CN114841590A - 供应链异常处理方法、装置、设备、存储介质及程序产品 - Google Patents
供应链异常处理方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN114841590A CN114841590A CN202210540735.8A CN202210540735A CN114841590A CN 114841590 A CN114841590 A CN 114841590A CN 202210540735 A CN202210540735 A CN 202210540735A CN 114841590 A CN114841590 A CN 114841590A
- Authority
- CN
- China
- Prior art keywords
- index
- abnormal
- dimension
- supply chain
- service
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G06Q30/01—Customer relationship services
- G06Q30/012—Providing warranty services
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种供应链异常处理方法、装置、设备、存储介质及程序产品,其中方法包括:确定供应链的目标指标对应的至少一个关联指标;其中,所述目标指标为所述供应链中目标业务对应的指标,关联指标为所述供应链中与目标业务相关联的业务对应的指标,根据所述目标指标以及各个关联指标的异常程度,确定异常指标,其中,所述异常指标为所述至少一个关联指标中,导致所述目标指标异常的指标,针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中导致目标指标异常的维度及元素,从而可以快速、准确地诊断出供应链业务的异常原因,提高了供应链诊断的效率和准确性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种供应链异常处理方法、装置、设备、存储介质及程序产品。
背景技术
随着社会经济的不断发展,商品的供应链涉及到的业务越来越多,业务之间的依赖关系也越来越复杂。而供应链中各个业务,例如补货计划、销量计划等,又可能会因为各种各样的原因出现异常,影响商品的生产和流通,因此,对供应链业务进行监控成为热点问题。
实际应用中,当某些供应链业务出现异常时,往往由研发人员花费大量时间对可能导致异常的原因分别进行排查,不仅影响了供应链业务的正常使用,还可能导致商品的短缺、积压等问题,影响供应链中商品的正常流转,导致商品处理效率低下,且仓储成本较高。
发明内容
本申请实施例的主要目的在于提供一种供应链异常处理方法、装置、设备、存储介质及程序产品,以快速、准确地定位供应链业务出现异常的原因,提升供应链异常诊断的效率和准确性。
第一方面,本申请实施例提供一种供应链异常处理方法,包括:
确定供应链的目标指标对应的至少一个关联指标;其中,所述目标指标为所述供应链中目标业务对应的指标,关联指标为所述供应链中与目标业务相关联的业务对应的指标;
根据所述目标指标以及各个关联指标的异常程度,确定异常指标,其中,所述异常指标为所述至少一个关联指标中,导致所述目标指标异常的指标;
针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素;
其中,异常程度用于表示对应指标的真实值与预测值之间的差异,贡献度用于表示元素的波动变化在异常指标的波动变化中的占比。
可选的,确定供应链的目标指标对应的至少一个关联指标,包括:
确定产出所述目标业务时依赖的第一业务;
根据所述第一业务以及产出所述第一业务时依赖的第二业务,确定相关联的业务,并根据相关联的业务确定所述至少一个关联指标。
可选的,所述方法还包括:
针对所述目标指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素;和/或,
展示所述目标指标和关联指标中各个指标对应的下述至少一项信息:指标的异常程度,各个维度对应的异常程度,每一维度下各个元素对应的贡献度。
可选的,所述方法还包括:
在确定任一指标对应的异常的维度及元素后,根据所述指标查找对应的原因对照树;所述原因对照树包括形成二叉树的多个节点,其中,叶子节点用于表示在所述维度及元素下,导致对应业务异常的候选原因;分支节点用于表示针对对应业务设置的判断条件;
根据所述维度及元素下所述对应业务的实际完成情况以及所述原因对照树,从候选原因中选择导致所述指标异常的原因。
可选的,所述方法还包括下述至少一项:
根据所述导致所述指标异常的原因,更新所述原因对应的配置参数;
若所述目标指标的异常程度超过预设阈值,则输出第一告警信息;
确定负责维护所述异常的维度和元素的指标的用户,并向所述用户输出第二告警信息。
可选的,针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素,包括:
对于每一维度,根据所述维度下各个元素对应的异常指标的预测值和真实值,计算各个元素对应的异常程度和贡献度,并将所述维度下多个元素的异常程度相加,得到所述维度的异常程度;
对各个维度的异常程度进行排序,根据排序结果确定异常的维度;
根据异常的维度中各个元素的贡献度,从所述维度的多个元素中确定异常的元素。
可选的,所述目标指标与所述关联指标为同类型的指标,其中,指标的类型包括:产出量、产出率、准确率;
所述产出量对应的真实值为实际产出的份数,预测值为应该产出的份数;
所述产出率对应的真实值为实际产出的份数与份数上限之比,预测值为应该产出的份数与份数上限之比;
所述准确率对应的真实值和预测值分别为实际业务数据和预测业务数据。
第二方面,本申请实施例还提供一种供应链异常处理装置,包括:
确定模块,用于确定供应链的目标指标对应的至少一个关联指标;其中,所述目标指标为所述供应链中目标业务对应的指标,关联指标为所述供应链中与目标业务相关联的业务对应的指标;
诊断模块,用于根据所述目标指标以及各个关联指标的异常程度,确定异常指标,其中,所述异常指标为所述至少一个关联指标中,导致所述目标指标异常的指标;
处理模块,用于针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素;
其中,异常程度用于表示对应指标的真实值与预测值之间的差异,贡献度用于表示元素的波动变化在异常指标的波动变化中的占比。
第三方面,本申请实施例提供一种电子设备,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,以使所述电子设备执行上述任一方面所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现上述任一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一方面所述的方法。
本申请提供的供应链异常处理方法、装置、设备、存储介质及程序产品,可以确定供应链的目标指标对应的至少一个关联指标;其中,所述目标指标为所述供应链中目标业务对应的指标,关联指标为所述供应链中与目标业务相关联的业务对应的指标,根据所述目标指标以及各个关联指标的异常程度,确定异常指标,其中,所述异常指标为所述至少一个关联指标中,导致所述目标指标异常的指标,针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中导致目标指标异常的维度及元素,从而可以快速、准确地诊断出供应链业务的数据异常,改善供应链业务的产出及时性、准确性,提升供应链业务的可执行性,有助于实现供应链业务优化的自动化,有效提高了供应链诊断的效率和准确性,满足运营人员的正常使用需求,减少供应链业务异常导致商品的短缺、积压等问题,维护供应链中商品的正常流转,提高商品处理效率低下,降低仓储成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的另一种应用场景示意图;
图3为本申请实施例提供的一种补货计划的诊断示意图;
图4为本申请实施例提供的一种供应链异常处理方法的流程示意图;
图5为本申请实施例提供的一种补货计划的依赖关系示意图;
图6为本申请实施例提供的一种原因对照树的示意图;
图7为本申请实施例提供的一种供应链异常处理的系统架构图;
图8为本申请实施例提供的一种确定异常维度和元素的流程示意图;
图9为本申请实施例提供的一种供应链异常处理装置的结构示意图;
图10为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
首先对本申请所涉及的名词进行解释:
归因:归因理论是指人们对他人或自己行为原因的推论过程,在本申请的应用场景中,可以是指通过推理过程,发现指标异常的因果解释和推论。
供应链业务:供应链中涉及到的任意业务,可以是计划类业务,例如补货计划、销量计划等,也可以是其他业务,例如库存数据等。
本申请实施例可以用于对任意领域的供应链数据进行处理,尤其可以用于对供应链计划进行实时监控。对于供应链计划来说,计划的产出数量以及准确率通常受多方面数据的影响,在出现异常时,需要对供应链计划的异常进行归因,快速定位到异常的根本原因,从而提高供应链计划的产出及时性、准确性和可执行性,提升供应链优化的自动化程度。
在实际应用中,供应链中往往涉及到多个角色,多个角色可以具有上下游的关系,且其中的一个或多个角色可能均会有补货、销售等计划。图1为本申请实施例提供的一种应用场景示意图。如图1所示,以电商领域为例,供应链中的多个角色可以包括消费者、分销商、供应商,其中,分销商可以从供应商采购商品,从供应商的仓库中拿货补到自己的仓库,当消费者购买商品时,分销商直接从自己的仓库取货并发送给消费者。为了更加精准地进行补货,可以为分销商配置对应的补货计划,例如什么时间、从哪个仓库、补入多少件哪种商品到自己的仓库。
图2为本申请实施例提供的另一种应用场景示意图。如图2所示,供应链中的多个角色可以包括消费者、分销商、供应商、原材料提供商。其中,制造商可以从原材料提供商处采购零部件并组装得到可以售卖的商品,例如,可以从多个原材料提供商处分别采购轮胎、玻璃等零部件,并加工制造得到汽车等商品。商品流转到下游的至少一个分销商,再通过分销商售卖给消费者。在该场景下,可以分别为制造商和分销商配置对应的补货计划。
除了补货计划外,还可以设置销量计划、调拨计划等。可选的,在供应链计划中,补货计划可以为:从上游仓库补到当前仓库的商品的数量,具体可以为未来一周或者每天需要补货的数量;销量计划可以为:下一周期预计销售的商品的数量;对于同一角色可以设置多个仓库,多个仓库之间的商品可以相互进行调拨,例如,某一分销商有A和B两个仓库,位于不同的发货地,在发货时采用就近发货的策略,当预计A仓库在下一周期的销售量较大而库存较小时,可能会出现商品短缺的情况,因此,可以提前从B仓库向A仓库调拨一部分商品,相应的,调拨计划可以为:同一角色中从一个仓库调拨到另一仓库的商品的数量。
可选的,每一角色需要采购或销售的商品可以有多种,每一角色对应的仓库也可以有多个。每种供应链计划可以是针对仓库生成的,也可以是针对商品生成的,还可以是针对商品和仓库生成的。
示例性地,可以针对每种商品产出一份补货计划,当仓库数量为多个时,该补货计划中可以包括各个仓库的补货数量,多种商品可以产出多份补货计划。或者,可以针对仓库加商品的维度分别产出补货计划,例如,A仓库的商品1可以有对应的补货计划,A仓库的商品2也可以有对应的补货计划,B仓库的商品1也可以有对应的补货计划。
对供应链计划来说,计划的产出通常是根据多方面数据,通过算法预测或者数据加工,这就会造成依赖数据多,计算链路长。例如,补货计划可以是动态变化的,仓库每次补充的商品数量可以根据预测销量、库存等多种因素提前确定。补货计划的不准确,可能原因有:销量预测不准确、库存数据不准确、补货的参数配置不准确等等。因此,补货计划与销量计划、库存、参数配置等相关联。
在日常运维的过程中,可以由运营人员对补货计划、销量计划、调拨计划等指标进行监控,当运营人员反馈某些货品、某些供应商计划数据错误时,由研发人员花大量时间对可能导致异常的数据和链路分别排查。通常这些异常是多个维度或依赖的多个数据异常共同导致的结果,由于供应链计划链路较长,依赖数据多,排查起来需要一个一个链路节点排查,耗时耗力,也影响了运营人员的正常使用,还可能导致商品的短缺、积压等问题,影响供应链中商品的正常流转,导致商品处理效率低下,且仓储成本较高。
有鉴于此,本申请实施例可以将供应链业务中的准确性、产出性问题归纳为指标,并对各个指标进行关联,并通过多个维度对异常指标进行分析处理,对各种指标进行实时异常监控,主动发现异常,并快速、精准地定位异常根因,尤其适用于数据来源多、上下游依赖多种数据加工、聚合时的异常发现。
可选的,供应链的业务可以包括供应链计划或其他业务,每种供应链业务均可以有多种类型的指标,包括但不限于:产出量、产出率、准确率等。可以针对各个商品分别产出对应的供应链计划。以补货计划为例,产出量可以是指产出了补货计划的商品的数量,产出率可以是指产出了补货计划的商品的数量与仓库内全部商品数量的比值,准确率可以是指补货计划中的补货数量与实际补货的数量之间的差异。
图3为本申请实施例提供的一种补货计划的诊断示意图。如图3所示,补货计划依赖于品池数据、销量计划、品仓关系、计划参数、库存数据等业务数据,这些业务数据可以看作是补货计划的上游指标,属于补货计划的影响因素。
在图3所示方案中,需要监控的目标指标可以为补货计划产出率,其关联指标可以为相关业务对应的产出率,下面分别说明。
可选的,品池数据可以是指需要产出补货计划的商品的标识。可选的,品池中包含多个商品(可以是当前角色的仓库所涉及的所有商品)的标识,其中可能只有满足预设条件的商品需要产出补货计划,例如,最近一个月销量超过一定数值的商品,才会产出补货计划,而销量不满足要求的无需产出补货计划,预设条件可以由运营人员来设置,或者采用默认规则。
当目标指标为补货计划产出率时,作为其对应的一个关联指标,品池数据产出率可以是指需要产出补货计划的商品数量与仓库内全部商品数量的比值,例如,全部商品有100种,按照预设的规则,只有70种商品需要产出补货计划,则对应的品池数据产出率可以为0.7。
可选的,品仓关系可以是指商品和仓库的关系,可以由运营人员配置,例如,配置某个商品是否与某个仓库有对应关系。在实际应用中,同一商品可能在多个仓库都需要补货,比如某分销商有在多个城市设置有仓库,不同的仓库可能要补不同数量的商品,因此,在计算补货计划时可以利用商品和仓库的关系:若某一商品与某一仓库有对应关系,说明可以对该仓库中的该商品计算补货计划;若某一商品与某一仓库没有对应关系,则说明该商品可以不必配给该仓库,则不用计算相应的补货计划。
相应的,品仓关系产出率可以是指实际配置了品仓关系的商品数量与全部商品数量的比值。类似的,销量计划产出率可以是指实际产出销量计划的产品数量与全部商品数量的比值。
可选的,计划参数可以为计算供应链计划时需要使用的参数。对于补货计划来说,可以事先配置最大售卖天数、补货提前天数、补货日历等参数,分别用于表示商品挂出售卖的最大天数、需要至少提前多少天进行补货、具体哪天进行补货(例如每周一补货等),这些参数可能会影响补货计划的产出。
相应的,计划参数产出率,可以从商品和/或参数角度去统计,可以为实际配置的计划参数的数量与应该配置的计划参数的数量的比值,或者,可以为实际配置了计划参数的商品数量与全部商品数量的比值,或者,可以为各个商品实际配置的计划参数的数量之和与全部商品的计划参数的数量之和的比值。
可选的,库存数据可以包括在仓和/或在途的库存数据,其中,在仓的库存数据可以包括目前仓库中已有的商品数量,在途的库存数据可以包括目前在运输途中的商品数量,这两个数据可能会影响补货计划,例如,在其他影响因素不变的情况下,在仓和在途的商品数量增加,相应的补货计划的数值可能会减少。
库存数据的产出率,可以是指实际产出库存数据的商品的数量与全部商品数量的比值,例如,共有100种商品,实际只产出了其中60种商品的库存数据,则对应的库存数据产出率可以为0.6。
需要说明的是,当指标为产出量和产出率时,可以重点关注实际产出的份数,至于产出的数据是否准确,可以暂不考虑,例如,只要全部商品都产出了库存数据,则可以认为库存数据产出率为100%,每一份库存数据是否准确,不在产出率指标中进行考核,可以在准确率指标中进行考核。
在确定供应链的补货计划对应的上述关联指标后,可以根据补货计划产出率与各个关联指标的异常程度,确定关联指标中导致补货计划产出率异常的指标,例如,可以通过0~100的数值表征异常程度,数值越高,说明异常程度越高。可选的,可以设置对应的阈值例如60,大于该阈值则认为出现异常。
示例性地,假设补货计划产出率的异常程度为80,品池数据产出率的异常程度为70,其他指标的异常程度均较小,则可以认为导致补货计划产出率异常的原因在于品池数据产出率异常。
在确定异常指标为品池数据产出率后,可以基于预设的多个维度,根据各个维度下的各个元素,进行根因下钻。参见图3,多个维度可以包括:地区、供应商、商家等。每一维度可以包含多个元素。
示例性地,地区这一维度可以包括全球各个国家和地区,例如,印度、泰国、马来西亚等,图中以A国、B国、C国等表示。供应商包括为当前角色补货的各大供应商公司。商家可以包括当前角色例如制造商对应的各个商家。
在对品池数据产出率进行根因下钻的过程中,考虑到不同的维度下各个元素可以有对应的品池数据,例如,A国产出了100份品池数据,B国产出了50份品池数据,可以基于各个维度下各个元素的品池数据,进一步确定各个维度的异常程度。
在确定各个维度的异常程度后,可以从中选出异常程度最高的一个或多个维度,这些维度是最有可能异常的维度,进一步的,可以从异常维度的多个元素中选出贡献度最大的一个或多个元素,这些元素是导致补货计划产出率异常的根因。
示例性地,品池数据产出率中,地区这一维度的异常程度最大,而地区这一维度中,A国的贡献度最大,说明A国的品池数据产出率是导致补货计划产出率异常的根因。
在实际应用中,品池数据、销量计划等业务数据可以是通过离线或实时的方式产出的,每天或者每周可能会产出一定数量的业务数据,这些业务数据按照一定的规则加工后,可以得到补货计划,而业务数据的产出和加工过程都有可能出现问题,例如,可能是因为系统设置有问题,或者因为服务器故障导致没有产出品池数据,从而使补货计划异常,因此,可以采用本申请实施例提供的方案,对补货计划及其依赖的上游数据进行监控和分析,从而确定异常的根因。
当定位到根因后,可以对根因对应的指标、维度及元素进行进一步处理,例如,A国的品池数据存在异常,则可以对A国的品池数据的产出规则进行检查或修改,还可以排查A国品池数据产出异常的原因,例如是否服务器故障导致程序没有运行,修改后或重新运行后,可以再次评估补货计划的异常程度,直至补货计划正常。可以按照补货计划对仓库进行补货,维护供应链的正常运行。
综上,通过对供应链中的补货计划及其对应的关联指标的异常程度进行监控,并根据异常程度确定其中的异常指标,再根据异常指标进行根因下钻,确定导致补货计划的维度及元素,能够快速、准确地诊断出供应链计划的数据异常,改善供应链计划的产出及时性、准确性,提升供应链计划的可执行性,有助于实现供应链计划优化的自动化,有效提高了供应链诊断的效率,满足运营人员的正常使用需求,减少供应链计划异常导致商品的短缺、积压等问题,维护供应链中商品的正常流转,提高商品处理效率低下,降低仓储成本。
并且,本申请实施例可以用于解决线上运维期间异常的发现,实现供应链的实时诊断和异常处理。另外,本申请的异常诊断时,只需要导入多个维度和元素即可,不需要罗列出所有可能的具体原因,便于实现,当不同的数据有上下游依赖关系,但又没有明确的计算公式可以推导的情况下,本申请的方法可以很好的发现异常根因,极大缩短了定位问题的时间。
除了补货计划以外,还可以采用类似的方式对其它供应链计划进行处理,例如调拨计划、销量计划等。此外,还可以对其它供应链业务进行处理,所述供应链业务可以是供应链中涉及的任意业务,例如,库存数据的产出可能与库存参数配置有关,而库存参数配置情况在不同国家和地区都不同,因此,库存数据可以作为供应链业务的一种,库存参数配置可以作为其关联指标之一,地区可以作为维度之一,参照前述方式实现库存数据产出量、产出率或准确率的监控。
下面结合附图,对本申请的一些实施方式作详细说明。在各实施例之间不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
图4为本申请实施例提供的一种供应链异常处理方法的流程示意图。本实施例中方法的执行主体可以应用于任意具有数据处理功能的设备,例如终端设备或服务器等。如图4所示,所述方法可以包括:
步骤401、确定供应链的目标指标对应的至少一个关联指标;其中,所述目标指标为所述供应链中目标业务对应的指标,关联指标为所述供应链中与目标业务相关联的业务对应的指标。
可选的,所述目标业务可以供应链业务中任意一个或多个业务,所述业务可以包括计划类业务,包括:补货计划、销量计划、调拨计划等,还可以包括其它类型的业务,例如品池数据、销量计划、品仓关系、计划参数、库存数据等。
所述相关联的业务可以为供应链中影响目标业务的其它业务,例如,补货计划受销量计划的影响,则销量计划可以作为补货计划的一个相关联的业务。
可选的,业务可以理解为业务数据,例如产出的补货计划可以认为是产出的补货计划数据。
步骤402、根据所述目标指标以及各个关联指标的异常程度,确定异常指标,其中,所述异常指标为所述至少一个关联指标中,导致所述目标指标异常的指标。
可选的,所述异常程度可以用于表示真实值与预测值之间的差异。指标的真实值可以是真实发生的数值,预测值可以通过一定的算法预测得到。例如,今日实际产出了80份补货计划,则补货计划产出量的真实值可以为80;通过过去一段时间的补货计划产出情况,预测今日应该产出100份补货计划,则补货计划产出量的预测值为100。
可以理解的是,真实值和预测值之间的差异越大,异常程度越高;真实值和预测值之间的差异越小,则异常程度越低。
一个示例中,可以将真实值与预测值的差值的绝对值作为异常程度,或者,将真实值和预测值的比值减1的绝对值作为异常程度,或者,异常程度也可以有其他的计算方式,只要能够体现真实值和预测值的差异即可。
另一示例中,可以对各个指标的异常程度进行归一化处理。可选的,设置异常程度在0~100之间取值,可以预先设置映射关系表,保存上述绝对值与异常程度的取值之间的对应关系。实际使用时,根据真实值和预测值即可将异常程度定位在0~100之间,便于用户查看。
在确定各个指标的关联程度后,若目标指标的异常程度大于第一预设阈值,则确定所述目标指标异常。
在确定目标指标异常后,若目标指标的至少一个关联指标中,某一个或多个关联指标的异常程度大于第二预设阈值,则确定所述一个或多个关联指标为异常指标。其中,所述第一预设阈值和所述第一预设阈值可以相同,也可以不同。
或者,可以将所述关联指标按照异常程度排序,选择其中异常程度最高的一个或多个关联指标作为异常指标。
步骤403、针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素。
其中,异常程度用于表示对应指标的真实值与预测值之间的差异,对于每个维度来说,异常程度用于表示该维度下对应指标的真实值与预测值之间的差异。所述贡献度用于表示元素的波动变化在异常指标的波动变化中的占比。
示例性地,异常指标为品池数据产出量时,对于地区这一维度,则可以先计算各个地区的品池数据产出量的真实值和预测值,再进一步根据真实值和预测值计算各个地区的异常程度和贡献度,根据各个地区的异常程度,可以得到地区这一维度对应的异常程度。
在实际应用中,可以根据供应链的业务数据指导日常工作流程,例如根据补货计划进行在仓库中备货,根据销量计划做好销售准备等,同时,还可以按照本实施例提供的方法,对供应链中的各个指标进行监控,在指标监控异常时,及时确定引起异常的维度和元素。例如,在今日补货计划出现异常时,本实施例可以快速定位到是哪个关联指标的哪个维度和元素异常所造成的。
综上,本实施例提供的供应链异常处理方法,可以确定供应链的目标指标对应的至少一个关联指标;其中,所述目标指标为所述供应链中目标业务对应的指标,关联指标为所述供应链中与目标业务相关联的业务对应的指标,根据所述目标指标以及各个关联指标的异常程度,确定异常指标,其中,所述异常指标为所述至少一个关联指标中,导致所述目标指标异常的指标,针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中导致目标指标异常的维度及元素,从而可以快速、准确地诊断出供应链业务的数据异常,改善供应链业务的产出及时性、准确性,提升供应链业务的可执行性,有助于实现供应链业务优化的自动化,有效提高了供应链诊断的效率,满足运营人员的正常使用需求,减少供应链业务异常导致商品的短缺、积压等问题,维护供应链中商品的正常流转,提高商品处理效率低下,降低仓储成本。
在本申请的一个或多个实施例中,可选的,所述目标指标与所述关联指标为同类型的指标,其中,指标的类型包括:产出量、产出率、准确率。
可选的,所述产出量对应的真实值为实际产出的份数,预测值为应该产出的份数;所述产出率对应的真实值为实际产出的份数与份数上限之比,预测值为应该产出的份数与份数上限之比;所述准确率对应的真实值和预测值分别为实际业务数据和预测业务数据。
可选的,应该产出的份数可以是历史周期内实际产出的份数的均值。在有多种商品时,可以为每一SKU(Stock Keeping Unit,库存量单位)产出对应的供应链业务数据。属于同一SKU的商品可以看作是同一种商品。实际产出的份数可以为实际产出了供应链业务的SKU的数量,应该产出的份数可以是历史周期内实际产出供应链的SKU数量的均值。
示例性地,补货计划产出量的真实值可以为实际产出补货计划的SKU的数量,预测值可以为应该产出补货计划的SKU的数量,通常使用过去30天的均值表示。例如,今日实际产出了70种SKU的补货计划,则真实值为70,过去30天平均每天产出80种SKU的补货计划,则预测值为80。
可选的,供应链业务对应的产出率可以是产出份数与份数上限的比值,份数上限可以根据实际需要设置,例如,可以为当日仓库的全部SKU数量。相应的,产出份数可以为产出了供应链业务的SKU的数量。
在产出率中,分子的真实值可以为实际产出了供应链业务的SKU的数量,预测值可以为应该产出供应链业务的SKU的数量,具体可以为历史周期内实际产出供应链业务的SKU数量的均值。分母即份数上限的真实值可以为仓库内全部SKU的实际数量,预测值可以为历史周期内仓库中的全部SKU数量的均值。
示例性地,对于补货计划来说,当日仓库中共有100种SKU,则分母的真实值为100,而过去30日仓库中平均每天有120件SKU,则分母的预测值为120。当日仓库中有80种SKU产出了补货计划,则分子的真实值为80,过去30天平均每天有90种SKU产出了补货计划则分子的预测值为90。
可选的,某一供应链业务的准确率对应的真实值和预测值分别为实际业务数据和预测业务数据。其中,预测值可以通过预设的预测算法计算得到,真实值可以为实际发生的数值。
例如,对于某一SKU对应的补货计划来说,业务数据是指补货计划中的补货数量,即对于该SKU来说需要补货多少件。当有多个SKU都产出补货计划时,补货计划准确率可以通过多个SKU的真实值和预测值来综合计算得到,例如,先根据每一SKU的真实值和预测值计算该SKU的准确率,来加权得到最终的补货计划准确率。
在本申请实施例中,每种供应链业务均可以有多种类型的指标。例如,实际的供应链计划的指标可以包括:补货计划产出量、补货计划产出率、补货计划准确率、销量计划产出量、销量计划产出率、销量计划准确率、调拨计划产出量、调拨计划产出率、调拨计划准确率等。
在定义好多种供应链计划和多种类型的指标后,可以从中任选至少一种供应链计划,以至少一种类型的指标作为目标指标,并设置对应的关联指标。
在实际应用中,目标指标与关联指标可以为同类型的指标,例如,在计算补货计划产出率时,可以将品池数据产出率、销量计划产出率等作为关联指标,而准确率可以暂不考虑。
综上,通过设置产出量、产出率、准确率等指标,可以计算供应链业务的实际产出数量以及产出准确性,更加全面地对供应链的健康程度进行衡量,并且,目标指标与关联指标为同类型的指标,能够更加准确地定位到产生异常的原因,减少不相干因素的干扰,提升供应链诊断的准确性。
在本申请的一个或多个实施例中,可选的,确定供应链的目标指标对应的至少一个关联指标,包括:确定产出所述目标业务时依赖的第一业务;根据所述第一业务以及产出所述第一业务时依赖的第二业务,确定相关联的业务,并根据相关联的业务确定所述至少一个关联指标。
图5为本申请实施例提供的一种补货计划的依赖关系示意图。如图5所示,在产出补货计划时,依赖于品池数据、销量计划、品仓关系、计划参数、库存数据等业务,因此,当目标业务为补货计划时,这些业务可以作为补货计划依赖的第一业务,而第一业务又可以有其进一步依赖的其它业务。例如,销量计划又依赖分仓比、分天比、历史销量、算法预测等业务数据,因此,分仓比、分天比、历史销量、算法预测等可以作为补货计划对应的第二业务。
可选的。分仓比可以是指历史销量在各个仓库中的占比,例如,前端历史销量100,其中来自A仓的是10件,来自B仓的是20件,则AB两仓的分仓比分别为10%,20%。
分天比可以是指一个周期内的历史销量分到每一天的占比。例如,前端统计一周的历史销量为100,周一和周二的销量分别为30和40,则周一和周二的分天比可以分别为30%和40%。
实体是指货品对应的SKU,例如,统计某品牌手机的前端历史销量时,包含了该品牌所有型号、颜色的手机的历史销量,而不同的型号、颜色等可以属于不同的SKU,实体数据用于说明某一前端历史销量对应了多少种SKU。分实体比可以是指统计得到的前端历史销量中,每个SKU对应的历史销量。
图中的历史销量可以是指上述的前端历史销量,算法预测可以是预测销量时使用的算法,或者,使用某一算法预测得到的销量,其与分仓比、分天比等进行计算后,得到最终的销量计划。在计算销量计划时,除了前端的历史销量,还可以增加分天比、分仓比等信息,从而更加准确地计算销量计划。
实际应用中,可以先根据历史销量等计算销量计划,再根据销量计划计算补货计划,有了计划之后,可以按照计划去执行供应链的操作,比如根据补货计划确定今天需要从供应商采购多少商品,从而把商品补到仓库里。当需要对补货计划进行监控时,除了监控销量计划,还可以监控销量计划依赖的历史销量和分天比等。
示例性地,补货计划产出率的关联指标可以包括销量计划产出率、历史销量产出率、分天比产出率等,如果历史销量数据和分天比数据的产出不足,可能会导致销量计划产出不足,进而影响补货计划的产出。因此,在分析补货计划的异常原因时,除了要分析补货计划依赖的销量计划,还可以进一步分析销量计划依赖的历史销量和分天比等,进行根因下钻。
综上,通过先确定产出所述目标业务时依赖的业务,在根据该业务以及产出该业务时依赖的其它业务,确定相关联的业务,不仅能够在目标业务异常时分析其所依赖的业务,还能够深度定位到实际异常原因,实现根因下钻,找出异常源头进行处理,实现供应链细粒度诊断,节约排查效率,提升异常处理的速度和准确性。
在本申请的一个或多个实施例中,可选的,除了针对关联指标进行维度和元素的分析,还可以针对目标指标进行维度和元素的分析。
可选的,可以针对所述目标指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素。
示例性地,在目标指标为补货计划产出率时,若异常指标为品池数据产出率,则除了可以确定品池数据产出率异常的维度和元素,还可以进一步确定补货计划产出率异常的维度和元素。
可选的,还可以展示所述目标指标和关联指标中各个指标对应的下述至少一项信息:指标的异常程度,各个维度对应的异常程度,每一维度下各个元素对应的贡献度等。
示例性地,可以根据各个关联指标的异常程度,展示对应的饼状图;其中,所述饼状图中各个关联指标对应的扇形角度与关联指标的异常程度有关;根据各个维度对应的异常程度,展示对应的分布图;其中,所述分布图的横轴为维度,纵轴为各个维度下对应的目标指标的异常程度;根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,展示各个维度对应的元素贡献度列表。
综上,通过针对所述目标指标计算各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,能够确定所述多个维度中目标指标异常的维度及元素,方便用户了解是哪些维度和元素的目标指标出现了问题;通过展示各个指标对应的结果,可以使用户更加直观地了解到各个指标、维度、元素的信息,便于用户对目标指标进行监控,提升用户体验度。
在本申请的一个或多个实施例中,可选的,还可以在确定任一指标对应的异常的维度及元素后,根据所述指标查找对应的原因对照树;所述原因对照树包括形成二叉树的多个节点,其中,叶子节点用于表示在所述维度及元素下,导致对应业务异常的候选原因;分支节点用于表示针对对应业务设置的判断条件;根据所述维度及元素下所述对应业务的实际完成情况以及所述原因对照树,从候选原因中选择导致所述指标异常的原因。
图6为本申请实施例提供的一种原因对照树的示意图。如图6所示,可以通过归因平台,罗列出可能存在的所有可能原因,通过每个原因的问题数量占比找到根本原因。
以A地区的补货计划产出率异常为例,可以查找补货计划异常率对应的原因对照树,原因对照树的分支节点是判断条件,分支节点可以有一层或者多层,叶子节点可以为补货计划产出率异常的候选原因。在补货计划产出率异常后,根据实际完成情况,通过分支节点的判断条件,可以一路查找到对应的叶子节点,从而确定异常原因。
其中,实际完成情况可以是指与所述判断条件对应的实际完成情况。如图5所示,可以先判断A地区过去60天是否存在到仓补货单记录:若否,则说明存在历史遗漏问题:历史遗漏高死库存;若是,则进一步判断,最近一次到仓补货单下单量是否小于系统建议量,并根据判断结果继续向下处理,直至定位到对应的叶子节点,得到导致异常的原因。
可选的,供应链业务可以是针对各个SKU分别生成的,在分析A地区的异常原因时,可以分别对各个异常SKU进行分析,例如,按照原因对照树,确定没有产出补货计划,或者产出补货计划不准确的SKU进行分析,确定该SKU对应的原因。若有超过预设数量的SKU对应的原因均为相同的某一原因,则该原因可以作为导致供应链业务异常的最终原因。
综上,在确定某一维度和元素异常后,可以根据指标对应的原因对照树,对该维度和元素下对应业务的实际完成情况进行分析,由于每一维度和元素下对应业务的规则和配置参数不同,因此,不同维度和元素下的异常原因可能也不相同,原因对照树可以作为细粒度诊断方案,进一步在异常维度和元素下定位出现异常的原因,实现维度和元素下的根因下钻,进一步提高诊断的精度。
在根据原因对照树定位到原因后,可选的,还可以根据所述导致所述指标异常的原因,更新所述原因对应的配置参数。以图6为例,若最终定位的原因为自动审核上限设置偏高,则可以调整自动审核上限,若最终定位的原因是历史遗漏高死库存,则可以查找高死库存进行处理。
在本申请的一个或多个实施例中,可选的,若所述目标指标的异常程度超过预设阈值,则输出第一告警信息。所述第一告警信息可以输出给维护目标指标的用户,例如运维人员。
图7为本申请实施例提供的一种供应链异常处理的系统架构图。如图7所示,业务指标定义模块可以实现对业务指标进行定义,具体可以包括:指标名称,例如,补货计划产出率;可配置的源数据表,用于表示从哪些数据表里获取计算补货计划的数据;计算维度,用于表示计算的最小粒度,例如,以SKU为粒度进行计算的,每个SKU对应一份补货计划;下钻维度,例如地区、供应商等维度;指标算法,用于定义指标的算法,例如,补货计划产出率的算法为实际产出的补货计划数量除以份数上限。
指标计算模块可以包括离线计算、实时计算两个模块,分别用于实现离线和实时的计算。指标每日汇总数据可以包括:指标名称,例如补货计划产出率;指标值,例如今日的补货计划产出率具体为60%。指标每日维度数据可以:指标名称、维度、元素、指标值,用于记录指标在每个维度和元素下对应的指标值,例如,每个国家对应的今日的补货计划产出率。
指标监控模块可以包括:告警判断模块,用于判断指标是否超过对应的阈值;告警发送模块,用于在超过对应阈值时进行报警。告警判断模块与指标阈值规则具有关联关系,指标阈值规则可以包括:名称、规则、阈值等。
可选的,还可以确定负责维护所述异常的维度和元素的指标的用户,并向所述用户输出第二告警信息,以使所述用户对所述异常的维度和元素对应的指标进行处理。例如,不同的地区可以由不同的用户维护,若发现A地区的销量计划产出率存在异常,则可以向负责维护A地区的用户发送对应的第二告警信息,使得维护A地区的用户可以对A地区的情况进行处理,及时解决异常问题。
业务指标定义还可以与指标相关度具有关联关系,指标相关度可以用于确定各个指标对应的相关度,例如指标1、指标2之间的相关度。例如,补货计划产出率与品池数据产出率和销量计划产出率相关,其中,补货计划产出率与品池数据产出率可以设置相关度,补货计划产出和销量计划产出率也可以设置相关度,两者可以相同,也可以不同,根据相关度,可以确定最相关的影响因素,例如,当品池数据产出率和销量计划产出率的异常程度相等时,相关度较大的可以被认为更有可能是补货计划产出率异常的原因。
归因模块可以包括:贡献度计算模块,用于计算贡献度;贡献度页面模块,用于将计算得到的贡献度进行展示。下钻模块可以:维度统计模块,用于统计各个维度的异常程度;下钻明细列表模块,用于展示各个维度的异常程度、各个元素的贡献度的明细列表。
综上,根据所述导致所述指标异常的原因,更新所述原因对应的配置参数,能够根据异常原因自动进行处理,节省人力物力,并且,在目标指标的异常程度超过预设阈值时,可以输出告警信息,方便用户对目标指标进行处理,实现指标异常的全方位处理,辅助实现供应链的正常运转。
图8为本申请实施例提供的一种确定异常维度和元素的流程示意图。如图8所示,在本申请的一个或多个实施例中,可选的,针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素,可以包括:
步骤801、对于每一维度,根据所述维度下各个元素对应的异常指标的预测值和真实值,计算各个元素对应的异常程度和贡献度,并将所述维度下多个元素的异常程度相加,得到所述维度的异常程度。
需要说明的是,本实施例除了可以用于对所述待分析指标进行分析以外,还可以用于对目标指标或者其它指标进行分析。
其中,针对要分析的指标,可以首先计算出各个维度各个元素对应的指标值,该指标值可以包括预测值和真实值,根据预测值和真实值计算异常程度。其中,指标由可以分为量值指标和率值指标,产出量可以作为量值指标,产出率和准确率可以作为率值指标。对于量值指标,可以采用下述公式计算S值和EP值:
pij(m)=Fij(m)/F(m) (1)
qij(m)=Aij(m)/A(m) (2)
EPij(m)=(Aij(m)-Fij(m))/(A(m)-F(m)) (4)
其中,下标i和j分别表示维度和元素,m表示指标,F表示预测值,A表示真实值,Fij(m)表示第i个维度下第j个元素的指标m的预测值,Aij(m)表示第i个维度下第j个元素的指标m的真实值,p和q为中间结果,Sij(m)为第i个维度下第j个元素的指标m对应的S值,EPij(m)为第i个维度下第j个元素的指标m对应的EP值。
以m为销量计划产出量为例,若3个维度,分别为:地区、仓库类型、供应商;地区对应的元素包括:A地区、B地区、……,则S12(m)可以为A地区的补货计划产出量对应的S值。
可选的,真实值可以为真实的销量计划产出量,预测值可以通过历史周期内的指标确定,即,可以用过去的指标预测当天的指标,因为指标通常不应该产生太大的变化。例如,可以将过去30天内的销量计划产出量的均值,作为销量计划产出量的预测值。
S值可以看作元素对应的异常程度,也可以称为偏离度,用于表示该元素的指标的意外性,可以衡量真实值和预测值的差异。EP值可以看作元素对应的贡献度,具体可以用于表示某个元素的波动变化在异常指标的波动变化中的占比,可以衡量元素对异常的解释能力。在得到S值后,可以针对每一维度,将该维度下多个元素的S值相加,得到该维度的S值,即该维度的异常程度。
对于率值指标,例如产出率和准确率,可以采用如下公式计算S值和EP值。
S=sum(Sf,Sg) (5)
EPij=((Aij(m1)-Fij(m1))*F(m2)-(Aij(m2)-Fij(m2))*F(m1))/(F(m2)*(F(m2)+Aij(m2)-Fij(m2))) (6)
其中,率值指标可以拆分为两个指标的比值,例如,产出率可以等于产出份数与份数上限的比值,而产出份数和份数上限都可以是动态变化的。
示例性地,以销量计划产出率为例,分子指标为产出份数,具体可以等于产出了销量计划的SKU的数量,分母指标为份数上限,具体可以为全部SKU的数量。产出份数的预测值可以为过去30天的产出份数的平均值,份数上限可以为过去30天的份数上限的平均值。产出份数和份数上限的真实值可以分别为当天的产出份数和当天的份数上限。
在公式(5)中,Sf为分子指标,Sg为分母指标,S值为分子指标和分母指标之和。在公式(6)中,m1为分子指标,m2为分母指标。
以销量计划产出率为例,Aij(m1)为第i个维度第j个元素下当日产出销量计划的份数;Aij(m2)为第i个维度第j个元素下当日的份数上限;Fij(m1)为第i个维度第j个元素过去30日的产出份数的平均值;Fij(m2)为第i个维度第j个元素过去30日的份数上限的平均值;F(m1)为过去30日产出的销量计划的份数(所有维度之和)的平均值;F(m2)为过去30日的份数上限(所有维度之和)的平均值。
可选的,针对每一维度,在得到该维度下各个元素的异常程度后,可以将该维度下全部元素的异常程度相加,得到该维度的异常程度,也可以将该维度下的部分重要元素相加,得到该维度的异常程度。考虑到实际应用中维度和元素的数量较多,将全部元素相加可能会影响处理效率,因此,可以采用如下方法确定每一维度对应的异常程度。
可选的,针对某个维度,依次对该维度下的各个元素进行如下处理:判断EP值是否大于单体阈值(例如可以为1%),若是则加到可疑列表中;当可疑列表里的EP值之和大于总体阈值(例如可以为90%),则认为找到了这个维度下所有的异常元素。
设置EP值大于单体阈值才放入可以列表,从而不用再考虑解释能力差或变化占比小的元素。某个维度下EP值之和等于100%,在EP值之和大于总体阈值后即停止对该维度下的其它元素进行处理,是因为大于总体阈值后,可以认为可疑列表已经能够很大程度上解释或反映指标的异常波动,不用再考虑剩下解释能力小的元素了。
在确定可疑列表后,将该维度下处于可疑列表中的所有元素的S值相加,得到维度的S值。
步骤802、对各个维度的异常程度进行排序,根据排序结果确定异常的维度。
可选的,可以将多个维度按照S值从大到小进行排序,取前N位,作为异常的维度,其中,N为大于等于1的整数,可以根据实际需要进行设置。
步骤803、根据异常的维度中各个元素的贡献度,从所述维度的多个元素中确定异常的元素。
可选的,在确定异常的维度后,从异常的维度中,选择贡献度最大的一个或多个元素,作为该异常维度下的异常元素。最终得到的异常维度下的异常元素,可以作为根因集合输出,例如,向用户展示:导致销量计划产出率异常的主要维度和元素是A地区的销量计划产出率异常。
综上,通过各个维度下各个元素对应的指标的预测值和真实值,计算各个元素对应的EP值和S值,根据EP值和S值定位出每个维度下的异常元素集合,最后根据每个维度总的S值大小汇总输出根因集合,可以将多维根因分析问题分解为多个单维根因分析问题,快速、准确地找出异常的维度和元素,提升供应链异常诊断的效率和准确性。
可选的,本申请实施例还提供另一种供应链异常处理方法,可以包括下述步骤a至步骤f。
步骤a、定义目标指标。
示例性地,目标指标可以为:补货计划产出率、补货计划准确率、销量计划产出率、销量计划准确率等。
步骤b、设置相关联的指标。
示例性地,补货计划和销量计划是上游和下游的关系,则可以将两者关联起来。
步骤c、通过离线计算,计算出所定义的所有指标,并计算出每一指标的异常程度。
示例性地,可以根据从数据库中获取到的各项业务数据,计算出目标指标及其关联指标,例如,计算补货计划产出率、销量计划产出率等。根据前述实施例中的公式,可以计算出每一指标的异常程度。
可选的,对于每一指标,可以通过上述公式计算各个维度各个元素对应的异常程度,将异常程度相加,得到该指标对应的异常程度。
或者,也可以通过其他算法计算每个指标的异常程度,只要能表示该指标的真实值与预测值之间的差异即可。
步骤d、每个指标根据不同维度(例如:地区、供应商、类目等),计算出每个维度的指标值,并使用S值、EP值计算公式,分别算出异常程度和贡献度。
具体的,对于目标指标和关联指标中的每个指标,均可以计算各个维度各个元素下该指标的异常程度和贡献度。
步骤e、定位问题根因。
示例性地,目标指标为补货计划产出率,当目标指标异常时,可以查看各个关联指标如品池数据产出率、销量计划产出率的异常程度,确定异常指标,若异常指标为品池数据产出率,则可以进一步查看品池数据产出率中,哪个维度对应的S值最高,假设地区这一维度对应的S值最高,则从地区这一维度中找到贡献度最大的元素,例如是A国,则可以确定A国的品池数据产出率异常导致了补货计划产出率异常。
步骤f、对指标进行监控,提前发现问题。
对目标指标和关联指标进行监控后,可以及时发现异常的维度和元素,不必等到运维人员反馈才能定位问题,提高了供应链的监控效率,并且,能够更加全面、准确地发现异常问题。
对于每一种类型的供应链业务,均可以采用上述方法进行处理,从而实现目标指标、关联指标的自动监控,提升供应链运行的稳定性。
对应于上述供应链异常处理方法,本申请实施例还提供一种供应链异常处理装置。图9为本申请实施例提供的一种供应链异常处理装置的结构示意图。如图9所示,所述装置包括:
确定模块901,用于确定供应链的目标指标对应的至少一个关联指标;其中,所述目标指标为所述供应链中目标业务对应的指标,关联指标为所述供应链中与目标业务相关联的业务对应的指标;
诊断模块902,用于根据所述目标指标以及各个关联指标的异常程度,确定异常指标,其中,所述异常指标为所述至少一个关联指标中,导致所述目标指标异常的指标;
处理模块903,用于针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素;
其中,异常程度用于表示对应指标的真实值与预测值之间的差异,贡献度用于表示元素的波动变化在异常指标的波动变化中的占比。
在本申请的一个或多个实施例中,可选的,所述确定模块901具体用于:
确定产出所述目标业务时依赖的第一业务;
根据所述第一业务以及产出所述第一业务时依赖的第二业务,确定相关联的业务,并根据相关联的业务确定所述至少一个关联指标。
在本申请的一个或多个实施例中,可选的,所述处理模块903还用于:
针对所述目标指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素;和/或,
展示所述目标指标和关联指标中各个指标对应的下述至少一项信息:指标的异常程度,各个维度对应的异常程度,每一维度下各个元素对应的贡献度。
在本申请的一个或多个实施例中,可选的,所述处理模块903还用于:
在确定任一指标对应的异常的维度及元素后,根据所述指标查找对应的原因对照树;所述原因对照树包括形成二叉树的多个节点,其中,叶子节点用于表示在所述维度及元素下,导致对应业务异常的候选原因;分支节点用于表示针对对应业务设置的判断条件;
根据所述维度及元素下所述对应业务的实际完成情况以及所述原因对照树,从候选原因中选择导致所述指标异常的原因。
在本申请的一个或多个实施例中,可选的,所述处理模块903还用于执行下述至少一项:
根据所述导致所述指标异常的原因,更新所述原因对应的配置参数;
若所述目标指标的异常程度超过预设阈值,则输出第一告警信息;
确定负责维护所述异常的维度和元素的指标的用户,并向所述用户输出第二告警信息。
在本申请的一个或多个实施例中,可选的,所述处理模块903具体用于:
对于每一维度,根据所述维度下各个元素对应的异常指标的预测值和真实值,计算各个元素对应的异常程度和贡献度,并将所述维度下多个元素的异常程度相加,得到所述维度的异常程度;
对各个维度的异常程度进行排序,根据排序结果确定异常的维度;
根据异常的维度中各个元素的贡献度,从所述维度的多个元素中确定异常的元素。
在本申请的一个或多个实施例中,可选的,所述目标指标与所述关联指标为同类型的指标,其中,指标的类型包括:产出量、产出率、准确率;
所述产出量对应的真实值为实际产出的份数,预测值为应该产出的份数;
所述产出率对应的真实值为实际产出的份数与份数上限之比,预测值为应该产出的份数与份数上限之比;
所述准确率对应的真实值和预测值分别为实际业务数据和预测业务数据。
本申请实施例提供的供应链异常处理装置,可用于执行上述图1至图8所示实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图10为本申请实施例提供的一种电子设备的结构示意图。如图10所示,本实施例的电子设备可以包括:
至少一个处理器1001;以及
与所述至少一个处理器通信连接的存储器1002;
其中,所述存储器1002存储有可被所述至少一个处理器1001执行的指令,所述指令被所述至少一个处理器1001执行,以使所述电子设备执行如上述任一实施例所述的方法。
可选地,存储器1002既可以是独立的,也可以跟处理器1001集成在一起。
本实施例提供的电子设备的实现原理和技术效果可以参见前述各实施例,此处不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现前述任一实施例所述的方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现前述任一实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种供应链异常处理方法,其特征在于,包括:
确定供应链的目标指标对应的至少一个关联指标;其中,所述目标指标为所述供应链中目标业务对应的指标,关联指标为所述供应链中与目标业务相关联的业务对应的指标;
根据所述目标指标以及各个关联指标的异常程度,确定异常指标,其中,所述异常指标为所述至少一个关联指标中,导致所述目标指标异常的指标;
针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素;
其中,异常程度用于表示对应指标的真实值与预测值之间的差异,贡献度用于表示元素的波动变化在异常指标的波动变化中的占比。
2.根据权利要求1所述的方法,其特征在于,确定供应链的目标指标对应的至少一个关联指标,包括:
确定产出所述目标业务时依赖的第一业务;
根据所述第一业务以及产出所述第一业务时依赖的第二业务,确定相关联的业务,并根据相关联的业务确定所述至少一个关联指标。
3.根据权利要求1所述的方法,其特征在于,还包括:
针对所述目标指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素;和/或,
展示所述目标指标和关联指标中各个指标对应的下述至少一项信息:指标的异常程度,各个维度对应的异常程度,每一维度下各个元素对应的贡献度。
4.根据权利要求1所述的方法,其特征在于,还包括:
在确定任一指标对应的异常的维度及元素后,根据所述指标查找对应的原因对照树;所述原因对照树包括形成二叉树的多个节点,其中,叶子节点用于表示在所述维度及元素下,导致对应业务异常的候选原因;分支节点用于表示针对对应业务设置的判断条件;
根据所述维度及元素下所述对应业务的实际完成情况以及所述原因对照树,从候选原因中选择导致所述指标异常的原因。
5.根据权利要求4所述的方法,其特征在于,还包括下述至少一项:
根据所述导致所述指标异常的原因,更新所述原因对应的配置参数;
若所述目标指标的异常程度超过预设阈值,则输出第一告警信息;
确定负责维护所述异常的维度和元素的指标的用户,并向所述用户输出第二告警信息。
6.根据权利要求1所述的方法,其特征在于,针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素,包括:
对于每一维度,根据所述维度下各个元素对应的异常指标的预测值和真实值,计算各个元素对应的异常程度和贡献度,并将所述维度下多个元素的异常程度相加,得到所述维度的异常程度;
对各个维度的异常程度进行排序,根据排序结果确定异常的维度;
根据异常的维度中各个元素的贡献度,从所述维度的多个元素中确定异常的元素。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述目标指标与所述关联指标为同类型的指标,其中,指标的类型包括:产出量、产出率、准确率;
所述产出量对应的真实值为实际产出的份数,预测值为应该产出的份数;
所述产出率对应的真实值为实际产出的份数与份数上限之比,预测值为应该产出的份数与份数上限之比;
所述准确率对应的真实值和预测值分别为实际业务数据和预测业务数据。
8.一种供应链异常处理装置,其特征在于,包括:
确定模块,用于确定供应链的目标指标对应的至少一个关联指标;其中,所述目标指标为所述供应链中目标业务对应的指标,关联指标为所述供应链中与目标业务相关联的业务对应的指标;
诊断模块,用于根据所述目标指标以及各个关联指标的异常程度,确定异常指标,其中,所述异常指标为所述至少一个关联指标中,导致所述目标指标异常的指标;
处理模块,用于针对所述异常指标,基于预设的多个维度,根据各个维度对应的异常程度以及每一维度下各个元素对应的贡献度,确定所述多个维度中异常的维度及元素;
其中,异常程度用于表示对应指标的真实值与预测值之间的差异,贡献度用于表示元素的波动变化在异常指标的波动变化中的占比。
9.一种电子设备,其特征在于,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,以使所述电子设备执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-7任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540735.8A CN114841590A (zh) | 2022-05-17 | 2022-05-17 | 供应链异常处理方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540735.8A CN114841590A (zh) | 2022-05-17 | 2022-05-17 | 供应链异常处理方法、装置、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841590A true CN114841590A (zh) | 2022-08-02 |
Family
ID=82570560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210540735.8A Pending CN114841590A (zh) | 2022-05-17 | 2022-05-17 | 供应链异常处理方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841590A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495019A (zh) * | 2023-11-14 | 2024-02-02 | 扬州市职业大学(扬州开放大学) | 基于农产品供应链的农产品协同调度方法与系统 |
-
2022
- 2022-05-17 CN CN202210540735.8A patent/CN114841590A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495019A (zh) * | 2023-11-14 | 2024-02-02 | 扬州市职业大学(扬州开放大学) | 基于农产品供应链的农产品协同调度方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7213007B2 (en) | Method for forecasting using a genetic algorithm | |
EP1315107A1 (en) | Demand forecasting method in parts inventory control | |
US20230069403A1 (en) | Method and system for generating ensemble demand forecasts | |
US20060004624A1 (en) | Forecast and replenishment analytics | |
US7672921B1 (en) | Systems and methods for automatically determining and/or inferring component end of life (EOL) | |
EP1569148A2 (en) | Systems and methods for automatically determining and/or inferring component end of life (EOL) | |
CN101118625A (zh) | 存货管理系统和方法 | |
JP2021163485A (ja) | スマートサプライチェーンシステム | |
US20200134642A1 (en) | Method and system for validating ensemble demand forecasts | |
Shteren et al. | The value of inventory accuracy in supply chain management-case study of the yedioth communication press | |
WO2002019209A2 (en) | Production and distribution supply chain optimization software | |
KR20090006489A (ko) | 신용 위험 모형 구축용 툴 킷, 신용 위험 모형 구축을 통한신용 위험 관리 방법 및 이를 기록한 기록매체 | |
CN112712314A (zh) | 一种基于物联网传感器的物流数据推荐方法 | |
CN113469596A (zh) | 智慧供应链系统及服务器平台 | |
Andry et al. | Supply chain disruptions mitigation plan using six sigma method for sustainable technology infrastructure | |
CN117670018A (zh) | 汽车制造中的风险预测以及交互式风险减轻的系统及方法 | |
CN117035607A (zh) | 一种基于物联网的仓储容量预测管理系统及方法 | |
CN114841590A (zh) | 供应链异常处理方法、装置、设备、存储介质及程序产品 | |
Farughi et al. | A hybrid approach based on ANP, ELECTRE and SIMANP metaheuristic method for outsourcing manufacturing procedures according to supply chain risks-Case study: A medical equipment manufacturer company in Iran | |
US11182761B2 (en) | Information technology equipment replacement calculation systems and methods | |
Hajian Heidary | Risk Assessment in the Global Supplier Selection Considering Supply Disruption: A Simulation Optimization Approach | |
Hwang et al. | Reverse channel selection for commercial product returns under time-to-market and product value considerations | |
CN115879977A (zh) | 一种先进制造供应链数据模型建立的方法 | |
CN114819710A (zh) | 电能计量装置的管理方法、装置、计算机设备、存储介质 | |
Javadi Gargari et al. | Solving multi-objective supplier selection and quota allocation problem under disruption using a scenario-based approach |
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 |