CN117808395A - 一种sku选择方法、装置、系统及存储介质 - Google Patents
一种sku选择方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN117808395A CN117808395A CN202311798203.5A CN202311798203A CN117808395A CN 117808395 A CN117808395 A CN 117808395A CN 202311798203 A CN202311798203 A CN 202311798203A CN 117808395 A CN117808395 A CN 117808395A
- Authority
- CN
- China
- Prior art keywords
- sku
- target
- historical
- selection period
- bin
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000007306 turnover Effects 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 59
- 238000013135 deep learning Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000010754 BS 2869 Class F Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种SKU选择方法、装置、系统及存储介质,涉及仓储技术领域。方法包括:针对每一第一最小库存保有单位SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息;其中,历史销售信息包含以下至少一个维度的数据:各第一SKU的历史销售金额、历史销售变异系数,以及库存周转率;针对每一第一SKU,基于该第一SKU针对目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;基于历史销售信息,以及预测需求量,从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU。如此,能够有效地确定出一个区域仓在下一选择周期所需铺设的SKU。
Description
技术领域
本申请涉及仓储技术领域,特别是涉及一种SKU选择方法、装置、系统及存储介质。
背景技术
随着互联网技术的快速发展,消费者通过互联网订购商品,再由销售者从仓库取送商品至消费者的购物方式逐渐成熟。在仓储技术领域,为了提高商品从仓库配送至消费者处的效率,可以将商品预先铺设至全国各地的区域仓,由各区域仓负责一定范围内的配送任务。
然而,由于每一区域仓所能铺设的SKU(最小库存保有单位,Stock Keeping Unit)的数目是有限的。因此,针对每一区域仓,如何有效地确定出一个区域仓在下一选择周期所需铺设的SKU,成为亟待解决的问题。
发明内容
本申请实施例的目的在于提供一种SKU选择方法、装置、系统及存储介质,能够有效地确定出一个区域仓在下一选择周期所需铺设的SKU。具体技术方案如下:
本申请实施例的第一方面,首先提供了一种SKU选择方法,所述方法包括:
针对每一第一最小库存保有单位SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息;其中,所述历史销售信息包含以下至少一个维度的数据:各第一SKU的历史销售金额、表示各第一SKU的销售稳定性的历史销售变异系数,以及各第一SKU的历史库存周转率;
针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,所述待处理数据包括:第二历史统计阶段内目标区域仓销售该第一SKU的销售数据;
基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
在一些实施例中,所述基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU,包括:
获取所述历史销售信息表征的维度的权重,以及所述预测需求量的权重;
其中,所获取的权重为多任务学习模型中各子任务的损失函数的权重;各子任务与所述历史销售信息表征的维度,以及所述预测需求量一一对应;
基于所述历史销售信息、所述预测需求量以及获取到的权重,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
在一些实施例中,基于所述历史销售信息、所述预测需求量以及获取到的权重,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU,包括:
按照所述历史销售信息,确定各第一SKU针对所述历史销售信息表征的维度的排名,作为第一排名;
确定各第一SKU针对所述预测需求量的排名,作为第二排名;
针对每一第一SKU,基于获取到的权重,计算该第一SKU的第一排名与第二排名的加权和,得到该第一SKU的融合排名;
基于各第一SKU的融合排名,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
在一些实施例中,在所述针对每一第一SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息之前,所述方法还包括:
按照ABC分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的销售金额和数量,对各第二SKU进行分类,确定每一第二SKU的第一分类结果;
按照XYZ分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的变异系数,对各第二SKU进行分类,确定每一第二SKU的第二分类结果;
按照FSN分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的库存周转率,对各第二SKU进行分类,确定每一第二SKU的第三分类结果;
将第一分类结果、第二分类结果和第三分类结果满足预设筛选条件的第二SKU,确定为第一SKU。
在一些实施例中,所述待处理数据还包括以下至少一项:
所述目标区域仓的属性信息;
所述目标区域仓在所述第二历史统计阶段内各第一指定时段的SKU周转数据;其中,所述第一指定时段包含至少一个选择周期;
该第一SKU的属性信息;
上一个选择周期的属性信息。
在一些实施例中,所述销售数据包括以下至少一项:
在所述第二历史统计阶段内各第一指定选择周期所述目标区域仓销售该第一SKU的销售数量;
该第一SKU在所述第二历史统计阶段内各第二指定选择周期的销售数量的均值;其中,所述第二指定选择周期为基于预设统计窗口在所述第二历史统计阶段进行滑动确定出的;
针对所述目标区域仓,在所述第二历史统计阶段内各第二指定时段接收到的包含该第一SKU的订单的订单信息;其中,任一指定时段包含至少一个选择周期;
针对所述目标区域仓,在所述第二历史统计阶段内各第三指定时段之间该第一SKU的统计特征;
基于第三历史统计阶段内各选择周期的销售数量得到的指数平滑异同移动平均线MACD特征。
在一些实施例中,所述针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量,包括:
针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,通过预设的需求量预测模型,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,所述需求量预测模型包括以下至少一项:统计学习算法模型、机器学习算法模型,以及深度学习算法模型。
在一些实施例中,在基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU之后,所述方法还包括:
针对每一目标SKU,基于该目标SKU的第一分类结果、第二分类结果和第三分类结果中的至少一项,通过预设的补货量预测模型,预测得到该目标SKU在下一个选择周期内各补货周期的补货量;其中,所述补货量预测模型为机器学习算法模型,或深度学习算法模型;
针对每一目标SKU,按照该目标SKU在下一个选择周期内各补货周期的补货量,向机器人发送控制指令,以使所述机器人按照该目标SKU在下一个选择周期内各补货周期的补货量对所述目标区域仓进行补货。
本申请实施例的第二方面,提供了一种SKU选择系统,所述系统包括:服务器和机器人;
所述服务器,用于执行上述第一方面任一所述的方法;
所述机器人,用于按照所述服务器发送的控制指令,对目标区域仓进行补货。
本申请实施例的第三方面,提供了一种SKU选择装置,所述装置包括:
销售信息获取模块,用于针对每一第一最小库存保有单位SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息;其中,所述历史销售信息包含以下至少一个维度的数据:各第一SKU的历史销售金额、表示各第一SKU的销售稳定性的历史销售变异系数,以及各第一SKU的历史库存周转率;
需求量预测模块,用于针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,所述待处理数据包括:第二历史统计阶段内目标区域仓销售该第一SKU的销售数据;
选择模块,用于基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
在一些实施例中,所述选择模块,包括:
权重获取子模块,用于获取所述历史销售信息表征的维度的权重,以及所述预测需求量的权重;
其中,所获取的权重为多任务学习模型中各子任务的损失函数的权重;各子任务与所述历史销售信息表征的维度,以及所述预测需求量一一对应;
选择子模块,用于基于所述历史销售信息、所述预测需求量以及获取到的权重,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
在一些实施例中,所述选择子模块,具体用于:
按照所述历史销售信息,确定各第一SKU针对所述历史销售信息表征的维度的排名,作为第一排名;
确定各第一SKU针对所述预测需求量的排名,作为第二排名;
针对每一第一SKU,基于获取到的权重,计算该第一SKU的第一排名与第二排名的加权和,得到该第一SKU的融合排名;
基于各第一SKU的融合排名,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
在一些实施例中,所述装置还包括:
第一分类模块,用于在所述针对每一第一SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息之前,按照ABC分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的销售金额和数量,对各第二SKU进行分类,确定每一第二SKU的第一分类结果;
第二分类模块,用于按照XYZ分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的变异系数,对各第二SKU进行分类,确定每一第二SKU的第二分类结果;
第三分类模块,用于按照FSN分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的库存周转率,对各第二SKU进行分类,确定每一第二SKU的第三分类结果;
预选模块,用于将第一分类结果、第二分类结果和第三分类结果满足预设筛选条件的第二SKU,确定为第一SKU。
在一些实施例中,所述待处理数据还包括以下至少一项:
所述目标区域仓的属性信息;
所述目标区域仓在所述第二历史统计阶段内各第一指定时段的SKU周转数据;其中,所述第一指定时段包含至少一个选择周期;
该第一SKU的属性信息;
上一个选择周期的属性信息。
在一些实施例中,所述销售数据包括以下至少一项:
在所述第二历史统计阶段内各第一指定选择周期所述目标区域仓销售该第一SKU的销售数量;
该第一SKU在所述第二历史统计阶段内各第二指定选择周期的销售数量的均值;其中,所述第二指定选择周期为基于预设统计窗口在所述第二历史统计阶段进行滑动确定出的;
针对所述目标区域仓,在所述第二历史统计阶段内各第二指定时段接收到的包含该第一SKU的订单的订单信息;其中,任一指定时段包含至少一个选择周期;
针对所述目标区域仓,在所述第二历史统计阶段内各第三指定时段之间该第一SKU的统计特征;
基于第三历史统计阶段内各选择周期的销售数量得到的指数平滑异同移动平均线MACD特征。
在一些实施例中,所述需求量预测模块,具体用于:
针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,通过预设的需求量预测模型,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,所述需求量预测模型包括以下至少一项:统计学习算法模型、机器学习算法模型,以及深度学习算法模型。
在一些实施例中,所述装置还包括:
补货量预测模块,用于在基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU之后,针对每一目标SKU,基于该目标SKU的第一分类结果、第二分类结果和第三分类结果中的至少一项,通过预设的补货量预测模型,预测得到该目标SKU在下一个选择周期内各补货周期的补货量;其中,所述补货量预测模型为机器学习算法模型,或深度学习算法模型;
控制模块,用于针对每一目标SKU,按照该目标SKU在下一个选择周期内各补货周期的补货量,向机器人发送控制指令,以使所述机器人按照该目标SKU在下一个选择周期内各补货周期的补货量对所述目标区域仓进行补货。
本申请实施例的第四方面,提供了一种电子设备,包括:
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的SKU选择方法。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的SKU选择方法。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的SKU选择方法。
本申请实施例有益效果:
本申请实施例提供了一种SKU选择方法,方法包括:针对每一第一最小库存保有单位SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息;其中,历史销售信息包含以下至少一个维度的数据:各第一SKU的历史销售金额、表示各第一SKU的销售稳定性的历史销售变异系数,以及各第一SKU的历史库存周转率;针对每一第一SKU,基于该第一SKU针对目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,待处理数据包括:第二历史统计阶段内目标区域仓销售该第一SKU的销售数据;基于历史销售信息,以及预测需求量,从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU。
基于上述处理,可以基于各第一SKU的历史销售信息和预测需求量,确定下一个选择周期内目标区域仓所需铺设的SKU(即目标SKU)。由于任一第一SKU的历史销售数据包含:该第一SKU的历史销售金额、历史销售变异系数,以及历史库存周转率中至少一个维度的数据,因此,历史销售信息能够体现针对目标区域仓各第一SKU在第一历史统计阶段内的真实销售情况。又由于任一第一SKU在下一个选择周期的需求量(即预测需求量)为:基于该第一SKU针对目标区域仓的待处理数据预测得到的,因此,预测需求量能够体现各第一SKU针对目标区域仓在下一个选择周期内的需求情况。进而,能够针对目标区域仓,结合各第一SKU在第一历史统计阶段内的真实销售情况和下一个选择周期内的需求情况进行选择,如此,能够有效地确定出一个区域仓在下一选择周期所需铺设的SKU。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的SKU选择方法的第一种流程图;
图2为本申请实施例提供的SKU选择方法的第二种流程图;
图3为本申请实施例提供的SKU选择方法的第三种流程图;
图4为本申请实施例提供的一种区域仓补货的流程示意图;
图5为本申请实施例提供的一种SKU选择装置的结构图;
图6为本申请实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本申请保护的范围。
随着互联网技术的快速发展,消费者通过互联网订购商品,再由销售者从仓库取送商品至消费者的购物方式逐渐成熟。在仓储技术领域,为了提高商品从仓库配送至消费者处的效率,可以将商品预先铺设至全国各地的区域仓,由各区域仓负责一定范围内的配送任务。
然而,由于每一区域仓所能铺设的SKU的数目是有限的。因此,针对每一区域仓,如何有效地确定出一个区域仓在下一选择周期所需铺设的SKU,成为亟待解决的问题。
本申请实施例提供了一种SKU选择方法,该方法可以应用于电子设备,参见图1,图1为本申请实施例提供的SKU选择方法的第一种流程图,该方法包括:
S101:针对每一第一SKU(最小库存保有单位),获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息。
其中,历史销售信息包含以下至少一个维度的数据:各第一SKU的历史销售金额、表示各第一SKU的销售稳定性的历史销售变异系数,以及各第一SKU的历史库存周转率。
S102:针对每一第一SKU,基于该第一SKU针对目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量。
其中,待处理数据包括:第二历史统计阶段内目标区域仓销售该第一SKU的销售数据。
S103:基于历史销售信息,以及预测需求量,从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU。
基于上述处理,可以基于各第一SKU的历史销售信息和预测需求量,确定下一个选择周期内目标区域仓所需铺设的SKU(即目标SKU)。由于任一第一SKU的历史销售数据包含:该第一SKU的历史销售金额、历史销售变异系数,以及历史库存周转率中至少一个维度的数据,因此,历史销售信息能够体现针对目标区域仓各第一SKU在第一历史统计阶段内的真实销售情况。又由于任一第一SKU在下一个选择周期的需求量(即预测需求量)为:基于该第一SKU针对目标区域仓的待处理数据预测得到的,因此,预测需求量能够体现各第一SKU针对目标区域仓在下一个选择周期内的需求情况。进而,能够针对目标区域仓,结合各第一SKU在第一历史统计阶段内的真实销售情况和下一个选择周期内的需求情况进行选择,如此,能够有效地确定出一个区域仓在下一选择周期所需铺设的SKU。
另外,相对于现有技术中,仅使用各SKU的历史销售数据确定目标区域仓在下一选择周期所需铺设的SKU,本申请提供的SKU选择方法,由于能够结合各第一SKU在第一历史统计阶段内的真实销售情况和下一个选择周期内的需求情况进行选择,也就能够避免仅使用单一历史销售数据导致选择出的目标SKU存在滞后性,如此,能够准确地确定出一个区域仓在下一选择周期所需铺设的SKU。
在一个实施例中,在确定出目标区域仓在下一个选择周期内所需铺设的目标SKU后,电子设备可以基于确定出的信息进行一些后处理,如后续实施例中介绍的确定补货量。或者,电子设备也可以向其他设备发送确定出的信息,例如,可以向用于控制机器人执行补货任务的服务器发送确定出的信息,后续,该服务器能够基于上述信息执行一些后处理,例如,确定各目标SKU的补货量,以及控制机器人根据确定出的补货量对目标区域仓进行补货。
针对步骤S101,SKU为库存控制的最小单位。一个SKU表示一种商品,不同商品的SKU也不同。例如,商品1为品牌A、型号为X1、内存大小为256G、外观颜色为白色的手机,商品2为品牌A、型号为X1、内存大小为256G、外观颜色为黑色的手机。商品1的SKU,与商品2的SKU不同。
第一SKU可以为所有待选择的SKU。例如,针对某电商平台,所有待选择的SKU可以为该电商出售的所有种类的商品各自的SKU。或者,第一SKU也可以为从所有待选择的SKU中预先确定的一部分SKU,具体确定的过程将在后续实施例中进行说明。
目标区域仓为当前需要确定下一个选择周期(可以称为目标选择周期)内所需铺设的SKU的区域仓。也就是说,目标区域仓可以为任一区域仓,即,针对每一区域仓,均可以按照本申请实施例提供的SKU选择方法,确定该区域仓在下一个选择周期内所需铺设的目标SKU。
其中,选择周期为根据区域仓实际的SKU选择需求确定的,例如,选择周期可以为:1个周、1个月、1个季度,或1个年。可以理解的是,在每达到一个选择周期的结束时刻时,可以按照上述步骤S101-步骤S103,重新确定目标区域仓在下一个选择周期内所需铺设的目标SKU。
在本申请中,以选择周期为1个月为例进行说明,并不起任何限定作用。
第一历史统计阶段包含多个位于目标选择周期前,且与目标选择周期相邻的选择周期。例如,选择周期为1个月时,第一历史统计阶段可以为:位于该选择周期前的一季度(3个月);或者,第一历史统计阶段也可以为:位于该选择周期前的半年(6个月)。如,目标选择周期为2000年06月时,第一历史统计阶段可以为:2000年03月-2000年05月。
相应的,针对每一第一SKU,可以获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息。具体的,历史销售信息包含以下至少一个维度的数据:历史销售金额、历史销售变异系数,以及历史库存周转率。
针对每一第一SKU,可以通过以下方式中的任一种确定该第一SKU的历史销售金额:
一种实现方式中,可以获取第一历史统计阶段内最后一个选择周期内,目标区域仓销售该第一SKU的销售金额,作为该第一SKU的历史销售金额。例如,在目标选择周期为2000年06月,第一历史统计阶段为:2000年03月-2000年05月的情况下,可以获取2000年05月目标区域仓销售该第一SKU的销售金额,作为该第一SKU的历史销售金额。
另一种实现方式中,针对第一历史统计阶段内的每一选择周期,可以获取该选择周期内,目标区域仓销售该第一SKU的销售金额。进而,可以计算各选择周期的销售金额的均值,作为该第一SKU的历史销售金额。例如,在目标选择周期为2000年06月,第一历史统计阶段为:2000年03月-2000年05月的情况下,可以获取2000年03月-2000年05月目标区域仓销售该第一SKU的月平均销售金额,作为该第一SKU的历史销售金额。
可以理解的是,可以根据各第一SKU的历史销售金额,确定针对目标区域仓,各第一SKU在第一历史统计阶段内的销售金额的占比。针对任一第一SKU,该第一SKU的历史销售金额越大,表示针对目标区域仓,该第一SKU在第一历史统计阶段内的销售金额的占比越大。该第一SKU的历史销售金额越小,表示针对目标区域仓,该第一SKU在第一历史统计阶段内的销售金额的占比越小。
针对每一第一SKU,可以获取第一历史统计阶段内,每一选择周期目标区域仓销售该第一SKU的销售金额。进而,根据各选择周期的销售金额,计算各选择周期的销售金额的均值和标准差,计算得到变异系数(CV,Coefficient of Variation),作为该第一SKU的历史销售变异系数。其中,变异系数=标准差/均值,变异系数≥0。
例如,在目标选择周期为2000年06月,第一历史统计阶段为:2000年03月-2000年05月的情况下,可以获取2000年03月目标区域仓销售该第一SKU的销售金额(为便于描述记为S1),2000年04月目标区域仓销售该第一SKU的销售金额(记为S2),和2000年05月目标区域仓销售该第一SKU的销售金额(记为S3),计算S1、S2和S3的均值(记为μ1)和标准差(记为σ1),该第一SKU的历史销售变异系数(CV1)为:σ1/μ1。
可以理解的是,任一第一SKU的历史销售变异系数可以表示:针对目标区域仓,该第一SKU在第一历史统计阶段内的销售稳定性。即,该第一SKU的历史销售变异系数越小,表示针对目标区域仓,该第一SKU在第一历史统计阶段内的销售稳定性越高;该第一SKU的历史销售变异系数越大,表示针对目标区域仓,该第一SKU在第一历史统计阶段内的销售稳定性越低。
针对每一第一SKU,可以通过以下方式中的任一种确定该第一SKU的历史库存周转率:
一种实现方式中,可以获取第一历史统计阶段内最后一个选择周期内,目标区域仓销售该第一SKU的销售金额,以及该选择周期内的平均存货余额,计算该销售金额与平均存货余额的比值,得到库存周转率,作为该第一SKU的历史库存周转率。其中,任一选择周期内的平均存货余额为:该选择周期的起始存货余额与结束存货余额的和值的一半。任一选择周期的起始存货余额表示:在该选择周期的起始时刻,目标区域仓中存储的该第一SKU的库存数量。结束存货余额表示:在该选择周期的结束时刻,目标区域仓中存储的该第一SKU的库存数量。
例如,在目标选择周期为2000年06月,第一历史统计阶段为:2000年03月-2000年05月的情况下,可以获取2000年05月目标区域仓销售该第一SKU的销售金额(即S3),2000年05月的起始存货余额(记为I1),2000年05月的结束存货余额(记为I2),计算得到2000年05月的平均存货余额(记为I3)为(I1+I2)/2,进而,计算得到该选择周期的绝对中位差为S3/I3,作为该第一SKU的历史库存周转率。
另一种实现方式中,针对第一历史统计阶段内的每一选择周期,可以计算该选择周期的绝对中位差,进而,计算各选择周期的库存周转率的均值,作为该第一SKU的历史库存周转率。
可以理解的是,针对任一第一SKU,该第一SKU的历史库存周转率越大,表示针对目标区域仓,该第一SKU在第一历史统计阶段内的入库数量和出库数量越大;该第一SKU的历史库存周转率越小,表示针对目标区域仓,该第一SKU在第一历史统计阶段内的入库数量和出库数量越小。
针对步骤S102,针对每一第一SKU,该第一SKU针对目标区域仓的待处理数据包括:第二历史统计阶段内目标区域仓销售该第一SKU的销售数据。其中,第二历史统计阶段包含多个位于目标选择周期前,且与目标选择周期相邻的选择周期。例如,选择周期为1个月时,第二历史统计阶段可以为:位于该选择周期前的一年(12个月);或者,第二历史统计阶段也可以为:位于该选择周期前的半年(6个月)。如,目标选择周期为2000年06月时,第二历史统计阶段可以为:1999年06月-2000年05月。
在一些实施例中,第二历史统计阶段内目标区域仓销售该第一SKU的销售数据包括以下M1类-M5类中的至少一项:
M1类:在第二历史统计阶段内各第一指定选择周期目标区域仓销售该第一SKU的销售数量。
在本申请实施例中,可以将第二历史统计阶段内多个选择周期中的至少一个选择周期,作为第一指定选择周期。例如,第一执行选择周期可以为:位于目标选择周期前的3个历史选择周期;或者,第一执行选择周期也可以为:位于目标选择周期前的6个历史选择周期。
例如,在目标选择周期为2000年06月,第二历史统计阶段为1999年06月-2000年05月的情况下,第一指定选择周期可以为:2000年03月、2000年04月、2000年05月和1999年06月。相应的,第二历史统计阶段内各第一指定选择周期目标区域仓销售该第一SKU的销售数量为:2000年03月目标区域仓销售该第一SKU的销售数量、2000年04月目标区域仓销售该第一SKU的销售数量、2000年05月目标区域仓销售该第一SKU的销售数量,和1999年06月目标区域仓销售该第一SKU的销售数量。
另外,M1类销售数据还可以包括:各第一指定选择周期区域仓销售该第一SKU的销售数量的总和。
M2类:该第一SKU在第二历史统计阶段内各第二指定选择周期的销售数量的均值。
其中,第二指定选择周期为基于预设统计窗口在第二历史统计阶段进行滑动确定出的。
在本申请实施例中,可以确定位于目标选择周期前Lag(滞后值)位置处的选择周期(可以称为滞后选择周期),滑动预设统计窗口以使该滞后选择周期位于该预设统计窗口中最后一个选择周期的后一个位置,进而,确定位于该预设统计窗口内所有的选择周期,作为第二指定选择周期。其中,Lag可以为0、1、3和12,预设统计窗口的大小可以为2、3、6和12。
例如,在目标选择周期为2000年06月,第二历史统计阶段为1999年06月-2000年05月的情况下,Lag为0,预设统计窗口的大小为2时,滞后选择周期为2000年06月,位于该预设统计窗口内的选择周期为2000年04月和2000年05月,即,第二指定选择周期为2000年04月和2000年05月,相应的,可以计算2000年04月和2000年05月目标区域仓销售该第一SKU的销售数量的均值,作为该第二指定选择周期的销售数量的均值。
同理,Lag为1,预设统计窗口的大小为3时,滞后选择周期为2000年05月,位于该预设统计窗口内的选择周期为2000年02月、2000年03月和2000年04月,即,第二指定选择周期为2000年02月、2000年03月和2000年04月,相应的,可以计算2000年02月、2000年03月和2000年04月目标区域仓销售该第一SKU的销售数量的均值,作为该第二指定选择周期的销售数量的均值。
可以理解的是,在Lag分别取值0、1、3和12,预设统计窗口的大小分别取值2、3、6和12时,一共可以得到16个第二指定选择周期的销售数量的均值。
M3类:针对目标区域仓,在第二历史统计阶段内各第二指定时段接收到的包含该第一SKU的订单的订单信息。其中,任一指定时段包含至少一个选择周期。
在本申请实施例中,第二历史统计阶段内各第二指定时段可以为:目标选择周期前,指定数目个相邻的选择周期对应的时段。例如,指定数目可以为1、2、3、6和12。
例如,选择周期为1个月时,各第二指定时段可以分别为:位于该目标选择周期前的一个月、位于该目标选择周期前的一季度(3个月)、位于该目标选择周期前的半年(6个月),以及位于该目标选择周期前的一年(12个月)。如,在目标选择周期为2000年06月,第二历史统计阶段为1999年06月-2000年05月的情况下,第二指定时段可以为2000年05月、2000年03月-2000年05月、1999年12月-2000年05月、1999年05月-2000年05月。
一个订单的订单数据可以包含以下至少一项:该订单包含的多个SKU、该订单中多个SKU各自的销售数量、该订单的产生时间、该订单的订购者、该订单的来源地区(如,订购者的收货区域)等。
进而,针对任一第二指定时段,可以确定该第二指定时段内的订单笔数、各第一SKU的销售数量、来源地区的数目、订购者的数目、订单频率(即,该第二指定时段内的订单笔数/该第二指定时段的时长)、最小时间间隔(即,任两个相邻订单的时间间隔的最小值)等,作为该第二指定时段接收到的包含该第一SKU的订单的订单信息。
另外,还可以根据第二历史统计阶段内所有的订单的订单数据,获取最近一笔订单的产生时间,得到该笔订单距离下一选择周期的时间间隔。
M4类:针对目标区域仓,在第二历史统计阶段内各第三指定时段之间该第一SKU的统计特征。
在本申请实施例中,第二历史统计阶段内各第三指定时段可以为:目标选择周期前,指定数目个相邻的选择周期对应的时段。例如,指定数目可以为1、2、3、6和12。
例如,选择周期为1个月时,各第三指定时段可以分别为:位于该目标选择周期前的一个月、位于该目标选择周期前的一季度(3个月)、位于该目标选择周期前的半年(6个月),以及位于该目标选择周期前的一年(12个月)。
进而,针对任一第三指定时段,可以根据该第三指定时段内各选择周期目标区域仓销售该第一SKU的销售数量,得到各选择周期的销售数量中的最大值、最小值,以及各选择周期的销售数量的均值、标准差等。
另外,可以计算该第三指定时段内,每一选择周期的销售数量,与该选择周期前一选择周期的销售数量之间的差值,得到1阶差分序列。
例如,当选择周期为1个月,第三指定时段为位于该目标选择周期前的一年时,还可以针对位于该目标选择周期前的一年内的每一月,计算该月的销售数量与该月前一月的销售数量之间的差值,得到1阶差分序列。或者,针对位于该目标选择周期前的一年内的每一月,计算该月的销售数量与该月所属年的前一年同月的销售数量之间的差值,得到1阶差分序列。
M5类:基于第三历史统计阶段包含的各选择周期的销售数量得到的MACD(指数平滑异同移动平均线,Moving Average Convergence Divergence)特征。
在本申请实施例中,第三历史统计阶段包含多个位于目标选择周期前,且与目标选择周期相邻的选择周期。例如,选择周期为1个月时,第三历史统计阶段可以为:位于该选择周期前的一年(12个月);或者,第三历史统计阶段也可以为:位于该选择周期前的半年(6个月)。
相应的,可以根据该第三历史统计阶段的差分序列,和该第三历史统计阶段内各选择周期目标区域仓销售该第一SKU的销售数量,得到MACD特征。具体得到差分序列的方式可以参考上述实施例,在此不做赘述。
基于上述处理,可以获取第二历史统计阶段内目标区域仓销售该第一SKU的销售数据,因此,本申请实施例提供的SKU选择方法能够学习到该第一SKU的销售数据的特征,在后续预测该第一SKU在下一个选择周期的需求量的过程中,结合该第一SKU的历史销售情况进行预测,提高预测结果的准确性。
在一些实施例中,一个第一SKU针对目标区域仓的待处理数据还包括以下N1类-N4类至少一项:
N1类:目标区域仓的属性信息。
在本申请实施例中,目标区域仓的属性信息包括以下至少一项:目标区域仓的库存大小(即可容纳SKU的最大数量)、库位数量(即货架数量)、辐射地区数量、距离中心仓距离、辐射地区大小等。
N2类:目标区域仓在第二历史统计阶段内各第一指定时段的SKU周转数据。
其中,第一指定时段包含至少一个选择周期。
在本申请实施例中,第二历史统计阶段内各第一指定时段可以为:目标选择周期前,指定数目个相邻的选择周期对应的时段。例如,指定数目可以为1、2、3、6和12。
例如,选择周期为1个月时,各第一指定时段可以分别为:位于该目标选择周期前的一个月、位于该目标选择周期前的一季度(3个月)、位于该目标选择周期前的半年(6个月),以及位于该目标选择周期前的一年(12个月)。
目标区域仓在任一第一指定时段的SKU周转数据包括以下至少一项:该第一指定时段内,目标区域仓入库的SKU的总数量、出库SKU的总数量、接收到的订单总数、各选择周期的发货占比的最大值、各选择周期的发货占比的最小值,以及各选择周期的发货占比的均值、标准差、方差等。
另外,还可以确定该第一SKU在目标区域仓第二历史统计阶段内各选择周期内的发货占比和销售数量排名等。
N3类:该第一SKU的属性信息。
在本申请实施例中,该第一SKU的属性信息包括以下至少一项:该第一SKU的寿命、体积、重量、价格、报废率、生命周期、是否为特殊型号、生产成本、生产周期、销售地区、用途等。
N4类:上一个选择周期的属性信息。
在本申请实施例中,当选择周期为1个月时,任一选择周期自身属性的属性信息可以包括以下至少一项:该月包含的总天数、包含的节假日次数和天数、当月月份、当月所属季度、当月在所属季度中的位置(季初、季中,或季末)等。
当选择周期为1个周时,任一选择周期自身属性的属性信息可以包括以下至少一项:该周所属月份、该周所属月份的所属季度、该周在所属月中的位置(月初、月中,或月末)等。
当选择周期为1个季度时,任一选择周期自身属性的属性信息可以包括以下至少一项:该季度包含的总天数、包含的节假日次数和天数、该季度所属年、当季度在所属年中的位置(第一季度、第二季度、第三季度,或第四季度)等。
当选择周期为1个年时,任一选择周期自身属性的属性信息可以包括以下至少一项:该年包含的总天数、包含的节假日次数和天数、该年编号等。
基于上述处理,可以获取第一SKU、目标区域仓、选择周期的属性信息,在后续预测该第一SKU在下一个选择周期的需求量的过程中,结合各属性信息的特征进行预测,提高预测结果的准确性。
在一些实施例中,还可以根据实际需求,获取各第一SKU其他维度的数据,作为自定义维度的数据。
例如,针对每一第一SKU,可以获取表示该第一SKU需求紧急度的VED(Vital-Essential-Desirable,至关重要-必要-一般可取)分类数据。
其中,VED分类法通过对SKU的重要性和紧急性进行分析,将SKU分为三类:V类存货是对企业生产、销售和服务至关重要的存货;E类存货是在必要时可以替代的存货;D类存货是非必要的、可替代的存货。
如此,能够根据实际需求,对预测各第一SKU在下一个选择周期的需求量时所使用的待处理数据进行调整,提高预测结果的准确性。
进而,可以基于每一第一SKU针对目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量,具体的预测过程将在后续实施例中进行说明。其中,任一第一SKU的预测需求量表示:针对目标区域仓,该第一SKU在下一选择周期内期望的库存量。期望的库存量表示:能够满足目标区域仓在下一个选择周期内销售需求的库存量。
可以理解的是,针对该第一SKU,若目标区域仓在下一选择周期内的实际库存量远超过该预测需求量,表明针对该第一SKU目标区域仓存储的货量过多,可能会导致该第一SKU造成堆积占用大量仓储空间。若目标区域仓在下一选择周期内的实际库存量远小于该预测需求量,表明针对该第一SKU目标区域仓存储的货量过少,可能会导致目标区域仓在接收到针对该第一SKU的订单后,无法及时发货,导致订购者的需求无法得到满足。
针对步骤S103,可以基于各第一SKU的历史销售信息,以及各第一SKU的预测需求量,从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU。
在一些实施例中,参见图2,图2为本申请实施例提供的SKU选择方法的第二种流程图,在图1的基础上,步骤S103,包括:
S1031:获取历史销售信息表征的维度的权重,以及预测需求量的权重。
其中,所获取的权重为多任务学习模型中各子任务的损失函数的权重;各子任务与历史销售信息表征的维度,以及预测需求量一一对应。
S1032:基于历史销售信息、预测需求量以及获取到的权重,从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU。
在本申请实施例中,多任务学习模型中各子任务与历史销售信息表征的维度,以及预测需求量一一对应。
例如,若历史销售信息包含:各第一SKU的历史销售金额、历史销售变异系数,以及历史库存周转率三个维度的数据时,则多任务学习模型中至少存在四个子任务,该四个子任务分别与历史销售金额、历史销售变异系数、历史库存周转率和预测需求量一一对应。
另外,在待处理数据中包含自定义维度的数据时,还可以设置与各自定义维度对应的子任务。
一种实现方式中,可以基于预设的第一样本数据和第一样本标签,对多任务学习模型的各子任务模型进行训练。其中,第一样本数据包括:第一样本统计阶段内第一样本区域仓销售该第一样本SKU的第一样本销售数据,以及第一样本待处理数据,第一样本待处理数据包括:第二样本统计阶段内第一样本区域仓销售该第一样本SKU的销售数据;第一样本标签包含多个样本子标签,各样本子标签与历史销售信息表征的维度,以及预测需求量一一对应。
其中,在多任务学习模型的训练过程中,以多任务学习模型的总损失值最小为训练目标,总损失值为:各子任务的损失函数的损失值的加权和。其中,各子任务的损失函数的权重可以基于DWA(动态权重平均,Dynamic Weight Average)算法,或者DTP(动态任务优先级,Dynamic taskprioritization)算法在多任务学习模型的训练过程中进行调整。
其中,基于DWA算法调整各子任务的损失函数的权重的过程如下所示:
Ln(t-1)表示任务n在t-1步时的训练Loss,Ln(t-2)表示任务n在t-2步时的训练Loss;rn(t-1)表示此时Loss下降速度,越小表示训练速度越快;wi(t)代表不同任务的权重,N为任务数量,T为一个temperature参数,T=1时,w为softmax(归一化值),T=+∞时,w为1。Loss收敛越快的任务,获得的权重越小,在实际使用中可设置为相反的训练方式,即Loss收敛越快的任务,获得的权重越大。
其中,基于DTP算法调整各子任务的损失函数的权重的过程如下所示:
ki(t)表示在t步时的衡量KPI值,取值范围为[0,1],例如,在回归任务中,KPI可以是预测的准确率;γi是一个固定的temperature参数,可用于人工调节权重;wi(t)代表不同任务Loss的权重,KPI越高的任务,获得的权重越小,在实际使用中可设置为相反的训练方式,即KPI越高的任务,获得的权重越大。
相应的,针对上述任一维度的数据,可以获取多任务学习模型中,该维度的数据对应的子任务的损失函数的权重,作为该维度的数据的权重。
可以理解的是,一个维度的数据的权重越大,表示该维度的数据对确定目标SKU的重要性越高;一个维度的数据的权重越小,表示该维度的数据对确定目标SKU的重要性越低。因此,可以结合历史销售信息、预测需求量以及获取到的权重,从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU。
基于上述处理,针对不同维度的数据,能够基于多任务学习模型确定各维度的数据的权重,根据目标区域仓的实际需求从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU,提高选择得到的目标SKU的准确性。
在一些实施例中,参见图3,图3为本申请实施例提供的SKU选择方法的第三种流程图,在图2的基础上,步骤S1032,包括:
S10321:按照历史销售信息,确定各第一SKU针对历史销售信息表征的维度的排名,作为第一排名。
S10322:确定各第一SKU针对预测需求量的排名,作为第二排名。
S10323:针对每一第一SKU,基于获取到的权重,计算该第一SKU的第一排名与第二排名的加权和,得到该第一SKU的融合排名。
S10324:基于各第一SKU的融合排名,从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU。
在本申请实施例中,针对历史销售信息表征的每一维度,可以确定各第一SKU针对该维度的排名。
若历史销售信息包含各第一SKU的历史销售金额,可以按照历史销售金额由大到小的顺序,对各第一SKU进行排序,得到各第一SKU的排名,进而,可以将该排名作为各第一SKU针对历史销售金额的第一排名(可以记为Rank1)。
若历史销售信息包含各第一SKU的历史销售变异系数,可以按照历史销售变异系数由小到大的顺序,对各第一SKU进行排序,得到各第一SKU的排名,进而,可以将该排名作为各第一SKU针对历史销售变异系数的第一排名(可以记为Rank2)。
若历史销售信息包含各第一SKU的历史库存周转率,可以按照历史库存周转率由大到小的顺序,对各第一SKU进行排序,得到各第一SKU的排名,进而,可以将该排名作为各第一SKU针对历史库存周转率的第一排名(可以记为Rank3)。
可以理解的是,针对任一第一SKU,该SKU对应各第一排名的权重,与该第一排名对应的维度的权重一致。
相应的,针对预测需求量维度,可以按照预测需求量由大到小的顺序,对各第一SKU进行排序,得到各第一SKU针对预测需求量的排名(即第二排名)。
针对每一第一SKU,可以根据该第一SKU的第一排名和第二排名,以及第一排名和第二排名的权重,计算该第一SKU的第一排名和第二排名的加权和,按照加权和由小到大的顺序,得到该第一SKU的融合排名,计算过程如下所示:
其中,表示针对x的排序函数。针对任一第一SKU,Ranki表示该第一SKU针对各维度的排名,wi表示Ranki的权重,Rank表示该第一SKU的融合排名,N为维度的数目。
进而,可以基于各第一SKU的融合排名,从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU。例如,可以按照融合排名的先后顺序,选择靠前的预设数目个第一SKU,作为目标区域仓在下一个选择周期内所需铺设的目标SKU。
基于上述处理,能够基于各维度的数据,以及各维度的数据的权重,得到各第一SKU的融合排名,如此,能够结合多个维度的数据,以量化的方式从各第一SKU中选择出目标SKU,保证选择得到的目标SKU更偏向于销售金额高、销售数量稳定、库存周转速度快,且下一选择阶段需量大的SKU。
在一些实施例中,在步骤S101之前,该方法还包括:
步骤1:按照ABC分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的销售金额和数量,对各第二SKU进行分类,确定每一第二SKU的第一分类结果。
步骤2:按照XYZ分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的变异系数,对各第二SKU进行分类,确定每一第二SKU的第二分类结果。
步骤3:按照FSN分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的库存周转率,对各第二SKU进行分类,确定每一第二SKU的第三分类结果。
步骤4:将第一分类结果、第二分类结果和第三分类结果满足预设筛选条件的第二SKU,确定为第一SKU。
在本申请实施例中,第二SKU可以为所有待选择的SKU。或者,第二SKU也可以为所有待选择的SKU中的部分SKU,如,可以通过人工选择的方式,预先从所有待选择的SKU中选择一部分作为第二SKU。
针对每一第二SKU,可以得到该第二SKU在第一历史统计阶段内针对目标区域仓的销售金额和数量,该第二SKU在第一历史统计阶段内针对目标区域仓的变异系数,以及该第二SKU在第一历史统计阶段内针对目标区域仓的库存周转率。具体得到各第二SKU在第一历史统计阶段内针对目标区域仓的销售金额和数量、变异系数和库存周转率的过程,可以参考上述实施例中得到第一SKU在第一历史统计阶段内针对目标区域仓的销售金额和数量、变异系数和库存周转率的过程,在此不做赘述。
针对各第二SKU在第一历史统计阶段内针对目标区域仓的销售金额和数量,可以将销售数量占比20%销售金额占比80%的第二SKU的第一分类结果确定为A类,将销售数量占比30%销售金额占比15%的第二SKU的第一分类结果确定为B类,将销售数量占比50%销售金额占比5%的第二SKU的第一分类结果确定为C类。
可以理解的是,第一分类结果为A类表示:SKU的价值较高,第一分类结果为C类表示:SKU的价值较低,第一分类结果为B类表示:SKU的价值处于居中水平。
针对各第二SKU在第一历史统计阶段内针对目标区域仓的变异系数,可以将变异系数不大于第一阈值的第二SKU的第二分类结果确定为X类,将变异系数大于第一阈值且不大于第二阈值的第二SKU的第二分类结果确定为Y类,将变异系数大于第二阈值的第二SKU的第二分类结果确定为Z类。其中,第一阈值小于第二阈值,例如,第一阈值可以为0.5,第二阈值可以为1。
可以理解的是,第二分类结果为X类表示:SKU在第一历史统计阶段内的销售稳定性较高,第二分类结果为Z类表示:SKU第一历史统计阶段内的销售稳定性较低,第二分类结果为Y类表示:SKU第一历史统计阶段内的销售稳定性处于居中水平。
针对各第二SKU在第一历史统计阶段内针对目标区域仓的库存周转率,可以将库存周转率大于第三阈值的第二SKU的第三分类结果确定为F类,将库存周转率不大于第三阈值且大于第四阈值的第二SKU的第三分类结果确定为S类,将库存周转率不大于第四阈值的第二SKU的第三分类结果确定为N类。其中,第三阈值大于第四阈值,例如,第三阈值可以为1.5,第四阈值可以为0.33。
可以理解的是,第三分类结果为F类表示:SKU在第一历史统计阶段内的库存周转速度较快,第三分类结果为N类表示:SKU在第一历史统计阶段内的库存周转速度较慢,第三分类结果为S类表示:SKU在第一历史统计阶段内的库存周转速度处于居中水平。
进而,可以将第一分类结果、第二分类结果和第三分类结果满足预设筛选条件的第二SKU,确定为第一SKU。
一种实现方式中,可以按照HML分类法,基于各第二SKU的第一分类结果、第二分类结果和第三分类结果,确定各第二SKU的第四分类结果。
例如,在实际场景中,往往倾向于将价值高、销售稳定性高、库存周转速度快的商品铺设到区域仓,因此,可以将第二SKU的第一分类结果、第二分类结果和第三分类结果为:AXF,AYF,AZF,BXF,BYF,BZF的第二SKU的第四分类结果确定为H类;将第二SKU的第一分类结果、第二分类结果和第三分类结果为:AXS,AXN,AYS,BXS,CXF,CYF的第二SKU的第四分类结果确定为M类;将其他的第二SKU的第四分类结果确定为L类。
相应的,可以将第四分类结果为H类和M类的第二SKU确定为第一SKU。
基于上述处理,可以预先对所有待选择的SKU进行初次筛选,以过滤大量不合适铺设至区域仓的SKU,如价值低、销售稳定性低、库存周转速度慢的SKU,能够降低确定目标SKU所消耗的计算量,提高确定目标SKU的效率。
在一些实施例中,步骤S102,包括:
针对每一第一SKU,基于该第一SKU针对目标区域仓的待处理数据,通过预设的需求量预测模型,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量。
其中,需求量预测模型包括以下至少一项:统计学习算法模型、机器学习算法模型,以及深度学习算法模型。
一种实现方式中,针对每一第一SKU,可以选择该第一SKU对应的一种需求量预测模型,预测得到该第一SKU在下一个选择周期的需求量。例如,可以根据第一SKU的销售数据的指定特征,确定该第一SKU对应的需求量预测模型。其中,指定特征包括以下至少一种:第一SKU的销售数据的稳定性、第一SKU的销售数据的自相关性。
具体的,针对每一第一SKU,可以通过统计学习算法模型,基于该第一SKU针对目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量。
其中,统计学习算法可以为:ARIMA(差分自回归移动平均模型,AutoregressiveIntegratedMoving Average Model)、Holt-Winters(温特斯-Holt双参数指数平滑法),或GARCH(广义自回归条件异方差模型,Generalized Autoregressive ConditionalHeteroskedasticity)等。
例如,当一个第一SKU的销售数据较为平稳,且自相关性较强时,可以确定该第一SKU对应的需求量预测模型为统计学习算法模型,进而,通过统计学习算法模型预测得到的需求量的准确性能够满足用户需求,提高预测的效率。
针对每一第一SKU,还可以通过机器学习算法模型,基于该第一SKU针对目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量。
其中,机器学习算法可以为:XGBoost(基于Gradient Boosting框架实现的分布式梯度增强)算法、Random Forest(随机森林)算法、GBDT(迭代决策树,Gradient BoostingDecision Tree)算法等。
如此,基于机器学习算法模型预测得到各第一SKU的需求量,能够考虑协变量对各第一SKU的需求量造成的影响,提高得到的各第一SKU的需求量的准确性。
针对每一第一SKU,还可以通过深度学习算法模型,基于该第一SKU针对目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量。其中,深度学习算法模型包括:深度学习算法单点预测模型和深度学习算法分位数预测模型。
深度学习算法单点预测模型可以基于该第一SKU针对目标区域仓的待处理数据,直接输出该第一SKU在下一个选择周期的需求量。其中,深度学习算法可以为:LSTM(长短期记忆,LongShort-Term Memory)算法、Autoformer算法、Informer算法等。
如此,基于深度学习算法单点预测模型预测得到各第一SKU的需求量,能够学习得到长期数据和短期数据的特征,考虑自身变量与协变量对各第一SKU的需求量造成的影响,提高得到的各第一SKU的需求量的准确性。
深度学习算法分位数预测模型可以基于该第一SKU针对目标区域仓的待处理数据,输出表示该第一SKU在下一个选择周期的需求量的概率分布。其中,深度学习算法可以为:MQRNN(对批量时间序列统一建模和预测)算法、DeepAR(针对大量相关时间序列统一建模的预测)算法、DeepState(深度状态)算法等。
如此,基于深度学习算法分位数预测模型预测得到各第一SKU的需求量,相对于深度学习算法单点预测模型,能够根据针对SKU的需求变化动态调整模型的输出结果,提高得到的各第一SKU的需求量的准确性。
一种实现方式中,可以基于预设的第二样本数据和第二样本标签,对需求量预测模型进行训练。其中,第二样本数据包括:第二样本待处理数据,第二样本待处理数据包括:第三样本统计阶段内第二样本区域仓销售该第二样本SKU的销售数据;第二样本标签表示:第二样本SKU在第三样本统计阶段后一个统计阶段内的实际需求量。
可以理解的是,在预设的需求量预测模型包含多个不同算法实现的需求量预测模型的情况下,针对任一第一SKU,可以获取各需求量预测模型预测得到该第一SKU在下一个选择周期的需求量,进而,计算该多个预测需求量的加权和,作为该第一SKU的预测需求量。
在一些实施例中,在步骤S103之后,该方法还包括:
步骤一:针对每一目标SKU,基于该目标SKU的第一分类结果、第二分类结果和第三分类结果中的至少一项,通过预设的补货量预测模型,预测得到该目标SKU在下一个选择周期内各补货周期的补货量。
其中,补货量预测模型为机器学习算法模型,或深度学习算法模型。
在本申请实施例中,一个选择周期内可以包含多个补货周期。例如,选择周期为1个月时,补货周期可以为10天。
针对每一第一SKU,可以通过机器学习算法模型或深度学习算法模型,基于该目标SKU的第一分类结果、第二分类结果和第三分类结果中的至少一项,预测得到该目标SKU在下一个选择周期内各补货周期的补货量。其中,还可以结合目标区域仓当前针对各目标SKU的库存量和预测得到的各目标SKU的预测需求量,对目标SKU在下一个选择周期内各补货周期的补货量进行预测。
一种实现方式中,可以基于预设的第三样本数据和第三样本标签,对补货量预测模型进行训练。其中,第三样本数据包括:各第三样本SKU的第一分类结果、第二分类结果和第三分类结果中的至少一项,第三样本标签表示各第三样本SKU在后一个补货周期的实际补货量。
基于上述处理,在确定目标区域仓在下一个选择周期内所需铺设的目标SKU之后,还可以对各目标SKU在下一个选择周期内各补货周期的补货量进行预测,结合各目标SKU的补货量进行补货,避免在目标区域仓中提前存储大量目标SKU,导致资源的浪费。
在一些实施例中,在步骤一之后,该方法还包括:
步骤二:针对每一目标SKU,按照该目标SKU在下一个选择周期内各补货周期的补货量,向机器人发送控制指令,以使机器人按照该目标SKU在下一个选择周期内各补货周期的补货量对目标区域仓进行补货。
在本申请实施例中,电子设备可以与机器人进行通信。例如,该电子设备可以为用于控制机器人执行任务的服务器。
其中,机器人可以为AGV(Automated Guided Vehicle,自动导引运输车)、AMR(Autonomous Mobile Robot,自主移动机器人)等可移动机器人。机器人可以通过自身的部件搬运商品,例如,机器人可以具有机械手臂,或者,也可以具有叉取部件(如叉齿)。
另外,机器人中还可以设置有图像采集设备,通过图像采集设备采集的图像,可以识别货物的SKU,也就能够自主对区域仓进行补货,还可以在执行任务过程中对周围环境进行检测,以确定行驶的安全。
针对每一目标SKU,在预测得到该目标SKU在下一个选择周期内各补货周期的补货量之后,服务器可以向机器人发送控制指令。如,上述控制指令中可以携带有目标SKU的标识以及补货量。
相应的,当达到每一补货周期时,机器人可以从指定的商品存储区域获取每一目标SKU在该补货周期的补货量对应的商品,将获取到的商品搬运至该目标区域仓,以实现补货。
基于上述处理,针对每一目标SKU,可以在达到每一补货周期时,控制机器人搬运该目标SKU在该补货周期的补货量对应的商品至目标区域仓,也就能够实现对目标区域仓进行自动补货,提高SKU补货的准确率和效率。
参见图4,图4为本申请实施例提供的一种区域仓补货的流程示意图。
S401:数据采集。
即,获取每一第一SKU在第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息。另外,获取目标区域仓针对各第一SKU的库存量。
S402:动态SKU选型。
即,基于统计学方法,对下一个选择周期进行初始选型。例如,可以按照上述步骤1-步骤4,确定第一SKU。
相应的,针对每一第一SKU,可以基于该第一SKU针对目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量。
进而,可以结合多个标准分类结果和表示未来需求的预测需求量,确定目标SKU。即,基于历史销售信息,以及预测需求量,从各第一SKU中确定目标区域仓在下一个选择周期内所需铺设的目标SKU。
S403:补货量输出。
即,针对每一目标SKU,基于该目标SKU的第一分类结果、第二分类结果和第三分类结果中的至少一项,通过预设的补货量预测模型,预测得到该目标SKU在下一个选择周期内各补货周期的补货量。
本申请的技术方案中,所涉及的销售数据的获取、存储、使用、加工、传输、提供和公开等操作,均是在已取得用户授权的情况下进行的。
基于相同的发明构思,本申请实施例提供了一种SKU选择系统,系统包括:服务器和机器人。
服务器,用于执行上述任一SKU选择方法。
机器人,用于按照服务器发送的控制指令,对目标区域仓进行补货。
基于本申请实施例提供的SKU选择系统,可以基于各第一SKU的历史销售信息和预测需求量,确定下一个选择周期内目标区域仓所需铺设的SKU(即目标SKU)。由于任一第一SKU的历史销售数据包含:该第一SKU的历史销售金额、历史销售变异系数,以及历史库存周转率中至少一个维度的数据,因此,历史销售信息能够体现针对目标区域仓各第一SKU在第一历史统计阶段内的真实销售情况。又由于任一第一SKU在下一个选择周期的需求量(即预测需求量)为:基于该第一SKU针对目标区域仓的待处理数据预测得到的,因此,预测需求量能够体现各第一SKU针对目标区域仓在下一个选择周期内的需求情况。进而,能够针对目标区域仓,结合各第一SKU在第一历史统计阶段内的真实销售情况和下一个选择周期内的需求情况进行选择,如此,能够有效地确定出一个区域仓在下一选择周期所需铺设的SKU。
基于相同的发明构思,本申请实施例提供了一种SKU选择装置。参见图5,图5为本申请实施例提供的一种SKU选择装置的结构图,所述装置包括:
销售信息获取模块501,用于针对每一第一最小库存保有单位SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息;其中,所述历史销售信息包含以下至少一个维度的数据:各第一SKU的历史销售金额、表示各第一SKU的销售稳定性的历史销售变异系数,以及各第一SKU的历史库存周转率;
需求量预测模块502,用于针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,所述待处理数据包括:第二历史统计阶段内目标区域仓销售该第一SKU的销售数据;
选择模块503,用于基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
在一些实施例中,所述选择模块503,包括:
权重获取子模块,用于获取所述历史销售信息表征的维度的权重,以及所述预测需求量的权重;
其中,所获取的权重为多任务学习模型中各子任务的损失函数的权重;各子任务与所述历史销售信息表征的维度,以及所述预测需求量一一对应;
选择子模块,用于基于所述历史销售信息、所述预测需求量以及获取到的权重,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
在一些实施例中,所述选择子模块,具体用于:
按照所述历史销售信息,确定各第一SKU针对所述历史销售信息表征的维度的排名,作为第一排名;
确定各第一SKU针对所述预测需求量的排名,作为第二排名;
针对每一第一SKU,基于获取到的权重,计算该第一SKU的第一排名与第二排名的加权和,得到该第一SKU的融合排名;
基于各第一SKU的融合排名,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
在一些实施例中,所述装置还包括:
第一分类模块,用于在所述针对每一第一SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息之前,按照ABC分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的销售金额和数量,对各第二SKU进行分类,确定每一第二SKU的第一分类结果;
第二分类模块,用于按照XYZ分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的变异系数,对各第二SKU进行分类,确定每一第二SKU的第二分类结果;
第三分类模块,用于按照FSN分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的库存周转率,对各第二SKU进行分类,确定每一第二SKU的第三分类结果;
预选模块,用于将第一分类结果、第二分类结果和第三分类结果满足预设筛选条件的第二SKU,确定为第一SKU。
在一些实施例中,所述待处理数据还包括以下至少一项:
所述目标区域仓的属性信息;
所述目标区域仓在所述第二历史统计阶段内各第一指定时段的SKU周转数据;其中,所述第一指定时段包含至少一个选择周期;
该第一SKU的属性信息;
上一个选择周期的属性信息。
在一些实施例中,所述销售数据包括以下至少一项:
在所述第二历史统计阶段内各第一指定选择周期所述目标区域仓销售该第一SKU的销售数量;
该第一SKU在所述第二历史统计阶段内各第二指定选择周期的销售数量的均值;其中,所述第二指定选择周期为基于预设统计窗口在所述第二历史统计阶段进行滑动确定出的;
针对所述目标区域仓,在所述第二历史统计阶段内各第二指定时段接收到的包含该第一SKU的订单的订单信息;其中,任一指定时段包含至少一个选择周期;
针对所述目标区域仓,在所述第二历史统计阶段内各第三指定时段之间该第一SKU的统计特征;
基于第三历史统计阶段内各选择周期的销售数量得到的指数平滑异同移动平均线MACD特征。
在一些实施例中,所述需求量预测模块502,具体用于:
针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,通过预设的需求量预测模型,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,所述需求量预测模型包括以下至少一项:统计学习算法模型、机器学习算法模型,以及深度学习算法模型。
在一些实施例中,所述装置还包括:
补货量预测模块,用于在基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU之后,针对每一目标SKU,基于该目标SKU的第一分类结果、第二分类结果和第三分类结果中的至少一项,通过预设的补货量预测模型,预测得到该目标SKU在下一个选择周期内各补货周期的补货量;其中,所述补货量预测模型为机器学习算法模型,或深度学习算法模型;
控制模块,用于针对每一目标SKU,按照该目标SKU在下一个选择周期内各补货周期的补货量,向机器人发送控制指令,以使所述机器人按照该目标SKU在下一个选择周期内各补货周期的补货量对所述目标区域仓进行补货。
本申请实施例还提供了一种电子设备,如图6所示,包括:
存储器601,用于存放计算机程序;
处理器602,用于执行存储器601上所存放的程序时,实现上述实施例中任一SKU选择方法的步骤。
并且上述电子设备还可以包括通信总线和/或通信接口,处理器602、通信接口、存储器601通过通信总线完成相互间的通信。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一SKU选择方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一SKU选择方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者固态硬盘(SolidStateDisk,SSD)等。
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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (11)
1.一种SKU选择方法,其特征在于,所述方法包括:
针对每一第一最小库存保有单位SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息;其中,所述历史销售信息包含以下至少一个维度的数据:各第一SKU的历史销售金额、表示各第一SKU的销售稳定性的历史销售变异系数,以及各第一SKU的历史库存周转率;
针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,所述待处理数据包括:第二历史统计阶段内目标区域仓销售该第一SKU的销售数据;
基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
2.根据权利要求1所述的方法,其特征在于,所述基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU,包括:
获取所述历史销售信息表征的维度的权重,以及所述预测需求量的权重;
其中,所获取的权重为多任务学习模型中各子任务的损失函数的权重;各子任务与所述历史销售信息表征的维度,以及所述预测需求量一一对应;
基于所述历史销售信息、所述预测需求量以及获取到的权重,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
3.根据权利要求2所述的方法,其特征在于,基于所述历史销售信息、所述预测需求量以及获取到的权重,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU,包括:
按照所述历史销售信息,确定各第一SKU针对所述历史销售信息表征的维度的排名,作为第一排名;
确定各第一SKU针对所述预测需求量的排名,作为第二排名;
针对每一第一SKU,基于获取到的权重,计算该第一SKU的第一排名与第二排名的加权和,得到该第一SKU的融合排名;
基于各第一SKU的融合排名,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
4.根据权利要求1所述的方法,其特征在于,在所述针对每一第一SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息之前,所述方法还包括:
按照ABC分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的销售金额和数量,对各第二SKU进行分类,确定每一第二SKU的第一分类结果;
按照XYZ分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的变异系数,对各第二SKU进行分类,确定每一第二SKU的第二分类结果;
按照FSN分类法,基于各第二SKU在第一历史统计阶段内针对目标区域仓的库存周转率,对各第二SKU进行分类,确定每一第二SKU的第三分类结果;
将第一分类结果、第二分类结果和第三分类结果满足预设筛选条件的第二SKU,确定为第一SKU。
5.根据权利要求1所述的方法,其特征在于,所述待处理数据还包括以下至少一项:
所述目标区域仓的属性信息;
所述目标区域仓在所述第二历史统计阶段内各第一指定时段的SKU周转数据;其中,所述第一指定时段包含至少一个选择周期;
该第一SKU的属性信息;
上一个选择周期的属性信息。
6.根据权利要求1所述的方法,其特征在于,所述销售数据包括以下至少一项:
在所述第二历史统计阶段内各第一指定选择周期所述目标区域仓销售该第一SKU的销售数量;
该第一SKU在所述第二历史统计阶段内各第二指定选择周期的销售数量的均值;其中,所述第二指定选择周期为基于预设统计窗口在所述第二历史统计阶段进行滑动确定出的;
针对所述目标区域仓,在所述第二历史统计阶段内各第二指定时段接收到的包含该第一SKU的订单的订单信息;其中,任一指定时段包含至少一个选择周期;
针对所述目标区域仓,在所述第二历史统计阶段内各第三指定时段之间该第一SKU的统计特征;
基于第三历史统计阶段内各选择周期的销售数量得到的指数平滑异同移动平均线MACD特征。
7.根据权利要求1所述的方法,其特征在于,所述针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量,包括:
针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,通过预设的需求量预测模型,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,所述需求量预测模型包括以下至少一项:统计学习算法模型、机器学习算法模型,以及深度学习算法模型。
8.根据权利要求4所述的方法,其特征在于,在基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU之后,所述方法还包括:
针对每一目标SKU,基于该目标SKU的第一分类结果、第二分类结果和第三分类结果中的至少一项,通过预设的补货量预测模型,预测得到该目标SKU在下一个选择周期内各补货周期的补货量;其中,所述补货量预测模型为机器学习算法模型,或深度学习算法模型;
针对每一目标SKU,按照该目标SKU在下一个选择周期内各补货周期的补货量,向机器人发送控制指令,以使所述机器人按照该目标SKU在下一个选择周期内各补货周期的补货量对所述目标区域仓进行补货。
9.一种SKU选择系统,其特征在于,所述系统包括:服务器和机器人;
所述服务器,用于执行上述权利要求1-8任一所述的方法;
所述机器人,用于按照所述服务器发送的控制指令,对目标区域仓进行补货。
10.一种SKU选择装置,其特征在于,所述装置包括:
销售信息获取模块,用于针对每一第一最小库存保有单位SKU,获取第一历史统计阶段内目标区域仓销售该第一SKU的历史销售信息;其中,所述历史销售信息包含以下至少一个维度的数据:各第一SKU的历史销售金额、表示各第一SKU的销售稳定性的历史销售变异系数,以及各第一SKU的历史库存周转率;
需求量预测模块,用于针对每一第一SKU,基于该第一SKU针对所述目标区域仓的待处理数据,预测得到该第一SKU在下一个选择周期的需求量,作为预测需求量;其中,所述待处理数据包括:第二历史统计阶段内目标区域仓销售该第一SKU的销售数据;
选择模块,用于基于所述历史销售信息,以及所述预测需求量,从各第一SKU中确定所述目标区域仓在所述下一个选择周期内所需铺设的目标SKU。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311798203.5A CN117808395A (zh) | 2023-12-25 | 2023-12-25 | 一种sku选择方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311798203.5A CN117808395A (zh) | 2023-12-25 | 2023-12-25 | 一种sku选择方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117808395A true CN117808395A (zh) | 2024-04-02 |
Family
ID=90429264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311798203.5A Pending CN117808395A (zh) | 2023-12-25 | 2023-12-25 | 一种sku选择方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808395A (zh) |
-
2023
- 2023-12-25 CN CN202311798203.5A patent/CN117808395A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230351323A1 (en) | Systems and methods for inventory management and optimization | |
JP6684904B2 (ja) | 小売り業者に対してマルチチャネル在庫割当てアプローチを提供するためのシステムおよび方法 | |
CN109993484B (zh) | 数据处理方法及系统、介质和计算设备 | |
CN110414731B (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
US11151496B2 (en) | Parallel lead time determinations in supply chain architecture | |
US10181107B2 (en) | Using consumption data and an inventory model to generate a replenishment plan | |
US9224121B2 (en) | Demand-driven collaborative scheduling for just-in-time manufacturing | |
Grillo et al. | Mathematical modelling of the order-promising process for fruit supply chains considering the perishability and subtypes of products | |
JP7105336B2 (ja) | スマートサプライチェーンシステム | |
US10685319B2 (en) | Big data sourcing simulator | |
US10002364B2 (en) | Consumption-driven forecasting using multi-level heterogeneous input data | |
US20220284386A1 (en) | Computerized inventory redistribution control system | |
US20160155137A1 (en) | Demand forecasting in the presence of unobserved lost-sales | |
US20190378061A1 (en) | System for modeling the performance of fulfilment machines | |
US20180260769A1 (en) | Supply chain analytics tool | |
CN114118503A (zh) | 供应链库存优化方法、装置、设备和存储介质 | |
Salzarulo et al. | The incremental value of central control in serial supply chains | |
WO2024032397A1 (zh) | 库存补货推荐方法、装置以及电子设备 | |
CN113205200A (zh) | 商品入库的管理方法、预约方法、服务器及供应商终端 | |
EP3887944B1 (en) | Extensible software tool with customizable machine prediction | |
CN116050987A (zh) | 用于物料补货的预测方法、装置、存储介质及处理器 | |
US11580490B2 (en) | Supply chain replenishment simulation | |
US11948163B2 (en) | User interface for visualizing output from supply chain replenishment simulation | |
US20240013131A1 (en) | Systems and methods for managing decision scenarios | |
US11843549B1 (en) | Automated resource prioritization using artificial intelligence techniques |
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 |