CN115345564A - 基于自动预测的库存管理方法 - Google Patents

基于自动预测的库存管理方法 Download PDF

Info

Publication number
CN115345564A
CN115345564A CN202211160836.9A CN202211160836A CN115345564A CN 115345564 A CN115345564 A CN 115345564A CN 202211160836 A CN202211160836 A CN 202211160836A CN 115345564 A CN115345564 A CN 115345564A
Authority
CN
China
Prior art keywords
spare part
prediction
inventory
spare
stock
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
Application number
CN202211160836.9A
Other languages
English (en)
Inventor
金明伟
赵晓光
王桐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
QIMING INFORMATION TECHNOLOGY CO LTD
Original Assignee
QIMING INFORMATION TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by QIMING INFORMATION TECHNOLOGY CO LTD filed Critical QIMING INFORMATION TECHNOLOGY CO LTD
Priority to CN202211160836.9A priority Critical patent/CN115345564A/zh
Publication of CN115345564A publication Critical patent/CN115345564A/zh
Pending legal-status Critical Current

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
    • G06Q10/08—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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于自动预测的库存管理方法，包括以下具体步骤：步骤一：参考汽车备件历史销量数据，提取出备件预测要素；步骤二：基于备件预测因素，构建备件预测模型，并将备件实际的需求信息、库存信息、季节影响因素、事件影响因素和备件的历史销量数据代入模型进行备件预测；步骤三：根据备件预测结果制定采购计划和移库计划。本发明的目的解决备件预测的精准度，解决参考月权重、满意度系数、异常订单、季度影响、事件影响、新产品上市等不同因素对预测准确度的影响，从而让预测更加准确。主要达到节约人力资源，降低劳动成本。

Description

基于自动预测的库存管理方法
技术领域
本发明涉及库存管理技术领域，尤其基于自动预测的库存管理方法。
背景技术
专利(申请号为：CN201710973863.0)公开了基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统，通过建立数据库来储存汽车备件销量预测所需数据，包括各种的汽车备件销量，称为预测变量；通过数据获取模块连接数据库与汽车备件销量预测系统来获取所需预测变量，利用多种并行的典型预测方法分别进行预测，得到多种预测方法对应的预测结果；进而将多种预测结果储存，并建立统一动态集成模型；然后利用元启发式算法优化该预测模型系数；最终将得到的预测模型存入汽车备件销量预测应用系统，在输入相应的汽车备件销量数据后即可生成备件销量预测结果。本发明寻找到一种比较适合各种汽车备件预测的模型，同时利用元启发式算法优化精度高等特点，有效提高了汽车备件销量预测精度。
专利(申请号为CN201910707149.6)涉及一种汽车配件需求动态预测方法，解决了现有技术中存在的零备件预测不准确的问题，包括以下步骤：获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率，建立基于机动车行驶已行驶里程数的目标零件故障率的威布尔分布；基于威布尔分布确定随机一辆机动车对目标零件的需求的期望值；基于机动车保有量的泊松分布和期望值确定单位时间内目标区域内目标零件的需求量。本发明的有益效果为：解决了由于配件故障率在使用周期内不同导致配件需求量的拟合不准确，可动态的根据零件使用情况对需求量进行预测，使零件需求量的预测更加准确。
现有技术只考虑销量和月均销量，没考虑订货系数因素。没有考虑突发事件或节假日的影响因素。没有考虑可用库存和安全库存影响因素。以往公式只考虑销量，不能考虑其它在途、满意度等因素、没有充分考虑突发急等情况的异常订单、没有考虑配套件对采购数量影响、以往算法不能考虑ABC分类及满意度所造成的偏差，对新产品不能进行及时的预测，没有将所有仓库资源统一考虑并预测。
发明内容
本发明的目的解决备件预测的精准度，解决参考月权重、满意度系数、异常订单、季度影响、事件影响、新产品上市等不同因素对预测准确度的影响，从而让预测更加准确。主要达到节约人力资源，降低劳动成本，节约计算时间，提主工作效率，提供基于自动预测的库存管理方法。
本发明的目的是通过以下技术方案来实现的：
基于自动预测的库存管理方法，包括以下具体步骤：
步骤一：参考汽车备件历史销量数据，提取出备件预测要素；
步骤二：基于备件预测因素，构建备件预测模型，并将备件实际的需求信息、库存信息、季节影响因素、事件影响因素和备件的历史销量数据代入模型进行备件预测；
步骤三：根据备件预测结果制定采购计划和移库计划。
进一步的，所述步骤一中的备件预测要素包括当前库存情况、可用库存情况、安全库存情况、在途情况、异常订单情况、积压件情况、当月需求未满足情况、事件影响因素和季节影响因素。
进一步的，所述步骤二具体包括以下子步骤：
S201，基于备件预测因素设定维护计算模型要素代码，并设置备件预测分类计算模型；
S202，将备件实际的需求信息、库存信息和备件的历史销量数据代入备件预测分类计算模型，计算出备件月均销量和备件ABC分类；
S203，根据预先设置的维护安全库存满意度系数、维护安全库存合理波动范围和维护安全库存波动范围，结合计算出中心库安全库存量；
S204，设置订货系数，并依据季节影响因素、事件影响因素进行总库备件预测，获得总库备件采购预测数量。
进一步的，所述子步骤S202具体包括：
S2021，根据预先设定的维护参考月权数和维护策略，对备件的历史销量数据进行加权平均计算，获得备件的月均销量；
S2022，根据预先设定的维护参考月权数和维护计算模型要素代码，将备件的历史销量数据代入备件预测分类计算模型，按照备件的出库金额排序后，计算每个备件出库金额的累计比与ABC分类值区间进行比对，把备件归到对应的X轴区域；采用同样的方法计算出库量，把备件归到对应的Y轴区域，最终得出每个备件的预测分类。
进一步的，所述子步骤S203具体包括：根据预先设置维护安全库存满意度系数、维护安全库存合理波动范围和维护安全库存波动范围，结合备件实际的库存信息，先计算出安全变化库存量，如下式所示：
Figure BDA0003859852610000021
其中，S为安全变化库存量；δ为安全系数；L为到货周期；σ为日均销售量标准差；
在安全变化库存量的基础上，结合备件实际的需求信息计算出备件的中心库安全库存量，如下式所示：预测要货数量＝预测需求数量-月末预计可用库存+安全变化库存量。
本发明的有益效果：
本发明的目的解决备件预测的精准度，解决参考月权重、满意度系数、异常订单、季度影响、事件影响、新产品上市等不同因素对预测准确度的影响，从而让预测更加准确。主要达到节约人力资源，降低劳动成本。节约计算时间，提主工作效率。考虑影响因素更全成，计算结果更精准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明的备件预测流程图；
图2是本发明的备件预测的总体说明图；
图3是本发明的备件预测的计算公式示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当人认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明建立科学的备件预测方法，目标提升一次供货率，提高客户满意度；建立合理备件储备，提升库存周转率,减少库存资金占用。建立科学的备件采购预测计划体系。(1)搭建相关管理基础，如备件预测分类、库存安全储备定额等。(2)依据新产品和一般产品的不同特性，构建合理备件预测模型(3)实现下月备件中心要货和总库备件采购的合理预测(4)合理运用预测结果，实现移库计划、采购订单的合理化(5)提供总库对备品中心的移库计划(6)提供公司向供应商的采购计划及采购订单。参考历史6个月备件月均销量，提取当前库存情况、可用库存情况、安全库存情况、在途情况、异常订单情况、积压件情况、并考虑当月需求未满足情况以及事件、季节对备件销量的影响等因素，根据以上关键因素建立一套科学的计算模型而预测未来一个月的备件销售、库存、采购需求情况。
表1各程序节点计算关系说明
Figure BDA0003859852610000041
如表1、图1和图2所示，基于自动预测的库存管理方法，包括以下具体步骤：
步骤一：参考汽车备件历史销量数据，提取出备件预测要素；
步骤二：基于备件预测因素，构建备件预测模型，并将备件实际的需求信息、库存信息、季节影响因素、事件影响因素和备件的历史销量数据代入模型进行备件预测；
步骤三：根据备件预测结果制定采购计划和移库计划。
进一步的，所述步骤一中的备件预测要素包括当前库存情况、可用库存情况、安全库存情况、在途情况、异常订单情况、积压件情况、当月需求未满足情况、事件影响因素和季节影响因素。
进一步的，所述步骤二具体包括以下子步骤：
S201，基于备件预测因素设定维护计算模型要素代码，并设置备件预测分类计算模型；
S202，将备件实际的需求信息、库存信息和备件的历史销量数据代入备件预测分类计算模型，计算出备件月均销量和备件ABC分类；
S203，根据预先设置的维护安全库存满意度系数、维护安全库存合理波动范围和维护安全库存波动范围，结合计算出中心库安全库存量；
S204，设置订货系数，并依据季节影响因素、事件影响因素进行总库备件预测，获得总库备件采购预测数量。
进一步的，所述子步骤S202具体包括：
S2021，根据预先设定的维护参考月权数和维护策略，对备件的历史销量数据进行加权平均计算，获得备件的月均销量；
S2022，根据预先设定的维护参考月权数和维护计算模型要素代码，将备件的历史销量数据代入备件预测分类计算模型，按照备件的出库金额排序后，计算每个备件出库金额的累计比与ABC分类值区间进行比对，把备件归到对应的X轴区域；采用同样的方法计算出库量，把备件归到对应的Y轴区域，最终得出每个备件的预测分类。
进一步的，所述子步骤S203具体包括：根据预先设置维护安全库存满意度系数、维护安全库存合理波动范围和维护安全库存波动范围，结合备件实际的库存信息，先计算出安全变化库存量，如下式所示：
Figure BDA0003859852610000051
其中，S为安全变化库存量；δ为安全系数；L为到货周期；σ为日均销售量标准差；
在安全变化库存量的基础上，结合备件实际的需求信息计算出备件的中心库安全库存量，如下式所示：预测要货数量＝预测需求数量-月末预计可用库存+安全变化库存量。
如图3所示，备件预测的计算公式具体如下：
安全库存：
最小安全库存：到货周期内需要的库存量；
最小安全库存量＝每天的销售量X到货周期
安全库存量：到货周期内需要的库存量再加上一定的安全变化库存量之和；
安全库存量＝日均销售量X到货周期+安全变化库存量(S)
安全变化库存量：
标准差公式：
Figure BDA0003859852610000052
其中：x表示日销量，
Figure BDA0003859852610000053
日均销量，n表示天数。
安全变化库存量公式：
Figure BDA0003859852610000061
其中：S表示安全变化库存量，δ表示安全系数(客户满意度系数)，L表示到货周期，σ表示日均销售量标准差。
安全系数与客户满意度关系：
δ 2.33 2.05 1.65 1.29 0.84
满足率 0.99 0.98 0.95 0.9 0.8
安全库存变化量(S)＝客户满意度系数(δ)*到货周期(L)开方*日均销售量标准差(σ)；
安全系数-客户满意度系数(δ)＝经验值，
需要业务人员根据经验设置；客户满意度系数越高，则系统计算出的安全库存越大，最终预测结果也就越大。
到货周期(L)＝【维护策略组】程序中所设置的到货周期；
到货周期越长，则系统计算出的安全库存越大，最终预测结果也就越大
日均销售量标准差(σ)＝∑(日销量-日均销量)平方/天数开方，日销量根据前台选择的日起段进行获取数据；日均销量越均衡，则日均销量标准差越小，则系统计算出的安全库存越小，最终预测结果也就越小；反之同理。
日销量(X)＝TDS系统中的实际日销量；
Figure BDA0003859852610000062
天数(N)＝所参考期间的天数；
中心库备件预测：
预测要货数量＝预测需求数量－月末预计可用库存+安全库存；
预测需求数量＝出库需求*订货系数+出库需求*(事务因素1+事务因素2+季节因素…)；
出库需求＝N月出库数量加权平均值；
月末预计可用库存＝当前可用库存+移库在途库存+(销售订单数量－已执行数量)；总库备件预测：
总库备件采购预测数量＝∑中心库预测要货数量+总库销售预测要货。
实施例1，本发明方法具体操作如下：
基础设置：
维护备件主文件季节分类：
预测标识：定义备件是否属于备件预测范围，勾选后表示参与预测；
季节分类：用来建立备件与季节关系，从【维护季节分类】程序里预先设置好的分类中进行选择，例如：保险杠对应冬季，空调滤清器对应夏季等。
维护计算模型要素代码：
维护备件预测分类的X、Y轴的要素代码，例如：X轴可以为出库量、需求频次、需求波动；Y轴可以为出库金额、需求量、平均需求；
通过【分类区间】来设置ABC分类的取值区间。
设置预测分类计算模型：
对【维护计算模型要素代码】程序中预先定义好的模型要素进行搭配设置，有“平均需求-波动率、需求量-需求频次、出库金额-出库量”三种模型，这三种模型中的要素对应关系是固定的，不能随意组合；
通过【设置订货系统】来维护备件预测分类的订货系数，订货系统数越大，最终计算出的预测结果越大。例如：AA区间为出库量大且出库金额大，其系数可以设为1.5，CC区间为出库量小且出库金额小，其系数可以设为0.8、0.6等。
应用范围：计算备件预测分类；计算预计需求。
维护季节分类：维护季节特性分类：雨季，冬季等；维护季节分类所影响的月份以及影响的程度；维护季节分类对不同月份的预计需求影响程度。
操作说明：分类代码：手工录入，只能输入数字和字母；分类名称：手工录入，一般为汉字描述；月份影响程序：分别填入此季节分类对1-12月的影响系数，如雨季对7月份的影响系数设为150％，则系统计算预计需求时，会将原预测结果*1.5倍。
应用范围：计算预计需求。
维护事件分类：定义各种特殊事件：如促销、大范围召回等；定义各类事件所影响的策略组、影响的月份以及影响需求的程度。
操作说明：分类代码：手工录入，只能输入数字和字母；分类名称：手工录入，一般为汉字描述；影响方向：下拉框选择，有三种方式(按备品件分类、按订货备件代码分类、按全部备品)，可根据实际情况自行选择。如针对油品的促销，则可以选择“按备件分类”的方式，这样系统预测时，将会把油品类备件的订货系数提高，而其他类别的备件不受影响；默认系数：设置此事件对预测结果的影响程度，如填写150％，则表示计算预计需求时，会将原预测结果*1.5倍；
状态：0-录入(最初维护的状态)、1-生效(点击“确认”按钮后，此事件开始生效)、2-作废(当此事件的影响结束后，点击“中止”按钮后，此事件作废)；
影响策略组：通过此按钮选择受此事件影响的策略组，如只影响本部策略，但是不影响中转库策略；
影响年月：通过此按钮选择受此事件影响的年月；
影响备件明细：通过此按钮选择受此事件影响的备件分类或订货备件代码。
应用范围：计算预计需求。
维护安全库存合理波动范围：设置预测备件分类(如AA\AB\CC等)对应的“库存变化量”的合理波动范围；通过【对应策略组】功能维护波动范围影响的策略组；程序根据设置计算出安全库存的合理波动范围＝(库存变化量*最小值，库存变化量*最大值)；即最终系统计算出的安全库存<(库存变化量*最小值)，则安全库存＝(库存变化量*最小值)；同理，如果系统计算出的安全库存>(库存变化量*最大值)，则安全库存＝(库存变化量*最大值)。
应用范围：计算安全库存。
维护安全库存满意度系数：
功能描述：根据备件预测分类设置安全库存中的满意度系数，满意度系统数越高，则系统计算出的安全库存越大，从而最终的预测结果越大；通过【对应策略组】功能来设置受影响的策略组。
应用范围：计算安全库存。
维护参考月份权数：
维护计算月均销量时所参考的月数(一般设置为参考三个月或者六个月)；维护所参考的各月份对计算月均销量时的权重系数(各权重系数之和必须等于1)。
应用范围：计算备件预测分类；计算月均销量；计算安全库存。
勾选异常提单：
根据一定条件，对一些提货单进行【异常确认】确认处理，处理后系统在计算月均销量时，则不再采用这些数据。
操作说明：可根据出库日期、单位代码、提货仓库等条件查询出一定范围内的所有提单，然后根据需要选择提单，并点击【异常确认】按钮，则系统将这些提单做为异常提单处理，即在计算月均销量时，不再采用这些数据。对于已经被【异常确认】为异常提单的单据，也可以通过【取消确认】按钮来使其恢复为正常提单。
应用范围：计算月均销量。
维护策略组：
维护策略组代码和名称；维护各策略组与策略代码的关系，对于勾选了总部标识的策略组，用来计算最终预测结果的移库应用，即从总部仓库向各备品中心移库时按照此关系处理。对于未勾选总部标识的策略组，不需设置此项；维护各策略组与仓库代码的关系，用于系统计算各仓库的预测结果；维护各策略组的到货周期，用于系统计算各仓库的最小安全库存；维护各策略组的月发运次数、发运日及每次发运的比例，对于勾选了总部标识的策略组，用来计算最终预测结果的采购应用，即向供应商提报采购订单时按照这些设置来处理；而对于未勾选总部标识的策略组，用来计算最终预测结果的移库应用，即从总部仓库向各备品中心移库时按照这些设置来处理；维护各策略组的体积限制、重量限制、金额限制：对于未勾选总部标识的策略组，用来计算最终预测结果的移库应用，即从总部仓库向各备品中心移库时按照这些设置来处理(预留功能，暂时还没有实际应用)。
应用范围：计算备件预测分类；计算月均销量；计算安全库存。
计算过程
计算备件预测分类：基于用户定义的备件分类标准以及计算备件分类模型进行计算；计算参考的数据根据策略组的销售相关数据；把计算后的分类记录在中心库的备件代码上；按照出库金额排序后计算每个备件出库金额的累计比与ABC分类值区间进行比对，把件归到对应的X轴区域；同时通过类似方法计算出库量，把件归到对应的Y轴区域，最终得出每个备件的预测分类，如(AB\BC\CA)等。
应用范围：计算最终预测结果。
计算中心库安全库存量：安全库存＝最小安全库存+安全库存变化量；其中，最小安全库存＝日均销量()*到货周期(L)；所以，安全库存＝日均销量()*到货周期(L)+安全库存变化量(S)；安全库存变化量(S)的计算公式：
其中：
安全库存变化量(S)＝客户满意度系数(δ)*到货周期(L)开方*日均销售量标准差(σ)；
安全系数-客户满意度系数(δ)＝经验值，需要业务人员根据经验设置；客户满意度系数越高，则系统计算出的安全库存越大，最终预测结果也就越大；
到货周期(L)＝【维护策略组】程序中所设置的到货周期；到货周期越长，则系统计算出的安全库存越大，最终预测结果也就越大；
日均销售量标准差(σ)＝∑(日销量-日均销量)平方/天数开方，日销量根据前台选择的日起段进行获取数据；日均销量越均衡，则日均销量标准差越小，则系统计算出的安全库存越小，最终预测结果也就越小；反之同理；
日销量(X)＝TDS系统中的实际日销量；
日均销量()＝维护安全库存量计算参考月份内的日均销售数量；
天数(N)＝所参考期间的天数；
应用范围：计算最终预测结果。
备件预测结果的计算及其应用：根据上述所有基础设置及系统预定的算法计算出最终的预测结果；【备件预测】点击此按钮来计算预测结果；【设置计算公式】用来设置备件预测算法公式，系统已设置好，非特殊情况下，不需要改动；【保存】可将手工调整的预测结果进行保存；【移库应用】根据一定的规则，将备件预测结果生成总部向各备品中心的移库计划单；【采购应用】根据一定的规则，将备件预测结果生成公司向供应商提报的采购订单；【基础数据】点击此按钮可用来调取上文所述的基础数据设置程序，方便用户操作；【基础数据(新品)】点击此按钮可用来调取上文所述的新品预测的基础数据设置程序，方便用户操作。
应用范围：计算最终预测结果。
维护新品期段：
定义新品期段，例如:当前月表示为N，定义新品阶段可以定义为N-1月、N月、N+1月；【添加当前月】即添加N月；【向后添加】即在当前最大月的基础上再向后添加一个月；【向前添加】即在当前最小月的基础上再向前添加一个月。
应用范围：计算预计需求。
维护新品件投放标准：
维护产品与备件在新品期段的投放比例关系(可以根据装配定额来投放)；维护产品投放年月；【EXCEL导入】可通过EXCEL模板来批量导入数据；【删除选中记录】用来删除某一条记录；【删除选中产品】用来删除和选中产品相同的所有记录。
应用范围：计算预计需求。
维护新品件投放：
根据通过EXCEL导入产品与备件以及比例的对应关系；维护产品投放年月；维护产品投放的区域，即对应策略组
应用范围：计算预计需求。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (5)

1.基于自动预测的库存管理方法，其特征在于，包括以下具体步骤：
步骤一：参考汽车备件历史销量数据，提取出备件预测要素；
步骤二：基于备件预测因素，构建备件预测模型，并将备件实际的需求信息、库存信息、季节影响因素、事件影响因素和备件的历史销量数据代入模型进行备件预测；
步骤三：根据备件预测结果制定采购计划和移库计划。
2.根据权利要求1所述的基于自动预测的库存管理方法，其特征在于，所述步骤一中的备件预测要素包括当前库存情况、可用库存情况、安全库存情况、在途情况、异常订单情况、积压件情况、当月需求未满足情况、事件影响因素和季节影响因素。
3.根据权利要求1所述的基于自动预测的库存管理方法，其特征在于，所述步骤二具体包括以下子步骤：
S201，基于备件预测因素设定维护计算模型要素代码，并设置备件预测分类计算模型；
S202，将备件实际的需求信息、库存信息和备件的历史销量数据代入备件预测分类计算模型，计算出备件月均销量和备件ABC分类；
S203，根据预先设置的维护安全库存满意度系数、维护安全库存合理波动范围和维护安全库存波动范围，结合计算出中心库安全库存量；
S204，设置订货系数，并依据季节影响因素、事件影响因素进行总库备件预测，获得总库备件采购预测数量。
4.根据权利要求3所述的基于自动预测的库存管理方法，其特征在于，所述子步骤S202具体包括：
S2021，根据预先设定的维护参考月权数和维护策略，对备件的历史销量数据进行加权平均计算，获得备件的月均销量；
S2022，根据预先设定的维护参考月权数和维护计算模型要素代码，将备件的历史销量数据代入备件预测分类计算模型，按照备件的出库金额排序后，计算每个备件出库金额的累计比与ABC分类值区间进行比对，把备件归到对应的X轴区域；采用同样的方法计算出库量，把备件归到对应的Y轴区域，最终得出每个备件的预测分类。
5.根据权利要求3所述的基于自动预测的库存管理方法，其特征在于，所述子步骤S203具体包括：根据预先设置维护安全库存满意度系数、维护安全库存合理波动范围和维护安全库存波动范围，结合备件实际的库存信息，先计算出安全变化库存量，如下式所示：
Figure 1
其中，S为安全变化库存量；δ为安全系数；L为到货周期；σ为日均销售量标准差；在安全变化库存量的基础上，结合备件实际的需求信息计算出备件的中心库安全库存量，如下式所示：预测要货数量＝预测需求数量-月末预计可用库存+安全变化库存量。
CN202211160836.9A 2022-09-22 2022-09-22 基于自动预测的库存管理方法 Pending CN115345564A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211160836.9A CN115345564A (zh) 2022-09-22 2022-09-22 基于自动预测的库存管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211160836.9A CN115345564A (zh) 2022-09-22 2022-09-22 基于自动预测的库存管理方法

Publications (1)

Publication Number Publication Date
CN115345564A true CN115345564A (zh) 2022-11-15

Family

ID=83955853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211160836.9A Pending CN115345564A (zh) 2022-09-22 2022-09-22 基于自动预测的库存管理方法

Country Status (1)

Country Link
CN (1) CN115345564A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564359A (zh) * 2022-11-23 2023-01-03 中汽数据(天津)有限公司 汽车售后备件的库存预测方法、设备和存储介质
CN116579724A (zh) * 2023-04-17 2023-08-11 青岛诚广丰自动化工程有限公司 一种车间备件库的安全库存自动管理方法和装置
CN117057704A (zh) * 2023-06-30 2023-11-14 东风设备制造有限公司 一种复杂工况下多品类备件快速调度的方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564359A (zh) * 2022-11-23 2023-01-03 中汽数据(天津)有限公司 汽车售后备件的库存预测方法、设备和存储介质
CN115564359B (zh) * 2022-11-23 2023-04-07 中汽数据(天津)有限公司 汽车售后备件的库存预测方法、设备和存储介质
CN116579724A (zh) * 2023-04-17 2023-08-11 青岛诚广丰自动化工程有限公司 一种车间备件库的安全库存自动管理方法和装置
CN117057704A (zh) * 2023-06-30 2023-11-14 东风设备制造有限公司 一种复杂工况下多品类备件快速调度的方法及系统

Similar Documents

Publication Publication Date Title
CN115345564A (zh) 基于自动预测的库存管理方法
US20200005392A1 (en) Generating customer-specific vehicle proposals for potential vehicle customers
US11836806B2 (en) Insurance claim capitation and predictive payment modeling
US7974851B2 (en) Method and system for price planning
KR102393386B1 (ko) 차량 정비 서비스 제공 방법 및 이를 구현하는 어플리케이션 및 서버
US20120179476A1 (en) Method and system of remuneration for providing successful sales leads
US20130006801A1 (en) Systems and methods allocating items among auction sites to maximize profit
CN112465327A (zh) 一种关于汽车经销企业运营管理的数字化集成清单系统
US11887138B2 (en) System and method for retail price optimization
WO2005119548A2 (en) Systems and methods of managing price modeling data through closed-loop analytics
CN111274531A (zh) 商品销售额预测方法、装置、计算机设备和存储介质
US20140129269A1 (en) Forecasting Business Entity Characteristics Based on Planning Infrastructure
CN112184340A (zh) 一种快消品自动补货系统及其工作方法
CN111241162A (zh) 高速铁路成网条件下旅客出行行为分析方法及存储介质
CN115564359A (zh) 汽车售后备件的库存预测方法、设备和存储介质
WO2022220917A1 (en) Inventory allocation and pricing optimization system
CN112990948A (zh) 服务评估方法、装置、设备、存储介质及计算机程序产品
US11227237B2 (en) Exchanges with automatic consideration of factors associated with the exchanges
CN111882229A (zh) 一种车辆零部件库存风险预测方法、装置及设备
Oeser Methods of risk pooling in business logistics and their application
JP7121362B2 (ja) 経営管理支援システム、経営管理支援方法、及び、経営管理支援プログラム
JP2023172157A (ja) 自動販売機システム
CN117371915A (zh) 采购费用结算管理系统及方法
CN111340373A (zh) 产品配送方法、装置、电子设备及存储介质
CN111881184A (zh) 数据分析方法、装置、计算机设备及存储介质

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