CN117371826B - 一种基于大数据的企业管理方法及系统 - Google Patents
一种基于大数据的企业管理方法及系统 Download PDFInfo
- Publication number
- CN117371826B CN117371826B CN202311667941.6A CN202311667941A CN117371826B CN 117371826 B CN117371826 B CN 117371826B CN 202311667941 A CN202311667941 A CN 202311667941A CN 117371826 B CN117371826 B CN 117371826B
- Authority
- CN
- China
- Prior art keywords
- month
- sales
- class
- analyzed
- commodity
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 57
- 238000006243 chemical reaction Methods 0.000 claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 241000531116 Blitum bonus-henricus Species 0.000 description 7
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 239000000606 toothpaste Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Abstract
本发明涉及企业管理技术领域,具体涉及一种基于大数据的企业管理方法及系统,获取企业生产的商品的品类,根据商品在每个月份的历史销售数据和库存量获得商品在每个月份的库存转化率;根据商品在每个月份的历史销售数据以及库存转化率获得商品在每个月份的需求度;根据品类中包含的所有商品的历史销售数据获得品类在每个月份的新增销售客户的贡献度和变化趋势序列进而获得两个品类之间的需求相似度;根据品类之间的需求相似度获得每个品类的最大捆绑品类,进而获得每个品类的修正系数;根据商品的需求度与修正系数获得商品的真实需求度;根据商品的真实需求度对商品的生产量进行管理。本发明解决了企业商品管理的可靠性不高的问题。
Description
技术领域
本发明涉及企业管理技术领域,具体涉及一种基于大数据的企业管理方法及系统。
背景技术
基于大数据的企业管理方法及系统已经在许多行业中得到了广泛的应用,特别是在零售、金融、医疗、制造等领域。这种方法及系统可以帮助企业更好地理解客户需求、优化企业管理、提高运营效率、降低风险等。然而,尽管大数据技术在企业管理中的应用带来了许多优势,但也面临着一些挑战。如何有效地利用大数据进行决策是一个挑战,因为大数据包含了大量的信息和复杂的关系,需要专业的数据分析和挖掘能力。
企业管理数据包含了各种与企业运营相关的数据。其主要包含企业商品的采购数据、供应链数据、财务数据、销售数据等。传统的企业管理方法是基于单一维度的商品数据,例如商品的销售数量,对商品的生产规划进行调整,忽略了不同维度的商品数据之间的相关关系,导致对企业商品管理的可靠性不高。
发明内容
本发明提供一种基于大数据的企业管理方法及系统,以解决现有的企业管理方法对企业商品管理的可靠性不高的问题。
第一方面,本发明一个实施例提供了一种基于大数据的企业管理方法,该方法包括以下步骤:
采集企业生产的所有商品的商品种类,以及相邻的两年内商品在第一年和第二年的每个月份的历史销售数据和库存量,历史销售数据包括销售数量和销售客户的数量,其中销售客户包括新增销售客户,销售数量包括新增销售客户贡献的销售数量;所述第一年早于所述第二年;
将商品种类相同的商品划分为一个品类;根据商品在每个月份的销售数量和库存量获得商品在每个月份的库存转化率;根据商品在每个月份的销售数量以及库存转化率获得商品在每个月份的需求度;
根据品类中包含的所有商品在每个月份的销售客户的数量以及销售数量获得品类在每个月份的新增销售客户的贡献度;根据品类中包含的所有商品在每个月份的销售数量获得品类的变化趋势序列;根据两个品类的变化趋势序列与品类在每个月份的新增销售客户的贡献度获得两个品类之间的需求相似度;根据品类之间的需求相似度获得每个品类的最大捆绑品类,进而根据最大捆绑品类的销售数量获得每个品类的修正系数;根据商品的需求度与商品所在品类的修正系数获得商品的真实需求度;
根据商品的真实需求度对所有商品进行聚类获得聚类结果,根据聚类结果对商品的生产量进行管理。
进一步,所述根据商品在每个月份的销售数量和库存量获得商品在每个月份的库存转化率,包括:
分别将每个月份记为待分析月份;
将商品在待分析月份的销售数量与商品在待分析月份的库存量之间的比值记为商品在待分析月份的库存转化概率;
将商品所在品类中的所有商品在待分析月份的库存量的最小值记为待分析月份的最小库存;
将商品在待分析月份的库存量与待分析月份的最小库存之间的差值记为商品在待分析月份的库存积压程度;
将商品在待分析月份的库存积压程度与数字1之和的倒数记为商品在待分析月份的库存消耗程度;
将商品在待分析月份的库存转化概率与库存消耗程度的乘积记为商品在待分析月份的库存转化率。
进一步,所述根据商品在每个月份的销售数量以及库存转化率获得商品在每个月份的需求度,包括:
将商品所在品类中的所有商品在待分析月份的库存转化率的最小值记为待分析月份的最小库存转化率;
将商品在待分析月份的库存转化率与待分析月份的最小库存转化率之间的差值的归一化值记为商品在待分析月份的库存转化比率;
将商品所在品类中所有商品在待分析月份的销售数量之和记为商品所在品类在待分析月份的销售总额;
将商品在待分析月份的销售数量与待分析月份的销售总额之间的比值记为商品在待分析月份的销售占比;
将商品在待分析月份的销售占比与库存转化比率之间的乘积记为商品在待分析月份的需求度。
进一步,所述根据品类中包含的所有商品在每个月份的销售客户的数量以及销售数量获得品类在每个月份的新增销售客户的贡献度,包括:
将品类中包含的所有商品在待分析月份的新增销售客户的数量与品类中包含的所有商品在待分析月份的销售客户的数量之间的比值记为品类在待分析月份的新增销售客户的数量占比;
将品类中包含的所有商品在待分析月份的新增销售客户的销售数量与品类中包含的所有商品在待分析月份的销售客户的销售数量之间的比值记为品类在待分析月份的新增销售客户的销售占比;
将品类在待分析月份的新增销售客户的数量占比与销售占比之间的乘积记为品类在待分析月份的新增销售客户的贡献度。
进一步,所述根据品类中包含的所有商品在每个月份的销售数量获得品类的变化趋势序列,包括:
将品类在第一年中的月份的销售总额与第二年中对应月份的销售总额之间的差值的绝对值记为品类在对应月份的销售变化;
将品类在所有月份的销售变化按照时间顺序排列获得品类的变化趋势序列。
进一步,所述根据两个品类的变化趋势序列与品类在每个月份的新增销售客户的贡献度获得两个品类之间的需求相似度,包括的具体方法为:
分别将任意两个品类之间的一个品类记为第一品类,将两个品类之间的另一个品类记为第二品类;
将品类在待分析月份的销售变化与待分析月份后一个月份的销售变化之间的差值记为品类在待分析月份变化趋势;
将第一品类在待分析月份的变化趋势与第二品类在待分析月份的变化趋势之间的差值的绝对值记为第一品类与第二品类在待分析月份的变化趋势差异;
将以自然常数为底数,第一品类与第二品类在待分析月份的变化趋势差异的相反数为指数的幂记为第一品类与第二品类在待分析月份的变化相似度;
将第一品类在待分析月份的新增销售客户的贡献度与第二品类在待分析月份的新增销售客户的贡献度之间的差值记为第一品类与第二品类在待分析月份的新增客户贡献差异;
将第一品类与第二品类在待分析月份的新增客户贡献差异与数字1之和的倒数记为第一品类与第二品类在待分析月份的新增客户贡献相似度;
将第一品类与第二品类在待分析月份的新增客户贡献相似度与变化相似度的乘积记为第一品类与第二品类在待分析月份的月份需求相似度;
将第一品类与第二品类在所有月份的月份需求相似度的平均值记为第一品类与第二品类之间的需求相似度。
进一步,所述根据品类之间的需求相似度获得每个品类的最大捆绑品类,进而根据最大捆绑品类的销售数量获得每个品类的修正系数,包括的具体方法为:
分别将每个品类记为待分析品类;
将待分析品类与除待分析品类之外的所有品类之间的需求相似度的最大值对应的品类记为待分析品类的最大捆绑品类;
将待分析品类的最大捆绑品类在第二年中包含的所有月份的销售总额之和记为待分析品类在第二年的捆绑销售总额;
将待分析品类的最大捆绑品类在第一年中包含的所有月份的销售总额之和记为待分析品类在第一年的捆绑销售总额;
将待分析品类在第二年的捆绑销售总额与待分析品类在第一年的捆绑销售总额之间的差值记为待分析品类的捆绑销售变化量;
将捆绑销售变化量大于或等于数字0的品类的销售数量的变化程度设置为数字1;
将捆绑销售变化量小于数字0的品类的销售数量的变化程度设置为数字1的相反数;
将待分析品类的捆绑销售变化量的绝对值的归一化值记为待分析品类的捆绑销售变化率;
将待分析品类的捆绑销售变化率与销售数量的变化程度之间的乘积记为待分析品类的修正系数限定值;
将数字1与待分析品类的修正系数限定值之和记为待分析品类的修正系数。
进一步,所述根据商品的需求度与商品所在品类的修正系数获得商品的真实需求度,包括的具体方法为:
将商品的需求度与商品所在品类的修正系数的乘积记为商品的真实需求度。
进一步,所述根据商品的真实需求度对所有商品进行聚类获得聚类结果,根据聚类结果对商品的生产量进行管理,包括的具体方法为:
根据商品的真实需求度对所有商品使用聚类算法进行聚类,获得预设数量个聚类簇;
将聚类簇中所有商品的真实需求度的平均值记为聚类簇的需求度均值;
提高需求度均值最大的聚类簇中的商品的生产量;
减少需求度均值最小的聚类簇中的商品的生产量。
第二方面,本发明实施例还提供了一种基于大数据的企业管理系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是:本发明通过分析各个商品数据的商品种类信息,将种类相同的商品划分为一个集合,其中,同种类中的商品之间存在着竞争关系,不同种类中的商品也存在着不同的商品需求。因此,根据同种类中销售数据之间的关系以及库存数据之间的关系来计算商品的需求度,商品需求度反应了商品未来一段时间的市场需求程度;通过分析不同种类的商品需求度之间的约束关系以及相邻年份之间的历史销售数据的变化情况对商品需求度的影响,根据不同种类之间销售数量的差异以及相邻年份之间同种商品的销售数量的变化程度计算修正系数来对商品的需求度进行修正,提高了商品的需求度计算的准确性;最终根据商品的需求度对商品进行聚类,根据聚类结果管理商品的生产规划,提高了企业商品管理的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于大数据的企业管理方法的实施例的流程图;
图2为企业商品管理流程示意图。
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。
本发明的一种基于大数据的企业管理方法的实施例,如图1所示,包括:
S1、采集企业管理数据中各个商品的商品种类、历史销售数据和库存数据。
企业管理数据包含了各种与企业运营相关的大数据。其主要包含产品数据、采购数据、供应链数据、财务数据、销售数据等。通过对企业管理数据进行分析可以提升决策效率,优化商品的生产以及销售策略。
本实施例中获取相邻的两年内每个月份的各个商品的商品种类、历史销售数据以及库存数据。其中各个商品的历史销售数据中包含销售数量和销售客户,销售客户包括新增销售客户,库存数据为各个商品的库存量。
至此,获得两年内每年的各个商品的历史销售数据和库存数据。
S2、获取商品的品类,根据商品及其所在品类中的历史销售数据与库存数据之间的关系计算商品在每个月份的库存转化率,进而获取各个商品的需求度。
通常同一个类型的商品通常有多种款式,并且每个款式的销售情况都不相同。因此本实施例根据各个商品的商品种类,将同一种类数据的商品划分在一个集合。计算商品在同种类商品中的历史销售数据以及库存数据之间的关系来确定各个商品的需求度,进而根据不同种类的商品之间销售数量的关系以及商品在相邻年份之间销售数量的变化程度计算商品的真实需求度,最终根据商品的真实需求度对企业商品进行管理,具体的商品管理流程如图2所示。
根据商品的商品种类,将商品种类相同的商品划分为一个品类,共获得个品类,获得每个品类中商品的数量。每个品类中的商品都属于同一类型,同种类型的商品之间是存在一定的竞争关系;当某个商品的销售数量越高,说明商品的需求度越高,同时商品的库存越低,说明售出量大,对应的需求度也相应的越高,表明了库存的销售效率越高,商品的库存积压程度越小。为分析商品库存转化为销量的程度,首先根据商品在每个月份的销售数量和库存量计算商品在每个月份的库存转化率,计算公式为:
;其中,/>表示第/>个品类中第/>个商品在第/>个月份的库存转化率,/>表示第/>个品类中第/>个商品在第/>个月份的销售数量,/>表示第/>个品类中第/>个商品在第/>个月份的库存量,/>表示第/>个品类中包含的所有商品在第/>个月份的库存数量的最小值。
当商品的销售数量越大,且库存量越小时,表示商品库存转化为销量的程度越大;当商品的库存相比其它商品的库存越小时,说明商品相对于其他商品的库存转化为销量的程度越大,则库存转化率越大,商品的库存积压程度越小。进一步根据商品的库存转化率和销售数量对品类中的所有商品计算需求度,计算公式为:
;其中,/>表示第个品类中第/>个商品在第/>个月份的需求度;/>表示第/>个品类中第/>个商品在第个月份的销售数量;/>表示第/>个品类中第/>个商品在第/>个月份的销售数量,/>为第/>个品类中商品的数量;/>表示第/>个品类中第/>个商品在第/>个月份的库存转化率;/>表示第/>个品类中包含的所有商品在第/>个月份的库存转化率的最小值;为线性归一化函数。
当商品的销售量与所在品类中所有商品销售量总和中的占比越大,说明商品在同一品类中的竞争力越大,对应的需求度就越高;当商品的库存转化率相比于同类商品越大,商品的库存积压程度相对越小,对应的商品的需求度就越高。
按照上述方法计算所有商品在每个月份的需求度。
至此,获得商品在每个月份的需求度。
S3、根据新增销售客户的数量及销售数量获得新增销售客户的贡献度;分析不同类商品之间存在的捆绑关系,根据两个品类之间的销售数量的变化趋势及新增销售客户的贡献度之间的关系获得两个品类之间的需求相似度,获得每个品类的最大捆绑品类;根据品类与其最大捆绑品类之间的销售数量的变化情况计算品类的修正系数,进而获得每个商品的真实需求度。
上述分析考虑了单个类别中所有商品最近一年的历史销售数据和库存数据之间的变化关系,不同年份之间同一商品的销售数量和库存量之间具有对应关系,商品的销售数量增加的同时,库存数量会相应减小。因此本实施例仅考虑相邻年份之间和不同类别之间的商品的历史销售数据之间的变化关系对商品的需求度的影响,构建每个商品的需求度的修正系数对需求度进行修正。
不同类之间的商品通常也存在某种捆绑关系,例如牙刷和牙膏的需求度通常呈现相同的趋势,当牙刷品类的需求度增高时,牙膏品类的需求度也会相应增加。首先获取商品在每个月份的新增销售客户的数量及新增销售客户贡献的销售数量,计算新增销售客户的贡献度,公式为:
;其中,/>表示第/>个品类第/>个月份的新增销售客户的贡献度。其中/>表示第/>个品类中所有商品在第/>个月份的新增销售客户的数量。/>表示第/>个品类中所有商品在第/>个月份的销售客户的总数量。/>表示第/>个品类中所有商品在第/>个月份中新客户贡献的销售数量之和。/>表示第/>个品类中所有商品在第/>个月份中的销售数量之和。
当新增销售客户的数量以及新增销售客户贡献的销售数量相比于所有销售客户越多时,说明该月份中新增销售客户的销量贡献度越高,则新增销售客户的贡献度越大。
由于销售数量的变化可能是新客户增加导致的也可能是老客户购买量增加造成的。其中不同类商品中新客户增加数量以及购买数量相似,两类商品存在的捆绑程度就越高,那么两类数据之间的相似度就越大。根据商品在相邻年份的销售数量,获取相邻年份的销售数据的差异,将第个品类中所有商品在第/>个月份中的销售数量之和记为第/>个品类在第/>个月份的销售总额。将第/>个品类在相邻年份中第一年中每个月与第二年中对应月份的销售总额之间的差值的绝对值按照时间顺序排列,获得第/>个品类的变化趋势序列。计算两个品类之间的需求相似度:
;其中,/>表示第个品类和第/>个品类的需求相似度;/>表示第/>个品类的变化趋势序列中第/>个元素和第/>个元素之间的差值;/>表示第/>个品类的变化趋势序列中第/>个元素和第/>个元素之间的差值;/>表示第/>个品类第/>个月份的新增销售客户的贡献度;/>表示第/>个品类第/>个月份的新增销售客户的贡献度;/>为以自然常数为底数的指数函数。
当两种品类的变化趋势序列中相邻元素之间的差值相差越小时,说明两种商品的销售总额之间的变化趋势越相似,则两个品类之间的需求相似度越大;当两种商品之间的新增销售客户的贡献度之间的差值越小时,说明两种商品之间的新增销售客户的贡献度越相似,则两个品类之间的需求相似度越大。
根据上述方法计算第个品类与除第/>个品类之外的所有品类之间的需求相似度,将第/>个品类与除第/>个品类之外的所有品类之间的需求相似度的最大值对应的品类记为第/>个品类的最大捆绑品类。进而根据第/>个品类与其最大捆绑品类之间的销售数量的变化情况计算第/>个品类的修正系数,计算公式为:
;其中,/>表示第/>个品类的修正系数;/>表示第/>个品类的销售数量的变化程度,/>表示第/>个品类中所有商品在第二年的销售数量之和;/>表示第/>个品类中所有商品在第一年的销售数量之和;/>为线性归一化函数。
时表示第二年的品类销售数量相比第一年呈现上升趋势,当处于上升趋势时,第一年和第二年的品类的销售数量的差值的绝对值越大,则销售数据的变化程度的数值越大,表示商品的需求度越大,由于第/>个品类品为第/>个品类的最大捆绑品类,因此第/>类商品的需求度也存在较大的需求,对应的修正系数限定值要大于1;/>时表示第二年的品类销售数量相比第一年呈现下降趋势,处于下降趋势时,第一年和第二年的商品的销售数量的差值的绝对值越大,则销售数据的变化程度的数值越大,表示商品的需求度越小,对应的修正系数限定值要小于1。
将商品的需求度与对应的品类的修正系数相乘,获得每个商品的真实需求度。
至此,获得商品的真实需求度。
S4、根据商品的真实需求度对商品进行聚类,根据聚类结果完成对企业商品的生产管理。
根据商品的真实需求度对商品采用ISODATA聚类算法进行聚类,其中,ISODATA聚类算法中的预期的聚类中心数目K=6;最小类别元素数目,即每一聚类簇中最少的样本数目,若少于此数即不作为一个独立的聚类;类别内部差异/>,即一个聚类簇中样本分布的离散程度;类别合并的阈值/>,即两个聚类中心间的最小距离,若小于此数,两个聚类需进行合并;在一次迭代运算中可以合并的聚类中心的最多对数L=3;最大迭代次数I=10。
获得聚类结果,根据聚类结果对后续商品的生产规划进行管理,将每个聚类簇中所有商品的需求度均值记为聚类簇的需求度均值。获取需求度均值最大的聚类簇,对于需求度均值最大的聚类簇中的商品,为迎合市场需求,企业应提高对应商品的生产量;同时对于需求度均值最小的聚类簇中的商品,应相应减少生产计划,从而对企业商品的管理和生产进行优化。
至此,完成对企业商品的管理。
基于与上述方法相同的发明构思,本发明实施例还提供了一种基于大数据的企业管理系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于大数据的企业管理方法中任意一项所述方法的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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 (3)
1.一种基于大数据的企业管理方法,其特征在于,包括:
采集企业生产的所有商品的商品种类,以及相邻的两年内商品在第一年和第二年的每个月份的历史销售数据和库存量,历史销售数据包括销售数量和销售客户的数量,其中销售客户包括新增销售客户,销售数量包括新增销售客户贡献的销售数量;所述第一年早于所述第二年;
将商品种类相同的商品划分为一个品类;根据商品在每个月份的销售数量和库存量获得商品在每个月份的库存转化率;根据商品在每个月份的销售数量以及库存转化率获得商品在每个月份的需求度;
所述根据商品在每个月份的销售数量和库存量获得商品在每个月份的库存转化率,包括:
分别将每个月份记为待分析月份;
将商品在待分析月份的销售数量与商品在待分析月份的库存量之间的比值记为商品在待分析月份的库存转化概率;
将商品所在品类中的所有商品在待分析月份的库存量的最小值记为待分析月份的最小库存;
将商品在待分析月份的库存量与待分析月份的最小库存之间的差值记为商品在待分析月份的库存积压程度;
将商品在待分析月份的库存积压程度与数字1之和的倒数记为商品在待分析月份的库存消耗程度;
将商品在待分析月份的库存转化概率与库存消耗程度的乘积记为商品在待分析月份的库存转化率;
所述根据商品在每个月份的销售数量以及库存转化率获得商品在每个月份的需求度,包括:
将商品所在品类中的所有商品在待分析月份的库存转化率的最小值记为待分析月份的最小库存转化率;
将商品在待分析月份的库存转化率与待分析月份的最小库存转化率之间的差值的归一化值记为商品在待分析月份的库存转化比率;
将商品所在品类中所有商品在待分析月份的销售数量之和记为商品所在品类在待分析月份的销售总额;
将商品在待分析月份的销售数量与待分析月份的销售总额之间的比值记为商品在待分析月份的销售占比;
将商品在待分析月份的销售占比与库存转化比率之间的乘积记为商品在待分析月份的需求度;
根据品类中包含的所有商品在每个月份的销售客户的数量以及销售数量获得品类在每个月份的新增销售客户的贡献度;根据品类中包含的所有商品在每个月份的销售数量获得品类的变化趋势序列;根据两个品类的变化趋势序列与品类在每个月份的新增销售客户的贡献度获得两个品类之间的需求相似度;根据品类之间的需求相似度获得每个品类的最大捆绑品类,进而根据最大捆绑品类的销售数量获得每个品类的修正系数;根据商品的需求度与商品所在品类的修正系数获得商品的真实需求度;
所述根据品类中包含的所有商品在每个月份的销售客户的数量以及销售数量获得品类在每个月份的新增销售客户的贡献度,包括:
将品类中包含的所有商品在待分析月份的新增销售客户的数量与品类中包含的所有商品在待分析月份的销售客户的数量之间的比值记为品类在待分析月份的新增销售客户的数量占比;
将品类中包含的所有商品在待分析月份的新增销售客户的销售数量与品类中包含的所有商品在待分析月份的销售客户的销售数量之间的比值记为品类在待分析月份的新增销售客户的销售占比;
将品类在待分析月份的新增销售客户的数量占比与销售占比之间的乘积记为品类在待分析月份的新增销售客户的贡献度;
所述根据品类中包含的所有商品在每个月份的销售数量获得品类的变化趋势序列,包括:
将品类在第一年中的月份的销售总额与第二年中对应月份的销售总额之间的差值的绝对值记为品类在对应月份的销售变化;
将品类在所有月份的销售变化按照时间顺序排列获得品类的变化趋势序列;
所述根据两个品类的变化趋势序列与品类在每个月份的新增销售客户的贡献度获得两个品类之间的需求相似度,包括的具体方法为:
分别将任意两个品类之间的一个品类记为第一品类,将两个品类之间的另一个品类记为第二品类;
将品类在待分析月份的销售变化与待分析月份后一个月份的销售变化之间的差值记为品类在待分析月份变化趋势;
将第一品类在待分析月份的变化趋势与第二品类在待分析月份的变化趋势之间的差值的绝对值记为第一品类与第二品类在待分析月份的变化趋势差异;
将以自然常数为底数,第一品类与第二品类在待分析月份的变化趋势差异的相反数为指数的幂记为第一品类与第二品类在待分析月份的变化相似度;
将第一品类在待分析月份的新增销售客户的贡献度与第二品类在待分析月份的新增销售客户的贡献度之间的差值记为第一品类与第二品类在待分析月份的新增客户贡献差异;
将第一品类与第二品类在待分析月份的新增客户贡献差异与数字1之和的倒数记为第一品类与第二品类在待分析月份的新增客户贡献相似度;
将第一品类与第二品类在待分析月份的新增客户贡献相似度与变化相似度的乘积记为第一品类与第二品类在待分析月份的月份需求相似度;
将第一品类与第二品类在所有月份的月份需求相似度的平均值记为第一品类与第二品类之间的需求相似度;
所述根据品类之间的需求相似度获得每个品类的最大捆绑品类,进而根据最大捆绑品类的销售数量获得每个品类的修正系数,包括的具体方法为:
分别将每个品类记为待分析品类;
将待分析品类与除待分析品类之外的所有品类之间的需求相似度的最大值对应的品类记为待分析品类的最大捆绑品类;
将待分析品类的最大捆绑品类在第二年中包含的所有月份的销售总额之和记为待分析品类在第二年的捆绑销售总额;
将待分析品类的最大捆绑品类在第一年中包含的所有月份的销售总额之和记为待分析品类在第一年的捆绑销售总额;
将待分析品类在第二年的捆绑销售总额与待分析品类在第一年的捆绑销售总额之间的差值记为待分析品类的捆绑销售变化量;
将捆绑销售变化量大于或等于数字0的品类的销售数量的变化程度设置为数字1;
将捆绑销售变化量小于数字0的品类的销售数量的变化程度设置为数字1的相反数;
将待分析品类的捆绑销售变化量的绝对值的归一化值记为待分析品类的捆绑销售变化率;
将待分析品类的捆绑销售变化率与销售数量的变化程度之间的乘积记为待分析品类的修正系数限定值;
将数字1与待分析品类的修正系数限定值之和记为待分析品类的修正系数;
所述根据商品的需求度与商品所在品类的修正系数获得商品的真实需求度,包括的具体方法为:
将商品的需求度与商品所在品类的修正系数的乘积记为商品的真实需求度;
根据商品的真实需求度对所有商品进行聚类获得聚类结果,根据聚类结果对商品的生产量进行管理。
2.根据权利要求1所述的一种基于大数据的企业管理方法,其特征在于,所述根据商品的真实需求度对所有商品进行聚类获得聚类结果,根据聚类结果对商品的生产量进行管理,包括的具体方法为:
根据商品的真实需求度对所有商品使用聚类算法进行聚类,获得预设数量个聚类簇;
将聚类簇中所有商品的真实需求度的平均值记为聚类簇的需求度均值;
提高需求度均值最大的聚类簇中的商品的生产量;
减少需求度均值最小的聚类簇中的商品的生产量。
3.一种基于大数据的企业管理系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-2任意一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667941.6A CN117371826B (zh) | 2023-12-07 | 2023-12-07 | 一种基于大数据的企业管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667941.6A CN117371826B (zh) | 2023-12-07 | 2023-12-07 | 一种基于大数据的企业管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117371826A CN117371826A (zh) | 2024-01-09 |
CN117371826B true CN117371826B (zh) | 2024-03-15 |
Family
ID=89404460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311667941.6A Active CN117371826B (zh) | 2023-12-07 | 2023-12-07 | 一种基于大数据的企业管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117371826B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009205365A (ja) * | 2008-02-27 | 2009-09-10 | Nec Corp | 商品の在庫管理および販売の最適化システム、その最適化方法、及びその最適化プログラム |
CN105701553A (zh) * | 2014-11-24 | 2016-06-22 | 财团法人资讯工业策进会 | 商品销量预测系统及商品销量预测方法 |
CN112132343A (zh) * | 2020-09-23 | 2020-12-25 | 创优数字科技(广东)有限公司 | 一种商品采购预测方法及系统、可读存储介质 |
CN113592539A (zh) * | 2021-06-30 | 2021-11-02 | 杭州拼便宜网络科技有限公司 | 基于人工智能的店铺订单趋势预测方法、装置及存储介质 |
CN114219412A (zh) * | 2022-02-23 | 2022-03-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
CN114240473A (zh) * | 2021-11-18 | 2022-03-25 | 深圳市惟客数据科技有限公司 | 基于sku智能补货的方法及系统 |
KR20220081019A (ko) * | 2020-12-08 | 2022-06-15 | 주식회사 리턴박스 | 택배운송정보를 이용한 판매 예측 시스템 |
CN115222320A (zh) * | 2021-04-21 | 2022-10-21 | 财团法人工业技术研究院 | 库存自动化管理方法及其系统 |
CN116205560A (zh) * | 2021-11-30 | 2023-06-02 | 财团法人工业技术研究院 | 库存自动化管理系统及其方法 |
KR102566897B1 (ko) * | 2023-04-05 | 2023-08-14 | (주)오션팜메디 | 의약품 및 의료소모품의 도소매 판매를 위한 온라인 전자상거래 서비스 제공 방법, 장치 및 시스템 |
-
2023
- 2023-12-07 CN CN202311667941.6A patent/CN117371826B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009205365A (ja) * | 2008-02-27 | 2009-09-10 | Nec Corp | 商品の在庫管理および販売の最適化システム、その最適化方法、及びその最適化プログラム |
CN105701553A (zh) * | 2014-11-24 | 2016-06-22 | 财团法人资讯工业策进会 | 商品销量预测系统及商品销量预测方法 |
CN112132343A (zh) * | 2020-09-23 | 2020-12-25 | 创优数字科技(广东)有限公司 | 一种商品采购预测方法及系统、可读存储介质 |
KR20220081019A (ko) * | 2020-12-08 | 2022-06-15 | 주식회사 리턴박스 | 택배운송정보를 이용한 판매 예측 시스템 |
CN115222320A (zh) * | 2021-04-21 | 2022-10-21 | 财团法人工业技术研究院 | 库存自动化管理方法及其系统 |
CN113592539A (zh) * | 2021-06-30 | 2021-11-02 | 杭州拼便宜网络科技有限公司 | 基于人工智能的店铺订单趋势预测方法、装置及存储介质 |
CN114240473A (zh) * | 2021-11-18 | 2022-03-25 | 深圳市惟客数据科技有限公司 | 基于sku智能补货的方法及系统 |
CN116205560A (zh) * | 2021-11-30 | 2023-06-02 | 财团法人工业技术研究院 | 库存自动化管理系统及其方法 |
CN114219412A (zh) * | 2022-02-23 | 2022-03-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
KR102566897B1 (ko) * | 2023-04-05 | 2023-08-14 | (주)오션팜메디 | 의약품 및 의료소모품의 도소매 판매를 위한 온라인 전자상거래 서비스 제공 방법, 장치 및 시스템 |
Non-Patent Citations (1)
Title |
---|
基于聚类与机器学习的零售商品销量预测;周雨等;计算机系统应用;第11卷(第30期);第188-194页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117371826A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7711734B2 (en) | Systems and methods for mining transactional and time series data | |
US8631040B2 (en) | Computer-implemented systems and methods for flexible definition of time intervals | |
US8577791B2 (en) | System and computer program for modeling and pricing loan products | |
US20230410135A1 (en) | System and method for selecting promotional products for retail | |
CN104516808B (zh) | 数据预处理装置及方法 | |
US20090177520A1 (en) | Techniques for casual demand forecasting | |
Nandapala et al. | The practical approach in Customers segmentation by using the K-Means Algorithm | |
CN109740624B (zh) | 一种基于大数据的物流供应链需求预测方法 | |
Hochbaum et al. | Rating customers according to their promptness to adopt new products | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
Kabasakal | Customer segmentation based on recency frequency monetary model: A case study in E-retailing | |
Pramono et al. | Estimating customer segmentation based on customer lifetime value using two-stage clustering method | |
Maulina et al. | Data mining approach for customer segmentation in b2b settings using centroid-based clustering | |
Jiang et al. | Application of machine learning model and hybrid model in retail sales forecast | |
CN111815348A (zh) | 一种基于各门店商品相似度聚类的区域商品生产计划方法 | |
CN117371826B (zh) | 一种基于大数据的企业管理方法及系统 | |
Richards | A discrete/continuous model of fruit promotion, advertising, and response segmentation | |
US20230244837A1 (en) | Attribute based modelling | |
Ibrahim et al. | LRFM model analysis for customer segmentation using K-Means clustering | |
US8290913B2 (en) | Techniques for multi-variable analysis at an aggregate level | |
Camacho et al. | Factor models for large and incomplete data sets with unknown group structure | |
Singh et al. | Two-tiered clustering classification experiments for market segmentation of EFTPOS retailers | |
Kamley et al. | An Association Rule Mining Model for Finding the Interesting Patterns in Stock Market Dataset | |
Tran et al. | Bilinear input normalization for neural networks in financial forecasting | |
Gong et al. | Study on application of customer segmentation based on data mining technology |
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 |