CN1776729A - 开展商品和服务预测的方法和系统 - Google Patents

Abstract

开展商品和服务预测的方法、系统和存储介质。本方法包括识别其特征类似于将要预测的新的或替代商品或服务的当前或先前的若干商品或服务。本方法进一步包括获取与当前或先前的商品或服务关联的交付数据，以及对应发布和撤回的时间段，调整当前或先前商品或服务的交付量数据，形成修改后的交付数据。使用修改后的数据，连同计划的发布和撤回日期和预测的时间段，以及与使用期限中新的或替代商品或服务关联的总量指标，本方法包括将当前或先前商品或服务的生命周期模式转换成新的或替代商品或服务的生命周期预测。

Description

开展商品和服务预测的方法和系统

技术领域

一般说来，本发明涉及若干预测工具，更具体地说，涉及部分地根据生命周期分析，开展商品和/或服务预测的方法、系统和存储介质。

背景技术

可靠地预测新的或替代商品或服务需要完全和详细地理解根据若干需求因素而交付所述商品和服务有关的生命周期模式。典型情况下，生命周期遵循三个主要阶段：成长、成熟及衰落。在这些阶段的历程中，商品和服务在其各自的生命周期中经历若干变化是极为寻常的。此外，每个阶段的实际持续时间以及所述生命周期曲线的顶点取决于多种因素。

涉及新的或替代商品或服务的常规方法在本质上分为定性的和定量的。定性技术包括意见驱动评估(即自下而上、自上而下或Delphi)、市场研究(即首要的和次要的)、情形、历史模拟以及专家判断，这仅是几个例子。定性方法需要判断，可能是主观的，而且常常被人类情感或信仰所左右。定量技术一般包括使用平均值(即简单的或加权的)、指数平滑、趋势外推的模型，统计即随机模型以及时间序列。定量方法常用回归分析或其他数学运算。

标准的历史模拟技术包括识别一种或多种历史商品或服务，它们在与所述新的或替代商品或服务类似的生命周期中表明的时间框架或者说使用期限长度相同。所述新的即下一代产品或服务的使用期限比先前的产品或服务短。在传统的定量方法中，随着生命周期持续时间缩短，统计预测的精度降低。标准的历史模拟技术在产生预测时未能考虑到这些变化。因此，所需要的方法应当协调完全不同的时间框架，包括为若干产品和若干服务弥合不同的使用期限，以便产生单一的连贯预测。

发明内容

示范实施例涉及开展商品和服务预测的方法、系统和存储介质。本方法包括识别当前或先前的若干商品或服务，其特征类似于将要预测的新的或替代商品或服务。本方法进一步包括获取当前或先前的商品或服务所关联的交付数据，以及对应发布和撤回的时间段，调整当前或先前商品或服务的交付量数据，形成修改后的交付数据。使用修改后的数据，连同计划的发布和撤回日期和预测的时间段，以及使用期限中新的或替代商品或服务所关联的总量指标，本方法包括将当前或先前商品或服务的生命周期模式转换成新的或替代商品或服务的生命周期预测。

附图简要说明

参考附图从下面本发明优选实施例的详细说明，将更好地理解本发明前述的和其他目标、方面以及优点，其中：

图1是展示本系统架构的示意图，在示范实施例中在该架构上实施新的或替代商品或服务的生命周期分析预测；

图2是一幅流程图，描述了示范实施例中基于生命周期分析的新的或替代商品或服务的预测过程；

图3是一个模板，展示了示范实施例中对当前或先前商品或服务的累积交付百分比计算；

图4是一个模板，展示了示范实施例中对当前或先前商品或服务计算的线性调节计算；

图5是一个模板，展示了示范实施例中对当前或先前商品或服务的周需求偏差调节计算(以月时间段)；

图6是一个模板，展示了示范实施例中对当前或先前商品或服务的周需求偏差调节计算(以季时间段)；

图7是一个模板，展示了示范实施例中对当前或先前商品或服务的月需求偏差调节计算(以季时间段)；

图8是一个模板，展示了示范实施例中根据新的或替代商品或服务的预测使用期限，对当前或先前的商品或服务进行的生命周期百分比计算；

图9是一个模板，展示了示范实施例中对新的或替代商品或服务的预测量计算；

图10是一个模板，展示了示范实施例中对新的或替代商品或服务的线性调节计算；

图11是一个模板，展示了示范实施例中对新的或替代商品或服务的周需求偏差调节计算(以月时间段)；

图12是一个模板，展示了示范实施例中对新的或替代商品或服务的周需求偏差调节计算(以季时间段)；

图13是一个模板，展示了示范实施例中对新的或替代商品或服务的月需求偏差调节计算(以季时间段)；

图14是示范实施例中生命周期需求模式和预测量的图形表达。

具体实施方式

使用预测决策支持系统开展商品或服务的预测。所述预测决策支持系统采用部分基于(使用交付量信息)对若干相似商品或服务生命周期分析的过程。所述预测决策支持系统的若干方法用每周和每月数据，并且考虑到所述数据之内的任何需求偏差，为新的或替代商品或服务开展中长期预测。在商品或服务向市场发布之前，预测决策支持系统的方法可靠地预测所述新的或替代商品或服务的需求模式。

所述预测决策支持系统过程足够稳健地应对多种动态商业环境，并且可跨越多种商业模型、商业单位、商品或服务。这种过程的一个效果是当客户需要商品或服务时即可得到。可靠的和可运作的预测通过本方法产生，并且被设计为驱动整体商业运行，其中包括所述商品或服务的使用期限期间所需投资的合理测定，以及维持销售量所需现金流的测定。应当承认，所述预测决策支持系统可以用于各种应用，包括需求管理、销售、营销、预测、订单管理、制造、服务业、公共事业供应商以及顾问领域。

为清楚起见，本文提供的多种术语定义如下。

商品。商品是指某种制造的有形实体，具有经济使用价值，满足经济需要，或拥有内在价值(财政文据除外)，并且能够以货币或其他补偿而换取。

服务。服务是指有益的劳动、活动、或公用事业(如法律、咨询、通信、运输、天然气、电力、燃油、水等)。服务能够以货币或其他补偿而换取。

交付。交付是指因为货币或其他补偿，从销售商至采购者的商品或服务的合法传递或安装。

先前商品或服务。先前商品或服务是指已经到达其经济生命终点，或者已经撤出市场，并且已经由新的或替代商品或服务取代的商品或服务。先前商品或服务的交付数据基于历史记录。

当前商品或服务。当前商品或服务是指已经越过了其需求峰值但是尚未到达其经济生命终点的当前现有商品或服务。当前商品或服务的交付数据被划分为两部分，即迄今为止的交付历史记录和基于剩余生命周期的估计支付预测。

使用期限，使用期限是发布日期和撤回日期之间的持续时间。所述使用期限被划分为若干时间段(即几周、几个月、几个季度等)，与采集和汇总支付数据的方法有关。

估计支付预测。当前商品或服务的估计支付预测基于以下准则：所完成使用期限的百分比、剩余支付量、所述剩余支付量的分布以及剩余的时间段数。对当前商品或服务计算支付百分比要求对所述剩余生命周期的支付数据进行估计。

新商品或服务。新商品或服务是最近已经发布的和首次出现的商品或服务。“新”商品或服务不是“替代品”。

替代商品或服务。替代商品或服务是指部分地或整体地或者顺序地或重叠(如某种程度的并发)，或者代替当前商品或服务，或者接替先前商品或服务。替代商品或服务不是“新的”，而是或是替代品(即等价于替换)或是改进版本。

生命周期。生命周期是指商品或服务的发展、成长并适应市场条件的独特现象，或者说从一种主要形式向相似替代形式发展的连续变化序列。

生命周期百分比。生命周期百分比是指商品或服务在特定时间段的交付数据除以其整个生命周期中支付总量的结果。

需求偏差，从一个时间段到下一个购买商品或服务的不对称需求，基于价格、市场交流、促销活动以及其他动机，并与购买力结合。

预测新商品和服务，以及(在较小程度上)替代商品和服务可能是困难的过程。尽管未来需求假设了某种程度的不确定性，预测模型还是能够为未来需求模式提供商业洞察力。所述预测决策支持系统系统地使用交付数据，提供了优于其他预测技术的优势。此外，由所述预测决策支持系统支持的方法，通过根据早期交付数据调节预测的量和/或权，可以适于更新所述预测，通常在与新的或替代商品或服务所关联的最初几个时间段之内。

如果用于迅速增长的材料清单(BOM)结构，本方法能够对使用期限中所需商品或服务组件量、服务的连续性以及以适当的商品在途时间规划资源提供信息服务。本方法帮助决策者和计划者制定时间表、洽谈合同、开展营销活动、进行基础建设投资以及计划雇佣活动。本方法也可应用于以按单生产、备货型生产或按单组装等制作方法制造的商品。本方法以相关联的工具、系统架构以及存储介质令其具有结果的自动化以及图形显示。

本方法通过以规格化技术和数学精确度，使用历史模拟、时间序列数据以及需求偏差信息，整合了定性和定量方法的功效。本方法的内部假设包括：交付数据可靠；无法意料或独特的情况能够受到决策行动的影响；导出的预测对商品或服务的未来生命周期具有适当的符合程度。

本方法允许预测可以同时或顺序交付的补充商品和服务。这能够表示为“父-子”对。“父”预测具有的曲线类似于“子”预测。例如，所述对硬件产品(父商品)的交付量可以对软件(子商品)以及学习约定(子服务)激发类似的需求模式。由于“父”交付与“子”需求之间的转换率，“子”预测量可能不同于“父”预测量。

本方法适于季节性商品和服务。加权方案根据每种历史需求模式的有效性，允许对一种或多种模式分配比其他模式更高的权重。例如，由于在该商品或服务交付中的非正常情况，一种模式相对于其他模式可能具有较低的权重(即在交付数据的过去五年期间，第四年的天气凉爽得出奇，因此第四年的交付数据具有的权重将低于其他四年)。

所述定量技术领域中的初始问题之一是如何通过加入发布(第一个)和撤回(最后一个)时间段之内的需求偏差，对这些时间周期调整当前和先前商品和服务的交付信息。本方法涉及这个问题，不论其时间框架和生命周期的长度如何，都把交付信息变换到新的或替代商品或服务的生命周期百分比。此外，本方法进一步对每种当前或先前的商品和服务中变化的需求偏差百分比进行补偿，并且使用户对新的或替代商品或服务生命周期的每个时间段，包括发布时间段和撤回时间段，能够预测出更准确的预测量。

需求模式可以是均匀的，向右或向左偏差，或者拥有双模态或多模态分布。传统的方法寻求统计学的严格，它在若干独特需求模式中不可以因式分解。本方法提供一种简单的、非统计学的预测模型，不凭借最小平方或回归分析。这种简洁性与图形表达能力一起为需求预报员提供了没有技术术语的更加直观的模型。在商品或服务的实际执行或首次展示中，实施了库存量和其他资源的最优化，这是由于在有微小需求变化的许多情况下，这些情形必须在这些特定时刻处理。从预测识别了与边界条件不符的情况后，就能够启动若干措施修正此不平衡状态。

现在转向图1，现在将说明为新的或替代商品或服务系统实施生命周期分析预测的网络系统100。系统100包括主机系统即服务器130，它执行企业资源计划(ERP)应用110，内含三个组件：(1)需求管理组件112，(2)交付历史组件114，(3)生命周期分析组件116。所述ERP应用110和组件112-116本文中统称为预测决策支持系统。为了展示的缘故，非网组件(即112-116)可以采用IBM的Lotus 1-2-3^TM电子表格、DB2数据库或其他适当的数据密集型操作程序。ERP应用110集成了组件112-116的功能，如在此所述。

需求管理组件112包含系统100所属企业批准的预测模型和参数。这个组件112还提供图14体现的图形表达能力。根据示范性实施例，需求管理部件112由需求管理团队和营销团队管理。

交付历史组件114包含当前和/或先前商品或服务的交付数据。这个组件114包括输入数据库，用于接收累积交付百分比计算(见图3)。根据示范性实施例，交付历史组件114由销售团队、商务伙伴团队和客户团队更新。

生命周期分析组件116提供生命周期分析模板、参数以及计算(见图3至13)。在所有模板中计算都可以舍入到整数级别(即不保留小数)。在所述模型之内使用当前商品或服务的情形下，需求计划者估算剩余时间段的交付量(见图3)。根据示范性实施例，生命周期分析组件116由需求管理团队管理。

主机系统130可以通过网络120连接到客户系统150-180或其他网络。图1描绘的主机系统130可以使用一台或多台服务器实施，它们响应服务器可访问的存储介质中存储的计算机程序而运行。主机系统130可以作为与所述客户系统150-180通信的网络服务器(如环球网服务器)运行。主机系统130处理向客户系统150-180的发送信息以及从其接收信息，并且能够执行相关联的任务。主机系统130执行在商业企业中建立的各种典型应用。

主机系统130还可以包括防火墙，以预防对所述主机系统130的未授权访问，并加强对授权访问的所有限制。例如，系统管理员可以访问整个系统并且有修改系统中若干部分的权力。可以使用常规的硬件和/或软件实施防火墙，正如业内公知。

主机系统130还可以作为应用服务器运行。主机系统130执行一个或多个计算机程序，以实施预测决策支持系统的过程和相关的功能。如上所述，应当理解，可以利用分开的服务器实施网络服务器的功能和应用服务器的功能。作为替代，网络服务器、防火墙以及应用服务器可以由单一服务器实施，它执行若干计算机程序完成必要的若干功能。

网络120可以是任何已知类型的网络，包括但是不限于广域网(WAN)、局域网(LAN)、全球网(如因特网)、虚拟私有网(VPN)以及内联网。网络120可以使用无线网络或业内公知的任何类型的有形网络实施。一个或多个客户系统150-180可以通过多种网络(如内联网和因特网)连接到主机系统130，因此并非所有的客户系统150-180都通过同一个网络连接到主机系统130。一个或多个客户系统150-180以及主机系统130能够以无线的方式连接到网络120。在一个实施例中，所述网络是内联网，一个或多个客户系统150-180执行用户接口应用(如网络浏览器)，通过网络120联系主机系统130，而另一个客户系统则直接连接到主机系统130。在另一个示范实施例中，客户系统直接(即不通过所述网络120)连接到主机系统130，而且主机系统130直接连接到或者包含存储设备140。

存储设备140可以使用多种存储电子信息的设备实施。应当理解，存储设备140可以使用主机系统130中包含的内存实施，它也可以是分开的物理设备。存储设备140作为横跨分布式环境(包括网络120)的统一数据资源，是逻辑可寻址的。存储设备140中存储的信息可以通过主机系统130检索和操作。存储设备140包括数据仓库，内含文档、数据、网页、图像、多媒体等。在一个示范实施例中，主机系统130作为数据库服务器运行，并且协调对应用数据的访问，包括存储设备140中存储的数据。

客户系统150-180可以包括通用计算机设备，它们允许若干系统连接到网络120和主机系统130。客户系统150-180可以通过位于其中的内部网络浏览器访问主机系统130。下面介绍各个客户系统。

新的或替代商品或服务预测中涉及的若干个人和团队在基于生命周期分析的若干预测过程中扮演特定的角色。他们也可以通过客户系统150-180彼此通信。

系统管理员客户系统150是指由若干个人或团队操作的计算机或工作站，他们管理着前面讨论中认明的主机系统130、数据仓库140和网络(如120)的性能、运行以及维护。

销售团队成员根据采购者和所述企业之间具体合同，通过销售团队的客户系统160向EPR应用110输入商品或服务的订单。一旦订单内容已经发货并在客户端安装，就更新交付历史部件114以反映这笔交易。

商业伙伴团队成员根据企业与商业伙伴之间具体合同，通过商业伙伴团队的客户系统162向EPR应用110输入商品或服务的订单。所述商业伙伴可以是客户和系统100所属企业之间的中间人。一旦订单内容已经发货并在客户端安装，就更新交付历史部件114以反映这笔交易。

客户团队成员根据客户与系统100所属企业直接商定的网络通信，通过客户团队的客户系统164直接向EPR应用110输入商品或服务的订单。一旦订单内容已经发货并在客户端安装，就更新交付历史部件114以反映这笔交易。

营销团队成员认明解决方案的概念，分别通过营销团队的客户系统170、财务团队的客户系统172以及开发团队的客户系统174，与财务团队成员和开发团队成员协同合作。合作的结果包括根据计划的发布和撤回日期、预期的销售量等，认明需要预测的新的或替代商品或服务。营销团队利用该信息更新需求管理组件112和生命周期分析组件116。

需求管理团队成员通过需求管理团队的客户系统180为系统100所属企业对若干新的和替代预测进行管理和更新。需求管理团队更新需求管理组件112和生命周期分析组件116(如本文所述)，并且分析这个过程的输出。

正如现在将要说明的，图2的流程图200描述的处理流程是指新的或替代商品或服务预测的生命周期分析。需求管理团队在步骤201启动预测决策支持系统的过程，在步骤202认明将要预测的新的或替代商品或服务。为了使用这种方法，营销团队和需求管理团队在步骤203中结合多种信息，涉及新的或替代商品或服务的计划的发布日期(PRD)、计划的撤回日期(PWD)，预测的时间段(f)以及预测数量(FQ)。该信息适当地应用于在图8至图13的模板800-1300中。

对新的或替代商品或服务的估算预测数量(FQ)的可能选项包括：根据以增长百分比计的实际总交付量，识别哪种当前或先前的商品或服务接近于(即类似于)新的或替代商品或服务；使用营销、财务和开发团队的专家判断；根据收入和利润目标，使用财务计划预测；或者使用总的市场预测与市场占用率预测的乘积。

需求管理团队在步骤204中识别哪一种或多种当前或先前的商品或服务(数字“p”，而p＝1至n)具有接近于新的或替代商品或服务的类似属性或特征。当前或先前的商品和服务交付数据的时间段即使用期限不必相同。对每种当前或先前的商品和服务“p”，随i＝1至t_p(如周、月或季度)定义时间段。

在步骤205中交付数据(DD)用于填充生命周期分析组件116中的模板300(图3)。对当前商品和服务的交付数据，需求管理团队在步骤206估算生命周期剩余部分的交付数据。交付历史组件114提供现有的交付数据(DD_pi)。对当前商品或服务的生命周期剩余部分估算交付数据根据以下准则：已完成的使用期限百分比；剩余的交付量；剩余交付量的分布；以及剩余的时间段数目。然后把交付数据通过生命周期分析组件116输入到图3的模板300中。

本方法的几种功效之一是能够根据交付商品或服务的天数以及在所述期间的需求偏差，恰如其分地考虑在发布和撤回期间商品和服务交付的影响。本方法提供了八种调整过程，对两个时间段(即发布(第一个)和撤回(最后一个))中交付的影响都进行数学调节。对这些过程的选择准则可以取决于具体的时间段，其间在交付历史组件114之内组织交付数据，并且考虑需求偏差。这些调整过程保证了需求管理团队能够使用当前和先前的商品和服务在发布和撤回期间的交付数据信息，以及为新的或替代商品或服务的发布和撤回期间形成可靠的预测量陈述。没有这些调整过程，所述需求管理团队可能不会观察到在这些发布和撤回期间的信息对在这些以及邻近期间产生预测量是可靠的。

图4的模板400和图10的模板1000分别显示了预测决策支持系统方法所用的两种线性调节计算。在这些线性调节计算中的关键假定是需求偏差不是因子(如商品和服务的需要在本周、月或季度保持不变)。换言之，从一段到另一段需求中没有统计上的显著差别。

需求偏差可以指在时间段之内需求分布的变化。一般来说，根据现有的商业条件和实践，这些偏差的需求模式不是统一形状。预测决策支持系统能够调整当前或先前的商品和服务的生命周期模式，也能够调整新的或替代商品或服务的生命周期模式。对季度之内每周期间保持的交付数据，需求模式可以是多模态的。横跨此时间段的百分比分布帮助需求管理团队更准确地反映发布(第一个)和撤回(最后一个)时间段中的交付数据。

预测决策支持决策采用的六种偏差调节技术和数学公式分别由图5至图7以及图11至图13的模板显示和说明。需求偏差调节过程未考虑假日和特殊事件。调节过程对所述发布和撤回时间段都使用相同的需求偏差百分比。该过程根据指定时间段(月或季度)之内交付商品或服务的天数，将所述需求偏差百分比(不全相等)转换为偏差因子(零、分数或一)。需求偏差百分比乘以所关联的偏差因子并求和(总是在零和一之间的分数)。按照情形，从一加上或减去此分数和，获得调整量所用的相乘因子。

对六种情况偏差调节数学公式是唯一的：

对当前或先前商品和服务：

月时间段之内的周需求偏差调节计算(见图5)

季度时间段之内的周需求偏差调节计算(见图6)

季度时间段之内的月需求偏差调节计算(见图7)对新的或替代商品和服务：

月时间段之内的周需求偏差调节计算(见图11)

季度时间段之内的周需求偏差调节计算(见图12)

季度时间段之内的月需求偏差调节计算(见图13)

图4至图7中每一幅都说明了为当前和先前商品或服务而调整发布和撤回时间段的方法。图4采用线性调节，图5至图7采用需求偏差调节。在步骤207执行所述调节过程。图4至图7对图3提供了为发布(第一个)和撤回(最后一个)时间段的修改的交付数据(MDD)计算。为发布(第一个)和撤回(最后一个)时间段的修改的交付数据(MDD)调节分别指定为MDD_l和MDD_tp。剩余MDD数量可以表达为MDD_pi＝DD_pi，其中i＝2到tp-1。修改的总交付数据(MTDD)是MDD信息之和，而且可以表达为MTDD_p＝[MDD_pi之和]，其中i＝1到t_p。

图4为当前或先前商品或服务提供了两个实现线性调节计算的公式；一个是为发布期间，另一个是为生命周期的撤回期间。线性调整用于当前或先前商品或服务“p”中的周时间段或者月和季度时间段中没有交付偏差时，其中p＝1至n，时间段“i”＝1或t_p。该实现公式进一步假设日需求偏差不是因子。当前或先前商品或服务“p”的时间段天数(TPD_pi)定义如下：一周是七天；一个月是28到31天，取决于可应用的月；一季度是90到92天，取决于可应用的季度。发布期间(AP_p)是指在发布期间中销售当前或先前商品或服务“p”的天数。同样，撤回期间(WP_p)是指在撤回期间中销售当前或先前商品或服务“p”的天数。时间段天数(TPD_pi)将总是大于发布(第一个)时间段(AP_p)加撤回(最后一个)时间段(WP_p)。

图5是模板500，展示了(以月时间段)对当前或先前商品或服务的周需求偏差调节计算。所述计算在不考虑假日和特殊事件的假设下实现。换言之，所述百分比需求偏差在所述商品和服务的整个生命周期期间，每月是相同的。模板500的以下元素定义如下：

月中的周偏差(WSM_pw)，其中p＝1到n，w＝1到4(每月的周需求偏差百分比)；

WSM_pw的和＝1.0。如果WSM_pw都相等，则使用线性调节技术(见图4)；

在发布期间中销售当前或先前商品或服务“p”的天数(AP_p)；

发布期间的偏差因子即SFA_pw等于：

零(0)，如果[APp-(7×{5-w})]＞＝零(0)；

{1-[APp-(7×{4-w})]/7}，如果负7(-7)＜[APp-(7×{5-w})]＜零(0)；

一(1)，如果[APp-(7×{5-w})]＜＝负7(-7)；

交付数据(DD_pi)来自图3的模板300，其中p＝1到n，i＝1或t_p；

修改的交付数据即MDD_p1＝DD_p1×[1+(sum of{WSM_pw×SFA_pw})]提供给图3的模板300；

在撤回期间中销售当前或先前商品和服务“p”的天数(WP_p)；

撤回期间的偏差因子即SFW_pw等于：

一(1)，如果[WPp-(7×{5-w})]＜＝负7(-7)；

{1-[WPp-(7×{w-1})]/7}，如果负7(-7)＜[WPp-(7×w)]＜零(0)；

零(0)，如果[WPp-(7×w)]＞＝零(0)；

MDD_p(tp)＝DD_p(tp)×[1+(sum of{WSM_pw×SFW_pw})]提供给图3的模板300。

图6是模板600，展示了(以季度时间段)对当前或先前商品或服务的周需求偏差调节计算。所述计算在不考虑假日和特殊事件的假设下实现。换言之，所述百分比需求偏差在所述商品和服务的整个生命周期期间，每季度是相同的。模板600的以下元素定义如下：

季度中的周偏差(WSQ_pu)，其中p＝1到n，u＝1到13(每季度的周需求偏差百分比)；

WSQ_pu的和＝1.0。如果WSQ_pu都相等，则使用线性调整技术(见图4)；

在发布期间中销售当前或先前商品和服务“p”的天数(AP_p)；

发布期间的周偏差因子即WSFA_pu等于：

零(0)，如果[APp-(7×{14-u})]＞＝零(0)；

{1-[APp-(7×{13-u})]/7}，如果负7(-7)＜[APp-(7×{14-u})]＜零(0)；

一(1)，如果[APp-(7×{14-u})]＜＝负7(-7)；

交付数据(DD_pi)来自图3的模板300，其中p＝1到n，i＝1或t_p；

修改的交付数据即MDD_p1＝DD_p1×[1+(sum of{WSQ_pu×WSFA_pu})]提供给图3的模板300；

在撤回期间中销售当前或先前商品和服务“p”的天数(WP_p)；

撤回期间的周异常因子即WSFW_pu等于：

一(1)，如果[WPp-(7×u})]＜＝负7(-7)；

{1-[WPp-(7×{u-1})]/7}，如果负7(-7)＜[WPp-(7×u)]＜零(0)；

零(0)，如果[WPp-(7×u)]＞＝零(0)；

MDD_p(tp)＝DD_p(tp)×[1+(sum of{WSQ_pu×WSFW_pu})]提供给图3的模板300。

图7是模板700，展示了(以季度时间段)对当前或先前商品或服务的月需求偏差调节计算。所述计算在不考虑假日和特殊事件的假设下实现。换言之，所述百分比需求偏差在所述商品和服务的整个生命周期期间，每季度是相同的。模板700的以下元素定义如下：

对产品“p”的季度中的月偏差(MSQ_pm)，其中p＝1到n，m＝1到3(每季度的月需求偏差百分比)；

MSQ_pm的和＝1.0。如果MSQ_pm都相等，则使用线性调整技术(见图4)；

当前或先前商品或服务“p”在发布期间中每月“m”的天数(DA_pm)，在28天到31天的范围内，取决于所述月份；

发布期间的反向累积天数(RCDA_pm)是：

RCDA_p1＝DA_p1+DA_p2+DA_p3；

RCDA_p2＝DA_p2+DA_p3；以及

RCDA_p3＝DA_p3；

在发布期间中销售当前或先前商品或服务“p”的天数(AP_p)；

发布期间的季度偏差因子即QSFA_pm(以逻辑顺序)等于：

零(0)，如果AP_p-RCDA_pm＞＝零(0)；

[(RCDA_pm-APp)/(DA_pm)]，如果负DApm＜[AP_p-RCDA_pm]＜零(0)；

一(1)，如果[AP_p-RCDA_pm]＜＝负DA_pm；

交付数据(DD_pi)来自图3的模板300，其中p＝1到n，i＝1或t_p；

修改的交付数据即MDD_p1＝DD_p1×[1+(sum of{MSQ_pm×QSFA_pm})]提供给图3的模板300；

当前或先前商品或服务“p”在撤回期间中每月“m”的天数(DW_pm)，在28天到31天的范围内，取决于所述月份；

发布期间的累积天数(CDW_pm)是：

CDW_p1＝DW_p1；

CDW_p2＝DW_p1+DW_p2；以及

CDW_p3＝DW_p1+DW_p2+DW_p3；

在撤回期间中销售当前或先前商品或服务“p”的天数(WP_p)；

撤回期间的季度偏差因子即QSFW_pm(以逻辑顺序)等于：

一(1)，如果[WP_p-CDW_pm]＜＝负DW_pm；

[(CDW_pm-WP_p)/(DW_pm)]，如果负DW_pm＜[AP_p-CDW_pm]＜零(0)；

零(0)，如果WP_p-CDW_pm＞＝零(0)；

MDD_p(tp)＝DD_p(tp)×[1+(sum of{MSQ_pm×QSFW_pm})]提供给图3的模板300。

预测决策支持系统的方法然后在步骤208使用图3模板300提供的数据将每种当前或先前商品或服务交付数据规格化为交付百分比(DP)，并且计算累积交付(CD)百分比。该步骤将所述商品和服务交付数据转换为一百(100)，以作为百分比的形式分析以及快速转换成累积百分比。所述交付百分比可以表示为DP_pi＝[MDD_pi/MTDD_p]×100其中p＝1到n，时间段’i’＝1到t_p时间段数(即周、月或季度)。累积交付可以表达为CD_pi＝CD_p-1+DP_pi，其中CD_p0＝零。然后向图8指定的模板800提供所述结果信息。

预测决策支持系统的方法还在步骤209中计算累积因子(CF)，它是当前或先前商品或服务的时间段数与新的或替代商品或服务的预测时间段数之比值。本方法许多优点之一是对整体生命周期期间根本不同的要素、不同的交付历史时间框架(例如周、月或季度等)、时间段数和交付量进行规格化的能力，以便提供适于分析和预测的单一可信的生命周期需求模式。累积因子(CF)提供了将若干累积交付(CD)百分比转换为’f’个时间段中段累积百分比的能力。累积因子(CF)在图8的模板800中计算为分数[t_p/f]。累积因子可以表达为CF_p＝t_p/f，其中t_p是当前或先前商品或服务’p’的若干时间段，而p＝1到n，’f’是新的或替代商品或服务的预测时间段数。累积交付在上述的图3的模板300中计算。

预测决策支持方法为每种当前或先前商品或服务自动计算段累积因子(PCF)，随后在步骤210将PCF分割成整数部分(段累积因子整数)和小数部分(段累积因子小数)。图8为这些计算提供了模板800。段累积因子可以表达为PCF_pk＝[CF_p×k]。图8中的’k’是指新的或替代商品或服务的时间段数，其中k＝1到f(周、月或季度等)。段累积因子整数可以表达为PCFI_pk，它是PCF_pk的整数部分。确定有理数的整数部分的技术众所周知，并将为本领域的技术人员所理解。段累积因子小数是PCF_pk的小数部分，可以表达为PCFD_pk＝PCF_pk-PCFI_pk。预测决策支持系统的方法计算当前或先前商品或服务的两个百分比：累积生命周期(CLC)和生命周期(LC)。本步骤用根据新的或替代商品或服务的使用期限’f’以使用期限t_p换算当前或先前商品或服务的生命周期百分比。这种独特的转换保持了在规格化处理中很重要的百分比特性(即100)，同时改变时间维度和所关联的量。以下表达了对累积生命周期(CLC)和生命周期(LC)的数学计算，向图9的模板900提供生命周期结果如下：

累积生命周期，即CLC_pk＝CD_p(PCFI_pk)+PCFD_pk×[CD_p(PCFI_pk+1)-CD_p(PCFI_pk)]，如果PCFI_pk大于零(0)；

累积生命周期，即CLC_pk＝PCFD_pk×CD_p1，如果PCFI_pk＝零；

生命周期，即LC_pk＝CLC_pk-CLC_pk-1，如果CLC_p0＝零。

一旦所有当前和先前生命周期(LC)百分比都已经计算完，这种信息就提供给如图9所示的变换模板900(如所述过程将许多当前和先前商品和服务的生命周期转换为单一新的或替代商品或服务量的预测)。需求管理团队在步骤211中向每个生命周期模式提供了不同的权重(W)，并且在步骤212中计算了加权的生命周期(WLC)(见图9)。权重可以表示为(W_p)，其中W_p是整数，提供了当前或先前商品或服务’p’(其中p＝1到n)的生命周期之间的相对比例。总权重可以表示为TW＝[sum of W_p]，其中TW不必等于100。生命周期(LC_pk)从图8的模板800得到。加权的生命周期可以表示为WLC_k＝[sum of{W_p×LC_pk}]/TW。

图10(线性调节)和图11至13(需求偏差调节)是调整新的或替代商品或服务发布和撤回期间的四种方法。预测决策支持系统的方法通过为发布(第一个)和撤回(最后一个)时间段自动调整加权生命周期〔WLC〕，在步骤213中为每个时间段计算调整后的生命周期〔ALC〕，以加入将要销售新的或替代商品或服务的天数。调整后的生命周期可以表示为ALC_k＝WLC_k，其中k＝2到f-1。ALC_I和ALC_f的具体计算过程(发布和撤回期间的线性或偏差调节技术)见图10至图13所示。总调节生命周期可以表示为TALC＝[sum of ALC_k]。根据图2中步骤203的预测数量(FQ)，预测决策支持系统的方法在步骤214为新的或替代商品或服务计算’f’个时间段上的预测量(FV)。预测量可以表示为FV_k＝[ALC_k×{FQ/TALC}]。另外，加权方案和/或预测量(FQ)能够用于对不同商业情形中确保各种预测量时的灵敏度分析或“如果...怎么办”的情况。

图10为新的或替代商品或服务提供了两个实现线性调节计算的公式；一个是为发布期间，另一个是为生命周期的撤回期间。线性调整用于新的或替代商品或服务中的周时间段或者月和季度时间段中没有交付偏差时。该实现公式进一步假设周时间段中需求偏差不是因子。新的或替代商品或服务的新时间段天数(NTPD_k)定义如下：一周是七天；一个月是28到31天，取决于可应用的月；一季度是90到92天，取决于可应用的季度。计划发布日(PRD)是在发布期间中将要销售新的或替代商品或服务的天数。计划撤回日(PWD)是在撤回期间中将要销售新的或替代商品或服务的天数。新时间段天数(NTPD_k)将总是大于PRD加PWD。

图11是模板1100，展示了(以月时间段)对新的或替代商品或服务的周需求偏差调节计算。所述计算在不考虑假日和特殊事件的假设下实现。换言之，所述百分比需求偏差在所述商品和服务的整个生命周期期间，每月是相同的。模板1100的以下元素定义如下：

月中的新周偏差(NWSM_v)，其中v＝1到4(每月的周需求偏差百分比)；

NWSM_v的和＝1.0。如果NWSM_v都相等，则使用线性调节技术(见图10)；

在发布期间中销售新的或替代商品或服务的计划发布天数(PRD)；

发布期间的新偏差因子即NSFA_v等于：

零(0)，如果[PRD-(7×{5-v})]＞＝零(0)；

{1-[PRD-(7×{4-v})]/7}，如果负7(-7)＜[PRD-(7×{5-v})]＜零(0)；

一(1)，如果[PRD-(7×{5-v})]＜＝负7(-7)；

加权的生命周期(WLC_k)，其中k＝1或f(来自图9的模板900)；

调整后的生命周期，即ALC₁＝WLC₁×[1-(sum of{NWSM_v×NSFA_v})]提供给图9的模板900；

计划的撤回天数(PWD)是在撤回期间(f)销售新的或替代商品或服务的天数；

撤回期间的新偏差因子即NSFW_v等于：

一(1)，如果[PWD-(7×v)]＜＝负7(-7)；

{1-[PWD-(7×{v-1})]/7}，如果负7(-7)＜[PWD-(7×v)]＜零(0)；

零(0)，如果[PWD-(7×v)]＞＝零(0)；

ALC_f＝WLC_f×[1-(Sum of{NWSM_v×NSFW_v})]提供给图9的模板900。

图12是模板1200，展示了(以季度时间段)对新的或替代商品或服务的周需求偏差调节计算。所述计算在不考虑假日和特殊事件的假设下实现。换言之，所述百分比需求偏差在所述商品和服务的整个生命周期期间，每季度是相同的。模板1200的以下元素定义如下：

季度中的新周偏差(NWSQ_y)，其中y＝1至13(每季度的周需求偏差百分比)；

NWSQ_y的和＝1.0。如果NWSQ_y都相等，则使用线性调整技术(见图10)；

计划发布天数(PRD)是在发布期间销售新的或替代商品或服务的天数；

发布期间的新偏差因子即NWSFA_y等于：

零(0)，如果[PRD-(7×{14-y})]＞＝零(0)；

{1-[PRD-(7×{13-y})]/7}，如果负7(-7)＜[PRD-(7×{14-y})]＜零(0)；

一(1)，如果[PRD-(7×{14-y})]＜＝负7(-7)；

加权的生命周期(WLC_k)，其中k＝1或f(来自图9的模板900)；

调整后的生命周期，即ALC₁＝WLC₁×[1-(sum of{NWSQ_y×NWSFA_y})]提供给图9的模板900；

计划撤回天数(PWD)是在撤回期间(f)销售新的或替代商品或服务的天数；

撤回期间的新周偏差因子即NWSFW_y等于：

一(1)，如果[PWD-(7×y)]＜＝负7(-7)；

{1-[PWD-(7×{y-1})]/7}，如果负7(-7)＜[PWD-(7×y)]＜零(0)；

零(0)，如果[PWD-(7×y)]＞＝零(0)；

ALC_f＝WLC_f×[1-(sum of{NWSQ_y×NWSFW_y})]提供给图9的模板900。

图13是模板1300，展示了(以季度时间段)对新的或替代商品或服务的月需求偏差调节计算。所述计算在不考虑假日和特殊事件的假设下实现。换言之，所述百分比需求偏差在所述商品和服务的整个生命周期期间，每季度是相同的。模板1300的以下元素定义如下：

季度中的新月偏差(NMSQ_Z)，其中z＝1至3(每季度的月需求偏差百分比)；

NMSQ_Z的和＝1.0。如果NMSQ_Z都相等，则使用线性调整技术(见图10)；

发布期间，每月中新的或替代商品或服务的天数(NDA_Z)，在28天到31天的范围内，取决于所述月份；

发布期间的反向累积天数(NRCDA_Z)是：

NRCDA₁＝NDA₁+NDA₂+NDA₃；

NRCDA₂＝NDA₂+NDA₃；以及

NRCDA₃＝NDA₃；

计划发布天数(PRD)是在发布期间销售新的或替代商品或服务的天数；

发布期间的新季度偏差因子即NQSFA_Z等于：

零(0)，如果PRD-NRCDA_Z＞＝零(0)；

[(NRCDA_Z-PRD)/(NDA_Z)]，如果负NDA_Z＜[PRD-NRCDA_Z]＜零(0)；

一(1)，如果[PRD-NRCDA_Z]＜＝负NDA_Z；

加权的生命周期(WLC_k)，其中k＝1或f来自图9的模板900；

调整后的生命周期，即ALC₁＝WLC₁×[1-(sum of{NMSQ_Z×NQSFA_Z})]提供给图9的模板900；

撤回期间，每月中新的或替代商品或服务的天数(NDW_Z)，在28天到31天的范围内，取决于所述月份；

撤回期间的新累积天数(NCDW_Z)是：

NCDW₁＝NDW₁；

NCDW₂＝NDW₁+NDW₂；以及

NCDW₃＝NDW₁+NDW₂+NDW₃；

计划撤回天数(PWD)是在撤回期间(f)销售新的或替代商品或服务的天数；

撤回期间的新季度偏差因子即NQSFW_Z等于：

一(1)，如果[PWD-NCDW_Z]＜＝负NDW_Z；[(NCDW_Z-PRD)/(NDW_Z)]，如果负NDW_Z＜[PWD-NCDW_Z]＜零(0)；

零(0)，如果PWD-NCDW_Z＞＝零(0)；

ALC_f＝WLC_f×[1-(sum of{NMSQ_Z×NQSFW_Z})]提供给图9的模板900。

预测决策支持系统的方法还在步骤215提供新的或替代商品或服务的所有生命周期模式和预测量的图形表达。图14提供了这种图形表达的实例。如图14所示，当前和先前的生命周期模式(作为百分比)显示在顶部图形中，而底部图形则提供了新的或替代商品或服务的预测(作为数量)。

需要时对每种新的或替代商品或服务都可以返回至图2的步骤201重复上述过程。

制造业和服务业正在推动周预测，所以调整发布(第一个)和撤回(最后一个)时间段中偏差的方法正变得更为引人注目。还没有已知的方法完全补偿一个月或季度之内的部分周交付数据，即每个月或季度的第一个和最后一个星期可能少于七天。对在图4、图7、图10和图13中概述的需求偏差调整技术，所述技术和数学运算是完全准确的。然而，对在图5、图6、图11和图12中概述的部分周交付数据的周需求偏差调整技术和预测量，在发布(第一个)和撤回(最后一个)时间段存在微小的潜在误差。

对图5、图6、图11和图12来说，部分周交付数据和预测量的发布概率误差(APE)和撤回概率误差(WPE)能够定义为[7-一周中实际日历天数]除以(发布或撤回)时间段对应月或季度之内日历天数。实际日历天数在发布之月或季度的第一周中可能变化，因为所述月的起始日不一定是星期日，撤回之月或季度的最后一周也是如此，因为所述月的最后一天不一定是星期六。所述分子的范围是从0至6(最小到最大)，在一周的7天范围内每个值分布相等。所以，对每个数目的天数周内每天的概率误差是0.14。因此，一个月中最大误差概率是0.21[6/28]，一季度中是0.07[6/90](二月和第一季度(一月、二月和三月)分别使用，由于二月是最短的月，因而在计算所述最大概率误差的两个计算中都具有最小的分母)。对其他的月和季度，最大概率误差将分别小于0.21和0.07，因为分母更大。

当进行任何分析时，这种误差都应当在图3、图8和图9中考虑。如果从图4和图7或者图11和图12导出的所有概率误差(APE或WPE)在一个特定时间段是’零’，那么对该时间段图8和图9的平均误差概率分别为’零’。

对于图3和图8，如果一个或多个概率误差(AEP或WPE)大于零，那么平均误差概率(AEP)就是所有误差的和除以当前或先前商品或服务使用的时间段的数目(“n”)。中心极限定理规定：当“n”变大，平均误差概率(AEP)趋于零(0)和0.11(最大)之间。

对于图9，如果一个或多个概率误差大于零，那么平均误差概率(AEP)通常小于或等于0.21，并且预测段数“f”变大时，误差幅度变小。

没有调整技术的潜在误差大于有调整技术的。(没有调整技术的)潜在误差概率(PEP)是一(1)减去(有调整技术的)平均误差概率(AEP)[即PEP＝1-AEP]。因此，最小潜在误差概率(PEP)是0.79，显著地大于最大平均误差概率(AEP)的0.21。

这种误差计算用于评估发布(第一个)和撤回(最后一个)时间段中的交付数据和预测量。考虑到我们正在讨论周时间框架，这些特定时间段的生命周期百分比不高。这种误差计算不影响其他的时间段。因此，与整个生命周期的总预测量相比时，发布和撤回时间段的低生命周期百分比乘以0.11(当前或先前商品或服务)和0.21(新的或替代商品或服务)的最大值将产生相对小的误差。

尽管本方法在发布(第一个)和撤回(最后一个)时间段没有引起适度的调整误差，但是在本方法中不使用调整将可能导致较大的潜在误差。所以，最好使用周调整方法中的偏差调整，并且应当视为本方法之内最佳的解决方案。

如上所述，本发明实施例的体现形式可以为计算机实施的过程以及实践这些过程的装置。本发明实施例的体现形式也可以为计算机程序代码，内含的指令记录在有形的介质中，比如软盘、CD-ROM、硬盘驱动器或任何其他的计算机可读存储介质，其特征在于，当计算机加载并执行所述计算机程序代码时，所述计算机成为实践本发明的装置。本发明的体现形式还能够为计算机程序码，例如不是存储在存储介质中、由计算机加载并执行，就是经由某种传输介质传输，比如经由电线或电缆、通过光纤或者经由电磁辐射，其特征在于，当计算机加载并执行所述计算机程序代码时，所述计算机成为实践本发明的装置。在通用微处理器上实施时，所述计算机程序代码片段配置所述微处理器，以产生特定的逻辑电路。

虽然已经参考示范实施例介绍了本发明，但是本领域的技术人员应当理解，可以进行多种改变而且其要素可以代之以等效内容而不脱本发明的范围。此外，为了使具体的情形或材料适于本发明的教导，可以进行许多修改而不脱其本质范围。所以，要强调本发明不限于作为实施本发明所期待的最佳模式而公开的具体实施例，而是本发明将包括附带的权利要求书范围之内的所有实施例。此外，使用第一、第二等术语不表示任何次序或重要性，而是第一、第二等术语用于区分一种要素与另一种要素。

Claims (30)

1.一种开展商品或服务预测的方法，包括：

识别其特征类似于将要预测的新的或替代商品或服务的当前或先前商品或服务；

获取与所述当前或先前商品或服务关联的交付数据；

为对应的发布和撤回时间段调整所述当前或先前商品或服务的交付量数据，产生修改的交付数据；以及

使用所述修改的交付数据连同计划的发布和撤回日期，以及与所述新的或替代商品或服务关联的预测时间段和数量，将所述当前或先前商品或服务的生命周期模式转变为所述新的或替代商品或服务的生命周期预测。

2.根据权利要求1的方法，其特征在于，所述获取交付数据包括以下步骤中至少其一：

获取所述先前商品或服务的历史交付数据；以及

基于以下信息中至少其一，估算所述当前商品或服务的剩余生命周期：

已完成的使用期限百分比；

剩余交付量；

剩余交付的分布；以及

所述生命周期中剩余时间段的数目。

3.根据权利要求1的方法，其特征在于，所述调整经由线性调节计算进行。

4.根据权利要求3的方法，其特征在于，所述线性调节计算是对于当前或先前商品或服务。

5.根据权利要求3的方法，其特征在于，所述线性调节计算是对于新的或替代商品或服务。

6.根据权利要求1的方法，其特征在于，所述调整经由需求偏差调节计算进行。

7.根据权利要求6的方法，其特征在于，所述需求偏差调节计算是对于当前或先前商品或服务。

8.根据权利要求6的方法，其特征在于，所述需求偏差调节计算是对于新的或替代商品或服务。

9.根据权利要求1的方法，其特征在于，所述调整交付量数据包括：把所述当前或先前商品或服务的交付数据规格化至交付百分比，以及计算累积交付百分比。

10.根据权利要求1的方法，其特征在于，所述调整交付量数据进一步包括：通过所述当前或先前商品或服务的时间段数与所述新的或替代商品或服务的预测时间段数的比值，计算累积因子。

11.一种以机器可读程序代码编码的存储介质，用于开展商品或服务预测，所述程序代码包括使主机系统实施方法的指令，包括：

识别其特征类似于将要预测的新的或替代商品或服务的当前或先前商品或服务；

获取与所述当前或先前商品或服务关联的交付数据；

为对应的发布和撤回时间段调整所述当前或先前商品或服务的交付量数据，产生修改的交付数据；以及

使用所述修改的交付数据连同计划的发布和撤回日期，以及与所述新的或替代商品或服务关联的预测时间段和数量，将所述当前或先前商品或服务的生命周期模式转变为所述新的或替代商品或服务的生命周期预测。

12.根据权利要求11的存储介质，其特征在于，所述获取交付数据包括以下步骤中至少其一：

获取所述先前商品或服务的历史交付数据；以及

基于以下信息中至少其一，估算所述当前或先前商品或服务的剩余生命周期：

已完成的使用期限百分比；

剩余交付量；

剩余交付的分布；以及

所述生命周期中剩余时间段的数目。

13.根据权利要求11的存储介质，其特征在于，所述调整经由线性调节计算进行。

14.根据权利要求13的存储介质，其特征在于，所述线性调节计算是对于当前或先前商品或服务。

15.根据权利要求13的存储介质，其特征在于，所述线性调节计算是对于新的或替代商品或服务。

16.根据权利要求11的存储介质，其特征在于，所述调整经由需求偏差调节计算进行。

17.根据权利要求16的存储介质，其特征在于，所述需求偏差调节计算是对于当前或先前商品或服务。

18.根据权利要求16的存储介质，其特征在于，所述需求偏差调节计算是对于新的或替代商品或服务。

19.根据权利要求11的存储介质，其特征在于，所述调整交付量数据包括：把所述当前或先前商品或服务的交付数据规格化至交付百分比，以及计算累积交付百分比。

20.根据权利要求11的存储介质，其特征在于，所述调整交付量数据进一步包括：通过所述当前或先前商品或服务的时间段数与所述新的或替代商品或服务的预测时间段数的比值，计算累积因子。

21.一种开展商品或服务预测的系统，包括：

执行企业资源计划应用的主机系统，所述企业资源计划应用包括需求管理组件、交付历史组件，以及生命周期分析组件；

与所述主机系统通信的存储设备；以及

到至少一个客户系统的链接；其中，所述企业资源计划应用执行：

经由所述需求管理组件和所述生命周期分析组件，识别其特征类似于将要预测的新的或替代商品或服务的当前或先前商品或服务；

经由所述交付历史组件，获取与所述当前或先前商品或服务关联的交付数据；

经由所述生命周期分析组件，为对应的发布和撤回时间段调整所述当前或先前商品或服务的交付量数据，所述调整产生修改的交付数据；以及

使用所述修改的交付数据连同计划的发布和撤回日期，以及与所述新的或替代商品或服务关联的预测时间段和数量，将所述当前或先前商品或服务的生命周期模式转变为所述新的或替代商品或服务的生命周期预测。

22.根据权利要求21的系统，其特征在于，所述获取交付数据包括以下步骤中至少其一：

获取所述先前商品或服务的历史交付数据；以及

基于以下信息中至少其一，估算所述当前或先前商品或服务的剩余生命周期：

已完成的使用期限百分比；

剩余交付量；

剩余交付的分布；以及

所述生命周期中剩余时间段的数目。

23.根据权利要求21的系统，其特征在于，所述调整经由线性调节计算进行。

24.根据权利要求23的系统，其特征在于，所述线性调节计算是对于当前或先前商品或服务。

25.根据权利要求23的系统，其特征在于，所述线性调节计算是对于新的或替代商品或服务。

26.根据权利要求21的系统，其特征在于，所述调整经由需求偏差调节计算进行。

27.根据权利要求26的系统，其特征在于，所述需求偏差调节计算是对于当前或先前商品或服务。

28.根据权利要求26的系统，其特征在于，所述需求偏差调节计算是对于新的或替代商品或服务。

29.根据权利要求21的系统，其特征在于，所述调整交付量数据包括：把所述当前或先前商品或服务的交付数据规格化至交付百分比，以及计算累积交付百分比。

30.根据权利要求21的系统，其特征在于，所述调整交付量数据进一步包括：通过所述当前或先前商品或服务的时间段数与所述新的或替代商品或服务的预测时间段数的比值，计算累积因子。

Images