CN117829740A - 一种库存监测方法、系统、计算机设备及介质 - Google Patents
一种库存监测方法、系统、计算机设备及介质 Download PDFInfo
- Publication number
- CN117829740A CN117829740A CN202410248201.7A CN202410248201A CN117829740A CN 117829740 A CN117829740 A CN 117829740A CN 202410248201 A CN202410248201 A CN 202410248201A CN 117829740 A CN117829740 A CN 117829740A
- Authority
- CN
- China
- Prior art keywords
- seasonal
- commodity
- inventory
- commodities
- sales
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001932 seasonal effect Effects 0.000 claims abstract description 163
- 239000013598 vector Substances 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 7
- 241000728173 Sarima Species 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000002023 wood Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- -1 for example Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种库存监测方法、系统、计算机设备及介质，监测方法包括以下步骤：S1：获取电商平台的在售商品的历史销售数据；S2：基于所述历史销售数据识别出商品的季节性模式，并基于所述季节性模式对商品进行分类，其中，分类结果包括季节性商品与非季节性商品；S3：对季节性商品和/或非季节性商品进行库存监测，并采取对应的库存策略；其中，对于季节性商品，计算季节性商品的销售量预测值，并基于销量预测值采取预测库存策略；对于非季节性商品，采取平均库存策略；针对季节性商品和非季节性商品分别采取不同的库存监测策略，提高库存管理的效率和灵活性。
Description
技术领域
本发明属于电子商务领域，尤其涉及一种库存监测方法、系统、计算机设备及介质。
背景技术
在电子商务领域中，商品库存的管理对于企业的运营至关重要，目前，企业通常依靠销售经验来预测商品的销售情况，然后制定相应的库存管理和销售策略，然而，这种方法存在一些问题，例如，当商品种类过多时，依赖人工经验难以覆盖全部种类的商品，且预测结果不够准确，此外，对于何时增加或减少库存难以准确把握。
一方面，若是提前增加库存，虽然能够更为从容的应对销售旺季，但增加的库存会占用更多的仓储容量，且多占用的仓储容量可能会影响其他商品的备货，另一方面，若是延缓增加库存，则可能难以应对即将到来的销售旺季。
发明内容
有鉴于此，本申请旨在至少在一定程度上解决上述技术中的问题之一。为此，本申请提供一种库存监测方法、系统、计算机设备及介质，以确保在销售高峰期供应充足，同时降低库存成本。
为了实现上述目的，本申请其中一方面提供了一种库存监测方法，包括以下步骤：S1：获取电商平台的在售商品的历史销售数据；S2：基于所述历史销售数据识别出商品的季节性模式，并基于所述季节性模式对商品进行分类，其中，分类结果包括季节性商品与非季节性商品； S3：对季节性商品和/或非季节性商品进行库存监测，并采取对应的库存策略；其中，对于季节性商品，计算季节性商品的销售量预测值，并基于销量预测值采取预测库存策略；对于非季节性商品，采取平均库存策略；对季节性商品采取预测库存策略，能够根据销量预测及时补货，避免库存不足或积压，从而提高销售效率，而对于非季节性商品采取平均库存策略，能够节约成本并避免库存积压。
优选地，S1还包括：若所述在售商品为初次上架商品，则历史销售数据为无，基于所述在售商品的预设规格参数搜索同类商品，其中，所述同类商品为相同电商平台中的商品，所述同类商品包括在售商品与历史商品；获取所述同类商品的历史销售数据，并执行S2至S3；弥补了初次上架商品数据获取的空缺，帮助预测新商品的销售情况和制定适当的库存管理策略。
优选地，所述预设规格参数至少包括商品的尺寸、重量、颜色、用途。
优选地，若同类商品的数量大于二，则从同类商品的预设规格中提取特征，基于所述特征将每个同类商品表示为一个特征向量，特征向量v=[x1，x2，……，xn]，其中，x1，x2，……，xn分别为特征向量中第1到第n各特征的取值；基于所述特征向量计算商品之间的相似度，确定与在售商品最接近的同类商品，并执行S2至S3；基于计算得到的商品相似度，能够确定与新商品最接近的同类商品，为新商品提供更为精确的历史销售数据参考，帮助预测新商品的销售情况和制定适当的库存管理策略；其中，利用欧式距离公式计算任意两个商品之间的距离，欧氏距离的计算公式如下：
；
其中，v1为第一特征向量，v2 为第二特征向量，n为特征向量的维度，v1i为v1在第i个维度上的值，v2i为v2在第i个维度上的值。
优选地，S2还包括：从历史销售数据中提取季节性特征，所述季节性特征包括商品销售数量与销售时间季节性指数SIt的计算公式如下：
；
其中，Xt 为在时间 t内 的销售量， t是在时间 t内所有历史销售量的平均值；
将季节性特征作为输入，建立季节性需求模型；使用所述季节性需求模型对新的销售数据
进行预测与识别；根据当前的库存计算库存变化量，基于所述库存变化量调整新的库存。
优选地，基于季节性需求模型中的销售量变化趋势将季节性商品的销售周期至少划分为季节性周期与非季节性周期，其中，季节性周期的销售量大于非季节性周期的销售量；在所述季节性周期Qn的前一周期Qn-1中，增加所述库存变化量；在所述季节性周期Qn的后一周期Qn+1中，减少所述库存变化量；通过将季节性商品的销售周期划分为季节性周期和非季节性周期，并在季节性周期中根据销售量变化趋势增加或减少库存变化量，能够更精准地调整库存水平，优化库存管理策略，针对季节性周期的销售量较高的特点，在季节性周期前一周期增加库存变化量，有助于确保充足的库存供应，满足销售高峰期的需求，提高销售效率和客户满意度。
优选地，基于销售量预测值，所述季节性周期Qn包括预测值最高日；在所述预测值最高日之前，增加所述库存变化量；预测值最高日通常对应销售量的高峰期，增加库存变化量能够有效避免因销售高峰期而导致的库存不足问题，避免销售机会的损失。
本申请另一方面提供一种库存监测系统，包括：数据获取模块，用于获取电商平台的在售商品的历史销售数据；商品分类模块，用于识别出商品的季节性模式，并基于所述季节性模式对商品进行分类；库存监测模块，用于对季节性商品和非季节性商品采取对应的库存监测策略。
本申请另一方面提供一种计算机设备，至少包括处理器与存储器，所述处理器与存储器通信连接，其中，所述存储器上存储有至少一个计算机程序，所述计算机程序被所述处理器执行时，实现上述的监测方法。
本申请另一方面提供一种计算机可读存储介质，存储有至少一个计算机指令，所述计算机指令被执行时，实现上述的监测方法。
本申请提供的技术方案可以达到以下有益效果：
1. 根据销售量预测值调整库存水平，尤其在销售高峰期之前增加库存变化量，以确保产品充足供应，这样可以满足潜在的高销售需求，避免因库存不足而导致的销售机会损失，提高客户满意度和忠诚度。
2. 通过增加库存变化量，能够在销售高峰期保持良好的库存水平，从而更好地满足客户需求，提高销售效率，这有助于及时交付产品，减少等待时间，增加销售额，并优化公司的销售业绩。
3. 精准的库存管理和资金运作可以避免库存积压和资金浪费，降低库存持有成本和资金占用成本，合理的库存调整和资金运作还可以帮助企业优化资源配置，提高资金利用效率，从而提升企业的盈利能力。
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的介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明实施例提供的监测方法流程图；
图2是本发明实施例提供的历史销售数据获取方法流程图；
图3是本发明实施例提供的季节性商品与非季节性商品区分方法流程图；
图4是本发明实施例提供的一种库存调整方法流程图；
图5是本发明实施例提供的另一种库存调整方法流程图；
图6是本发明实施例提供的平均库存调整方法流程图；
图7是本发明实施例提供的同类商品筛选方法流程图；
图8是本发明实施例提供的监测系统的结构示意图；
图9是本发明实施例提供的计算机设备的结构示意图。
其中：101-数据获取模块、102-商品分类模块、103-库存监测模块、201-处理器、202-存储器。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在此提供一种库存监测方法的实施例，如图1所示，监测方法包括以下步骤：
S1：获取电商平台的在售商品的历史销售数据。
在一个示例中，电商平台包括一数据库，所述数据库内存储有电商平台的历史销售数据，这些数据包括订单信息、商品信息、客户信息、交易时间等，如图2所示，S101：登录电商平台的数据库管理系统，确认数据库中包括历史销售数据的信息，例如订单表、交易表等，使用数据库管理工具连接至数据库，可以想到的是，数据库管理工具包括MySQLWorkbench、pgAdmin等，S102：使用SQL查询语言准备查询语句，选择对应的表格和字段来获取所需的历史销售数据，查询语句包括订单号、商品号、数量、价格和订单日期等，例如，BETWEEN '2023-01-01' AND '2023-12-31'，为查询订单日期在2023年的所有订单数据，而后S103：执行SQL查询语句，从数据库中获取历史销售数据。
S2：基于所述历史销售数据识别出商品的季节性模式，并基于所述季节性模式对商品进行分类，其中，分类结果包括季节性商品与非季节性商品。
在一个示例中，如图3所示，S201：将历史销售数据按照时间顺序排列，当计算季节性模式时，S202：使用季节性指数来更准确地表示每个月份相对于整体平均水平的销售量变化，假设，监测商品A的库存，仅对照商品A于2023年的销售数据，提取出销售数据中的销售时间与销售数量，2023年的销售数据如下表1：
，
表1
季节性指数SIt的计算公式如下：
；
其中，Xt 为在时间 t内 的销售量， t是在时间 t内所有历史销售量的平均值，
根据上表可得：X1 =50，X2=60，……X12=60， 12=75，计算得出SI1=0.667，SI2=0.8，……SI12=
0.8，如下表2所示：
，
表2
季节性指数表示每个月份相对于整体平均水平的销售量变化，季节性指数与销售占比呈正相关关系，基于季节性指数可对商品进行分类。可以理解的是，表1中的销售时间以月份为时间单位，若其他形式的历史销售数据中以周为时间单位，则季节性周期也以周为时间单位。
相应地，季节性模式以季节性指数为标准，商品A的季节性模式能够反映出，商品A的销售高峰为夏季，其中，销售数量最高的月份为7月，其他季节销售数量相对较低，销售数量最低的月份为1月，可以想到的是，各月份的季节性指数的差值能够表达不同月份之间的销售数量相对变化情况，差值越大，说明相应月份的销售数量相对于全年平均水平的波动程度越大，从而帮助识别季节性模式。
S203：若季节性指数的差值大于或等于第一阈值，则将商品定义为季节性商品。基于上表2中的数据，1月与7月的季节性指数的差值为1.2，假设第一阈值为1，则将商品A定义为季节性商品。
在另一些示例中，将商品定义为季节性商品具有不同的方式，例如，至少有两个月份的季节性指数与任一月份的季节性指数的差值大于或的关于第一阈值，基于上表2中的数据，1月与7月的季节性指数的差值为1.2，大于第一阈值；1月与8月的季节性指数的差值为1.066，大于第一阈值，则7月和8月的季节性指数与1月的节性指数的差值大于第一阈值，因此将商品A定义为季节性商品，上述示例将销售数量最低的月份作为任一月份，另一个示例中，将销售数量最高的月份作为任一月份，7月与1月的季节性指数的差值为1.2，大于第一阈值；7月与2月的季节性指数的差值为1.067，大于第一阈值，因此将商品A定义为季节性商品。
相应地，对于某些月份，季节性指数的差值越小，意味着销售数量越稳定，波动越小，若任意两个月份的季节性指数的差值均小于第一阈值，则将商品定义为非季节性商品。
S3：对季节性商品和/或非季节性商品进行库存监测，并采取对应的库存策略；
其中，对于季节性商品，计算季节性商品的销售量预测值，并基于销量预测值采取预测库存策略；对于非季节性商品，采取平均库存策略。
在一个示例中，季节性需求模型基于SARIMA 模型，对季节性商品与非季节性商品采取不同的库存策略，对于季节性商品，选择一个SARIMA 模型的初始参数，并将该SARIMA模型应用于历史销售数据，进行拟合，拟合过程会估计出模型的参数估计值，参数估计值包括自回归系数、季节性自回归系数、移动平均系数和季节性移动平均系数等，使用拟合后的SARIMA模型完成销售量预测值。
具体地，选择一个 SARIMA(1,1,1)(1,1,1)12 模型，拟合得到如下参数估计值：=0.5，/>=-0.3，/>=0.2，/>=-0.1，最后一个观察值的时间索引为 T，模型的均值μ 为 100，最后一个观察值的残差/>=5，倒数第二个观察值的残差/>=3，使用递推公式得出销售量预测值，对i=1,2，……12，未来12个月的销售量预测值计算公式为：
；
其中，为历史销售数据中的最后一个观察值，/>为倒数第12个观察值。
可以理解的是，其他示例也可以采取其他模型完成销售量预测值。
进一步地，基于销售量预测值采取预测库存策略，在销售量预测值增加的月份增加库存，在销售量预测值减小的月份减小库存，可以理解的是，若是以季度为时间单位，则在销售量预测值增加的季度增加库存，在销售量预测值减小的季度减小库存。
进一步地，对于季节性商品，引入季节性周期与非季节性周期，季节性周期与非季节性周期构成了季节性商品的完整销售周期，本示例以表1中商品A的部分销售数据为例，在计算得出各月份商品A的季节性指数后，商品A的季节性周期与非季节性周期的区分以季节性指数为标准。
设定一第二阈值，若某一月份的季节性指数大于或等于第二阈值，则将该月份定义为季节性周期的一部分，若某一月份的季节性指数小于第二阈值，则将该月份定义为非季节性周期的一部分。
基于上表2中的数据，假设第二阈值为1.5，则6月、7月与8月的季节性指数大于第二阈值，商品A的季节性周期为6月-8月，商品A的非季节性周期为1月-5月、9月-12月，其中，季节性周期内任一月份的销售数量大于非季节性周期内任一月份的销售数量。
如图4所示，在所述季节性周期Qn的前一周期Qn-1中，增加所述库存变化量；具体地，商品A自6月进入季节性周期，n=6，则在进入5月时提醒使用者调整库存，S301：根据5月与6月的销售量预测值与当前库存计算库存变化量，库存变化量=5月销售量预测值+6月销售量预测值-当前库存，S302：使用者根据收到的库存变化量提示增加对应的库存。
如图5所示，在所述季节性周期Qn的后一周期Qn+1中，减少所述库存变化量；具体地，商品A自9月进入非季节性周期，n=8，则在进入9月时提供使用者调整库存，S311：根据8月与9月的销售量预测值与当前库存计算库存变化量，库存变化量=当前库存-8月销售量预测值-9月销售量预测值，S312：使用者根据收到的库存变化量提示减少对应的库存。
在一个示例中，以日为时间单位，得到Qn内的每日销售量预测值，当n=6时，在6月的预测值最高日之前再次提供使用者增加对应的库存。
在一个示例中，对于非季节性商品，采取平均库存策略，如图6所示，S321：基于历史销售数据计算月平均销售量，将月平均销售量作为非季节性商品的销售量预测值，S322：再将非季节性商品的库存量调整至月平均销售量。可以理解的是，若销售量监测过程中，若销售量出现明显的增长或减少趋势，则相应增加或减少库存，在一些示例中，明显的增长定义为月销售量大于或等于第三阈值，明显的减少趋势定义为月销售量小于第三阈值。
需要说明的是，本实施例对时间周期的定义为，使用者根据实际销售情况，自主选择季度或月份为时间单位，可以理解的是，在一些特殊情况下，也可选择日为时间单位。
电商平台存在更新的商品，当该商品初次上架时，电商平台的数据库中并不存在该商品的历史销售数据，为精确管理该新商品的库存，该新商品地历史销售数据参考同类商品的历史销售数据，如图7所示，S401：进行关键字筛选；S402：将商品的预设规格参数转化为特征向量，计算商品的相似度；S403：将相似度最高的商品作为新商品的同类商品。
具体地，先确定新商品的预设规格参数，预设规格参数在电商平台有展示，预设规格参数包括商品的尺寸、重量、颜色、用途，可以想到的是，预设规格参数来自供应商的产品信息，也可以通过网络搜索、产品目录等渠道获取，进一步地，明确定义尺寸、重量、颜色、用途参数的标准，例如，尺寸可以包括长度、宽度与高度；重量可以用重量范围来标识；颜色可以是具体的颜色名称或颜色代码；用途可以是产品的主要功能或目标用户群体。
在一个示例中，使用欧式距离作为相似度度量指标来衡量商品之间的相似度，具体评估商品之间在尺寸、重量、颜色、用途参数上的相似程度，使用欧式距离对电商平台中的商品进行筛选，选择出与新商品最相似的商品作为同类商品，设置第三阈值来控制相似度的水平。
为了缩短计算过程与更快得出计算结果，采取两步筛选方法，第一步筛选方法为关键字筛选方法，关键字一般为商品的名称，搜索引擎根据输入的关键字在数据库中匹配相应的商品，这些匹配得到的商品具有较大的范围，可以理解的是，为了提高商品的曝光量，商品名称通常会包含更多的字段信息，即一个商品的名称包含了该商品与其他商品，若一个商品名称包括二个以上商品，二个以上的商品可能为同类商品，也可能为配套使用的商品，则在下一步中筛除同类商品以外的商品。
第二步为计算相似度，首先，将商品的预设规格参数转化为特征向量，其中，商品的预设规格参数包括尺寸、重量、颜色和用途，将商品的尺寸转化为数值型特征，在一个示例中，将商品的尺寸（cm）作为特征的数值；将商品的材质转化为数值型特征，为不同的材质分配不同的数值编码，例如，将金属编码为0，将木质编码为1，将塑料编码为2等；将商品的颜色转化为数值型特征，为不同的颜色分配不同的数值编码，例如，将蓝色编码为0，将红色编码为1，将绿色编码为2等，将商品的用途转化为数值型特征，为不同的用途分配不同的数值编码，例如，将书桌编码为0，餐桌编码为1，椅子编码为2等。
对于商品A和商品B，商品A的预设规格参数为：尺寸：120cm x 80cm x 75cm、材料：天然木材、颜色：红色、用途：餐桌；商品B的预设规格参数为：100cm x 60cm x 70cm、材料：金属、颜色：蓝色、用途：书桌，则商品A的特征向量为：[120,80,75,1, 1,1]，商品B的特征向量为：[100,60,70,0, 0,0]，其中，特征向量中的数值依次表示尺寸的长、宽、高，材质的编码（木质为1，金属为0），颜色的编码（红色为1，蓝色为0），功能和用途的编码（用餐为1，办公或学习为0）。
欧氏距离的计算公式如下：
；
其中，v1为第一特征向量，v2 为第二特征向量，n为特征向量的维度，v1i为v1在第i个维度上的值，v2i为v2在第i个维度上的值。
代入商品A和商品B的特征向量：d(v1，v2)=28.77，根据给定的特征向量，商品A和商品B之间的欧式距离为28.77，距离越小表示两个商品越相似，在一些示例中，若同类商品的数量大于二，则选择欧式距离最小的一个商品B作为新商品A的最接近的同类商品，将商品B的历史销售数据作为商品A的历史销售数据，重复S2至S3。
商品的预设规格参数包括若干参数，在一个示例中，使用者可以根据实际需求为各参数赋予不同的权重，例如，尺寸的权重设定为0.2，重量的权重设定为0.2，颜色的权重设定为0.2，用途的权重设定为0.4。
在另一个示例中，使用者可以根据实际需求选择部分参数转化为特征向量，例如，使用者仅选择尺寸、重量、用途转化为特征向量，参考商品A和商品B的预设规格参数，则商品A的特征向量为：[120,80,75,1,1]，商品B的特征向量为：[100,60,70,0, 0]。
基于上述示例，如图所示，本申请另一示例还提供一种库存监测系统，其中，监测系统包括：
数据获取模块101，用于获取电商平台的在售商品的历史销售数据；商品分类模块102，用于识别出商品的季节性模式，并基于所述季节性模式对商品进行分类；库存监测模块103，用于对季节性商品和非季节性商品采取对应的库存监测策略。
具体地，数据获取模块101通过与电商平台接口通信，获取历史销售数据，包括销售数量、销售时间等，并存储到系统数据库中，商品分类模块102通过分析历史销售数据、市场趋势以及季节性因素，建立季节性需求模型，并根据该模型对商品进行分类，区分季节性商品和非季节性商品，库存监测模块103针对季节性商品，该模块会根据季节性需求模型预测销售量，并在季节性高峰期增加库存，以满足需求；针对非季节性商品，采取平均库存策略，基于历史销售数据计算月平均销售量，并将库存量调整至月平均销售量。
基于上述示例，如图所示，本申请另一示例还提供一种计算机设备，其中，计算机设备包括处理器201与存储器202，处理器201与存储器202通信连接，存储器202上存储有至少一个计算机程序，计算机程序被处理器201执行时，实现对季节性商品和非季节性商品的库存监测方法。
基于上述示例，本申请另一示例还提供一种计算机可读存储介质，存储有至少一个计算机指令，计算机指令被执行时，实现对季节性商品和非季节性商品的库存监测方法。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种库存监测方法，其特征在于，包括以下步骤：
S1：获取电商平台的在售商品的历史销售数据；
S2：基于所述历史销售数据识别出商品的季节性模式，并基于所述季节性模式对商品进行分类，其中，分类结果包括季节性商品与非季节性商品；
S3：对季节性商品和/或非季节性商品进行库存监测，并采取对应的库存策略；
其中，对于季节性商品，计算季节性商品的销售量预测值，并基于销量预测值采取预测库存策略；
对于非季节性商品，采取平均库存策略。
2.根据权利要求1所述的监测方法，其特征在于，S1还包括：
若所述在售商品为初次上架商品，则历史销售数据为无，基于所述在售商品的预设规格参数搜索同类商品，其中，所述同类商品为相同电商平台中的商品，所述同类商品包括在售商品与历史商品；
获取所述同类商品的历史销售数据，并执行S2至S3。
3.根据权利要求2所述的监测方法，其特征在于，还包括：
所述预设规格参数至少包括商品的尺寸、重量、颜色、用途。
4.根据权利要求3所述的监测方法，其特征在于，还包括：
若同类商品的数量大于二，则从同类商品的预设规格中提取特征，基于所述特征将每个同类商品表示为一个特征向量，特征向量v=[x1，x2，……，xn]，其中，x1，x2，……，xn分别为特征向量中第1到第n各特征的取值；
基于所述特征向量计算商品之间的相似度，确定与在售商品最接近的同类商品，并执行S2至S3；
其中，利用欧式距离公式计算任意两个商品之间的距离，欧氏距离的计算公式如下：
；
其中，v1为第一特征向量，v2 为第二特征向量，n为特征向量的维度，v1i为v1在第i个维度上的值，v2i为v2在第i个维度上的值。
5.根据权利要求1所述的监测方法，其特征在于，S2还包括：
从历史销售数据中提取季节性特征，所述季节性特征包括商品销售数量与销售时间季节性指数SIt的计算公式如下：
；
其中，Xt 为在时间 t内 的销售量， t是在时间 t内所有历史销售量的平均值；
将季节性特征作为输入，建立季节性需求模型；
使用所述季节性需求模型对新的销售数据进行预测与识别；
根据当前的库存计算库存变化量，基于所述库存变化量调整新的库存。
6.根据权利要求5所述的监测方法，其特征在于，还包括：
基于季节性需求模型中的销售量变化趋势将季节性商品的销售周期至少划分为季节性周期与非季节性周期，其中，相同单位时间内，季节性周期的销售量大于非季节性周期的销售量；
在所述季节性周期Qn的前一周期Qn-1中，增加所述库存变化量；
在所述季节性周期Qn的后一周期Qn+1中，减少所述库存变化量。
7.根据权利要求6所述的监测方法，其特征在于，还包括：
基于销售量预测值，所述季节性周期Qn包括预测值最高日；
在所述预测值最高日之前，增加所述库存变化量。
8.一种库存监测系统，其特征在于，包括：
数据获取模块，用于获取电商平台的在售商品的历史销售数据；
商品分类模块，用于识别出商品的季节性模式，并基于所述季节性模式对商品进行分类；
库存监测模块，用于对季节性商品和非季节性商品采取对应的库存监测策略。
9.一种计算机设备，至少包括处理器与存储器，其特征在于，所述处理器与存储器通信连接，其中，所述存储器上存储有至少一个计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一项所述的监测方法。
10.一种计算机可读存储介质，存储有至少一个计算机指令，其特征在于，所述计算机指令被执行时，实现如权利要求1-7任一项所述的监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410248201.7A CN117829740A (zh) | 2024-03-05 | 2024-03-05 | 一种库存监测方法、系统、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410248201.7A CN117829740A (zh) | 2024-03-05 | 2024-03-05 | 一种库存监测方法、系统、计算机设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117829740A true CN117829740A (zh) | 2024-04-05 |
Family
ID=90509949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410248201.7A Pending CN117829740A (zh) | 2024-03-05 | 2024-03-05 | 一种库存监测方法、系统、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829740A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160947A (zh) * | 2019-06-24 | 2020-05-15 | 上海明据信息科技有限公司 | 一种汽车零部件销售预测智能系统 |
| CN112651784A (zh) * | 2020-12-23 | 2021-04-13 | 上海海鼎信息工程股份有限公司 | 一种用于门店销售计划的智能分解方法及系统 |
| CN112700196A (zh) * | 2020-12-31 | 2021-04-23 | 北京百分点科技集团股份有限公司 | 商品采购方法、装置、存储介质及电子设备 |
| CN113592532A (zh) * | 2021-06-25 | 2021-11-02 | 杉数科技(北京)有限公司 | 一种对商品历史需求量还原的方法及装置 |
| CN113743862A (zh) * | 2021-08-06 | 2021-12-03 | 杉数科技(北京)有限公司 | 基于产品分类的产品目标库存确定方法及系统 |
| CN114282872A (zh) * | 2021-12-29 | 2022-04-05 | 深圳市一帆数据科技有限公司 | 珠宝店库存管理方法、装置、设备及存储介质 |
| CN116166886A (zh) * | 2023-02-08 | 2023-05-26 | 泰达预测(北京)软件有限公司 | 向量指数平滑新分类法在季节时间序列预测中的应用系统 |
| CN117391599A (zh) * | 2023-10-18 | 2024-01-12 | 珠海城市职业技术学院 | 一种基于大数据的商品分拣方法 |
-
2024
- 2024-03-05 CN CN202410248201.7A patent/CN117829740A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160947A (zh) * | 2019-06-24 | 2020-05-15 | 上海明据信息科技有限公司 | 一种汽车零部件销售预测智能系统 |
| CN112651784A (zh) * | 2020-12-23 | 2021-04-13 | 上海海鼎信息工程股份有限公司 | 一种用于门店销售计划的智能分解方法及系统 |
| CN114708007A (zh) * | 2020-12-23 | 2022-07-05 | 上海海鼎信息工程股份有限公司 | 一种用于门店销售计划的智能分解方法及系统 |
| CN112700196A (zh) * | 2020-12-31 | 2021-04-23 | 北京百分点科技集团股份有限公司 | 商品采购方法、装置、存储介质及电子设备 |
| CN113592532A (zh) * | 2021-06-25 | 2021-11-02 | 杉数科技(北京)有限公司 | 一种对商品历史需求量还原的方法及装置 |
| CN113743862A (zh) * | 2021-08-06 | 2021-12-03 | 杉数科技(北京)有限公司 | 基于产品分类的产品目标库存确定方法及系统 |
| CN114282872A (zh) * | 2021-12-29 | 2022-04-05 | 深圳市一帆数据科技有限公司 | 珠宝店库存管理方法、装置、设备及存储介质 |
| CN116166886A (zh) * | 2023-02-08 | 2023-05-26 | 泰达预测(北京)软件有限公司 | 向量指数平滑新分类法在季节时间序列预测中的应用系统 |
| CN117391599A (zh) * | 2023-10-18 | 2024-01-12 | 珠海城市职业技术学院 | 一种基于大数据的商品分拣方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Evaluation of robustness of supply chain information-sharing strategies using a hybrid Taguchi and multiple criteria decision-making method | |
| CN102968670B (zh) | 预测数据的方法和装置 | |
| FI111196B (fi) | Käytettävyysprosessori ja -menetelmä | |
| CN110647549A (zh) | 基于业务动态建模的数据指标解析与执行方法和装置 | |
| CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及系统 | |
| CN111178624A (zh) | 一种新产品需求预测的方法 | |
| CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
| KR101738898B1 (ko) | 시장예측정보 제공방법 및 그 컴퓨터 프로그램 | |
| CN110322167A (zh) | 一种信息处理方法、装置、存储介质和电子设备 | |
| CN109658125A (zh) | 优惠数据提供及消费次高峰时段的确定方法及装置 | |
| CN116433158A (zh) | 一种基于云计算的商品库存动态管理系统及方法 | |
| CN118469609A (zh) | 一种基于电商平台的商品组合销售方法及系统 | |
| KR102217886B1 (ko) | 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법 | |
| CN118115195A (zh) | 一种基于共享平台的商品资源管理系统 | |
| CN117853158A (zh) | 基于动态量本利分析的企业运营数据预测方法及装置 | |
| CN117436933A (zh) | 一种化塑行业供需关系优化匹配方法 | |
| CN117829740A (zh) | 一种库存监测方法、系统、计算机设备及介质 | |
| van der Schouten et al. | The value of supplier information to improve management of a retailer's inventory | |
| CN116934237A (zh) | 一种仓储系统的智能补货方法 | |
| CN113435541B (zh) | 品类规划方法、装置、存储介质及计算机设备 | |
| JP2001134643A (ja) | 需要予測装置及び需要予測方法 | |
| CN104246812A (zh) | 最佳交易列表生成 | |
| CN115034676A (zh) | 基于层次分析法的企业综合服务质量评估方法及系统 | |
| CN110490682A (zh) | 分析商品属性的方法和装置 | |
| CN111400622A (zh) | 一种分布式电商系统中紧缺商品数量展现方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |