CN116205560A - 库存自动化管理系统及其方法 - Google Patents

库存自动化管理系统及其方法 Download PDF

Info

Publication number
CN116205560A
CN116205560A CN202210005470.1A CN202210005470A CN116205560A CN 116205560 A CN116205560 A CN 116205560A CN 202210005470 A CN202210005470 A CN 202210005470A CN 116205560 A CN116205560 A CN 116205560A
Authority
CN
China
Prior art keywords
branch
sales
commodity
class
shops
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210005470.1A
Other languages
English (en)
Inventor
黄献竤
王恩慈
叶吉原
皇甫承佑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN116205560A publication Critical patent/CN116205560A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Warehouses Or Storage Devices (AREA)

Abstract

本发明提供了一种库存自动化管理方法，包括：以预训练模块接收多分店的历史销售状态，对各分店及各品类商品的模型进行预训练。以多分店多商品训练模块取得分店状态及各品类商品状态并且利用预训练好的品类商品模型与分店模型进行水平与垂直关联性训练。以状态分析模块判断多分店之间的水平关联性、多品类商品之间的水平关联性及分店及品类商品之间的垂直关联性，以将相关性高的多分店及多品类商品进行联结，以修正各分店及各品类商品的预期销售量。以库存决策模块进行各分店的多品类商品的订货，以决定各分店的多品类商品的进货量。

Description

库存自动化管理系统及其方法
技术领域
本发明涉及库存自动化管理领域，具体涉及一种库存自动化管理系统及其方法。
背景技术
现代化社会中，各产业的竞争越来越剧烈，要如何有效的降低库存成本已经被大家所关切。关于库存决策，大多数以需求驱动物料需求计划(Demand Driven MaterialRequirements Planning，DDMRP)当基础进货量，并以历史平均销售量、历史销售标准差、订货交付时间、及需求变异参数来调整进货量，其中需求变异参数必须由人工设定参数，非常仰赖人员的经验，因而对于未来不确定因素增加，可能会造成库存成本增加或是进货太少而缺货等情况。
此外，各分店的终端装置可分别通过网络与总部服务器建立信息连结，使得总部能得知各分店的库存信息及销售信息，以进行销售规划，例如折扣、买一送一或特定商品促销等。但由于地域性的关系，各地区的分店的销售的商品种类繁多且各地区对感兴趣的商品也不尽相同，因此管理系统无法提供各分店人员有效评估所属分店多商品的进货建议，容易造成库存增加或是进货太少的情况。
因此，如何对零售多分店多商品库存进行自动化规划，以提供更有效率的进货建议，为业界亟需解决的问题。
发明内容
本发明提供的一种库存自动化管理系统及其方法，用于建立一套完整的多分店多商品预训练模块来辅助各分店人员进行商品进货。
根据本发明的一方面，提出一种库存自动化管理系统，包括预训练模块、多分店多商品训练模块、状态分析模块以及库存决策模块。预训练模块用于接收多分店的历史销售状态，包括全品类商品的历史销售状态、全分店的历史销售状态及总销售状态，预训练模块依照分店及品类商品的历史销售状态，对各分店及各品类商品的模型进行预训练。多分店多商品训练模块用于依据总销售状态取得各分店状态及各品类商品状态，并且利用预训练好的品类商品模型与分店模型进行水平与垂直关联性训练。状态分析模块用于判断多分店之间的水平关联性、多品类商品之间的水平关联性及分店及品类商品之间的垂直关联性，以将相关性高的多分店及多品类商品进行联结，以修正各分店及各品类商品的预期销售量。库存决策模块用于进行各分店的多品类商品的订货，以决定各分店的多品类商品的进货量。
根据本发明的一方面，提出一种库存自动化管理方法，包括：以预训练模块接收多分店的历史销售状态，包括全品类商品的历史销售状态、全分店的历史销售状态及总销售状态，预训练模块依照分店及品类商品的历史销售状态，对各分店及各品类商品的模型进行预训练。以多分店多商品训练模块依据总销售状态取得各分店状态及各品类商品状态并且利用预训练好的品类商品模型与分店模型进行水平与垂直关联性训练。以状态分析模块判断多分店之间的水平关联性、多品类商品之间的水平关联性及分店及品类商品之间的垂直关联性，以将相关性高的多分店及多品类商品进行联结，以修正各分店及各品类商品的预期销售量。以库存决策模块进行各分店的多品类商品的订货，以决定各分店的多品类商品的进货量。
为了对本发明之上述及其他方面有更好的了解，下文特举实施例，并结合所附图详细说明如下：
附图说明
图1是本发明一实施例的库存自动化管理系统的示意图；
图2是本发明一实施例的库存自动化管理系统对多分店或多品类商品进行预训练的示意图；
图3是本发明一实施例的库存自动化管理系统对多分店及多品类商品进行关联性训练示意图；
图4是本发明一实施例的库存自动化管理方法的示意图；
图5是本发明一实施例的库存自动化管理界面的示意图；以及
图6是对不同品类的商品进行进货分析的示意图。
附图标记：
100:库存自动化管理系统
102:全品类商品的历史销售状态
104:全分店的历史销售状态
106:总销售状态
110:预训练模块
111:下一期销售量
112:商品预训练模块
113:品类商品状态
114:当期销售量
115:分店预训练模块
116:库存量
117:分店状态
118:进货量
120:状态分析模块
122:反馈误差
124:销售状态
126:数据库
130:多分店多商品训练模块
140:库存决策模块
142:进货量
144:反馈资料
M1:品类商品模型
M2:分店模型
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。例如：本文中所述的预训练模块、多分店多商品训练模块、状态分析模块、库存决策模块可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现。
请参照图1-3，其中图1是本发明一实施例的库存自动化管理系统100的示意图，图2是本发明一实施例的库存自动化管理系统100对多分店或多品类商品进行预训练的示意图，图3是本发明一实施例的库存自动化管理系统100对多分店及多品类商品进行关联性训练的示意图。库存自动化管理系统100包括预训练模块110、状态分析模块120、多分店多商品训练模块130以及库存决策模块140。预训练模块110可依据全品类商品的历史销售状态102、全分店的历史销售状态104、总销售状态106(包括各品类商品的平均销售量及其标准差、各分店的销售状态及其标准差等信息)，对各分店的多品类商品的未来销售量进行预测。
在一实施例中，历史销售状态102、104例如为时间点t以前的历史52周的某品类商品的销售量，平均销售量例如是时间点t以前的历史13周的某品类商品的平均销售量，标准差例如是时间点t以前的历史13周的某品类商品的销售量的标准差。对未来各分店的多品类商品的状态进行预测例如是对各分店的多品类商品于下一个销售周期t+1的预期销售状态的粗略估测，例如，若预测各分店的某品类商品的未来销售量大于其历史13周的平均销售量，则调高库存水平，此时，供应商可能会预估较高的需求销售量，而各分店也会调高预测量，以避免缺货；若预测各分店的该品类商品的未来销售量小于其历史13周的平均销售量，则调低库存水平，此时，供应商可能会预估较低的需求销售量，而各分店也会调低预测量，以避免爆仓。
预训练模块110包括商品预训练模块112以及分店预训练模块115。商品预训练模块112可依据全品类商品的历史销售状态102对各品类商品模型M1进行预训练。分店预训练模块115可依据全分店的历史销售状态104对各分店模型M2进行预训练。
然而，预训练模块110根据全品类商品的历史销售状态102及全分店的历史销售状态104对单一分店及单一品类商品的模型进行预训练，但并未考量多分店或多商品之间的关联性(包括各分店之间的区域关联性及各品类商品之间的关联性)，因而当预测变动性大于安全水位(例如销售量标准差)时，仍可能会发生各分店进货太多而增加爆仓风险的成本，或发生各分店进货太少而增加缺货风险的成本。此现象又称为预测膨胀(forecastinflation)，为了防范上述的情形，在图1中，本实施例的库存自动化管理系统100的多分店多商品训练模块130可依据总销售状态106取得各分店状态117及各品类商品状态113并且利用预训练好的品类商品模型M1与分店模型M2进行水平与垂直关联性训练，其中分店状态117包含库存信息(缺货率及目前库存量)、分店销售量的预测、历史分店销售的技术指标(例如平均值、标准差等)。品类商品状态113包含库存信息(缺货率及目前库存量)、品类商品销售量的预测、历史品类销售的技术指标(例如平均值、标准差等)。水平与垂直关联性训练包含了水平相关因子与垂直相关因子。水平相关因子在分店之间的水平关联性训练可以是历史销售量的相关系数、地域性的相关或是一些分群方法可以使分店之间有群的相关，商品之间的水平相关因子可以是关联法则(Association rule)或是分群方法可以使商品之间有群的相关，垂直相关因子整合了分店与商品之间的关系，利用垂直相关因子控制垂直关系的强弱。
在图1-2中，多分店及多品类商品的关联性训练完成之后，状态分析模块120还可根据多分店之间的水平关联性(包括各分店之间的区域、销售关联性)、多品类商品之间的水平关联性(包括各分店不同品类商品之间的关联性)及分店与商品之间的垂直关联性(包括多分店与多品类商品之间的关联性)，对各分店及各品类商品进行下一个销售周期的销售量的预测，以避免依赖人员的过往经验以及主观的判断来决定各分店的预期销售量。
请参照图1，当状态分析模块120对多分店及/或多品类商品的下一个销售周期的销售量进行预测之后，库存自动化管理系统100进一步通过库存决策模块140进行各分店的多品类商品的订货，以决定各分店的多品类商品的进货量。
请参照图2，以n个分店或n个品类商品为例，各分店或各品类商品的进货量可通过下列的方式进行预训练。在图2中，状态分析模块120根据各分店及各品类商品的当期销售量114及库存量116以及上一个销售周期的进货量118计算反馈误差122，将各分店及各品类商品的反馈误差122及各分店及各品类商品的销售状态124直接输入至库存决策模块140中以进行各分店及各品类商品的订货，等到预定间隔时间之后，若有需要调整，可重新对库存决策模块140进行评估及训练。
例如：在一实施例中，(1)当一品类商品的库存量stockt以及上一个销售周期的进货量ordert-1的总和大于或等于该品类商品于下一个销售周期的预期销售状态salet+1及当期销售量标准差stdt的总和时，即stockt+ordert-1≥salet+1+stdt，库存决策模块140估计该品类商品的库存过剩，需向下修正该品类商品于下一个销售周期的进货量142，以降低预测误差；(2)当该品类商品的库存量stockt以及上一个销售周期的进货量ordert-1的总和大于或等于该品类商品于下一个销售周期的预期销售状态salet+1，且小于该品类商品于下一个销售周期的预期销售状态salet+1及当期销售量标准差stdt的总和时，即salet+1+stdt≥stockt+ordert-1≥salet+1，库存决策模块140估计该品类商品的库存符合预期销售状态，不需调整该品类商品于下一个销售周期的进货量142；(3)当该品类商品于下一个销售周期的预期销售状态salet+1大于该品类商品的库存量stockt以及上一个销售周期的进货量ordert-1的总和时，即salet+1>stockt+ordert-1，库存决策模块140估计该品类商品的库存不足预期销售状态，需向上修正该品类商品于下一个销售周期的进货量142，以降低预测误差。
经上述库存决策模块140调整进货量142之后，可将进货量储存在数据库126中做为下一次的分析资料，并可将符合各分店及/或各品类商品于下一个销售周期的预期销售状态的进货量142做为计算各分店及/或各品类商品于下下一个销售周期的进货量的反馈资料144，以供状态分析模块120计算反馈误差122。其中，反馈误差122例如为各分店及/或各品类商品的当期销售量salet的平均绝对百分比误差(MAPEt)，也就是当期销售量salet和预测销售量stockt+ordert-1之间绝对差异占当期销售量salet的百分比，反馈误差122越大，表示预测误差越大，反之亦然。
此外，在图3中，状态分析模块120还可判断多分店之间的水平关联性(包括各分店之间的区域、销售关联性)及多品类商品之间的水平关联性(包括不同品类商品之间的关联性)，以将相关性高的前N个分店或前N个品类商品的反馈误差122进行联结，以得到第一组相关性因子。相关性高例如以多分店的相关性分析的信赖值(confidence)或多品类商品的关联性分析的信赖值大于0.8做为门槛值，或者，以多分店的相关性分析的相关系数或多品类商品的相关性分析的相关系数(correlation coefficient)大于0.8做为门槛值。因此，若无设定前N个分店或前N个品类商品的数量，则以使用者自行定义的门槛值做为比对基础。例如：在相关系数高于门槛值时，分店1与分店2具有相近或相似的销售状态，当分店1的品类1商品的销售量增加或减少时，分店2的品类1商品的销售量同步增加或减少，表示两分店之间的相关性高；或者，当品类1商品的销售量增加或减少时，品类2商品的销售量同步增加或减少，表示两品类商品之间的相关性高。
有关相关性的计算式如下：将分店A或品类商品A的反馈误差RewardA乘上权重系数α，再将相关性高的前N个分店或品类商品的反馈误差RewardX乘上相关性因子rX,A的集合的平均值乘上权重系数(1-α)并进行加总，以得到该分店A或该品类商品A的修正后反馈误差Reward'A，修正后反馈误差表示如下：
Figure BDA0003456507840000071
Figure BDA0003456507840000072
相关性因子rX,A例如为区域性、季节性、促销商品或消费者喜好等相关系数进行判断。
请参照图3，状态分析模块120还可再判断多分店及多品类商品之间的垂直关联性，以将相关性高的前N个分店及品类商品的反馈误差进行联结，以得到第二组相关性因子。例如，在相关系数高于门槛值时，当分店1、2的品类1商品的销售量增加或减少时，分店1、2的品类2商品及品类3商品的销售量同步增加或减少，表示在分店1、2中品类1商品、品类2商品及品类3商品的相关性高。因此，除了考量分店之间的水平关联性外，还要进一步考量分店及品类商品之间的垂直关联性。
有关相关性的计算式如下：将分店A的分店反馈误差StoreRewardA乘上权重系数β，再将与分店A的一品类商品具有相关性高的前N个其他品类商品的反馈误差CatogoryRewardA的集合的平均值乘上权重系数(1-β)并进行加总，以得到该分店A修正后的分店反馈误差StoreReward'A，修正后的分店反馈误差表示如下：
Figure BDA0003456507840000081
Figure BDA0003456507840000082
由上述实施例的库存自动化管理系统100可知，库存决策模块140可根据修正后反馈误差Reward'A及修正后分店反馈误差StoreReward'A进行订货，如此可以避免依赖人员的过往经验以及主观的判断来决定各分店的预期销售量，故可降低预测误差，也能够降低爆仓或缺货发生的机率，减少库存成本。
请参照图1-4，其中图4是本发明一实施例的库存自动化管理方法的示意图。根据上述的实施例，库存自动化管理方法包括下列步骤S200～S206。在步骤S200中，以预训练模块110接收多分店的历史销售状态，包括全品类商品的历史销售状态102、全分店的历史销售状态104及总销售状态106，预训练模块110可依照分店及品类商品的历史销售状态，对各分店及各品类商品的模型M1、M2进行预训练。在步骤S202中，以多分店多商品训练模块130依据总销售状态106取得各分店状态117及各品类商品状态113并且利用预训练好的品类商品模型M1与分店模型M2进行水平与垂直关联性训练。在步骤S204中，以状态分析模块120判断多分店之间的水平关联性、多品类商品之间的水平关联性以及分店及品类商品之间的垂直关联性，以将相关性高的多分店及多品类商品进行联结，以修正各分店及各品类商品的预期销售量。在步骤S206中，以库存决策模块进行各分店的多品类商品的订货，以决定各分店的多品类商品的进货量。
请参照图5，其为本发明一实施例的库存自动化管理界面10的示意图。库存自动化管理界面10可显示于计算机荧幕的操作界面上，其具有多个分店栏位12、多个商品栏位20以及下拉式表单22，以供使用者选择或管理不同分店及不同品类的商品。每个品类商品的库存量116可由状态分析模块120根据当期销售状态自动产生或由管理员手动输入。下一期销售量111例如是状态分析模块120根据全品类商品的历史销售状态102、全分店的历史销售状态104、总销售状态106(平均销售量及其标准差)对各分店及各品类商品的下一个销售周期的销售量进行预测的结果。
请参照图6，其对不同品类的商品进行进货分析的示意图。进货分析选单141例如为弹出式选单，其包含全品类商品的历史销售状态102(历史13周销售量平均及标准差)以及库存决策模块140根据下一个销售周期的销售量111及库存量116自动产生的建议进货量142。通过上述的进货分析选单141，使用者可清楚得知各分店及各品类商品的进货量142，节省以人工设定进货参数、降低库存成本及人员误判的风险。
由此可知，本发明上述实施例的库存自动化管理方法及其系统，可提高预测销售量的准确度，降低库存成本及人员误判的风险。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种库存自动化管理系统，包括：
预训练模块，用于接收多分店的历史销售状态，包括全品类商品的历史销售状态、全分店的历史销售状态及总销售状态，预训练模块依照分店及品类商品的历史销售状态，对各分店及各品类商品的模型进行预训练；
多分店多商品训练模块，用于依据总销售状态取得各分店状态及各品类商品状态，并且利用预训练好的品类商品模型与分店模型进行水平与垂直关联性训练；
状态分析模块，用于判断多分店之间的关联性、多品类商品之间的关联性及分店及品类商品之间的垂直关联性，以将相关性高的多分店及多品类商品进行联结，以修正各该分店及各该品类商品的预期销售量；以及
库存决策模块，用于进行各该分店的多品类商品的订货，以决定各该分店的多品类商品的进货量。
2.根据权利要求1所述的系统，其中该预训练模块包括商品预训练模块以及分店预训练模块，该商品预训练模块依据该全品类商品的历史销售状态对各品类商品模型进行预训练，该分店预训练模块依据该全分店的历史销售状态对各分店模型进行预训练。
3.根据权利要求1所述的系统，其中该状态分析模块根据各该分店及各该品类商品的当期销售量及库存量以及上一个销售周期的进货量计算反馈误差，将各该分店及各该品类商品的该反馈误差及各该分店及各该品类商品的销售状态直接输入至该库存决策模块中以进行各该分店及各该品类商品的订货。
4.根据权利要求3所述的系统，其中该库存决策模块更包括将符合各该分店及各该品类商品与下一个销售周期的预期销售状态的进货量做为计算符合各该分店及各该品类商品于下下一个销售周期的进货量的反馈资料，输入至该状态分析模块以计算该反馈误差。
5.根据权利要求4所述的系统，其中该状态分析模块用于将相关性高的前N个分店的该反馈误差及相关性高的前N个品类商品的该反馈误差进行联结，以得到各该分店及各该品类商品的修正后反馈误差。
6.根据权利要求5所述的系统，其中该库存决策模块根据各该分店及各品类商品的修正后反馈误差进行各该分店的多品类商品的订货。
7.一种库存自动化管理方法，包括：
以预训练模块接收多分店的历史销售状态，包括全品类商品的历史销售状态、全分店的历史销售状态及总销售状态，该预训练模块依照分店及品类商品的历史销售状态，对各该分店及各该品类商品的模型进行预训练；
以多分店多商品训练模块依据该总销售状态取得各分店状态及各品类商品状态并且利用预训练好的该品类商品模型与该分店模型进行水平与垂直关联性训练；
以状态分析模块判断多分店之间的水平关联性、多品类商品之间的水平关联性及分店及品类商品之间的垂直关联性，以将相关性高的多分店及多品类商品进行联结，以修正各该分店及各该品类商品的预期销售量；以及
以库存决策模块进行各该分店的多品类商品的订货，以决定各该分店的多品类商品的进货量。
8.根据权利要求7所述的方法，其中该预训练模块包括商品预训练模块以及分店预训练模块，该商品预训练模块依据该全品类商品的历史销售状态对各品类商品模型进行预训练，该分店预训练模块依据该全分店的历史销售状态对各分店模型进行预训练。
9.根据权利要求7所述的方法，其中该状态分析模块根据各该分店及各该品类商品的当期销售量及库存量以及上一个销售周期的进货量计算反馈误差，将各该分店及各该品类商品的该反馈误差及各该分店及各该品类商品的销售状态直接输入至该库存决策模块中，以进行各该分店及各该品类商品的订货。
10.根据权利要求9所述的方法，其中该库存决策模块更包括将符合各该分店及各该品类商品于下一个销售周期的预期销售状态的进货量做为计算，符合各该分店及各该品类商品于下下一个销售周期的进货量的反馈资料，输入至该状态分析模块以计算该反馈误差。
11.根据权利要求10所述的方法，其中该状态分析模块用于将相关性高的前N个分店的该反馈误差及相关性高的前N个品类商品的该反馈误差进行联结，以得到各该分店及各该品类商品的修正后反馈误差。
12.根据权利要求11所述的方法，其中该库存决策模块根据各该分店及各该品类商品的该修正后反馈误差进行各该分店的多品类商品的订货。
CN202210005470.1A 2021-11-30 2022-01-05 库存自动化管理系统及其方法 Pending CN116205560A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW110144716A TWI809579B (zh) 2021-11-30 2021-11-30 庫存自動化管理系統及其方法
TW110144716 2021-11-30

Publications (1)

Publication Number Publication Date
CN116205560A true CN116205560A (zh) 2023-06-02

Family

ID=86500412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210005470.1A Pending CN116205560A (zh) 2021-11-30 2022-01-05 库存自动化管理系统及其方法

Country Status (3)

Country Link
US (1) US20230169462A1 (zh)
CN (1) CN116205560A (zh)
TW (1) TWI809579B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371826A (zh) * 2023-12-07 2024-01-09 福建科德信息技术服务有限公司 一种基于大数据的企业管理方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220187847A1 (en) * 2019-11-05 2022-06-16 Strong Force Vcn Portfolio 2019, Llc Robot Fleet Management for Value Chain Networks
US20230325769A1 (en) * 2022-04-07 2023-10-12 Target Brands, Inc. Methods and systems for inventory planning and control
US20230325763A1 (en) * 2022-04-07 2023-10-12 Target Brands, Inc. Methods and systems for inventory planning and control

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480623B1 (en) * 2000-03-25 2009-01-20 The Retail Pipeline Integration Group, Inc. Method and system for determining time-phased product sales forecasts and projected replenishment shipments for a retail store supply chain
CN1643731A (zh) * 2002-01-23 2005-07-20 米德韦斯瓦科公司 库存管理系统
US20140278778A1 (en) * 2013-03-15 2014-09-18 Rangespan Limited Method, apparatus, and computer-readable medium for predicting sales volume
WO2017183038A1 (en) * 2016-04-20 2017-10-26 Wishelf Ltd. System and method for monitoring stocking shelves
CN107516175B (zh) * 2016-06-16 2021-06-25 深圳市云网万店电子商务有限公司 一种库存调拨方法及装置
US20190236545A1 (en) * 2016-09-05 2019-08-01 Nec Corporation Order quantity determination system, order quantity determination method, and order quantity determination program
US11922440B2 (en) * 2017-10-31 2024-03-05 Oracle International Corporation Demand forecasting using weighted mixed machine learning models
US11373199B2 (en) * 2018-10-26 2022-06-28 Target Brands, Inc. Method and system for generating ensemble demand forecasts
CN109509030B (zh) * 2018-11-15 2021-06-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
EP3757915A1 (en) * 2019-06-27 2020-12-30 Tata Consultancy Services Limited Method and system for adaptive inventory replenishment
TWM601865U (zh) * 2020-07-30 2020-09-21 中國信託商業銀行股份有限公司 物料庫存預警系統
US20220083954A1 (en) * 2020-09-11 2022-03-17 Shopify Inc. Methods and systems for real-time inventory reallocation from supplier to retailer

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371826A (zh) * 2023-12-07 2024-01-09 福建科德信息技术服务有限公司 一种基于大数据的企业管理方法及系统
CN117371826B (zh) * 2023-12-07 2024-03-15 福建科德信息技术服务有限公司 一种基于大数据的企业管理方法及系统

Also Published As

Publication number Publication date
TWI809579B (zh) 2023-07-21
US20230169462A1 (en) 2023-06-01
TW202324230A (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
CN116205560A (zh) 库存自动化管理系统及其方法
TWI793580B (zh) 庫存自動化管理方法及其系統
CN111133460B (zh) 需求预测参数的优化
US20080133313A1 (en) Improved methods and systems for forecasting product demand using price elasticity
US20080154693A1 (en) Methods and systems for forecasting product demand using a causal methodology
CN109727078B (zh) 一种基于商品类别树的销量预测修正方法
US20180025316A1 (en) System and Method of Simultaneous Computation of Optimal Order Point and Optimal Order Quantity
CN112581182B (zh) 自动售货设备的销售管理方法及系统
CN112215546B (zh) 一种对象页面生成方法、装置、设备及存储介质
US11244278B2 (en) Decision support system for optimizing the unit identifier stocking decision
CN108470261B (zh) 一种下单方法及装置
CN110555578A (zh) 一种销量预测方法和装置
US20090089143A1 (en) Methods and systems for forecasting product demand during promotional events using statistical confidence filters
CN113743862B (zh) 基于产品分类的产品目标库存确定方法及系统
Theodorou et al. Optimizing inventory control through a data-driven and model-independent framework
US20090125375A1 (en) Methods and systems for forecasting product demand during promotional events using a causal methodology
US20090327027A1 (en) Methods and systems for transforming logistic variables into numerical values for use in demand chain forecasting
CN115409441A (zh) 库存补货推荐方法、装置以及电子设备
WO2018056222A1 (ja) Ｓｋｕ数を決定するサーバ、方法およびプログラム
JP6943253B2 (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
CN111242532A (zh) 一种采购管理方法、装置和电子设备
JP2020187416A (ja) 物流管理システム
CN113762842B (zh) 仓储调度方法、服务器和系统
CN115796928A (zh) 产品销量预测方法、装置、电子设备和可读存储介质
CN118333531B (zh) 一种基于人工智能的智慧供应链管理方法

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