例中的补货方法。
基于同一申请构思,本申请实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时上述实施例中的补货方法。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (25)
1.一种补货方法,其特征在于,包括:
获取目标商品品类下的候选商品的商品信息和补货周期;
针对所述候选商品,根据所述商品信息中的历史数据,获取所述补货周期内所述候选商品在各个销售区域的销量预测序列;
根据所述候选商品的销量预测序列,获取所述候选商品在各个销售区域的需求量集;
根据所述商品信息、所述需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取所述候选商品的补货策略。
2.根据权利要求1所述的方法,其特征在于,所述针对所述候选商品,根据所述历史数据,获取所述候选商品在所述补货周期内在各个销售区域的销量预测序列,包括:
将所述候选商品的历史数据以及补货周期输入分位数预测模型中,由所述分位数预测模型对所述补货周期内所述候选商品在各个销售区域的销量进行预测,获取第一销量预测序列和第二销量预测序列,其中,第一销售预测序列中所述候选商品的预测分位数大于所述第二销售预测序列中所述候选商品的预测分位数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述候选商品的销量预测序列,获取所述候选商品在各个销售区域的需求量集,包括:
获取所述第一销售预测序列和所述第二销售预测序列在相同销售时段内预测分位数的差值,根据所有销售时段的所述预测分位数的差值,获取所述候选商品的安全需求量;
基于所述第一销售预测序列的和值以及所述安全需求量获取所述候选商品的目标需求量;
对所述目标需求量进行修正,获取所述候选商品的最大需求量。
4.根据权利要求1所述的方法,其特征在于,所述根据所述商品信息、所述需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取所述候选商品的补货策略,包括:
基于所述商品信息、所述需求量集和所述销售区域与仓库之间的映射关系,以预设约束条件获取所述候选商品在所属仓库的库存量集;
根据所述库存量集进行全局分仓补货,获取所述候选商品的补货策略。
5.根据权利要求4所述的方法,其特征在于,所述基于所述商品信息、所述需求量集和所述销售区域与仓库之间的映射关系,以预设约束条件获取所述候选商品在所属仓库的库存量集,包括:
获取所述候选商品的由每个仓库映射至各销售区域的初始库存量集;
从所述候选商品的所述初始库存量集开始,根据所述商品信息、所述需求量集和当前迭代更新出的库存量集,以及所述销售区域与仓库之间的映射关系,获取所述候选商品的补货成本;
响应于满足迭代结束条件,从每次迭代后获取的所述补货总成本中,选取最小补货成本;
将所述最小补充总成本对应的所述库存量集,作为所述候选商品最终的库存量集。
6.根据权利要求5所述的方法,其特征在于,所述根据所述商品信息、所述需求量集和当前迭代更新出的库存量集,以及所述销售区域与仓库之间的映射关系,获取所述候选商品的补货成本,包括:
基于所述候选商品在各个仓库对应的销售区域的当前迭代更新出的库存量集以及需求量获取缺货量;
根据所述商品信息,获取所述候选商品的单位缺货成本,并根据所述候选商品的单位缺货成本和所述缺货量,获取所述候选商品的缺货损失;
根据所述销售区域与仓库之间的映射关系,获取所述候选商品的单位库存成本和每个仓库映射至每个销售区域的所述候选商品的库存量,并根据所述候选商品的单位库存成本和所述库存量,获取所述候选商品的库存成本;
获取所述候选商品所在仓库发往每个销售区域的区域发货成本,并根据所述区域发货成本以及所述库存量集,获取所述候选商品的从仓库发货到销售区域的发货成本;
基于所述缺货损失、所述库存成本以及所述发货成本获取所述补货成本。
7.根据权利要求5或6所述的方法,其特征在于,所述满足迭代结束条件,包括:
针对任一仓库,获取所述候选商品的所述销售区域的库存量之和,若所述库存量之和大于所述仓库的最大容量,则判定为满足迭代结束条件。
8.根据权利要求6所述的方法,其特征在于,所述基于所述候选商品在各个仓库对应的销售区域的当前迭代更新出的库存量集以及需求量获取缺货量,包括:
响应于所述候选商品的需求量不大于库存量,将所述候选商品的缺货量约束为0;
响应于所述候选商品的需求量大于库存量,则基于所述需求量以及所述库存量集获取该候选商品的所述缺货量。
9.根据权利要求4-6任一项所述的方法,其特征在于,所述以预设约束条件获取所述候选商品在所属仓库的库存量集,还包括:
基于所述商品信息、安全需求量和所述销售区域与仓库之间的映射关系,获取成本最低时的安全库存量;
基于所述商品信息、目标需求量和所述销售区域与仓库之间的映射关系,获取成本最低时的目标库存量;
基于所述商品信息、最大需求量和所述销售区域与仓库之间的映射关系,获取成本最低时的最大库存量。
10.根据权利要求9所述的方法,其特征在于,所述根据所述库存量集进行全局分仓补货,获取所述候选商品的补货策略,还包括:
获取当前库存余量;
响应于所述候选商品的所述当前库存余量小于所述目标库存量集中的库存量之和,则基于所述目标库存量集中的库存量之和以及所述候选商品的当前库存余量,获取所述候选商品在每个仓库的预估需求量;
将所述预估需求量及所述安全需求量输入经济批量订货模型,获取所述候选商品在每个仓库的订购量以及目标补货成本。
11.根据权利要求9所述的方法,其特征在于,还包括:
响应于所述候选商品的当前库存余量大于所述最大库存量集中的库存量之和,则进行库存滞销预警;或
响应于所述候选商品的当前库存余量小于所述安全库存量集中的库存量之和,则进行库存缺货预警。
12.一种补货装置,其特征在于,包括:
第一获取模块,用于获取目标商品品类下的候选商品的商品信息和补货周期;
第二获取模块,用于针对所述候选商品,根据所述商品信息中的历史数据,获取所述补货周期内所述候选商品在各个销售区域的销量预测序列;
第三获取模块,用于根据所述候选商品的销量预测序列,获取所述候选商品在各个销售区域的需求量集;
补货策略生成模块,用于根据所述商品信息、所述需求量集和销售区域与仓库之间的映射关系进行全局分仓补货,获取所述候选商品的补货策略。
13.根据权利要求12所述的装置,其特征在于,所述第二获取模块,还用于:
将所述候选商品的历史数据以及补货周期输入分位数预测模型中,由所述分位数预测模型对所述补货周期内所述候选商品在各个销售区域的销量进行预测,获取第一销量预测序列和第二销量预测序列,其中,第一销售预测序列中所述候选商品的预测分位数大于所述第二销售预测序列中所述候选商品的预测分位数。
14.根据权利要求13所述的装置,其特征在于,所述第三获取模块,还用于:
获取所述第一销售预测序列和所述第二销售预测序列在相同销售时段内预测分位数的差值,根据所有销售时段的所述预测分位数的差值,获取所述候选商品的安全需求量;
基于所述第一销售预测序列的和值以及所述安全需求量获取所述候选商品的目标需求量;
对所述目标需求量进行修正,获取所述候选商品的最大需求量。
15.根据权利要求12所述的装置,其特征在于,所述补货策略生成模块,还用于:
基于所述商品信息、所述需求量集和所述销售区域与仓库之间的映射关系,以预设约束条件获取所述候选商品在所属仓库的库存量集;
根据所述库存量集进行全局分仓补货,获取所述候选商品的补货策略。
16.根据权利要求15所述的装置,其特征在于,所述补货策略生成模块,还用于:
获取所述候选商品的由每个仓库映射至各销售区域的初始库存量集;
从所述候选商品的所述初始库存量集开始,根据所述商品信息、所述需求量集和当前迭代更新出的库存量集,以及所述销售区域与仓库之间的映射关系,获取所述候选商品的补货成本;
响应于满足迭代结束条件,从每次迭代后获取的所述补货总成本中,选取最小补货成本;
将所述最小补充总成本对应的所述库存量集,作为所述候选商品最终的库存量集。
17.根据权利要求16所述的装置,其特征在于,所述补货策略生成模块,还用于:
基于所述候选商品在各个仓库对应的销售区域的当前迭代更新出的库存量集以及需求量获取缺货量;
根据所述商品信息,获取所述候选商品的单位缺货成本,并根据所述候选商品的单位缺货成本和所述缺货量,获取所述候选商品的缺货损失;
根据所述销售区域与仓库之间的映射关系,获取所述候选商品的单位库存成本和每个仓库映射至每个销售区域的所述候选商品的库存量,并根据所述候选商品的单位库存成本和所述库存量,获取所述候选商品的库存成本;
获取所述候选商品所在仓库发往每个销售区域的区域发货成本,并根据所述区域发货成本以及所述库存量集,获取所述候选商品的从仓库发货到销售区域的发货成本;
基于所述缺货损失、所述库存成本以及所述发货成本获取所述补货成本。
18.根据权利要求16或17所述的装置,其特征在于,所述补货策略生成模块,还用于:
针对任一仓库,获取所述候选商品的所述销售区域的库存量之和,若所述库存量之和大于所述仓库的最大容量,则判定为满足迭代结束条件。
19.根据权利要求17所述的装置,其特征在于,所述补货策略生成模块,还用于:
响应于所述候选商品的需求量不大于库存量,将所述候选商品的缺货量约束为0;
响应于所述候选商品的需求量大于库存量,则基于所述需求量以及所述库存量集获取该候选商品的所述缺货量。
20.根据权利要求15-17任一项所述的装置,其特征在于,所述补货策略生成模块,还用于:
基于所述商品信息、安全需求量和所述销售区域与仓库之间的映射关系,获取成本最低时的安全库存量;
基于所述商品信息、目标需求量和所述销售区域与仓库之间的映射关系,获取成本最低时的目标库存量;
基于所述商品信息、最大需求量和所述销售区域与仓库之间的映射关系,获取成本最低时的最大库存量。
21.根据权利要求20所述的装置,其特征在于,所述补货策略生成模块,还用于:
获取当前库存余量;
响应于所述候选商品的所述当前库存余量小于所述目标库存量集中的库存量之和,则基于所述目标库存量集中的库存量之和以及所述候选商品的当前库存余量,获取所述候选商品在每个仓库的预估需求量;
将所述预估需求量及所述安全需求量输入经济批量订货模型,获取所述候选商品在每个仓库的订购量以及目标补货成本。
22.根据权利要求20所述的装置,其特征在于,所述补货策略生成模块,还用于:
响应于所述候选商品的当前库存余量大于最大库存量集中的库存量之和,则进行库存滞销预警;或
响应于所述候选商品的当前库存余量小于所述安全库存量集中的库存量之和,则进行库存缺货预警。
23.一种电子设备,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指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
25.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111622982.4A CN114358874A (zh) | 2021-12-28 | 2021-12-28 | 补货方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111622982.4A CN114358874A (zh) | 2021-12-28 | 2021-12-28 | 补货方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358874A true CN114358874A (zh) | 2022-04-15 |
Family
ID=81104301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111622982.4A Pending CN114358874A (zh) | 2021-12-28 | 2021-12-28 | 补货方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358874A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994788A (zh) * | 2023-03-20 | 2023-04-21 | 北京永辉科技有限公司 | 一种数据处理分析方法和装置 |
-
2021
- 2021-12-28 CN CN202111622982.4A patent/CN114358874A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994788A (zh) * | 2023-03-20 | 2023-04-21 | 北京永辉科技有限公司 | 一种数据处理分析方法和装置 |
CN115994788B (zh) * | 2023-03-20 | 2023-06-30 | 北京永辉科技有限公司 | 一种数据处理分析方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jha et al. | Single-vendor multi-buyer integrated production-inventory model with controllable lead time and service level constraints | |
EP0733986B1 (en) | System and method for controlling the number of units of parts in an inventory | |
Pauls-Worm et al. | An MILP approximation for ordering perishable products with non-stationary demand and service level constraints | |
CN111242524B (zh) | 一种确定单品补货量的方法、系统、设备及存储介质 | |
Roldán et al. | Robustness of inventory replenishment and customer selection policies for the dynamic and stochastic inventory-routing problem | |
US20160027026A1 (en) | Order quantity determination method, computer-readable medium, and information processing device | |
Minken et al. | A logistics cost function with explicit transport costs | |
CN109272276A (zh) | 一种库存补货管理方法以及装置 | |
CN113743862A (zh) | 基于产品分类的产品目标库存确定方法及系统 | |
CN110046761A (zh) | 一种基于多目标粒子群优化算法的乙醇库存补货策略 | |
JP6536028B2 (ja) | 発注計画決定装置、発注計画決定方法および発注計画決定プログラム | |
CN111222815A (zh) | 确定单品补货量方法、装置、设备及存储介质 | |
Gagliardi et al. | Space allocation and stock replenishment synchronization in a distribution center | |
CN108596544B (zh) | 库存分配方法及装置 | |
CN114358874A (zh) | 补货方法、装置及电子设备 | |
Yadollahi et al. | Evaluating approximate solution models for the stochastic periodic inventory routing problem | |
Yu et al. | How much does VMI better than RMI in a global environment? | |
Kapalka et al. | Retail inventory control with lost sales, service constraints, and fractional lead times | |
CN112330236A (zh) | 补货控制方法、装置和计算机可读存储介质 | |
Muriel et al. | Efficient algorithms for the joint replenishment problem with minimum order quantities | |
CN114219376A (zh) | 一种基于知识图谱的家电大规模定制服务资源调度方法 | |
CN116205560A (zh) | 库存自动化管理系统及其方法 | |
CN113450047A (zh) | 用于电子补货设备的处理方法和装置、电子补货设备 | |
Safra et al. | The beneficial effect of information sharing in the integrated production–distribution planning of textile and apparel supply chain | |
US20200134649A1 (en) | Forecasting demand for groups of items, such as mobile phones |
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 |