CN114819831B - 一种基于亚马逊fba仓库的补调货方法、设备和存储介质 - Google Patents
一种基于亚马逊fba仓库的补调货方法、设备和存储介质 Download PDFInfo
- Publication number
- CN114819831B CN114819831B CN202210457451.2A CN202210457451A CN114819831B CN 114819831 B CN114819831 B CN 114819831B CN 202210457451 A CN202210457451 A CN 202210457451A CN 114819831 B CN114819831 B CN 114819831B
- Authority
- CN
- China
- Prior art keywords
- fba
- bin
- warehouse
- days
- inventory
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000006978 adaptation Effects 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 230000032683 aging Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000001502 supplementing effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明申请公开了一种基于亚马逊FBA仓库的补调货方法、设备和存储介质，所述方法应用于一种区分优先仓库及调拨仓库共同向FBA仓调拨发货的供应链中，通过采用粒子群算法得到发货和调货的最优决策方案，该方案基于对不同仓库的在途、库存数据，以及不同物流渠道等已知变量采集，采用粒子群算法的粒子适应值为所述未来N天的商品销售总体收益最大化函数，得到发货或调货的最优决策和最佳物流渠道。本发明还包括实施该方法的设备和存储介质。
Description
技术领域
本申请涉及仓储物流技术领域，尤其涉及基于亚马逊FBA仓库的补调货方法、设备和存储介质。
背景技术
在亚马逊平台开店是一种很流行的跨境电商形式，中国商家在亚马逊开设经营店铺，将国内商品发送到亚马逊备货FBA(Fulfillment by Amazon)仓库，如果美国消费者购买这些商品，亚马逊平台会从FBA仓直接发货到消费者手中，商家只需要自主决定应该发多少货到FBA仓，而不需要关注如何将货物从FBA仓发送到消费者手中。
应该在FBA仓存放多少商品是供应链履约环节中的库存优化问题，也称为FBA补货问题，针对这个问题有很多的解决的方法，比如根据过去的销售数据、补货提前期等来设置安全库存，使用定期(比如每周补一次货)或定量(每天检查库存，每次补货量相同)等，也有部分方法是使用运筹优化算法，结合安全库存、销量预测来计算最优补货量，等等。
但是，常见的FBA补货问题的解决方法，其存在几个明显问题，(1)现有技术只考虑一个国内仓的情况，没有考虑多仓调拨的情况，多仓调调拨在集团公司的供应链中比较常见，一般不同的仓对应不同的渠道(FBA、独立站、EBAY等)，在特殊情况下也可以相互共享库存。特别的，没有考虑下单-国内仓(含调拨仓)-海外FBA仓的供应链三节点的补货问题。(2)现有技术并没有考虑物流时效的影响。在跨境物流中，有很多的物流商可以选择，因此可以根据销售的紧急情况来选择不同的物流商，以获得不同的物流时效，响应地就需要承担不同的物流成本。(3)由于租用FBA仓会产生仓储费用，因此最优补货量除了和销售预测、物流时效有关系外，和仓储费用也明显的关系。(4)现有技术只考虑一个补货周期，由于跨境物流时效较长，补货提前期或覆盖多个补货周期，就需要补货模型考虑一个比较长的时间才能计算一个相对较优的补货量。
发明内容
本申请提供了一种基于亚马逊FBA仓库的补调货方法、设备和存储介质，通过优化方法，结合销量预测、不同物流节点的时效、跨境物流渠道时效和成本、FBA库存成本等信息，提供一个补货调拨一体化解决方案，以解决三级供应链网络的最优补货调拨问题。
本申请第一方面提供了一种亚马逊FBA仓库的补调货方法，所述方法应用于具有A仓和B仓的供应链体系，所述A仓被定义为主要及优先对FBA仓库补充发货；所述B仓被定义为当A仓货物不足，且B仓除满足自身销售外还有多余库存的情况下，从B仓向所述FBA仓调拨发货；该补调货方法包括如下步骤：
获得决策时的已知变量；
所述已知变量包括：全部在途货货物数量；在途货货物到达剩余天数；A仓、B仓、FBA仓库现有库存数量；所述A、B仓和FBA仓库之间的物流渠道、物流成本、物流有效天数；所述FBA仓库的存储成本、单个商品预期利润、未来n天的商品销售数量预测；
设定需要决策的未知变量；
所述未知变量包括：A仓需要向生产商下单数量、需要从B仓调拨的数量，需要从A仓补货的数量，A仓或B仓发货到FBA仓的最佳物流渠道；
用粒子群算法得到需要决策的未知变量最优解；
该步骤具体包括：将需要决策的未知变量定义为粒子位置向量，所述粒子的适应度函数以FBA仓库的补货消耗库存数量曲线模型为基础，以未来n天的商品销售总体收益为函数，根据总体收益最大化为条件获得需要决策的未知变量最优解；所述总体收益与未来n天商品预期销售利润、缺货导致的利润损失、FBA仓库成本，以及从A仓库或B仓库补调货的渠道成本相关。
本申请是基于供应链三级节点所做的补货场景，有三个层级，分别是供应商-国内仓(A和B)-FBA仓。在供应链履约运作中，从直属A仓发货到FBA仓叫做补充发货，从非直属B仓发货到FBA仓叫调拨发货。由此可见A仓和B仓并不是仅仅是两个仓库，而是存在补货及调货的优先差异的。本申请不仅会计算补货量计算，还有计算调拨量，因此是补货调拨一体化解决方案。相对于现有的供应链履约业务流程中，一般补货流程和调拨流程是分开的，补货有专门的补货方案，调拨有专门的调拨方案，在补货时不考虑调拨，在调拨时不考虑补货，本申请能将补货和调拨两个流程合并起来计算，就能得到更优的库存决策结果，比如更优的库存周转、更优的库存成本等。
其次，本申请的补货调拨方法根据FBA仓库的库存消耗天数曲线模型，以决策时已知变量，即：全部在途货货物数量；在途货货物到达剩余天数；A仓、B仓、FBA仓库现有库存数量；所述A、B仓和FBA仓库之间的物流渠道、物流成本、物流有效天数；所述FBA仓库的存储成本、单个商品预期利润、未来n天的商品销售数量预测等数据进行决策。并采用粒子群算法，以未来n天的货物销售利润最大值为适应函数进行决策，从而得出最优决策方案。最优决策方案体现了补货、调货的不同决策以及不同物流渠道的选择，实现总体销售最大、缺货最小、平均库存成本最小，即整体收益最大为目标。
再次，相对于一般的补货模型中不会考虑在途库存什么时候到达FBA仓，而是假设在途库存和在库库存一样能马上供给销售，而如果在途库存需要过很久才到仓库，则容易造成仓库的在库库存售罄而缺货，本申请的方法考虑了在途库存的数量在途库存的时间滞后，模型相比常规补货模型要负责得多，也体现了本专利中所使用的的PSO算法的有效性和可用性。
上述方法的优选方式如下：
获得决策时的已知变量包括：
Y1:上次下单生产未到达A仓的在途库存数量；
Y2:上次从B仓发货未到达FBA仓的在途库存数量；
Y3:上次从A仓发货未到达FBA仓的在途库存数量；
S1:A仓可发货的在库库存数量；
S2:B仓可发货的在库库存数量；
S3:FBA仓可销售库存数量；
DAY1:Y1库存到达FBA仓剩余天数；
DAY2:Y2库存到达FBA仓剩余天数；
DAY3:Y3库存到达FBA仓剩余天数；
SALE_PRED:商品未来n天每天的销量数量预测值；
CHANNEL_COST_i:物流渠道i的单位成本；
CHANNEL_DAY_i:物流渠道i的从国内运输到国外FBA仓需要的天数；
FBA_COST:FBA仓单位存储每天成本；
上述获得决策时的已知变量被用以初始化粒子群算法的算法参数；
设定需要决策的未知变量包括：
X1:需要向供货商下单生产的数量；
X2:需要从B仓调拨发货的数量；
X3:需要从A仓发货的数量；
C1:X1到达A仓后发货到FBA仓的最佳物流渠道；
C2:X2调拨发货到FBA仓的最佳物流渠道；
C3:X3发货到FBA仓的最佳物流渠道；
C4:Y1到达A仓后再发往FBA仓的最佳物流渠道。
其中，所述未来n天的商品销售总体收益公式如下：
其中，maxZ为未来n天的商品销售总体收益；profile为商品单位利润；
为未来n天的预期销售利润；
为未来n天由于缺货导致的预期销售利润损失；为未来n天FBA仓存储成本；
为向供货商下单X1数量到达A仓后再发FBA仓这一路径下的可选渠道的物流成本；
为需要从B仓调拨发货X2数量到FBA仓这一路径下的可选渠道的物流成本；
为需要从A仓发货X3数量到FBA仓这一路径下的可选渠道的物流成本；
为上次下单生产未到达A仓的在途库存Y1数量到达A仓后再发FBA仓这一路径下的可选渠道的物流成本；
其中，上述C为可选的物流渠道的集合，当选择其中一个物流渠道时，其他物流渠道的物流成本被定义为零；
进一步的，所述未来n天由于缺货导致的预期销售利润损失是基于FBA仓库未来n天的库存数量变化曲线确定，所述变化曲线由如下公式定义：
所述FBA仓第i天的期初库存为：stock_start_i；
第i天的期末库存为：stock_end_i；
第i天的到达FBA仓的库存为：stock_arrive_i；
则有：
stock_end_i＝stock_start_i+stock_arrive_i-sale_i；
即，第i天的期末库存＝第i天的期初库存+第i天的到货量-第i天的预测销售量；
并有：
Stockout_i＝sale_i-stock_start_i，
即，第i天的缺货量为＝第i天的预测销量-第i天的期初库存。
具体的，当使用粒子群算法求解需要决策的最优解时，将需要决策的未知变量设置为向量X；向量X的编码长度是7位，对应X1；X2；X3；C1；C2；C3；C4；单个粒子的适应值为所述未来n天的商品销售总体收益公式；
所述粒子群算法包括如下步骤：
初始化算法参数；
初始化每个粒子的速度和位置，随机设定X1-x3的范围以及C1-C4的范围值；
设定满足结束条件，迭代过程本次计算的群体最优适应值相比上次没有改善则结束；
在未满足结束条件时，循环处理：更新每个粒子的速度和位置；计算每个粒子的适应值；更新每个粒子的个体历史最优适应值和位置；更新群体历史最优适应值和位置；
当满足结束条件时，输出结果如下：
如果X1>0，则需要向工厂或上游供应商下生产订单，数量是X1，货物到达A仓后发货到FBA仓的最佳物流渠道是C1；
如果X2>0，则需要从B仓调拨发货，数量是X2，发货到FBA仓的最佳物流渠道是C2；
如果X3>0，则需要从A仓发货的数量，数量是X3，发货到FBA仓的最佳物流渠道是C3；
如果Y1>0，则C4非空，表示上次下单生产未到达A仓的在途库存数量是Y1到达A仓后再发往FBA仓的最佳物流渠道为C4。
本申请第二方面提供了一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现上述的基于亚马逊FBA仓库的补调货方法的步骤。
本申请第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于亚马逊FBA仓库的补调货方法的步骤。
附图说明
图1为本申请实施例应用的供应链三个层级的示意图；
图2为本申请实施例FBA仓补货和消耗曲线图；
图3为本申请实施例PSO粒子群算法的求解过程图；
图4为本申请实施例一种电子设备的实体结构示意图。
具体实施方式
本申请实施例提供了一种基于亚马逊FBA仓库的补调货方法、设备和存储介质，通过优化方法，结合销量预测、不同物流节点的时效、跨境物流渠道时效和成本、FBA库存成本等信息，提供一个补货调拨一体化解决方案，以解决三级供应链网络的最优补货调拨问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
参考附图1，本申请方法所应用的供应链有三个层级，分别是供应商-国内仓(A和B)-FBA仓，所述A仓被定义为主要及优先对FBA仓库补充发货；所述B仓被定义为当A仓货物不足，且B仓除满足自身销售外还有多余库存的情况下，从B仓向所述FBA仓调拨发货。实际操作中，A仓为国内国内A，主要及优先支持亚马逊销售；所述B仓为国内B仓，用于支持独立站销售，在FBA补货流程中，商家需要从国内仓A发货到亚马逊FBA仓，当国内仓库存充足则直接从国内仓A发货，如果A仓货物不足，而B仓在满足独立站销售之外还有多余的库存，则从B仓调拨发货。如果B仓也无法调拨，则需要下单生产，待商品送达A仓后，从A仓发货。不管是A仓还是B仓发货，都需要确定本次发货的物流渠道。
为了得到最优决策，首先根据在供应链网络中已经存在在途或在库库存信息，获得决策时的已知变量，包括：
Y1:上次下单生产未到达A仓的在途库存数量；
Y2:上次从B仓发货未到达FBA仓的在途库存数量；
Y3:上次从A仓发货未到达FBA仓的在途库存数量；
S1:A仓可发货的在库库存数量；
S2:B仓可发货的在库库存数量；
S3:FBA仓可销售库存数量；
DAY1:Y1库存到达FBA仓剩余天数；
DAY2:Y2库存到达FBA仓剩余天数；
DAY3:Y3库存到达FBA仓剩余天数；
SALE_PRED:商品未来n天每天的销量数量预测值；
CHANNEL_COST_i:物流渠道i的单位成本；
CHANNEL_DAY_i:物流渠道i的从国内运输到国外FBA仓需要的天数；
FBA_COST:FBA仓单位存储每天成本；
上述已知变量被用后续算法的输入变量，下面的变量是计算模型后输出的变量，也就是需要通过模型求解得出的决策变量。
X1:需要下单生产的数量；
X2:需要从B仓调拨发货的数量；
X3:需要从A仓发货的数量；
C1:X1到达A仓后发货到FBA仓的最佳物流渠道；
C2:X2调拨发货到FBA仓的最佳物流渠道；
C3:X3发货到FBA仓的最佳物流渠道；
C4:Y1到达A仓后再发往FBA仓的最佳物流渠道；
以X1为例，如果X1>0，说明需要从国内仓发货到FBA仓，那么需要选择不同渠道(比如快递还是海运等)来运输这些货物，不同的渠道时效和成本不同，时效快可避免缺货，但是物流成本高等原因，同理其他节点发货的最佳渠道选择也进入如上选择。
在获得上述变量后，以下需要考虑补货的模型以及得到决策的公式。本申请的补货模型设定FBA仓的FBA仓库未来n天的库存数量变化曲线，如附图2。补货的结果是使得目标仓库(FBA仓)的库存更加合理。
设FBA仓每天的期初库存为：STOCK_START_i，每天期末库存为：STOCK_END_i，每天到达FBA仓的库存为：STOCK_ARRIVE_i，每天缺货量为：STOCK_OUT_i，则存在如下等式：
期末库存＝期初库存+到货量-销售量，即：
STOCK_END_i＝STOCK_START_i+STOCK_ARRIVE_i-SALE_i
并有，第i天的缺货量为＝第i天的预测销量-第i天的期初库存。
STOCK_OUT_i＝SALE_i-STOCK_START_i
在后续的粒子群内部计算过程，需要不断计算每天的期末库存，上述公式计算最终指标的一个中间计算过程。
需要注意的是，当库存不足，则实际销售值小于预测销售值，期末库位为零。
补货模型期待的结果是：总体销售最大、缺货最小、平均库存成本最小，即整体收益最大，即：
其中，maxZ为未来n天的商品销售总体收益；profile为商品单位利润；
为未来n天的预期销售利润；
为未来n天由于缺货导致的预期销售利润损失；
为未来n天FBA仓存储成本；可容易知道的，Stock_i是第i天FBA仓里需计费仓储成本的存储数量，该数量受每日库存数量变化曲线影响。
为向供货商下单X1数量到达A仓后再发FBA仓这一路径下的可选渠道的物流成本；
为需要从B仓调拨发货X2数量到FBA仓这一路径下的的可选渠道的物流成本；
为需要从A仓发货X3数量到FBA仓这一路径下的可选渠道的物流成本；
为上次下单生产未到达A仓的在途库存Y1数量到达A仓后再发FBA仓这一路径下的可选渠道的物流成本；
其中，上述C为可选的物流渠道的集合。
上述公式是计算未来N天内总收益的公式，先计算预期销售利润，用预期销售数量乘以产品单位利润，得到商品的预期销售利润。进一步的，由于有缺货风险，所以减去缺货导致的预期销售利润的损失，这里的缺货数量以第i天的FBA库存缺货量STOCK_OUT_i乘以产品的单位利润得到，根据库存数量变化曲线和FBA每日期末库存公式和缺货量公式，STOCK_OUT_i是可以计算得出，其次，再减去FBA仓库的库存存储成本。
最后就是要考虑不同路径下的物流成本，本公式归纳了四种渠道路径，这四种路径是在本申请供应链下的A仓和B仓中最主要的优选路径，分别是：(1)向供应商下单X1-A仓-FBA仓；(2)B仓现有库存调货X2-FBA仓；(3)A仓现有库存发货X3-FBA仓；以及(4)A仓的在途库存Y1到达A仓后-FBA仓。公式中的C是四种路径下的所有可选的物流集合，比如1代表中通，2代表顺丰、3代表圆通……，用集合标识即C＝{1、2、3、......}，即代表C＝{中通、顺丰、圆通...}，当前如选择C1＝顺丰(C1是下面粒子群算法时的粒子向量)，其他渠道就不会被选择，此时其他渠道的物流成本为0，
以为例，由于C＝{中通、顺丰、圆通...}，当前选择C1＝顺丰，其他渠道就不会被选择，此时其他渠道的物流成本为0，即channel_cost_顺丰＝顺丰的物流成本，
channel_cost_中通＝0，因为中通不是最佳渠道，没有用到这个渠道，此时渠道成本为0。
展开来是：
X1*中通的成本(为0)+X1*顺丰的成本+X1*圆通的成本(为0)
以此来计算第一种路径下不同物流渠道的物流成本。
由此我们看到，总体收益公式和本申请中的期末库存公式的关系是：期末库存公式用来计算每天期末库存，用来判断当天能销售多少，以及缺货数量等，这里的最终收益公式是目标函数，计算过程依赖期末库存的计算结果。
从上述可以看出，补货决策问题是一个NP-hard问题，针对NP-hard问题，本专利中使用粒子群算法(PSO)来求解，PSO是模拟鸟类捕食的仿生算法，在物流、生产等非线性复杂问题中有着广泛应用。
使用粒子群算法求解需要决策的最优解，将需要决策的未知变量设置为向量X；向量X的编码长度是7位，用向量X表示问题的解，其意义如下所示：
| X1 | x2 | x3 | C1 | C2 | C3 | C4 |
具体见图3，显示PSO粒子群算法的求解过程，输入的是已知变量，输出的是未知变量，具体步骤如下：
初始化算法参数，输入已知变量。
初始化每个粒子的速度和位置，随机设定X1-x3的范围以及C1-C4的范围值。比如，X1-x3的范围：1至56天的预测汇总数量。C1-C4的范围：全部可选渠道(比如中通，标号1，顺丰，标号2……)。粒子的速度和位置是粒子群算法中的中间计算过程的变量名称，位置即每个粒子的数学表示，也就是一个可行解。每个粒子是一个可行解，在数学中用向量表示。
设定满足结束条件，迭代过程本次计算的群体最优适应值相比上次没有改善则结束；单个粒子的适应值为所述未来n天的商品销售总体收益公式；
在未满足结束条件时，循环处理：更新每个粒子的速度和位置；计算每个粒子的适应值；更新每个粒子的个体历史最优适应值和位置；更新群体历史最优适应值和位置；由于粒子群算法需要计算很多次，下一次的结果一般比上一次更优，但也不一定，因此需要保留过去的适应度值，群体最优适应度值是指，在所有例子的适应度值，选择最好的，作为整个群体的最优适应度值。
当满足结束条件时，输出结果。
粒子群算法的核心就是，每次迭代都会更新未知变量(决策变量)的值，随着迭代次数的增加，目标函数值更优，更优的目标函数对应着更优的决策变量值。
通过PSO算法求解得到X1,X2,X3以及C1,C2,C3,C4的值后，就可以得到在当前决策时刻的最优补货方案了：
如果X1>0，则需要向工厂或上游供应商下生产订单，数量是X1，货物到达A仓后发货到FBA仓的最佳物流渠道是C1。
如果X2>0，则需要从B仓调拨发货，数量是X2，发货到FBA仓的最佳物流渠道是C2。
如果X3>0，则需要从A仓发货的数量，数量是X3，发货到FBA仓的最佳物流渠道是C3。
如果Y1>0，则C4非空，表示上次下单生产未到达A仓的在途库存(数量是Y1)到达A仓后再发往FBA仓的最佳物流渠道为C4。
图4示例了一种电子设备的实体结构示意图。如图4所示，本发明还提供一种电子设备，可以包括：处理器(processor)310、通信接口(Communication Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的计算机程序，以执行基于亚马逊FBA仓库的补调货方法的步骤。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请实施例还提供一种计算机可读存储介质，处理器可读存储介质存储有计算机程序，计算机程序用于使处理器执行上述各实施例提供的方法的步骤
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种亚马逊FBA仓库的补调货方法，所述方法应用于具有A仓和B仓的供应链体系，所述A仓被定义为主要及优先对FBA仓库补充发货；所述B仓被定义为当A仓货物不足，且B仓除满足自身销售外还有多余库存的情况下，从B仓向所述FBA仓调拨发货；其特征在于，该补调货方法包括如下步骤：
获得决策时的已知变量；
所述已知变量包括：全部在途货货物数量；在途货货物到达剩余天数；A仓、B仓、FBA仓库现有库存数量；所述A、B仓和FBA仓库之间的物流渠道、物流成本、物流有效天数；所述FBA仓库的存储成本、单个商品预期利润、未来n天的商品销售数量预测；
设定需要决策的未知变量；
所述未知变量包括：A仓需要向生产商下单数量、需要从B仓调拨的数量，需要从A仓补货的数量，A仓或B仓发货到FBA仓的最佳物流渠道；
用粒子群算法得到需要决策的未知变量最优解；
该步骤具体包括：将需要决策的未知变量定义为粒子位置向量，所述粒子的适应度函数以FBA仓库的补货消耗库存数量曲线模型为基础，以未来n天的商品销售总体收益为函数，根据总体收益最大化为条件获得需要决策的未知变量最优解；所述总体收益与未来n天商品预期销售利润、缺货导致的利润损失、FBA仓库成本，以及从A仓库或B仓库补调货的渠道成本相关。
2.根据权利要求1所述的补调货方法，其特征在于，获得决策时的已知变量包括：
Y1:上次下单生产未到达A仓的在途库存数量；
Y2:上次从B仓发货未到达FBA仓的在途库存数量；
Y3:上次从A仓发货未到达FBA仓的在途库存数量；
S1:A仓可发货的在库库存数量；
S2:B仓可发货的在库库存数量；
S3:FBA仓可销售库存数量；
DAY1:Y1库存到达FBA仓剩余天数；
DAY2:Y2库存到达FBA仓剩余天数；
DAY3:Y3库存到达FBA仓剩余天数；
SALE_PRED:商品未来n天每天的销量数量预测值；
CHANNEL_COST_i:物流渠道i的单位成本；
CHANNEL_DAY_i:物流渠道i的从国内运输到国外FBA仓需要的天数；
FBA_COST:FBA仓单位存储每天成本；
上述获得决策时的已知变量被用以初始化粒子群算法的算法参数；
设定需要决策的未知变量包括：
X1:需要向供货商下单生产的数量；
X2:需要从B仓调拨发货的数量；
X3:需要从A仓发货的数量；
C1:X1到达A仓后发货到FBA仓的最佳物流渠道；
C2:X2调拨发货到FBA仓的最佳物流渠道；
C3:X3发货到FBA仓的最佳物流渠道；
C4:Y1到达A仓后再发往FBA仓的最佳物流渠道。
3.根据根据权利要求2所述的补调货方法，其特征在于，所述未来n天的商品销售总体收益公式如下：
其中，maxZ为未来n天的商品销售总体收益；profile为商品单位利润；
为未来n天的预期销售利润；
为未来n天由于缺货导致的预期销售利润损失；
为未来n天FBA仓存储成本；
为向供货商下单X1数量到达A仓后再发FBA仓这一路径下的可选渠道的物流成本；
为需要从B仓调拨发货X2数量到FBA仓这一路径下的可选渠道的物流成本；
为需要从A仓发货X3数量到FBA仓这一路径下的可选渠道的物流成本；
为上次下单生产未到达A仓的在途库存Y1数量到达A仓后再发FBA仓这一路径下的可选渠道的物流成本；
其中，上述C为可选的物流渠道的集合，当选择其中一个物流渠道时，其他物流渠道的物流成本被定义为零；
进一步的，所述未来n天由于缺货导致的预期销售利润损失是基于FBA仓库未来n天的库存数量变化曲线确定，所述变化曲线由如下公式定义：
所述FBA仓第i天的期初库存为：stock_start_i；
第i天的期末库存为：stock_end_i；
第i天的到达FBA仓的库存为：stock_arrive_i；
则有：
stock_end_i＝stock_start_i+stock_arrive_i-sale_i；
即，第i天的期末库存＝第i天的期初库存+第i天的到货量-第i天的预测销售量；
并有：
Stockout_i＝sale_i-stock_start_i，
即，第i天的缺货量为＝第i天的预测销量-第i天的期初库存。
4.根据权利要求3所述的补调货方法，其特征在于，使用粒子群算法求解需要决策的最优解，将需要决策的未知变量设置为向量X；向量X的编码长度是7位，对应X1；X2；X3；C1；C2；C3；C4；单个粒子的适应值为所述未来n天的商品销售总体收益公式；
所述粒子群算法包括如下步骤：
初始化算法参数；
初始化每个粒子的速度和位置，随机设定X1-x3的范围以及C1-C4的范围值；
设定满足结束条件，迭代过程本次计算的群体最优适应值相比上次没有改善则结束；
在未满足结束条件时，循环处理：更新每个粒子的速度和位置；计算每个粒子的适应值；更新每个粒子的个体历史最优适应值和位置；更新群体历史最优适应值和位置；
当满足结束条件时，输出结果。
5.根据权利要求4所述的补调货方法，其特征在于，
如果X1>0，则需要向工厂或上游供应商下生产订单，数量是X1，货物到达A仓后发货到FBA仓的最佳物流渠道是C1；
如果X2>0，则需要从B仓调拨发货，数量是X2，发货到FBA仓的最佳物流渠道是C2；
如果X3>0，则需要从A仓发货的数量，数量是X3，发货到FBA仓的最佳物流渠道是C3；
如果Y1>0，则C4非空，表示上次下单生产未到达A仓的在途库存数量是Y1到达A仓后再发往FBA仓的最佳物流渠道为C4。
6.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于亚马逊FBA仓库的补调货方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于亚马逊FBA仓库的补调货方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210457451.2A CN114819831B (zh) | 2022-04-27 | 2022-04-27 | 一种基于亚马逊fba仓库的补调货方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210457451.2A CN114819831B (zh) | 2022-04-27 | 2022-04-27 | 一种基于亚马逊fba仓库的补调货方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819831A CN114819831A (zh) | 2022-07-29 |
| CN114819831B true CN114819831B (zh) | 2024-07-05 |
Family
ID=82509140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210457451.2A Active CN114819831B (zh) | 2022-04-27 | 2022-04-27 | 一种基于亚马逊fba仓库的补调货方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819831B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116137181B (zh) * | 2023-03-09 | 2023-09-05 | 河北省疾病预防控制中心 | 一种疫苗接种指挥调度方法及系统 |
| CN115983767B (zh) * | 2023-03-21 | 2023-07-25 | 深圳美云集网络科技有限责任公司 | 一种基于多个商品的补货方法和系统 |
| CN116882905B (zh) * | 2023-09-08 | 2023-12-22 | 深圳市元美供应链管理有限公司 | 基于大数据的供应链智能库存管理系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612251A (zh) * | 2020-05-21 | 2020-09-01 | 海汇星驰信息科技(广州)有限公司 | 一种基于亚马逊fba的跨境电商采购与补货方法 |
| CN114331269A (zh) * | 2021-12-28 | 2022-04-12 | 深圳挑挑科技有限公司 | 基于多源异构数据的跨境电商发货补货方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106327114A (zh) * | 2015-06-25 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 仓库资源信息处理、提供库存信息的方法及装置 |
| CN114358874A (zh) * | 2021-12-28 | 2022-04-15 | 京东科技信息技术有限公司 | 补货方法、装置及电子设备 |
-
2022
- 2022-04-27 CN CN202210457451.2A patent/CN114819831B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612251A (zh) * | 2020-05-21 | 2020-09-01 | 海汇星驰信息科技(广州)有限公司 | 一种基于亚马逊fba的跨境电商采购与补货方法 |
| CN114331269A (zh) * | 2021-12-28 | 2022-04-12 | 深圳挑挑科技有限公司 | 基于多源异构数据的跨境电商发货补货方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819831A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114819831B (zh) | 一种基于亚马逊fba仓库的补调货方法、设备和存储介质 | |
| US8620707B1 (en) | Systems and methods for allocating inventory in a fulfillment network | |
| US11615373B2 (en) | Inventory management | |
| US20190259043A1 (en) | Method and system for supply chain management | |
| US8700443B1 (en) | Supply risk detection | |
| US8732040B1 (en) | Target inventory determination based on hosted merchants presence | |
| US20050288993A1 (en) | Demand planning with event-based forecasting | |
| US11367042B2 (en) | Computerized inventory redistribution control system | |
| US20180137455A1 (en) | Automated Purchasing | |
| US20050182696A1 (en) | System and method for automatically controlling inventory | |
| Avci | Lateral transshipment and expedited shipping in disruption recovery: A mean-CVaR approach | |
| CN111260274A (zh) | 用于二级库存分配的方法和系统 | |
| CN111612251A (zh) | 一种基于亚马逊fba的跨境电商采购与补货方法 | |
| CN113361993B (zh) | 一种数据驱动的订货与预防性转运优化方法及系统 | |
| US20120316919A1 (en) | Systems and methods for buy and hold pricing | |
| US20160283897A1 (en) | Days of inventory determination based on constraints | |
| CN112712222A (zh) | 物品调度方法和系统 | |
| Eksler et al. | An EOQ model for multiple products with varying degrees of substitutability | |
| Shah et al. | Can collaborative buffering strategies reduce distribution costs while improving product returns?: A case of an Asian e-retailer | |
| van der Vlist | Synchronizing the retail supply chain | |
| CN115983767A (zh) | 一种基于多个商品的补货方法和系统 | |
| US20170098185A1 (en) | Apparatus and Method for Aggregating Like Products for Customer Product Orders | |
| US11995669B2 (en) | Method and system for simulating fulfillment of digital orders | |
| CN112001666A (zh) | 一种保留库存量的确定方法、装置、设备和存储介质 | |
| CN115936576A (zh) | 仓库的配送均衡方法和装置 |
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 |