CN116128408A - 智能补货方法、系统以及计算机可读介质 - Google Patents
智能补货方法、系统以及计算机可读介质 Download PDFInfo
- Publication number
- CN116128408A CN116128408A CN202310027530.4A CN202310027530A CN116128408A CN 116128408 A CN116128408 A CN 116128408A CN 202310027530 A CN202310027530 A CN 202310027530A CN 116128408 A CN116128408 A CN 116128408A
- Authority
- CN
- China
- Prior art keywords
- commodity
- replenishment
- prediction
- information
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Abstract
本申请提供了一种智能补货方法、系统以及计算机可读介质,该方案首先可以根据商品的历史销售量计算所述商品在预测周期内的净需求预测量,然后根据所述净需求预测量,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息,结合所述商品的供应链信息确定符合所述补货数量信息的补货建议信息,再根据所述补货建议信息生成用于完成补货的系统单据。该方案可以提供各类不同的补货算法模型供用户选择使用,并且可以更加全面的对预测结果进行修正,生成用于完成补货的系统单据,由此使得各类商品的补货数量更加准确,减轻企业库存管理成本和生产成本。
Description
技术领域
本申请涉及物流仓储技术领域,尤其涉及一种智能补货方法、系统以及计算机可读介质。
背景技术
补货是商品销售过程中最重要的业务之一,好的补货方法可以保证销售和有效降低采购成本间取得最佳效益。
目前企业普遍使用的补货方法主要有以下几种:1、由采购业务员根据库存余额以及销售人员登记的销售预测来判断何时采购、采购多少等决策,然后由供应商发货后进行采购收货入库。但是,这种方式需要人工判断实施,人力成本较高,同时人工判断容易因考虑不够全面出现失误,导致补货数量计算出错,使得销售缺货让客户购物体验不好或者库存积压使企业库存成本过高。2、根据销售预测作为主要考量依据,并结合安全库存、在途量等参数,来计算需要补货数量,但是此类方法在计算补货数量时方式较为单一、考量因素不够全面,导致计算结果准确性不高。
发明内容
本申请的一个目的是提供一种准确性更高的智能补货方法、系统以及计算机可读介质。
为实现上述目的,本申请实施提供了一种智能补货方法,所述方法包括:
根据商品的历史销售量计算所述商品在预测周期内的净需求预测量;
根据所述净需求预测量,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息;
结合所述商品的供应链信息确定符合所述补货数量信息的补货建议信息;
根据所述补货建议信息生成用于完成补货的系统单据。
进一步地,根据商品的历史销售量计算商品在预测周期内的净需求预测量,包括:
获取商品的历史销售量;
将所述商品的历史销售量结合影响所述商品销售的相关因素,计算所述商品在预测周期内的销售预测量,所述相关因素包括以下至少任意一项:预测周期内的节假日信息、预测周期内的天气信息、商品销售店铺所处的商圈信息、预测周期内的促销活动信息、商品的客户群体信息;
根据所述商品在预测周期内的销售预测量,结合所述商品的库存情况,确定所述商品在预测周期内的净需求预测量。
进一步地,将所述商品的历史销售量结合影响所述商品销售的相关因素,计算所述商品在预测周期内的销售预测量,包括:
确定关于销售预测量的预测目标,所述预测目标包括预测的商品和预测周期;
根据所述预测目标获取所述商品在相关销售周期内的历史销售量;
根据所述历史销售量,采用预设的预测算法模型,计算所述商品在预测周期内的初步销售预测量;
采用影响所述商品销售的相关因素,对所述商品在预测周期内的初步销售预测量进行修正,获取所述商品在预测周期内的销售预测量。
进一步地,所述预测算法模型包括加权移动平均算法或一次指数平滑算法。
进一步地,根据所述净需求预测量,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息,包括:
根据所述净需求预测量和所述通用参数,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息,其中,所述通用参数包括以下至少任意一项:仓网规划信息、库存水位、补货周期、计划日历信息、提前期、最小订购量、产能约束信息、服务水平信息、损耗率。
进一步地,根据所述净需求预测量和所述通用参数,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息,包括:
根据所述净需求预测量和所述通用参数,采用预设的补货算法模型,计算所述商品的预测周期内的预计补货量;
根据所述商品的未出库量和在途量,对所述商品的预测周期内的预计补货量进行修正,获取所述商品的预测周期内的补货数量信息。
进一步地,所述预设的补货算法模型包括最高最低水位算法或期间补货算法。
进一步地,所述补货建议信息包括采购建议信息、生产建议信息和调拨建议信息;
根据所述补货建议信息生成用于完成补货的系统单据,包括:
根据所述采购建议信息、生产建议信息和调拨建议信息分别生成对应的采购单据、生产加工单据和库存调拨单据。
本申请实施例还提供了一种智能补货系统,该系统包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述系统执行所述智能补货方法。
本申请实施例还提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现所述智能补货方法。
相较于现有技术,本申请提供的智能补货方案中,首先可以根据商品的历史销售量计算所述商品在预测周期内的净需求预测量,然后根据所述净需求预测量,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息,结合所述商品的供应链信息确定符合所述补货数量信息的补货建议信息,再根据所述补货建议信息生成用于完成补货的系统单据。该方案可以提供各类不同的补货算法模型供用户选择使用,并且可以更加全面的对预测结果进行修正,生成用于完成补货的系统单据,由此使得各类商品的补货数量更加准确,减轻企业库存管理成本和生产成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请实施例提供的一种智能补货方法的处理流程图;
图2为本申请实施例中计算商品在预测周期内的净需求预测量的处理流程图;
图3为本申请实施例中所采用的最高最低水位算法的示意图;
图4为本申请实施例中所采用的期间补货算法的示意图;
图5为本申请实施例中计算商品在预测周期内的补货数量信息的处理流程图;
图6为采用本申请实施例的方案实现智能补货时的处理原理示意图;
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本申请实施例提供的一种智能补货方法中,首先可以根据商品的历史销售量计算所述商品在预测周期内的净需求预测量,然后根据所述净需求预测量,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息,结合所述商品的供应链信息确定符合所述补货数量信息的补货建议信息,再根据所述补货建议信息生成用于完成补货的系统单据。该方案可以提供各类不同的补货算法模型供用户选择使用,并且可以更加全面的对预测结果进行修正,生成用于完成补货的系统单据,由此使得各类商品的补货数量更加准确,减轻企业库存管理成本和生产成本。
在实际场景中,该方法的执行主体可以是用户设备、网络设备或用户设备与网络设备通过网络相集成所构成的设备,或者也可以是运行于上述设备的应用程序。所述用户设备包括但不限于计算机、手机、平板电脑等各类终端设备;所述网络设备包括但不限于如网络主机、单个网络服务器、多个网络服务器集中的服务器或者是分布式云网络中的服务器等。在此所述分布式云网络由基于云计算(Cloud Computing)的大量主机或网络服务器构成。
图1本申请实施例提供的一种智能补货方法的处理流程,至少包括以下的处理步骤:
步骤S101,根据商品的历史销售量计算所述商品在预测周期内的净需求预测量。
其中,所述预测周期即为本次所计算的补货数量的时间周期,例如当智能补货方法应用于某一款服装的补货时,所述商品即为该款服装,若需要确定该款服装在今年第三季度的补货数量,则所述预测周期即为今年的第三季度。所述历史销售量即为对应的商品在过去的一段或多段时间区间内的销售量,其具体所涉及的时间区间可以根据预测周期确定,例如当所述预测周期为今年的第三季度时,所述历史销售量所涉及的时间区间可以是去年的第三、四季度以及今年的第一、二季度,相应地,所述商品的历史销售量即为该款服装在去年的第三、四季度以及今年的第一、二季度这四个季度的销售量。
所述商品在预测周期内的净需求预测量为某一商品在预测周期内所需要的数量的预测值,可以根据所述商品在预测周期内的销售预测量,结合所述商品的库存情况来确定。本申请的一些实施例中,在根据商品的历史销售量计算商品在预测周期内的净需求预测量时,可以先获取商品的历史销售量,然后将所述商品的历史销售量结合影响所述商品销售的相关因素,计算所述商品在预测周期内的销售预测量。其中,所述相关因素是指在实际场景中各类能够影响到商品销售数量的因素,可以包括预测周期内的节假日信息、预测周期内的天气信息、商品销售店铺所处的商圈信息、预测周期内的促销活动信息以及商品的客户群体信息等。在实际场景中,可以根据应用场景的需要,选择其中一项或者多项来对计算结果进行修正,以获得更加准确的销售预测量。通过此种基于相关因素进行修正方式,可以更加全面的考虑实际情况对商品销售量的影响情况,
本实施例的方案中,在计算所述商品在预测周期内的销售预测量时,可以先确定关于销售预测量的预测目标,所述预测目标包括预测的商品和预测周期。例如,可以将设定预测目标为某款家电在今年第四季度的销售预测量,则所述预测的商品即为该款家电,而预测周期则是今年的第四季度。
在确定预测目标之后,即可根据所述预测目标获取所述商品在相关销售周期内的历史销售量。其中,所述相关销售周期可以是所述预测周期之前的N个时间周期,例如若本实施例中设定N为3,则所述相关销售周期是预测周期之前的3个时间周期,即为今年的第一、二、三季度。由此,可以获取该款家电在今年第一、二、三季度的历史销售量,作为所述商品在相关销售周期内的历史销售量。在实际场景中,本实施例的方案可以接入配套的CRM(Customer Relationship Management,客户关系管理)系统,通过CRM系统自动拉取诸如历史销售量等相关的信息,由此实现更加自动化的处理。
在获取商品在相关销售周期内的历史销售量后,可以根据所述历史销售量,采用预设的预测算法模型,计算所述商品在预测周期内的初步销售预测量。在实际场景中,可以提供多种预设的预测算法模型供用户使用,以更好的适应不同的应用场景。例如,本实施例中预测算法模型可以包括加权移动平均算法或一次指数平滑算法。其中,所述加权移动平均算法的公式为:
其中,Q为商品在预测周期内的初步销售预测量,Qi为商品在第i个相关销售周期内的历史销售量,Wi为商品在第i个相关销售周期内的历史销售量的权重,n为相关销售周期的数量。以计算某款家电在今年第四季度的销售预测量的场景为例,Q1、Q2、Q3分别为今年第一、二、三季度的历史销售量,W1、W2、W3分别为Q1、Q2、Q3对应的权重,n为3,由此可以通过上述公示计算出该款家电在今年第四季度的销售预测量Q。
而一次指数平滑算法的公式为:
Q=α·Q’n+(1-α)·Qn
其中,Q为商品在预测周期内的初步销售预测量,α为平滑指数,可以设定为大于0且小于1的值,Q’n为前一个相关销售周期内实际的历史销售量,Qn代表前一个相关销售周期内预测的历史销售量。例如,以计算某款家电在今年第四季度的销售预测量的场景为例,Q’n为今年三季度实际的历史销售量,Qn为今年三季度预测的历史销售量,即预测周期内为今年第三季度时的销售预测量的预测结果,由此可以通过上述公示计算出该款家电在今年第四季度的销售预测量Q。
在通过上述任意一种方式计算出所述商品在预测周期内的初步销售预测量之后,可以进一步采用影响所述商品销售的相关因素,对所述商品在预测周期内的初步销售预测量进行修正,获取所述商品在预测周期内的销售预测量。其中,预测周期内的节假日信息、预测周期内的天气信息、商品销售店铺所处的商圈信息、预测周期内的促销活动信息、商品的客户群体信息等,其中,预测周期内的节假日、促销活动会带来销售量的增加,因此当预测周期内包含了节假日或者具有促销活动时,可以按照预先设定的比例,在初步销售预测量的基础上适当增加,使得修正后的销售预测量高于初步销售预测。对于不同的商圈,由于其对应的消费者的消费水平会存在一定的区别,因此可以预先设定各个商圈的修正比例,按照该修正比例对商品的初步销售预测量进行修正。对于不同的商品,由于客户群体的不同,导致消费能力也同样会存在区别,因此也可以预先设定不同商品所对应的客户群体的修正比例,按照该修正比例对商品的初步销售预测量进行修正。此外,有些商品会因为天气的原因导致销量发生变化,比如羽绒服,在冬季预测时,会按照比例增加,同理夏季会按照比例减少,因此可以根据实际的场景对这些商品的初步销售预测量进行修正。在计算过程中,影响所述商品销售的相关因素,修正的比例,以及影响的方式(如增加或减少预测量)可以预先配置,并由业务人员定期更新维护,以便于更加准确地确定商品在预测周期内的销售预测量。
在获得商品在预测周期内的销售预测量之后,即可根据所述商品在预测周期内的销售预测量,结合所述商品的库存情况,确定所述商品在预测周期内的净需求预测量。其中,所述库存情况可以包括相关时间点已有的库存量、入库量以及预先设定的安全库存量等。在本实施中,考虑商品的库存情况计算预测周期内的净需求预测量时,可以采用如下的公式:净需求预测量=商品在当前预测周期内的销售预测量-前一个销售周期末的可用库存量-当前预测周期内的入库量+安全库存量。例如,通过前述的处理已经计算获得某一家电在当前预测周期(今年第四季度)的销售预测量为1000,前一个销售周期(即今年第三季度)末的可用库存量为300,今年第四季度通过已有调度、采购以及生产等计划的入库量为600,安全库存量为200,由此可以计算出该家电在今年第四季度的净需求预测量为300。
图2示出了本申请实施例中计算商品在预测周期内的净需求预测量的处理流程,包括以下的处理步骤:
步骤S201,首先确定关于销售预测量的预测目标。
步骤S202,根据预测目标收集商品在相关销售周期内的历史销售量。
步骤S203,选择一种预设的预测算法模型。
步骤S204,根据所述历史销售量,采用预设的预测算法模型,计算出所述商品在预测周期内的初步销售预测量。
步骤S205,综合影响所述商品销售的相关因素,对所述商品在预测周期内的初步销售预测量进行修正。
步骤S206,获得所述商品在预测周期内的销售预测量。
步骤S207,根据所述商品在预测周期内的销售预测量,结合所述商品的库存情况,确定所述商品在预测周期内的净需求预测量。在确定商品在预测周期内的净需求预测量之后,即可执行后续的处理。
步骤S102,根据所述净需求预测量,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息。其中,所述补货算法模型根据实际场景的需求预先设定,并提供给用户进行选择使用,避免了计算方式单一导致无法适用于不同应用场景,使得该方案在各个场景下都可以具有更好的性能,计算获得的补货数量更加准确,有效减轻企业库存管理成本和生产成本。
在本申请的一些实施例中,可以预先设定各类通用参数,根据所述净需求预测量和所述通用参数,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息。其中,所述通用参数包括以下至少任意一项:仓网规划信息、库存水位、补货周期、计划日历信息、提前期、最小订购量、产能约束信息、服务水平信息、损耗率,具体可以根据实际应用场景的需求设定。上述通用参数都会从各个方面影响补货的过程,仓网规划信息包括确定配送中心、仓库以及生产设施的地理位置,从而影响补货的效率。库存水位是指仓库存放产品的区间值,进行计算过程中,补货数量不能超过库存水位的最高值。计划日历信息是在在自然日历基础上,考虑本企业的生产安排来制定的,包含各个生产车间和相关部门的工作日历,据此安排采购业务进行补货入库。比如补货周期为每月15号补货、计划日历也就是每天工作的日历,那我们计算出来采购数量为100,根据补货周期和计划日历会生成采购计划为:15号建议采购数量为100,那生产计划就会按照工作日历、产能约束来排,跳过工厂休息的时间的同时符合产能最大值。其中,产能约束信息包括产生设备的最大加工能力的上限。服务水平信息是指物流仓库在一定时期内的服务质量。损耗率即为商品的物流仓储过程中损耗的比例,预计入库时,会有一定百分比的减少,例如当损耗率为10%时,当采购的商品为100,考虑该损耗率,就需要实际采购110个,防止商品损耗导致缺货。
在实际场景中,由于实际补货的数量还会受到商品当前的未出库量和在途量的影响,因此在计算商品的预测周期内的补货数量信息时,可以先根据所述净需求预测量和所述通用参数,采用预设的补货算法模型,计算所述商品的预测周期内的预计补货量,然后再根据所述商品的未出库量和在途量,对所述商品的预测周期内的预计补货量进行修正,获取所述商品的预测周期内的补货数量信息。其中,所述未出库量是指仓库中仍未出库的商品数量,而在途量是指通过采购等方式需要入库但还未实际入库的商品数量,通过修正可以使得最终确定的补货数量信息更加准确。
在本申请的一些实施例中,所述预设的补货算法模型包括最高最低水位算法或期间补货算法。其中,所述最高最低水位算法的原理如图3所示,是根据库存的最低水位、最高水位和需求预测,把库存维持在最低水位和最高水位之间,达到一定的有货率。其中,最低水位即为图中的最低库存,也就是安全库存=(每日最大动销量×最长补货周期)-(日均动销量×平均补货周期),最高水位即为图中的最高库存=最低水位+周转库存+补货量,需求预测即为预计补货量。在实际计算时,可以根据该最高最低水位算法的模型,确定在预测周期内的预计补货量,使得该实际该方案能够达到设定的有货率。
而期间补货算法的原理如图4所示,是根据实时的库存余额进行判断是否需要补货,根据安全库存量和未来的需求预测计算出补货数量,图中OC表示订单周期,即两个连续补货订单之间的时间,LT表示交货期,即供应商的交货时间,SS表示安全库存,是指用于防止需求或供应的随机波动的库存缓冲量。具体地,当某一个时间点的库存量低于D(OC)+SS(OC)时,则进行补货,补货数量为=D(OC)+SS(OC)-库存余额。其中SS(OC)代表订单周期和交货期对应的安全库存,D(OC)代表订单周期和交货期的需求预测。在实际计算时,可以根据该期间补货算法的模型,确定商品的预测周期内的补货数量信息。
图5示出了本申请实施例中计算商品在预测周期内的补货数量信息的处理流程,包括以下的处理步骤:
步骤S501,根据销售预测净需求量和通用参数,通过预设的补货算法模型的公式进行计算。
步骤S502,计算获得预计补货量。
步骤S503,根据未出库量和在途量对预计补货量进行修正。
步骤S504,得到最终的补货数量信息。
步骤S505,记录处理过程中的所有数据,留档管理。在确定商品在预测周期内的补货数量信息之后,即可执行后续的处理。
步骤S103,结合所述商品的供应链信息确定符合所述补货数量信息的补货建议信息。例如,若某一个商品补货数量信息为400,则可以生成对应的补货建议信息,即需要在预测周期的哪些时间点通过何种方式进行补货,具体补货的时间以及补货的方式可以与商品的供应链关联。具体地,所述补货建议信息包括采购建议信息、生产建议信息和调拨建议信息,采购建议信息是指在某一时间通过采购的方式进行补货的建议,生产建议信息是指在某一时间通过生产的方式进行补货的建议,而调拨建议信息则是指在某一时间通过调拨的方式进行补货的建议。
步骤S104,根据所述补货建议信息生成用于完成补货的系统单据。在实际场景中,不同形式的补货建议信息可以生成对应不同的系统单据,例如,根据所述采购建议信息可以生成对应的采购单据,从而通过采购的方式进行补货,根据所述生产建议信息可以生成对应的生产加工单据,从而通过生产的方式进行补货,而根据所述调拨建议信息可以生成对应的库存调拨单据,从而通过从其它仓库调拨的方式进行补货。
在实际场景中,除了生成补货建议信息之外,在发现当前的库存量存在问题时,例如低于安全库存量,还可以生成对应的库存预警,并通过消息通知等方式提示用户,避免因库存问题而导致进一步的损失。
图6示出了采用本申请实施例的方案实现智能补货时的处理原理,在通过商品的历史销售量计算所述商品在预测周期内的净需求预测量,作为销售预测,将销售预测、库存余额、在途量、未出库量作为输入,结合通用参数进行相应的计算之后,输出采购建议、分货建议、生产计划以及库存预警,并进一步根据采购建议、分货建议、生产计划生成相关系统的采购订单、分货计划以及生产指令,由此实现智能化的补货过程。
此外,本申请实施例还提供了一种智能补货系统,该系统包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述系统执行前述的智能补货方法。
特别地,本申请实施例中的方法和/或实施例可以被实现为计算机软件程序。例如,本实施例还包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在该计算机程序被处理单元执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图或框图示出了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的针对硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个计算机程序指令,所述计算机程序指令可被处理器执行以实现前述本申请的多个实施例的方法和/或技术方案。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种智能补货方法,其特征在于,所述方法包括:
根据商品的历史销售量计算所述商品在预测周期内的净需求预测量;
根据所述净需求预测量,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息;
结合所述商品的供应链信息确定符合所述补货数量信息的补货建议信息;
根据所述补货建议信息生成用于完成补货的系统单据。
2.根据权利要求1所述的方法,其特征在于,根据商品的历史销售量计算商品在预测周期内的净需求预测量,包括:
获取商品的历史销售量;
将所述商品的历史销售量结合影响所述商品销售的相关因素,计算所述商品在预测周期内的销售预测量,所述相关因素包括以下至少任意一项:预测周期内的节假日信息、预测周期内的天气信息、商品销售店铺所处的商圈信息、预测周期内的促销活动信息、商品的客户群体信息;
根据所述商品在预测周期内的销售预测量,结合所述商品的库存情况,确定所述商品在预测周期内的净需求预测量。
3.根据权利要求2所述的方法,其特征在于,将所述商品的历史销售量结合影响所述商品销售的相关因素,计算所述商品在预测周期内的销售预测量,包括:
确定关于销售预测量的预测目标,所述预测目标包括预测的商品和预测周期;
根据所述预测目标获取所述商品在相关销售周期内的历史销售量;
根据所述历史销售量,采用预设的预测算法模型,计算所述商品在预测周期内的初步销售预测量;
采用影响所述商品销售的相关因素,对所述商品在预测周期内的初步销售预测量进行修正,获取所述商品在预测周期内的销售预测量。
4.根据权利要求3所述的方法,其特征在于,所述预测算法模型包括加权移动平均算法或一次指数平滑算法。
5.根据权利要求1所述的方法,其特征在于,根据所述净需求预测量,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息,包括:
根据所述净需求预测量和所述通用参数,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息,其中,所述通用参数包括以下至少任意一项:仓网规划信息、库存水位、补货周期、计划日历信息、提前期、最小订购量、产能约束信息、服务水平信息、损耗率。
6.根据权利要求5所述的方法,其特征在于,根据所述净需求预测量和所述通用参数,采用预设的补货算法模型,计算所述商品的预测周期内的补货数量信息,包括:
根据所述净需求预测量和所述通用参数,采用预设的补货算法模型,计算所述商品的预测周期内的预计补货量;
根据所述商品的未出库量和在途量,对所述商品的预测周期内的预计补货量进行修正,获取所述商品的预测周期内的补货数量信息。
7.根据权利要求1所述的方法,其特征在于,所述预设的补货算法模型包括最高最低水位算法或期间补货算法。
8.根据权利要求1所述的方法,其特征在于,所述补货建议信息包括采购建议信息、生产建议信息和调拨建议信息;
根据所述补货建议信息生成用于完成补货的系统单据,包括:
根据所述采购建议信息、生产建议信息和调拨建议信息分别生成对应的采购单据、生产加工单据和库存调拨单据。
9.一种智能补货系统,其中,该系统包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述系统执行权利要求1至8中任一项所述的方法。
10.一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027530.4A CN116128408A (zh) | 2023-01-09 | 2023-01-09 | 智能补货方法、系统以及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027530.4A CN116128408A (zh) | 2023-01-09 | 2023-01-09 | 智能补货方法、系统以及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128408A true CN116128408A (zh) | 2023-05-16 |
Family
ID=86305982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310027530.4A Pending CN116128408A (zh) | 2023-01-09 | 2023-01-09 | 智能补货方法、系统以及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128408A (zh) |
Cited By (1)
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 |
-
2023
- 2023-01-09 CN CN202310027530.4A patent/CN116128408A/zh active Pending
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sawik | On the risk-averse optimization of service level in a supply chain under disruption risks | |
US20150254589A1 (en) | System and Method to Provide Inventory Optimization in a Multi-Echelon Supply Chain Network | |
US8515835B2 (en) | Systems and methods for multi-echelon inventory planning with lateral transshipment | |
CN110097203A (zh) | 库存调度方法、库存调度装置以及计算机可读存储介质 | |
CN111429048A (zh) | 确定补货信息的方法、装置及设备 | |
CN111340421A (zh) | 一种采购方法 | |
US9990597B2 (en) | System and method for forecast driven replenishment of merchandise | |
WO2013102932A2 (en) | System and method facilitating forecasting, optimization and visualization of energy data for an industry | |
CN107767092B (zh) | 商品对象信息的处理方法、展示方法及装置 | |
US20170330211A1 (en) | Modeling inventory performance for omni-channel fulfillment in retail supply networks | |
JP6031184B2 (ja) | 供給グループ決定支援装置及び供給グループ決定支援プログラム | |
JP7105336B2 (ja) | スマートサプライチェーンシステム | |
CN104573996A (zh) | 一种铸造企业用自动报价系统 | |
Avci | Lateral transshipment and expedited shipping in disruption recovery: A mean-CVaR approach | |
WO2023082553A1 (zh) | 采购数据的确定方法及其装置、计算机可读存储介质 | |
CN116128408A (zh) | 智能补货方法、系统以及计算机可读介质 | |
CN113988768B (zh) | 一种库存的确定方法和装置 | |
WO2016205153A1 (en) | Incremental estimation for probabilistic forecaster | |
CN113627847A (zh) | 补货单的生成方法和装置 | |
JP2013131259A (ja) | 統合需要予測装置、統合需要予測方法、及び統合需要予測プログラム | |
US10956859B2 (en) | Avoidance of product stockouts through optimized routing of online orders | |
US20160283897A1 (en) | Days of inventory determination based on constraints | |
JP2020119388A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20210304243A1 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
CN114626660A (zh) | 用于激增调整预报的方法和装置 |
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 |