CN117933871A - 预测值决策的方法和电子装置及其计算机可读存储介质 - Google Patents
预测值决策的方法和电子装置及其计算机可读存储介质 Download PDFInfo
- Publication number
- CN117933871A CN117933871A CN202211376909.8A CN202211376909A CN117933871A CN 117933871 A CN117933871 A CN 117933871A CN 202211376909 A CN202211376909 A CN 202211376909A CN 117933871 A CN117933871 A CN 117933871A
- Authority
- CN
- China
- Prior art keywords
- shipment
- time point
- past
- scale
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 21
- 230000001186 cumulative effect Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 7
- 241000492493 Oxymeris Species 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000007306 turnover Effects 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
- G06Q10/083—Shipping
- G06Q10/0838—Historical 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种预测值决策的方法和电子装置及其计算机可读存储介质。首先,启动模型操作界面,并响应于通过模型操作界面接收到操作,而执行下述步骤。基于历史出货数据来计算目标时间点的出货预测值。接着,以目标时间点对应的出货预测值以及目标时间点先前的多个时间点的多个先前出货预测值,计算目标时间点对应的变动比例尺度。并且,基于历史出货数据计算对应于目标时间点的过去变动比例尺度平均值。最后,基于对应于目标时间点的过去变动比例尺度平均值与变动比例尺度提供预测表现提示。本发明能够减少不必要的成本资源与提高管理模式的效率。
Description
技术领域
本发明是有关于一种计算机运算机制,且特别是有关于一种预测值决策的方法和电子装置及其计算机可读存储介质。
背景技术
在产品生产后,业务单位(business unit)会基于人员经验并依据客户订单先出货至各仓库存储并于月底统一进行配送。为了确保月底出货量能达到客户需求,业务单位会依据库存数量、人力与物料之可用资源与生产计划来订定月底出货标准量,并换算出每日平均标准出货量来即时监控产品生产数量之效率。然而,目前用来估计月底出货标准量的方法并无科学性的量测与监督机制,且直至月底才能确认出货标准量的准确度,不利于提前控管原料采购数量、最大化工厂制造产能与即时监控出货目标之完成进度,同时会需要维持较高的库存量以降低失去销售机会的风险,导致增加库存成本以及降低库存周转效率与盈利能力。
发明内容
本发明提供一种预测值决策的方法和电子装置及其计算机可读存储介质,可提高预测值的信赖度。
本发明的预测值决策的方法,其是利用处理器来执行,所述方法包括启动模型操作界面,并响应于通过模型操作界面接收到操作,而执行下述步骤。基于历史出货数据来计算目标时间点的出货预测值。以目标时间点对应的出货预测值以及目标时间点先前的多个时间点的多个先前出货预测值,计算目标时间点对应的变动比例尺度。基于历史变动比例尺度计算对应于目标时间点的过去变动比例尺度平均值。基于对应于目标时间点的过去变动比例尺度平均值与变动比例尺度提供预测表现提示。
在本发明的一实施例中,基于历史出货数据来计算目标时间点的出货预测值的步骤包括:自历史出货数据中取出在目前时间区间内截至目标时间点之前所包括的T个过去时间点的实际累积出货量,来计算目标时间点的出货预测值,其中目标时间点的出货预测值=(实际累积出货量÷T)×D,D为目前时间区间内的总时间点数量。
在本发明的一实施例中,基于历史出货数据来计算目标时间点的出货预测值的步骤包括:自历史出货数据中取出过去时间区间内所包括的m1个过去时间点的第一实际累积出货量;自历史出货数据中取出目前时间区间内的截至目标时间点之前所包括的m2个时间点的第二实际累积出货量;以及基于第一实际累积出货量以及第二实际累积出货量,计算目标时间点的出货预测值,其中
目标时间点的出货预测值=[(第一实际累积出货量+第二实际累积出货量)÷(m1+m2)]×(m1+D)–第一实际累积出货量,D为该目前时间区间内的总时间点数量。
在本发明的一实施例中,基于历史出货数据来计算目标时间点的出货预测值的步骤包括:自历史出货数据中取出在目前时间区间内截至目标时间点之前所包括的T个过去时间点的实际累积出货量;基于历史出货数据预估出货占比;以及基于实际累积出货量与出货占比来计算目标时间点的出货预测值。
在本发明的一实施例中,计算目标时间点对应的变动比例尺度的步骤包括:基于权重值、目标时间点的出货预测值、以及目标点前一个时间点的加权平均值,计算目标时间点的加权平均值,其中目标时间点为目前时间区间内的第n+1个时间点至最后一个时间点的其中一者,目前时间区间内的第n个时间点的加权平均值为第1个时间点至第n个时间点的n个出货预测值的平均值;基于权重值、目标时间点与其先前时间点的出货预测值与所有加权平均值,计算目标时间点的加权标准差;以及基于目标时间点对应的加权平均值以及出货预测值,计算变动比例尺度,其中变动比例尺度=(加权标准差×指定倍率)÷出货预测值,指定倍率≥1。
在本发明的一实施例中,所述预测值决策的方法更包括:将目标时间点的出货预测值加上固定比例尺度作为预测出货范围的上限值,将目标时间点的出货预测值减去固定比例尺度作为预测出货范围的下限值。
在本发明的一实施例中,所述预测值决策的方法更包括:基于历史出货数据所包括的多个过去时间区间的实际出货数据以及位于目前时间区间内的每个时间点的预测出货范围,计算目前时间区间于每个时间点的未命中率;基于每一过去时间区间的出货预测值,计算的每一过去时间区间所包括的多个过去时间点的多个过去变动比例尺度,其中基于一时间单位来设定目前时间区间内的所有时间点以及每一过去时间区间内的所有过去时间点;基于所述过去时间区间所包括的所有过去变动比例尺度,计算每一个时间单位对应的过去变动比例尺度平均值;以及基于每一个时间单位对应的未命中率或命中率以及过去变动比例尺度平均值,自目前时间区间所包括的全部时间点中择一作为最佳参考点。
在本发明的一实施例中,基于每一个时间单位对应的未命中率以及过去变动比例尺度平均值,自该目前时间区间所包括的全部时间点中择一作为该最佳参考点的步骤包括:以目前时间区间的时间点作为横轴,所述未命中率作为纵轴,绘制第一曲线;以所述过去时间点作为横轴,所述过去变动比例尺度平均值作为纵轴,绘制第二曲线;以时间顺序来迭合第一曲线与第二曲线,以找出第一曲线与第二曲线的交叉点;响应于获得的交叉点的数量大于或等于2,在所获得的交叉点中将未命中率大于第一阈值的交叉点滤除;响应于经由第一阈值滤除后剩余的交叉点的数量大于或等于2,将时间大于第二阈值之后的交叉点滤除;以及将经由第二阈值滤除后剩余的各交叉点作为最佳参考点。
在本发明的一实施例中,响应于变动比例尺度小于或等于过去变动比例尺度平均值,在模型操作界面上提供表示预测稳定的预测表现提示;以及响应于变动比例尺度大于过去变动比例尺度平均值,在模型操作界面上提供表示预测不稳定的预测表现提示。
本发明的用于预测值决策的电子装置,包括:存储设备,包括历史出货数据以及模型操作界面;以及处理器,耦接至存储设备,经配置以实现上述预测值决策的方法。
本发明的非暂态计算机可读存储介质,用于存储程序代码,所述程序代码被处理器执行时,使得处理器执行下述步骤:基于历史出货数据来计算目标时间点的出货预测值;以目标时间点对应的出货预测值以及目标时间点先前的多个时间点的多个先前出货预测值,计算目标时间点对应的变动比例尺度;基于历史变动比例尺度计算对应于目标时间点的过去变动比例尺度平均值;以及基于对应于所述目标时间点的所述过去变动比例尺度平均值与变动比例尺度提供预测表现提示。
基于上述,本揭露通过模型操作界面所接收的操作进而对应地计算出目标时间点的出货预测值,并且进一步提供预测表现提示,供人员来目前所获的出货预测值的稳定度,使得人员具有更多时间来调整生产出货相关进度,减少不必要的成本资源与提高管理模式的效率。
附图说明
图1是依照本发明一实施例的用于预测值决策的电子装置的方块图。
图2是依照本发明一实施例的预测值决策的方法流程图。
图3是依照本发明一实施例的第一曲线与第二曲线的比较示意图。
图4是依照本发明一实施例的模型操作界面的示意图。
图5是依照本发明一实施例的比较结果的示意图。
附图符号说明:
100:电子装置;
110:处理器;
120:存储设备;
121:数据库;
130:输出设备;
C1:第一曲线;
C2:第二曲线;
P3~P4:交叉点;
S201~S220:预测值决策的方法的步骤。
具体实施方式
图1是依照本发明一实施例的用于预测值决策的电子装置的方块图。请参照图1,电子装置100包括处理器110、存储设备120以及输出设备130。处理器110耦接至存储设备120以及输出设备130。
处理器110例如为中央处理单元(Central Processing Unit,CPU)、物理处理单元(Physics Processing Unit,PPU)、可程序化的微处理器(Microprocessor)、嵌入式控制芯片、数字信号处理器(Digital Signal Processor,DSP)、特殊应用集成电路(ApplicationSpecific Integrated Circuits,ASIC)或其他类似装置。
存储设备120例如是任意形式的固定式或可移动式随机存取存储器(RandomAccess Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash memory)、硬盘或其他类似装置或这些装置的组合。存储设备120包括一或多个程序代码片段,上述程序代码片段在被安装后,会由处理器110来执行,以获得用以预测值决策的预测模型。存储设备120还包括有数据库121,用以存储历史出货数据。
输出设备130例如为显示器、打印机等,用以输出最终的结果。例如,通过输出设备130显示模型操作界面,输出出货预测值、变动比例尺度、预测出货范围、最佳参考点中的至少一者。所述电子装置100可应用于人工智能(artificial intelligence,AI)系统,不仅能掌握过去发生的事实,还能进一步有效地预测未来。
图2是依照本发明一实施例的预测值决策的方法流程图。请参照图1及图2,在步骤S201中,处理器110启动模型操作界面。接着,响应于通过模型操作界面接收到操作,而执行下述步骤S205~S220。例如,所述电子装置100可用于仓储系统。在一实施例中,在存储设备120中事先安装仓储系统的应用程序(application,APP),由此APP来提供模型操作界面。在致能此APP后,便自动启动模型操作界面,藉此来进行一连串的预测处理。
在步骤S205中,处理器110计算目标时间点的出货预测值。在此,可利用权重估计法、比例估计(ratio estimation)法或移动缩放(moving scale)法来计算出货预测值。或者,可结合比例估计法与移动缩放法来计算出货预测值。例如,每个月12号以前(包含12号)使用比例估计法,12号以后(不包含12号)使用移动缩放法。或者,可结合权重估计法与比例估计法来计算出货预测值。例如,每个月的1号至10号使用权重估计法,10号以后(不包含10号)使用比例估计法。
权重估计法的概念是利用截至目前(目标时间点)的当月的实际累积出货量除以平均累积百分比预测值来作为这个月月底的出货预测值。平均累积百分比预测值为线性回归模型(Linear Regression Model),使用参数有当天之日期及各产品的标记。平均累积百分比预测值是利用历史出货数据所获得的出货占比,简单来说就是将这个产品的历史出货数据(产品标记、每日的实际累积出货量)利用线性回归模型预测占比。例如,假设10/8的实际累积出货量为100件,由历史出货数据以及线性回归可知每月8日的实际累积出货量会达到月底出货量的50%(出货占比)。据此,权重估计法在10/8这天预测的这个月月底的出货预测值100/0.5。
比例估计法是一种缩放概念。例如,假设目前时间区间为一个月,比例估计法为根据当月的实际累积出货量来估算在目标时间点的出货预测值(月底的总出货量)。处理器110可取这个月的截至目标时间点之前所包括的T个过去时间点的实际累积出货量来预估这个月月底的出货预测值。即,
出货预测值=(实际累积出货量÷T)×D,
其中D为目前时间区间内的总时间点数量(例如,当月总天数)。
假设以目标时间点为11/13而言,取出自11/1至11/12的实际累积出货量为467,731来预估这个月月底的出货预测值。比例估计法是以截至11/12的当月的实际累积出货量做伸缩,计算每一天的平均出货后,再去作放大。例如,12日的实际累积出货量放大至30日为467,731×30。以此类推,可获得11/13-11/30对应的出货预测值,如表1所12示。
表1
时间点 | 出货预测值(基于比例估计法) |
11/13 | [(11/1至11/12的实际累积出货量)/12]×30 |
11/14 | [(11/1至11/13的实际累积出货量)/13]×30 |
…… | …… |
11/30 | [(11/1至11/29的实际累积出货量)/29]×30 |
移动缩放法为比例估计法的变化型,其不仅将过去时间区间的历史出货数据作为参考,同时也将目前时间区间的实际累积出货量作为参考。处理器110自历史出货数据中取出过去时间区间内所包括的m1个过去时间点的第一实际累积出货量AcuSpast(m1)。接着,自历史出货数据中取出目前时间区间内的截至目标时间点之前所包括的m2个时间点的第二实际累积出货量AcuScur(m2)。之后,基于第一实际累积出货量AcuSpast(m1)以及第二实际累积出货量AcuScur(m2),计算目标时间点的出货预测值P。在此,目标时间点的出货预测值P=[(AcuSpast(m1)+AcuScur(m2))÷(m1+m2)]×(m1+D)-AcuSpast(m1)。
举例来说,以计算11月的出货预测值为例,m1=20,m2=12进行说明。即,取10月后20天(10/12至10/31)的历史出货数据以及11月前12天的已出货的出货数据作为参考。假设10/1至10/12的实际累积出货量为372,220,10/1至10/31的实际累积出货量为1,322,045,则10/12至10/31的第一实际累积出货量AcuSpast(20)为949,825(=1,322,045-372,220)。并且假设11/1至11/12的第二实际累积出货量AcuScur(12)为467,731。基于10/12至10/31的实际累积出货量AcuSpast(20)以及11/1至11/12的实际累积出货量AcuScur(12)计算11/13的月总出货预测值,基于10/12至10/31的实际累积出货量AcuSpast(20)以及11/1至11/13的实际累积出货量AcuScur(13)计算11/14的月总出货预测值,以此类推而获得如表2所示的结果。
表2
时间点 | 出货预测值(基于移动缩放法) |
11/13 | [(AcuSpast(20)+AcuScur(12))÷(20+12)]×(20+30)-AcuSpast(20) |
11/14 | [(AcuSpast(20)+AcuScur(13))÷(20+13)]×(20+30)-AcuSpast(20) |
…… | …… |
11/30 | [(AcuSpast(20)+AcuScur(29))÷(20+29)]×(20+30)-AcuSpast(20) |
在其他实施例中,可将目前时间区间内时间点画分为前后两部分,针对前一部份的各时间点(例如该月份12号以前(包含12号)的各天)使用比例估计法计算出货预测值,针对后一部分的各时间点(例如该月份12号以后(不包含12号)的各日)使用移动缩放法计算出货预测值。
接着,在步骤S210中,计算变动比例尺度。具体而言,处理器110以目标时间点对应的出货预测值以及目标时间点先前的多个时间点的多个先前出货预测值,计算目标时间点对应的变动比例尺度。在一实施例中,处理器110先计算出目标时间点的加权平均值,接着计算目标时间点的加权标准差,之后再计算变动比例尺度。
在一实施例中,处理器110基于权重值、目标时间点的出货预测值、以及目标点前一个时间点的加权平均值,计算目标时间点的加权平均值。权重值的计算公式如下:α=2÷(w+1),α为权重值。假设w=7,则α=2÷(7+1)=0.25。接着,以此权重值来计算各时间点的加权平均值。
为便于说明,将目前时间区间与过去时间区间的单位设定为“月”,将时间点的时间单位设定为“天”进行说明。在此,假设w=7,其表示时间移动段为7天,每7天可得到对应的加权平均值与加权标准差。在此,w=7仅为举例说明,并不以此为限。由于时间移动段为7天,因此不会针对前7天(即目前时间区间的第1天至第7天)来计算变动比例尺度。目标时间点可以是目前时间区间内的第8天至最后一个天的其中一者。由于第1天至第7天并无法来计算出加权平均值,故,取第1天至第7天的简单移动平均值(simple moving average,SMA)来作为第7天的加权平均值,以作为第8天的参考基础。即,第7天的加权平均值为第1天至第7天的月总出货预测值的平均值(SMA)。底下搭配表3、表4来说明。第1天至第7天的SMA为(5+15+25+30+34+38+42)÷7=27。将“27”设定为第7天的加权平均值。
第8天至第30天的加权平均值的计算公式为:
wAvg(i)=α(P(i)-wAvg(i-1))+wAvg(i-1);
其中,wAvg(i)为第i天的加权平均值,wAvg(i-1)为第i-1天的加权平均值,α为权重值,P(i)为在第i天所计算出之当月累计至月底的出货预测值,i=8,9,....,30。
之后,再基于第8天至第30天的加权平均值来各别计算出第8天至第30天的加权标准差。加权标准差的计算公式为:
具体而言,
以此类推,计算出第11天至第30天的每一天各自的加权标准差。
然后,基于第8天至第30天每一天对应的加权平均值以及出货预测值,计算第8天至第30天每一天的变动比例尺度。变动比例尺度的计算公式如下:变动比例尺度=(加权标准差×指定倍率)÷出货预测值,指定倍率≥1。例如,假设指定倍率=1,第8天的变动比例尺度=7.36÷44=16.7%。
表3
时间点(天) | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
出货预测值 | 5 | 15 | 25 | 30 | 34 | 38 | 42 |
前7天平均值 | - | - | - | - | - | - | 27 |
表4
时间点(天) | 7 | 8 | 9 | 10 | 11~30 |
出货预测值 | 42 | 44 | 46 | 47 | …… |
权重值 | - | 0.25 | 0.25 | 0.25 | …… |
加权平均值 | SMA=27 | 31.25 | 34.94 | 37.96 | …… |
加权标准差 | - | 7.36 | 9.02 | 8.74 | …… |
变动比例尺度 | - | 16.7% | 19.6% | 18.6% | …… |
在上述实施例中,每个月只使用当月的数值(只到30号)来计算当月的变动比例尺寸,因此下个月的1~7号不会去使用上个月月底倒数7天的数值。而在其他实施例中,下个月的前面7天可以使用上个月月底倒数7天的数值来计算变动比例尺寸。例如,以连续计算7/1~8/31号来进行说明的话,7/1~7/7(前7天)无法来计算出加权平均值,但是在8/1预测8月底的出货预测值时,可参考7/25~7/31的数值,因此,在7/1~8/31中只有最前面7天(7/1~7/7)无法计算变动比例尺度,后续其他日期皆可计算变动比例尺度。
另外,在步骤S215中,处理器110会基于历史变动比例尺度计算对应于目标时间点的过去变动比例尺度平均值。接着,在步骤S220中,基于对应于目标时间点的过去变动比例尺度平均值与变动比例尺度提供预测表现提示。响应于变动比例尺度小于或等于过去变动比例尺度平均值,在模型操作界面上提供表示预测稳定的预测表现提示。响应于变动比例尺度大于过去变动比例尺度平均值,在模型操作界面上提供表示预测不稳定的预测表现提示。
例如,假设目前时间区间为2021年8月,取2020年5月至2021年7月来做为15个过去时间区间,目标时间点为一个月的第18日,则比较预测2021年8月18日当天所获得的变动比例尺度,以及对应于18日这一天过去15个月的过去变动比例尺度平均值。即,以过去15个月的出货预测值来算出15个月在18日这一天的历史变动比例尺度(其计算方式与步骤S210相同),之后再计算18日所对应的过去15个月的15笔历史变动比例尺度的平均,而获得对应于18日过去变动比例尺度平均值。
在一实施例中,可基于变动比例尺度以及过去变动比例尺度平均值来判断目标时间点的出货预测值的稳定度。例如,在变动比例尺度小于过去变动比例尺度平均值的情况下,判定出货预测值较以往更为稳定。
另外,在一实施例中,还可设定一比较阈值来判断目标时间点的出货预测值的稳定度。例如,在计算出每一日的变动比例尺度之后,判断变动比例尺度是否小于比较阈值。响应于变动比例尺度小于比较阈值,则判定出货预测值为稳定,表示此出货预测值的准确度较高(即,出货预测值较接近实际出货值)。于一实施例中,响应于变动比例尺度小于比较阈值,处理器110将其对应的时间点作为最佳参考点。响应于变动比例尺度未小于比较阈值,则判定出货预测值为不稳定,表示此出货预测值的准确度不高。
另外,还可进一步决定一固定比例尺度,藉此来计算每一天的预测出货范围。固定比例尺度可设定为5%、10%、15%或20%等。每一天会使用相同的固定比例尺度来计算预测出货范围。例如,将目标时间点的出货预测值加上固定比例尺度作为预测出货范围的上限值,将出货预测值减去固定比例尺度作为预测出货范围的下限值。以表4中的第8天为例来进行说明,假设固定比例尺度为15%,则第8天的预测出货范围为44-(44×15%)~44+(44×15%)。
另外,在获得目前时间区间内各天的预测出货范围之后,还可进一步基于过去时间区间的实际出货数据以及目前时间区间内各天的预测出货范围,来选择最佳参考点。在此,为便于说明,将目前时间区间与过去时间区间的单位设定为“月”,将时间点的时间单位设定为“天”进行说明。历史出货数据中还记录了多个过去月份的实际出货数据。
具体而言,处理器110自历史出货数据中取出多个过去月份的实际出货数据,基于过去月份内每一天的出货数据以及当月内的每一天的预测出货范围,计算每一天的未命中率。例如,取过去15个月(假设这15个月所包括的天数相同,皆为30天)的实际出货数据来说明,并且以第15天来作为说明,假设过去15个月的实际出货数据落在当月的第15天的预测出货范围内的共有5笔,而另外10笔不在当月的第15天的预测出货范围内,则第15天的未命中率即为10/15,命中率为5/15。于一实施例中,当月的第15天的未命中率低于一预设比率或命中率高于一预设比率,处理器110推荐当月的第15天为最佳参考点。
并且,基于过去15个月的出货预测值,计算出这15个月内各天的变动比例尺度(底下称为“历史变动比例尺度”),计算过去15个月的第8天至第30天的加权平均值、加权标准差以及变动比例尺度,其计算过程可参照步骤S210的说明。而在计算出过去15个月内每天的历史变动比例尺度之后,基于过去15个月所包括的全部历史变动比例尺度,计算每一个时间单位对应的过去变动比例尺度平均值。例如,以第15天而言,将过去15个月中的第15天的过去变动比例尺度相加后取平均即可获得第15天对应的过去变动比例尺度平均值,于一实施例中,如第15天对应的过去变动比例尺度平均值大于一预设值时,处理器110推荐每月的第15天为最佳参考点。
接着,基于每一个时间单位对应的未命中率、命中率以及过去变动比例尺度平均值,自当月所包括的天数中择一作为最佳参考点。
举例来说,以过去时间点作为横轴,所述未命中率(或命中率)作为纵轴,绘制第一曲线。并且,以过去时间点作为横轴,过去变动比例尺度平均值作为纵轴,绘制第二曲线。之后,以时间顺序来迭合第一曲线与第二曲线,以找出第一曲线与第二曲线的交叉点。响应于所获得的交叉点的数量大于或等于2,在所获得的交叉点中将未命中率大于第一阈值的交叉点滤除。这是因为,未命中率越低,代表出货预测值的准确度越高。响应于经由第一阈值滤除后剩余的交叉点的数量大于或等于2,将时间大于第二阈值之后的交叉点滤除。这是因为时间越往后越会压缩到出货准备的时间,因此,设定第二阈值来限定时间。最后,将经由第二阈值滤除后剩余的各交叉点作为最佳参考点。
图3是依照本发明一实施例的第一曲线与第二曲线的比较示意图。请参照图3,第一曲线C1是将过去时间区间的时间点(例如日期1号、2号、...、30号)作为横轴,未命中率作为纵轴而获得。第二曲线C2是以过去时间区间的时间点(例如日期1号、2号、...、30号)作为横轴,过去变动比例尺度平均值作为纵轴而获得。在本实施例中,第一曲线C1与第二曲线C2共享X轴(横轴),左边Y轴(纵轴)对应至未命中率,右边Y轴对应至过去变动比例尺度平均值。Y轴的对应是以固定最高点与最低点的方式进行等比对应。例如,假设第一曲线C1的未命中率位于r1~r2之间,第二曲线C2的过去变动比例尺度平均值位于avg1~avg2之间,则r1对应至avg1,r2对应至avg2。
第一曲线C1与第二曲线C2具有2个交叉点P3、P4。先以未命中滤来进行第一次滤除,再以时间来进行第二次滤除。由于未命中率越低越好,故,将未命中率大于第一阈值的交叉点滤除。例如,第一阈值设定为(r2-r1)/3,则在第一次滤除中交叉点P3、P4皆会被保留。接着,将时间大于第二阈值之后的交叉点滤除。例如,第二阈值设定为第20天,则在第二次滤除中仅交叉点P3会被保留。故,将交叉点P3(第18天)作为最佳参考点。即,第18天之后的出货预测值皆为可信。
另,在其他实施例中,可以时间来进行第一次滤除,再以未命中滤来进行第二次滤除。例如,以第二阈值设定为第20天,则在第一次滤除中仅交叉点P3会被保留,后续便不用再以未命中滤来进行第二次滤除。
举例而言,当时间移动段与加权标准差的指定倍率分别设定为7日与3个,在2020年5月至2021年8月期间,18号与30号仅有2次的实际出货数据未落在当月该天的预测出货范围,代表这两天是相对稳定且高命中率之日期。若固定比例尺度设定为15%,即可假设可接受的变动比例尺度不可大于15%,因此符合的日期位于17号过后。综合考量命中率、风险程度与即时性,在第18日的出货预测值为最适解(最佳参考点)。
通过决定固定比例尺度来找到可接受的命中率,以及模拟各种时间移动段与加权标准差的指定倍率来量化每日的出货预测值的风险程度,不仅可验证移动缩放法用于每月整体表现趋势有较高的精准度,也额外提供每日的出货预测值可被信任的高低程度,提升人员对于移动缩放法的信任与可使用性。底下以表5、表6来说明。
表5所示为:在设定固定比例尺度后,基于移动缩放法、人员经验估计以及利用移动缩放法作为人员经验的二次估计值(例如,18号以前为人为经验预测,18号以后则是利用预测模型进行预测),将所对应的命中率呈现于表5。表6所示为:设定固定的命中率,将基于移动缩放法、人员经验估计以及利用移动缩放法作为人员经验的二次估计值,其对应的固定比例尺度呈现于表6。
表5
表5中的第4栏是用来表示,倘若18号以前都使用人员经验预测,在18号以后才使用预测模型进行预测,则还是能够改善与提升出货量命中率。此外,由于利用人员经验在18号左右有时候会有二次修改出货预测值的设置,因此在当下倘若改为使用预测模型所获得的第18天的预测结果而非纯人员经验,则能够改善与提升出货量命中率。只要把人员经验预测的出货预测值在第18天后都改为由预测模型进行预测,再去看其对应的区间命中实际值的次数占总次数多少比例,即可计算出命中率。
表6
由表5、表6可以得知,固定比例尺度越高,命中率越高;且进一步验证了移动缩放法对于整体表现趋势有较高的精准度。并且,可进一步通过固定比例尺度来找到可接受的命中率。
图4是依照本发明一实施例的模型操作界面的示意图。在图4所示的模型操作界面中,使用者可在多个计算方法中选择一种来计算出货预测值。在此,提供5种计算方法,即,权重估计法、比例估计法、移动缩放法、比例估计法+移动缩放法、权重估计法+比例估计法。在选定之后,会在模型操作界面中,以直方图来显示目前时间区间(2021年8月份)每一日的出货预测值。并且,也可进一步在模型操作界面中,以曲线图的方式来同时呈现多个过去时间区间(2020年8月至2021年7月)各自对应的实际出货量以及目前时间区间所获得的推荐的出货预测值(例如13.1k)。
模型操作界面还进一步提供了关于变动比例尺度的参数调整。例如,使用者可在模型操作界面设定时间移动段以及加权标准差的指定倍率。在选定时间移动段以及加权标准差的指定倍率之后,在模型操作界面中进一步显示一对照图,即,以直条方式来呈现目前这个月每一天的变动比例尺度,并且以曲线方式来呈现对应于每一日由过去多个月份的过去变动比例尺度平均值。
在本实施例中,所获得的模型使用日(最佳参考点)为第18日,以第18日而言,2021年8月18日的变动比例尺度为7.8%,而过去15个月每个18日的过去变动比例尺度平均值为10.0%。其中“相较实际平均值”所指为:2021年8月18日的变动比例尺度相较于18日的过去变动比例尺度平均值的差。在此例中,为下降2.2%。并且,可进一步基于“相较实际平均值”来决定预测表现提示。例如,“相较实际平均值”为下降的情况,显示“预测表现提示较以往稳定”。另外,可设定为“相较实际平均值”为上升的情况,显示“预测表现提示不稳定”。另外还可进一步仅显示近一周对应的变动比例尺度(图4的最下方)。例如,当下日期为2021年8月18日,则以直方图方式来显示2021年8月12日至8月18日的变动比例尺度。
另外,模型操作界面还可另外提供如图5所示的比较结果。图5是依照本发明一实施例的比较结果的示意图。例如,可直接在如图4所示的显示画面上迭加上图5所示的显示画面。请参照图5,左栏显示了该月份的推荐日(最佳参考点)为第18天,第18天的未命中率为28%,过去变动比例尺度平均值为10%。
综上所述,本揭露不同于仅依赖业务单位的人员经验,利用实际出货量的历史数据来建立模型,不仅可获得每日的预测出货范围,也能在每一日便可得知月底的出货预测值,使得出货预测值更具有逐日趋近每月出货实际值之性质。并且,可决定使用哪一天作为最佳参考点,提供了具科学逻辑的量化指标,导致此预测模型不仅具有高准确度,也具有高信任度。
据此,可在目前时间区间的最后一个时间点之前来获得最佳参考点,使得人员具有更多时间来调整生产出货相关进度,减少不必要之成本资源与提高管理模式之效率。并且,能够减少因低估出货量太多而导致出货不足的风险、或高估出货量太多而导致库存累积的问题。
针对预测资讯的人员而言,找出最适解(最佳参考点)可帮助预测模型的建立者持续追踪与监测预测模型的表现。例如,假设第一次获得的最适解为第18天,则在模型训练时,发现预测模型迭代后开始从18号往前面的日子移动,代表预测模型越来越精准,那如果是从18号后移动,代表预测模型开始不精准,则需要开发人员手动来优化预测模型,故,最适解也可以做为预测模型表现的监测方法之一。
Claims (19)
1.一种预测值决策的方法,其特征在于,利用一处理器来执行,所述方法包括:
启动一模型操作界面,并响应于通过所述模型操作界面接收到一操作,而执行下述步骤:
基于一历史出货数据来计算一目标时间点的一出货预测值;
以所述目标时间点对应的所述出货预测值以及所述目标时间点先前的多个时间点的多个先前出货预测值,计算所述目标时间点对应的一变动比例尺度;
基于历史变动比例尺度计算对应于所述目标时间点的一过去变动比例尺度平均值;以及
基于对应于所述目标时间点的所述过去变动比例尺度平均值与所述变动比例尺度提供一预测表现提示。
2.如权利要求1所述的预测值决策的方法,其特征在于,基于所述历史出货数据来计算所述目标时间点的所述出货预测值的步骤包括:
自所述历史出货数据中取出在一目前时间区间内截至所述目标时间点之前所包括的T个过去时间点的一实际累积出货量,来计算所述目标时间点的所述出货预测值,其中
所述目标时间点的所述出货预测值=(所述实际累积出货量÷T)×D,
D为所述目前时间区间内的总时间点数量。
3.如权利要求1所述的预测值决策的方法,其特征在于,基于所述历史出货数据来计算所述目标时间点的所述出货预测值的步骤包括:
自所述历史出货数据中取出一过去时间区间内所包括的m1个过去时间点的一第一实际累积出货量;
自所述历史出货数据中取出一目前时间区间内的截至所述目标时间点之前所包括的m2个时间点的一第二实际累积出货量;以及
基于所述第一实际累积出货量以及所述第二实际累积出货量,计算所述目标时间点的所述出货预测值,其中
所述目标时间点的所述出货预测值=[(所述第一实际累积出货量+所述第二实际累积出货量)÷(m1+m2)]×(m1+D)-所述第一实际累积出货量,
D为所述目前时间区间内的总时间点数量。
4.如权利要求1所述的预测值决策的方法,其特征在于,基于所述历史出货数据来计算所述目标时间点的所述出货预测值的步骤包括:
自所述历史出货数据中取出在一目前时间区间内截至所述目标时间点之前所包括的T个过去时间点的一实际累积出货量;
基于所述历史出货数据预估一出货占比;以及
基于所述实际累积出货量与所述出货占比来计算所述目标时间点的所述出货预测值。
5.如权利要求1所述的预测值决策的方法,其特征在于,计算所述目标时间点对应的所述变动比例尺度的步骤包括:
基于一权重值、所述目标时间点的所述出货预测值、以及所述目标点前一个时间点的加权平均值,计算所述目标时间点的加权平均值,其中所述目标时间点为一目前时间区间内的第n+1个时间点至最后一个时间点的其中一者,所述目前时间区间内的第n个时间点的加权平均值为第1个时间点至第n个时间点的n个出货预测值的平均值;
基于所述权重值、所述目标时间点与其先前时间点的出货预测值与所有加权平均值,计算所述目标时间点的加权标准差;以及
基于所述目标时间点对应的所述加权平均值以及所述出货预测值,计算所述变动比例尺度,
其中所述变动比例尺度=(所述加权标准差×指定倍率)÷所述出货预测值,所述指定倍率≥1。
6.如权利要求1所述的预测值决策的方法,其特征在于,更包括:
将所述目标时间点的所述出货预测值加上一固定比例尺度作为一预测出货范围的上限值,将所述目标时间点的所述出货预测值减去将所述固定比例尺度作为所述预测出货范围的下限值。
7.如权利要求6所述的预测值决策的方法,其特征在于,更包括:
基于所述历史出货数据所包括的多个过去时间区间的实际出货数据以及位于一目前时间区间内的每个时间点的所述预测出货范围,计算所述目前时间区间于每个时间点的未命中率或命中率;
基于每一所述多个过去时间区间的出货预测值,计算每一所述多个过去时间区间所包括的多个过去时间点的多个过去变动比例尺度,其中基于一时间单位来设定所述目前时间区间内的所有时间点以及每一所述多个过去时间区间内的所有过去时间点;
基于所述多个过去时间区间所包括的所有过去变动比例尺度,计算每一个时间单位对应的所述过去变动比例尺度平均值;以及
基于每一个时间单位对应的所述未命中率或所述命中率以及所述过去变动比例尺度平均值,自所述目前时间区间所包括的全部时间点中择一作为一最佳参考点。
8.如权利要求7所述的预测值决策的方法,其特征在于,基于每一个时间单位对应的所述未命中率以及所述过去变动比例尺度平均值,自所述目前时间区间所包括的全部时间点中择一作为所述最佳参考点的步骤包括:
以所述目前时间区间的时间点作为横轴,每个时间点对应的所述未命中率作为纵轴,绘制一第一曲线;
以所述多个过去时间点作为横轴,所述多个过去变动比例尺度平均值作为纵轴,绘制一第二曲线;
以时间顺序来迭合所述第一曲线与所述第二曲线,以找出所述第一曲线与所述第二曲线的交叉点;
响应于获得的交叉点的数量大于或等于2,在所获得的交叉点中将所述未命中率大于一第一阈值的交叉点滤除;
响应于经由所述第一阈值滤除后剩余的交叉点的数量大于或等于2,将时间大于一第二阈值之后的交叉点滤除;以及
将经由所述第二阈值滤除后剩余的各交叉点作为所述最佳参考点。
9.如权利要求1所述的预测值决策的方法,其特征在于,提供所述预测表现提示的步骤包括:
响应于所述变动比例尺度小于或等于所述过去变动比例尺度平均值,在所述模型操作界面上提供表示预测稳定的预测表现提示;以及
响应于所述变动比例尺度大于所述过去变动比例尺度平均值,在所述模型操作界面上提供表示预测不稳定的预测表现提示。
10.一种用于预测值决策的电子装置,其特征在于,包括:
一存储设备,包括一历史出货数据以及一模型操作界面;以及
一处理器,耦接至所述存储设备,执行:
启动所述模型操作界面,并响应于通过所述模型操作界面接收到一操作,执行:
基于一历史出货数据来计算一目标时间点的一出货预测值;
以所述目标时间点对应的所述出货预测值以及所述目标时间点先前的多个时间点的多个先前出货预测值,计算所述目标时间点对应的一变动比例尺度;
基于历史变动比例尺度计算对应于所述目标时间点的一过去变动比例尺度平均值;以及
基于对应于所述目标时间点的所述过去变动比例尺度平均值与所述变动比例尺度提供一预测表现提示。
11.如权利要求10所述的电子装置,其特征在于,所述处理器执行:
自所述历史出货数据中取出在一目前时间区间内截至所述目标时间点之前所包括的T个过去时间点的一实际累积出货量,来计算所述目标时间点的所述出货预测值,其中
所述目标时间点的所述出货预测值=(所述实际累积出货量÷T)×D,
D为所述目前时间区间内的总时间点数量。
12.如权利要求10所述的电子装置,其特征在于,所述处理器执行:
自所述历史出货数据中取出一过去时间区间内所包括的m1个过去时间点的一第一实际累积出货量;
自所述历史出货数据中取出一目前时间区间内的截至所述目标时间点之前所包括的m2个时间点的一第二实际累积出货量;以及
基于所述第一实际累积出货量以及所述第二实际累积出货量,计算所述目标时间点的所述出货预测值,其中
所述目标时间点的所述出货预测值=[(所述第一实际累积出货量+所述第二实际累积出货量)÷(m1+m2)]×(m1+D)-所述第一实际累积出货量,
D为所述目前时间区间内的总时间点数量。
13.如权利要求10所述的电子装置,其特征在于,所述处理器执行:
自所述历史出货数据中取出在一目前时间区间内截至所述目标时间点之前所包括的T个过去时间点的一实际累积出货量;
基于所述历史出货数据预估一出货占比;以及
基于所述实际累积出货量与所述出货占比来计算所述目标时间点的所述出货预测值。
14.如权利要求10所述的电子装置,其特征在于,所述处理器执行:
基于一权重值、所述目标时间点的所述出货预测值、以及所述目标点前一个时间点的加权平均值,计算所述目标时间点的加权平均值,其中所述目标时间点为一目前时间区间内的第n+1个时间点至最后一个时间点的其中一者,所述目前时间区间内的第n个时间点的加权平均值为第1个时间点至第n个时间点的n个出货预测值的平均值;
基于所述权重值、所述目标时间点与其先前时间点的出货预测值与所有加权平均值,计算所述目标时间点的加权标准差;以及
基于所述目标时间点对应的所述加权平均值以及所述出货预测值,计算所述变动比例尺度,
其中所述变动比例尺度=(所述加权标准差×指定倍率)÷所述出货预测值,所述指定倍率≥1。
15.如权利要求10所述的电子装置,其特征在于,所述处理器执行:
将所述目标时间点的所述出货预测值加上一固定比例尺度作为一预测出货范围的上限值,将所述目标时间点的所述出货预测值减去所述固定比例尺度作为所述预测出货范围的下限值。
16.如权利要求15所述的电子装置,其特征在于,所述处理器执行:
基于所述历史出货数据所包括的多个过去时间区间的实际出货数据以及位于一目前时间区间内的每个时间点的所述预测出货范围,计算所述目前时间区间于每个时间点的未命中率或命中率;
基于每一所述多个过去时间区间的出货预测值,计算每一所述多个过去时间区间所包括的多个过去时间点的多个过去变动比例尺度,其中基于一时间单位来设定所述目前时间区间内的所有时间点以及每一所述多个过去时间区间内的所有过去时间点;
基于所述多个过去时间区间所包括的所有过去变动比例尺度,计算每一个时间单位对应的所述过去变动比例尺度平均值;以及
基于每一个时间单位对应的所述未命中率或所述命中率以及所述过去变动比例尺度平均值,自所述目前时间区间所包括的全部时间点中择一作为一最佳参考点。
17.如权利要求16所述的电子装置,其特征在于,所述处理器执行:
以所述目前时间区间的时间点作为横轴,每个时间点对应的所述未命中率作为纵轴,绘制一第一曲线;
以所述多个过去时间点作为横轴,所述多个过去变动比例尺度平均值作为纵轴,绘制一第二曲线;
以时间顺序来迭合所述第一曲线与所述第二曲线,以找出所述第一曲线与所述第二曲线的交叉点;
响应于获得的交叉点的数量大于或等于2,在所获得的交叉点中将所述未命中率大于一第一阈值的交叉点滤除;以及
响应于经由所述第一阈值滤除后所获得的剩余交叉点的数量大于或等于2,将时间大于一第二阈值之后的交叉点滤除后,将剩余的交叉点作为所述最佳参考点。
18.如权利要求10所述的电子装置,其特征在于,所述处理器执行:
响应于所述变动比例尺度小于或等于所述过去变动比例尺度平均值,在所述模型操作界面上提供表示预测稳定的预测表现提示;以及
响应于所述变动比例尺度大于所述过去变动比例尺度平均值,在所述模型操作界面上提供表示预测不稳定的预测表现提示。
19.一种非暂态计算机可读存储介质,其特征在于,用于存储一程序代码,所述程序代码被一处理器执行时,使得所述处理器执行下述步骤:
基于一历史出货数据来计算一目标时间点的一出货预测值;
以所述目标时间点对应的所述出货预测值以及所述目标时间点先前的多个时间点的多个先前出货预测值,计算所述目标时间点对应的一变动比例尺度;
基于历史变动比例尺度计算对应于所述目标时间点的一过去变动比例尺度平均值;以及
基于对应于所述目标时间点的所述过去变动比例尺度平均值与所述变动比例尺度提供一预测表现提示。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111138712A TWI826043B (zh) | 2022-10-12 | 2022-10-12 | 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 |
TW111138712 | 2022-10-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117933871A true CN117933871A (zh) | 2024-04-26 |
Family
ID=90053269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211376909.8A Pending CN117933871A (zh) | 2022-10-12 | 2022-11-04 | 预测值决策的方法和电子装置及其计算机可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240127167A1 (zh) |
CN (1) | CN117933871A (zh) |
TW (1) | TWI826043B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8935198B1 (en) * | 1999-09-08 | 2015-01-13 | C4Cast.Com, Inc. | Analysis and prediction of data using clusterization |
US7379890B2 (en) * | 2003-10-17 | 2008-05-27 | Makor Issues And Rights Ltd. | System and method for profit maximization in retail industry |
JP6344396B2 (ja) * | 2013-09-20 | 2018-06-20 | 日本電気株式会社 | 発注量決定装置、発注量決定方法、プログラム、及び、発注量決定システム |
JP6344395B2 (ja) * | 2013-09-20 | 2018-06-20 | 日本電気株式会社 | 払出量予測装置、払出量予測方法、プログラム、及び、払出量予測システム |
JP7033490B2 (ja) * | 2018-04-26 | 2022-03-10 | 株式会社日立物流 | 在庫管理装置、在庫管理方法及びプログラム |
CN113537850A (zh) * | 2020-04-14 | 2021-10-22 | 顺丰科技有限公司 | 仓储优化方法、装置、计算机设备和存储介质 |
CN114971083A (zh) * | 2022-06-30 | 2022-08-30 | 鑫洋互联网科技(广州)有限公司 | 一种货物购买预测出售的方法 |
-
2022
- 2022-10-12 TW TW111138712A patent/TWI826043B/zh active
- 2022-11-04 CN CN202211376909.8A patent/CN117933871A/zh active Pending
- 2022-12-07 US US18/077,182 patent/US20240127167A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240127167A1 (en) | 2024-04-18 |
TWI826043B (zh) | 2023-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Levén et al. | Inventory control with a modified Croston procedure and Erlang distribution | |
CN107609289B (zh) | 基于bim模型的结构加固工程的建材成本管控方法以及系统 | |
Ketzenberg | The value of information in a capacitated closed loop supply chain | |
CN111133460B (zh) | 需求预测参数的优化 | |
CN103971170B (zh) | 一种用于对特征信息的变化进行预测的方法和装置 | |
CN109784984A (zh) | 一种生鲜门店智能订货系统 | |
CN107203912A (zh) | 动态定价方法和装置 | |
CN110069699B (zh) | 排序模型训练方法和装置 | |
JP6536028B2 (ja) | 発注計画決定装置、発注計画決定方法および発注計画決定プログラム | |
Brander et al. | Lot sizes in a capacity constrained facility—a simulation study of stationary stochastic demand | |
CN111242524A (zh) | 一种确定单品补货量的方法、系统、设备及存储介质 | |
CN112950262A (zh) | 销量预测方法、装置、计算机设备和存储介质 | |
CN114581012A (zh) | 一种基于供应链管理的库存调整方法及系统 | |
JP6435803B2 (ja) | 発注量決定装置、発注量決定方法および発注量決定プログラム | |
CN114219397A (zh) | 库存管理方法、装置、设备及存储介质 | |
CN117933871A (zh) | 预测值决策的方法和电子装置及其计算机可读存储介质 | |
JP2007115169A (ja) | 生産計画作成装置及び生産計画作成方法、並びにプログラム | |
CN105900120A (zh) | 产品数据分析 | |
JP2009129090A (ja) | 在庫基準決定支援装置 | |
Widyadana et al. | Production inventory models for deteriorating items with stochastic machine unavailability time, lost sales and price-dependent demand | |
CN114358874A (zh) | 补货方法、装置及电子设备 | |
TW202416189A (zh) | 預測值決策的方法和電子裝置及其電腦可讀取記錄媒體 | |
WO2015073040A1 (en) | Product data analysis | |
Ternero et al. | Inventory management with stochastic demand: case study of a medical equipment company | |
JP6424568B2 (ja) | 発注量決定プログラム、発注量決定方法および発注量決定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |