CN1423215A - 销售预测装置及销售预测方法 - Google Patents
销售预测装置及销售预测方法 Download PDFInfo
- Publication number
- CN1423215A CN1423215A CN02152758A CN02152758A CN1423215A CN 1423215 A CN1423215 A CN 1423215A CN 02152758 A CN02152758 A CN 02152758A CN 02152758 A CN02152758 A CN 02152758A CN 1423215 A CN1423215 A CN 1423215A
- Authority
- CN
- China
- Prior art keywords
- sales
- trading object
- sales forecast
- time
- unit interval
- 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
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
- G06Q10/04—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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供预测商品或服务等的销售状况的系统。进行销售预测的计算机10,通过从数据库8中读取各交易对象的销售业绩,根据前述销售业绩,将各交易对象的销售时间至少作为一项指标,对各个交易对象分类化,并且根据进行预测的交易对象的销售时间,判断进行该预测的交易对象属于哪一类,对进行预测的交易对象,根据与进行预测的时间有类似属性的过去的对应时间中的该交易对象类的销售业绩,对该交易对象进行销售预测。
Description
技术领域
本发明涉及预测商品或服务等的销售状况的系统。
背景技术
为了避免商品的过分不足,以高效率进行销售,通过对销售进行预测来决定订货量。
例如:在日本特开平5-120314专利公报中,公开了如下的销售预测系统。该系统是以商品过去的销售额为对象,据此来预测未来的销售。通过全面地分析该商品最近三个月的销售、全国最近三个月的销售以及上一年同月的前后一个月(三个月)的销售,来进行未来销售的预测,从而提高预测的精度。
然而,该系统是以上一年度也销售同样的商品为前提的,其问题点在于对于没有销售业绩的商品,无法进行预测。因此,不适合用于经销的商品变动较大的情况下以及新商品的投入非常频繁的行业。而且,由于是参照各种商品其各自过去的销售业绩进行预测的,所以其问题点是在经销的商品品种数繁多的情况下,处理起来很繁杂,不易实现。
在日本特开平8-278959专利公报中公开了针对没有销售业绩的商品进行销售预测的系统。该系统是根据商品的颜色、式样、尺寸、等级等属性对商品详细地进行分类,来存储其销售业绩。对于没有销售业绩的商品,从已记录的商品中选出与之属性最接近的商品,根据该商品的销售业绩,进行销售预测。并且,销售预测是以时间序列进行的,在预测与实际业绩产生差异时,可以对预测进行修正。
应用该系统可以对没有销售业绩的商品进行销售预测。但是,为了提高预测的精度,必须记录商品的详细属性,其结果产生这样的问题,即必须记录并保存数量庞大的属性。
发明内容
本发明的目的在于,提供一种可以解决上述问题点,不拘泥于销售业绩的有无,并且避免处理上的繁杂化,能够进行确切的销售预测的销售预测装置。
本发明的销售预测装置之特征在于:是通过取得各交易对象的销售业绩,根据前述销售业绩,将各交易对象的销售时间至少作为一项指标,对各个交易对象进行分类;根据进行预测的交易对象的销售时间,判断进行该预测的交易对象属于哪一类,以及对进行预测的交易对象,根据与进行预测的时间有类似属性的过去的对应时间中该交易对象类的销售业绩,对该交易对象进行销售预测的。
本发明的销售预测装置之特征在于:是通过对将各交易对象的销售时间作为至少一项指标进行分类的交易对象,形成与存储各类的销售业绩的存储单元可以进行存取的结构;根据进行预测的交易对象的销售时间,判断进行该预测的交易对象属于哪一类;以及对进行预测的交易对象,从前述存储单元读取与进行预测的时间有类似属性的过去的对应时间中该交易对象类的销售业绩,根据该销售业绩,对该交易对象进行销售预测的。
也就是将各交易对象根据其销售时间进行分类,并判断进行预测的交易对象属于哪一类,根据该类的销售业绩进行销售预测。由于是根据销售时间将交易对象进行分类的,所以交易对象的分类是明确的,可以进行高精确性的预测。而且,即使在交易对象的数量增加的情况下,也不可能因分类的急剧增加而使处理变得繁杂。
本发明的销售预测装置之特征在于:进行预测的时间是各规定的单位时间,对于该各规定的单位时间中的多个单位时间进行销售预测。因此,能够进行时间序列的销售预测。
本发明的销售预测装置之特征在于:其销售预测至少算出各单位时间中相对的销售比率。因此,至少能够按时间序列预测出销售的变化倾向。
本发明的销售预测装置之特征在于:根据多个单位时间中已取得销售业绩的经过的单位时间的相对销售比率以及经过的销售业绩与进行销售预测的未经过的单位时间的相对销售比率,对于未经过的单位时间的销售进行预测。
因此,根据以时间序列算出的相对销售比率,对经过的单位时间的业绩进行综合分析,可以预测未来的销售。
本发明的销售预测装置之特征在于:作为经过的单位时间,采用最近经过的单位时间。因此,能够进行确切地反映销售业绩的趋势的销售预测。
本发明的销售预测装置之特征在于:作为经过的单位时间,采用多个单位时间。因此,即使有由突发的特殊原因引起的销售业绩的变化,也可以不受此影响进行稳定的销售预测。
通过采用最近并且多个单位时间,能够进行尽可能反映销售业绩的趋势并排出特殊原因的稳定的销售预测。
本发明的销售预测装置之特征在于:对于经过的单位时间的销售业绩,在根据进货与销售来推测是否库存不足,判断出库存不足时,可以采用修正了前述销售业绩的修正销售业绩进行销售预测。
因此,由于也考虑库存不足引起销售业绩的变化,能够进行准确的销售预测。
本发明的销售预测装置之特征在于:采用多个对应时间的销售业绩进行销售预测。因此,可以根据精度更高的销售业绩进行预测。
本发明的销售预测装置之特征在于:将对应时间的前和/或后的时间的销售业绩也考虑在内,进行销售预测。因此,可以将进行该预测的交易对象所属的分类的销售时间的前和/或后的时间作为销售时间的其他分类的销售业绩也考虑在内,进行销售预测。即,可以不受时间序列的趋势的偏差的影响进行稳定的销售预测。
本发明的销售预测装置之特征在于:根据交易对象的多个时间全体的销售预测与该交易对象所属的交易对象分类的前述对应时间中的销售业绩的变迁,算出各单位时期中的该交易对象的销售预测。
因此,根据全体的销售预测,可以进行各单位时期中的时间序列的销售预测。
本发明的销售预测装置之特征在于:根据进行的销售预测,算出该交易对象需要的购入量,并输出要购入的订货数据。
因此,根据预测出的销售情况,能够算出需要的购入量。
本发明的销售预测装置之特征在于:将规定的单位时间设定为比该交易对象从订货至到货所需(相差)的交付周期还要短。因此,可以考虑到已订货的交易对象的进货预定及销售业绩,决定需要的购入量。
本发明的销售预测装置之特征在于:需要的购入量的计算算出了考虑到前述交付周期的未来的单位时间需要的购入量,所以未来的单位时间需要的购入量根据前述销售预测进行。
因此,可以考虑到交付周期决定更加精确的需要购入量。
本发明的销售预测装置之特征在于:对于未来的单位时间需要的购入量,通过决定该单位时间中的预测库存量,以使与从该单位时间到先前规定个数的单位时间段的预测销售的总和相等或形成规定的关系,从而根据该预测库存量决定前述购入量。
因此,根据销售预测,决定适当的库存量,可以计算出需要的购入量。而且,根据预测的频度和预测的精度等,通过调整将库存量保持在与从该单位时间到先前几个单位时间段的预测销售相等(或规定的关系)的程度,从而可以决定适当的购入量。
本发明的销售预测装置之特征在于:交易对象因季节不同销售产生变动。因此,根据销售时间进行分类,能够进行更加精确的销售预测。
本发明的销售预测装置之特征在于:根据其属性对交易对象进行分类,通过该属性与前述销售时间的组合,被分类。
因此,可以进行更适当的分类,进行准确性高的销售预测。
本发明的销售预测装置之特征在于:用于分类的销售时间为销售开始时间。根据销售时间进行分类,可以从销售初期进行销售预测。
本发明的销售预测方法之特征在于:是通过取得各交易对象的销售业绩;根据进行预测的交易对象的销售时间,判断进行该预测的交易对象对应已知的哪一类交易对象;以及对进行预测的交易对象,根据与进行预测的时间有类似属性的过去的时间中的该交易对象的销售业绩,对该交易对象进行销售预测的。
也就是将各交易对象根据其销售时间进行分类,并判断进行预测的交易对象对应哪一类现存的交易对象,根据该交易对象的销售业绩进行销售预测。由于是根据销售时间将交易对象进行分类的,所以交易对象的分类是明确的,可以进行高精确性的预测。而且,即使在交易对象的数量增加的情况下,也不可能因分类的急速增加而使处理变得繁杂。
而且,本发明说明书中,可以将装置的发明作为方法的发明来理解,方法的发明可以作为装置的发明来理解。并且,上述发明亦可作为存储在计算机上实现规定的功能的程序的存储介质或程序产品。
〔交易对象〕是指本发明中进行销售预测的商品或服务。在实施例中,服装商品相当于此。
〔销售预测〕是指预测未知的销售状况,无论是过去还是未来。不只是商品的销售预测,而是包括用电量等的需求预测的概念。而且,不只是预测销售的绝对量绝对数,而是如实施例所示的指数那样,是包括预测销售动向(相对的比例)的概念。
〔销售业绩〕是指实际销售的数量。
〔根据销售时间的分类化〕是指根据交易对象的销售时间,对交易对象进行分类,不只是销售开始日、周、年等的销售开始时间、销售开始星期,是包括根据销售完了时间等进行分类的概念。
〔存储程序的存储介质〕是指存储程序的ROM、RAM、软盘、CD-ROM、存储卡、硬盘等存储介质。并且,是还包括电话线、载波通路等通信介质的概念。不只是连接到CPU上、直接运行被存储的程序的硬盘那样的存储介质,是包括存储了一旦安装到硬盘等上后就能运行的程序的CD-ROM等的存储介质的概念。
〔程序〕不只是通过CPU可以直接运行的程序,是包括源程序、被压缩处理的程序、被加密的程序等的概念。
附图说明
图1是表示系统整体的图。
图2是表示商业模式概要的图。
图3是表示主计算机的硬件构成的图。
图4是表示数据集成处理的流程的图。
图5是表示销售库存数据的图。
图6是表示销售库存数据的图。
图7是表示销售预测计算机的硬件构成的图。
图8是表示销售指数制作处理的流程的图。
图9是表示销售业绩数据的图。
图10是表示周指数的计算演示的图。
图11是表示周指数的实例的图。
图12是表示销售预测订货量计算处理的流程的图。
图13是表示条件设定的内容的图。
图14是表示初次销售预测处理的流程的图。
图15是表示分商品进行销售预测的图。
图16是表示追加时进行销售预测处理的流程的图。
图17是表示业绩数据与周指数数据的图。
图18是表示销售预测与订货数据的图。
图19是模拟地表示订货量的计算方法的图。
图20是表示计算需要的订货量的流程的图。
具体实施方式1.系统的整体图
图1表示将本发明的一个实施例的销售预测系统应用于服装商品的管理时的系统构成。本实施例中是由进行销售预测的计算机10构成销售预测装置的。主计算机6从集中进行商品的出入库及保管的物流中心的计算机2取得到货数据、出货数据。另外,销售店记录装置4配置在全国的各销售店中,将销售数据传送至主计算机6。并且,主计算机6向生产厂家计算机3进行订货。
本实施例中,数据被转送到主计算机6,也可以通过软盘等存储介质传送数据。并且,可以将打印输出到纸张等上的数据输入到主计算机6。另外,对于从主计算机6输出的数据也可以采用存储介质或打印输出到纸张等上。
主计算机6,接收这些数据,在每天规定的时间,对数据进行集成处理,与数据库服务器进行通信,对数据库8进行更新。进行销售预测的计算机10通过LAN与数据库服务器9连接,并根据累积在数据库8中的数据,进行销售预测处理。2.系统的概要
图2中模拟地表示出将图1的系统用于销售预测·订货管理时商品的流程和情报的流程。①总部18存储着上一年以前的销售业绩。总部18根据每种商品决定的销售预定(或目标)与该商品所属分类的过去的销售变迁,进行销售预测。②总部18根据计算出的销售预测,向生产厂家19进行初次的订货。③生产厂家19根据该订货指示生产商品,并向物流中心12进行交货。
④接收商品到货的物流中心12,根据总部18的指示,将货物发放到各销售店14、16。从物流中心12向总部18传输到货和发货数据。⑤在各销售店14、16对接收的商品进行销售。从各销售店14、16向总部18传输销售数据。
⑥总部18根据销售开始时间对各商品进行分类,并按各分类存储销售变迁的数据。总部18根椐各商品的销售数据(经过的销售业绩)和各商品所属分类的过去的销售变迁,对未来商品的销售进行预测。⑦总部18根椐计算出的销售预测,向生产厂家19进行追加订货。之后,重复进行③~⑦。
如上所述,进行高精确性的销售预测,据此进行订货,从而可以建立过剩库存的产生、失去销售机会很少的系统。3.主计算机
图3表示主计算机6的硬件构成。该主计算机6具备:CPU 20、硬盘22、显示器24、通信单元26、存储器28、键盘/鼠标30、CD-ROM驱动器32、打印机34、软驱36。
通信单元26与物流中心计算机2、销售店记录装置4、生产厂家计算机3、销售预测计算机10进行通信。在硬盘22中存储操作系统和用于数据集成处理的程序。而且,硬盘22中建立了数据库8。数据库8中存储着表示被集成的销售·库存数据和商品的价格等的商品基本数据等。
用于数据集成处理的程序,通过CD-ROM驱动器32,从CD-ROM38等被安装到硬盘22中,图4表示用于数据集成处理的程序的流程图。
步骤S1中,CPU20接收来自各销售店的店内记录装置4的销售数据(哪种商品卖出几件)、来自物流中心计算机2的出入库数据(哪种商品入货几件、出货几件)、来自销售预测计算机10的订货数据(哪种商品订几件),并将其储备在数据库服务器9的数据库8中。该处理在规定的时间反复进行。(步骤S2)
到了规定的时间,将接收到的数据进行集成(步骤S3)。通常,多在不发生销售数据或出入库数据的夜间进行该集成处理。数据集成处理是按商品将来自各销售店的销售数据进行集成,作为当日的销售数据存储在硬盘22中。同样,将入库数据、出库数据按商品进行集成,存储在数据服务器9的数据库8中。从而,将每日的销售、入库、出库数据累积下去。
并且,对各商品,计算出该周的销售累计(从星期一开始的销售累计)、截止的购入量累计、销售量累计、库存量等。将这些数据存储在数据库服务器9的数据库8中(步骤S4)。
图5表示存储数据的实例。如图所示,各种商品通过品牌与品号的组合被特定。本实施例中一种品牌中包含多种商品,再有对于存在多种品牌的情况下进行以下说明。
图5表示如此被累积的销售库存数据的实例。各周的销售量是分商品从该周的周一到周日为止的销售量的合计。图中表示品号[62421]的商品第一周的销售量是0件、…第30周的销售量是31件、第31周的销售量是40件、第32周的销售量是48件。而且,该周(这里作为第32周)的累计销售量确定在周日的夜里。
累计购入量是将该商品的入货量进行累计的量。累计销售量是将到现在为止的销售量进行累计的量。库存量是根椐累计购入量-销售量-调整量而计算出的库存。此库存量也是每日更新。调整量是指由于销售之外的原因而导致库存减少的量,例如:损伤的商品、丢失的商品等的数量。从各销售店将这样的商品数据传出。
销售开始周是记录最初销售量不为0的周(即初次开始销售的周)。
而且,数据库8中不只存储如上所述的本年度的销售库存数据,也存储上一年度以前的销售业绩数据。图6表示上年度销售业绩数据的实例。虽然无图示,但是也同样存储上一年度以前的年销售业绩。4.进行销售预测计算机的硬件构成
图7表示销售预测计算机的硬件构成。基本的构成与主计算机一样。但是,在硬盘25中要存储用于销售预测的程序。而且,本实施例中,在年初(或者上一年度的年末)预先计算出用于进行销售预测的周指数(销售指数),并存储在硬盘52中。5.周指数的计算处理
图8表示在年初执行的周指数计算程序的流程图。首先,CPU50与数据库8接通,从上一年度的销售业绩数据中提取销售件数多的商品的数据(步骤S11)。此实施例中,在按照销售件数多的顺序将商品排列时,选择销售件数累计构成比超过70%的商品。这样,通过抽取使用销售件数多的商品的销售业绩数据,可以正确地把握销售变迁趋势。图9A表示抽取的上一年度的销售业绩的一个实例。
接着,对该销售业绩数据的商品按品目、按销售开始周进行分类(步骤S12)。这里,品目是指裙子、夹克衫、裤子等的商品群。例如:图9A数据中品号〔01〕只表示裙子的数据,夹克衫或裤子等其他的品目也存有同样存有数据。销售开始周是指该商品开始销售的周。即,开始销售达到一件以上的周。
图9A的数据中,第一行与第二行的商品的销售开始周是〔01〕(第一周)是一样的。因此,第一行与第二行的商品可以视为一类,将其销售业绩累加。如此被分类而得到的数据如图9B所示。这样,得到按品目、按销售开始周被分类的上一年度的业绩。
然后,CPU 50对各周的销售业绩数据,根据将前后一周作为销售开始周进行分类的销售数据算出平均Savg(Item,Ws,Wf)(步骤S13)。即,用下面的公式算出销售业绩的平均值。Savg(Item,Ws,Wf)=(S(Item,Ws-1,Wf)+S(Item,Ws+1,Wf)/3
这里,Item表示品号,Ws表示销售开始周。即,根据Item与Ws进行特定分类。Wf是将销售开始周作为〔第一周〕时的周数。Savg(Item,Ws,Wf)是根椐Item、Ws进行特定分类的第Wf周的销售业绩的平均值。S(X,Y,Z)是品目X的销售开始周为Y的分类中第Z周的销售业绩。
图10表示包括前后周的平均销售业绩。此图中,只表示到第七周为止的数据,在第八周以后也存在销售业绩的情况下,这些数据也被存储。这样,通过将包括前后周的销售业绩进行平均,即使因突发的原因销售业绩变化时,也由于将其平均化而能够减少其影响。
而且,本实施例,如后面将要述及的那样,是根椐销售开始周,进行商品的销售预测的。因此,最好将全部的周都作为任一种商品类的销售开始周。然而,对于无法得到充足的销售业绩数据的品目,对于特定的周,有时也无法得到将该周作为销售开始周的数据。例如:如图9A、B所示,将第四周作为开始周的商品是不存在的。然而,通过计算出包括将前后周作为开始周进行分类的平均销售业绩,能够如图10A所示得到数据。而且,将所有周的Savg(Item,Ws,Wf)的总和作为T(Item,Ws)存储。
如上所示,计算出如图10A所示的平均销售业绩之后,计算出各分类的周指数(销售指数)(步骤S14)。周指数Idex(Item,Ws,Wf)的计算,按下式进行。
Idex(Item,Ws,Wf)=Savg(Item,Ws,Wf)/T(Item,Ws)
根椐上述计算出的指数Idex(Item,Ws,Wf)的实例如图10B所示。
CPU50将与上述同样地计算出的2年前的周指数、3年前的周指数与上一年度的周指数一起进行加权平均(步骤S15)。本实施例中,将上一年、二年前、三年前的周指数分别进行5∶3∶2的加权算出平均值。图11表示三年度的周指数加权平均后的周指数。CPU50将该加权平均周指数存储在硬盘52上。
由于将三年间的周指数进行了加权平均,因此能够排除因特殊原因引起的销售变化,同时,能够作出反映最接近的销售倾向的指数。
如上所述,在销售预测计算机10的硬盘52上存储了用以进行销售预测的加权平均周指数。6.销售预测订货量的计算处理6.1条件设定
图12表示存储在销售预测计算机10的硬盘52中的销售预测订货量计算处理程序的流程。
首先,CPU50将各条件的设定画面在显示器54上显示,提示进行输入(步骤S21)。图13表示用以条件设定的画面。该画面中,可以按商品的材料类别,将其交付周期(从订货到到货所需的时间)作为周数输入进去。
K表示采用针织材料的商品、C表示主要采用裁片材料的商品、J表示用于训练的材料的商品、杂货表示靴子、围巾、帽子等商品。图例中,K的交付周期输入为4周、C的交付周期输入为3周、J的交付周期输入为3周、杂货的交付周期输入为3周。这些交付周期在决定订货量时使用。
另外,在缺货修正栏中,可以选择“有效”或“无效”。这里,缺货修正是指为了进行销售预测而计算上一周的销售业绩时,假设销售店因缺货无法进行销售的情况,并对销售业绩进行修正。如果设定为“有效”,则进行缺货修正。如果设定为“无效”,则不进行缺货修正。
预定库存周数栏是表示具有相当于几周的销售的库存的数值。在图中,指定了决定的库存量要有相当于4周的销售的量。
上述各信息被存储在硬盘52中,用于进行销售预测决定订货量的处理时。6.2销售预测
如上所述,进行条件设定后,进行销售预测(步骤S22)。
图14、图15表示销售预测处理的流程图。本实施例中,将该商品的销售业绩没有的情况下的销售预测(初次销售预测)和得到该商品的销售业绩后进行的销售预测(追加销售预测)分开处理。初次销售预测的流程如图14、追加销售预测的流程如图15所示。
初次销售预测中,首先,CPU50从数据库8中提取进行该销售预测的商品在本年度预先设定的销售目标(步骤S31)。该销售目标是根据该品牌的销售目标、商品的特性等决定的,存储在数据库8中。
接着,从数据库8中提取该商品的销售开始预定日。该销售开始预定日也是根椐商品的特性等被预先决定的,并被存储。根椐该销售开始预定日以及该商品的品目分类,判断该商品属于哪一类,并从硬盘52提取该分类的加权平均周指数(步骤S32)。
然后,CPU50根椐该商品的销售预定和加权平均指数来预测各周的销售SP(good wf)(步骤S33)。
SP(good wf)=ST×Idex(Item,Ws,Wf)
这里,SP(good wf)是关于商品good的从销售开始预定周到第wf周的预定销售数量。ST是该商品本期的全部预定销售目标,Idex(Item,Ws,Wf)是加权平均周指数。品目Item是该商品good所属的品目分类,销售开始预定周Ws是该商品good的销售开始预定周。即,将全部预定销售目标根据加权平均周指数分配到各周中,进行各周的销售预测。
CPU50将该销售预测存储到硬盘52中,同时以打印输出或数据等形式输出(步骤S34)。
这些处理是对作为进行销售预测的对象的全部商品进行的。通常,该处理在各商品的预定销售目标决定后,随时进行。从而,有关如图15所示的各商品的销售预测数据被存储到硬盘52中。图中SKU是特定各商品的代码。
如此计算出的各商品的销售预测,在各商品的销售业绩发生时,根据该销售业绩进行再计算。其处理如图16的流程所示。图16的销售预定处理通常在各周的最初的一天(本实施例中是星期一)进行。
CPU50首先从数据库8提取各商品的业绩数据(步骤S41)。并且根椐取得的数据,计算消化率等。图17A表示取得的业绩数据的实例。这些数据接收来自各销售店或物流中心等的数据,通过服务器计算机进行集成,存储到数据库8中。
〔品号〕〔SZ〕〔COL〕分别表示商品的品号、尺寸、颜色,根据这些可以特定各商品。使这三项组合,成为前述SKU。在材料名中,将前述K、C、J、杂货的区分进行存储。在销售开始周中将该商品的销售开始周存储。“价格”是销售店的标准销售价格。
“5周前”的栏中,存储5周以前的周的销售量。“4周前”、“3周前”、“上上周”、“上周”分别是4周前、3周前、上上周、上周的销售量。“购入累计”是该商品到上周为止购入件数的累计。“销售累计”是该商品的至上周为止的销售件数的累计。“周末库存”是上周末时的库存。“本周到货”是已订货并预定在本周到货的数量。同样,“下周到货”、“3周后到货”、“4周后到货”分别是预定在下周、3周后、4周后到货的数量。
CPU50根椐购入累计和销售累计算出在购入的件数内占多少的比率被销售出去(消化率),存储在“累计消化率”栏中。再根椐上周的购入件数和上周的销售件数,算出在购入的件数内占多少的比率被销售出去(单周消化率),存储在“单周消化率”栏中。本实施例中,将上周销售除以周末库存与上周销售之和而求出单周消化率。
然后,CPU50对图13中设定的缺货修正是否有效进行判断(步骤S42)。如果无效,则不进行缺货修正,进入步骤S45。设定的缺货修正为有效时,则执行步骤S43以下的步骤,进行缺货修正。
任何销售店都曾发生过由于该商品的销售超出预定目标,因库存不足而无法销售这样的缺货的事例。因这样的事例产生的销售业绩无法反映出本来的状况,一旦以此来进行销售预测,就可能导致错误的预测结果。所以,在这样的情况下,要对用于进行销售预测的销售业绩进行修正。在本实施例中称之为缺货修正。
CPU50首先在步骤S43中推测这样的缺货是否发生。本实施例中,根椐累计消化率和单周消化率来推测缺货的有无。即,如果累计消化率超过60%,单周消化率也超过60%,则判断某一销售店发生了缺货。
如果判断没有产生缺货,则进入步骤S45。判断发生了缺货时,按照以下公式对上周的销售业绩进行修正(步骤S44)。
上周销售=((上周销售/0.6)-(周末库存+上周销售))×0.6+上周销售
因此,图17A的第一行的商品的上周销售被修正为386.4(参照缺货修正销售栏)。而且,不满足上述条件的第二行、第三行的商品的上周销售就没被修正,仍然是277、241。
接着,CPU50按照以下公式对各商品计算出n周以后的销售预测值SG(good,n)。
SG(good,n)=(SG(good)/Index(Item,Ws,Wc-1))×Index(Item,Ws,Wc+n)
这里,SG(good)是上周的销售业绩(在有缺货修正时,是修正后的量)。Index(Item,Ws,Wc-1)是商品Item、开始周分类Ws的上周Wc-1的周指数。Wc表示本周,Wc+n表示从本周到n周以后的周。本实施例中,将本周作为第39周。而且,n在0~6变化,从而进行从本周开始到6周期间的各周的销售预测。对各商品进行预测。
而且,用于预测周指数(3年加权平均)的实例如图17B所示。计算出的各周的销售预测如图18所示。从“39周”(本周)到“45周”为止的销售预测也被算出。6.3需要订货量的计算
如上所述,以初期或追加方式计算出各周的销售预测后,CPU50算出需要订货量(图12的步骤S23)。
图19模拟地表示本实施例中用以计算需要订货量的思考方式。从本周(39周)开始订货的商品在交付周期LT后的42周(可以控制的开始周)到货。该交付周期LT是图13中设定的。
本实施例中,由本周(39周)决定本周的订货量,以便在该商品的交付周期LT中的最后一周(42周)开始时,使库存保持与前4周中的销售预测一致。将库存保持与前几周中的销售预测一致称为预测库存周数。即,本实施例中,预测库存周数为4。换言之,根据销售预测,确保库存量能够达到未来4周的销售。
该需要订货量的计算程序的流程如图20所示。CPU50对从本周(39周)到可以控制开始周(42周)的该商品的销售预测值进行总和计算,作为〔销售预测1〕(步骤S51)。例如:如图18所示,对于第一行的商品,将从39周~41周的销售预测进行总和计算,得出773,被存储。
接着,对上述同期间的到货预定数进行总和计算(步骤S52)。即,对于该商品,将已经订货但尚未到货的数量进行总和计算,作为“在制品1”。而且,它可以根据被存储在数据库8中的各商品的订货记录与到货记录得出。图18中,“在制品1”作为1100被算出并被存储。
接着,将可以控制开始周(42周)开始时刻的库存量作为“库存1”算出来(步骤S53)。该“库存1”可以通过在上周末的库存中加上“在制品1”再减去“销售预测1”而算出。
接着,从可以控制开始周(42周)开始,对预定库存周数期间的销售预测进行总和计算(步骤S54)。即对42周~45周为止的销售预测进行总和计算。继续,从“在制品库存合计”中减去“在制品1”,算出“在制品2”(步骤S55)。这里,“在制品库存合计”称为现在对于该商品进行在制(已订货尚未到货的状态)的数量。即,“在制品2”表示可以控制开始周以后到货预定的在制品。
如果库存1大于0,CPU50按以下公式计算“订货额度”(步骤S56、S57)。
〔订货额度〕=〔销售预测2〕-(〔库存1〕+〔在制品2〕)
另外,如果“库存1”小于0,则按以下公式计算订货额度(步骤S56、S58)。
〔订货额度〕=〔销售预测2〕-〔在制品2〕
上述计算的结果订货额度如果大于1,则本次的订货量作为该订货额度(步骤S59、S60)。订货额度如果小于0,则本次不进行订货(步骤S59、S61)。
图18表示算出的订货额度与订货量的实例。第一行的商品、第二行的商品,本次无订货。第三行的商品显示要进行270件的订货。
算出的订货量等被输出到数据库中进行存储,同时将其打印输出。并且,通过主计算机6,传输到生产厂家3。生产厂家3接受订货并进行生产(参照图1)。
而且,上述中,订货额度=订货量,但是也可以将订货额度作为上限,而订货量由人来定。
上述中,是对生产厂家3在线传输订货指示,但是也可以通过存储介质或打印输出用纸传送订货指示。7.其他的实施方式
(1)上述实施例是以服装商品为例进行说明的,也适用于其他的从生产到销售的管理可以有效进行的商品,例如工业制品、加工食品等。特别是对于采购管理非常重要的商品,例如放在小型无人管理商店中这样的商品,也可以用于其订货管理。
(2)上述实施例中,根据销售预测计算出订货量,也可以根据销售预测决定生产量、采购量、购置量等。
(3)上述实施例中,算出了销售预测数,也可以算出销售量、销售额等。
(4)上述实施例中,对于该商品的初次订货也根椐销售预测算出了订货量,然而也可以通过其他方法决定初次订货量(例如从整体计划中细分类等),而只根据销售预测决定追加订货量。
Claims (36)
1.一种根据过去的销售业绩来预测未来的销售状况的销售预测装置,其特征在于,
取得各交易对象的销售业绩;
根据所述销售业绩,将各交易对象的销售时间至少作为一项指标,对各个交易对象进行分类;
根据进行预测的交易对象的销售时间,判断进行该预测的交易对象属于哪一类;以及
对进行预测的交易对象,根据与进行预测的时间有类似属性的过去的对应时间中该交易对象类的销售业绩,计算出该交易对象的销售预测。
2.一种根据过去的销售业绩来预测未来的销售状况的销售预测装置,其特征在于,
对将各交易对象的销售时间作为至少一项指标进行分类的交易对象,形成与记录各类的销售业绩的存储单元可以进行存取的结构,
根据进行预测的交易对象的销售时间,判断进行该预测的交易对象属于哪一类;以及
对进行预测的交易对象,从前述存储单元读取与进行预测的时间有类似属性的过去的对应时间中该交易对象类的销售业绩,根据该销售业绩,对该交易对象进行销售预测。
3.如权利要求1所述的销售预测装置,其特征在于,
进行所述预测的时间是各规定的单位时间,对于该各规定的单位时间中的多个单位时间,计算出销售预测。
4.如权利要求2所述的销售预测装置,其特征在于,
进行所述预测的时间是各规定的单位时间,对于该各规定的单位时间中的多个单位时间,计算出销售预测。
5.如权利要求3所述的销售预测装置,其特征在于,
所述销售预测至少算出各单位时间中相对的销售比率。
6.如权利要求4所述的销售预测装置,其特征在于,
所述销售预测至少算出各单位时间中相对的销售比率。
7.如权利要求5所述的销售预测装置,其特征在于,
根据所述多个单位时间中已取得销售业绩的经过的单位时间的相对销售比率以及经过的销售业绩、进行销售预测的未经过的单位时间的相对销售比率,对于未经过的单位时间进行销售预测。
8.如权利要求6所述的销售预测装置,其特征在于,
根据所述多个单位时间中已取得销售业绩的经过的单位时间的相对销售比率以及经过的销售业绩、进行销售预测的未经过的单位时间的相对销售比率,对于未经过的单位时间进行销售预测。
9.如权利要求7所述的销售预测装置,其特征在于,
采用最近经过的单位时间作为所述经过的单位时间。
10.如权利要求8所述的销售预测装置,其特征在于,
采用最近经过的单位时间作为所述经过的单位时间。
11.如权利要求7所述的销售预测装置,其特征在于,
采用多个单位时间作为所述经过的单位时间。
12.如权利要求8所述的销售预测装置,其特征在于,
采用多个单位时间作为所述经过的单位时间。
13.如权利要求7至12的任一项所述的销售预测装置,其特征在于,
对于所述经过的单位时间的销售业绩,根据进货与销售来推测是否库存不足,当判断库存不足时,可以采用修正了所述销售业绩的修正销售业绩进行销售预测。
14.如权利要求3至12的任一项所述的销售预测装置,其特征在于,
所述规定的单位时间是时刻、时间段、日、周、月或年。
15.如权利要求1所述的销售预测装置,其特征在于,
所述对应的时间是与进行预测的时间对应的前一年以前、前一个月以前或前一天以前的时间。
16.如权利要求2所述的销售预测装置,其特征在于,
所述对应的时间是与进行预测的时间对应的前一年以前、前一个月以前或前一天以前的时间。
17.如权利要求1所述的销售预测装置,其特征在于,
所述对应的时间的类似属性包括日、月、周、星期、时刻或气候的共通性。
18.如权利要求2所述的销售预测装置,其特征在于,
所述对应的时间的类似属性包括日、月、周、星期、时刻或气候的共通性。
19.如权利要求15至18的任一项所述的销售预测装置,其特征在于,
采用多个对应的时间的销售业绩进行销售预测。
20.如权利要求1至12的任一项所述的销售预测装置,其特征在于,
将进行该预测的交易对象所属的分类的销售时间的前和/或后的时间作为销售时间的其他分类的销售业绩也考虑在内,进行销售预测。
21.如权利要求1至12的任一项所述的销售预测装置,其特征在于,
根据所述交易对象的多个时间全体的销售预测与该交易对象所属的交易对象分类的前述对应时间中的销售业绩的变迁,算出各单位时间的该交易对象的销售预测。
22.如权利要求1所述的销售预测装置,其特征在于,
根据算出的销售预测,算出该交易对象需要的购入量,并输出要购入的订货数据。
23.如权利要求2所述的销售预测装置,其特征在于,
根据算出的销售预测,算出该交易对象需要的购入量,并输出要购入的订货数据。
24.如权利要求22所述的销售预测装置,其特征在于,
将所述规定的单位时间设定为比该交易对象从订货至到货所需的交付周期还要短。
25.如权利要求23所述的销售预测装置,其特征在于,
将所述规定的单位时间设定为比该交易对象从订货至到货所需的交付周期还要短。
26.如权利要求24所述的销售预测装置,其特征在于,
所述需要的购入量的计算是计算考虑到所述交付周期的未来的单位时间需要的购入量,未来的单位时间需要的购入量根据所述销售预测进行。
27.如权利要求25所述的销售预测装置,其特征在于,
所述需要的购入量的计算是计算考虑到所述交付周期的未来的单位时间需要的购入量,未来的单位时间需要的购入量根据所述销售预测进行。
28.如权利要求26或27所述的销售预测装置,其特征在于,
对于所述未来的单位时间需要的购入量,通过决定该单位时间中的预测库存量,以使与从该单位时间到先前规定个数的单位时间段的预测销售的总和相等或形成规定的关系,从而根据该预测库存量决定所述购入量。
29.如权利要求1至12的任一项所述的销售预测装置,其特征在于,
所述交易对象因季节不同,销售产生变动。
30.如权利要求1至12的任一项所述的销售预测装置,其特征在于,
根据其属性对所述交易对象进行分类,通过该属性与所述销售时间的组合,被分类。
31.如权利要求1至12的任一项所述的销售预测装置,其特征在于,
用于所述分类的销售时间为销售开始时间。
32.一种使用计算机实现销售预测装置的销售预测程序,其特征在于:进行以下处理:
取得各交易对象的销售业绩,
根据所述销售业绩,将各交易对象的销售时间至少作为一项指标,对各个交易对象进行分类;
根据进行预测的交易对象的销售时间,判断进行该预测的交易对象属于哪一类;以及
对进行预测的交易对象,根据与进行预测的时间有类似属性的过去的对应时间中该交易对象类的销售业绩,算出该交易对象的销售预测。
33.一种存储权利要求32所述的程序的存储介质。
34.一种使用计算机实现销售预测装置的销售预测程序,其特征在于:进行以下处理:
根据进行预测的交易对象的销售时间,判断进行该预测的交易对象属于哪一类;
对于将各交易对象的销售时间作为至少一项指标进行分类的交易对象,向存储各类的销售业绩的存储单元进行存取;以及
对进行预测的交易对象,从所述存储单元读取与进行预测的时间有类似属性的过去的对应时间中的该交易对象类的销售业绩,根据该销售业绩,对该交易对象进行销售预测。
35.一种存储权利要求34所述的程序的存储介质。
36.一种销售预测方法使用计算机,根据过去的销售业绩来预测未来的销售状况,其特征在于,
取得各交易对象的销售业绩,
根据进行预测的交易对象的销售时间,判断进行该预测的交易对象对应已知的哪一类交易对象;以及
对进行预测的交易对象,根据与进行预测的时间有类似属性的过去的时间中的该交易对象的销售业绩,对该交易对象进行销售预测。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2001361058A JP2003162619A (ja) | 2001-11-27 | 2001-11-27 | 売り上げ予測装置および方法 |
JP361058/2001 | 2001-11-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1423215A true CN1423215A (zh) | 2003-06-11 |
Family
ID=19171776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN02152758A Pending CN1423215A (zh) | 2001-11-27 | 2002-11-27 | 销售预测装置及销售预测方法 |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP2003162619A (zh) |
KR (1) | KR20030043678A (zh) |
CN (1) | CN1423215A (zh) |
SG (1) | SG108883A1 (zh) |
TW (1) | TW200300536A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228432A (zh) * | 2016-07-31 | 2016-12-14 | 乐视控股(北京)有限公司 | 业务操作时间的生成方法及系统 |
WO2017124567A1 (zh) * | 2016-01-24 | 2017-07-27 | 赵政荣 | 根据销售数据备货时的信息推送方法以及备货系统 |
WO2017124566A1 (zh) * | 2016-01-24 | 2017-07-27 | 赵政荣 | 根据销售情况备货技术数据的统计方法以及备货系统 |
CN108320171A (zh) * | 2017-01-17 | 2018-07-24 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
CN109472623A (zh) * | 2018-11-05 | 2019-03-15 | 海尔电器国际股份有限公司 | 合同管理方法 |
CN109544217A (zh) * | 2018-11-05 | 2019-03-29 | 海尔电器国际股份有限公司 | 合同管理方法 |
CN109784984A (zh) * | 2018-12-26 | 2019-05-21 | 广东工业大学 | 一种生鲜门店智能订货系统 |
WO2019109790A1 (zh) * | 2017-12-08 | 2019-06-13 | 北京京东尚科信息技术有限公司 | 销量预测方法、装置和计算机可读存储介质 |
CN110084457A (zh) * | 2018-01-26 | 2019-08-02 | 东芝泰格有限公司 | 信息提供装置及其控制方法、计算机可读存储介质、设备 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100456134B1 (ko) * | 2003-06-17 | 2004-11-10 | 김성수 | 판매되지 않은 소멸성 재화의 판매를 위한 일방시한쿠폰운용방법 |
US20050021461A1 (en) * | 2003-07-22 | 2005-01-27 | Flake Gary William | Term-based concept market |
KR100795751B1 (ko) * | 2006-01-20 | 2008-01-17 | 주식회사풀무원 | 관능평가를 통한 매출액 예측시스템 및 그 예측시스템의 매출액 예측방법 |
KR100791951B1 (ko) * | 2006-05-25 | 2008-01-04 | 이훈영 | 케이스기반 예측방법 |
JP5344561B2 (ja) * | 2008-11-27 | 2013-11-20 | キヤノンItソリューションズ株式会社 | 自動販売機運用支援装置、自動販売機運用支援方法およびプログラム |
JP6541242B2 (ja) | 2016-02-10 | 2019-07-10 | 富士フイルム株式会社 | 商品設計支援装置及び商品設計支援方法 |
CN106203682A (zh) * | 2016-06-29 | 2016-12-07 | 东南大学 | 酒店一次性用品需求预测方法及订单系统 |
WO2018008303A1 (ja) * | 2016-07-08 | 2018-01-11 | 日本電気株式会社 | 機会損失算出システム、機会損失算出方法および機会損失算出プログラム |
US20200202368A1 (en) * | 2017-08-28 | 2020-06-25 | The Coca-Cola Company | Product assortment optimization |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU5098890A (en) * | 1989-02-17 | 1990-09-05 | A.C. Nielsen Company | Retail shelf inventory system |
JPH05120314A (ja) * | 1991-10-30 | 1993-05-18 | Nec Software Kansai Ltd | 売上予測・発注管理方式 |
JPH05216905A (ja) * | 1991-12-13 | 1993-08-27 | Nec Corp | 需要予測に基づく在庫管理方式 |
JPH05181832A (ja) * | 1992-01-06 | 1993-07-23 | Hokkaido Nippon Denki Software Kk | 売上予測方法および売上予測システム |
JPH08115369A (ja) * | 1994-10-17 | 1996-05-07 | Hitachi Ltd | 販売量予測方式 |
JPH08278959A (ja) * | 1995-04-07 | 1996-10-22 | Hitachi Ltd | 時系列販売推移カーブを用いた商品販売予測 |
JPH09259192A (ja) * | 1996-03-26 | 1997-10-03 | Kobe Steel Ltd | 発注量決定装置 |
JPH11203361A (ja) * | 1998-01-14 | 1999-07-30 | Nec Corp | 生産計画案簡易算出方式 |
JPH11272743A (ja) * | 1998-03-19 | 1999-10-08 | Fujitsu Ltd | 注文データ入力システムおよび記憶媒体 |
US6341271B1 (en) * | 1998-11-13 | 2002-01-22 | General Electric Company | Inventory management system and method |
WO2000067191A2 (en) * | 1999-05-05 | 2000-11-09 | Bios Group Lp | A method for predicting product demand using self-organizing demand loops |
JP2001084239A (ja) * | 1999-09-13 | 2001-03-30 | Toshiba Corp | 商品販売数量の分析方法、その予測方法、商品発注量の決定方法、及びプログラムを記憶した記憶媒体 |
JP2001209674A (ja) * | 2000-01-25 | 2001-08-03 | Toyota Motor Corp | 商品価値評価装置 |
US20030130975A1 (en) * | 2000-01-27 | 2003-07-10 | Carole Muller | Decision-support system for system performance management |
WO2001077936A2 (en) * | 2000-04-10 | 2001-10-18 | Forestfactory, Inc. | Electronic system and method for end to end operation and management of industry supply chain |
-
2001
- 2001-11-27 JP JP2001361058A patent/JP2003162619A/ja active Pending
-
2002
- 2002-11-20 KR KR1020020072310A patent/KR20030043678A/ko not_active Application Discontinuation
- 2002-11-27 SG SG200207171A patent/SG108883A1/en unknown
- 2002-11-27 TW TW091134560A patent/TW200300536A/zh unknown
- 2002-11-27 CN CN02152758A patent/CN1423215A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017124567A1 (zh) * | 2016-01-24 | 2017-07-27 | 赵政荣 | 根据销售数据备货时的信息推送方法以及备货系统 |
WO2017124566A1 (zh) * | 2016-01-24 | 2017-07-27 | 赵政荣 | 根据销售情况备货技术数据的统计方法以及备货系统 |
CN106228432A (zh) * | 2016-07-31 | 2016-12-14 | 乐视控股(北京)有限公司 | 业务操作时间的生成方法及系统 |
CN108320171A (zh) * | 2017-01-17 | 2018-07-24 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
CN108320171B (zh) * | 2017-01-17 | 2020-11-03 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
WO2019109790A1 (zh) * | 2017-12-08 | 2019-06-13 | 北京京东尚科信息技术有限公司 | 销量预测方法、装置和计算机可读存储介质 |
CN109903064A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 销量预测方法、装置和计算机可读存储介质 |
CN110084457A (zh) * | 2018-01-26 | 2019-08-02 | 东芝泰格有限公司 | 信息提供装置及其控制方法、计算机可读存储介质、设备 |
CN109472623A (zh) * | 2018-11-05 | 2019-03-15 | 海尔电器国际股份有限公司 | 合同管理方法 |
CN109544217A (zh) * | 2018-11-05 | 2019-03-29 | 海尔电器国际股份有限公司 | 合同管理方法 |
CN109784984A (zh) * | 2018-12-26 | 2019-05-21 | 广东工业大学 | 一种生鲜门店智能订货系统 |
Also Published As
Publication number | Publication date |
---|---|
SG108883A1 (en) | 2005-02-28 |
KR20030043678A (ko) | 2003-06-02 |
JP2003162619A (ja) | 2003-06-06 |
TW200300536A (en) | 2003-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1423215A (zh) | 销售预测装置及销售预测方法 | |
US20140025422A1 (en) | Business partner collaboration and buy analysis | |
US20110040612A1 (en) | Machine learning for computing and targeting bids for the placement of advertisements | |
US20100145831A1 (en) | Automated data management system | |
JP5611254B2 (ja) | 需要予測装置およびプログラム | |
CN1633660A (zh) | 采用按照产品有效期改变的产品价格的销售方法和系统 | |
CN1849617A (zh) | 用于解决需求与供应不平衡的优化方法、系统和存储介质 | |
US7398130B2 (en) | Ordering/order receiving system | |
CN1423222A (zh) | 基于动态的商品分选系统及商品分选方法 | |
CN1371074A (zh) | 定货组装生产系统和方法 | |
JP2021056839A (ja) | 電子商取引装置、電子商取引方法及びコンピュータプログラム | |
JP5758425B2 (ja) | 需要予測装置およびプログラム | |
JP6943253B2 (ja) | Sku数を決定するサーバ、システム、方法およびプログラム | |
JP7044066B2 (ja) | 品揃推奨装置、品揃推奨方法および品揃推奨プログラム | |
JP5847137B2 (ja) | 需要予測装置及びプログラム | |
CN107085770B (zh) | 大宗商品风险识别方法及系统、业务数据推送方法及系统 | |
JP2010003112A (ja) | 経営支援装置及び経営支援方法 | |
KR20030043676A (ko) | 발주 관리 시스템 | |
JP5819363B2 (ja) | 需要予測装置およびプログラム | |
JP2014170413A (ja) | 需要予測装置およびプログラム | |
JP2007272853A (ja) | 農産物生産・流通システム | |
JP2016012321A (ja) | 需要予測装置およびプログラム | |
AU2019100424B4 (en) | Ledgered Supply Chain Geolocation | |
JP6918321B1 (ja) | 商品の発注数を決定する方法、システム及びプログラム | |
JP5756485B2 (ja) | 需要予測装置およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1053374 Country of ref document: HK |