CN115409441A - 库存补货推荐方法、装置以及电子设备 - Google Patents
库存补货推荐方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN115409441A CN115409441A CN202210943392.XA CN202210943392A CN115409441A CN 115409441 A CN115409441 A CN 115409441A CN 202210943392 A CN202210943392 A CN 202210943392A CN 115409441 A CN115409441 A CN 115409441A
- Authority
- CN
- China
- Prior art keywords
- replenishment
- model
- list
- sku
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008901 benefit Effects 0.000 claims abstract description 39
- 230000009471 action Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000002360 explosive Substances 0.000 claims description 5
- 208000034423 Delivery Diseases 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002453 shampoo Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
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
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及库存管理系统领域,公开了一种库存补货推荐方法、装置以及电子设备。该方法通过确定业务对应的至少一个补货模型;根据该补货模型生成至少一个补货模型对应的补货清单;根据该补货清单预测该补货清单对应的补货收益;根据该补货收益从该补货清单中确定目标补货清单,该目标补货清单用于指导用户执行对业务的补货动作。本发明提供的库存补货推荐方法、装置及电子设备只需调用预设的补货模型就能得到补货清单,降低了业务人员对专业补货知识的门槛,并且还对补货清单的补货收益进行预测,通过预测及预测结果的可视化数据分析,可直观预见补货后未来的走向趋势,从而提高决策者的信息支持度,帮助用户确定合适的补货清单。
Description
技术领域
本发明涉及库存管理系统领域,特别涉及一种库存补货推荐方法、装置以及电子设备。
背景技术
库存在出库售卖之前是一种成本,除了本身占用物理空间之外,滞销品也会占据畅销品的存储空间。库存管理的最大目标是最大限度的减少库存量且保证销售的安全库存量。
目前,通常是基于补货人员的经验值判断如何补货,而补货之后的仓库收益指标、消耗速度等都不能很好的预测,从而无法给客户提供补货后的指导。因此,提供一个完整的、高集成度、高自动化补货推荐方案对于库存管理具有重大意义。
发明内容
本发明实施方式提供的库存补货推荐方法、装置以及电子设备,能够为仓储库存管理提供指导,从而解决现有物联网贸易公司在仓储和实际销量存在差异时所造成的库存不足、仓储过多、爆仓等技术问题。
为解决上述技术问题,本发明实施方式采用的一个技术方案是:提供一种库存补货推荐方法,包括:确定业务对应的至少一个补货模型;根据所述补货模型生成所述至少一个补货模型对应的补货清单;根据所述补货清单预测所述补货清单对应的补货收益;根据所述补货收益从所述补货清单中确定目标补货清单,所述目标补货清单用于指导用户执行对所述业务的补货动作。
可选地,所述确定业务对应的至少一个补货模型包括:从所述模型库中推荐所述业务对应的至少一个补货模型;或者,根据所述业务对应的用户数据从所述模型库中选择预设排名的补货模型并提供给用户,以使用户从所述预设排名的补货模型中确定所述业务对应的至少一个补货模型。
可选地,所述根据所述补货模型生成所述至少一个补货模型对应的补货清单包括:获取所述补货模型关联的参数信息,并控制所述参数信息为可编辑状态,所述可编辑状态的参数信息用于使用户修改所述参数信息;在接收到用户对所述补货模型和所述参数信息的确定指令时,基于所述参数信息,运行所述补货模型的函数代码块,以生成所述补货模型对应的补货清单。
可选地,所述确定业务对应的至少一个补货模型包括:获取所述业务对应的SKU品种;获取所述SKU品种对应的历史出库订单数据和历史仓储库存数据;根据所述历史出库订单数据和所述历史仓储库存数据获取所述SKU品种的历史消耗速度曲线;确定所述SKU品种对应的预测算法;基于所述历史消耗速度曲线和所述预测算法训练获得所述补货模型。
可选地,所述根据所述补货模型生成所述至少一个补货模型对应的补货清单包括:输入参数N至所述补货模型,以获得所述N对应的消耗速度曲线,所述N为当前补货最少能够支撑正常出库作业的天数;根据所述N对应的所述消耗速度曲线和所述补货模型预测获得所述N对应的补货清单。
可选地,所述根据所述补货清单预测所述补货清单对应的补货收益包括:根据消耗速度曲线和所述补货清单获得所述补货清单对应的补货收益。
可选地,所述确定所述SKU品种对应的预测算法具体包括:获取SKU品种,所述SKU品种包括长尾产品、常规产品、新品和爆品中的至少一种,并选择所述获取的SKU品种对应的预测算法。
可选地,所述根据消耗速度曲线和所述补货清单获得所述补货清单对应的补货收益包括:根据所述补货清单获取所述SKU品种的补货日期、补货数量;根据消耗速度曲线获取预设时间段内消耗的SKU品种以及所述SKU品种对应的消耗数量;根据所述SKU品种对应的消耗数量和所述补货日期、所述补货数量计算所述补货清单中所述SKU品种的命中率。
为解决上述技术问题,本发明实施方式采用的另一个技术方案是:提供一种库存补货推荐装置,包括:补货模型确定模块,用于确定业务对应的至少一个补货模型;补货清单获取模块,用于根据所述补货模型生成所述至少一个补货模型对应的补货清单;预测分析模块,用于根据所述补货清单预测所述补货清单对应的补货收益;补货清单推荐模块,用于根据所述补货收益从所述补货清单中确定目标补货清单,所述目标补货清单用于指导用户执行对所述业务的补货动作。
为解决上述技术问题,本发明实施方式采用的又一个技术方案是: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连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的库存补货推荐方法。
区别于相关技术的情况,本发明实施例提供的补货推荐方法、装置以及电子设备,通过确定业务对应的至少一个补货模型;根据该补货模型生成至少一个补货模型对应的补货清单;根据该补货清单预测该补货清单对应的补货收益;根据该补货收益从该补货清单中确定目标补货清单,该目标补货清单用于指导用户执行对业务的补货动作。一方面,只需调用预设的补货模型就能得到补货清单,降低了业务人员对专业补货知识的门槛;另一方面,还对补货清单的补货收益进行预测,通过预测及预测结果的可视化数据分析,可直观预见补货后未来的走向趋势,从而提高了决策者的信息支持度,帮助用户确定合适的补货清单,有效地降低了库存不足、仓储过多、爆仓等问题的发生概率。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明实施例提供的一种库存补货推荐方法的流程图;
图2是本发明一实施例提供的获取所述补货清单的方法的流程图;
图3是本发明一实施例提供的获取所述补货模型的方法的流程图;
图4是本发明另一实施例提供的获取所述补货清单的方法的流程图;
图5是本发明实施例提供的获取所述补货收益的方法的流程图;
图6是本发明实施例提供的一种库存补货推荐装置的结构示意图;
图7是本发明实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互组合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块的划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置示意图中的模块划分,或流程图中的顺序执行所示出或描述的步骤。除非另有定义,本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是用于限制本发明。
请参阅图1,图1是本发明实施例提供的一种库存补货推荐方法的流程图。该方法可以包括以下步骤:
S11、确定业务对应的至少一个补货模型。
本发明实施例提供的库存补货推荐方法,针对不同的业务提供库存管理指导,该业务包括各行业关联的库存事物,比如服装行业库存管理、汽车零部件库存管理等。可以知道的,库存补货是指根据目前需求和预计销售额,在正确的时间以正确的数量补充产品的过程。通常我们会根据补货模型指导库存补货,在库存补货时,通过补货模型可以使订货成本与库存成本之间平衡,使得订货能够满足市场预估需求而且成本最小化。所述补货模型包括传统的补货模型,比如EOQ(Economic Order Quantity)模型、报童模型、周期性盘点模型、需求驱动补货模型等。所述补货模型还包括将历史数据和统计建模、数据挖掘技术以及机器学习结合使用来获得的模型,比如结合历史数据,使用遗传算法计算获得最优安全库存补货模型,根据该补货模型能够得到当前的最优安全库存天数,推导出适合当前状况的最优补货方案。
在本发明实施例中,可以根据传统的补货模型确定所述业务对应的补货模型,也可以基于所述业务对应的历史数据,使用数据挖掘技术以及机器学习来获得所述业务的补货模型。可以确定所述业务对应的一个或多个补货模型。在确定所述补货模型时,可以是系统提供模型展示界面,用户根据界面展示的模型选择一个或多个匹配当前业务的补货模型,还可以是系统主动向用户推荐一个或多个补货模型。
S12、根据所述补货模型生成所述至少一个补货模型对应的补货清单。
所述补货清单指的是包括补货日期、补货产品名称、补货产品类别、补货产品数量、补货周期天数等信息的数据单。当所述补货模型为多个时,分别根据每一补货模型获得其对应的补货清单。
由于补货模型是不同的参数经过公式组合而来,一个补货模型可以对应多个参数,参数类型可以固定,但参数的值可以不同,从而导致经过公式建模的补货模型结果不同。当所述补货模型是传统的业务补货模型时,根据该补货模型生成补货清单可以包括获取补货模型对应的参数,并且确定所述参数,再调用该补货模型对应的函数代码块,运行包含所述参数的函数代码块,从而生成所述补货清单。当所述补货模型是根据业务对应的历史数据并结合机器学习算法确定时,根据该补货模型生成补货清单可以包括根据补货模型的参数确定业务对应的具体参数值,将该具体参数值输入所述补货模型,从而输出补货清单。比如,影响补货产品数量的因素包括补货周期天数、送货周期天数、日均销量、库存数等,这些影响因素可以作为补货模型的参数,根据该参数对应的历史数据并使用机器学习算法训练获得补货模型,当需要获取补货清单时,获取上述参数对应的具体参数值并输入训练好的补货模型,从而获得补货产品数量,再将该补货产品数量结合补货日期、补货产品名称等组成所述补货清单。
S13、根据所述补货清单预测所述补货清单对应的补货收益。
在本发明实施例中,所述补货收益指的是根据补货清单补了货物后,能够覆盖仓库多少天的出库量,以及每天的消耗趋势如何。通过所述补货收益能够评价所述补货清单对应的补货方案是否优秀,是否满足用户的需求。
SKU(Stock Keeping Unit,库存量单位)是保存库存控制的最小可用单位,比如纺织品中一个SKU通常表示规格、颜色、款式。SKU可以是商品在仓库中保管时对应的编号,通过SKU可以区分不同商品的不同属性,从而为商品采购、销售、物流管理、仓储管理等提供了便利。
其中,与所述补货收益相关的因素包括:单个SKU消耗速度、SKU存储件数、SKU存储分布、业务订单结构变化趋势、业务订单SKU分布变化趋势、业务订单SKU消耗量变化趋势、补货SKU件数、补货SKU分布、补货SKU混箱程度分布等。因此,可以根据补货清单预测库存消耗速度,再根据预测的库存消耗速度和所述补货清单预测所述补货收益,预测补货收益具体是预测库存还能覆盖多少天的消耗,或者预测平均出库效率变化趋势。其中,可以根据SKU存储件数和SKU存储分布,以及业务订单SKU分布变化趋势、业务订单SKU消耗量变化趋势来获得所述库存消耗速度的趋势信息。
上述主要是通过预测库存消耗速度和所述补货清单来确定补货收益,需要说明的是,还可以通过其他方法确定所述补货收益,比如根据历史补货清单和所述历史补货清单对应的库存消耗数据,再结合机器学习算法,训练出补货收益预测模型,将当前的补货清单的相关参数输入所述补货收益预测模型,从而得到当前的补货清单对应的补货收益。
S14、根据所述补货收益从所述补货清单中确定目标补货清单,所述目标补货清单用于指导用户执行对所述业务的补货动作。
通过上述步骤S11至步骤S13可以获得至少一个补货清单以及该补货清单对应的补货收益,所述补货清单和所述补货收益可以可视化的呈现给用户,比如可以以预测分析报告的方式提供给用户,使用户能够看到使用该补货清单后的收益和预测结果等,从而确定所述补货清单是否是目标补货清单,所述目标补货清单是最终提供给用户进行业务补货的数据清单。所述补货清单还可以上传至云服务器,以存储于服务器的数据库中,存储的补货清单可以作为后续过程中相同或相似业务的补货清单的参考数据或历史数据。当所述补货清单包括多个时,可以预测每一补货清单对应的补货收益,根据所述补货收益从多个补货清单中确定一个或几个目标补货清单给用户。
本发明实施例提供的库存补货推荐方法,能够根据业务确定至少一个补货模型,并且生成补货模型对应的补货清单,从而降低了业务人员对专业补货知识的门槛;还能够根据补货收益评价所述补货清单,提供补货后的数据分析,从而提高了决策者的信息支持度,帮助决策者确定出最合适的补货清单,具有较好的指导意义。总体来说,通过本发明实施例提供的库存补货推荐方法能够有效地降低库存不足、仓储过多、爆仓等问题的发生概率,提高了用户使用体验。
下面结合具体的应用场景说明本发明实施例提供的库存补货推荐方法。例如在电商系统仓储管理中,当需要库存补货时,可以根据行业的通用模型确定所述补货模型,再基于该确定的补货模型,结合用户自身业务经验对补货模型的参数进行调整或不调整,从而得到所述补货清单。具体的,所述确定业务对应的至少一个补货模型包括:从所述模型库中推荐所述业务对应的至少一个补货模型;或者,根据所述业务对应的用户数据从所述模型库中选择预设排名的补货模型并提供给用户,以使用户从所述预设排名的补货模型中确定所述业务对应的至少一个补货模型。所述模型库包括行业内的传统模型,比如EOQ模型、报童模型、周期性盘点模型等。可以根据所述业务选择该类业务历史使用最多的传统模型,将该传统模型推荐给用户,也可以选择行业内当前热门的传统模型,比如使用次数多,讨论热度高等对应的模型。
其中,如图2所示,S12、根据所述补货模型生成所述至少一个补货模型对应的补货清单,具体包括:
S121、获取所述补货模型关联的参数信息,并控制所述参数信息为可编辑状态,所述可编辑状态的参数信息用于使用户修改所述参数信息;
S123、在接收到用户对所述补货模型和所述参数信息的确定指令时,基于所述参数信息,运行所述补货模型的函数代码块,以生成所述补货模型对应的补货清单。
所述参数信息跟随着不同模型和策略而变化,例如业务选择周期性(s,S)模型,那么平台首先会在参数信息对应的参数值单元格,显示默认参数值。比如供应商提前期10天、盘点周期20天、安全库存10万、补货点8万等等,其中“10天”、“20天”、“10万”、“8万”等,都是参数信息。业务方可以接受该默认的参数信息,也可双击单元格直接修改参数信息,比如业务方双击单元格,修改盘点周期为60天。待业务方确认使用该模型,也确认所有参数信息后,平台启动内置周期性(s,S)模型的函数代码块进行运算,生成所述补货清单,所述补货清单包括应补货日期、应补货SKU名称、该SKU应补货件数等。
在一些实施例中,还可以根据历史数据,结合机器学习算法确定所述补货模型,再根据该确定的补货模型预测所述补货清单。具体的,如图3所示,S11、确定业务对应的至少一个补货模型,具体包括:
S111、获取所述业务对应的SKU品种;
S112、获取所述SKU品种对应的历史出库订单数据和历史仓储库存数据;
S113、根据所述历史出库订单数据和所述历史仓储库存数据获取所述SKU品种的历史消耗速度曲线;
S114、确定所述SKU品种对应的预测算法;
S115、基于所述历史消耗速度曲线和所述预测算法训练获得所述补货模型。
其中,所述SKU品种指的是品类下的产品组合细分,比如日用品是品类,其下面的SKU品种可以是洗发水、沐浴液等,再比如蔬菜是品类,其下面的SKU品种可以是黄瓜、白菜、辣椒等。所述历史出库订单数据包括SKU品种的出库时间、出库件数、SKU品种数、存储方式、使用料箱数等细节数据。所述历史仓储库存数据与所述历史出库订单数据对应,包括在库的SKU品种、在库件数、存储方式、料箱数等。根据所述历史出库订单数据和所述历史仓储库存数据可以计算出某SKU品种的历史消耗速度,所述历史消耗速度可以用所述SKU品种在单位时间内出库概率或者预设时间内的在库件数等来表示。出库概率越大,所述SKU品种的消耗速度越大,或者预设时间内的在库件数越来越少,所述SKU品种的消耗速度越大。可选地,通过数据统计的方式获得每天或每小时该SKU品种消耗的件数或者SKU品种数,从而确定该SKU品种的历史消耗速度。还可以统计每天或每小时每SKU消耗的件数,从而确定该SKU品种的历史消耗速度。其中,获得的历史消耗速度值与时间共同组成所述历史消耗速度曲线,即所述历史消耗速度曲线包括什么时间段消耗多少什么品种。所述SKU品种的历史消耗速度曲线可以作为预测分析报告的部分内容,以提供给决策者。
由于客户业务的复杂和多样性,单纯一种预测算法可能不能满足用户需求,因此,在本实施例中,可以根据用户确定的参数信息,启用不同的预测算法。其中,确定所述SKU品种对应的预测算法具体包括获取SKU品种,所述SKU品种包括长尾产品、常规产品、新品和爆品中的至少一种,并选择所述获取的SKU品种对应的预测算法。比如,长尾商品预测时可选择ARIMA模型(Autoregressive Integrated Moving Average model,预测对象随时间推移);常规产品预测时可选择LightGBM算法;新品预测时可以选择LightGBM算法或者LSTM(Long Short-Term Memory,长短期记忆网络)算法;爆品预测时可以选择Stacking算法或者Meta Learning(元学习)算法。
在确定所述预测算法后,需要获得预测算法中的参数,从而确定最终的补货模型。具体地,根据所述历史消耗速度曲线可以获得大量的历史消耗速度值以及该历史消耗速度值对应的时间,这些数据作为训练集和测试集,训练集用来进行训练,是产生所述预测算法的数据集,测试集用来进行测试已经学习好的模型或者算法的数据集,再结合设置的考虑因素或因素权重等从学习好的模型或者算法的数据集中确定最优的数据集,从而确定最终的模型,即所述补货模型。其中,还可以对训练集和测试集的数据进行数据预处理,并确定特征向量,可基于不同的算法进行训练和测试,算法不同考虑因素和因素权重等也不相同,具体的训练过程和测试过程在此不赘述。
根据上述步骤S111至步骤S115获得上述补货模型后,如图4所示,S12、根据所述补货模型生成所述至少一个补货模型对应的补货清单,具体包括:
S122、输入参数N至所述补货模型,以获得所述N对应的消耗速度曲线,所述N为当前补货最少能够支撑正常出库作业的天数;
S124、根据所述N对应的所述消耗速度曲线和所述补货模型预测获得所述N对应的补货清单。
所述N可以由决策方根据具体应用情况确定,也可以是系统自定义的。根据N天的消耗速度曲线和所述补货模型预测N天的补货需求曲线,该补货需求曲线包括预测补充的货物在未来预设时间内的消耗变化情况,补充的货物在大概多久会使用殆尽,以及预测补充的货物影响AVG订单出库效率曲线,这些曲线信息都可以呈现于所述预测分析报告中,所述预测分析报告提供给决策方。根据所述补货需求曲线生成所述补货清单,补货清单包括SKU品种、订单数、补货时间、补货周期、运输方式、运输周期等。
本发明实施例主要通过上述两种方式获得所述补货清单,即根据行业内的通用模型,并结合用户根据业务经验对模型的参数进行调整或者不调整,从而得到补货清单;还有是根据历史数据,得到消耗速度曲线,再通过机器学习模型或算法预测得到所述补货清单。需要说明的是,除了上述介绍的两种方式获得所述补货清单,还可以通过其他方式获得所述补货清单,比如,根据通用模型获得第一补货清单,根据历史数据和机器学习算法获得第二补货清单,再结合用户经验综合评估所述第一补货清单和所述第二补货清单,从而得到最终的补货清单。
在获得所述补货清单后,本发明实施例基于消耗速度预测所述补货清单对应的补货收益,具体的,根据消耗速度曲线和所述补货清单获得所述补货清单对应的补货收益。如图5所示,所述根据消耗速度曲线和所述补货清单获得所述补货清单对应的补货收益包括:
S131、根据所述补货清单获取所述SKU品种的补货日期、补货数量;
S132、根据消耗速度曲线获取预设时间段内消耗的SKU品种以及所述SKU品种对应的消耗数量;
S133、根据所述SKU品种对应的消耗数量和所述补货日期、所述补货数量计算所述补货清单中所述SKU品种的命中率。
其中,消耗的产品是库存的(即补货前就存在的)还是消耗的补货清单里的,通过确定消耗的产品属于补货清单中产品的命中率就可以得到所述补货收益,同时,仓库根据补货清单进行补货后,整个库存的结构也更容易提高命中率,即够使补充后的货物快速出库或者及时避免发不出货,这就是补货收益的意义所在。因此,本发明实施例通过补货收益的评估能够有效提升出库效率,提升库存管理效果。
请参阅图6,图6是本发明实施例提供的一种库存补货推荐装置的结构示意图,该库存补货推荐装置100包括:补货模型确定模块101、补货清单获取模块102、预测分析模块103和补货清单推荐模块104。
其中,所述补货模型确定模块101用于确定业务对应的至少一个补货模型;所述补货清单获取模块102用于根据所述补货模型生成所述至少一个补货模型对应的补货清单;所述预测分析模块103用于根据所述补货清单预测所述补货清单对应的补货收益;所述补货清单推荐模块104用于根据所述补货收益从所述补货清单中确定目标补货清单,所述目标补货清单用于指导用户执行对所述业务的补货动作。
其中,所述补货模型确定模块101具体用于从所述模型库中推荐所述业务对应的至少一个补货模型;或者,根据所述业务对应的用户数据从所述模型库中选择预设排名的补货模型并提供给用户,以使用户从所述预设排名的补货模型中确定所述业务对应的至少一个补货模型。所述补货清单获取模块102具体用于获取所述补货模型关联的参数信息,并控制所述参数信息为可编辑状态,所述可编辑状态的参数信息用于使用户修改所述参数信息;在接收到用户对所述补货模型和所述参数信息的确定指令时,基于所述参数信息,运行所述补货模型的函数代码块,以生成所述补货模型对应的补货清单。
在一些实施例中,所述补货模块确定模块101具体用于:获取所述业务对应的SKU品种;获取所述SKU品种对应的历史出库订单数据和历史仓储库存数据;根据所述历史出库订单数据和所述历史仓储库存数据获取所述SKU品种的历史消耗速度曲线;确定所述SKU品种对应的预测算法;基于所述历史消耗速度曲线和所述预测算法训练获得所述补货模型。其中,确定所述SKU品种对应的预测算法具体包括:获取SKU品种,所述SKU品种包括长尾产品、常规产品、新品和爆品中的至少一种,并选择所述获取的SKU品种对应的预测算法。其中,所述补货清单获取模块102具体用于:输入参数N至所述补货模型,以获得所述N对应的消耗速度曲线,所述N为当前补货最少能够支撑正常出库作业的天数;根据所述N对应的所述消耗速度曲线和所述补货模型预测获得所述N对应的补货清单。
所述预测分析模块103具体用于:根据所述补货清单获取所述SKU品种的补货日期、补货数量;根据消耗速度曲线获取预设时间段内消耗的SKU品种以及所述SKU品种对应的消耗数量;根据所述SKU品种对应的消耗数量和所述补货日期、所述补货数量计算所述补货清单中所述SKU品种的命中率。
需要说明的是,上述库存补货推荐装置100可执行本发明实施例提供的库存补货推荐方法,具备执行方法相应的功能模块和有益效果,未在库存补货推荐装置实施例中详尽描述的技术细节,可参见本发明实施例提供的库存补货推荐方法。
请参阅图7,图7是本发明实施例提供的一种电子设备的硬件结构示意图,所述电子设备200用于执行上述库存补货推荐方法。该电子设备200包括:
一个或多个处理器201以及存储器202,图7中以一个处理器201为例。处理器201和存储器202可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器202作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的库存补货推荐方法对应的程序指令/模块(例如,附图6所示的补货模型确定模块101、补货清单获取模块102、预测分析模块103和补货清单推荐模块104)。处理器201通过运行存储在存储器202中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例库存补货推荐方法。
存储器202可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据库存补货推荐装置的使用所创建的数据等。此外,存储器202可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器202可选包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至库存补货推荐装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器202中,当被所述一个或者多个处理器201执行时,执行上述任意方法实施例中的库存补货推荐方法,例如,执行以上描述的图1至图5中的各个方法步骤,和实现图6中的模块的功能。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
本发明实施例提供的电子设备以多种形式存在,包括但不限于:移动通信设备,比如智能手机、功能性手机等;超移动个人计算机设备,这类设备属于个人计算机的范畴,具有计算和处理功能,一般也具备移动上网特性;服务器,提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等;其他具有数据交互功能的电子装置。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
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;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;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申请各实施例技术方案的范围。
Claims (10)
1.一种库存补货推荐方法,其特征在于,包括:
确定业务对应的至少一个补货模型;
根据所述补货模型生成所述至少一个补货模型对应的补货清单;
根据所述补货清单预测所述补货清单对应的补货收益;
根据所述补货收益从所述补货清单中确定目标补货清单,所述目标补货清单用于指导用户执行对所述业务的补货动作。
2.根据权利要求1所述的库存补货推荐方法,其特征在于,所述确定业务对应的至少一个补货模型包括:
从所述模型库中推荐所述业务对应的至少一个补货模型;或者,
根据所述业务对应的用户数据从所述模型库中选择预设排名的补货模型并提供给用户,以使用户从所述预设排名的补货模型中确定所述业务对应的至少一个补货模型。
3.根据权利要求2所述的库存补货推荐方法,其特征在于,所述根据所述补货模型生成所述至少一个补货模型对应的补货清单包括:
获取所述补货模型关联的参数信息,并控制所述参数信息为可编辑状态,所述可编辑状态的参数信息用于使用户修改所述参数信息;
在接收到用户对所述补货模型和所述参数信息的确定指令时,基于所述参数信息,运行所述补货模型的函数代码块,以生成所述补货模型对应的补货清单。
4.根据权利要求1所述的库存补货推荐方法,其特征在于,所述确定业务对应的至少一个补货模型包括:
获取所述业务对应的SKU品种;
获取所述SKU品种对应的历史出库订单数据和历史仓储库存数据;
根据所述历史出库订单数据和所述历史仓储库存数据获取所述SKU品种的历史消耗速度曲线;
确定所述SKU品种对应的预测算法;
基于所述历史消耗速度曲线和所述预测算法训练获得所述补货模型。
5.根据权利要求4所述的库存补货推荐方法,其特征在于,所述根据所述补货模型生成所述至少一个补货模型对应的补货清单包括:
输入参数N至所述补货模型,以获得所述N对应的消耗速度曲线,所述N为当前补货最少能够支撑正常出库作业的天数;
根据所述N对应的所述消耗速度曲线和所述补货模型预测获得所述N对应的补货清单。
6.根据权利要求3或5所述的库存补货推荐方法,其特征在于,所述根据所述补货清单预测所述补货清单对应的补货收益包括:
根据消耗速度曲线和所述补货清单获得所述补货清单对应的补货收益。
7.根据权利要求4所述的库存补货推荐方法,其特征在于,所述确定所述SKU品种对应的预测算法具体包括:
获取SKU品种,所述SKU品种包括长尾产品、常规产品、新品和爆品中的至少一种,并选择所述获取的SKU品种对应的预测算法。
8.根据权利要求6所述的库存补货推荐方法,其特征在于,所述根据消耗速度曲线和所述补货清单获得所述补货清单对应的补货收益包括:
根据所述补货清单获取所述SKU品种的补货日期、补货数量;
根据消耗速度曲线获取预设时间段内消耗的SKU品种以及所述SKU品种对应的消耗数量;
根据所述SKU品种对应的消耗数量和所述补货日期、所述补货数量计算所述补货清单中所述SKU品种的命中率。
9.一种库存补货推荐装置,其特征在于,包括:
补货模型确定模块,用于确定业务对应的至少一个补货模型;
补货清单获取模块,用于根据所述补货模型生成所述至少一个补货模型对应的补货清单;
预测分析模块,用于根据所述补货清单预测所述补货清单对应的补货收益;
补货清单推荐模块,用于根据所述补货收益从所述补货清单中确定目标补货清单,所述目标补货清单用于指导用户执行对所述业务的补货动作。
10.一种电子设备,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连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8任一项所述的库存补货推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210943392.XA CN115409441A (zh) | 2022-08-08 | 2022-08-08 | 库存补货推荐方法、装置以及电子设备 |
PCT/CN2023/110044 WO2024032397A1 (zh) | 2022-08-08 | 2023-07-28 | 库存补货推荐方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210943392.XA CN115409441A (zh) | 2022-08-08 | 2022-08-08 | 库存补货推荐方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409441A true CN115409441A (zh) | 2022-11-29 |
Family
ID=84159608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210943392.XA Pending CN115409441A (zh) | 2022-08-08 | 2022-08-08 | 库存补货推荐方法、装置以及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115409441A (zh) |
WO (1) | WO2024032397A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024032397A1 (zh) * | 2022-08-08 | 2024-02-15 | 深圳市库宝软件有限公司 | 库存补货推荐方法、装置以及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11475531B2 (en) * | 2019-06-27 | 2022-10-18 | Tata Consultancy Services Limited | Method and system for adaptive inventory replenishment |
CN110953838B (zh) * | 2019-12-16 | 2021-04-23 | 珠海格力电器股份有限公司 | 一种冰箱内食材采买提示方法、存储介质和冰箱 |
CN114169557A (zh) * | 2020-09-10 | 2022-03-11 | 株式会社日立制作所 | 库存补货方法、计算机可读存储介质以及终端设备 |
CN115409441A (zh) * | 2022-08-08 | 2022-11-29 | 深圳市库宝软件有限公司 | 库存补货推荐方法、装置以及电子设备 |
-
2022
- 2022-08-08 CN CN202210943392.XA patent/CN115409441A/zh active Pending
-
2023
- 2023-07-28 WO PCT/CN2023/110044 patent/WO2024032397A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024032397A1 (zh) * | 2022-08-08 | 2024-02-15 | 深圳市库宝软件有限公司 | 库存补货推荐方法、装置以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2024032397A1 (zh) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Subulan et al. | A case-oriented approach to a lead/acid battery closed-loop supply chain network design under risk and uncertainty | |
US20170185933A1 (en) | Distribution-Independent Inventory Approach under Multiple Service Level Targets | |
CN111667207B (zh) | 供应链库存的管理方法及装置、存储介质和处理器 | |
Esfandiari et al. | Modeling a stochastic multi-objective supplier quota allocation problem with price-dependent ordering | |
CN113469597A (zh) | 智慧供应链系统及服务器平台 | |
KR101872220B1 (ko) | 네트워크 기반 판매 예측 정보 제공 장치 | |
WO2010120840A2 (en) | Travel price optimization (tpo) | |
CN111815198B (zh) | 一种门店补货方法、装置和设备 | |
US20190378061A1 (en) | System for modeling the performance of fulfilment machines | |
WO2024032397A1 (zh) | 库存补货推荐方法、装置以及电子设备 | |
Theodorou et al. | Optimizing inventory control through a data-driven and model-independent framework | |
CN113205200A (zh) | 商品入库的管理方法、预约方法、服务器及供应商终端 | |
CN116205560A (zh) | 库存自动化管理系统及其方法 | |
CN114219397A (zh) | 库存管理方法、装置、设备及存储介质 | |
WO2018056222A1 (ja) | Sku数を決定するサーバ、方法およびプログラム | |
CN113469397A (zh) | 智慧供应链系统及服务器平台 | |
WO2018056221A1 (ja) | Sku数を決定するサーバ、システム、方法およびプログラム | |
JPWO2018056220A1 (ja) | 品揃推奨装置、品揃推奨方法および品揃推奨プログラム | |
Sari | Development of an integrated discounting strategy based on vendors’ expectations using FAHP and fuzzy goal programming | |
Gupta et al. | Inventory models and their selection parameters: a critical review | |
EP3069278A1 (en) | Product data analysis | |
Tanhaie et al. | Sequencing mixed-model assembly lines with demand management: problem development and efficient multi-objective algorithms | |
Arhami et al. | Dynamic assortment planning and capacity allocation with logit substitution | |
Pramodhini et al. | E-Commerce Inventory Management System Using Machine Learning Approach | |
CN114444990A (zh) | 供应链网络前置仓的选品方法 |
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 |