CN116070995A - 一种基于大数据分析的商铺进销存管理系统及方法 - Google Patents
一种基于大数据分析的商铺进销存管理系统及方法 Download PDFInfo
- Publication number
- CN116070995A CN116070995A CN202310056103.9A CN202310056103A CN116070995A CN 116070995 A CN116070995 A CN 116070995A CN 202310056103 A CN202310056103 A CN 202310056103A CN 116070995 A CN116070995 A CN 116070995A
- Authority
- CN
- China
- Prior art keywords
- t2ai
- commodity
- time
- time node
- sales
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 81
- 230000008859 change Effects 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000007726 management method Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 13
- 238000005314 correlation function Methods 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 208000033830 Hot Flashes Diseases 0.000 description 1
- 206010060800 Hot flush Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- 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)
- 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
本发明涉及仓库管理技术领域,具体为一种基于大数据分析的商铺进销存管理系统及方法,所述系统包括仓库存储标准阈值分析模块,所述仓库存储标准阈值分析模块根据每个编号商品的销售量变化情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值,得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值。本发明不仅对商铺商品的进销存数据进行实时统计,还考虑到商铺商品的关联材料的销售量变化情况,并准确预测后续单位时间内相应商品的销售量,进而辅助商铺实现智能补货,实时确保商铺的库存量,实现对商铺进销存的有效管理。
Description
技术领域
本发明涉及仓库管理技术领域,具体为一种基于大数据分析的商铺进销存管理系统及方法。
背景技术
进销存管理系统是对商铺商品的采购、销售及库存情况进行综合管理,在电子购物热潮日益高涨的当前,正在逐渐凸显出重要的地位,能够帮助商铺实现对商品的综合管理,降低商铺商品销售的核对工作量。
当前的基于大数据分析的商铺进销存管理系统,只是简单的对商铺商品的进销存数据进行实时统计,无法针对统计的数据进行分析,并预测统计数据的变化趋势,进而无法辅助商铺实现智能补货,实时确保商铺的库存量,进而现有技术存在较大的缺陷。
发明内容
本发明的目的在于提供一种基于大数据分析的商铺进销存管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据分析的商铺进销存管理方法,所述方法包括以下步骤:
S1、获取商铺的上架商品,对商品进行编号,并获取每个编号的商品对应的关联材料种类集合;
S2、获取每个关联材料种类集合中各材料种类在各个时间节点分别对应销量的变化情况,结合历史数据中相应编号商品在各个时间节点的销售量变化情况,预测材料销量变化与商品销量之间的反馈时延,并结合第二时间节点时,关联材料种类集合中各材料种类的销售量情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值,
所述时间节点对应一个时间区间且时间区间的时长为第一单位时间,第一单位时间为数据库中预置的常数,所述第二时间节点表示当前时间所属的时间节点的上一时间节点,所述反馈时延为时间节点的整数倍,第二时间节点后反馈时延对应的最大时间节点为第二时间节点后反馈时延对应的多个时间节点中的最后一个;
S3、根据每个编号商品的销售量变化情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值,得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值;
S4、获取商铺的历史交易数据中每个编号商品对应的综合退货率;
S5、结合S3及S4中的分析结果,计算商铺中基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库补货阈值,生成商铺商品在相应时间点的仓库补货阈值清单,并反馈给管理员。
进一步的,所述S1中对商品进行编号时,将第i个商品对应的编号记为Ai,
将Ai对应商品的关联材料种类集合记为BAi,所述BAi中每个元素对应的材料种类为Ai对应商品的构成材料种类,且BAi中不同元素对应的材料种类不同,
将BAi中第j个元素对应的材料记为BjAi。
进一步的,所述S2中预测材料销量变化与商品销量之间的反馈时延的方法包括以下步骤:
S21、获取基于当前时间的前第二单位时间内BjAi在不同时间节点内分别对应的销量,将BjAi在第N个时间节点内对应的销量记为XNBjAi,构建第一销量关系数据对(N,XNBjAi),并在以o为原点、以基于当前时间的前第二单位时间内的时间节点个数为x轴且以一个时间节点内的销量为y轴构建的平面直角坐标系中,分别将N为不同值时对应的各个第一销量关系数据对相应的坐标点进行标记,且按N值从小到大的顺序将相邻各个标记的坐标点进行相连,得到BjAi的销量折线图,且将BjAi的销量折线图对应的函数记为FBjAi(x),所述FBjAi(x)为分段函数,
所述第二单位时间为数据库中预置的常数且第二单位时间为时间节点对应时长的整数倍,用N1表示第二单位时间除以时间节点对应时长的倍数;
S22、获取历史数据中基于当前时间的前第二单位时间内Ai对应商品在不同时间节点内分别对应的销量,将Ai对应商品在第N个时间节点内对应的销量记为X1NBjAi,构建第二销量关系数据对(N,X1NBjAi),并在构建的平面直角坐标系中,分别将N为不同值时对应的各个第二销量关系数据对相应的坐标点进行标记,且按N值从小到大的顺序将相邻各个标记的坐标点进行相连,得到Ai对应商品的销量折线图,且将Ai对应商品的销量折线图对应的函数记为GAi(x),所述GAi(x)为分段函数;
S23、计算反馈时延为t时FBjAi(x)与GAi(x)之间的趋势变化偏差比,记为PtBjAi,0≤t≤N2,且N2<N1,所述N2为数据库中预置的最大反馈时延阈值,
其中,|Z[FBjAi(x)]-Z[GAi(x+t)]|等于Z[FBjAi(x)]-Z[GAi(x+t)]的绝对值,
当max{FBjAi(x)}=min{FBjAi(x)}时,Z[FBjAi(x)]=0,max{FBjAi(x)}表示区间0≤x≤N1-t内FBjAi(x)的最大值,min{FBjAi(x)}表示区间0≤x≤N1-t内FBjAi(x)的最小值,
当max{FBjAi(x)}>min{FBjAi(x)}时,
Z[FBjAi(x)]=[FBjAi(x)-min{FBjAi(x)}]/[max{FBjAi(x)}-min{FBjAi(x)}],
当max{GAi(x+t)}=min{GAi(x+t)}时,Z[GAi(x+t)]=0,max{GAi(x+t)}表示区间0≤x≤N1-t内GAi(x+t)的最大值,min{GAi(x+t)}表示区间0≤x≤N1-t内GAi(x+t)的最小值,
当max{GAi(x+t)}>min{GAi(x+t)}时,
Z[GAi(x+t)]=[GAi(x+t)-min{GAi(x+t)}]/[max{GAi(x+t)}-min{GAi(x+t)}];
S24、计算t为不同值及j为不同值时分别对应的FBjAi(x)与GAi(x)之间的趋势变化偏差比PtBjAi,将最小趋势变化偏差比对应的t值记为tz,将最小趋势变化偏差比对应的j值记为jz;
S25、得到Ai对应材料销量变化与商品销量之间反馈时延的预测值t1,及Ai对应商品销量分析的最佳关联函数FBjzAi(x),
所述BjzAi表示BAi中第j个元素对应的材料。
本发明预测材料销量变化与商品销量之间的反馈时延的过程中,考虑到同一商品的构成材料可能为多种,且每种材料的销量变化情况可能是存在差异的,进而在比较趋势变化偏差比时,不仅要考虑到反馈时延造成的影响,还要考虑到不同关联材料的销量变化情况的影响;计算Z[FBjAi(x)]及Z[GAi(x+t)],是考虑到0≤x≤N1-t内FBjAi(x)及GAi(x+t)分别对应的取值范围不同,通过Z[]运算是为了对0≤x≤N1-t内FBjAi(x)及GAi(x+t)分别对应的取值范围进行转化,使得0≤x≤N1-t内Z[FBjAi(x)]及Z[GAi(x+t)]对应的取值范围均在[0,1]之间。
进一步的,所述S2中预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值的方法包括以下步骤:
S211、获取Ai对应材料销量变化与商品销量之间反馈时延的预测值t1,及Ai对应商品销量分析的最佳关联函数FBjzAi(x);
S212、获取当前时间所属的时间节点的上一时间节点,即第二单位时间内第N1个时间节点,根据t1得到Ai对应的第二时间节点,记为t2Ai,所述t2Ai表示基于当前时间的后续t1内对应的各个时间节点中的最后一个,且t2Ai对应的为一个时间区间;
S213、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第一销售量Qt2Ai,
Qt2Ai=Zt1[FBjzAi(N1)]*[max{GAi(x+t1)}-min{GAi(x+t1)}]+min{GAi(x+t1)}
其中,Zt1[FBjzAi(N1)]表示0≤x≤N1-t1内,FBjzAi(x)对应的Z[FBjAi(x)],
max{GAi(x+t1)}表示区间0≤x≤N1-t1内GAi(x+t1)的最大值,min{GAi(x+t1)}表示区间0≤x≤N1-t1内GAi(x+t1)的最小值;
S214、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第一销售量波动值Dt2Ai,
Dt2Ai=Et2Ai*Qt2Ai/Zt1[FBjzAi(N1)]
所述Et2Ai为计算反馈时延为t1时FBjzAi(x)与GAi(x)之间的趋势变化偏差比的过程中,x为不同值时分别对应的各个|Z[FBjzAi(x)]-Z[GAi(x+t1)]|中的最大值。
本发明预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值的过程中,通过获取的反馈时延t1能够推算出第二时间节点对应的具体时间区间,而获取Ai对应商品销量分析的最佳关联函数FBjzAi(x),是为了确定预测Qt2Ai的过程中参照的关联材料种类相应的销量变化情况;而获取的第一销售量波动值是为了后续步骤中准确筛选仓库存储标准阈值。
进一步的,所述S3中预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值的方法包括以下步骤:
S31、获取Ai对应的第二时间节点t2Ai;
S32、获取Ai对应商品在第N个时间节点内对应的第二销量关系数据对(N,X1NBjAi),根据线性回归方程公式对N为不同值时对应的各个第二销量关系数据对进行线性拟合,并将拟合结果对应的函数记为H(x);
S33、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量Q2t2Ai,所述Q2t2Ai=H(t2Ai);
S34、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量波动值D2t2Ai,所述D2t2Ai等于N为不同值时,分别对应的H(N)与X1NBjAi之间差值的绝对值中的最大值,所述H(N)表示x为N时H(x)对应的值;
所述S3中得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值的方法包括以下步骤:
S311、获取基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第一销售量Qt2Ai及第一销售量波动值Dt2Ai,得到第一销售量波动区间U1,
所述U1=[Qt2Ai-Dt2Ai,Qt2Ai+Dt2Ai],且Qt2Ai-Dt2Ai>0;
S312、获取基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量Q2t2Ai及第二销售量波动值D2t2Ai,得到第一销售量波动区间U2,
所述U2=[Q2t2Ai-D2t2Ai,Q2t2Ai+D2t2Ai],且Q2t2Ai-D2t2Ai>0;
S313、得到基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的仓库存储标准区间Rt2Ai及仓库存储标准阈值Rkt2Ai,
[Q2t2Ai-D2t2Ai,Q2t2Ai+D2t2Ai],仓库存储标准阈值Rkt2Ai等于U1∩U2内中点对应的值;
所述U3=[min{Qt2Ai-Dt2Ai,Q2t2Ai-D2t2Ai},max{Qt2Ai+Dt2Ai,Q2t2Ai+D2t2Ai}],min{Qt2Ai-Dt2Ai,Q2t2Ai-D2t2Ai}表示Qt2Ai-Dt2Ai与Q2t2Ai-D2t2Ai中的最小值,max{Qt2Ai+Dt2Ai,Q2t2Ai+D2t2Ai}表示Qt2Ai+Dt2Ai与Q2t2Ai+D2t2Ai中的最大值,CU3U1表示U1在U3中的补集,CU3U2表示U2在U3中的补集。
本发明得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值的过程中,综合考虑基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量Q2t2Ai、第二销售量波动值D2t2Ai、第二销售量Q2t2Ai及第二销售量波动值D2t2Ai,考虑到第一销售量及第二销售量均为相应时间节点内Ai商品销售量的预测值,在一定程度上两者均能够反映出相应时间节点Ai商品销售情况,进而仓库存储标准阈值在一定程度上相当于根据第一销售量及第二销售量对相应时间节点内Ai商品销售量的预测值的校准结果。
进一步的,所述S4中获取商铺的历史交易数据中每个编号商品对应的综合退货率时,将Ai对应商品的综合退货率记为WAi,Ai对应商品的综合退货率为基于当前时间的第二单位时间内编号为Ai的商品中的退货总量占编号为Ai的商品总销售量的百分比。
进一步的,所述S5中计算商铺中基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库补货阈值的方法包括以下步骤:
S51、获取Ai对应商品的综合退货率WAi,获取基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的仓库存储标准区间Rt2Ai及仓库存储标准阈值Rkt2Ai;
S52、得到商铺中基于第二时间节点后反馈时延对应的最大时间节点时编号为Ai的商品的仓库补货量gAi,
当Rkt2Ai*WAi≤L[Rt2Ai]时,则gAi=max{Rt2Ai}-Rkt2Ai*WAi,
当Rkt2Ai*WAi>L[Rt2Ai]时,则gAi=min{Rt2Ai},
所述L[Rt2Ai]表示Rt2Ai对应的区间长度,max{Rt2Ai}表示Rt2Ai对应的区间中的最大值,min{Rt2Ai}表示Rt2Ai对应的区间中的最小值;
所述生成商铺商品在相应时间点的仓库补货清单,为商铺上架的各个商品在基于第二时间节点后反馈时延对应的最大时间节点时,分别对应的仓库补货量的集合。
一种基于大数据分析的商铺进销存管理系统,所述系统包括以下模块:
关联材料采集模块,所述关联材料采集模块获取商铺的上架商品,对商品进行编号,并获取每个编号的商品对应的关联材料种类集合;
反馈时延分析模块,所述反馈时延分析模块获取每个关联材料种类集合中各材料种类在各个时间节点分别对应销量的变化情况,结合历史数据中相应编号商品在各个时间节点的销售量变化情况,预测材料销量变化与商品销量之间的反馈时延,并结合第二时间节点时,关联材料种类集合中各材料种类的销售量情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值;
仓库存储标准阈值分析模块,所述仓库存储标准阈值分析模块根据每个编号商品的销售量变化情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值,得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值;
综合退货率分析模块,所述综合退货率分析模块获取商铺的历史交易数据中每个编号商品对应的综合退货率;
管理反馈模块,所述管理反馈模块结合仓库存储标准阈值分析模块及综合退货率分析模块中的分析结果,计算商铺中基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库补货阈值,生成商铺商品在相应时间点的仓库补货阈值清单,并反馈给管理员。
与现有技术相比,本发明所达到的有益效果是:本发明不仅对商铺商品的进销存数据进行实时统计,还考虑到商铺商品的关联材料的销售量变化情况,并准确预测后续单位时间内相应商品的销售量,进而辅助商铺实现智能补货,实时确保商铺的库存量,实现对商铺进销存的有效管理。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据分析的商铺进销存管理方法的流程示意图;
图2是本发明一种基于大数据分析的商铺进销存管理系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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做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。
请参阅图1,本发明提供技术方案:一种基于大数据分析的商铺进销存管理方法,所述方法包括以下步骤:
S1、获取商铺的上架商品,对商品进行编号,并获取每个编号的商品对应的关联材料种类集合;
所述S1中对商品进行编号时,将第i个商品对应的编号记为Ai,
将Ai对应商品的关联材料种类集合记为BAi,所述BAi中每个元素对应的材料种类为Ai对应商品的构成材料种类,且BAi中不同元素对应的材料种类不同,
将BAi中第j个元素对应的材料记为BjAi。
本实施例中若商铺中存在一种商品,则商品对应的编号为A1,
若A1对应的商品由甲、乙及丙三种材料构成,则A1对应商品的关联材料种类集合为BA1,且BA1={甲,乙,丙},材料甲记为B1A1,材料乙记为B2A1,材料丙记为B3A1;
S2、获取每个关联材料种类集合中各材料种类在各个时间节点分别对应销量的变化情况,结合历史数据中相应编号商品在各个时间节点的销售量变化情况,预测材料销量变化与商品销量之间的反馈时延,并结合第二时间节点时,关联材料种类集合中各材料种类的销售量情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值,
所述时间节点对应一个时间区间且时间区间的时长为第一单位时间,第一单位时间为数据库中预置的常数,所述第二时间节点表示当前时间所属的时间节点的上一时间节点,所述反馈时延为时间节点的整数倍,第二时间节点后反馈时延对应的最大时间节点为第二时间节点后反馈时延对应的多个时间节点中的最后一个;
所述S2中预测材料销量变化与商品销量之间的反馈时延的方法包括以下步骤:
S21、获取基于当前时间的前第二单位时间内BjAi在不同时间节点内分别对应的销量,将BjAi在第N个时间节点内对应的销量记为XNBjAi,构建第一销量关系数据对(N,XNBjAi),并在以o为原点、以基于当前时间的前第二单位时间内的时间节点个数为x轴且以一个时间节点内的销量为y轴构建的平面直角坐标系中,分别将N为不同值时对应的各个第一销量关系数据对相应的坐标点进行标记,且按N值从小到大的顺序将相邻各个标记的坐标点进行相连,得到BjAi的销量折线图,且将BjAi的销量折线图对应的函数记为FBjAi(x),所述FBjAi(x)为分段函数,
所述第二单位时间为数据库中预置的常数且第二单位时间为时间节点对应时长的整数倍,用N1表示第二单位时间除以时间节点对应时长的倍数;
S22、获取历史数据中基于当前时间的前第二单位时间内Ai对应商品在不同时间节点内分别对应的销量,将Ai对应商品在第N个时间节点内对应的销量记为X1NBjAi,构建第二销量关系数据对(N,X1NBjAi),并在构建的平面直角坐标系中,分别将N为不同值时对应的各个第二销量关系数据对相应的坐标点进行标记,且按N值从小到大的顺序将相邻各个标记的坐标点进行相连,得到Ai对应商品的销量折线图,且将Ai对应商品的销量折线图对应的函数记为GAi(x),所述GAi(x)为分段函数;
S23、计算反馈时延为t时FBjAi(x)与GAi(x)之间的趋势变化偏差比,记为PtBjAi,0≤t≤N2,且N2<N1,所述N2为数据库中预置的最大反馈时延阈值,
其中,|Z[FBjAi(x)]-Z[GAi(x+t)]|等于Z[FBjAi(x)]-Z[GAi(x+t)]的绝对值,
当max{FBjAi(x)}=min{FBjAi(x)}时,Z[FBjAi(x)]=0,max{FBjAi(x)}表示区间0≤x≤N1-t内FBjAi(x)的最大值,min{FBjAi(x)}表示区间0≤x≤N1-t内FBjAi(x)的最小值,
当max{FBjAi(x)}>min{FBjAi(x)}时,
Z[FBjAi(x)]=[FBjAi(x)-min{FBjAi(x)}]/[max{FBjAi(x)}-min{FBjAi(x)]],
当max{GAi(x+t)}=min{GAi(x+t)}时,Z[GAi(x+t)]=0,max{GAi(x+t)}表示区间0≤x≤N1-t内GAi(x+t)的最大值,min{GAi(x+t)}表示区间0≤x≤N1-t内GAi(x+t)的最小值,
当max{GAi(x+t)}>min{GAi(x+t)}时,
Z[GAi(x+t)]=[GAi(x+t)-min{GAi(x+t)}]/[max{GAi(x+t)}-min{GAi(x+t)}];
S24、计算t为不同值及j为不同值时分别对应的FBjAi(x)与GAi(x)之间的趋势变化偏差比PtBjAi,将最小趋势变化偏差比对应的t值记为tz,将最小趋势变化偏差比对应的j值记为jz;
S25、得到Ai对应材料销量变化与商品销量之间反馈时延的预测值t1,及Ai对应商品销量分析的最佳关联函数FBjzAi(x),
所述BjzAi表示BAi中第j个元素对应的材料。
所述S2中预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值的方法包括以下步骤:
S211、获取Ai对应材料销量变化与商品销量之间反馈时延的预测值t1,及Ai对应商品销量分析的最佳关联函数FBjzAi(x);
S212、获取当前时间所属的时间节点的上一时间节点,即第二单位时间内第N1个时间节点,根据t1得到Ai对应的第二时间节点,记为t2Ai,所述t2Ai表示基于当前时间的后续t1内对应的各个时间节点中的最后一个,且t2Ai对应的为一个时间区间;
S213、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第一销售量Qt2Ai,
Qt2Ai=Zt1[FBjzAi(N1)]*[max{GAi(x+t1)}-min{GAi(x+t1)}]+min{GAi(x+t1)}
其中,Zt1[FBjzAi(N1)]表示0≤x≤N1-t1内,FBjzAi(x)对应的Z[FBjAi(x)],
max{GAi(x+t1)}表示区间0≤x≤N1-t1内GAi(x+t1)的最大值,min{GAi(x+t1)}表示区间0≤x≤N1-t1内GAi(x+t1)的最小值;
S214、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第一销售量波动值Dt2Ai,
Dt2Ai=Et2Ai*Qt2Ai/Zt1[FBjzAi(N1)]
所述Et2Ai为计算反馈时延为t1时FBjzAi(x)与GAi(x)之间的趋势变化偏差比的过程中,x为不同值时分别对应的各个|Z[FBjzAi(x)]-Z[GAi(x+t1)]|中的最大值。
S3、根据每个编号商品的销售量变化情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值,得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值;
所述S3中预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值的方法包括以下步骤:
S31、获取Ai对应的第二时间节点t2Ai;
S32、获取Ai对应商品在第N个时间节点内对应的第二销量关系数据对(N,X1NBjAi),根据线性回归方程公式对N为不同值时对应的各个第二销量关系数据对进行线性拟合,并将拟合结果对应的函数记为H(x);
S33、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量Q2t2Ai,所述Q2t2Ai=H(t2Ai);
S34、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量波动值D2t2Ai,所述D2t2Ai等于N为不同值时,分别对应的H(N)与X1NBjAi之间差值的绝对值中的最大值,所述H(N)表示x为N时H(x)对应的值;
所述S3中得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值的方法包括以下步骤:
S311、获取基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第一销售量Qt2Ai及第一销售量波动值Dt2Ai,得到第一销售量波动区间U1,
所述U1=[Qt2Ai-Dt2Ai,Qt2Ai+Dt2Ai],且Qt2Ai-Dt2Ai>0;
S312、获取基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量Q2t2Ai及第二销售量波动值D2t2Ai,得到第一销售量波动区间U2,
所述U2=[Q2t2Ai-D2t2Ai,Q2t2Ai+D2t2Ai],且Q2t2Ai-D2t2Ai>0;
S313、得到基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的仓库存储标准区间Rt2Ai及仓库存储标准阈值Rkt2Ai,
[Q2t2Ai-D2t2Ai,Q2t2Ai+D2t2Ai],仓库存储标准阈值Rkt2Ai等于U1∩U2内中点对应的值;
本实施例中若U1=[300,460],U2=[380,500],退货率为1%,
由于U1∩U2=[300,460]∩[380,500]=[380,460],
且(380+460)÷2=420,
则相应的仓库存储标准区间为[380,460],相应的仓库存储标准阈值为420;
所述U3=[min{Qt2Ai-Dt2Ai,Q2t2Ai-D2t2Ai},max{Qt2Ai+Dt2Ai,Q2t2Ai+D2t2Ai}],min{Qt2Ai-Dt2Ai,Q2t2Ai-D2t2Ai}表示Qt2Ai-Dt2Ai与Q2t2Ai-D2t2Ai中的最小值,max{Qt2Ai+Dt2Ai,Q2t2Ai+D2t2Ai}表示Qt2Ai+Dt2Ai与Q2t2Ai+D2t2Ai中的最大值,CU3U1表示U1在U3中的补集,CU3U2表示U2在U3中的补集。
本实施例中若U1=[300,400],U2=[500,560],退货率为1%,
由于CU3U1=(400,560],CU3U2=[300,500),
CU3U1∩CU3U1=(400,560]∩[300,500)=(400,500),
且(400+500)÷2=450,
则相应的仓库存储标准区间为(400,500),相应的仓库存储标准阈值为450;
S4、获取商铺的历史交易数据中每个编号商品对应的综合退货率;
所述S4中获取商铺的历史交易数据中每个编号商品对应的综合退货率时,将Ai对应商品的综合退货率记为WAi,Ai对应商品的综合退货率为基于当前时间的第二单位时间内编号为Ai的商品中的退货总量占编号为Ai的商品总销售量的百分比。
S5、结合S3及S4中的分析结果,计算商铺中基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库补货阈值,生成商铺商品在相应时间点的仓库补货阈值清单,并反馈给管理员;
所述S5中计算商铺中基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库补货阈值的方法包括以下步骤:
S51、获取Ai对应商品的综合退货率WAi,获取基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的仓库存储标准区间Rt2Ai及仓库存储标准阈值Rkt2Ai;
S52、得到商铺中基于第二时间节点后反馈时延对应的最大时间节点时编号为Ai的商品的仓库补货量gAi,
当Rkt2Ai*WAi≤L[Rt2Ai]时,则gAi=max{Rt2Ai}-Rkt2Ai*WAi,
当Rkt2Ai*WAi>L[Rt2Ai]时,则gAi=min{Rt2Ai},
所述L[Rt2Ai]表示Rt2Ai对应的区间长度,max{Rt2Ai}表示Rt2Ai对应的区间中的最大值,min{Rt2Ai}表示Rt2Ai对应的区间中的最小值;
所述生成商铺商品在相应时间点的仓库补货清单,为商铺上架的各个商品在基于第二时间节点后反馈时延对应的最大时间节点时,分别对应的仓库补货量的集合。
如图2所示,一种基于大数据分析的商铺进销存管理系统,所述系统包括以下模块:
关联材料采集模块,所述关联材料采集模块获取商铺的上架商品,对商品进行编号,并获取每个编号的商品对应的关联材料种类集合;
反馈时延分析模块,所述反馈时延分析模块获取每个关联材料种类集合中各材料种类在各个时间节点分别对应销量的变化情况,结合历史数据中相应编号商品在各个时间节点的销售量变化情况,预测材料销量变化与商品销量之间的反馈时延,并结合第二时间节点时,关联材料种类集合中各材料种类的销售量情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值;
仓库存储标准阈值分析模块,所述仓库存储标准阈值分析模块根据每个编号商品的销售量变化情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值,得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值;
综合退货率分析模块,所述综合退货率分析模块获取商铺的历史交易数据中每个编号商品对应的综合退货率;
管理反馈模块,所述管理反馈模块结合仓库存储标准阈值分析模块及综合退货率分析模块中的分析结果,计算商铺中基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库补货阈值,生成商铺商品在相应时间点的仓库补货阈值清单,并反馈给管理员,。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大数据分析的商铺进销存管理方法,其特征在于,所述方法包括以下步骤:
S1、获取商铺的上架商品,对商品进行编号,并获取每个编号的商品对应的关联材料种类集合;
S2、获取每个关联材料种类集合中各材料种类在各个时间节点分别对应销量的变化情况,结合历史数据中相应编号商品在各个时间节点的销售量变化情况,预测材料销量变化与商品销量之间的反馈时延,并结合第二时间节点时,关联材料种类集合中各材料种类的销售量情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值,
所述时间节点对应一个时间区间且时间区间的时长为第一单位时间,第一单位时间为数据库中预置的常数,所述第二时间节点表示当前时间所属的时间节点的上一时间节点,所述反馈时延为时间节点的整数倍,第二时间节点后反馈时延对应的最大时间节点为第二时间节点后反馈时延对应的多个时间节点中的最后一个;
S3、根据每个编号商品的销售量变化情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值,得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值;
S4、获取商铺的历史交易数据中每个编号商品对应的综合退货率;
S5、结合S3及S4中的分析结果,计算商铺中基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库补货阈值,生成商铺商品在相应时间点的仓库补货阈值清单,并反馈给管理员。
2.根据权利要求1所述的一种基于大数据分析的商铺进销存管理方法,其特征在于:所述S1中对商品进行编号时,将第i个商品对应的编号记为Ai,
将Ai对应商品的关联材料种类集合记为BAi,所述BAi中每个元素对应的材料种类为Ai对应商品的构成材料种类,且BAi中不同元素对应的材料种类不同,
将BAi中第j个元素对应的材料记为BjAi。
3.根据权利要求2所述的一种基于大数据分析的商铺进销存管理方法,其特征在于:所述S2中预测材料销量变化与商品销量之间的反馈时延的方法包括以下步骤:
S21、获取基于当前时间的前第二单位时间内BjAi在不同时间节点内分别对应的销量,将BjAi在第N个时间节点内对应的销量记为XNBjAi,构建第一销量关系数据对(N,XNBjAi),并在以o为原点、以基于当前时间的前第二单位时间内的时间节点个数为x轴且以一个时间节点内的销量为y轴构建的平面直角坐标系中,分别将N为不同值时对应的各个第一销量关系数据对相应的坐标点进行标记,且按N值从小到大的顺序将相邻各个标记的坐标点进行相连,得到BjAi的销量折线图,且将BjAi的销量折线图对应的函数记为FBjAi(x),所述FBjAi(x)为分段函数,
所述第二单位时间为数据库中预置的常数且第二单位时间为时间节点对应时长的整数倍,用N1表示第二单位时间除以时间节点对应时长的倍数;
S22、获取历史数据中基于当前时间的前第二单位时间内Ai对应商品在不同时间节点内分别对应的销量,将Ai对应商品在第N个时间节点内对应的销量记为X1NBjAi,构建第二销量关系数据对(N,X1NBjAi),并在构建的平面直角坐标系中,分别将N为不同值时对应的各个第二销量关系数据对相应的坐标点进行标记,且按N值从小到大的顺序将相邻各个标记的坐标点进行相连,得到Ai对应商品的销量折线图,且将Ai对应商品的销量折线图对应的函数记为GAi(x),所述GAi(x)为分段函数;
S23、计算反馈时延为t时FBjAi(x)与GAi(x)之间的趋势变化偏差比,记为PtBjAi,0≤t≤N2,且N2<N1,所述N2为数据库中预置的最大反馈时延阈值,
其中,|Z[FBjAi(x)]-Z[GAi(x+t)]|等于Z[FBjAi(x)]-Z[GAi(x+t)]的绝对值,
当max{FBjAi(x)}=min{FBjAi(x)}时,Z[FBjAi(x)]=0,max{FBjAi(x)}表示区间0≤x≤N1-t内FBjAi(x)的最大值,min{FBjAi(x)}表示区间0≤x≤N1-t内FBjAi(x)的最小值,
当max{FBjAi(x)}>min{FBjAi(x)}时,
Z[FBjAi(x)]=[FBjAi(x)-min{FBjAi(x)}]/[max{FBjAi(x)}-min{FBjAi(x)]],
当max{GAi(x+t)}=min{GAi(x+t)}时,Z[GAi(x+t)]=0,max{GAi(x+t)}表示区间0≤x≤N1-t内GAi(x+t)的最大值,min{GAi(x+t)}表示区间0≤x≤N1-t内GAi(x+t)的最小值,
当max{GAi(x+t)}>min{GAi(x+t)}时,
Z[GAi(x+t)]=[GAi(x+t)min{GAi(x+t)}]/[max{GAi(x+t)}min{GAi(x+t)}];
S24、计算t为不同值及j为不同值时分别对应的FBjAi(x)与GAi(x)之间的趋势变化偏差比PtBjAi,将最小趋势变化偏差比对应的t值记为tz,将最小趋势变化偏差比对应的j值记为jz;
S25、得到Ai对应材料销量变化与商品销量之间反馈时延的预测值t1,及Ai对应商品销量分析的最佳关联函数FBjzAi(x),
所述BjzAi表示BAi中第j个元素对应的材料。
4.根据权利要求3所述的一种基于大数据分析的商铺进销存管理方法,其特征在于:所述S2中预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值的方法包括以下步骤:
S211、获取Ai对应材料销量变化与商品销量之间反馈时延的预测值t1,及Ai对应商品销量分析的最佳关联函数FBjzAi(x);
S212、获取当前时间所属的时间节点的上一时间节点,即第二单位时间内第N1个时间节点,根据t1得到Ai对应的第二时间节点,记为t2Ai,所述t2Ai表示基于当前时间的后续t1内对应的各个时间节点中的最后一个,且t2Ai对应的为一个时间区间;
S213、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第一销售量Qt2Ai,
Qt2Ai=Zt1[FBjzAi(N1)]*[max{GAi(x+t1)}-min{GAi(x+t1)}]+min{GAi(x+t1)}
其中,Zt1[FBjzAi(N1)]表示0≤x≤N1-t1内,FBjzAi(x)对应的Z[FBjAi(x)],
max{GAi(x+t1)}表示区间0≤x≤N1-t1内GAi(x+t1)的最大值,min{GAi(x+t1)}表示区间0≤x≤N1-t1内GAi(x+t1)的最小值;
S214、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第一销售量波动值Dt2Ai,
Dt2Ai=Et2Ai*Qt2Ai/t1[FBjzAi(N1)]
所述Et2Ai为计算反馈时延为t1时FBjzAi(x)与GAi(x)之间的趋势变化偏差比的过程中,x为不同值时分别对应的各个|Z[FBjzAi(x)]-Z[GAi(x+t1)]|中的最大值。
5.根据权利要求4所述的一种基于大数据分析的商铺进销存管理方法,其特征在于:所述S3中预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值的方法包括以下步骤:
S31、获取Ai对应的第二时间节点t2Ai;
S32、获取Ai对应商品在第N个时间节点内对应的第二销量关系数据对(N,X1NBjAi),根据线性回归方程公式对N为不同值时对应的各个第二销量关系数据对进行线性拟合,并将拟合结果对应的函数记为H(x);
S33、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量Q2t2Ai,所述Q2t2Ai=H(t2Ai);
S34、预测基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量波动值D2t2Ai,所述D2t2Ai等于N为不同值时,分别对应的H(N)与X1NBjAi之间差值的绝对值中的最大值,所述H(N)表示x为N时H(x)对应的值;
所述S3中得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值的方法包括以下步骤:
S311、获取基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第一销售量Qt2Ai及第一销售量波动值Dt2Ai,得到第一销售量波动区间U1,
所述U1=[Qt2Ai-Dt2Ai,Qt2Ai+Dt2Ai],且Qt2Ai-Dt2Ai>0;
S312、获取基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的第二销售量Q2t2Ai及第二销售量波动值D2t2Ai,得到第一销售量波动区间U2,
所述U2=[Q2t2Ai-D2t2Ai,Q2t2Ai+D2t2Ai],且Q2t2Ai-D2t2Ai>0;
S313、得到基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的仓库存储标准区间Rt2Ai及仓库存储标准阈值Rkt2Ai,
若则仓库存储标准区间Rt2Ai=U1∩U2,即Rt2Ai=[Qt2Ai-Dt2Ai,Qt2Ai+Dt2Ai]∩[Q2t2Ai-D2t2Ai,Q2t2Ai+D2t2Ai],仓库存储标准阈值Rkt2Ai等于U1∩U2内中点对应的值;
所述U3=[min{Qt2Ai-Dt2Ai,Q2t2Ai-D2t2Ai},max{Qt2Ai+Dt2Ai,Q2t2Ai+D2t2Ai}],min{Qt2Ai-Dt2Ai,Q2t2Ai-D2t2Ai}表示Qt2Ai-Dt2Ai与Q2t2Ai-D2t2Ai中的最小值,max{Qt2Ai+Dt2Ai,Q2t2Ai+D2t2Ai}表示Qt2Ai+Dt2Ai与Q2t2Ai+D2t2Ai中的最大值,CU3U1表示U1在U3中的补集,CU3U2表示U2在U3中的补集。
6.根据权利要求5所述的一种基于大数据分析的商铺进销存管理方法,其特征在于:所述S4中获取商铺的历史交易数据中每个编号商品对应的综合退货率时,将Ai对应商品的综合退货率记为WAi,Ai对应商品的综合退货率为基于当前时间的第二单位时间内编号为Ai的商品中的退货总量占编号为Ai的商品总销售量的百分比。
7.根据权利要求6所述的一种基于大数据分析的商铺进销存管理方法,其特征在于:所述S5中计算商铺中基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库补货阈值的方法包括以下步骤:
S51、获取Ai对应商品的综合退货率WAi,获取基于第二时间节点后反馈时延对应的最大时间节点编号Ai商品的仓库存储标准区间Rt2Ai及仓库存储标准阈值Rkt2Ai;
S52、得到商铺中基于第二时间节点后反馈时延对应的最大时间节点时编号为Ai的商品的仓库补货量gAi,
当Rkt2Ai*WAi≤L[Rt2Ai]时,则gAi=max{Rt2Ai}-Rkt2Ai*WAi,
当Rkt2Ai*WAi>L[Rt2Ai]时,则gAi=min{Rt2Ai},
所述L[Rt2Ai]表示Rt2Ai对应的区间长度,max{Rt2Ai}表示Rt2Ai对应的区间中的最大值,min{Rt2Ai}表示Rt2Ai对应的区间中的最小值;
所述生成商铺商品在相应时间点的仓库补货清单,为商铺上架的各个商品在基于第二时间节点后反馈时延对应的最大时间节点时,分别对应的仓库补货量的集合。
8.应用权利要求1-7任意一项所述的一种基于大数据分析的商铺进销存管理方法的基于大数据分析的商铺进销存管理系统,其特征在于,所述系统包括以下模块:
关联材料采集模块,所述关联材料采集模块获取商铺的上架商品,对商品进行编号,并获取每个编号的商品对应的关联材料种类集合;
反馈时延分析模块,所述反馈时延分析模块获取每个关联材料种类集合中各材料种类在各个时间节点分别对应销量的变化情况,结合历史数据中相应编号商品在各个时间节点的销售量变化情况,预测材料销量变化与商品销量之间的反馈时延,并结合第二时间节点时,关联材料种类集合中各材料种类的销售量情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第一销售量及第一销量波动值;
仓库存储标准阈值分析模块,所述仓库存储标准阈值分析模块根据每个编号商品的销售量变化情况,预测基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的第二销售量及第二销量波动值,得到基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库存储标准阈值;
综合退货率分析模块,所述综合退货率分析模块获取商铺的历史交易数据中每个编号商品对应的综合退货率;
管理反馈模块,所述管理反馈模块结合仓库存储标准阈值分析模块及综合退货率分析模块中的分析结果,计算商铺中基于第二时间节点后反馈时延对应的最大时间节点相应编号商品的仓库补货阈值,生成商铺商品在相应时间点的仓库补货阈值清单,并反馈给管理员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310056103.9A CN116070995B (zh) | 2023-01-17 | 2023-01-17 | 一种基于大数据分析的商铺进销存管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310056103.9A CN116070995B (zh) | 2023-01-17 | 2023-01-17 | 一种基于大数据分析的商铺进销存管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070995A true CN116070995A (zh) | 2023-05-05 |
CN116070995B CN116070995B (zh) | 2023-10-24 |
Family
ID=86181616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310056103.9A Active CN116070995B (zh) | 2023-01-17 | 2023-01-17 | 一种基于大数据分析的商铺进销存管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070995B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308470A (zh) * | 2023-05-24 | 2023-06-23 | 南京润典信息科技有限公司 | 基于数据分析的门店物品效期全生命周期管理系统 |
CN117035607A (zh) * | 2023-08-02 | 2023-11-10 | 上海朗晖慧科技术有限公司 | 一种基于物联网的仓储容量预测管理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458505A (zh) * | 2019-08-21 | 2019-11-15 | 北京美鲜科技有限公司 | 生鲜商品柔性加工控制方法及装置 |
US10713622B1 (en) * | 2019-12-06 | 2020-07-14 | Coupang Corp. | Computer-implemented systems and methods for intelligent prediction of out of stock items and proactive reordering |
KR20200122687A (ko) * | 2019-04-18 | 2020-10-28 | 카페24 주식회사 | 상품 판매량 예측 방법, 장치 및 시스템 |
CN112884393A (zh) * | 2020-03-19 | 2021-06-01 | 上海爱奇尔贸易有限公司 | 一种库存补货方法、装置和电子设备 |
CN113554807A (zh) * | 2021-04-22 | 2021-10-26 | 浙江星星冷链集成股份有限公司 | 配货清单生成装置以及无人售货系统 |
CN114707524A (zh) * | 2022-03-25 | 2022-07-05 | 成都蜀云物连科技有限公司 | 基于物联网的组合式一次性器具的智能管理系统及方法 |
CN115423535A (zh) * | 2022-10-17 | 2022-12-02 | 深圳市秦丝科技有限公司 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
CN115423575A (zh) * | 2022-11-03 | 2022-12-02 | 孩子王儿童用品股份有限公司 | 一种基于互联网的数字化分析管理系统及方法 |
-
2023
- 2023-01-17 CN CN202310056103.9A patent/CN116070995B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200122687A (ko) * | 2019-04-18 | 2020-10-28 | 카페24 주식회사 | 상품 판매량 예측 방법, 장치 및 시스템 |
CN110458505A (zh) * | 2019-08-21 | 2019-11-15 | 北京美鲜科技有限公司 | 生鲜商品柔性加工控制方法及装置 |
US10713622B1 (en) * | 2019-12-06 | 2020-07-14 | Coupang Corp. | Computer-implemented systems and methods for intelligent prediction of out of stock items and proactive reordering |
CN112884393A (zh) * | 2020-03-19 | 2021-06-01 | 上海爱奇尔贸易有限公司 | 一种库存补货方法、装置和电子设备 |
CN113554807A (zh) * | 2021-04-22 | 2021-10-26 | 浙江星星冷链集成股份有限公司 | 配货清单生成装置以及无人售货系统 |
CN114707524A (zh) * | 2022-03-25 | 2022-07-05 | 成都蜀云物连科技有限公司 | 基于物联网的组合式一次性器具的智能管理系统及方法 |
CN115423535A (zh) * | 2022-10-17 | 2022-12-02 | 深圳市秦丝科技有限公司 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
CN115423575A (zh) * | 2022-11-03 | 2022-12-02 | 孩子王儿童用品股份有限公司 | 一种基于互联网的数字化分析管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
S. M. AQIL BURNEY,ET AL.: "Sales Forecasting for Supply Chain Demand Management – A Novel Fuzzy Time Series Approach", 《2019 13TH INTERNATIONAL CONFERENCE ON MATHEMATICS, ACTUARIAL SCIENCE, COMPUTER SCIENCE AND STATISTICS》, pages 1 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308470A (zh) * | 2023-05-24 | 2023-06-23 | 南京润典信息科技有限公司 | 基于数据分析的门店物品效期全生命周期管理系统 |
CN116308470B (zh) * | 2023-05-24 | 2023-08-11 | 南京润典信息科技有限公司 | 基于数据分析的门店物品效期全生命周期管理系统 |
CN117035607A (zh) * | 2023-08-02 | 2023-11-10 | 上海朗晖慧科技术有限公司 | 一种基于物联网的仓储容量预测管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116070995B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kök et al. | Evaluation of cycle-count policies for supply chains with inventory inaccuracy and implications on RFID investments | |
Blanning | The construction and implementation of metamodels | |
Lee et al. | Exploring the impact of RFID on supply chain dynamics | |
Zikopoulos | Remanufacturing lotsizing with stochastic lead-time resulting from stochastic quality of returns | |
CN116070995B (zh) | 一种基于大数据分析的商铺进销存管理系统及方法 | |
Franses et al. | Forecasting exchange rates using neural networks for technical trading rules | |
Cunha et al. | A two-stage stochastic programming model for periodic replenishment control system under demand uncertainty | |
Bergman et al. | A Bayesian approach to demand forecasting for new equipment programs | |
CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
CN116188061B (zh) | 商品销量预测方法、装置、电子设备及存储介质 | |
Rekik et al. | Modeling (and learning from) Inventory Inaccuracies in e‐retailing/B2B contexts | |
Mukhopadhyay et al. | A microeconomic production assessment of the business value of management information systems: the case of inventory control | |
CN114372848A (zh) | 一种基于机器学习的烟草行业智能营销系统 | |
Öztürk | A deterministic production inventory model with defective items, imperfect rework process and shortages backordered | |
Wang et al. | Optimization of a stochastic joint replenishment inventory system with service level constraints | |
Priyan et al. | Optimal inventory modeling of supply chain system involving quality inspection errors and fuzzy defective rate | |
CN111177495A (zh) | 一种智能识别数据内容并生成相应行业报告的方法 | |
Miteza | Devaluation and output in five transition economies: A panel cointegration approach of Poland, Hungary, Czech Republic, Slovakia and Romania, 1993-2000 | |
Wu | Applying grey model to prioritise technical measures in quality function deployment | |
Axsäter | Scaling down multi-echelon inventory problems | |
CN108090825A (zh) | 一种财务预算系统及其方法 | |
Zenkova et al. | The economic order quantity taking into account additional information about the known quantile of the cumulative distribution function of the product’s sales volume | |
KR102157216B1 (ko) | 자산 운용 서비스 제공 장치 및 방법 | |
Kumar et al. | Machine learning based predictive analytics for agriculture inventory management system | |
Wang et al. | A decomposition and coordination method for optimising (Q, S) policies in a two-echelon distribution system with joint replenishment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |