CN1386234A - 零件库存系统中预测未来定单的方法 - Google Patents

零件库存系统中预测未来定单的方法 Download PDF

Info

Publication number
CN1386234A
CN1386234A CN01802034A CN01802034A CN1386234A CN 1386234 A CN1386234 A CN 1386234A CN 01802034 A CN01802034 A CN 01802034A CN 01802034 A CN01802034 A CN 01802034A CN 1386234 A CN1386234 A CN 1386234A
Authority
CN
China
Prior art keywords
order
rate
probability
prediction
happening
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
Application number
CN01802034A
Other languages
English (en)
Inventor
柳野为勇
须崎之彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honda Motor Co Ltd
Original Assignee
Honda Motor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Honda Motor Co Ltd filed Critical Honda Motor Co Ltd
Publication of CN1386234A publication Critical patent/CN1386234A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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

Abstract

提取其订货率已低于预定水准的低订货率零件,确定指示定单特征的参数,并把提取的低订货率零件分成多种类别。随后,利用所述参数计算每种类别的定单发生概率分布。根据计算的定单发生概率分布进行蒙特卡罗模拟,确定预定期间内的定单数的发生率概率分布,并且根据计算的预定期间内定单数的发生率概率分布,预测低订货率零件的未来定单数。据此,在零件库存管理中,能够准确地预测其定单已低于,例如每月一个单位或更低的低订货率零件的未来定单数。

Description

零件库存系统中预测未来定单的方法
技术领域
本发明涉及零件库存系统中预测未来定单的方法，更具体地说涉及预测订货率低于预定水平的低订货率零件的未来订货量或需求的方法。
背景技术
在制造业中，诸如已销售给用户的车辆的零件之类的各种各样的产品零件(备用零件)必须库存预定的一段时间，并且根据来自经销商和用户的定单供给所述产品零件。目前一般由使用适当技术预测未来订货量的专家估计零件库存。
日本公开专利申请No.Hei11(1999)-7482教导一种使用蒙特卡罗模拟来计划配销网络中中间供应商应保持多少库存的方法。
一般来说，在产品生产过程中，零件的定单或需求是相当活跃的，并且在生产停止后的一段时间内仍然如此，但之后便逐渐下降，最终达到每月约1(一个单位)的比值。
在定单兴隆时，大量的交易产生很多的交易数据，使得易于计划最佳的库存水准。但是随着定单的下降，预测逐渐变难。在低订货率下，即使专家也难以准确地预测未来的定单数。
但是事实是订货率低的零件占大多数。另外，低订货率零件还带来需要解决的附带问题，例如是否要弃置用于生产这些零件的模具。
因此需要精确预测零件，尤其是低订货率零件的最终定单或需求(来自用户、经销商等)。上面提及的现有技术提供的方法局限于根据事先已知的最终定单，使用蒙特卡罗模拟来预测在中间供应商存放的最佳库存。
发明内容
于是本发明的目的是通过提供一种在零件库存管理中预测未来定单的方法，该方法能够准确地预测零件，尤其是低订货率零件的未来的最终定单，即来自用户、经销商等的定单或需求。
为了实现上述目的，提供一种预测销售给顾客的产品的低订货率零件的未来定单的方法，更具体地说，一种预测销售给顾客的产品的低订货率零件的未来定单的方法，所述零件的订货率已低于预定水准，并且已被储存较长一段时间，并且当被订购时将被销售，所述方法包括下述步骤：确定各种零件过去的与时间相关的定单记录，提取其定单记录表示订货率已低于预定水准的低订货率零件；根据这样的各个定单记录，至少确定一个指示订货率低于预定水准之后的定单特征的参数，把提取的低订货率零件分成多种类别，利用指示定单特征的参数计算多种类别中每一种的定单发生概率分布；根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布；根据计算的预定期间内的定单数的发生率概率分布，预测低订货率零件的未来定单数。
此外，该方法还包括下述步骤：确定每种零件过去的与时间相关的定单记录，提取其定单记录表明订货率已低于比所述预定水准高的第二预定水准的第二低订货率零件；把提取的第二低订货率零件分成多种类别，利用指示定单特征的参数计算所述多种类别中每一种的定单发生概率分布；根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布；根据计算的预定期间内的定单数的发生率概率分布，计算第二低订货率零件的未来定单数；根据订货率低于第二预定水准之前的定单记录和计算的定单数，利用回归分析预测第二低订货率零件的未来定单数。
其中，指示定单特征的参数至少是定单发生间隔和定单数比值之一，最好两者都是。
其中，定单数比值是定单期满之后的定单数和定单期满之前的定单数的比值。
本发明还提供一种预测销售给顾客的产品的低订货率零件的未来定单的方法，更具体地说，预测销售给顾客的产品的低订货率零件的未来定单的方法，所述零件的订货率已低于预定水准，并且已存储相当一段时间，并且当被订购时将被销售，所述方法包括下述步骤：确定各个零件过去的与时间相关的定单记录，提取其定单记录表示订货率已低于预定水准的低订货率零件；根据这样的各个定单记录，确定作为时间的函数的定单发生概率分布和作为定单数比值的函数的定单发生概率分布；根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布；根据计算的预定期间内定单数的发生率概率分布，预测低订货率零件的未来定单数。
其中，定单数比值是定单期满之后的定单数和定单期满之前的定单数的比值。
其中，提取的低订货率零件被分成多种类别，并确定多种类别中每一种的定单发生概率分布。
此外，该方法还包括下述步骤：检查预测定单数的准确性；并且根据检查结果改变类别。
附图说明
图1借助用于实现根据本发明实施例的在零件库存管理中预测未来定单的方法的设备(微处理器)执行的处理，综合说明了该方法；
图2表示了在图1的未来定单预测方法中执行的提取低订货率零件(极低订货率(1)零件和极低订货率(2)零件)的处理；
图3表示了利用图1的未来定单预测方法预测的定单数随时间的波动；
图4表示了作为定单发生间隔(指示定单特征的参数)的函数的定单发生概率分布，它构成图1中所示未来定单预测方法中的蒙特卡罗模拟输入；
图5表示了作为定单数比值(指示定单特征的参数)的函数的定单发生概率分布，它构成图1中所示未来定单预测方法中的蒙特卡罗模拟输入；
图6表示图4中就每种零件类别计算的作为定单发生间隔的函数的定单发生概率分布的一个例子；
图7表示图5中就每种零件类别计算的作为定单数比值的函数的定单发生概率分布的一个例子；
图8表示利用图6和7中所示的定单发生概率分布，在图1的未来定单预测方法中执行的蒙特卡罗模拟；
图9表示借助图8的蒙特卡罗模拟得到的预定期间(N月)内的定单数的发生率概率分布；
图10表示根据图9的定单数的发生率概率分布进行的定单数的预测；
图11表示利用图8的蒙特卡罗模拟针对定单预测进行的预测精度检查的结果；
图12表示在图1的未来定单预测方法中借助回归分析进行的定单预测；
图13也表示了在图1的未来定单预测方法中借助回归分析进行的定单预测。
具体实施方式
下面将参考附图说明根据本发明实施例的在零件库存管理中预测未来定单的方法。
图1是说明根据本发明实施例的在零件库存管理中预测未来定单的方法的方框图。
图1中，预测未来定单的方法被表示为用于实现该方法的设备10的处理(在图中被表示为ENG(引擎))，所述设备10以微计算机的形式构成。
如图1中所示，设备10与主计算机(或主机；图中未示出)12相连，主计算机12包括主系统定单记录DB(数据库)12a和主系统零件信息DB(数据库)12b。设备10访问这些数据库，以获得已销售给顾客的产品的定单记录和零件信息。零件信息指的是零件名称、零件编号、目的地(送货地址)、价格等等。
本实施例中，销售给顾客的产品被定义为分成三类：四轮车辆、机车(两轮车辆)和包括通用发动机在内的通用产品。零件被定义为这些产品的组件(备用零件)。零件分别以个为单位进行交易并被指定零件编号。
数据提取和处理ENG(引擎)10a根据获取的数据，确定四轮车辆的各个零件的历史记录，并提取订货率低于第一水准的第一低订货率零件(零件组)和订货率低于第二预定水准的第二低订货率零件(零件组)，第二预定水准高于第一预定水准。
图2图解说明了这些工作。
如图所示，当零件的月平均定单数为1或更低，并且在过去某时的24个月内该零件没有得到任何定单时，该零件的订货率被定义为低于第一预定水准。满足该条件的零件被总称为第一低订货率零件(下面也称为“极低订货率(1)零件”)。
此外，当零件的月平均定单数为1或更低，并且过去发生定单的总月数为13或更大时，该零件的订货率被定义为低于第二预定水准。满足该条件的零件被总称为第二低订货率零件(下面也称为“极低订货率)2)零件)。
所谓“零件的月平均定单数为1或更低，并且过去发生定单的总月数为13或更大”意指零件当前具有不大于1的月平均订货率，但是在过去产生一个或多个定单的月数(不论连续与否)的总和为13或更大。
具体地说，如图2的左侧所示，在产品处于生产过程中及在生产停止之后的一段时间内，零件的定单或需求一般相当活跃，例如每月约5000单位的定单，但是之后便逐渐下降，最终达到每月约1(1个单位)的比值。
说明书中的术语“定单”意指来自用户、经销商等的最终定单(需求)，“定单数”意指订购的零件数量(更具体地说，订购零件单位数量)。于是，当一次订购三个单位的零件及当逐一分别订购三个单位的零件时，一个月内的定单数均为三。
根据上面的定义将明白，当零件的定单数降低时，该零件首先变成极低订货率(2)零件，随后变成极低订货率(1)零件。数据提取和处理ENG 10a提取极低订货率(1)零件和极低订货率(2)零件。
重新参见图1，数据提取和处理ENG 10a提取的关于极低订货率(1)零件和极低订货率(2)零件的信息被立即存储在极低订货率零件定单预测DB(数据库)10b中。
存储的极低订货率零件信息随后被发送给定单特征分析数据产生ENG 10c、极低订货率(1)零件MCS(蒙特卡罗模拟)输入数据产生ENG 10d和极低订货率(2)零件输入数据产生ENG 10e。
对发送给定单特征分析数据产生ENG 10c的极低订货率零件信息进行统计分析和特征方程输入处理，随后将其输入包括每种零件的定单发生鉴别符和定单数鉴别符的定单发生鉴别符和定单数数鉴别符数据库10f。定单发生鉴别符和定单数鉴别符DB 10f根据至少一个指示订货率低于第一水准之后的定单特征的参数，把从订购零件的记录中提取的低订货率(1)(极低订货率(1)零件)分成多种类别。
所述多种类别不局限于稍早提及的三种类别(四轮车辆、机车和通用产品)，还可被进一步细分成24、50、100或更多的组。
输入定单发生鉴别符和定单数鉴别符DB(数据库)10f的数据和存储在极低订货率(1)零件MCS输入数据产生ENG 10d中的数据一起被发送给MCS(蒙特卡罗模拟)ENG 10g。
所述“定单发生鉴别符”和“定单数鉴别符”是“指示订货率低于预定水准之后的定单的特征的至少一个参数”，更具体地说，是指示定单发生间隔和定单数比值的参数。
根据指示定单特征的参数，MCS ENG 10g确定属于每种类别的产品的两种定单发生概率分布，并把确定的定单发生概率分布输入蒙特卡罗模拟，以确定在预定期间N内的定单数的发生率概率分布。
下面将说明蒙特卡罗模拟中使用的定单预测方法。
蒙特卡罗模拟(也称为“蒙特卡罗分析”或“蒙特卡罗技术”)是一种通过使已表述为公式的事物返回概率领域，从而解决问题的方法论。它通常用于获得不能利用分析技术解决的问题的近似解答。
通过对低订货率零件的定单数的预测的广泛深入研究，发明人发现在零件的订货率低于较低的水准之后，该零件的定单数表现出一定的特征(符合某些规则)。图3表示了表示为a、b和c的三种零件的定单数(月平均数)随时间的波动。如图所示，在定单活跃的期间，不同零件的定单数不同。
但是在需求消失并且定单数降低到较低的水准之后，当每一种零件的月定单数降至1或更低，并且每一种零件在过去都经过24个月内没有收到任何定单的情况时，这些零件间的定单或需求个性变弱，并且零件a、b和c的定单数趋向于共同的模式。于是，这些零件的定单可被看作实质上表现相同的特征。
因此通过聚焦于这些时间点(订货率低于第一预定水准的时间点)，即通过对准订货率变低的时间点，可利用共同特征得到多种零件的定单数。
通过进一步研究图3中所示的过去的随时间变化的定单记录(数据)，发明人发现低订货率零件的交易行为表示自最后一次定单(与订购的单位数无关)的月数，即利用作为时间函数的定单发生概率分布表示自最后一次定单的月数，更具体地说，下月中定单发生的概率分布。
他们还发现定单记录(数据)还把在如24个月内定单维持为零之后订购的零件数表示为零期间前的定单数的函数，即利用作为定单数比值函数的定单发生概率分布来表示。注意图3中的x1、x2和x3表示在零定单期之后订购的零件数为在零定单期之前订购的零件数的倍数。
从而，通过在订购的零件数方面考虑零定单期前后的订货行为，可准确确定定单发生概率分布。于是可进一步提高低订货率零件的未来定单数的精确度。
图4表示了根据前述知识，通过近似地标绘随时间变化的定单记录数据(由点表示)得到的作为时间函数的定单发生概率分布，更具体地说，作为定单发生间隔(月)的函数的定单发生概率分布。
图5表示通过分析随时间变化的过去的定单记录而获得的定单发生概率分布，它为定单数比值的函数。
“定单数比值”为定单期满之后的定单数和定单期满之前的定单数的比值。更具体地说，定单数的比值＝(定单持续24个月为零之后产生定单的月份中的定单数)/(紧接定单持续24个月为零之前的定单数)。简单地说，定单数的比值为定单期满前后的定单数之间的比值。
图4和5中图解说明的特征视零件种类而不同。提取的极低订货率(1)零件于是被分成多种类别。随后，如图6和7中分别所示，确定每种类别的作为时间函数的定单发生概率分布(图4中所示)和作为定单数比值的函数的定单发生概率分布(图5中所示)。
通过确定每种极低订货率(1)零件的定单发生间隔和定单数比值(指示订货率低于预定水准之后的定单特征的参数)，并把具有相似参数的零件放入相同的类别中，完成零件的分类。
虽然图6和7中只表示了四种类别A、B、C和D，不过这只是为了简化说明起见，实际上零件被细分为24、50或更多的类别。
接下来，如图8中所示，根据图6和7中所示的两种定单发生概率分布，重复蒙特卡罗模拟(例如5000次)。借此如图9中所示，确定在多少个月的期间，多少零件将被订购的概率，即，预定期间(N月)内可能的总定单数。
针对零件所属的类别，选择图6和7中所示的两种确定的定单发生概率分布，并且关于每个选择的定单发生概率分布分别进行蒙特卡罗模拟。
换句话说，根据通过假定未来的定单发生概率分布和根据定单记录已知的过去的定单发生概率分布相同，可预测未知的未来定单数的知识实现本发明。
从而，作为时间和定单数比值的函数的定单发生概率分布中的至少一个被聚焦为指示定单特征的参数，计算该定单发生概率分布，并且计算的定单发生概率分布被用作蒙特卡罗模拟输入。从而，可以蒙特卡罗模拟的输出的形式，得到类似预定期间的定单发生率概率分布。从而，进一步提高低订货率零件的未来定单数的预测精度。
随后根据计算得到的N月内定单数(定单总数)的发生率概率分布，预测(计算)极低订货率(1)零件的未来定单数。更具体地说，如图10中所示，预测在Z％的覆盖率(相对于定单的目标供给率)下，为了满足N月内所涉及类别中的极低订货率(1)零件的定单，需要数目为Yz的零件。
由于N个月的期间可被设置为所需的任意长度，因此恰当地选择对应于所需的预测期间的数值就足够了。
因此，可预测所需时间长度内的零件定单数(更准确地说，零件的定单总数)的事实为表示这种未来定单预测方法的一个特征。
于是，通过根据所需的预测期间或预测数目恰当地设置该期间，可实现定单的精确预测。另外，还可以，例如通过设置长度较短的期间降低定单数，或者通过检查由纵轴表示的定单发生率概率是否不小于预定值降低定单数。
下面将参考图1中所示的结构说明上述内容。在MCS ENG 10g中通过蒙特卡罗模拟得到的数据(N月内定单总数的发生率概率分布)被发送给计算结果显示ENG 10h。
根据该数据，计算结果显示ENG 10h预测(计算)极低订货率(1)的未来定单数，并借助CRT或打印机(图中均未示出)显示或打印预测结果。
MCS ENG 10g的输出也被发送给预测精度检查数据产生ENG10i，它检查极低订货率(1)零件类别是否适当，必要时重置该类别或者指定一个新的类别。
具体地说，根据到过去某一时刻为止，所关心类别中的极低订货率(1)零件的定单记录，预测精度检查数据产生ENG 10i预测从该时刻到另一过去时刻的定单。随后它通过比较预测结果和记录数据，检查预测精度，并且当确定预测精度较低时重置该类别或者指定一个新的类别。
设置较少数目的类别使处理工作较简单，但是会降低预测精度。于是如前所述，在本实施例中，类别数目被设置为，例如24、50或更多。
图11表示了当把本实施例的未来定单预测方法应用于分成24类的239000件低订货率零件，检查预测精度并将其与过去定单的记录进行比较时得到的结果。
虽然预测精度检查数据产生ENG 10i进行类似的处理，但是图11中所示者与其在项目数量方面有差别。“项目”意指与零件目的地相联系的零件数。于是，当相同零件具有日本和美国作为目的地时，项目数为2。
图11表示在假定储存采用本实施例的定单预测方法预测零件库存的情况下，相对于239000件零件在90％、95％、98％和99.6％覆盖率下的短缺比值和符合比值(纵轴)。
“短缺比值”意指未被满足的定单的百分比，“符合比值”意指被满足的定单的百分比。虽然短缺比值一般是从100％中减去符合比值而得到的数值，不过由于检查期间内异常定单的出现，短缺比值、符合比值和异常定单(例如在99.6％的覆盖率下的0.15％)之和被定义为100％。
从图中可看出，所需的符合比值基本被实现的事实证实本实施例的未来定单预测方法的功效。
重新参见图1，极低订货率(2)零件输入数据产生ENG 10e的输出被直接发送给极低订货率(2)零件定单预测ENG 10j，另外还通过MCS ENG 10g被发送给极低订货率(2)零件定单预测ENG 10j。
总之，在本实施例中，利用蒙特卡罗模拟以前述方式预测极低订货率(1)零件的定单，而对极低订货率(2)零件使用回归分析技术。此外，在回归分析中确定回归直线情况下，通过蒙特卡罗模拟得到的定单预测值(定单数)被加入已知的数据中。换句话说，在极低订货率(2)零件的情况下，结合蒙特卡罗分析和回归分析的优点进行预测。
这将参考图12进行说明。如图12中上面所示，当定单很大时，最方便的是处理为单位时间的定单量(定单数)。但是当定单量降低到某一较低水准时，人工设置的单位时间导致数据本身发生变化。
于是，如图12左下侧所示，利用累积的定单数处理低订货率零件(更具体地说，极低订货率(2)零件)。具体地说，利用指数函数使如图12右下侧所示的累积定单数(记录数据)线性化，并根据结果画出回归直线。
具体地说，如图13中所示，诸如最小二乘法之类的已知技术被用于确定回归系数及画出直线，借助蒙特卡罗模拟获得的数据中的任意数值(以附图标记Md表示)被用于确定回归直线。
虽然回归分析和蒙特卡罗分析是完全不同的技术，但是由于如前所述，当零件的定单下降时，零件通常首先变成极低订货率(2)零件，随后变成极低订货率零件(1)，另外采用蒙特卡罗模拟得到的极低订货率(1)零件定单预测被确认为非常准确，因此采用了前述安排。
尽管如此，但是由于如前所述，极低订货率(2)零件在时间上先于极低订货率(1)零件，因此必须在不利用蒙特卡罗模拟对所关心零件进行定单预测的情况下，预测极低订货率(2)零件的未来定单。
于是在本实施例中，针对极低订货率零件(1)构建上述方法，当关于极低订货率(2)零件确定各种类别的作为时间函数的定单发生概率分布和作为定单数比值的函数的定单发生概率分布时，当计算定单数的比值时，代替24个月，使用例如几个月的较短期间。
图13中，L1是单独根据已知数据得到的回归直线，L2是根据已知数据和借助修正后的蒙特卡罗模拟得到的数值Md获得的回归直线。图13中，回归直线L1仅仅被表示为基准。回归直线L2被用在本实施例的未来定单预测方法中。
于是，回归直线L2上对应于图13中横轴上指出的预测期间的数值为纵轴上指出的预测定单数。和极低订货率(1)零件的情况一样，极低订货率(2)零件的未来定单同样被预测为所需长度期间内的定单数。
由于按照这种方式通过结合蒙特卡罗分析和回归分析的优点，进行关于极低订货率(2)零件的未来定单预测，因此可进一步提高未来定单数的预测精度，虽然极低订货率(2)零件的交易行为不一定会表现针对图3说明的极低订货率(1)零件的特征。
重新参见图1，极低订货率(2)零件定单预测ENG 10j根据极低订货率(2)零件输入数据产生ENG 10e和MCS ENG 10g的输出，按照前述方式确定回归直线L2。
极低订货率(2)零件定单预测ENG 10j的输出和MCS ENG 10g的输出一起被发送给计算结果显示ENG 10h，计算结果显示ENG 10h预测(计算)极低订货率(2)零件的未来定单数，并借助CRT或打印机(图中均未表示出)显示或打印预测结果。
由于前述配置的缘故，本实施例可准确地预测定单数已降至每月约一个单位或更小的低订货率零件的未来定单数，并且据此能够恰当地确定库存管理数量。
此外，由于可准确地预测低订货率零件的未来定单，可正确地确定是否废弃用于生产零件的模具。
另外，由于可准确地预测低订货率零件的未来定单，因此可容易地确定涉及库存管理的管理策略，包括覆盖率。
此外，如图1中所示，由于预测精度检查数据产生ENG 10i检测预测精度，并且当必要时根据检查结果重置(改变)类别，即，由于本实施例被配置成能够逐步发展未来定单预测方法，因此可以不断地提高预测精度。
此外，由于进行极低订货率(1)零件和极低订货率(2)零件的分类，因此利用蒙特卡罗分析预测前者的定单数，利用蒙特卡罗分析和回归分析预测后者的定单数，即由于结合了两个分析方法的优点，进一步提高了预测精度。
换句话说，即使极低订货率(2)零件不一定会表现出和参考图3关于极低订货率(1)零件说明的相同特征，也可进一步提高未来定单数的预测精度。
此外，由于未来的定单被预测为所需一段时间内的定单数(定单总数)，因此根据所需的预测期间或预测数目可以最优地预测定单。
如前所述，本实施例被配置成具有一种预测销售给顾客的产品(四轮车辆、机车和通用产品)的低订货率零件的未来定单的方法，更具体地说，一种预测销售给顾客的产品的低订货率零件的未来定单的方法，所述零件的订货率已低于预定水准，并且已被储存较长一段时间，并且当被订购时将被销售，所述方法包括下述步骤：确定各个零件过去的与时间相关的定单记录，提取其定单记录表示订货率已低于预定水准的低订货率零件(极低订货率(1)零件；数据提取和处理ENG 10a和极低订货率零件定单预测DB 10b)，根据这样的各个定单记录，确定至少一个指示订货率低于预定水准之后的定单特征的参数，把提取的低订货率零件分成多种类别，利用指示定单特征的参数计算多种类别中每种类别的定单发生概率分布(定单特征分析数据产生ENG 10c、极低订货率(1)零件MCS输入数据产生ENG 10d、定单发生鉴别符和定单数鉴别符DB 10f、预测精度检查数据产生ENG 10i和MCSENG 10g)，根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布(N月；MCS ENG 10g)，并根据计算的预定期间内的定单数的发生率概率分布，预测低订货率零件的未来定单数(定单总数)(计算结果显示ENG 10h)。
从而，确定各种零件过去的与时间相关的定单记录，提取其定单记录表明订货率已低于预定水准的低订货率零件，根据这样的各个定单记录，确定至少一个指示订货率低于预定水准之后的定单特征的参数，把提取的低订货率零件分成多种类别，指示定单特征的参数被用于计算多种类别中每种类别的定单发生概率分布，根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布，并且根据计算得到的预定期间内定单数的发生率概率分布，预测低订货率零件的未来定单数。由于从而可准确地预测其订货率已低于较低水准的零件的未来定单数，因此能够恰当地确定库存管理数量。另外，能够正确地确定是否弃置用于生产零件的模具，并且能够容易地确定包括覆盖率在内的和库存管理相关的管理策略。
该方法还包括下述步骤：确定每种零件过去的与时间相关的定单记录，提取其定单记录表明订货率已低于比所述预定水准高的第二预定水准的第二低订货率零件(极低订货率(2)零件；数据提取和处理ENG 10a和极低订货率零件定单预测DB 10b)，把提取的低订货率零件分成多种类别，利用指示定单特征的参数计算所述多种类别中每种类别的定单发生概率分布(定单特征分析数据产生ENG 10c，极低订货率(1)零件MCS输入数据产生ENG 10d，定单发生鉴别符和定单数鉴别符DB 10f，预测精度检查数据产生ENG 10i和MCS ENG 10g)，根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布(MCS ENG 10g)，根据计算的预定期间内的定单数的发生率概率分布，计算第二低订货率零件的未来定单数，并且根据订货率低于第二预定水准之前的定单记录和计算得到的定单数，利用回归分析预测第二低订货率零件的未来定单数(极低订货率(2)零件定单预测ENG 10j和计算结果显示ENG 10h)。
从而，确定各种零件过去的与时间相关的定单记录，提取其定单记录表明订货率已低于比所述预定水准高的第二预定水准的第二低订货率零件，提取的低订货率零件被分成多种类别，指示定单特征的参数被用于计算多种类别中每种类别的定单发生概率分布，根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布，根据计算得到的预定期间内订购零件数目的概率分布，计算第二低订货率零件的未来定单数，并且根据订货率低于第二预定水准之前的定单记录和计算的定单数，借助回归分析预测第二低订货率零件的未来定单数。换句话说，结合蒙特卡罗分析和回归分析的优点来进行预测。于是即使在不同的低订货率零件的交易行为不一定会表现出相同特征的情况下，也可进一步提高未来定单数的预测精度。
所述至少一个指示定单特征的参数至少是定单发生间隔(月；图4中所示)和定单数比值(图5中所示)之一，最好两者都是。
当按照这种方式，把定单发生间隔和定单数比值至少之一表示为指示定单特征的参数时，则当据此计算的定单发生概率分布被输入蒙特卡罗模拟时，可以蒙特卡罗模拟的输出的形式计算类似预定期间的定单数的发生率概率分布。从而，可进一步提高低订货率零件的未来定单数的预测精度。
定单数比值是定单期满之后的定单数和定单期满之前的定单数的比值，更具体地说，定单数的比值为(定单持续24个月为零之后产生定单的月份中的定单数)/(紧接定单持续24个月为零之前的定单数)。
通过从定单数方面考虑定单期满前后的定单行为，能够准确地计算定单发生概率分布。从而进一步提高低订货率零件的未来定单数的预测精度。
另外，本实施例被配置成具有一种预测销售给顾客的产品(四轮车辆、机车和通用产品)的低订货率零件的未来定单的方法，更具体地说，预测销售给顾客的产品的低订货率零件的未来定单的方法，所述零件的订货率已低于预定水准，并且已存储相当一段时间，并且当被订购时将被销售，所述方法包括下述步骤：确定各个零件过去的与时间相关的定单记录，提取其定单记录表示订货率已低于预定水准的低订货率零件(极低订货率(1)零件；数据提取和处理ENG 10a和极低订货率零件定单预测DB 10b)，根据这样的各个定单记录，确定作为时间函数的定单发生概率分布和作为定单数比值的函数的定单发生概率分布(定单特征分析数据产生ENG 10c、极低订货率(1)零件MCS输入数据产生ENG 10d、定单发生鉴别符和定单数鉴别符DB10f、预测精度检查数据产生ENG 10i和MCS ENG 10g)，根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布(N月；MCS ENG 10g)，并根据计算的预定期间内定单数的发生率概率分布，预测低订货率零件的未来定单数(计算结果显示ENG 10h)。
从而，确定各种零件过去的与时间相关的定单记录，提取其定单记录表明订货率已低于预定水准的低订货率零件，根据这样的各个定单记录，确定作为时间函数的定单发生概率分布和作为定单数比值的函数的定单发生概率分布，根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布，并且根据计算得到的预定期间内定单数的发生率概率分布，预测低订货率零件的未来定单数。换句话说，作为时间函数的定单发生概率分布和作为定单数比值的函数的定单发生概率分布的至少之一被集中于计算输入蒙特卡罗模拟的定单发生概率分布中，从而通过以蒙特卡罗模拟的输出的形式计算类似预定期间的定单数的发生率概率分布，可预测定单数。从而可准确地预测低订货率零件的未来定单数，再近似确定库存管理数量。另外，可正确地确定是否弃置用于生产零件的模具，并且可容易地确定包括覆盖率在内的和库存管理策略相关的管理策略。
另外还提供一种配置，其中提取的低订货率零件被分成多种类别(例如24或50)，并确定多种类别中每一种的定单发生概率分布(定单特征分析数据产生ENG 10c、极低订货率(1)零件MCS输入数据产生ENG 10d、定单发生鉴别符和定单数鉴别符DB 10f、预测精度检查数据产生ENG 10i和MCS ENG 10g)。
从而，提取的低订货率零件被分成多种类别，并且确定多种类别中每一种的定单发生概率分布。由于因此可考虑特定于零件的定单行为，从而可进一步提高低订货率零件的未来定单数的预测精度。
还提供了一种具有下述步骤的配置：检查预测定单数的准确性；并且根据检查结果改变类别(预测精度检查数据产生ENG 10i)。
从而，检查预测定单数的准确性，并且根据检查结果改变类别。换句话说，逐步发展定单预测。从而，可不断提高低订货率零件的未来定单数的预测精度。
虽然前面以月为单位规定了期间和时间间隔，但是也可以利用表示期间或时间间隔的任意其它单位，例如天、周、双周、季或年规定期间或时间间隔。
借助本发明，能够准确地预测定单数已降至每月约一个单位或更小的低订货率零件的未来定单数，并且据此能够恰当地确定库存管理数量。此外，由于可准确地预测低订货率零件的未来定单，因此能够正确地确定是否弃置用于生产零件的模具。另外，由于可准确地预测低订货率零件的未来定单，因此可容易地确定包括覆盖率在内的与库存管理相关的管理策略。

Claims (8)

1.一种预测销售给顾客的产品的零件的未来定单的方法，包括下述步骤：
a.确定各种零件过去的与时间相关的定单记录，提取其定单记录表示订货率已低于预定水准的低订货率零件；
b.根据这样的各个定单记录，至少确定一个指示订货率低于预定水准之后的定单特征的参数，把提取的低订货率零件分成多种类别，利用指示定单特征的参数计算多种类别中每一种的定单发生概率分布；
c.根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布；
d.根据计算的预定期间内的定单数的发生率概率分布，预测低订货率零件的未来定单数。
2.按照权利要求1所述的方法还包括下述步骤：
e.确定每种零件过去的与时间相关的定单记录，提取其定单记录表明订货率已低于比所述预定水准高的第二预定水准的第二低订货率零件；
f.把提取的第二低订货率零件分成多种类别，利用指示定单特征的参数计算所述多种类别中每一种的定单发生概率分布；
g.根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布；
h.根据计算的预定期间内的定单数的发生率概率分布，计算第二低订货率零件的未来定单数；
i.根据订货率低于第二预定水准之前的定单记录和计算的定单数，利用回归分析预测第二低订货率零件的未来定单数。
3.按照权利要求1或2所述的方法，其中指示定单特征的参数至少是定单发生间隔和定单数比值之一。
4.按照权利要求3所述的方法，其中定单数比值是定单期满之后的定单数和定单期满之前的定单数的比值。
5.一种预测销售给顾客的产品的零件的未来定单的方法，包括下述步骤：
j.确定各个零件过去的与时间相关的定单记录，提取其定单记录表示订货率已低于预定水准的低订货率零件；
k.根据这样的各个定单记录，确定作为时间函数的定单发生概率分布和作为定单数比值的函数的定单发生概率分布；
1.根据计算的定单发生概率分布进行蒙特卡罗模拟，以确定预定期间内定单数的发生率概率分布；
m.根据计算的预定期间内定单数的发生率概率分布，预测低订货率零件的未来定单数。
6.按照权利要求5所述的方法，其中定单数比值是定单期满之后的定单数和定单期满之前的定单数的比值。
7.按照权利要求5或6所述的方法，其中提取的低订货率零件被分成多种类别，并确定多种类别中每一种的定单发生概率分布。
8.按照权利要求1-7任一所述的方法，还包括下述步骤：
n.检查预测定单数的准确性；以及
o.根据检查结果改变类别。
CN01802034A 2000-08-30 2001-08-20 零件库存系统中预测未来定单的方法 Pending CN1386234A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2000260918A JP3481570B2 (ja) 2000-08-30 2000-08-30 部品在庫管理における需要予測装置
JP260918/00 2000-08-30

Publications (1)

Publication Number Publication Date
CN1386234A true CN1386234A (zh) 2002-12-18

Family

ID=18748855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN01802034A Pending CN1386234A (zh) 2000-08-30 2001-08-20 零件库存系统中预测未来定单的方法

Country Status (10)

Country Link
US (1) US7225140B2 (zh)
EP (1) EP1315107A1 (zh)
JP (1) JP3481570B2 (zh)
CN (1) CN1386234A (zh)
BR (1) BR0107024A (zh)
CA (1) CA2381569A1 (zh)
MX (1) MXPA02004267A (zh)
TW (1) TWI248572B (zh)
WO (1) WO2002019190A1 (zh)
ZA (1) ZA200202274B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142120A (zh) * 2010-02-01 2011-08-03 台湾积体电路制造股份有限公司 动态库存控制的方法与系统
CN111724205A (zh) * 2020-06-17 2020-09-29 赵鹏 一种车辆装备维修管理经费评估系统及方法
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

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480623B1 (en) * 2000-03-25 2009-01-20 The Retail Pipeline Integration Group, Inc. Method and system for determining time-phased product sales forecasts and projected replenishment shipments for a retail store supply chain
US20020082899A1 (en) * 2000-09-29 2002-06-27 Aley Fredrick J. Methods and systems for integrating marketing, production, and finance
US7552066B1 (en) * 2001-07-05 2009-06-23 The Retail Pipeline Integration Group, Inc. Method and system for retail store supply chain sales forecasting and replenishment shipment determination
US7295990B1 (en) * 2001-09-27 2007-11-13 Amazon.Com, Inc. Generating current order fulfillment plans based on expected future orders
US7747543B1 (en) 2001-09-27 2010-06-29 Amazon Technologies, Inc Dynamically determining actual delivery information for orders based on actual order fulfillment plans
US20030163364A1 (en) * 2002-02-28 2003-08-28 Piercy Lee W. Net delta change in inventory management
JP2004021881A (ja) * 2002-06-20 2004-01-22 Honda Motor Co Ltd 小売価格決定支援システム
US20040210473A1 (en) * 2002-11-08 2004-10-21 Pfizer Inc. Method and system for forecasting resources for the development of pharmaceutical drugs
US8271369B2 (en) * 2003-03-12 2012-09-18 Norman Gilmore Financial modeling and forecasting system
US7840449B2 (en) * 2004-09-07 2010-11-23 International Business Machines Corporation Total inventory management
US7558755B2 (en) 2005-07-13 2009-07-07 Mott Antony R Methods and systems for valuing investments, budgets and decisions
US9330373B2 (en) 2005-07-19 2016-05-03 Amazon Technologies, Inc. Method and system for storing inventory holders
US7894933B2 (en) * 2005-07-19 2011-02-22 Kiva Systems, Inc. Method and system for retrieving inventory items
US8483869B2 (en) 2005-07-19 2013-07-09 Amazon Technologies, Inc. Method and system for fulfilling requests in an inventory system
US7894932B2 (en) * 2005-07-19 2011-02-22 Kiva Systems, Inc. Method and system for replenishing inventory items
US9123000B2 (en) * 2005-10-31 2015-09-01 Friedrich Gartner Automatic generation of calendarization curves
JP4696874B2 (ja) * 2005-11-28 2011-06-08 株式会社日立製作所 リソース予測装置及び方法
US7424448B2 (en) * 2006-03-23 2008-09-09 Sap Ag Method for quantity checking of product purchase orders
US7694874B2 (en) * 2006-03-29 2010-04-13 Amazon Technologies, Inc. Over-the-air device provisioning and activation
JP4805055B2 (ja) * 2006-08-02 2011-11-02 シーコムス株式会社 商品発注量計算装置
US8374922B1 (en) 2006-09-22 2013-02-12 Amazon Technologies, Inc. Fulfillment network with customer-transparent costs
JP2008171171A (ja) * 2007-01-11 2008-07-24 Hitachi Ltd 需要予測方法、および需要予測分析サーバ、並びに需要予測プログラム
US10366426B2 (en) * 2007-03-09 2019-07-30 Amazon Technologies, Inc. Personalizing handheld electronic book readers
US20090024446A1 (en) * 2007-07-20 2009-01-22 Shan Jerry Z Providing a model of a life cycle of an enterprise offering
KR100928621B1 (ko) * 2007-11-07 2009-11-26 연세대학교 산학협력단 부품 수요 예측 방법 및 시스템
US20100274601A1 (en) * 2009-04-24 2010-10-28 Intermational Business Machines Corporation Supply chain perameter optimization and anomaly identification in product offerings
US8234295B2 (en) 2009-06-03 2012-07-31 International Business Machines Corporation Managing uncertain data using Monte Carlo techniques
US8498888B1 (en) 2011-06-22 2013-07-30 Amazon Technologies, Inc. Cost-based fulfillment tie-breaking
US20140058783A1 (en) * 2012-08-22 2014-02-27 Hartford Fire Insurance Company System and method for optimizing catastrophe based resources
US10133996B2 (en) * 2014-04-22 2018-11-20 International Business Machines Corporation Object lifecycle analysis tool
CN104091094A (zh) * 2014-08-03 2014-10-08 刘鸿 Meta分析数值缺失状态下MCMC模拟导向的基于多重填补法的缺失值处理的方法
EP3182348A1 (en) * 2015-12-17 2017-06-21 Dematic Systems GmbH Method of order fulfilling by making storage units available from a storage facility in a desired sequence at a picking station
US11810044B1 (en) * 2016-04-11 2023-11-07 Blue Yonder Group, Inc. System and method of providing a supply chain digital hub
US10373117B1 (en) * 2016-11-15 2019-08-06 Amazon Technologies, Inc. Inventory optimization based on leftover demand distribution function
CN111192071B (zh) * 2018-11-15 2023-11-17 北京嘀嘀无限科技发展有限公司 发单量预估方法及装置、训练发单概率模型的方法及装置
CN113344652A (zh) * 2020-03-02 2021-09-03 多点(深圳)数字科技有限公司 信息呈现方法、装置、电子设备和介质
WO2023161789A1 (en) * 2022-02-23 2023-08-31 Jio Platforms Limited Systems and methods for forecasting inventory

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4414629A (en) * 1979-04-02 1983-11-08 Waite John H Method and apparatus for making correlations and predictions using a finite field of data of unorganized and/or partially structured elements
JPH08147357A (ja) * 1994-11-22 1996-06-07 Nec Yamagata Ltd 製造装置の簡易モデリング方法
US5765143A (en) 1995-02-28 1998-06-09 Triad Systems Corporation Method and system for inventory management
US5608621A (en) * 1995-03-24 1997-03-04 Panduit Corporation System and method for controlling the number of units of parts in an inventory
US5893076A (en) * 1996-01-16 1999-04-06 Sterling Commerce, Inc. Supplier driven commerce transaction processing system and methodology
US6006196A (en) * 1997-05-01 1999-12-21 International Business Machines Corporation Method of estimating future replenishment requirements and inventory levels in physical distribution networks
US6144945A (en) * 1997-07-14 2000-11-07 International Business Machines Corporation Method for fast and accurate evaluation of periodic review inventory policy
JP2000003388A (ja) * 1998-06-16 2000-01-07 Hitachi Ltd 需要予測単位設定方法
US6061691A (en) * 1998-08-31 2000-05-09 Maxagrid International, Inc. Method and system for inventory management
DE19848094A1 (de) * 1998-10-19 2000-04-20 Asea Brown Boveri Verfahren zur Ermittlung des Grades der Aufgabenerfüllung technischer Systeme
US6826538B1 (en) * 1999-07-28 2004-11-30 I2 Technologies Us, Inc. Method for planning key component purchases to optimize revenue
US6611726B1 (en) * 1999-09-17 2003-08-26 Carl E. Crosswhite Method for determining optimal time series forecasting parameters
EP1360619A2 (en) * 2000-04-07 2003-11-12 The Procter & Gamble Company Method and apparatus for monitoring the effective velocity of items through a store or warehouse
US6970841B1 (en) * 2000-04-17 2005-11-29 International Business Machines Corporation Large inventory-service optimization in configure-to-order systems
US6816839B1 (en) * 2000-05-04 2004-11-09 International Business Machines Corporation Demand planning for configure-to-order and building blocks-based market environment
US6978249B1 (en) * 2000-07-28 2005-12-20 Hewlett-Packard Development Company, L.P. Profile-based product demand forecasting

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142120A (zh) * 2010-02-01 2011-08-03 台湾积体电路制造股份有限公司 动态库存控制的方法与系统
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
CN111724205A (zh) * 2020-06-17 2020-09-29 赵鹏 一种车辆装备维修管理经费评估系统及方法

Also Published As

Publication number Publication date
EP1315107A1 (en) 2003-05-28
TWI248572B (en) 2006-02-01
BR0107024A (pt) 2002-05-21
JP2002073746A (ja) 2002-03-12
ZA200202274B (en) 2003-03-20
MXPA02004267A (es) 2002-10-17
JP3481570B2 (ja) 2003-12-22
US7225140B2 (en) 2007-05-29
WO2002019190A1 (fr) 2002-03-07
US20020026347A1 (en) 2002-02-28
CA2381569A1 (en) 2002-03-07

Similar Documents

Publication Publication Date Title
CN1386234A (zh) 零件库存系统中预测未来定单的方法
US9875452B2 (en) Systems and methods for meeting a service level at a probable minimum cost
CN101055635A (zh) 生产计划方法和生产计划系统
CN1815498A (zh) 需求预测系统及方法
Altekin et al. A multi-objective optimization approach for exploring the cost and makespan trade-off in additive manufacturing
Miyata et al. Optimizing distributed no-wait flow shop scheduling problem with setup times and maintenance operations via iterated greedy algorithm
CN108197910A (zh) 一种招标项目立项管理系统
CN1711203A (zh) 库存管理方法、库存管理系统以及库存管理程式
EP2013844A4 (en) EMISSIONS TRADING PRODUCT AND METHOD
CN111984426A (zh) 任务调度方法、装置、电子设备及存储介质
US20050278301A1 (en) System and method for determining an optimized process configuration
CN107239853B (zh) 一种基于云计算的智慧管家系统及其工作方法
Wiechman et al. A column generation approach for scheduling a batch processing machine with makespan objective
Li et al. Product deterioration based demand forecasting and service supply model for MRO service chain
CN111538915A (zh) 孤儿保单的分配方法、装置、计算机设备和存储介质
CN110580579A (zh) 一种基于互联网的汽车零部件供应商产能管理方法及系统
CN110689278A (zh) 一种钣金物料管理方法、系统、存储介质以及电子设备
Lee et al. Application of multi-objective simulation-optimization techniques to inventory management problems
JP2009062139A (ja) 在庫部品設定システム、在庫部品設定方法及び在庫部品設定プログラム
JP2006178920A (ja) 生産配分シミュレーション方法及び装置並びに生産方法
Maroof et al. An integrated approach for the operational design of a cellular manufacturing system
US7117060B2 (en) Method of improving production through cost of yield measurement
JP4412193B2 (ja) 仕掛かりパターンの作成方法およびその作成装置
JP4801525B2 (ja) 最適解探索システム、およびそれに用いられるサーバ、最適解探索プログラム、記録媒体
JP2007164580A (ja) 生産制御システム

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication