CN116629577A - 一种基于大数据的智能化供应链管理系统 - Google Patents
一种基于大数据的智能化供应链管理系统 Download PDFInfo
- Publication number
- CN116629577A CN116629577A CN202310730435.0A CN202310730435A CN116629577A CN 116629577 A CN116629577 A CN 116629577A CN 202310730435 A CN202310730435 A CN 202310730435A CN 116629577 A CN116629577 A CN 116629577A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- supply chain
- unit
- inventory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013068 supply chain management Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000013480 data collection Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000003032 molecular docking Methods 0.000 claims abstract description 8
- 238000007726 management method Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012502 risk assessment Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000012384 transportation and delivery Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000344 soap Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/04—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
- G06Q10/08—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
Abstract
本发明涉及智能化供应链管理技术领域。本发明涉及一种基于大数据的智能化供应链管理系统。其包括模型数据收集单元、需求预测单元、决策实施单元、运营监控单元以及方案更新单元；模型数据收集单元用于采集仓库对接数据，并将采集的数据进行处理分析；本发明通过对海量供应链数据的分析和挖掘，提供准确、全面的供应链管理方案依据，精准地预测需求、优化库存，通过优化算法进行供应商选择、库存优化和订单分配，提高运营效率和降低成本，通过实时监测供应链的运营情况，及时发现潜在异常数据问题并采取相应措施，提高供应链的灵活性和稳定性，通过反馈给用户，由用户对异常数据解决方案进行更正，提高异常物流的解决效果。
Description
技术领域
本发明涉及智能化供应链管理技术领域，具体地说，涉及一种基于大数据的智能化供应链管理系统。
背景技术
所谓供应链，其实就是由供应商、制造商、仓库、配送中心和渠道商构成。同一企业可能构成这个网络的不同组成节点，但更多的情况下是由不同的企业构成这个网络中的不同节点，在供应链各成员单位间流动的原材料、在制品库存和产成品就构成了供应链上的货物流，供应链管理系统往往缺乏智能化的特点，无法充分利用大数据的潜力，在物流出现异常时，对异常数据无法及时进行处理，需要用户对其进行解决，使管理系统正常运行，较为麻烦，提出一种基于大数据的智能化供应链管理系统。
发明内容
本发明的目的在于提供一种基于大数据的智能化供应链管理系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于大数据的智能化供应链管理系统，包括模型数据收集单元、需求预测单元、决策实施单元、运营监控单元以及方案更新单元；
所述模型数据收集单元用于采集仓库对接数据，并将采集的数据进行处理分析，所述需求预测单元用于根据模型数据收集单元处理完毕的数据建立仓库管理模型，并对分析数据结合供应链需求进行预测分析；
所述决策实施单元用于对需求预测单元预测分析的数据进行风险评估，并根据评估结果判断方案实施；
所述运营监控单元用于将决策实施单元方案实施过程进行数据收集，并对其结合需求预测单元预测分析的数据比对分析；
所述方案更新单元用于将运营监控单元分析后的数据并输送至云端，为用户提供方案调整调整建议，并收集用户反馈数据，上传至决策实施单元进行方案实施更新。
作为本技术方案的进一步改进，所述模型数据收集单元包括信息采集模块和数据清洗模块；
所述信息采集模块用于采集供应链管理所需的数据，并将数据进行持续实时存储；
所述数据清洗模块用于对信息采集模块采集的数据利用数据清洗算法进行预处理。
作为本技术方案的进一步改进，所述信息采集模块将数据进行持续实时传输和存储的步骤如下：
通过与供应商合作建立数据接口，实时获取供应商的基本信息、信用评级和供货能力；
通过与仓库管理数据进行对接，实时监测各个库存点的库存水平、变动情况和库存周转率；
通过与销售业绩管理对接，实时记录销售订单的数量、金额、销售地区相关数据。
作为本技术方案的进一步改进，所述需求预测单元包括模型生成模块和数据分析模块；
所述模型生成模块用于根据数据清洗模块预处理完毕的信息生成供应链预测模型；
所述数据分析模块用于通过模型生成模块生成的供应链预测模型对供应链各环节的需求、供应和库存进行预测分析，通过分析数据获取供应链发展数据。
作为本技术方案的进一步改进，所述决策实施单元包括风险评估模块和仓库分配模块；
所述风险评估模块用于将数据分析模块获取的供应链发展数据结合信息采集模块实施储存的数据在进行评估；
所述仓库分配模块根据风险评估模块获取的评估结果从而获取仓库管理方案，并上传至供应链管理端进行实施。
作为本技术方案的进一步改进，所述仓库分配模块获取仓库管理方案的步骤如下：
根据供应商信息、历史数据和风险评估指标，利用优化算法自动选择最佳的供应商，例如根据供应能力、价格竞争力和供货稳定性进行评估；
结合需求预测和库存情况，使用优化算法确定最佳的库存策略和补货计划，以最小化库存成本和满足需求的准时性；
综合考虑销售预测、库存情况和运输能力因素，使用分配算法自动分配订单给合适的供应商和库存点，以最大化订单交付率和满足客户需求。
作为本技术方案的进一步改进，所述运营监控单元包括订单跟踪模块和监控分析模块；
所述订单跟踪模块用于对仓库分配模块仓库管理方案实施的过程数据进行实时采集更新，并上传至云端；
所述监控分析模块对订单跟踪模块上传至云端过程数据进行监视，并提取异常数据并对其进行分析，获取异常解决方案，并实施其方案应对异常数据。
作为本技术方案的进一步改进，所述对仓库管理方案进行更新的步骤如下：
实时追踪订单的生命周期和状态变化，通过与订单管理对接，监控订单的下单、备货、出库、运输和交付过程；
整合物流信息和运输数据，实时监控货物的运输进程和位置，以及时发现物流异常，并提供预警和处理措施；
实时监测库存的变动情况，通过与仓库管理对接，监控进货、销售、退货库存变动情况，并提供及时的库存报警和调整建议。
作为本技术方案的进一步改进，所述方案更新单元包括信息反馈模块和反馈更新模块；
所述信息反馈模块用于采集异常数据处理结果结合监控分析模块获取的异常解决方案进行评估，根据评估结果判断反馈至云端供用户进行二次评估；
所述反馈更新模块用于根据信息反馈模块的评估数据从而将监控分析模块获取的异常解决方案结合仓库分配模块获取的仓库管理方案进行数据更新结合，获取新的仓库管理方案。
与现有技术相比，本发明的有益效果：
该一种基于大数据的智能化供应链管理系统中，通过对海量供应链数据的分析和挖掘，提供准确、全面的供应链管理方案依据，精准地预测需求、优化库存，通过优化算法进行供应商选择、库存优化和订单分配，提高运营效率和降低成本，通过实时监测供应链的运营情况，及时发现潜在异常数据问题并采取相应措施，提高供应链的灵活性和稳定性，通过反馈给用户，由用户对异常数据解决方案进行更正，提高异常物流的解决效果。
附图说明
图1为本发明的整体流程框图；
图2为本发明的采集仓库对接数据的流程框图；
图3为本发明的供应链需求进行预测分析的流程框图；
图4为本发明的评估结果判断方案实施的流程框图；
图5为本发明的预测分析的数据比对分析的流程框图；
图6为本发明的进行方案实施更新的流程框图。
图中各个标号意义为：
10、模型数据收集单元；11、信息采集模块；12、数据清洗模块；
20、需求预测单元；21、模型生成模块；22、数据分析模块；
30、决策实施单元；31、风险评估模块；32、仓库分配模块；
40、运营监控单元；41、订单跟踪模块；42、监控分析模块；
50、方案更新单元；51、信息反馈模块；52、反馈更新模块。
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。
实施例1
请参阅图1-图6所示，本实施例目的在于，提供了一种基于大数据的智能化供应链管理系统，包括模型数据收集单元10、需求预测单元20、决策实施单元30、运营监控单元40以及方案更新单元50；
模型数据收集单元10用于采集仓库对接数据，并将采集的数据进行处理分析，需求预测单元20用于根据模型数据收集单元10处理完毕的数据建立仓库管理模型，并对分析数据结合供应链需求进行预测分析；
决策实施单元30用于对需求预测单元20预测分析的数据进行风险评估，并根据评估结果判断方案实施；
运营监控单元40用于将决策实施单元30方案实施过程进行数据收集，并对其结合需求预测单元20预测分析的数据比对分析；
方案更新单元50用于将运营监控单元40分析后的数据并输送至云端，为用户提供方案调整调整建议，并收集用户反馈数据，上传至决策实施单元30进行方案实施更新。
模型数据收集单元10包括信息采集模块11和数据清洗模块12；
信息采集模块11用于采集供应链管理所需的数据，并将数据进行持续实时存储；包括供应商信息、库存情况、销售数据；
数据清洗模块12用于对信息采集模块11采集的数据利用数据清洗算法进行预处理。对采集到的数据进行去噪声、去异常值和去重复处理，确保数据的准确性和完整性；
去噪声：
去噪声是指：从数据中识别并删除不必要的噪声信息，使得数据更加准确和真实。常用的去噪声方法有：平滑处理法
平滑处理法：平滑可以平均化数据中的变化，使其更加平稳。平滑时使用均值、中位数、加权移动平均方法对数据进行平滑处理，可通过以下式子计算得出：加权移动平均：
WMA＝(w1x1+w2x2+...+wnxn)/(w1+w2+...+wn)
其中，x为原始数据，w为权重值。
去异常值：
去除异常值是指：检测和删除数据中的异常值。异常值是指不符合期望值或不符合数据的一般规律的数据点。常用的去异常值方法有：3σ准则法
3σ准则法：在正态分布的情况下，距离均值3倍标准差之外的数据点可以被判定为异常值。计算方法如下：
X:数据序列μ:样本均值σ:
样本标准差:
μ-3σ≤X≤μ+3σ
去重复：去重复是指：删除数据中的重复值。重复值是指数据中出现了重复的记录。常用的去重复方法有：Hash法。Hash法：Hash法通过将数据映射到哈希表中，保留每个数据的唯一标识，去掉哈希表中重复的标识，从而达到去重复的目的。
信息采集模块11将数据进行持续实时传输和存储的步骤如下：
通过与供应商合作建立数据接口，实时获取供应商的基本信息、信用评级和供货能力；
通过与仓库管理数据进行对接，实时监测各个库存点的库存水平、变动情况和库存周转率；
通过与销售业绩管理对接，实时记录销售订单的数量、金额、销售地区相关数据。
以下是建立成功接口的一般步骤：
了解数据对接需求：在建立数据对接端口之前，根据实际需求了解其数据格式、数据传输频次信息。
编写应用程序：根据数据需求，编写相应的应用程序，用于将需要的数据从供应商系统中获取并转换为系统可以处理的数据格式。具体实现方式包括WebService、HTTP、FTP、SOAP、RESTful。
进行测试：在进行正式对接之前，需要对数据对接程序进行测试，检查程序的稳定性、可靠性和准确性，以确保程序能够工作正常，并在商业环境下使用。
数据对接与上线：在确定程序可以正常工作之后，需要通知供应商系统管理员或相应的技术人员，告知已准备好与他们的系统进行数据对接。然后上线操作，开始使用从供应链中的仓库供应商以及销售获取的数据。
需求预测单元20包括模型生成模块21和数据分析模块22；
模型生成模块21用于根据数据清洗模块12预处理完毕的信息生成供应链预测模型；使用机器学习方法，对清洗后的数据进行建模，生成供应链的预测模型；从机器学习算法中选取决策树设置相应的参数，如树的深度，决策树的表达式可以表示为：
f(x)＝ΣCj I(x∈Rj)
其中，x是输入的特征向量，Rj是决策树上的一个区域，Cj是该区域内的决策函数。I(x∈Rj)是一个指示函数，如果x属于Rj，其值为1，否则为0
数据分析模块22用于通过模型生成模块21生成的供应链预测模型对供应链各环节的需求、供应和库存进行预测分析，通过分析数据获取供应链发展数据。使用预测算法对供应链各环节的需求、供应和库存进行预测；步骤如下：
数据准备：收集采集供应链的实时数据，包括销售、库存、采购、运输、供应数据处理成符合预测算法的输入数据形式；
特征工程：从数据中提取相关的特征，包括各环节的历史数据、市场趋势信息，并进行标准化或正则化处理，以便用于预测；
模型的选择和训练：选择神经网络，根据特征工程后的数据训练模型，获取模型参数和特征权重信息；神经网络算法的表达式：
y＝f(w*x+b)
其中，y表示需要预测的变量，x表示输入的特征数据，w和b分别表示参数权重和偏置项，f表示激活函数，例如sigmoid函数或ReLU函数
模型评估：使用交叉验证方法对模型进行评估，调整模型参数，并绘制预测误差曲线；
预测应用：使用训练好的模型对实时数据进行预测，得到预测结果，并及时进行调整和优化供应链管理策略；
决策实施单元30包括风险评估模块31和仓库分配模块32；
风险评估模块31用于将数据分析模块22获取的供应链发展数据结合信息采集模块11实施储存的数据在进行评估；
仓库分配模块32根据风险评估模块31获取的评估结果从而获取仓库管理方案，并上传至供应链管理端进行实施。
仓库分配模块32获取仓库管理方案的步骤如下：
根据供应商信息、历史数据和风险评估指标，利用优化算法自动选择最佳的供应商，例如根据供应能力、价格竞争力和供货稳定性进行评估；设有n个供应商，第i个供应商的供应能力为si，价格竞争力为pi，供货稳定性为ri。针对每个供应商i，可以定义一个质量指标qi，表示该供应商的综合绩效表现：
qi＝αsi+βpi+γri
其中，α、β和γ分别是权重系数，用于平衡供应能力、价格竞争力和供货稳定性的重要程度；
结合需求预测和库存情况，使用优化算法确定最佳的库存策略和补货计划，以最小化库存成本和满足需求的准时性；假设有T个时期，第t个时期的需求量为dt，单位库存成本为h，补货成本为K，最小满足率为α，最大存储量为M。则可以定义目标函数：
minimize∑(hIt+KBt)
其中，It表示第t个时期的库存量，Bt表示第t个时期的订货量
综合考虑销售预测、库存情况和运输能力因素，使用分配算法自动分配订单给合适的供应商和库存点，以最大化订单交付率和满足客户需求。假设有n个供应商和m个库存点，第i个供应商的最大供应量为si，最大可接受订单量为bi，第j个库存点的最大存储量为cj，第k个订单的需求量为dk，单位订单成本为h。则可以定义目标函数：
maximize∑fk
其中，fk＝xi表示订单k由第i个供应商满足的数量，yj表示订单k由第j个库存点满足的数量；
运营监控单元40包括订单跟踪模块41和监控分析模块42；
订单跟踪模块41用于对仓库分配模块32仓库管理方案实施的过程数据进行实时采集更新，并上传至云端；
监控分析模块42对订单跟踪模块41上传至云端过程数据进行监视，并提取异常数据并对其进行分析，获取异常解决方案，并实施其方案应对异常数据。
对仓库管理方案进行更新的步骤如下：
实时追踪订单的生命周期和状态变化，通过与订单管理对接，监控订单的下单、备货、出库、运输和交付过程；
整合物流信息和运输数据，实时监控货物的运输进程和位置，以及时发现物流异常，并提供预警和处理措施；
实时监测库存的变动情况，通过与仓库管理对接，监控进货、销售、退货库存变动情况，并提供及时的库存报警和调整建议。
监控订单的下单过程
在订单下单之后，订单状态应该由"待确认"变为"待备货"状态。同时，订单的详细信息应该被传递给仓库进行备货操作。如果订单的信息不完整或者不符合要求，订单状态将会被设置为"待确认"或者"已拒绝"状态。
监控订单的备货过程
当订单信息被仓库接收后，订单状态应该变为"备货中"。同时，仓库应该根据订单信息进行库存的调配，并安排配送工作。
监控订单的出库过程
当仓库完成了订单的备货后，订单状态应该变为"待发货"。此时，它应该被有关人员进行检查，并进行最后的准备工作。如果有问题，订单状态将会被设置为"待备货"或者"已拒绝"状态。
监控订单的运输过程
当订单被运输承运商接收后，订单状态应该变为"运输中"。此时，运输承运商应该将订单的详细信息传递到目的地。如果订单不能按时送达，其状态将会被设置为"待确认"或者"已拒绝"状态。
监控订单的交付过程
当订单交付成功后，订单状态应该变为"已完成"。此时，订单管理系统会自动将订单中的相关信息进行汇总，以进行最终的账目核对操作；
方案更新单元50包括信息反馈模块51和反馈更新模块52；
信息反馈模块51用于采集异常数据处理结果结合监控分析模块42获取的异常解决方案进行评估，根据评估结果判断反馈至云端供用户进行二次评估；根据物流最终解决状态，从而得知此次系统处理结果满意度，并上传至云端供用户进行修改异常解决方案数据，从而达到修正更新，使方案进行更新，满足用户供应链管理需求；
反馈更新模块52用于根据信息反馈模块51的评估数据从而将监控分析模块42获取的异常解决方案结合仓库分配模块32获取的仓库管理方案进行数据更新结合，将新的异常解决方案在仓库管理方案对之前的异常解决方案数据进行替换，获取新的仓库管理方案。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其效物界定。
Claims (9)
1.一种基于大数据的智能化供应链管理系统，其特征在于：包括模型数据收集单元(10)、需求预测单元(20)、决策实施单元(30)、运营监控单元(40)以及方案更新单元(50)；
所述模型数据收集单元(10)用于采集仓库对接数据，并将采集的数据进行处理分析，所述需求预测单元(20)用于根据模型数据收集单元(10)处理完毕的数据建立仓库管理模型，并对分析数据结合供应链需求进行预测分析；
所述决策实施单元(30)用于对需求预测单元(20)预测分析的数据进行风险评估，并根据评估结果判断方案实施；
所述运营监控单元(40)用于将决策实施单元(30)方案实施过程进行数据收集，并对其结合需求预测单元(20)预测分析的数据比对分析；
所述方案更新单元(50)用于将运营监控单元(40)分析后的数据并输送至云端，为用户提供方案调整调整建议，并收集用户反馈数据，上传至决策实施单元(30)进行方案实施更新。
2.根据权利要求1所述的一种基于大数据的智能化供应链管理系统，其特征在于：所述模型数据收集单元(10)包括信息采集模块(11)和数据清洗模块(12)；
所述信息采集模块(11)用于采集供应链管理所需的数据，并将数据进行持续实时存储；
所述数据清洗模块(12)用于对信息采集模块(11)采集的数据利用数据清洗算法进行预处理。
3.根据权利要求2所述的一种基于大数据的智能化供应链管理系统，其特征在于：所述信息采集模块(11)将数据进行持续实时传输和存储的步骤如下：
通过与供应商合作建立数据接口，实时获取供应商的基本信息、信用评级和供货能力；
通过与仓库管理数据进行对接，实时监测各个库存点的库存水平、变动情况和库存周转率；
通过与销售业绩管理对接，实时记录销售订单的数量、金额、销售地区相关数据。
4.根据权利要求2所述的一种基于大数据的智能化供应链管理系统，其特征在于：所述需求预测单元(20)包括模型生成模块(21)和数据分析模块(22)；
所述模型生成模块(21)用于根据数据清洗模块(12)预处理完毕的信息生成供应链预测模型；
所述数据分析模块(22)用于通过模型生成模块(21)生成的供应链预测模型对供应链各环节的需求、供应和库存进行预测分析，通过分析数据获取供应链发展数据。
5.根据权利要求4所述的一种基于大数据的智能化供应链管理系统，其特征在于：所述决策实施单元(30)包括风险评估模块(31)和仓库分配模块(32)；
所述风险评估模块(31)用于将数据分析模块(22)获取的供应链发展数据结合信息采集模块(11)实施储存的数据在进行评估；
所述仓库分配模块(32)根据风险评估模块(31)获取的评估结果从而获取仓库管理方案，并上传至供应链管理端进行实施。
6.根据权利要求5所述的一种基于大数据的智能化供应链管理系统，其特征在于：所述仓库分配模块(32)获取仓库管理方案的步骤如下：
根据供应商信息、历史数据和风险评估指标，利用优化算法自动选择最佳的供应商，例如根据供应能力、价格竞争力和供货稳定性进行评估；
结合需求预测和库存情况，使用优化算法确定最佳的库存策略和补货计划，以最小化库存成本和满足需求的准时性；
综合考虑销售预测、库存情况和运输能力因素，使用分配算法自动分配订单给合适的供应商和库存点，以最大化订单交付率和满足客户需求。
7.根据权利要求5所述的一种基于大数据的智能化供应链管理系统，其特征在于：所述运营监控单元(40)包括订单跟踪模块(41)和监控分析模块(42)；
所述订单跟踪模块(41)用于对仓库分配模块(32)仓库管理方案实施的过程数据进行实时采集更新，并上传至云端；
所述监控分析模块(42)对订单跟踪模块(41)上传至云端过程数据进行监视，并提取异常数据并对其进行分析，获取异常解决方案，并实施其方案应对异常数据。
8.根据权利要求7所述的一种基于大数据的智能化供应链管理系统，其特征在于：所述对仓库管理方案进行更新的步骤如下：
实时追踪订单的生命周期和状态变化，通过与订单管理对接，监控订单的下单、备货、出库、运输和交付过程；
整合物流信息和运输数据，实时监控货物的运输进程和位置，以及时发现物流异常，并提供预警和处理措施；
实时监测库存的变动情况，通过与仓库管理对接，监控进货、销售、退货库存变动情况，并提供及时的库存报警和调整建议。
9.根据权利要求1所述的一种基于大数据的智能化供应链管理系统，其特征在于：所述方案更新单元(50)包括信息反馈模块(51)和反馈更新模块(52)；
所述信息反馈模块(51)用于采集异常数据处理结果结合监控分析模块(42)获取的异常解决方案进行评估，根据评估结果判断反馈至云端供用户进行二次评估；
所述反馈更新模块(52)用于根据信息反馈模块(51)的评估数据从而将监控分析模块(42)获取的异常解决方案结合仓库分配模块(32)获取的仓库管理方案进行数据更新结合，获取新的仓库管理方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310730435.0A CN116629577A (zh) | 2023-06-20 | 2023-06-20 | 一种基于大数据的智能化供应链管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310730435.0A CN116629577A (zh) | 2023-06-20 | 2023-06-20 | 一种基于大数据的智能化供应链管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629577A true CN116629577A (zh) | 2023-08-22 |
Family
ID=87592161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310730435.0A Pending CN116629577A (zh) | 2023-06-20 | 2023-06-20 | 一种基于大数据的智能化供应链管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629577A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843378A (zh) * | 2023-09-01 | 2023-10-03 | 阳信东泰精密金属有限公司 | 一种基于深度学习的五金配件供应预测方法及系统 |
| CN117114550A (zh) * | 2023-10-17 | 2023-11-24 | 米烁网络科技(广州)有限公司 | 一种基于互联网的商品供应链智能监管系统 |
| CN117114749A (zh) * | 2023-10-16 | 2023-11-24 | 吉林省农业科学院(中国农业科技东北创新中心) | 一种智能化猪冷冻精液管理方法及系统 |
| CN117114583A (zh) * | 2023-10-24 | 2023-11-24 | 电能易购(北京)科技有限公司 | 一种基于云服务平台的供应链管理系统 |
| CN117236855A (zh) * | 2023-11-13 | 2023-12-15 | 山东朝辉生物科技有限公司 | 一种生物饲料仓储管理系统及方法 |
| CN117273861A (zh) * | 2023-10-12 | 2023-12-22 | 绅阅(上海)科技有限公司 | 一种销售订单管理方法及系统 |
| CN117333114A (zh) * | 2023-11-30 | 2024-01-02 | 广州欧派集成家居有限公司 | 一种家居产品智能化分拣储存管理系统及管理方法 |
| CN117372129A (zh) * | 2023-10-27 | 2024-01-09 | 北京赛博数智科技有限公司 | 一种基于大数据的电商运营预警管理方法、系统及存储介质 |
| CN117408594A (zh) * | 2023-12-14 | 2024-01-16 | 山东省鲁商冰轮建筑设计有限公司 | 一种基于大数据的冷链物流信息平台 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680240A (zh) * | 2013-12-03 | 2015-06-03 | 冯卫星 | 一种轻量级信息共享的供应链库存优化方法 |
| CN106779592A (zh) * | 2016-12-02 | 2017-05-31 | 林冠良 | 一种精益生产管理看板系统及应用方法 |
| CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
| CN109815262A (zh) * | 2018-12-27 | 2019-05-28 | 四川驹马科技有限公司 | 一种基于wal模式的库存管理方法及其系统 |
| CN109886622A (zh) * | 2019-01-28 | 2019-06-14 | 珠海腾飞科技有限公司 | 一种供应链平台管理方法及系统 |
| CN112884404A (zh) * | 2021-02-08 | 2021-06-01 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
-
2023
- 2023-06-20 CN CN202310730435.0A patent/CN116629577A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680240A (zh) * | 2013-12-03 | 2015-06-03 | 冯卫星 | 一种轻量级信息共享的供应链库存优化方法 |
| CN106779592A (zh) * | 2016-12-02 | 2017-05-31 | 林冠良 | 一种精益生产管理看板系统及应用方法 |
| CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
| CN109815262A (zh) * | 2018-12-27 | 2019-05-28 | 四川驹马科技有限公司 | 一种基于wal模式的库存管理方法及其系统 |
| CN109886622A (zh) * | 2019-01-28 | 2019-06-14 | 珠海腾飞科技有限公司 | 一种供应链平台管理方法及系统 |
| CN112884404A (zh) * | 2021-02-08 | 2021-06-01 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843378A (zh) * | 2023-09-01 | 2023-10-03 | 阳信东泰精密金属有限公司 | 一种基于深度学习的五金配件供应预测方法及系统 |
| CN117273861A (zh) * | 2023-10-12 | 2023-12-22 | 绅阅(上海)科技有限公司 | 一种销售订单管理方法及系统 |
| CN117114749A (zh) * | 2023-10-16 | 2023-11-24 | 吉林省农业科学院(中国农业科技东北创新中心) | 一种智能化猪冷冻精液管理方法及系统 |
| CN117114749B (zh) * | 2023-10-16 | 2024-01-12 | 吉林省农业科学院(中国农业科技东北创新中心) | 一种智能化猪冷冻精液管理方法及系统 |
| CN117114550A (zh) * | 2023-10-17 | 2023-11-24 | 米烁网络科技(广州)有限公司 | 一种基于互联网的商品供应链智能监管系统 |
| CN117114550B (zh) * | 2023-10-17 | 2024-02-02 | 米烁网络科技(广州)有限公司 | 一种基于互联网的商品供应链智能监管系统 |
| CN117114583B (zh) * | 2023-10-24 | 2024-01-23 | 电能易购(北京)科技有限公司 | 一种基于云服务平台的供应链管理系统 |
| CN117114583A (zh) * | 2023-10-24 | 2023-11-24 | 电能易购(北京)科技有限公司 | 一种基于云服务平台的供应链管理系统 |
| CN117372129A (zh) * | 2023-10-27 | 2024-01-09 | 北京赛博数智科技有限公司 | 一种基于大数据的电商运营预警管理方法、系统及存储介质 |
| CN117236855A (zh) * | 2023-11-13 | 2023-12-15 | 山东朝辉生物科技有限公司 | 一种生物饲料仓储管理系统及方法 |
| CN117333114A (zh) * | 2023-11-30 | 2024-01-02 | 广州欧派集成家居有限公司 | 一种家居产品智能化分拣储存管理系统及管理方法 |
| CN117333114B (zh) * | 2023-11-30 | 2024-04-02 | 广州欧派集成家居有限公司 | 一种家居产品智能化分拣储存管理系统及管理方法 |
| CN117408594A (zh) * | 2023-12-14 | 2024-01-16 | 山东省鲁商冰轮建筑设计有限公司 | 一种基于大数据的冷链物流信息平台 |
| CN117408594B (zh) * | 2023-12-14 | 2024-03-29 | 山东省鲁商冰轮建筑设计有限公司 | 一种基于大数据的冷链物流信息平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116629577A (zh) | 一种基于大数据的智能化供应链管理系统 | |
| CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
| KR20080072955A (ko) | 공급망 관리를 위한 방법, 시스템 및 컴퓨터 통합 프로그램제품 | |
| CN111401808A (zh) | 一种基于混合模型的物资协议库存需求预测方法 | |
| CN116452121B (zh) | 一种智能企业库存管理系统及管理平台 | |
| Taghizadeh | Utilizing artificial neural networks to predict demand for weather-sensitive products at retail stores | |
| CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
| JP5831363B2 (ja) | 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム | |
| Tadayonrad et al. | A new key performance indicator model for demand forecasting in inventory management considering supply chain reliability and seasonality | |
| Momeni et al. | Current Order and Inventory Models in Manufacturing Environments: A Review from 2008 to 2018. | |
| CN107480703A (zh) | 交易故障检测方法及装置 | |
| JP2001134643A (ja) | 需要予測装置及び需要予測方法 | |
| Härting et al. | Cost-benefit considerations for data analytics-an SME-oriented framework enhanced by a management perspective and the process of idea generation | |
| Badakhshan et al. | Deploying hybrid modelling to support the development of a digital twin for supply chain master planning under disruptions | |
| Vaitkus et al. | Electrical spare parts demand forecasting | |
| CN114155072A (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
| Schenkelberg et al. | A simulation-based process model for analyzing impact of maintenance on profitability | |
| Ladva et al. | An Analysis on various Machine Learning Algorithms (AI) & Nature Inspired Algorithms for modern Inventory Management | |
| Alves et al. | Learning algorithms to deal with failures in production planning | |
| CN117853025A (zh) | 一种基于ai深度学习的餐厅食材进消存管理方法 | |
| Pereira et al. | A multicriteria decision model for the selection of information system for a logistics company using MMASSI/TI | |
| Sharma et al. | Industry 4.0 Technologies for Smart Manufacturing: A Systematic Review of Machine Learning Methods for Predictive Maintenance | |
| CN112036789B (zh) | 基于仓储数据的薪资统计方法、装置、计算机设备 | |
| CN117592682A (zh) | 一种基于实时审计数据流分析系统的供应链风险监控方法及系统 | |
| Žic et al. | Modelling transport activities from inventory replenishments in supply chains by use of numerical simulations and machine learning algorithms |
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 |