CN115699057A - 短生命周期销售曲线估计 - Google Patents
短生命周期销售曲线估计 Download PDFInfo
- Publication number
- CN115699057A CN115699057A CN202180041611.9A CN202180041611A CN115699057A CN 115699057 A CN115699057 A CN 115699057A CN 202180041611 A CN202180041611 A CN 202180041611A CN 115699057 A CN115699057 A CN 115699057A
- Authority
- CN
- China
- Prior art keywords
- sales
- similar
- item
- short
- life cycle
- 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
- 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
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
实施例生成短生命周期物品的短生命周期销售曲线。实施例生成对应于与所述短生命周期物品类似的至少一个类似物品的多个类似销售曲线。实施例参数化每个类似销售曲线,包括为每个类似销售曲线估计创新系数参数、模仿系数参数和误差参数,并确定每个误差参数的权重。实施例使用所述权重来组合创新系数参数和模仿系数参数,并使用组合的创新系数参数和组合的模仿系数参数生成所述短生命周期销售曲线。
Description
技术领域
一个实施例一般而言涉及一种计算机系统,并且特别地涉及一种预测零售物品需求的计算机系统。
背景技术
一般而言,销售预测系统在产生零售物品的每周销售单位预测(称为“销售曲线”或“需求曲线”)时会遇到问题。给定一周内零售物品的销售额受许多因素的影响,诸如季节性因素、一周内是否对零售物品应用了折扣以及该周落在商品生命周期的哪个点。用于预测每周销售单位的一种常见方法涉及为零售物品建立“因果需求模型”。这个需求模型是数学模型,它根据诸如上面列出的因素之类的因素来描述每周的销售单位。这些因素被称为形成需求模型的“需求变量”或“需求特征”。
需求模型以数学方式指定需求变量如何影响销售单位。例如,如果折扣量是需求变量,那么历史数据可以示出50%的降价导致销售单位增加4倍(即,与价格弹性有关)。在这个示例中,需求变量是50%的降价,而历史销售数据是4倍的销售额增长。为了使因果需求模型能够用于预测销售单位,有必要确定需求变量(降价50%)与销售单位(增加4倍)之间的关系。这种关系被称为与需求变量相关联的“需求参数”。
在这个示例中,可以确定需求参数以指定价格每降低25%,特定零售物品的销售额将增加2倍。确定需求参数后,有可能通过指定需求变量的未来值来预测销售单位。继续以降价为例,零售商可能知道下个季节将在几周内降价40%。然后,考虑降价40%,需求模型将预测这几周的销售单位。
需求参数通过检查包含零售物品本身或类似零售物品的降价的历史零售数据(称为“零售面板数据”)来确定。但是,如上所述,几个需求变量影响零售物品的销售。这几个需求变量同时适用。例如,零售商可以在夏季对夏季商品进行了50%的降价,在这种情况下,销售额增长4倍可以部分度是由于夏季对夏季零售商品的季节性需求增加。为了分离几个需求变量对销售的影响,对需求模型执行回归以确定使得需求模型最适合零售面板数据的需求参数的值。
此外,诸如时尚产品的一些商品具有非常短的生命周期并且可用的先前销售数据通常非常稀少。由于销售历史短且销售周期稀疏,因此估计此类短生命周期产品的销售曲线非常具有挑战性。
发明内容
实施例为短生命周期物品生成短生命周期销售曲线。实施例生成对应于与所述短生命周期物品类似的至少一个类似物品的多个类似销售曲线。实施例参数化每个类似销售曲线,包括为每个类似销售曲线估计创新系数参数、模仿系数参数和误差参数,并确定每个误差参数的权重。实施例使用所述权重来组合创新系数参数和模仿系数参数,并使用组合的创新系数参数和组合的模仿系数参数生成所述短生命周期销售曲线。
附图说明
图1图示了根据实施例的具有配置有短生命周期产品需求预测工具的计算设备的计算机系统。
图2是根据本发明的实施例的计算机服务器/系统的框图。
图3是根据一个实施例的在估计可以用于需求预测的促销效果时图1的短生命周期产品需求工具的功能的流程图。
图4A-图4B和图5图示了本发明的实施例的实施方式的示例,以及每个示例如何对应于图3的功能。
图6是根据一个实施例的在为短生命周期物品(即,给定物品/地点或SKU)生成销售/需求曲线时图1的短生命周期产品需求预测工具的功能的流程图。
图7和图8图示了本发明的实施例的实施方式的示例。
图9图示了根据一个实施例的包括如本文公开的需求预测的集成制造、库存和物流系统。
具体实施方式
实施例生成对短生命周期产品/物品(诸如时尚物品或技术物品)的需求预测。实施例使用需求预测系统/方法为与短生命周期产品类似的产品生成不同交叉级别的销售曲线。然后,实施例使用销售曲线的参数化以及误差和误差估计来组合不同交叉点处的销售曲线。然后将聚合销售曲线用作短生命周期产品的需求预测。
短生命周期产品的特征在于仅在短时间段内发生的需求在该时间段之后它们变得过时,这在一些情况下导致非常短的需求时间系列销售曲线。短生命周期产品的示例包括技术产品(例如,计算机、消费电子产品、视频游戏)和时尚产品(例如,玩具、服装、教材)。短生命周期产品的需求时段可以从几年到几周不等。
新产品需求的动态一般特征在于,在引入阶段增长相对缓慢,随后进入快速增长阶段,之后需求趋于稳定,并且产品进入成熟阶段。最后,需求下降,并且产品然后通常被另一种可能与之前的产品非常类似的产品所取代。
在许多行业中,特别是在技术领域,短生命周期产品越来越普遍。由于市场竞争激烈,科技公司必须不断推出新的产品。公司的竞争优势很大程度上取决于其管理产品频繁进入和退出的能力。
在时尚行业中,时尚产品的特征在于产品生命周期短并且市场成功的不确定性高。一款不成功的产品需要多次打折才能清空库存。时尚产品的典型生命周期可能低至10周。
如上所述,在零售行业中,零售商需要预测未来需求以更好地管理他们的库存或促销/降价计划。为了准确预测需求,零售商会考虑所有可能影响需求的因素,诸如促销、价格变化、季节性、天气等。零售商的已知解决方案已使用各种算法来估计促销或价格效果,但这些算法通常不适用于生命周期短的产品,在这些产品中,特定物品的可用历史数据可能很少。
具体而言,当涉及到具有短生命周期的产品时,在此过程的早期没有足够的数据来确定产品的未来销售将如何随时间变化。过去,零售商试图在他们的历史数据中找到最接近的预先存在的物品,作为预测季节性销售的代理。但是,由于两个原因,此类方法可能容易出错。首先,客户对新推出的物品的反应是未知的,其次,新推出的物品与分类的其余部分相互作用,从根本上改变了所有物品生命周期销售的剩余部分。
目前,零售行业正在见证短生命周期产品的激增,包括服装和时尚零售商,以及高端电子消费产品零售商等。即使旧版本或先前的短生命周期产品在从库存中清除或逐步淘汰,新产品设计也会引入市场。生命周期本身的时间跨度越来越短。例如,快时尚产品的生命周期不会持续超过12-13周,从而导致零售商几乎没有时间来适应不同地点和时间不断变化的客户偏好。
更准确的短生命周期产品需求预测允许零售商更好地分配和管理分类中的短生命周期物品。但是,由于销售历史为零且不同商店位置在不同日期推出,因此预测新推出产品的销售量是一项挑战。通常,短生命周期产品表现出其特性销售曲线,即从引入市场点开始销售量最初缓慢增长,随后销售量增长达到峰值,然后逐渐下降,直到所有库存售罄或产品被撤出市场。
如本文所使用的,术语“物品”或“零售物品”是指在销售环境中出售、购买和/或退回的商品。术语“特定物品”和“单个物品”在本文中可互换使用并且指特定物品类型(例如,特定类型的蜂窝电话,诸如iPhone 8),而不是单位物品。
如本文所使用的,术语“时段”、“时间段”、“零售时段”或“日历时段”是指卖方用来从日历中从一年到下一年关联季节性时段以便进行规划和预测的时间增量的单位(例如,每周7天)。这些术语在本文中可以互换使用。
如本文所使用的,术语“销售渠道”或“地点”或“零售地点”可以指销售物品的实体商店,或销售物品的在线商店。
如本文所使用的,术语“销售数据”是指已为在过去零售时段(例如,过去一年的52周内)已售出的物品记录的历史销售和促销信息。销售数据可以包括例如在每个零售时段中售出的物品的单位数量(或货币数量),连通表征该物品的一种或多种促销类型的数据。例如,销售数据可以存储在数据库中。
术语“促销”和“销售促销”在本文中可互换使用并且指物品的特定类型的促销。促销组件的一些示例可以包括价格折扣促销组件、电视广告组件、广播广告组件、报纸广告组件、互联网广告组件、电子邮件广告组件和店内广告组件。
术语“促销效果”是指表征促销物品的效果(例如,对销售和盈利能力的影响)的数值。例如,估计的促销效果为2.0可以指示促销或促销的组合估计会导致物品的销售额翻倍(增加100%)。促销效果(即,价值)可以在需求预测模型中用于预测对物品的需求。促销效果也可以用在计算机化的库存系统中,以控制物品库存的各个方面。
一般而言,实施例利用以下需求模型或函数进行需求预测(“等式(1)”):
需求=基本需要*季节性*促销效果(*附加特征效果)(1)
其中“基本需求”是不考虑任何影响或其它因素的历史需求,季节性是基于季节(即,一年中的时间)对需求的影响,并且促销效果是基于在一段时间内提供的一个或多个促销对需求的影响。影响需求的任何或所有附加特征/变量都可以适当地添加到模型。但是,在一些情况下,特征的数量会超过100。
许多需求模型考虑了附加的影响,诸如天气。例如,如果当前年份的天气与前一年和两年前有很大不同,那么预测可能需要校正。例如,如果今年夏季的炎热天气持续时间更长,那么可能需要增加对牛排和冰淇淋的预测。另一个附加的影响可能是库存。如果流行时尚缺少一些尺寸和/或颜色,那么可能需要向下调整预测以考虑缺失的商品。另一个影响可能是商店数量。如果零售商计划在下一年积极扩张并增加10%的商店数量,那么需要相应地调整预测。但是,出于本发明的实施例的目的,假设季节性和促销效果对销售预测具有压倒性的最大影响。
图1图示了根据实施例的具有配置有短生命周期产品需求预测工具110的计算设备105的计算机系统100。在一个实施例中,短生命周期产品需求预测工具110可以是更大的计算机应用(例如,计算机化库存管理和需求预测应用)的一部分,被配置为预测和管理各个零售地点处的零售物品的销售、促销和库存。短生命周期产品需求预测工具110被配置为将短生命周期产品的需求预测过程计算机化,特别是当由于产品的短生命周期性质而没有销售历史或只有有限的销售历史时。
在一个实施例中,系统100是计算/数据处理系统,包括用于企业组织的应用或分布式应用的集合。应用和计算系统100可以被配置为与基于云的网络系统、软件即服务(“SaaS”)体系架构或其它类型的计算解决方案一起操作或实现为它们。
以销售或需求曲线形式的需求预测是供应链的重要驱动力。如果预测不准确,那么分配和补货就会表现不佳,从而导致零售商的财务损失。可以通过本文公开的实施例实现对促销物品的预测准确性的改进。此外,可以更好地理解促销对需求的影响。例如,这有助于零售商在渠道、定价和客户细分方面更有效地计划促销。
具体而言,为了计划未来的活动,许多零售商依赖于不同物品类别的商品销售和生命周期计划。这些计划通常包含反映产品未来生命周期中销售模式的每周价值。这些计划经常被视为销售曲线形式的时间序列,因为它们具有以统一时间间隔/时段(例如,每周)间隔的值。例如,时间序列可以评估未来26周物品的预测销售。时间序列通常采用销售与时段的图表/曲线的形式。
计划的长度可以随时间变化,这给使一种产品的计划适应另一种产品带来困难。计划/曲线的形状通常适用于多组物品,但产品可能具有不同的生命周期或销售季节。零售计划人员通常会制定一个销售计划,然后使用工具来拉伸或收缩它以适应不同长度的季节。例如,已建立的销售曲线可能延长13周,但零售商可能希望将相同的曲线用于只能销售6周的高级时装物品。但是,已知的工具往往扭曲曲线的前缘和后缘。
此外,接近生命周期末期的销售曲线的形状直接影响降价的需要。曲线的形状驱动物品的预测。如果值高于它们应有值,那么物品的预测较高。结果是零售商冒着由于他们不积极降价而未售出商品的风险。如果形状低于预期,那么预测较低,并且零售商会尝试通过降低价格来增加需求。结果是由于不必要的降价而侵蚀利润率。
在一个实施例中,短生命周期产品需求预测工具110在计算设备105上实现并且包括用于实现短生命周期产品需求预测工具110的各种功能方面的逻辑或模块。在一个实施例中,短生命周期产品需求预测工具110包括可视用户界面逻辑/模块120、类似物品销售曲线生成逻辑/模块130、销售曲线参数化逻辑/模块140和需求预测生成逻辑/模块150。
其它实施例可以提供不同的逻辑或逻辑组合,它们提供与图1的季节性预测模型工具110相同或类似的功能。在一个实施例中,短生命周期产品需求预测工具110是可执行应用,包括算法和/或被配置为执行逻辑功能的程序模块。该应用存储在非暂态计算机存储介质中。在一个实施例中,短生命周期产品需求预测工具110的逻辑被实现为存储在计算机可读介质上的指令模块。
计算机系统100还包括可操作地连接到计算设备105的显示屏24。根据一个实施例,显示屏24被实现为显示由可视用户界面逻辑120生成的图形用户界面(“GUI”)的视图并促进用户与其的交互,用于查看和更新与生成短生命周期产品需求预测相关联的信息(例如,季节性曲线、销售数据等)。图形用户界面可以与需求预测应用相关联,并且可视用户界面逻辑120可以被配置为生成图形用户界面。
在一个实施例中,计算机系统100是集中式服务器侧应用,其至少提供本文公开的功能并且由许多用户经由通过计算机网络与计算机系统100(用作服务器)通信的计算设备/终端进行访问。因此,显示屏24可以表示允许用户经由联网的计算机通信访问和接收来自短生命周期产品需求预测工具110的服务的多个计算设备/终端。
在一个实施例中,计算机系统100还包括可操作地连接到计算设备105的至少一个数据库17和/或用于经由网络连接访问数据库17的网络接口。例如,在一个实施例中,数据库17可操作地连接到可视用户界面逻辑120。根据一个实施例,数据库17被配置为在数据库系统(例如,计算机化的库存管理和需求预测应用)中存储和管理与短生命周期产品需求预测工具110相关联的数据结构(例如,销售数据的记录)。
在一个实施例中,可视用户界面逻辑120被配置为生成图形用户界面(“GUI”)以促进用户与季节性预测模型工具110的交互。例如,可视用户界面逻辑120包括生成图形用户界面并且使图形用户界面基于界面的实现的图形设计被显示。响应于经由GUI的用户动作和选择,可以操纵为短生命周期零售物品生成销售曲线和预测模型的相关联方面。
例如,在一个实施例中,可视用户界面逻辑120被配置为促进响应于用户动作而接收输入和读取数据。例如,可视用户界面逻辑120可以促进与在零售地点销售的零售物品相关联的销售数据(季节性信息和单位销售数据或货币销售数据)的选择、读取和输入。销售数据可以经由图形用户界面驻留在与需求预测应用(例如,短生命周期产品需求预测工具110)相关联(并且可由其访问)的至少一个数据结构中(例如,在数据库17中)。
销售数据可以包括,例如,表示要确定其在过去多个零售时段内的需求的类似于短生命周期物品的物品的过去销售和促销的数据。可以将销售数据分割成过去几周的零售时段,每个过去的一周都指派有数值以指示该周销售的物品数量(或为物品获取的货币金额)。根据一个实施例,销售数据还可以包括表示表示价格折扣的数值和跨零售时段的其它促销成分的价值,以及季节性信息(其也可以与销售数据分开)。根据一个实施例,可以经由网络通信访问物品的销售数据。
在一个实施例中,类似物品销售曲线生成逻辑/模块130被配置为针对与为其确定需求预测的短生命周期产品类似的物品生成不同交叉级别的销售曲线,如下面所公开的。
在一个实施例中,销售曲线参数化逻辑/模块140被配置为参数化由逻辑130生成的每个销售曲线。在一个实施例中,需求预测生成逻辑/模块150通过使用误差度量聚合在140处生成的参数以获得短生命周期产品的提供需求预测的最终销售曲线来生成短生命周期产品的需求预测。
在一个实施例中,生成的需求预测预测所需的库存量(例如,针对单个商店的物品),然后将其用于向计算机化的库存系统(例如,通过计算机化库存管理和需求预测系统)下订单。需求的预测还可以控制由计算机化的库存系统分配的库存量(例如,针对单个商店中的物品)。需求的预测还可以控制计算机化的库存系统对库存量的调整(例如,针对单个商店中的物品)。
图2是根据本发明的实施例的计算机服务器/系统100的框图。图2进一步图示了系统100的硬件/软件细节。虽然被示为单个系统,但系统100的功能可以被实现为分布式系统。另外,本文公开的功能可以在可以通过网络耦合在一起的分离的服务器或设备上实现。另外,可以不包括系统100的一个或多个组件。例如,对于服务器的功能,系统100可能需要包括处理器和存储器,但可以不包括图2中所示的其它组件中的一个或多个,诸如键盘或显示器。
系统100包括总线12或用于传送信息的其它通信机制,以及耦合到总线12以用于处理信息的处理器22。处理器22可以是任何类型的通用或专用处理器。系统100还包括用于存储要由处理器22执行的信息和指令的存储器14。存储器14可以由随机存取存储器(“RAM”)、只读存储器(“ROM”)、静态存储器(诸如磁盘或光盘)或任何其它类型的计算机可读介质组成。系统100还包括通信设备20(诸如网络接口卡)以提供对网络的访问。因此,用户可以直接或通过网络或任何其它方法远程地与系统100交互。系统100的组件中的一些或全部可以实现整体。
计算机可读介质可以是处理器22可以访问的任何可用介质,并且包括易失性和非易失性介质、可移动和不可移动介质,以及通信介质。通信介质可以包括计算机可读指令、数据结构、程序模块或调制数据信号(诸如载波或其它传输机制)中的其它数据,并且包括任何信息递送介质。
处理器22还经由总线12耦合到显示器24,诸如液晶显示器(“LCD”)。键盘26和光标控制设备28(诸如计算机鼠标)进一步耦合到总线12以使用户能够与系统100接口。
在一个实施例中,存储器14存储在由处理器22执行时提供功能的软件模块。这些模块包括为系统100提供操作系统功能的操作系统15。这些模块还包括实现模块120、130、140、150中的一个或多个以及本文公开的所有其它功能的短生命周期需求预测模块16。系统100可以是更大系统的一部分。因此,系统100可以包括一个或多个附加功能模块18以包括附加功能,诸如零售管理系统(例如,来自Oracle公司的“Oracle零售需求预测系统”或“Oracle零售高级科学引擎”(“ORASE”))或企业资源计划(“ERP”)或其它类型的库存管理系统。数据库17耦合到总线12以便为模块16和18提供集中存储并存储客户数据、产品数据、交易数据等。在一个实施例中,数据库17是可以使用结构化查询语言(“SQL”)管理所存储数据的关系数据库管理系统(“RDBMS”)。在一个实施例中,专门的销售点(“POS”)终端99生成用于预测需求的交易数据和历史销售数据(例如,关于在每个零售商店每个物品/SKU(存货保持单元)的交易的数)。根据一个实施例,POS终端99本身可以包括预测需求的附加处理功能,并且可以或者自身或者结合图2的其它组件作为专门的需求预测系统操作。
在一个实施例中,特别是当存在大量零售商店、大量物品和大量历史数据时,数据库17被实现为存储器内数据库(“IMDB”)。IMDB是一种数据库管理系统,其主要依靠主存储器来存储计算机数据。它与采用盘存储机制的数据库管理系统形成对比。主存储器数据库比盘优的化数据库快,因为盘访问比存储器访问慢,内部优化算法更简单并且执行的CPU指令更少。访问存储器中的数据消除了查询数据时的寻道时间,这提供了比盘更快、更可预测的性能。
在一个实施例中,当实现为IMDB时,数据库17基于分布式数据网格实现。分布式数据网格是一个系统,其中一组计算机服务器在一个或多个集群中一起工作,以管理分布式或集群环境中的信息和相关操作,诸如计算。分布式数据网格可以被用于管理跨服务器共享的应用对象和数据。分布式数据网格提供低响应时间、高吞吐量、可预测的可扩展性、连续可用性和信息可靠性。在特定示例中,分布式数据网格,诸如例如来自Oracle公司的“Oracle Coherence”数据网格,将信息存储在存储器内以实现更高的性能,并采用冗余性来保持该信息的副本在多个服务器之间同步,从而确保系统的弹性和在服务器发生故障时数据的持续可用性。
在一个实施例中,系统100是计算/数据处理系统,其包括用于企业组织的应用或分布式应用的集合,并且还可以实现物流、制造和库存管理功能。应用和计算系统100可以被配置为与基于云的联网系统、软件即服务(“SaaS”)体系架构或其它类型的计算解决方案一起操作或被实现为它们。
从以下角度公开实施例:对于在某个地点(例如,零售地点)售出的物品(即,一类物品,诸如酸奶或男士衬衫或个体SKU),可以在不同时间(即,预定义的零售时段,诸如一天、一周、一个月、一年等)以各种方式促销该物品。零售日历具有在典型日历年中以特定方式(例如,四(4)个十三(13)周的季度)组织的许多零售时段(例如,周)。零售时段可以发生在过去或将来。历史销售/业绩数据可以包括例如在多个过去零售时段中的每一个中所销售商品的单位数量以及相关联的促销数据(即,对于每个零售时段,哪些促销在对于该时段有效)和任何其它相关的需求特征/变量。
实施例通过组合不同交叉点处的销售模式并使用低音扩散(bass diffusion)模型来生成短生命周期曲线估计。与已知方法相比,实施例生成更准确和稳健的短生命周期曲线。
为了对短生命周期物品(通常可能只可用于几个月,并且由于它是新推出的,因此一般没有可用的历史销售历史)的需求预测,类似物品的历史销售数据必须被接收和使用。例如,如果短生命周期物品是膝上型计算机,其将出售大约10周,然后更换为类似的膝上型计算机,可能具有改进的处理器,或者固态驱动器(“SSD”)容量更大,那么将接收该膝上型计算机先前“版本”的销售历史。类似地,对于诸如与运动相关的T恤之类的时尚物品,可以考虑类似的先前销售的T恤。
实施例接收不同交叉级别(诸如SKU/商店、子类/商店、部门/区域等)的“类似”销售物品的销售历史,然后在每个不同的交叉级别为类似物品生成不同的销售/需求曲线。类似的销售物品可以是类似的,例如,因为它在前一年大致相同的时间段内销售,或者因为仅基于属性(例如,T恤、计算机等)类似,即使它的销售时间跨越数月或数年,使得它甚至不被视为短生命周期物品。如果不存在另一个先前销售的也被认为是短生命周期物品的类似物品,那么可以使用后一种情况。一般而言,零售商通常会基于商品的属性,诸如类型、尺寸、颜色、形状等来挑选“类似”的产品。
在一些实施例中,可以使用任何已知的解决方案来确定类似物品在不同交叉级别中的每一个处的销售/需求曲线。在一个实施例中,不是在不同的交叉级别生成销售曲线,而是使用自动聚类预测模型来生成类似物品聚类的销售曲线,其可以与类似物品的销售曲线组合。在这个实施例中,促销效果/特征是使用聚合级别的汇集销售数据点和自动聚类数据点来估计的。多个聚类模型中的每一个都使用回归进行训练,然后使用每个保存的聚类训练模型来预测零售产品/物品的需求。
如上所述,在零售行业中,零售商需要预测未来需求以更好地管理他们的库存或促销/降价计划。为了准确预测需求,零售商考虑所有可能影响需求的因素,诸如促销、价格变化、季节性、天气等。用于零售商的已知解决方案使用各种算法来估计促销或价格效果。
另外,一般而言,单个产品/地点组合没有足够的销售观察来产生稳健的效果估计。考虑到这一点,通常使用来自不同产品/地点/时段的大量观察结果来估计效果。然后使用它们来预测在估计阶段汇集的产品/地点的需求。通常,已知的解决方案基于与产品和地点层次结构相关的信息来汇集数据(例如,汇集在相同子类和区域内的数据)。然后,在预测其间,促销效果在整个预测范围内是相同的,并且对于所有参与估计的产品和地点也是一样的。
但是,这些已知的解决方案忽略了至少两个事实:(1)每个产品/地点受到相同促销的不同影响。例如,低销量产品与高销量产品受到的影响不同,或者不同的商店形式受到的影响不同;(2)取决于一年中的不同时间,客户对同一事件的反应不同。换句话说,促销的效果是时间敏感的。例如,冰淇淋促销在炎热的夏天比在寒冷的冬天更有效。
相比之下,实施例使用机器学习和自动聚类来通过考虑事件的时机以及在使用汇集的数据进行估计期间每个产品/地点的细节来估计促销对需求的影响。细节和时机统称为“特征”。特征的示例包括基本销售额、价格、季节性、品牌、促销、尺寸、颜色、包装尺寸、供应商、长度等。虽然诸如价格和季节性之类的特征可以与所有类型的产品相关,但其它一些特征是特定于物品的。例如,包装尺寸影响对酸奶的需求,但包装的长度并不重要。相反,品牌对于时尚物品非常重要,但对于诸如钉子或锤子之类的五金物品来说则不那么重要。
实施例通过将所有数据汇集在一起来估计汇总级别的促销效果。由此产生的影响是特定于产品/地点的并且对时间敏感,这意味着它们可以根据事件发生的时间段而改变。一般而言,在实施例中,促销效果是通过在汇总级别汇集数据来估计的,并且不同的产品/地点/时间被自动分组到聚类中。促销效果在预测阶段其间基于产品/地点和时间相关的特征动态获取。即使对于没有历史需求的新产品/地点组合,实施例也能够生成时间敏感的促销效果。
图3是根据一个实施例的在估计可以用于需求预测的促销效果时图1的短生命周期产品需求预测工具110的功能的流程图。在一个实施例中,图3(和下面的图6)的流程图的功能由存储在存储器或其它计算机可读或有形介质中并由处理器执行的软件实现。在其它实施例中,功能可以由硬件执行(例如,通过使用专用集成电路(“ASIC”)、可编程门阵列(“PGA”)、现场可编程门阵列(“FPGA”)等),或硬件和软件的任何组合。
在302处,接收针对所有商店的所有物品/SKU、针对特定类/类别的产品或仅单个感兴趣物品的历史物品销售数据。例如,类/类别可以是“酸奶”、“咖啡”或“牛奶”。每个类都有一个或多个子类,一直到SKU或通用产品代码(“UPC”)级别,这将是每个单独的待售商品。例如,对于酸奶类,子类可以是酸奶的每个品牌,进一步的子类可以是风味、尺寸、类型(例如,希腊或常规),直至与每个个别不同类型的出售酸奶对应的SKU。
历史销售和业绩数据可以包括例如表示每个物品在多个过去零售销售时段内的过去销售和促销的数据。历史业绩数据可以被分割成过去几周的零售时段,每个过去的周都指派有数值以指示那一周售出的物品的数量。根据一个实施例,历史业绩数据还可以包括表示价格折扣的数值和零售时段内其它促销组件的值。根据一个实施例,物品的历史业绩数据可以经由网络通信访问,包括从每个零售商店的每个POS终端99访问和/或从数据库17访问。
历史业绩数据包括跨多个时间段(例如,几周)与多个促销组件相关联的销售数据。促销组件的示例包括但不限于价格折扣组件、电视广告组件、广播广告组件、报纸广告组件、电子邮件广告组件、互联网广告组件和店内广告组件。对于每个物品,历史数据包括该物品的特征/变量/属性的列表,诸如价格、促销、季节性、品牌、颜色、样式等。
历史销售数据作为多个数据点或“数据集”被接收,其中每个商店的物品的每次销售具有单个数据点(即,在“周”是期望的时间段的实施例中,在产品/商店/周级别)。在实施例中,可以通过电子解析由所有相关零售商店处的所有POS 99生成的数据来接收数据点。
在304处,在汇总产品/地点(商店)级别,提取不同类型的特征。其中许多特征是从与销售无关的数据中提取的,诸如从与相关商店相关联的ERP、销售系统和库存管理系统中提取。从302的销售数据中提取其中一些特征(例如,销售数据、销售时段期间的促销)。在实施例中提取的特征的类型包括以下:
a.产品相关的特征p1..pn(例如,民族品牌与自有品牌、包装尺寸、低销量与高销量、测量单位(“UOM”)等);
b.商店特征s1..sm(例如,便利店与超市,人口密集区与非人口区,不同的商店布局等);
c.时机相关的特征t1..tk(例如,假期与非假期,热天与冷天,低商店流量与高商店流量,足球赛季等);
d.促销和价格x1..xj。
在306处,实施例使用来自304的产品特征(p1..pn)、地点特征(s1..sm)和时间特征(t1..tk)从302生成数据点的“N”个聚类以生成N个聚类(c1..cN)。聚类数N可以是用户定义的数字。聚类是一种数据挖掘形式,其中对象(即,特征)的集合以这样一种方式被分组,即,同一组中的对象(聚类)在某种意义上彼此之间比其它组(聚类)中的更类似。在一个实施例中,使用k均值聚类算法。k均值聚类旨在将n个观察分区为k个聚类,其中每个观观察属于具有最接近均值的聚类,用作聚类的原型。但是,也可以使用其它聚类算法,诸如层次聚类等。
在一个实施例中,使用以下k均值聚类算法:
给定k个均值的初始集合m1 (1),...,mk (1),该算法通过在两个步骤之间交替进行:
其中每个xp都被确切地指派给一个S(t),即使它可以被指派给其中两个或更多个。
(2)更新步骤:重新计算指派配给每个聚类的观察的均值(质心)。
当指派不再改变时,算法已经收敛。
在308处,训练在306处生成的每个聚类(即,估计效果)以生成经训练的聚类模型(即,在306处生成的每个聚类的促销效果)。在一个实施例中,通过对N个聚类中的每个聚类i运行回归并生成促销/价格效果的N个集合(e1..ek)1...(e1..ek)N来完成训练。在一个实施例中,线性回归被用于训练或估计效果,但可以使用其它回归算法。促销/价格效果的每个集合都是针对对应聚类的特征的优化效果集合。每个聚类中的特征可以被分解成产品/地点/时间段。每个产品/地点/时间段都映射到N个效果集合之一。
在310处,聚类模型被保存到可以容易地按需加载的二进制文件中。例如,在实施例中,用特定于机器学习的语言(诸如Python或C++)中的特征来训练模型。这些模型可以保存到具有特定序列化格式的二进制文件中。例如,可以将用Python训练的模型保存到python pickle二进制文件中。
在312处,当期望对零售产品进行需求预测时,对于每个产品/地点/周,保存的聚类经训练的模型被用于通过识别特定周的特征将其映射到N个聚类之一。例如,对于聚类i,从效果集合(e1..ek)i中获取促销/价格效果。
在314处,来自312的促销/价格效果被用于预测最终需求。在一个实施例中,使用以下需求预测算法来预测需求:需求=基本需求*促销提升*价格提升。这是一种相对简单的需求算法,并且在其它实施例中可以使用复杂得多的需求预测算法,只要它们以任何方式将促进效果结合到需求预测中即可。实施例可以以每个SKU/商店为基础预测需求,或使用大矩阵同时预测所有商店中所有SKU的需求(即,每一行是一个SKU/商店)。
图3的功能可以用于通过针对每个给定交叉点(诸如产品类别/区域)基于产品属性(诸如颜色、尺寸、商店形式和销售长度)将产品/地点聚类为不同的组来为在不同交叉点的SKU生成多个销售曲线。然后生成下面公开的结合图6使用的短生命周期销售曲线(即,针对每个交叉点的需求预测)。
图4A-图4B和5图示了本发明的实施例的实施方式的示例,以及每个示例如何与图3的功能对应。在相对简化的示例中,假设零售商使用以下公式来对需求建模:
需求=基本需求*促销提升*价格提升;
并且,为简单起见,假设对于所有产品/商店组合,基本需求都是5。
在302处,接收历史销售数据点。在简化示例中,假设从周1_2018到周52_2019(即,2018年和2019年的每周)有两个商店和关于6个产品的信息。
在304处,实施例将在302处接收的每个物品/商店/周销售数据与产品、地点和时间段相关的提取的特征相关联,包括以下:
产品品牌、包装尺寸、商店类型、对应周的天气、对应周有什么体育赛事、价格、促销1、2、3、4等。
在306处,聚类算法被实现以将销售聚类成N个聚类(即,在这个示例中为三个聚类)。在图4A中,每个聚类(402、403、404)由不同的交叉影线方案表示。作为聚类的结果,图4A中所示的表在每一周其间将三个聚类之一指派给每个商店的每个产品。
在308处,对于每个聚类402-404,通过使用每个聚类中的数据以生成每个聚类402-404的促销效果,利用销售数据及其特征来训练回归模型。图4B示出对于每个聚类,针对价格和促销1-4的经训练的促销效果。在308处生成的效果基于形成需求模型的效果(在这个简化示例中,只有价格和促销)。在更复杂的需求模型中,生成的效果还可以包括假期、返校事件、天气等。图4B中的每个效果数都起到乘数的作用。
在310处,将经训练的聚类模型和三个经训练的回归模型保存在二进制文件中。该二进制文件可以包括聚类模型和回归模型。图4A图示了聚类模型,而图4B图示了回归模型。在实施例中,可以分别进行聚类和回归,然后将其保存到不同的二进制文件或单个文件中。
在312处,为了创建周1_2020到周4_2020(即,2020年的前4周)的预测,首先识别那些周的特征。然后保存的聚类模型被用于针对三个聚类之一预测每个物品/商店/周。图5图示了实施例如何将每个产品/地点/周映射到聚类。因此,例如,商店1,商店B,周2映射到聚类404,而商店2,商店C,周3映射到聚类403。
在314处,对于每个物品/商店/周,使用需求公式将对应聚类中的效果(价格、促销)应用到基本需求之上,以创建预测。具体而言,对于这个示例,其中需求=基本需求*促销提升*价格提升,假设商店1中产品A的基本需求为2.0,促销1和3在周2_2020期间开启,那么周2_2020产品A在商店1的需求是:需求=2*1.05*3.2=6.72。
图6是根据一个实施例的在为短生命周期物品(即,给定物品/地点或SKU)生成销售/需求曲线时图1的短生命周期产品需求预测工具的功能的流程图。
在602处,生成与与短生命周期物品类似的一个或多个物品相关的多个销售曲线。一般而言,然后使用剩余的图6功能将这些多个销售曲线“混合”在一起。
在一个实施例中,对于与短生命周期物品类似的物品,通过使用类似物品的历史销售数据在不同的(“n”)交叉级别生成销售曲线(因为没有销售历史或只有稀疏的销售历史可用于短生命周期物品)。例如,交叉级别可以是SKU/商店、子类/商店、部门/区域等。来自SKU/商店的历史销售被聚合到更高的交叉级别,并且确定该交叉级别的销售曲线。在一些实施例中,任何已知的功能都可以用于确定销售曲线(即,预测的需求)。
在一个实施例中,上面结合图3公开的功能被用于在602处生成类似物品的多个销售曲线。具体而言,图3的功能的最终结果可以是第一SKU和类似物品的对应聚类、第二SKU和类似物品的不同对应聚类等。每个SKU的销售曲线和每个对应聚类的销售曲线可以使用已知方法生成。假设第一和第二SKU也类似于短生命周期物品,如上所述,这些销售曲线可以用作下面图6的功能的输入,然后“混合”在一起以形成短生命周期物品销售曲线。在一个实施例中,可以仅生成两条销售曲线——单个类似的SKU和对应的聚类。在其它实施例中,当多个类似的SKU可用时,可以为每个类似的SKU和每个对应的聚类生成多个销售曲线。
当使用图3的功能时,在304处,在一个实施例中提取的特征可以包括提取与每个产品的销售相关的多个不同类型的特征,包括诸如颜色和尺寸之类的商品属性、诸如价格区之类的地点属性、商店形式、日历相关属性,诸如上架总周数、上架第一周等。
在实施例中,602处销售曲线的时间范围将大致匹配短生命周期物品的期望销售曲线的时间范围。换句话说,如果短生命周期物品预计在2021年夏季有10周的销售季,那么类似物品的销售曲线也应针对那些相同的10周,或紧密匹配(例如,12周)。
在604处,每个交叉点“i”处的销售曲线使用“低音扩散(Bass Diffusion)”模型参数化。低音扩散模型包含微分方程,它描述了新产品如何在人群中被采用的过程。该模型介绍了新产品的当前采用者和潜在采用者如何相互作用的基本原理。该模型的基本前提是采用者可以被分类为创新者或模仿者,采用的速度和时机取决于他们的创新程度和采用者之间的模仿程度。低音扩散模型已广泛应用于预测,尤其是新产品的销售预测和技术预测。在数学上,基本的低音扩散模型是具有常系数的Riccati方程。
在实施例中,低音扩散模型用于参数化来自602的每个销售曲线,如下所示:
对于每个交叉点(或在其它实施例中的每个销售曲线)i:
通过使用最小二乘优化器最小化目标MSE(i)来基于以下等式估计mi,pi,qi参数/系数,
其中Fi(t)是交叉点i在第t周的估计销售,并且Si(t)是交叉点i在第t周的实际销售历史。Ei是当前交叉点i的误差。
在606处,基于加权误差组合来自604的pi和qi参数。pi也称为创新系数、外部影响或广告效果。qi参数也称为模仿系数、内部影响力或口碑效果。不需要或不使用mi参数。来自604的pi和qi参数组合如下,其中Wi是每个交叉点i的确定权重:
在608处,对于短生命周期销售长度l的给定长度,实施例计算第τ′周的曲线值如下:
在第τ周的给定产品/地点的最终曲线将在606处通过归一化到l被计算为:
这会生成最终的销售/需求曲线,该曲线提供了销售时间段(例如,2021年的第20-30周)内每周(或其它预定义时间段)的短生命周期物品的销售量预测。
在610处,来自608的销售曲线或需求预测被用于物流,包括作为确定要制造多少物品、库存水平和到特定商店的发货水平的基础。608处的输出可以采用专用数据结构的形式,该数据结构可以与完全自动化的制造、库存和物流系统一起使用,如下文更全面描述的。
图7和图8图示了本发明的实施例的实施方式的示例,以及每个示例如何对应于图6的功能。在相对简化的示例中,在602处,仅针对两个交叉级别生成类似物品的销售曲线:SKU/商店和SKU/区域。图7图示了701处的SKU/商店销售曲线和702处的SKU/区域销售曲线。在图7中,X轴是日历(例如,第1周、第2周等),Y-轴是曲线的形状/值。销售曲线通常归一化为周数。例如,对于十周的销售曲线,曲线值可以是:0.76、0.88、1.02、1.15、1.2、1.28、1.11、1.05、0.8、0.75。如前所述,这些值加起来为十,其等于以周为单位的曲线长度。
在604和606处,计算mi,pi,qi和Wi参数(即,销售曲线被“参数化”)。图8中的801图示了示例中的计算。
在606处,基于加权误差组合p和q参数。图8中的802图示了示例中的计算。p和q参数组合后,在608处计算组合销售曲线。图3的销售曲线703是组合销售曲线,并且表示对短生命周期物品的需求预测。图7的曲线长度不必相等。方程包括因子“l”——它是曲线的长度。这允许组合不同长度的曲线。最终的销售曲线没有显示预测销售的物品数量。而是,它显示了其生命周期期间销售曲线的形状。
图9图示了根据一个实施例的包括如本文公开的需求预测的集成制造、库存和物流系统900。实施例可以使用在608处生成的短生命周期物品的专用需求预测数据结构来使过程完全自动化。如图9中所示,系统900可以包括产品需求预测系统970,其预测未来的产品需求,并且在一些情况下预测和/或考虑对数十万种产品的未来需求,或者在一些应用中预测和/或考虑在一个或多个零售商店901-904处数千万或更多产品的未来需求。预测系统970通过云网络950或其它类型的通信网络与一个或多个库存系统920和一个或多个制造系统980通信。
预测系统970通过实现上面结合图3和/或图6公开的功能来生成需求预测。库存系统920存储库存并提供运输物流以使用卡车910-913或一些其它运输机制将物品运送到商店901-904。在一个实施例中,库存系统920实现企业资源计划(“ERP”)专用计算机系统或专用库存控制系统,其使用来自需求预测系统970的输入来确定库存水平以及向商店901-904递送物品的数量和时机。在一些实施例中,图9的功能可以使用自动加载机制和自动驾驶运输以及专门的数据结构完全自动化。
制造系统980制造要发送到库存系统920的物品并提供运输物流以使用卡车981或一些其它运输机制将物品递送到库存系统920。在一个实施例中,制造系统980实现ERP专用计算机系统或专用制造系统,其使用来自预测系统970的输入来确定要制造的物品的数量、用于制造的资源的库存、以及将物品递送到库存系统920的量和定时。
预测系统970可以利用来自库存系统920、销售跟踪系统(未示出)和/或数据库的信息来预测产品需求。在预测需求时,预测系统970试图预测由事件、天气、社会需求、经济因素和其它因素导致的一种或多种产品的非典型需求。可以跟踪数十到数百到数千个可能对一种或多种产品的需求产生影响的不同变量。这些变量的变化会导致非典型的需求。例如,可以跟踪预测的天气的变化,并且可以使用与预测的天气相关联的一个或多个变量来确定这种变化是否是天气可能对需求产生影响,并且还可以预测需求的变化。
一般而言,图9的元素执行库存的销售、制造或消耗。由于随机性和影响销售的外部因素,用于直接消费者销售的零售地点/商店901-904表现出最不稳定的库存模式。但是,消耗库存的制造设施和站点(诸如本地设施中使用的产品集成商、互联网托运人等产品)也受益于如本文公开的需求预测。如所公开的,每个零售地点901-904将销售数据和历史预测数据发送到预测系统970。销售数据包括每个物品的库存消耗统计数据,或每个销售时段的SKU/UPC,通常是在以前的销售周期中的几天(即,周),通常是库存周期的4-7周。
预测系统970将销售数据存储在储存库972中,并采用销售数据来生成补充库存的订单。订单包括物品的集合和每个物品的数量,用于维持商店901-904的库存水平。
许多零售订购方案依赖于一周中的几天作为销售时段和销售周期。在一种配置中,在具有库存统计数据的库存管理环境中,其中库存统计特定于一周中的每一天,库存系统920通过针对一周中的每一天搜集来自先前销售的库存水平统计数据来确定目标库存水平。实施例基于库存水平统计数据计算一周中每一天的库存水平,使得安全存货适应一周中不同天之间的库存变化。实施例针对多个物品中的每一个呈现指示目标库存水平的存货水平,包括一周中每一天的安全存货。实施例基于提前期计算订购数量,使得订购的数量在所确定的一周中的某一天到达以满足所呈现的库存水平。识别实际库存存货包括从历史数据中识别前几周的一周中某一天的库存水平,从而随着时间的推移关注一周中的同一天,而不是一周中所有天的平均值。
在特定配置中,所公开的实施例可以与专门的和/或特别大量的零售环境结合使用。在大型物流和配送操作中,将卡车尽可能装满是有益的,并且在需要将物品推迟到后续行程的情况下,选择那些最不可能中断销售活动的物品。因而,实施例可与POS系统99结合操作以识别倾向于比其它物品更快地销售和补充的高速或高周转物品。物品上的UPC条形码符号或射频标识(“RFID”)包括字段、名称或值,其单独或与数据库查找结合使用,将物品指定为适合如本文定义的安全存货处理的高速物品。
可以通过为库存数据库中表示的多个物品中的每一个识别用于产品标识符的字段和表示用于该物品的安全库存的字段,并为每个产品标识符确定基于指示销售量导致的产品补货需求增加的产品速度的产品细分字段。所公开的实施例基于速度字段确定是否计算安全存货,即,在给定产品吞吐量的情况下根据安全存货重新供应的开销和负担是否值得。
在其它实施例中,供应物流可以调用高于每天一辆卡车的递送频率,因此触发具有更高粒度的再供应窗口。在这种情况下,安全库存可以比单个日期更具体,诸如周一上午和周一下午,或者指定一周中特定日期内的多个递送或时间窗口,诸如上午7:00、上午11:00点和下午4:00。
包括生成的需求预测在内的实施例可以用于根据所运输物品的需求和利润率来实现供应物流和指定递送(即,卡车)和列表(即,包含的物品)。高速物品可以被认为在特定递送上具有优先空间,但还可以基于所包括物品的利润率或加价来选择,并且选择包括具有最大创收潜力的物品。
在这种使用本文公开的需求预测并具有多个运输车辆的产品库存装运环境中,每个车辆(例如,卡车)被配置为接收物品的固定有效载荷以递送到销售地点进行库存补货。实施例可以通过针对包括第一物品和第二物品在内的多个物品中的每个物品计算安全存货并且基于计算出的用于第一物品和第二物品的安全存货来确定,要装载到送货车辆中的第一物品和第二物品中的每一个的数量。如果送货车辆中没有足够的空间可用于第一物品和第二物品的确定数量,那么实施例基于安全存货重新计算卡车装载数量,这意味着某些物品将需要被省略并推迟到后续递送。
如所公开的,实施例将不同交叉点,诸如SKU/商店、子类/商店、部门/区域等处与短生命周期物品类似的物品的销售模式组合。这使得短生命周期商品的曲线更稳健。然后,实施例使用两个参数对曲线进行参数化,然后通过应用产品将上架的计划周数来重新生成曲线。这种方法使得曲线的重新计算非常方便,即使销售模式逐年发生变化。鉴于曲线的参数化,组合销售模式不依赖于曲线的长度。
在本文具体说明和/或描述了几个实施例。但是,将认识到的是,在不脱离本发明的精神和预期范围的情况下,所公开的实施例的修改和变化被上述教导覆盖并且在所附权利要求的范围内。
Claims (20)
1.一种生成短生命周期物品的短生命周期销售曲线的方法,包括:
生成对应于与所述短生命周期物品类似的至少一个类似物品的多个类似销售曲线;
参数化每个类似销售曲线,包括为每个类似销售曲线估计创新系数参数、模仿系数参数和误差参数;
确定每个误差参数的权重;
使用所述权重来组合创新系数参数和模仿系数参数;以及
使用组合的创新系数参数和组合的模仿系数参数生成所述短生命周期销售曲线。
2.如权利要求1所述的方法,还包括接收类似物品在不同交叉级别的历史销售数据,所述历史销售数据用作生成所述多个类似销售曲线的输入,其中每个类似销售曲线是针对不同的交叉级别生成的。
3.如权利要求1所述的方法,还包括使用所述短生命周期销售曲线生成所述短生命周期物品的需求预测。
4.如权利要求1所述的方法,其中所述多个类似销售曲线延伸第一持续时间,并且所述短生命周期销售曲线延伸与所述第一持续时间不同的第二持续时间。
5.如权利要求3所述的方法,还包括:
生成表示所述需求预测的专用数据结构;
将所述专用数据结构传输到自动化物流系统;
其中,响应于接收到所述专用数据结构,所述自动化物流系统自动将所述短生命周期物品中的一个或多个运输到至少一个零售商。
6.如权利要求1所述的方法,所述生成所述多个类似销售曲线包括:
接收聚合产品/地点级别的历史销售数据,所述历史销售数据包括多个销售数据点,包括多个地点中的每个地点处的第一物品的销售数据点;
提取与每个类似物品的销售相关的多个不同类型的特征;
基于所述多个不同类型的特征生成多个销售数据点聚类;
训练每个聚类以生成包括每个聚类的促销效果的多个经训练的聚类模型;
针对特定时间段、特定地点和所述第一物品,识别所述时间段的特征并映射到经训练的聚类模型之一来获取针对所述时间段的促销效果;以及
生成与所述第一物品对应的第一销售曲线并生成与映射的经训练的聚类模型对应的第二销售曲线。
9.一种其上存储有指令的计算机可读介质,所述指令在由一个或多个处理器执行时,使所述处理器为短生命周期物品生成短生命周期销售曲线,所述生成销售曲线包括:
生成对应于与所述短生命周期物品类似的至少一个类似物品的多个类似销售曲线;
参数化每个类似销售曲线,包括为每个类似销售曲线估计创新系数参数、模仿系数参数和误差参数;
确定每个误差参数的权重;
使用所述权重来组合创新系数参数和模仿系数参数;以及
使用组合的创新系数参数和组合的模仿系数参数生成所述短生命周期销售曲线。
10.如权利要求9所述的计算机可读介质,还包括接收类似物品在不同交叉级别的历史销售数据,所述历史销售数据用作生成所述多个类似销售曲线的输入,其中每个类似销售曲线是针对不同的交叉级别生成的。
11.如权利要求9所述的计算机可读介质,还包括使用所述短生命周期销售曲线生成所述短生命周期物品的需求预测。
12.如权利要求9所述的计算机可读介质,其中所述多个类似销售曲线延伸第一持续时间,并且所述短生命周期销售曲线延伸与所述第一持续时间不同的第二持续时间。
13.如权利要求11所述的计算机可读介质,还包括:
生成表示所述需求预测的专用数据结构;
将所述专用数据结构传输到自动化物流系统;
其中,响应于接收到所述专用数据结构,所述自动化物流系统自动将所述短生命周期物品中的一个或多个运输到至少一个零售商。
14.如权利要求9所述的计算机可读介质,所述生成所述多个类似销售曲线包括:
接收聚合产品/地点级别的历史销售数据,所述历史销售数据包括多个销售数据点,包括多个地点中的每个地点处的第一物品的销售数据点;
提取与每个类似物品的销售相关的多个不同类型的特征;
基于所述多个不同类型的特征生成多个销售数据点聚类;
训练每个聚类以生成包括每个聚类的促销效果的多个经训练的聚类模型;
针对特定时间段、特定地点和第一物品,识别所述时间段的特征并映射到经训练的聚类模型之一来获取针对所述时间段的促销效果;以及
生成与所述第一物品对应的第一销售曲线并生成与映射的经训练的聚类模型对应的第二销售曲线。
17.一种零售物品需求预测系统,包括:
耦合到一个或多个销售点系统的一个或多个处理器,所述处理器:
生成对应于与所述短生命周期物品类似的至少一个类似物品的多个类似销售曲线;
参数化每个类似销售曲线,包括为每个类似销售曲线估计创新系数参数、模仿系数参数和误差参数;
确定每个误差参数的权重;
使用所述权重来组合创新系数参数和模仿系数参数;以及
使用组合的创新系数参数和组合的模仿系数参数生成所述短生命周期销售曲线。
18.如权利要求17所述的系统,所述处理器进一步接收类似物品在不同交叉级别的历史销售数据,所述历史销售数据用作生成所述多个类似销售曲线的输入,其中每个类似销售曲线是针对不同的交叉级别生成的。
19.如权利要求17所述的系统,所述处理器进一步使用短生命周期销售曲线生成所述短生命周期物品的需求预测。
20.如权利要求19所述的系统,所述处理器进一步:
生成表示所述需求预测的专用数据结构;
将所述专用数据结构传输到自动化物流系统;
其中,响应于接收到所述专用数据结构,所述自动化物流系统自动将所述短生命周期物品中的一个或多个运输到至少一个零售商。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/016,825 US11354686B2 (en) | 2020-09-10 | 2020-09-10 | Short life cycle sales curve estimation |
US17/016,825 | 2020-09-10 | ||
PCT/US2021/041773 WO2022055615A1 (en) | 2020-09-10 | 2021-07-15 | Short life cycle sales curve estimation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115699057A true CN115699057A (zh) | 2023-02-03 |
Family
ID=77265256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180041611.9A Pending CN115699057A (zh) | 2020-09-10 | 2021-07-15 | 短生命周期销售曲线估计 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11354686B2 (zh) |
JP (1) | JP2023541104A (zh) |
CN (1) | CN115699057A (zh) |
WO (1) | WO2022055615A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7415896B2 (ja) * | 2020-11-30 | 2024-01-17 | トヨタ自動車株式会社 | 輸送管理装置、輸送管理システム、輸送管理方法及び輸送管理プログラム |
CN114648270B (zh) * | 2022-03-25 | 2024-06-14 | 成都飞机工业(集团)有限责任公司 | 一种有寿件安全库存计算方法及其系统 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160292324A1 (en) * | 2008-02-25 | 2016-10-06 | Sas Institute Inc. | Systems and methods for predicting performance |
US20110004510A1 (en) | 2009-07-01 | 2011-01-06 | Arash Bateni | Causal product demand forecasting system and method using weather data as causal factors in retail demand forecasting |
US8738421B1 (en) | 2013-01-09 | 2014-05-27 | Vehbi Koc Foundation Koc University | Driver moderator method for retail sales prediction |
US20150100384A1 (en) | 2013-10-04 | 2015-04-09 | International Business Machines Corporation | Personalized pricing for omni-channel retailers with applications to mitigate showrooming |
US20150134413A1 (en) | 2013-10-31 | 2015-05-14 | International Business Machines Corporation | Forecasting for retail customers |
US20150170167A1 (en) | 2013-12-18 | 2015-06-18 | Oracle International Corporation | Attribute based retail assortment planning |
US20150235239A1 (en) | 2014-02-19 | 2015-08-20 | International Business Machines Corporation | Predicting demand of a newly introduced short lifecycle product within an assortment |
US20160171540A1 (en) | 2014-12-12 | 2016-06-16 | Suryanarayana MANGIPUDI | Dynamic Omnichannel Relevant Content And Services Targeting In Real Time |
US20160239855A1 (en) | 2015-02-17 | 2016-08-18 | Wal-Mart Stores, Inc. | System and method for post-processing demand forecasts |
US20160247172A1 (en) | 2015-02-23 | 2016-08-25 | Oracle International Corporation | System and method for forecasting cross-promotion effects for merchandise in retail |
US11037183B2 (en) | 2015-12-01 | 2021-06-15 | Oracle International Corporation | System and method for blending promotion effects based on statistical relevance |
US10318669B2 (en) | 2016-06-16 | 2019-06-11 | International Business Machines Corporation | Adaptive forecasting of time-series |
US9965730B2 (en) | 2016-08-23 | 2018-05-08 | X Development Llc | Autonomous condensing of pallets of items in a warehouse |
US10504055B2 (en) | 2016-09-02 | 2019-12-10 | X Development Llc | Optimization of warehouse layout based on customizable goals |
US20180365714A1 (en) | 2017-06-15 | 2018-12-20 | Oracle International Corporation | Promotion effects determination at an aggregate level |
US11922440B2 (en) | 2017-10-31 | 2024-03-05 | Oracle International Corporation | Demand forecasting using weighted mixed machine learning models |
US11080726B2 (en) | 2018-08-30 | 2021-08-03 | Oracle International Corporation | Optimization of demand forecast parameters |
US11475404B2 (en) | 2018-09-05 | 2022-10-18 | Trax Technology Solutions Pte Ltd. | Aggregating product shortage information |
US20200104771A1 (en) | 2018-09-28 | 2020-04-02 | Oracle International Corporation | Optimized Selection of Demand Forecast Parameters |
-
2020
- 2020-09-10 US US17/016,825 patent/US11354686B2/en active Active
-
2021
- 2021-07-15 CN CN202180041611.9A patent/CN115699057A/zh active Pending
- 2021-07-15 WO PCT/US2021/041773 patent/WO2022055615A1/en active Application Filing
- 2021-07-15 JP JP2023507312A patent/JP2023541104A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022055615A1 (en) | 2022-03-17 |
JP2023541104A (ja) | 2023-09-28 |
US11354686B2 (en) | 2022-06-07 |
US20220076281A1 (en) | 2022-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110392899B (zh) | 用于模型生成的动态特征选择 | |
JP7121118B2 (ja) | 重み付けされた混合機械学習モデルを使用した需要予測 | |
US11568432B2 (en) | Auto clustering prediction models | |
CN111133460B (zh) | 需求预测参数的优化 | |
US20200111109A1 (en) | Flexible Feature Regularization for Demand Model Generation | |
US10395210B2 (en) | System and method for using stores as receiving points for third party, E-commerce suppliers | |
US20140058794A1 (en) | Method And System For Orders Planning And Optimization With Applications To Food Consumer Products Industry | |
US20210224833A1 (en) | Seasonality Prediction Model | |
US20200104771A1 (en) | Optimized Selection of Demand Forecast Parameters | |
US11367042B2 (en) | Computerized inventory redistribution control system | |
US20240046289A1 (en) | System and Method of Cyclic Boosting for Explainable Supervised Machine Learning | |
CN112074849A (zh) | 价格优化系统 | |
US20210312488A1 (en) | Price-Demand Elasticity as Feature in Machine Learning Model for Demand Forecasting | |
US11645617B1 (en) | Autonomous supply chain by collaborative software agents and reinforcement learning | |
US20230306347A1 (en) | Systems and methods for supply chain optimization with channel saliency | |
CN115699057A (zh) | 短生命周期销售曲线估计 | |
CN118076967A (zh) | 基于优化树集成的需求模型 | |
US20230419184A1 (en) | Causal Inference Machine Learning with Statistical Background Subtraction | |
US11631102B2 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
Li et al. | Dynamic inventory allocation for seasonal merchandise at dillard’s | |
JP2024514309A (ja) | 在庫割り当ておよびプライシング最適化システム | |
US20230153844A1 (en) | Multi-channel demand planning for inventory planning and control |
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 |