CN114548871B - 一种大数据驱动的供应链ai智能补货系统 - Google Patents
一种大数据驱动的供应链ai智能补货系统 Download PDFInfo
- Publication number
- CN114548871B CN114548871B CN202210177882.3A CN202210177882A CN114548871B CN 114548871 B CN114548871 B CN 114548871B CN 202210177882 A CN202210177882 A CN 202210177882A CN 114548871 B CN114548871 B CN 114548871B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- sub
- information
- 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.)
- Active
Links
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 2
- 230000007306 turnover Effects 0.000 abstract description 5
- 230000001502 supplementing effect Effects 0.000 abstract description 2
- 238000004140 cleaning Methods 0.000 abstract 1
- 238000005259 measurement Methods 0.000 abstract 1
- 239000000047 product Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 238000003058 natural language processing Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大数据驱动的供应链AI智能补货系统,基于底层数据中枢,对内外部数据系统的数据进行数据集成、清洗、储存、服务等,再由运筹优化求解器模型和AI引擎进行数据补货;数据发现模块根据商品信息及销售数据产生实时洞察;需求预测模块包含促销预优化和深度学习,形成数据发现模块、需求预测模块及智能测、需求预测及新品预测,利用机器学习算法提供的一种自主发明的损失函数,对各个门店、各个品类商品进行精细化需求预测;智能补货模块基于数据发现得到的实时洞察与需求预测的数据,对各门店进行相应的智能补货;运筹优化加上机器学习模型,实现自动补货场景,降低缺货率及货物损失率,提高库存周转效率,降低库存成本。
Description
技术领域
本发明涉及零售供应链技术领域,尤其涉及一种大数据驱动的供应链AI智能补货系统。
背景技术
未来,能够在供应链的管理水平、反应速度、风险防范等方面领先企业将拥有更强的市场竞争力。国内的零售企业和品牌商企业积极尝试在经营战略、运营模式、品类策略和科技上做出改变和创新。
随着AI(Artificial Intelligence;人工智能)技术的发展,AI需求预测模型等也越来越多的被应用于零售企业日常的工作中,AI需求预测模型虽然在一定程度上也能够起到供货预测的作用,但其AI模型预测结果往往不够准确,且无法直接根据预测结果降低企业供应链各环节的成本。现有的AI技术中,已有成熟的AI需求预测模型应用于智能供应链系统,但细颗粒度预测准确性低、无法同时兼顾库存成本和缺货成本,已经成为普遍现象。
发明内容
本发明旨在至少在一定程度上解决上述技术问题之一或至少提供一种有用的商业选择。为此,本发明的目的在于提出一种大数据驱动的供应链AI智能补货系统,该智能补货系统基于大数据,利用机器学习算法提供的一种自主发明的损失函数,提供高精度需求预测与补货建议,实现智能自动补货场景,降低缺货率及货损率,提高库存周转力,为零售降本增效。
根据本发明的大数据驱动的供应链AI智能补货系统,所述智能补货系统包括底座数据挖掘模块,用于对内部信息系统数据以及外部信息系统数据进行挖掘以生成底座数据;数据中台处理模块,与所述底座数据挖掘模块相连,用于对所述底座数据进行处理以生成加工数据;数据发现模块,与所述数据中台处理模块相连,用于对各门店的商品数据及销售数据进行汇总以生成门店数据;需求预测模块,与所述数据发现模块相连,用于基于机器学习算法生成一损失函数,并通过所述损失函数对不同门店、不同品类商品的需求进行预测以得到预测需求数据;智能补货模块,与所述数据发现模块、所述需求预测模块分别相连,用于依据所述门店数据以及所述预测需求数据对各门店进行补货。
本发明的大数据驱动的供应链AI智能补货系统,该智能补货系统基于大数据,利用机器学习算法提供的一种自主发明的损失函数,提供高精度需求预测与补货建议,实现智能自动补货场景,降低缺货率及货损率,提高库存周转力,为零售降本增效。
另外,根据本发明上述的大数据驱动的供应链AI智能补货系统,还可以具有如下附加的技术特征:
所述数据发现模块包括商品分布特征洞察子模块、商品及销售信息标签子模块以及模型历史表现洞察子模块,其中,所述商品分布特征洞察子模块用于观察门店等级特征信息、活动类型特征信息、季节性商品销售信息;所述商品及销售信息标签子模块用于标记前置标签、感知标签与后置标签;所述模型历史表现洞察子模块用于观察时间进度、销售进度、AI准确率、AI预测数、调整数、缺货率。
所述前置标签包括商品分类、促销节奏、退货类型;所述感知标签包括促销变化、售价不符;所述后置标签包括颗粒度及偏差、特征注意力错位。
所述需求预测模块包括需求预测子模块、促销预测子模块、新品预测子模块,其中,所述需求预测子模块用于数据集成、数据探查、模型预测;所述促销预测子模块用于对商品进行分类以得到业务规律信息,并对样本数据集进行分类以得到数据规律信息,并基于所述业务规律信息以及所述数据规律信息生成精准建模模型;所述新品预测子模块用于参照细分品类与行业,并通过NLP算法对新品进行预测。
所述智能补货模块包括数据层、算法与决策层、服务应用层,其中,所述数据层包括数据中枢,所述数据中枢包括商品数据、仓库数据、门店数据、货架陈列数据、促销数据、供货关系数据、库存数据、品类数据与供应商数据;所述算法与决策层包括由预置训练模型、预置结构模型构成的模型中枢以及由多目标整数规划和动态规划构成的决策中枢;所述服务应用层包括看板、仿真模块、风控模块、补货模块、OTB模块与仓库管理信息。
所述看板包括KPI看板、供应商看板、缺货警告、仓库看板、门店看板;所述仿真模块包括仓库库存仿真子模块、门店库存仿真子模块;所述风控模块包括促销计划风控子模块、门店运营风控子模块、销售变化风控子模块、缺货因素风控子模块;所述补货模块包括自动补货子模块、手工补货子模块、自动补货策略设置子模块;所述OTB模块包括OTB计划子模块与OTB跟踪子模块;所述仓库管理信息包括验收信息、配送信息、手工分货信息、退货管理信息、店转店信息。
所述内部信息系统数据包括ERP数据、WMS数据、POS数据与CRM数据。
所述外部信息系统数据包括竞品数据、地理数据、天气数据与客流数据。
所述NLP算法采用线性优化算法、非线性优化算法、多目标整数规划算法、机器学习算法、深度学习算法及分位数回归分析算法中的至少一个。
本发明的有益效果如下:
1.基于大量及多样性的内外部数据,通过合理的模型及算法选择,对不同时间窗口的下的关键业务驱动因素形成预判,以预测为关键输入,以优化建模及求解为技术基础,大幅提升以计划及调度为代表的核心业务决策的准确度和敏捷性。
2.不同于当前主流供应链AI需求预测流程,本发明包含的损失函数支持定制化,针对客户的业务逻辑和实际需求,提供更精准的需求预测、新品预测、促销预测。
3.通过数据集成、数据探查、特征工程和预测模型部署端到端打造企业级AI需求预测。
4.通过直观、详实的关键业务逻辑和指标展示及决策参数交互,在智能化的决策过程与决策者之间建立直观的沟通机制。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明的一个实施例的大数据驱动的供应链AI智能补货系统的结构框图;
图2是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统的应用框架图;
图3是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统需求预测结构框图;
图4是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统促销预测结构框图;
图5是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统新品预测结构框图;
图6是发明提供的一个实施例的大数据驱动的供应链AI智能补货系统智能补货结构框图;
图7是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统使用的损失函数支持供应链AI需求预测流程图。
具体实施方式
下面详细描述本发明的实施例,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,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提供了一种大数据驱动的供应链AI智能补货系统,该智能补货系统基于大数据,利用机器学习算法提供的一种自主发明的损失函数,提供高精度需求预测与补货建议,实现智能自动补货场景,降低缺货率及货损率,提高库存周转力,为零售降本增效。
图1是本发明的一个实施例的大数据驱动的供应链AI智能补货系统的结构框图;图2是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统的应用框架图;图3是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统需求预测结构框图;图4是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统促销预测结构框图;图5是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统新品预测结构框图;图6是发明提供的一个实施例的大数据驱动的供应链AI智能补货系统智能补货结构框图;图7是本发明提供的一个实施例的大数据驱动的供应链AI智能补货系统使用的损失函数支持供应链AI需求预测流程图。参考图1-图7,本发明提供了一种大数据驱动的供应链AI智能补货系统,该智能补货系统包括底座数据挖掘模块10、数据中台处理模块20、数据发现模块30、需求预测模块40以及智能补货模块50。
底座数据挖掘模块10用于对内部信息系统数据以及外部信息系统数据进行挖掘以生成底座数据。具体的,基于一个包含内部信息系统数据以及外部信息系统数据的数据底座,底座数据挖掘模块10即用于对内部信息系统数据及外部信息系统数据所包含的数据进行挖掘,从而生成底座数据。在本实施例中,内部信息系统数据包括ERP(EnterpriseResource Planning;企业资源计划)数据、WMS(Warehouse Management System;仓库管理系统)数据、POS(Point of Sales System;销售点系统)数据、CRM(Customer RelationshipManagement System;客户关系管理系统)数据等。可以理解的是,在其他实施例中,内部信息系统数据还包括其他的数据。在本实施例中,外部信息系统数据包括竞品数据、地理数据、天气数据与客流数据等。可以理解的是,在其他实施例中,外部信息系统数据还可以包括其他的数据。
数据中台处理模块20与底座数据挖掘模块10相连,用于对底座数据进行处理以生成加工数据。具体的,在底座数据挖掘模块10生成底座数据后,数据中台处理模块20的数据中台和决策中台即对该底座数据进行加工处理以生成加工数据。
数据发现模块30与数据中台处理模块20相连,用于对各门店的商品数据及销售数据进行汇总以生成门店数据。具体的,数据发现模块30应用于对各个门店商品信息及销售数据的数据洞察,从而直观地了解各门店的商品库存信息、商品存量信息、销售数据信息等。
需求预测模块40与数据发现模块30相连,用于基于机器学习算法生成一损失函数,并通过该损失函数对不同门店、不同品类商品的需求进行预测以得到预测需求数据。具体的,需求预测模块40利用机器学习算法提供的一种自主发明的损失函数,应用于对不同门店、不同品类商品的精准需求预测。
智能补货模块50与数据发现模块30、需求预测模块40分别相连,用于依据门店数据以及预测需求数据对各门店进行补货。具体的,在数据发现模块30对各门店的商品数据、销售数据进行汇总生成门店数据,以及需求预测模块40基于机器学习算法生成一损失函数,并通过该损失函数对不同门店、不同品类商品的需求进行预测从而得到预测需求数据之后,智能补货模块50即依靠该门店数据以及预测需求数据对各门店补货。
本发明的大数据驱动的供应链AI智能补货系统,该智能补货系统通过对数据发现模块30生成的门店数据与需求预测模块40得到的预测需求数据进行关联,从而实现智能自动补货,降低缺货率及货损率,提高库存周转力,为零售降本增效。
在具体实施中,数据发现模块30包括商品分布特征洞察子模块、商品及销售信息标签子模块以及模型历史表现洞察子模块。具体的,商品分布特征洞察子模块用于观察门店等级特征信息、活动类型特征信息、季节性商品销售信息等;商品及销售信息标签子模块用于标记前置标签、感知标签与后置标签等;模型历史表现洞察子模块用于观察时间进度、销售进度、使用Model、AI准确率、AI预测数、调整数、缺货率等。
在具体实施中,前置标签包括商品分类、促销节奏、退货类型;感知标签包括促销变化、售价不符;后置标签包括颗粒度及偏差、特征注意力错位、无POG等。
在具体实施中,参考图4,数据发现模块30通过AI模型洞察、敏感性因素分析、预测偏差归因分析、预测偏差原因分析进行库存健康洞察和供应商履约分析洞察,输出可解释可量化的洞察结果,迭代提升业务管理水平和风控服务水平。
在具体实施中,需求预测模块40包括需求预测子模块、促销预测子模块、新品预测子模块,其中,所述需求预测子模块用于数据集成、数据探查、模型预测;所述促销预测子模块用于对商品进行分类以得到业务规律信息,并对样本数据集进行分类以得到数据规律信息,并基于所述业务规律信息以及所述数据规律信息生成精准建模模型;所述新品预测子模块用于参照细分品类与行业,并通过NLP(Natural Language Processing;自然语言处理)算法对新品进行预测。
在具体实施中,需求预测模块40所采用的基于机器学习算法生成的损失函数能够兼顾优化成本和提升准确率,该损失函数包括两种形式:分段损失函数与线性损失函数,其中,分段损失函数可以单一考虑库存成本或缺货成本,而线性损失函数可以同时考虑库存成本和缺货成本。
分段损失函数表示如下:
线性损失函数表示如下:
所述损失函数的公式如上,若要加入到常用的AI算法中,例如常用的机器学习模型xgboost、LightGBM等,或者常用的深度学习模型DNN(Deep Neural Networks;深度神经网络)、Wide and Deep、DeepFFM等,需要编写定制化损失函数的一阶求导和二阶求导函数。
具体的,参考图3,需求预测模块40的需求预测包括数据集成、数据探查、特征工程和预测模型。其中,将包含由商品编码、商品名称、品类、产地、规格、生产日期、价格、促销计划、新产品发布、订单数量(不同城市)、供应商编码、供应商名称、供应商级别等组成的业务数据;由日期、数量、发货信息等组成的运单数据;及由天气、法定节假日、门店POI(Pointof Interest;兴趣点)数据、城市规模、GDP(Gross Domestic Product;国内生产总值)、平均工资、行业趋势等组成的外部数据进行数据集成,然后进行基础数据探查,包括商品数据探查、门店数据探查、促销数据探查、陈列图数据探查、消费者数据探查等,接着进行商品相关性分析,结合商品数据和外部数据计算商品之间的相关性(竞争关系—替代性、互补性),采用聚类算法和迁移学习对商品进行分类,接着通过日期特征(年,月,周,日等)、商品特征(品类、单位、重量、体积、上市日期等)、覆盖区域特征(供应商数量,历史销售额数量,均值,方差,人群画像特征等)、时间窗口特征(给定窗口长度L(天、周、月等),计算每个商品的销售总量、均值、标准差等时间窗口特征)、外部特征(外部渠道销量、促销活动等)纳入预测模型,通过模型算法中的时间序列,机器学习深度学习,订单满足率、1-wMAPE等模型评价指标,然后进行预测异常预警、缺失值警告等检测和警告,最后增加/减少特征、调整特征参数权重,优化模型算法。通过上述步骤的机器学习+深度学习算法,分析挖掘历史订单数据的规律,结合商品生命周期、商品促销计划、商品本身和外部因素等影响因素,输出天、周、月、季度、年等不同维度的需求预测结果,并作为分货补货和仓网计划的输入。
在具体实施中,参考图4,需求预测模块40里的促销预测在促销前利用多模型技术,从GMV(Gross Merchandise Volume;商品交易总额)角度、流速角度、周期角度、行业角度、Lead Time(订货交易时间)角度进行商品分类深入理解业务规律,从均值、方差、变异系数、自上而下拆分、自下而上聚合进行样本集分类深入理解数据规律,从不同颗粒度把握精准需求;在促销中通过对促销计划变更、门店指标变更、陈列计划变更、天气变更、疫情等其他因素变更的变动因子抓取,感知需求,产出预测变更和颗粒度,影响因子,利用需求感知体系流程,及时抓准计划的变化,发现需求变更并产出变更后的决策。
在具体实施中,参考图5,需求预测模块40里的新品预测根据可参照的细分品类和行业进行新品分类,接着进行数据输入,通过NPL算法对行业报告、新品发布计划和方案、竞对分析/对标商品、广告/营销计划、区域试点计划、媒体热点分析,进行数据集成和特征工程后纳入新品预测引擎,接着进行深度学习+自动化模型优化,基于少量数据样本,结合机器学习,快速提升预测效果。
在具体实施中,智能补货模块50包括数据层、算法与决策层、服务应用层,其中,所述数据层包括数据中枢,所述数据中枢包括商品数据、仓库数据、门店数据、货架陈列数据、促销数据、供货关系数据、库存数据、品类数据与供应商数据;所述算法与决策层包括由预置训练模型、预置结构模型构成的模型中枢以及由多目标整数规划和动态规划构成的决策中枢;所述服务应用层包括看板、仿真模块、风控模块、补货模块、OTB模块与仓库管理信息。
在具体实施中,参考图6,智能补货模块50基于DaaS(Data as a Service;数据即服务)数据中枢,集成商品数据、仓库数据、门店数据、货架陈列数据、促销数据、供货关系数据、库存数据、品类数据、供应商数据等数据。
在具体实施中,看板包括KPI(Key Performance Indicator;关键绩效指标)看板、供应商看板、缺货警告、仓库看板、门店看板;所述仿真模块包括仓库库存仿真子模块、门店库存仿真子模块;所述风控模块包括促销计划风控子模块、门店运营风控子模块、销售变化风控子模块、缺货因素风控子模块;所述补货模块包括自动补货子模块、手工补货子模块、自动补货策略设置子模块;所述OTB(Open to Buy;采购计划)模块包括OTB计划子模块与OTB跟踪子模块;所述仓库管理信息包括验收信息、配送信息、手工分货信息、退货管理信息、店转店信息。
在具体实施中,WEB后台管理员上传OTB计划,并计算OTB计划中各供应商在各仓的AI模型在未来一段时间(例如:90天)的销量预测,作用是订补货有了金额全局约束,起到指导零售企业未来一段时间内的采购备货。本发明的智能补货系统基于需求预测+补货模型可以应用于补货、清货、转货的多个应用场景中。
在具体实施中,NLP算法采用线性优化算法、非线性优化算法、多目标整数规划算法、机器学习算法、深度学习算法及分位数回归分析算法中的至少一个。也就是说,NLP算法可以采用线性优化算法、非线性优化算法、多目标整数规划算法、机器学习算法、深度学习算法及分位数回归分析算法中的一个或者几个。
下面简单描述本发明的大数据驱动的供应链AI智能补货系统使用的损失函数支持供应链AI需求的预测流程,参考图7,其方法步骤包括:使用特征工程;对模型进行造型(ML/DL);定制损失函数;对模型进行训练;输出预测结果;根据预测结果输出分货订单与补货订单。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种大数据驱动的供应链AI智能补货系统,其特征在于,包括:
底座数据挖掘模块,用于对内部信息系统数据以及外部信息系统数据进行挖掘以生成底座数据;
数据中台处理模块,与所述底座数据挖掘模块相连,用于对所述底座数据进行处理以生成加工数据;
数据发现模块,与所述数据中台处理模块相连,用于对各门店的商品数据及销售数据进行汇总以生成门店数据;
需求预测模块,与所述数据发现模块相连,用于基于机器学习算法生成一损失函数,并通过所述损失函数对不同门店、不同品类商品的需求进行预测以得到预测需求数据;以及
智能补货模块,与所述数据发现模块、所述需求预测模块分别相连,用于依据所述门店数据以及所述预测需求数据对各门店进行补货;
所述数据发现模块包括商品分布特征洞察子模块、商品及销售信息标签子模块以及模型历史表现洞察子模块,其中,
所述商品分布特征洞察子模块用于观察门店等级特征信息、活动类型特征信息、季节性商品销售信息;
所述商品及销售信息标签子模块用于标记前置标签、感知标签与后置标签;
所述模型历史表现洞察子模块用于观察时间进度、销售进度、AI准确率、AI预测数、调整数及缺货率。
2.根据权利要求1所述的大数据驱动的供应链AI智能补货系统,其特征在于,所述前置标签包括商品分类、促销节奏、退货类型;所述感知标签包括促销变化、售价不符;所述后置标签包括颗粒度及偏差、特征注意力错位。
3.根据权利要求1所述的大数据驱动的供应链AI智能补货系统,其特征在于,所述需求预测模块包括需求预测子模块、促销预测子模块、新品预测子模块,其中,所述需求预测子模块用于数据集成、数据探查、模型预测;所述促销预测子模块用于对商品进行分类以得到业务规律信息,并对样本数据集进行分类以得到数据规律信息,并基于所述业务规律信息以及所述数据规律信息生成精准建模模型;所述新品预测子模块用于参照细分品类与行业,并通过NLP算法对新品进行预测。
4.根据权利要求1所述的大数据驱动的供应链AI智能补货系统,其特征在于,所述智能补货模块包括数据层、算法与决策层、服务应用层,其中,所述数据层包括数据中枢,所述数据中枢包括商品数据、仓库数据、门店数据、货架陈列数据、促销数据、供货关系数据、库存数据、品类数据与供应商数据;所述算法与决策层包括由预置训练模型、预置结构模型构成的模型中枢以及由多目标整数规划和动态规划构成的决策中枢;所述服务应用层包括看板、仿真模块、风控模块、补货模块、OTB模块与仓库管理信息。
5.根据权利要求4所述的大数据驱动的供应链AI智能补货系统,其特征在于,所述看板包括KPI看板、供应商看板、缺货警告、仓库看板、门店看板;所述仿真模块包括仓库库存仿真子模块、门店库存仿真子模块;所述风控模块包括促销计划风控子模块、门店运营风控子模块、销售变化风控子模块、缺货因素风控子模块;所述补货模块包括自动补货子模块、手工补货子模块、自动补货策略设置子模块;所述OTB模块包括OTB计划子模块与OTB跟踪子模块;所述仓库管理信息包括验收信息、配送信息、手工分货信息、退货管理信息、店转店信息。
6.根据权利要求1-5中任一项所述的大数据驱动的供应链AI智能补货系统,其特征在于,所述内部信息系统数据包括ERP数据、WMS数据、POS数据与CRM数据。
7.根据权利要求1-5中任一项所述的大数据驱动的供应链AI智能补货系统,其特征在于,所述外部信息系统数据包括竞品数据、地理数据、天气数据与客流数据。
8.根据权利要求3所述的大数据驱动的供应链AI智能补货系统,其特征在于,所述NLP算法采用线性优化算法、非线性优化算法、多目标整数规划算法、机器学习算法、深度学习算法及分位数回归分析算法中的至少一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177882.3A CN114548871B (zh) | 2022-02-24 | 2022-02-24 | 一种大数据驱动的供应链ai智能补货系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177882.3A CN114548871B (zh) | 2022-02-24 | 2022-02-24 | 一种大数据驱动的供应链ai智能补货系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114548871A CN114548871A (zh) | 2022-05-27 |
CN114548871B true CN114548871B (zh) | 2024-01-23 |
Family
ID=81680046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210177882.3A Active CN114548871B (zh) | 2022-02-24 | 2022-02-24 | 一种大数据驱动的供应链ai智能补货系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548871B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684471B (zh) * | 2018-12-29 | 2023-08-25 | 上海晏鼠计算机技术股份有限公司 | 一种ai智能文本处理系统在新零售领域的应用方法 |
CN115271256B (zh) * | 2022-09-20 | 2022-12-16 | 华东交通大学 | 一种多维分类下的智能化订货方法 |
CN116402457A (zh) * | 2023-03-27 | 2023-07-07 | 深圳市丰宜科技有限公司 | 一种运营管理系统及其管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516998A (zh) * | 2019-08-14 | 2019-11-29 | 广州淘通科技股份有限公司 | 一种基于供应链需求关联的智能补货系统 |
CN111382973A (zh) * | 2020-03-03 | 2020-07-07 | 舟谱数据技术南京有限公司 | 一种基于经销商传统业务的门店智能补货系统 |
CN111679814A (zh) * | 2020-05-24 | 2020-09-18 | 杭州云徙科技有限公司 | 一种数据驱动的数据中台系统 |
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 |
CN113283671A (zh) * | 2021-06-22 | 2021-08-20 | 润联软件系统(深圳)有限公司 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
-
2022
- 2022-02-24 CN CN202210177882.3A patent/CN114548871B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516998A (zh) * | 2019-08-14 | 2019-11-29 | 广州淘通科技股份有限公司 | 一种基于供应链需求关联的智能补货系统 |
CN111382973A (zh) * | 2020-03-03 | 2020-07-07 | 舟谱数据技术南京有限公司 | 一种基于经销商传统业务的门店智能补货系统 |
CN111679814A (zh) * | 2020-05-24 | 2020-09-18 | 杭州云徙科技有限公司 | 一种数据驱动的数据中台系统 |
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 |
CN113283671A (zh) * | 2021-06-22 | 2021-08-20 | 润联软件系统(深圳)有限公司 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于GBRT树模型分位数回归预测的CPFR补货方法;孙延华;张冬杰;曾庆维;金健;陈桓;姚小龙;;软件导刊(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114548871A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114548871B (zh) | 一种大数据驱动的供应链ai智能补货系统 | |
Fildes et al. | Retail forecasting: Research and practice | |
Hübner et al. | The revival of retail stores via omnichannel operations: A literature review and research framework | |
Agatz et al. | E-fulfillment and multi-channel distribution–A review | |
Zhao et al. | Optimal dynamic pricing for perishable assets with nonhomogeneous demand | |
Whitin | Inventory control and price theory | |
Elmaghraby et al. | Dynamic pricing in the presence of inventory considerations: Research overview, current practices, and future directions | |
CN110392899A (zh) | 用于模型生成的动态特征选择 | |
Hense et al. | Assortment optimization in omni-channel retailing | |
Krstić et al. | Logistics 4.0 toward circular economy in the agri-food sector | |
Tadayonrad et al. | A new key performance indicator model for demand forecasting in inventory management considering supply chain reliability and seasonality | |
Dadouchi et al. | Recommender systems as an agility enabler in supply chain management | |
Teller et al. | Physical and digital market places–where marketing meets operations | |
Nong | An application of delphi and dea to performance efficiency assessment of retail stores in fashion industry | |
CN114372848A (zh) | 一种基于机器学习的烟草行业智能营销系统 | |
Bhatnagar | Textbook of supply chain management | |
Pandey et al. | Machine Learning based Food Demand Estimation for Restaurants | |
Miller et al. | Logistics management: An analytics-based approach | |
CN115699057A (zh) | 短生命周期销售曲线估计 | |
Vandeput | Demand Forecasting Best Practices | |
Kopalle | Modeling retail phenomena | |
Bata et al. | Retail revenue management: applying data-driven analytics to the merchandise line of business | |
Hwang et al. | Reverse channel selection for commercial product returns under time-to-market and product value considerations | |
Jandhyala | Intelligent digital supply chains | |
Pradhan | Demand and supply planning with SAP APO |
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 |