JP7105336B2 - smart supply chain system - Google Patents
smart supply chain system Download PDFInfo
- Publication number
- JP7105336B2 JP7105336B2 JP2021045511A JP2021045511A JP7105336B2 JP 7105336 B2 JP7105336 B2 JP 7105336B2 JP 2021045511 A JP2021045511 A JP 2021045511A JP 2021045511 A JP2021045511 A JP 2021045511A JP 7105336 B2 JP7105336 B2 JP 7105336B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- sales
- inventory replenishment
- product
- smart
- 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.)
- Active
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
- G06Q10/08—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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Description
本発明は、スマートサプライチェーンシステムに関する。 The present invention relates to smart supply chain systems.
近年、メーカー、供給業者、販売店間のサプライチェーンについて有効な管理を行うことが差し迫って必要とされている。具体的には、サプライチェーン管理において、まず商品について科学的に分類及び定位管理を行う必要があり、その後、異なる分類の商品について相応の販売及び在庫戦略をとる。次に、より正確な販売予測を必要とする。商品数量の駆動装置として、これを核とした需要計画により各プロセスの計画決定をサポートでき、予測精度を１％上げるごとに数倍の運営コストの削減をもたらすことが可能である。最後に、自動在庫補充モデルを特定の状況に応用して在庫構造の最適化を行い、在庫を持続的に健全なレベルに保つ必要がある。入庫の状況下においては、今回の在庫補充条件のすべてのＳＫＵ（在庫最小管理単位）を満たすように定位管理し、在庫補充任務に基づいてモデルを稼働させて在庫補充量を立案し、最終的に在庫補充戦略を作成して生産に反映させる。 In recent years, there is an urgent need to effectively manage the supply chain between manufacturers, suppliers and distributors. Specifically, in supply chain management, it is necessary to scientifically classify and localize commodities first, and then adopt corresponding sales and inventory strategies for commodities of different classifications. Second, you need more accurate sales forecasts. As a driving device for product quantity, demand planning with this as the core can support planning decisions for each process, and every 1% increase in forecast accuracy can reduce operating costs by several times. Finally, the automatic inventory replenishment model should be applied to specific situations to optimize the inventory structure and keep the inventory at a sustainable healthy level. In the situation of receiving stock, position management is performed so that all SKUs (stock keeping units) of this inventory replenishment condition are satisfied, the model is operated based on the inventory replenishment task, the inventory replenishment amount is planned, and finally Create an inventory replenishment strategy and reflect it in production.
しかし、従来技術においては、上記要件を満たすサプライチェーン管理案が出されておらず、上記要件を満たすことのできるスマートサプライチェーンの構成方法が差し迫って必要とされている。 However, in the prior art, there is no supply chain management plan that satisfies the above requirements, and there is an urgent need for a smart supply chain configuration method that can satisfy the above requirements.
従来技術における上記技術的問題に鑑み、本発明の代表的な実施例の目的は、商品分類、販売予測及びスマート在庫補充という三大重要分野を効果的に融合させ、サービスを精確にし、サプライチェーンに透明性・柔軟性・敏捷性を持たせ、各役割間でよりいっそう連携し合えるスマートサプライチェーンシステム及びサーバシステムを提供することにある。 In view of the above technical problems in the prior art, the purpose of the representative embodiments of the present invention is to effectively integrate the three key areas of product classification, sales forecasting and smart inventory replenishment, to improve service accuracy and supply chain efficiency. It is to provide a smart supply chain system and a server system that make each role more transparent, flexible, and agile, and further cooperate with each other.
本発明の実施例は、複数種の商品のサプライチェーンについて管理を行うスマートサプライチェーンシステムを提供し、その特徴は、過去のデータに基づいて複数種の商品について分類を行う商品分類装置と、過去のデータ及び上記商品分類装置の複数種の商品に対する分類結果に基づいて各種商品ごとに販売予測を行う販売予測装置と、上記販売予測装置の予測結果に基づいて自動在庫補充モデルを応用し、在庫補充戦略を作成するスマート在庫補充装置とを含むことである。 An embodiment of the present invention provides a smart supply chain system that manages supply chains of multiple types of products, and is characterized by a product classification device that classifies multiple types of products based on past data; A sales forecasting device that forecasts sales for each product based on the data of the product classification device and the classification results for multiple types of products, and an automatic inventory replenishment model based on the forecast results of the sales forecasting device. and a smart inventory replenishment device that creates a replenishment strategy.
これにより、商品分類、販売予測及びスマート在庫補充という三大重要分野を効果的に融合させ、サービスを精確にし、サプライチェーンに透明性・柔軟性・敏捷性を持たせ、各役割間でよりいっそう連携し合うことが可能となる。 This effectively integrates the three key areas of product classification, sales forecasting and smart inventory replenishment, makes the service more precise, makes the supply chain more transparent, flexible and agile, and makes the supply chain more transparent, flexible and agile. It is possible to cooperate with each other.
上記スマートサプライチェーンシステムにおいて、上記商品分類装置は、過去のデータとしての販売量データに基づいたＡＢＣ分類結果及び直近の販売時間間隔を２つの次元として、複数種の商品について分類を行い、第一段階の分類結果を得ることができるとともに、過去のデータに基づいて各商品の商品特性分析指標を計算し、上記第一段階の分類結果に対して、さらに、算出された商品特性分析指標を使用して多次元に細分化を行って最終的な分類結果とすることも可能である。上記商品特性分析指標には、販売頻度、変動係数、変動幅、顧客集中度、販売ペース、及び発売間隔のうち、少なくとも１つが含まれる。 In the above smart supply chain system, the product classification device classifies a plurality of types of products using ABC classification results based on sales volume data as past data and the most recent sales time interval as two dimensions. In addition to obtaining staged classification results, the product characteristics analysis index for each product is calculated based on past data, and the calculated product characteristics analysis index is used in addition to the first stage classification results. It is also possible to perform subdivision in multiple dimensions by doing so as a final classification result. The product characteristic analysis index includes at least one of sales frequency, variation coefficient, variation range, customer concentration, sales pace, and release interval.
これにより、細分化した結果に基づいて、販売員によって需要予測結果の確認を必要とする商品を抽出でき、販売員の業務経験と効果的に結合することにより、需要予測の精度を高めることができる。 As a result, based on the subdivided results, it is possible to extract products that require confirmation of the demand forecast results by the sales staff, and by effectively combining the work experience of the sales staff, it is possible to improve the accuracy of the demand forecast. can.
上記スマートサプライチェーンシステムは、上記販売予測装置が上記商品分類装置によって細分化した需要予測結果の確認を必要とする各種商品に対して、予測を要する少なくとも１つの予測期間に関し、点予測、区間予測、及び点予測と区間予測を結合させた混合型予測の中のいずれかの予測方式を利用し、各種商品ごとに上記少なくとも１つの予測期間に対応する販売量を予測することも可能である。 The smart supply chain system performs point prediction and section prediction for at least one prediction period requiring prediction for various products that require confirmation of demand prediction results subdivided by the product classification device by the sales prediction device. , and mixed prediction that combines point prediction and interval prediction to predict the sales volume corresponding to the at least one prediction period for each product.
これにより、商品の分類結果、予測が必要な期間等の要素を加味して、最も適切な予測方式を利用することで、必要な予測期間に対応した、より正確な予測結果を得ることができる。 As a result, more accurate forecast results corresponding to the required forecast period can be obtained by using the most appropriate forecast method, taking into consideration factors such as product classification results and the required forecast period. .
上記スマートサプライチェーンシステムにおいて、上記スマート在庫補充装置は、上記販売予測装置の予測結果及び上記商品分類装置が計算した商品特性分析指標に基づいて、点予測による在庫補充モデル、点予測と区間予測混合型による在庫補充モデル、及び区間予測による在庫補充モデルのうちのいずれか１つの在庫補充モデルを利用して、在庫補充計画を作成することも可能である。 In the smart supply chain system, the smart inventory replenishment device uses a point prediction inventory replenishment model, a mixture of point prediction and interval prediction, based on the prediction result of the sales prediction device and the product characteristic analysis index calculated by the product classification device. It is also possible to create an inventory replenishment plan using any one of an inventory replenishment model based on type and an inventory replenishment model based on interval prediction.
これにより、異なる商品特性、異なる在庫補充周期等の要素に基づいて、最適な在庫補充モデルを利用して在庫補充計画を作成し、需要をさらに満たす在庫補充戦略を提供することが可能である。 Based on factors such as different product characteristics, different replenishment cycles, etc., it is possible to utilize optimal replenishment models to develop restocking plans and provide replenishment strategies that better meet demand.
上記スマートサプライチェーンシステムにおいて、上記販売予測装置は、長短期記憶ネットワークに基づいて点予測を行う点予測部、及び確率密度の区間予測を行う区間予測部を含むことも可能である。さらに上記スマートサプライチェーンシステムは、応用対象、予測期間、上記商品分類装置の分類結果の中の少なくとも１つに基づいて、上記販売予測装置において上記点予測部により販売予測を行うのか、上記区間予測部により販売予測を行うのか、上記点予測部と上記区間予測部の双方により販売予測を行うのかを選択するモデル選択部を含むことも可能である。 In the smart supply chain system, the sales prediction device may include a point prediction unit that performs point prediction based on a long short-term memory network, and an interval prediction unit that performs interval prediction of probability density. Furthermore, the smart supply chain system determines whether sales prediction is performed by the point prediction unit in the sales prediction device based on at least one of an application target, a prediction period, and a classification result of the product classification device, or whether the segment prediction is performed. It is also possible to include a model selection unit that selects whether to perform sales prediction by the unit or by both the point prediction unit and the interval prediction unit.
これにより、応用対象（例えば販売店、供給業者、メーカー等）、予測期間（例えば１日、１週、１ヶ月、１年等）、分類結果等に基づいて、最適な予測方式を選択して販売予測を行うことができる。 With this, the optimum forecasting method is selected based on the application target (e.g. dealer, supplier, manufacturer, etc.), forecast period (e.g., 1 day, 1 week, 1 month, 1 year, etc.), classification result, etc. Sales forecasts can be made.
上記スマートサプライチェーンシステムにおいて、上記スマート在庫補充装置は、点予測に基づく在庫補充モデルを利用して定期不定量又は不定期不定量の在庫補充計画を作成する点予測在庫補充部と、点予測及び区間予測に基づく混合型在庫補充モデルを利用して定期定量の在庫補充計画を作成する混合型在庫補充部と、区間予測に基づく在庫補充モデルを利用して不定期不定量の在庫補充計画を作成する区間予測部とを含み、上記モデル選択部は、応用対象、予測期間、上記商品分類装置の分類結果、上記販売予測装置の予測結果のうちの少なくとも１つに基づいて、上記スマート在庫補充装置において上記点予測在庫補充部、上記混合型在庫補充部及び上記区間予測在庫補充部のうちのいずれか１つを選択して在庫補充計画を作成することも可能である。 In the smart supply chain system, the smart inventory replenishment device includes a point forecast inventory replenishment unit that creates a regular or irregular inventory replenishment plan using an inventory replenishment model based on point forecasting; A mixed-type inventory replenishment department that uses a mixed-type inventory replenishment model based on interval forecast to create a regular fixed-quantity inventory replenishment plan, and an irregular-quantity inventory replenishment plan that uses an inventory replenishment model based on interval forecast. the model selection unit based on at least one of an application target, a prediction period, a classification result of the product classification device, and a prediction result of the sales prediction device, the smart inventory replenishment device , it is also possible to select any one of the point predictive stock replenishment unit, the mixed type stock replenishment unit and the section predictive stock replenishment unit to create an inventory replenishment plan.
これにより、応用対象（例えば販売店、供給業者、メーカー等）、予測期間（例えば１日、１週、１ヶ月、１年等）、分類結果、予測結果等に基づいて、最適な在庫補充モデルを選択して在庫補充計画を作成することができる。 Based on the application target (e.g. dealer, supplier, manufacturer, etc.), forecast period (e.g., 1 day, 1 week, 1 month, 1 year, etc.), classification result, forecast result, etc. can be selected to create a replenishment plan.
上記スマートサプライチェーンシステムにおいて、上記応用対象が販売店である場合、上記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、上記モデル選択部は、上記販売予測装置において上記点予測部により販売予測を行うことを選択し、少なくとも１つの予測期間に対応する長短期記憶ネットワークの点予測モデルをつくり、各種商品ごとに上記少なくとも１つの予測期間に対応する販売量を予測し、さらに上記モデル選択部は、上記スマート在庫補充装置において上記点予測在庫補充部により在庫補充計画を作成することを選択し、点予測による在庫補充モデルを利用して定期不定量又は不定期不定量の在庫補充計画を作成することも可能である。 In the above smart supply chain system, when the application target is a store, the model selection unit for various products that require confirmation of demand forecast results subdivided by the product classification device, in the sales forecast device Selecting to perform sales forecasting by the point forecasting unit, creating a point forecasting model of the long short-term memory network corresponding to at least one forecasting period, and forecasting the sales volume corresponding to the at least one forecasting period for each product Further, the model selection unit selects to create an inventory replenishment plan by the point forecast inventory replenishment unit in the smart inventory replenishment device, and uses the point forecast inventory replenishment model to supply regular irregular amount or irregular irregular It is also possible to create a quantitative inventory replenishment plan.
これにより、スマートサプライチェーンシステムを効果的に販売店に応用することが可能となる。 This makes it possible to effectively apply the smart supply chain system to dealers.
上記スマートサプライチェーンシステムにおいて、上記応用対象が供給業者である場合、上記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、上記モデル選択部は、上記販売予測装置において上記点予測部と上記区間予測部の双方により販売予測を行うことを選択し、複数の予測期間の中の少なくとも１つの予測期間に対応する長短期記憶ネットワークの点予測モデル、及び上記複数の予測期間の中のその他の少なくとも１つの予測期間に対応する確率密度の区間予測モデルをつくり、各種商品ごとに上記複数の予測期間のそれぞれに対応する販売量を予測し、さらに上記モデル選択部は、上記スマート在庫補充装置において上記混合型在庫補充部により在庫補充計画を作成することを選択し、点予測と区間予測による混合型在庫補充モデルを利用して定期定量の在庫補充計画を作成することも可能である。 In the smart supply chain system, when the application target is a supplier, the model selection unit in the sales prediction device for various products that require confirmation of demand forecast results subdivided by the product classification device a point prediction model of a long short-term memory network that selects to perform sales prediction by both the point prediction unit and the interval prediction unit and that corresponds to at least one prediction period among the plurality of prediction periods; and the plurality of predictions. Creating a probability density interval prediction model corresponding to at least one other prediction period in the period, predicting sales volume corresponding to each of the plurality of prediction periods for each product, and further, the model selection unit In the above smart inventory replenishment device, the mixed inventory replenishment unit can be selected to create an inventory replenishment plan, and a periodic quantitative inventory replenishment plan can be created using a mixed inventory replenishment model based on point forecasting and interval forecasting. It is possible.
これにより、スマートサプライチェーンシステムを効果的に供給業者に応用することが可能となる。 This will enable smart supply chain systems to be effectively applied to suppliers.
上記スマートサプライチェーンシステムにおいて、上記応用対象がメーカーである場合、上記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、上記モデル選択部は、上記販売予測装置において上記区間予測部により販売予測を行うことを選択し、少なくとも１つの予測期間に対応する確率密度の区間予測モデルをつくり、各種商品ごとに上記少なくとも１つの予測期間に対応する販売量を予測し、さらに上記モデル選択部は、上記スマート在庫補充装置において上記区間予測在庫補充部により在庫補充計画を作成することを選択し、区間予測による在庫補充モデルを利用して不定期不定量の在庫補充計画を作成することも可能である。 In the smart supply chain system, when the application target is a manufacturer, the model selection unit for various products that require confirmation of demand forecast results subdivided by the product classification device, in the sales prediction device. Selecting to perform sales forecasting by the interval forecasting unit, creating an interval forecasting model with probability density corresponding to at least one forecasting period, predicting sales volume corresponding to the at least one forecasting period for each product, and The model selection unit selects to create an inventory replenishment plan by the interval forecast inventory replenishment unit in the smart inventory replenishment device, and creates an irregular and irregular quantity inventory replenishment plan using an inventory replenishment model based on interval prediction. It is also possible to
これにより、スマートサプライチェーンシステムを効果的にメーカーに応用することが可能となる。 This will enable smart supply chain systems to be effectively applied to manufacturers.
また本発明の実施例は、複数種の商品のサプライチェーンについて管理を行い、プロセッサ、メモリ及びポートを含み、上記ポート及び顧客構内設備を通じてデータ通信を行うことが可能なサーバシステムを提供し、その特徴は、上記プロセッサが上記メモリ内に保存されているプログラムを実行することにより、過去のデータに基づいて複数種の商品について分類を行う商品分類処理と、過去のデータ及び上記商品分類処理による複数種の商品に対する分類結果に基づいて各種商品ごとに販売予測を行う販売予測処理と、上記販売予測処理の予測結果に基づいて自動在庫補充モデルを応用して、在庫補充戦略を作成するスマート在庫補充処理と、を実行し、上記在庫補充戦略は、上記ポートを通じて上記顧客構内設備に送信されるということである。 An embodiment of the present invention also provides a server system that manages a supply chain of multiple types of products, includes a processor, a memory and a port, and is capable of performing data communication through the port and customer premises equipment, Features include product classification processing for classifying multiple types of products based on past data by the processor executing a program stored in the memory, Smart inventory replenishment that creates an inventory replenishment strategy by applying an automatic inventory replenishment model based on the sales forecast processing for each product based on the classification results for each type of product and the forecast results of the above sales forecast processing. and said replenishment strategy is transmitted to said customer premises equipment through said port.
本発明のスマートサプライチェーンシステムの上記各具体例及びその効果も、上記サーバシステム、上記スマートサプライチェーンシステムが実行する方法、コンピュータに上記方法を実行させるプログラム、又は上記プログラムを保存した記録メディアを通じて実現可能である。 Each of the above specific examples of the smart supply chain system of the present invention and its effects are realized through the server system, the method executed by the smart supply chain system, a program for causing a computer to execute the method, or a recording medium storing the program. It is possible.
以下、付図、実施例及び具体例を交えて本発明についてさらに詳細な説明を行う。下記の説明は、本発明を理解しやすくするために例を挙げているのであって、本発明の範囲を限定するために用いるものではない。具体的な実施例において、装置及びシステムに備えられている部品は、実際の状況に応じて変更、削減又は追加でき、方法の手順も実際の状況に応じて変更、削減、追加又は順序変更できる。 Hereinafter, the present invention will be described in more detail with reference to attached drawings, examples, and specific examples. The following description provides examples to facilitate understanding of the invention and is not used to limit the scope of the invention. In a specific embodiment, the parts included in the device and system can be changed, reduced or added according to the actual situation, and the steps of the method can also be changed, reduced, added or rearranged according to the actual situation. .
まず、本実施例のスマートサプライチェーンシステム１００を応用可能な応用対象について説明する。図１は、本発明の実施例１のスマートサプライチェーンシステムを応用可能な応用対象を示したイメージ図である。スマートサプライチェーンシステム１００の応用対象には、販売店、供給業者、メーカーのうち少なくとも１つが含まれ、販売店、供給業者、メーカーの関係は図１に示したとおりであり、矢印は貨物（商品）の流れの方向を示す。ここでは、販売店１、販売店２、販売店３という３つの販売店、供給業者１、供給業者２という２つの供給業者、メーカー１、メーカー２、メーカー３という３つのメーカーを示しているが、販売店、供給業者、メーカーの数及び関係はこれに限定するものではなく、実際には、おそらく非常に多くの販売店、供給業者、メーカー及びさらに複雑な関係が存在する。 First, application targets to which the smart supply chain system 100 of the present embodiment can be applied will be described. FIG. 1 is an image diagram showing application targets to which the smart supply chain system of the first embodiment of the present invention can be applied. Applications of the smart supply chain system 100 include at least one of dealers, suppliers, and manufacturers. The relationship between dealers, suppliers, and manufacturers is as shown in FIG. ) flow direction. Here, three dealers, dealer 1, dealer 2, and dealer 3, two suppliers, supplier 1 and supplier 2, and three manufacturers, manufacturer 1, manufacturer 2, and manufacturer 3, are shown. , distributors, suppliers, manufacturers, the number and relationships are non-limiting, and in practice there are likely to be a very large number of distributors, suppliers, manufacturers and more complex relationships.
その中で、販売店は、各商品の販売量の状況を管理しなければならず、これにより販売及び在庫戦略を決定する。供給業者は、異なるメーカーから商品を受け取り、受け取った貨物（商品）を複数の販売店に供給する。従って、メーカーに対し商品を発注する必要があるとともに、川下の販売店への配送計画の手配をしなければならない。メーカーは、生産した商品を複数の異なる供給業者に供給し、これにより供給業者は販売店に商品を供給する。各種商品のライフサイクルは異なるため、商品の未来における需要を予測する必要があり、これにより未来の生産計画を導出する。 Among them, the store has to manage the sales volume status of each product, thereby determining the sales and inventory strategy. A supplier receives goods from different manufacturers and supplies the received cargo (goods) to a plurality of sales outlets. Therefore, it is necessary to place an order for the product with the manufacturer, and to arrange a delivery plan to the downstream distributors. The manufacturer supplies the goods it produces to several different suppliers, who in turn supply the goods to the outlets. Since the life cycles of various products are different, it is necessary to predict future demand for products, and from this, future production plans can be derived.
上記需要のうちの少なくとも1つに対して、本実施例は、スマートサプライチェーンシステム１００を提供する。図２は、本発明の実施例１のスマートサプライチェーンシステム１００を示した機能構造のブロック図である。図２に示すように、上記スマートサプライチェーンシステム１００は商品分類装置１０、販売予測装置２０及びスマート在庫補充装置３０を含み、例えば図１に示した複数種の商品のサプライチェーンに対して管理を行う。各装置は、プロセッサを通じてメモリ内に保存されたアプリケーションプログラムを機能モジュールとして実現することもでき、またそれぞれ独立したハードウェア構造を通じて実現することもできる。具体的な実現方法については、後文で２つの具体例を説明する。
For at least one of the above demands, the present embodiment provides a smart supply chain system 100. FIG. 2 is a functional structural block diagram showing the smart supply chain system 100 of Embodiment 1 of the present invention. As shown in FIG. 2, the smart supply chain system 100 includes a
図２に示すように、商品分類装置１０は、過去のデータに基づいて、複数種の商品について分類を行う。例えば、商品分類装置１０は、従来のＡＢＣ分類法をベースとして、商品の時間特性を追加で考慮する。例えば、直近の販売時間間隔を分析次元として追加し、過去のデータとしての販売量データに基づいたＡＢＣ分類結果及び直近の販売時間間隔を２つの次元とし、Ｒ－ＡＢＣ分類法として複数種の商品について分類を行う。これにより、ＡＢＣ分類をさらに細分化することで、従来のＡＢＣ分類の中から、さらに価値のある商品を選別できる。
As shown in FIG. 2, the
ここでは、過去のデータには出庫日、月／週数、目的地倉庫番号、商品番号、出庫数量等が含まれている。例えば、応用対象が販売店である場合、過去のデータには販売日、月／週数、商品番号、販売量等が含まれる。過去のデータには、需要に基づいて、その他のデータが含まれていても良い。また、供給業者／メーカーからすると、某顧客に対する「出庫」は「販売」に相当するため、本明細書においては、供給業者／メーカーにおける「出庫」及び販売店の「販売」を統一して「販売」という言葉で表現する。例えば、「販売日」は販売店における販売日を含むだけでなく、供給業者／メーカーにおける出庫日を含み、「販売量」は販売店における販売量を含むだけでなく、供給業者／メーカーにおける出庫量を含む。 Here, the past data includes the delivery date, the number of months/weeks, the destination warehouse number, the product number, the delivery quantity, and the like. For example, if the application target is a store, the past data includes sales date, month/week number, product number, sales volume, and the like. Historical data may include other data based on demand. In addition, from the supplier/manufacturer's point of view, "shipping" to a certain customer corresponds to "sales", so in this specification, "shipping" by suppliers/manufacturers and "sales" by dealers are unified to " expressed in terms of "sales". For example, "Date of Sale" not only includes the date of sale at the store, but also the date of issue at the supplier/manufacturer, and "Volume Sales" includes not only the amount of sales at the store, but also the date of issue at the supplier/manufacturer. Including quantity.
さらに一歩進んで商品の販売特性を明確化するため、商品分類装置１０は過去のデータに基づいて、各商品の商品特性分析指標を計算することも可能である。商品特性分析指標は、例えば下記指標（需要確率、販売頻度、変動係数、変動幅、顧客集中度、販売ペース、発売間隔等）のうちの少なくとも１つを含む。これにより、上記改善したＲ－ＡＢＣ分類法の分類結果（第一段階の分類結果）に基づき、算出された各商品特性分析指標を使用して、多次元の細分化を行い、最終的な分類結果とする。その上で、細分化した結果に基づいて、販売員による需要予測結果の確認が必要な商品を抽出する。これにより、効果的に販売員の業務経験を盛り込むことで、需要予測の精度を高めることができる。
In order to go one step further and clarify the sales characteristics of the products, the
販売予測装置２０は、過去のデータ及び商品分類装置１０の複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う。例を挙げると、販売予測装置２０は、商品分類装置１０の分類結果に基づいて、例えば商品分類装置１０が抽出した需要予測結果の確認を必要とする商品について、各種商品ごとに規定期間（例えば１日、１週、１ヶ月、１年等）の販売量を予測する。
The
具体的に説明すると、販売予測装置２０は、例えば長短期記憶ネットワークに基づく点予測を使用して、予測期間（例えば１日、１週又は１年）に対応する長短期記憶ネットワーク点予測モデルをつくり、データ収集、データ処理、モデル構築、モデル評価、モデル展開を実施し、上記予測期間に対応する予測結果を出力することが可能である。又は、販売予測装置２０は、ディープラーニング（例えばＤｅｅｐＡＲ方法）に基づく確率密度の区間予測を使用して、予測期間（例えば１ヶ月）に対応する確率密度の区間予測モデルをつくり、データ収集、データ処理、モデル構築、予測結果の処理を実行し、上記予測期間に対応する予測結果を出力することも可能である。
Specifically, the
さらに、販売予測装置２０は、上記点予測と区間予測を組み合わせた混合型予測を利用して、複数の予測期間における各予測期間にそれぞれ対応する複数の予測モデルをつくり、複数の予測期間にそれぞれ対応する予測結果を出力することも可能である。例えば、販売予測装置２０は、１日に対応する長短期記憶ネットワーク点予測モデル、１ヶ月に対応する確率密度の区間予測モデル、及び１年に対応する長短期記憶ネットワーク点予測モデルをつくり、１日、１ヶ月及び１年に対応する予測結果をそれぞれ出力する。商品の分類結果、予測が必要な期間等の要素を加味して、最も適切な予測方式を利用することで、必要な予測期間に対応した、より正確な予測結果を得ることができる。
Furthermore, the
スマート在庫補充装置３０は、販売予測装置２０の予測結果及び商品特性評価指標に基づいて、自動在庫補充モデルを応用し、在庫補充戦略を作成する。例えば、スマート在庫補充装置３０は、異なる商品の特性に対して、異なる在庫補充戦略を立て、「定期不定量」、「定期定量」、「不定期不定量」の在庫補充計画を作成する。
The smart
具体的には、スマート在庫補充装置３０は、点予測による在庫補充モデルを利用して、「定期不定量」又は「不定期不定量」の在庫補充計画を作成する。又は、スマート在庫補充装置３０は、点予測と区間予測による混合型在庫補充モデルを利用して、「定期定量」の在庫補充計画を作成する。又は、スマート在庫補充装置３０は、区間予測による在庫補充モデルを利用して、「不定期不定量」の在庫補充計画を作成する。このように、異なる商品特性、異なる在庫補充周期等の要素に基づいて、最適な在庫補充モデルを利用して在庫補充計画を作成し、需要をより満足させる在庫補充戦略を提供することが可能である。
Specifically, the smart
その中で、図２では、スマートサプライチェーンシステム１００と外部のデータベース２００を接続し、外部のデータベース２００から過去のデータを取得する例を示している。しかし、本実施例はこれに限定されるものではなく、データベース２００は、スマートサプライチェーンシステム１００の内蔵記憶設備によって保存することも可能である。また、スマートサプライチェーンシステム１００と外部のデータベース２００との間の接続方式は、各種有線接続又は無線接続でも良く、ここでは限定しない。
Among them, FIG. 2 shows an example of connecting the smart supply chain system 100 and an
本実施例のスマートサプライチェーンシステム１００によって、サプライチェーン管理はサプライチェーンだけではなく、ビッグデータ及び情報システムを拠り所とし、商品分類、販売予測及びスマート在庫補充という三大重要分野を効果的に融合させ、内外部のデータ要素を集めて一体化し、各システムを情報主導のもとで連携して動作させ、最大限にサービスのキャパシティを凝集し、秩序立ててサービス能力を解放する。これにより、サービスを精確にし、サプライチェーンに透明性・柔軟性・敏捷性を持たせ、各役割間でよりいっそう連携し合うことが可能となる。 According to the smart supply chain system 100 of the present embodiment, supply chain management is based not only on the supply chain, but also on big data and information system, effectively integrating the three major areas of product classification, sales forecasting and smart inventory replenishment. , collect and integrate internal and external data elements, make each system work together under the information initiative, maximize service capacity, and release service capacity in an orderly manner. This will enable service precision, supply chain transparency, flexibility and agility, and greater collaboration between roles.
以下、本実施例のスマートサプライチェーンシステム１００のハードウェア構造の２つの具体例について説明する。図３は、本発明の実施例１のスマートサプライチェーンシステム１００のハードウェア構造を示したブロック図の一例である。図３に示すように、スマートサプライチェーンシステム１００は、プロセッサ１１０、メモリ１２０、ポート１３０、入力装置１４０及びディスプレイ部１５０を含むコンピュータシステムにより、図２に示した各機能モジュールを実現する。その中で、プロセッサ１１０、メモリ１２０、ポート１３０、入力装置１４０及びディスプレイ部１５０の相互間は、バス１６０によって接続されている。
Two specific examples of the hardware structure of the smart supply chain system 100 of this embodiment will be described below. FIG. 3 is an example of a block diagram showing the hardware structure of the smart supply chain system 100 of Example 1 of the present invention. As shown in FIG. 3, smart supply chain system 100 implements each functional module shown in FIG. Among them, the processor 110 , the memory 120 , the port 130 , the input device 140 and the display unit 150 are interconnected by the
具体的に説明すると、プロセッサ１１０は、例えばＣＰＵ、マイクロプロセッサ等であり、メモリ１２０内に保存されているアプリケーションプログラムを実行することにより、スマートサプライチェーンシステム１００の各装置の機能を実現する。ポート１３０は、例えば通信ポートであり、データベース２００とデータ通信を行うことができる。入力装置１４０は、例えば、キーボード、マウス、マイク等の入力装置であり、ユーザーのコマンド入力に供する。ディスプレイ部１５０は、例えば液晶ディスプレイであり、スマートサプライチェーンシステム１００の処理過程及び結果に関する画面を表示できる。
Specifically, the processor 110 is, for example, a CPU, a microprocessor, etc., and implements the functions of each device of the smart supply chain system 100 by executing application programs stored in the memory 120 . The port 130 is, for example, a communication port and can perform data communication with the
本例のハードウェア構造に基づいたスマートサプライチェーンシステム１００は、例えば応用対象としての販売店、供給業者、メーカー側に設置可能であり、ユーザーとしての販売店、供給業者、メーカーが使用可能である。 The smart supply chain system 100 based on the hardware structure of this example can be installed, for example, on the side of dealers, suppliers, and manufacturers as application targets, and can be used by dealers, suppliers, and manufacturers as users. .
図４は、本発明の実施例１のスマートサプライチェーンシステム１００のハードウェア構造を示した別の一例のブロック図である。図４に示すように、スマートサプライチェーンシステム１００は、相互にデータ通信可能なサーバシステム１００Ａ及び顧客構内設備１００Ｂを含む。サーバシステム１００Ａは、バス１６０Ａによって相互接続されるプロセッサ１１０Ａ、メモリ１２０Ａ及びポート１３０Ａを含み、顧客構内設備１００Ｂは、バス１６０Ｂによって相互接続されるプロセッサ１１０Ｂ、メモリ１２０Ｂ、ポート１３０Ｂ、入力装置１４０及びディスプレイ部１５０を含む。
FIG. 4 is another example block diagram showing the hardware structure of the smart supply chain system 100 according to the first embodiment of the present invention. As shown in FIG. 4, the smart supply chain system 100 includes a server system 100A and a customer premises equipment 100B capable of data communication with each other. Server system 100A includes processor 110A, memory 120A and port 130A interconnected by
具体的に説明すると、サーバシステム１００Ａのプロセッサ１１０Ａは、例えばＣＰＵ、マイクロプロセッサ等であり、メモリ１２０Ａ内に保存されているアプリケーションプログラムを実行することにより、スマートサプライチェーンシステム１００の各装置の機能を実現する。また、サーバシステム１００Ａのポート１３０Ａは、例えば通信ポートであり、顧客構内設備１００Ｂのポート１３０Ｂ及び／又はデータベース２００とデータ通信を行うことができる。
Specifically, the processor 110A of the server system 100A is, for example, a CPU, a microprocessor, or the like, and executes the application program stored in the memory 120A to execute the functions of each device of the smart supply chain system 100. come true. Port 130A of server system 100A is, for example, a communication port, and can perform data communication with port 130B of customer premises equipment 100B and/or
顧客構内設備１００Ｂのプロセッサ１１０Ｂは、例えばＣＰＵ、マイクロプロセッサ等であり、メモリ１２０Ｂ内に保存されているアプリケーションプログラムを実行することにより、ユーザーインターフェースの機能を実現する。入力装置１４０は、例えば、キーボード、マウス、マイク等の入力装置であり、ユーザーのコマンド入力に供する。ディスプレイ部１５０は、例えば液晶ディスプレイであり、スマートサプライチェーンシステム１００の処理過程及び結果に関する画面を表示できる。 The processor 110B of the customer premises equipment 100B is, for example, a CPU, a microprocessor, or the like, and implements a user interface function by executing an application program stored in the memory 120B. The input device 140 is, for example, an input device such as a keyboard, mouse, microphone, etc., and is used for command input by the user. The display unit 150 is, for example, a liquid crystal display, and can display screens regarding the process and results of the smart supply chain system 100 .
本例のハードウェア構造に基づいたスマートサプライチェーンシステム１００のうち、サーバシステム１００Ａは、サービス提供業者側に設置可能であり、顧客構内設備１００Ｂは、応用対象としての販売店、供給業者、メーカー側に設置可能である。これにより、サービス提供業者は、ユーザーとしての販売店、供給業者、メーカーに対し、スマートサプライチェーンシステム１００の上記機能を提供する。 Of the smart supply chain system 100 based on the hardware structure of this example, the server system 100A can be installed on the side of the service provider, and the customer premises equipment 100B can be installed on the side of dealers, suppliers, and manufacturers as application targets. can be set to As a result, the service provider provides the above functions of the smart supply chain system 100 to stores, suppliers, and manufacturers as users.
以下、本実施例のスマートサプライチェーンシステム１００の実行の方法について説明する。図５は、本発明の実施例１のスマートサプライチェーンシステム１００の実行の方法を示したフローチャートである。ここでは、本実施例のスマートサプライチェーンシステム１００の実行の方法の一例について具体的に説明するが、本実施例のスマートサプライチェーンシステム１００の実行の方法は下記の例に限定されない。 A method for implementing the smart supply chain system 100 of this embodiment will be described below. FIG. 5 is a flow chart showing a method of implementation of the smart supply chain system 100 of embodiment 1 of the present invention. Here, an example of the execution method of the smart supply chain system 100 of this embodiment will be specifically described, but the execution method of the smart supply chain system 100 of this embodiment is not limited to the following example.
図５に示すように、手順Ｓ１において、異なる分類の商品について相応の販売及び在庫戦略をとりやすくするために、商品分類装置１０により商品について分類を行う。具体的には、上記Ｒ－ＡＢＣ分類法をベースとし、各商品特性分析指標を踏まえて、商品を細分化し、そこから販売員による需要予測結果の確認が必要な商品を選別する。
As shown in FIG. 5, in step S1, products are classified by the
手順Ｓ２において、需要計画を立てやすくするために、販売予測装置２０により販売予測を行う。上記のとおり、販売予測装置２０は、手順Ｓ１の分類結果に基づいて、需要予測結果の確認が必要な商品について、例えば長短期記憶ネットワークに基づく点予測を利用し、又はＤｅｅｐＡＲアルゴリズムに基づく確率密度の区間予測を利用する。
In step S2, sales forecasting is performed by the
手順Ｓ３において、在庫補充戦略を立てやすくするために、スマート在庫補充装置３０が自動在庫補充モデルを特定の状況に応用する。上記のとおり、スマート在庫補充装置３０は、手順Ｓ２の予測方式及び予測結果に対応して、点予測による在庫補充モデル、点予測と区間予測による混合型の在庫補充モデル、又は区間予測による在庫補充モデルを利用する。
In step S3, the
以下、本発明の実施例２について、具体的に説明する。図６は、本発明の実施例２のスマートサプライチェーンシステム１００’を示した機能構造のブロック図である。図６に示すように、本実施例のスマートサプライチェーンシステム１００’は、実施例１のスマートサプライチェーンシステム１００をベースとして、販売予測装置２０及びスマート在庫補充装置３０の機能に変更を加え、モデル選択部４０を別途追加したものである。以下、具体的に説明する。
A second embodiment of the present invention will be specifically described below. FIG. 6 is a functional structural block diagram showing a smart supply chain system 100' according to Embodiment 2 of the present invention. As shown in FIG. 6, the smart supply chain system 100' of the present embodiment is based on the smart supply chain system 100 of the first embodiment, with changes made to the functions of the
図６に示すように、販売予測装置２０は、点予測部２１及び区間予測部２２を含む。点予測部２１は、長短期記憶ネットワークに基づいて点予測を行い、区間予測部２２は確率密度の区間予測を行う。また、スマート在庫補充装置３０は、点予測在庫補充部３１、混合型在庫補充部３２及び区間予測在庫補充部３３を含む。点予測在庫補充部３１は、点予測による在庫補充モデルを利用して、定期不定量又は不定期不定量の在庫補充計画を作成する。混合型在庫補充部３２は、点予測と区間予測による混合型在庫補充モデルを利用して、定期定量の在庫補充計画を作成する。区間予測在庫補充部３３は、区間予測の在庫補充モデルを利用して、不定期不定量の在庫補充計画を作成する。
As shown in FIG. 6 , the
さらに、スマートサプライチェーンシステム１００’は、モデル選択部４０を含む。上記モデル選択部４０は、商品分類装置１０、販売予測装置２０及びスマート在庫補充装置３０と独立したハードウェアを通じても実現可能であり、また商品分類装置１０、販売予測装置２０及びスマート在庫補充装置３０のうちのいずれか１つと同じハードウェアを通じても実現可能である。さらに、本実施例は、図３に示したハードウェア構造にも適用可能であり、図４に示したハードウェア構造にも適用可能である。
Furthermore, smart supply chain system 100 ′ includes model selector 40 . The model selection unit 40 can also be realized through hardware independent of the
モデル選択部４０は、応用対象（例えば販売店、供給業者、メーカー等）、予測期間（例えば１日、１週、１ヶ月、１年等）、商品分類装置１０の分類結果の中の少なくとも１つに基づいて、販売予測装置２０において点予測部２１により販売予測を行うか、区間予測部２２により販売予測を行うか、点予測部２１と区間予測部２２の双方により販売予測を行うかを選択する。例えば、応用対象が販売店か、供給業者か、メーカーかに基づき、予測が必要な期間を確定でき、さらに点予測部２１により長短期記憶ネットワークに基づいて点予測を行うのか、又は区間予測部２２により確率密度の区間予測を行うのかを選択可能であり、従って応用対象、予測期間、分類結果等に基づいて、最適な予測方式を選択して販売予測を行うことが可能である。
The model selection unit 40 selects at least one of an application target (for example, store, supplier, manufacturer, etc.), a prediction period (for example, 1 day, 1 week, 1 month, 1 year, etc.), and the classification result of the
さらに進んで、モデル選択部４０は、応用対象、予測期間、商品分類装置１０の分類結果、販売予測装置２０の予測結果のうちの少なくとも１つに基づいて、スマート在庫補充装置３０において、点予測在庫補充部３１、混合型在庫補充部３２及び区間予測在庫補充部３３のうちのいずれか１つを選択して在庫補充計画を作成する。例えば、応用対象が販売店か、供給業者か、メーカーか、及び販売予測装置２０において選択された予測モデルと予測結果に基づいて、最適な在庫補充モデルを選択して在庫補充計画を作成する。
Further, the model selection unit 40 performs point prediction in the smart
その中で、モデル選択部４０は、例えば予め保存しておいたモデル選択参照表に基づいて、上記選択を行うことができる。モデル選択部４０の選択方式は、これに限定されず、外部から選択結果を直接入力したり、又はモデル選択参照表に基づいて選択した結果に、さらに外部入力を通じて修正を行ったり、又は以前の選択結果について機械学習を適用することで選択案を作成したりすることも可能である。図７は、本発明の実施例２のモデル選択部４０が参照するモデル選択参照表の一例を示した表である。以下、具体的に説明する。 Among them, the model selection unit 40 can perform the above selection based on, for example, a model selection reference table that is stored in advance. The selection method of the model selection unit 40 is not limited to this, and the selection result is directly input from the outside, or the result selected based on the model selection reference table is further corrected through external input, or the previous It is also possible to create a selection plan by applying machine learning to the selection results. FIG. 7 is a table showing an example of the model selection reference table referred to by the model selection section 40 of the second embodiment of the present invention. A specific description will be given below.
図７に示すように、スマートサプライチェーンシステム１００’の応用対象が販売店である場合において、販売店は、各商品の販売量の状況を管理しなければならず、これにより販売及び在庫戦略を決定する。このため、在庫補充計画の要求を加味して、商品分類装置１０により細分化した需要予測結果の確認が必要な各種商品に関し、各商品の需要状況について同時に日次予測、週次予測を行う。モデル選択部４０は、販売予測装置２０において、点予測部２１により日次予測及び週次予測を行うことを選択し、対応する長短期記憶ネットワークの点予測モデルを作成し、各種商品ごとに１日及び１週に対応する販売量を予測する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、点予測在庫補充部３１により在庫補充計画を作成することを選択し、点予測による在庫補充モデルを利用して、定期不定量又は不定期不定量の在庫補充計画を作成する。これにより、販売店を応用対象とした特性を加味し、適切な予測期間と予測モデルを確定するとともに、適切な在庫補充モデルを利用することで、スマートサプライチェーンシステム１００’を効果的に販売店に応用できる。
As shown in FIG. 7, when the application target of the smart supply chain system 100' is a store, the store must manage the sales volume of each product, and accordingly, the sales and inventory strategy can be adjusted. decide. Therefore, in consideration of the demand for the stock replenishment plan, daily and weekly forecasts are simultaneously made for the demand status of each product for various products for which confirmation of the demand forecast result subdivided by the
また図７に示すように、応用対象が供給業者である場合において、供給業者は、異なるメーカーから商品を受け取り、受け取った貨物（商品）を複数の店舗に供給する。従って、メーカーに対し商品を発注する必要があるとともに、川下の販売店への配送計画を手配しなければならない。供給業者は、メーカーと販売店の両方と繋がっており、商品の長期的需要と短期的需要を把握しなければならないため、在庫補充計画の要求を加味して、商品分類装置１０により細分化した需要予測結果の確認が必要な各種商品に関し、各商品の需要状況について同時に日次予測、月次区間予測、年次予測を行う。モデル選択部４０は、販売予測装置２０において、点予測部２１と区間予測部２２の双方により販売予測を実行することを選択し、点予測部２１は、１日及び１年に対応する長短期記憶ネットワークの点予測モデルをつくり、区間予測部２２は、１ヶ月に対応する確率密度の区間予測モデルをつくり、各種商品ごとに１日、１ヶ月、１年にそれぞれ対応する販売量を予測する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、混合型在庫補充部３２により在庫補充計画を作成することを選択し、点予測と区間予測による混合型在庫補充モデルを利用して、定期定量の在庫補充計画を作成する。これにより、供給業者を応用対象とした特性を加味し、適切な予測期間と予測モデルを確定するとともに、適切な在庫補充モデルを利用することで、スマートサプライチェーンシステム１００’を効果的に供給業者に応用できる。
Also, as shown in FIG. 7, when the application target is a supplier, the supplier receives products from different manufacturers and supplies the received goods (products) to a plurality of shops. Therefore, it is necessary to place an order for the product with the manufacturer and to arrange a delivery plan to the downstream distributors. The supplier is connected to both the manufacturer and the store, and has to grasp the long-term demand and short-term demand of the product. For various products whose demand forecast results need to be confirmed, daily forecasts, monthly section forecasts, and annual forecasts are simultaneously performed for the demand status of each product. The model selection unit 40 selects execution of sales prediction by both the
また、図７に示すように、応用対象がメーカーである場合において、メーカーは複数種の商品を生産し、複数の異なる供給業者に供給し、供給業者が販売店に商品を供給する。各種商品のライフサイクルは異なるため、商品の未来における需要を今予測する必要があり、これにより未来の生産計画を導出する。各ロット生産で得られる商品の数量が大きいため、長い周期で商品供給を行うことが可能であり、従って上記商品分類装置が細分化した需要予測結果の確認が必要な各種商品について、商品の月需要量予測を行う。モデル選択部４０は、販売予測装置２０において、区間予測部２２により販売予測を実行することを選択し、１ヶ月に対応する確率密度の区間予測モデルをつくり、各種商品ごとに１ヶ月に対応する販売量を予測する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、区間予測在庫補充部３３により在庫補充計画を作成することを選択し、区間予測による在庫補充モデルを利用して、不定期不定量の在庫補充計画を作成する。これにより、メーカーを応用対象とした特性を加味し、適切な予測期間と予測モデルを確定するとともに、適切な在庫補充モデルを利用することで、スマートサプライチェーンシステム１００’を効果的にメーカーに応用できる。
Also, as shown in FIG. 7, when the application target is a manufacturer, the manufacturer produces a plurality of types of products, supplies them to a plurality of different suppliers, and the suppliers supply the products to stores. Since the life cycles of various commodities are different, it is necessary to forecast future demand for commodities now, from which future production plans can be derived. Since the quantity of products obtained in each lot production is large, it is possible to supply products in a long cycle. Make a demand forecast. The model selection unit 40 selects execution of sales prediction by the interval prediction unit 22 in the
また上記予測期間は一例に過ぎず、状況に応じてその他の予測期間を採用可能である。又は、ユーザーが予測期間を指定することも可能である。即ち、モデル選択部４０は入力する応用対象及び予測期間に基づいて、適切な予測モデル及び在庫補充モデルを選択することも可能である。 Also, the above prediction period is only an example, and other prediction periods can be adopted depending on the situation. Alternatively, the user can specify the prediction period. That is, the model selection unit 40 can select an appropriate forecast model and inventory replenishment model based on the input application target and forecast period.
（具体例１）
以下、本発明の具体例について説明する。ここでは、実施例２をベースに本具体例を実施した場合について説明するが、販売予測及びスマート在庫補充において使用するモデルを事前に決定している場合、本具体例は実施例１にも適用可能である。また本具体例は、図３に示したハードウェア構造にも適用可能であり、図４に示したハードウェア構造にも適用可能である。
(Specific example 1)
Specific examples of the present invention will be described below. Here, a case where this specific example is implemented based on Example 2 will be described, but if the model used in sales forecasting and smart inventory replenishment is determined in advance, this specific example is also applicable to Example 1. It is possible. This specific example is also applicable to the hardware structure shown in FIG. 3, and is also applicable to the hardware structure shown in FIG.
本事例は、販売店で応用されるモデルの説明に用いられる。図８は、本発明のスマートサプライチェーンシステム１００’を販売店に応用した場合の応用事例（具体例１）を示したフローチャートである。 This example is used to illustrate a model applied at a dealership. FIG. 8 is a flow chart showing an application example (specific example 1) when the smart supply chain system 100' of the present invention is applied to a store.
図８に示すように、手順Ｓ１０１において、商品分類装置１０は、Ｒ－ＡＢＣ分類法を利用し商品について分類を行う。
As shown in FIG. 8, in step S101, the
具体的には、仮に某販売店の過去３ヶ月における各商品の販売量の合計を大きいものから順に並べ、各商品の販売量が全体の販売量に占める百分率を計算し、その後、累積百分率を計算する。ＡＢＣ分類法の定義に基づき、累積比率が０％～８０％のものをＡ類、累積比率が８０％～９０％のものをＢ類、累積比率が９０％～１００％のものをＣ類とする。ここにおける比率は、実際の状況に応じて調整可能である。 Specifically, suppose that the total sales volume of each product in the past three months of a certain store are arranged in descending order, the percentage of the sales volume of each product to the total sales volume is calculated, and then the cumulative percentage is calculated. calculate. Based on the definition of the ABC classification method, those with a cumulative ratio of 0% to 80% are classified as Class A, those with a cumulative ratio of 80% to 90% are classified as Class B, and those with a cumulative ratio of 90% to 100% are classified as Class C. do. The ratio here can be adjusted according to the actual situation.
しかし、従来のＡＢＣ分析法は商品の時間特性を考慮しておらず、例えば某商品は販売量合計が１００であるが、この１００に直近の販売記録が含まれているのか、又は２ヶ月以上前の販売記録なのかによって、商品の重要度が異なってくる。「直近販売間隔」という次元を追加することで、この問題をうまく解決できる。ＡＢＣ分類をベースとして、各商品の「直近販売間隔」に基づいて、商品を時間次元により３等級に分類する。その中で、商品を時間次元によって分類する等級数は、これに限定されず、実際の状況に基づいて事情を考慮して設定することが可能である。例えば、Ｒ－ＡＢＣ分類法に基づく分類結果は、表１の最後の１列に示すとおりである。 However, the conventional ABC analysis method does not consider the time characteristics of the product. The importance of the product differs depending on whether it is a previous sales record. Adding the dimension "Last Sales Interval" solves this problem nicely. Based on the ABC classification, the products are classified into three grades according to the time dimension based on the "latest sales interval" of each product. Among them, the number of grades for classifying commodities according to the time dimension is not limited to this, and can be set according to the actual situation. For example, the classification results based on the R-ABC classification method are shown in the last column of Table 1.
さらに、販売店の販売記録が表２のとおりであると仮定し、各商品特性分析指標の値を下記のとおり計算する。 Furthermore, assuming that the sales record of the store is as shown in Table 2, the value of each product characteristic analysis index is calculated as follows.
需要確率とは、単位期間内において、どれぐらいの確率で販売実績が発生するかを計算したものである。販売頻度とは、指定期間内において、週を単位とした販売実績の統計であり、実績のある週数を頻度として統計をとったものである。変動係数とは、需要のばらつきの大きさを判断するために使用するものである。変動幅とは、指定期間内の総需要量のばらつき状況を確認するためのものである。顧客集中度とは、指定期間内における販売量が少数の顧客に集中しているか否かを確認するためのものである。販売ペースとは、商品を単位として、毎回販売記録をとり、次の販売記録までの時間間隔について統計をとったものである。発売間隔とは、商品を単位として、商品の最も早い販売日から現在の分析時間点までの時間間隔について統計をとったもので、間隔が長いほど発売期間が長く、間隔が短いほど、発売期間が短いことを意味する。 The demand probability is a calculation of the probability of the actual sales occurring within a unit period. The sales frequency is statistics of sales results in units of weeks within a specified period, and the statistics are taken with the frequency of the number of weeks with actual results. The coefficient of variation is used to determine the degree of variation in demand. Fluctuation range is for confirming the dispersion state of the total demand amount within a specified period. The degree of customer concentration is for confirming whether or not the sales volume within a specified period is concentrated on a small number of customers. The sales pace is obtained by taking a sales record for each product and taking statistics on the time interval until the next sales record. The release interval is the statistics of the time interval from the earliest sale date of the product to the current analysis time point for each product. The longer the interval, the longer the release period. means short.
商品０９の特徴として以下のことがわかる。商品０９は、総販売量が大きく、最近の販売記録があり、現在の主力販売製品であり、販売頻度が高く、需要変動係数は小さいが、月を単位とした全体の変動幅が大きい。顧客集中度が高く、Ｃ０００２が主要顧客であり、平均販売ペースは７日、発売間隔は６７日である。予め設定した規則表に基づいて、商品０９は主要販売商品グループであり、販売頻度が高く、相対的に充足したデータサンプルを有するため、データ分析及び機械学習の方式によって未来の需要量を予測可能であると判断できる。 The features of product 09 are as follows. Product 09 has a large total sales volume, has a recent sales record, is the main sales product at present, has a high sales frequency, and has a small demand variation coefficient, but has a large fluctuation range on a monthly basis. Customer concentration is high, with C0002 being the main customer, with an average sales pace of 7 days and a release interval of 67 days. Based on the preset rule table, product 09 is the main sales product group, with high sales frequency and relatively sufficient data samples, so that future demand can be predicted by data analysis and machine learning methods. can be determined to be
次に、手順Ｓ１０２において、モデル選択部４０が販売予測及びスマート在庫補充で使用するモデルを選択する。具体的に説明すると、モデル選択部４０は、例えば図７に示すモデル選択参照表に基づき、本具体例において販売店に応用する場合に関して、各種商品の需要状況を選択すると同時に、日次予測、週次予測を行い、また販売予測装置２０において点予測部２１により販売予測を行うことを選択し、ここで長短期記憶ネットワークに基づき、２つの販売量予測モデルを構築する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、点予測在庫補充部３１により定期不定量の在庫補充モデル及び不定期不定量の在庫補充モデルを構築することを選択する。
Next, in step S102, the model selection unit 40 selects a model to be used for sales forecasting and smart inventory replenishment. More specifically, the model selection unit 40 selects the demand status of various products for the case of application to a store in this specific example based on, for example, the model selection reference table shown in FIG. Weekly forecasting is selected, and sales forecasting is performed by the
次に、手順Ｓ１０３において、販売予測装置２０が各販売店の過去の販売データを取り込む。その属性は表３のとおりである。
Next, in step S103, the
次に、データ処理を行い、ｋｅｒａｓを利用して日次予測と週次予測の長短期記憶ネットワークモデルをつくり、また予測主体の違いによって予測結果について相応の後処理を行い、ウェブページ、レポート等、適切な形式で出力する。本例においては、データベースで予測結果表を作成する。構造及び例は、表４のとおりである。 Next, data processing is performed, using keras to create a long-term memory network model for daily and weekly predictions. , output in the appropriate format. In this example, a prediction results table is created in the database. Structures and examples are shown in Table 4.
次に、手順Ｓ１０４において、スマート在庫補充装置３０により最大在庫量を計算する。点予測による定期不定量在庫補充モデルを応用し、手順Ｓ１０３の予測結果に基づいて、定期在庫補充モデルにおける最小在庫量を計算し、当期在庫が最小在庫量を下回る場合、在庫補充計画を作成し、計算した最大在庫量まで在庫補充する。さらに、点予測による不定期不定量在庫補充モデルを応用し、手順Ｓ１０３の予測結果に基づいて、不定期在庫補充モデルにおける最小在庫量を計算し、当日在庫が最小在庫量を下回る場合、在庫補充計画を作成し、計算した最大在庫量まで在庫補充する。
Next, in step S104, the smart
本例においては、企業が期待する在庫周期を２週間と仮定し、需要確率と販売頻度を使用し、表５に示した規則に基づいて、異なる商品の在庫回転期間と安全係数を決定し、最大在庫量とする。安全係数は、実際の状況に応じて調整可能である。 In this example, assuming that the inventory cycle expected by the company is two weeks, the demand probability and sales frequency are used to determine the inventory turnover period and safety factor for different products based on the rules shown in Table 5, Maximum stock amount. The safety factor can be adjusted according to the actual situation.
各商品の在庫回転期間＝各商品の需要確率＊２（小数点以下切り上げ） Inventory turnover period for each product = Probability of demand for each product * 2 (rounded up after the decimal point)
例における期間は２ヶ月（９週）であり、販売頻度は以下の規則に従い、高い、やや高い、普通、やや低い、低い、の５等級に分ける。 The period in the example is 2 months (9 weeks), and the sales frequency is divided into 5 grades of high, moderately high, normal, moderately low, and low according to the following rules.
例における商品０９は高頻度商品であり、在庫回転期間は２週と定義され、安全係数は３．１である。従って、商品０９の最大在庫は、公式に従って計算すると下記のとおりである。
最大在庫量＝未来在庫回転期間内の需要予測数＋安全在庫数（ＳＳ）
＝未来２週の需要予測＋（３．１＊過去２週の１日あたりの需要実績の標準偏差＊√１４）
＝（４０＋４７）＋（３．１＊２．０５＊３．７４）＝１１１
Item 09 in the example is a high frequency item, with an inventory turnover period defined as 2 weeks and a safety factor of 3.1. Therefore, the maximum inventory of product 09 is calculated according to the formula below.
Maximum inventory amount = number of forecasted demand within the future inventory turnover period + number of safety stocks (SS)
= demand forecast for the next two weeks + (3.1 * standard deviation of actual demand per day for the past two weeks * √ 14)
=(40+47)+(3.1*2.05*3.74)=111
次に、定期不定量在庫補充モデルを利用し、毎週、時間点を固定し、現在の在庫状況を定期的に検査する。標準在庫補充リードタイムを３日と仮定して、以下の公式を使用し定期在庫補充モデルにおける最小在庫量を計算する。
最小在庫回転期間（週）＝標準在庫補充リードタイム／７日（小数点以下切り上げ）＝３／７＝１（週）
最小在庫量＝未来最小在庫回転期間内の需要予測数＋安全在庫数（ＳＳ）＝未来１週の需要予測＋（３．１＊過去１週の１日あたりの需要実績の標準偏差＊√７）＝４０＋０＝４０
Then, using a periodic random inventory replenishment model, we fix a time point each week and periodically check the current inventory status. Assuming a standard replenishment lead time of 3 days, use the following formula to calculate the minimum inventory in the periodic replenishment model.
Minimum inventory turnover period (weeks) = standard inventory replenishment lead time / 7 days (rounded up after decimal point) = 3/7 = 1 (weeks)
Minimum Inventory = Demand Forecast within Future Minimum Inventory Turnover Period + Safety Stock (SS) = Demand Forecast for 1 Week in the Future + (3.1 * Standard Deviation of Daily Actual Demand for the Past Week * √ 7 ) = 40 + 0 = 40
当期在庫が４０を下回る場合、仮に現在の在庫量が３０だとすると、在庫補充計画を作成し、在庫補充量は１１１－３０＝８１となる。 If the current inventory is less than 40 and the current inventory is 30, an inventory replenishment plan is created and the inventory replenishment amount is 111-30=81.
次に、不定期不定量在庫補充モデルを利用し、現在の在庫状況を毎日リアルタイムで検査する。標準在庫補充リードタイムを３日と仮定して、以下の公式を使用し不定期在庫補充モデルにおける最小在庫量を計算する。
最小在庫量＝未来標準在庫補充リードタイム内の需要予測数＋安全在庫数（ＳＳ）＝未来３日の需要予測＋（３．１＊過去３日の需要実績の標準偏差＊√３）＝（５＋１０＋６）＋０＝２１
Next, the current stock status is inspected in real time every day using the irregular stock replenishment model. Assuming a standard replenishment lead time of 3 days, use the following formula to calculate the minimum inventory in the irregular replenishment model.
Minimum Inventory = Future Standard Inventory Replenishment Demand Forecast within Lead Time + Safety Stock (SS) = Demand Forecast for Future 3 Days + (3.1 * Standard Deviation of Actual Demand for Past 3 Days * √ 3) = ( 5+10+6)+0=21
当日の在庫が２１を下回る場合、仮に現在の在庫量が１８だとすると、在庫補充計画を作成し、在庫補充量は１１１－１８＝９３となる。 If the inventory for the day is less than 21, and the current inventory is 18, an inventory replenishment plan is created and the inventory replenishment amount is 111-18=93.
（具体例２）
以下、本発明の具体例について説明する。ここでは、実施例２をベースに本具体例を実施した場合について説明するが、販売予測及びスマート在庫補充において使用するモデルを事前に決定している場合、本具体例は実施例１にも適用可能である。また本具体例は、図３に示したハードウェア構造にも適用可能であり、図４に示したハードウェア構造にも適用可能である。
(Specific example 2)
Specific examples of the present invention will be described below. Here, a case where this specific example is implemented based on Example 2 will be described, but if the model used in sales forecasting and smart inventory replenishment is determined in advance, this specific example is also applicable to Example 1. It is possible. This specific example is also applicable to the hardware structure shown in FIG. 3, and is also applicable to the hardware structure shown in FIG.
本事例は、供給業者で応用されるモデルの説明に用いられる。図９は、本発明のスマートサプライチェーンシステム１００’を供給業者に応用した場合の応用事例（具体例２）を示したフローチャートである。 This example is used to illustrate the model applied at the supplier. FIG. 9 is a flow chart showing an application example (specific example 2) when the smart supply chain system 100' of the present invention is applied to a supplier.
図９に示すように、手順Ｓ２０１において、商品分類装置１０は、Ｒ－ＡＢＣ分類法を利用し商品について分類を行う。本手順は、具体例１（図８の手順Ｓ１０１）と同じであってよいため、ここでは具体的な説明を省略する。
As shown in FIG. 9, in step S201, the
次に、手順Ｓ２０２において、モデル選択部４０が販売予測及びスマート在庫補充で使用するモデルを選択する。具体的に説明すると、モデル選択部４０は、例えば図７に示すモデル選択参照表に基づき、本具体例において供給業者に応用する場合に関して、各種商品の需要状況を選択すると同時に、日次予測、月次予測、年次予測を行い、また販売予測装置２０において点予測部２１と区間予測部２２により共同で販売予測を行うことを選択し、ここで長短期記憶ネットワークに基づき、日次予測と年次予測の２つの販売量予測モデルを構築し、確率密度の区間予測モデルに基づき、月次予測の販売量予測モデルを構築する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、混合型在庫補充部３２により定期定量の在庫補充モデルを構築することを選択する。
Next, in step S202, the model selection unit 40 selects a model to be used in sales forecasting and smart inventory replenishment. More specifically, the model selection unit 40 selects the demand status of various products for application to suppliers in this specific example based on, for example, the model selection reference table shown in FIG. In the
次に、手順Ｓ２０３において、販売予測装置２０は、各供給業者の異なる販売店への過去の商品供給データを取り込む。その属性は表６のとおりである。
Next, in step S203, the
次に、データ処理を行い、ｋｅｒａｓを利用して日次予測と年次予測の長短期記憶ネットワークモデルをつくり、ＤｅｅｐＡＲモデルを利用して月次予測の確率密度の区間予測モデルを構築し、また予測主体の違いによって予測結果について相応の後処理を行い、ウェブページ、レポート等、適切な形式で出力する。本例においては、データベースで予測結果表を作成する。構造及び例は、表７及び表８に示すとおりである。 Next, data processing is performed, using keras to create a long-term memory network model for daily and annual predictions, using the DeepAR model to construct an interval prediction model for the probability density of monthly predictions, and Post-process the prediction results according to the difference of the prediction entity, and output it in an appropriate format such as a web page or report. In this example, a prediction results table is created in the database. Structures and examples are as shown in Tables 7 and 8.
次に、手順Ｓ２０４において、スマート在庫補充装置３０により手順Ｓ２０３の予測結果に基づいて在庫補充計画を作成する。供給業者については、通常、顧客の商品発注の需要を出来る限り満たさなければならないが、最終的な市場に直接接しておらず、市場のフィードバックの遅延状況の存在が発生する可能性があるため、商品準備において、ある程度のリスク対応能力が必要とされるとともに、コストを抑えて経営を最適化しなければならない。
Next, in step S204, the smart
例えば、上記供給業者が在庫補充をする場合、年次予測、月次予測及び日次予測データを利用し、サービス水準係数を９５％、現在の在庫量を４５点、発注リードタイムを５日、毎回の発注コストを５０元／回、商品１点あたりの保有コストを３０元／点と定義する。毎日の商品準備量及び周期内の需要量は、ともに予測中央値Ｍを選択する。 For example, when the above supplier replenishes inventory, annual forecast, monthly forecast and daily forecast data are used, the service level coefficient is 95%, the current inventory is 45 points, the order lead time is 5 days, The cost of each order is defined as 50 yuan/time, and the holding cost per product is 30 yuan/item. Both the daily commodity reserve quantity and the intra-cycle demand quantity select the forecast median value M.
（１）ＥＯＱ即ち経済的在庫補充量モデルに基づいて、最適な経済的在庫補充周期を計算する。上記商品０９を例にとる。 (1) Calculate the optimum economic restocking cycle based on the EOQ or economic restocking quantity model. Take the product 09 as an example.
Ｃｅは周期内の毎回の発注コスト、Ｃｔは周期内の商品１点あたりの保管コスト、Ｄは周期内の需要量（予測中央値Ｍ）である。
最適な経済的在庫補充周期＝３６５／（年需要予測／最適な経済的在庫補充量）＝３６５／（３９８５／６９）＝６
Ce is the cost of placing an order each time in a cycle, Ct is the storage cost per product in the cycle, and D is the amount of demand (predicted median value M) in the cycle.
Optimal Economic Inventory Replenishment Cycle=365/(Annual Demand Forecast/Optimal Economic Inventory Replenishment Amount)=365/(3985/69)=6
（２）安全在庫の決定
上記商品０９の安全在庫＝（月需要標準偏差／３０＊６）＊サービス水準係数＝（２３／３０＊６）＊１．６８＝８
(2) Determination of safety stock Safety stock of product 09 above = (Monthly demand standard deviation/30*6) * Service level coefficient = (23/30*6) * 1.68 = 8
（３）再在庫補充点の決定
上記商品０９の再在庫補充点 ＝ 在庫補充リードタイム内の販売予測量＋安全在庫＝３３＋８＝４１
(3) Determining restocking point Restocking point for product 09 = sales forecast amount within inventory replenishment lead time + safety stock = 33 + 8 = 41
（４）在庫補充量の決定
上記商品０９の２０２０年３月１日における在庫補充量＝２＊在庫補充リードタイム内の需要予測量＋在庫補充周期内の需要予測量＋安全在庫－現在の在庫＝２＊３３＋（３２５／３０＊６）＋８－４５＝９４
(4) Determination of inventory replenishment amount Inventory replenishment amount of the above product 09 on March 1, 2020 = 2 * demand forecast amount within inventory replenishment lead time + demand forecast amount within inventory replenishment cycle + safety stock - current inventory =2*33+(325/30*6)+8-45=94
予測結果のデータを例として、その在庫補充計画は表９のとおりである。 Table 9 shows the inventory replenishment plan using forecast result data as an example.
上記商品０９は、２０２０年３月１日～２０２０年４月１日の周期内において、６日おきに定期的に在庫補充を行い、在庫補充日までに在庫が４１を下回った場合、直ちに在庫補充を開始し、２０２０年３月１日の初回在庫補充が９４点という意味である。 The above product 09 will be stocked regularly every 6 days during the period from March 1, 2020 to April 1, 2020. If the stock falls below 41 by the stock replenishment date, it will be immediately stocked. It means that the first stock replenishment on March 1, 2020 will be 94 items after the start of replenishment.
（具体例３）
以下、本発明の具体例について説明する。ここでは、実施例２をベースに本具体例を実施した場合について説明するが、販売予測及びスマート在庫補充において使用するモデルを事前に決定している場合、本具体例は実施例１にも適用可能である。また本具体例は、図３に示したハードウェア構造にも適用可能であり、図４に示したハードウェア構造にも適用可能である。
(Specific example 3)
Specific examples of the present invention will be described below. Here, a case where this specific example is implemented based on Example 2 will be described, but if the model used in sales forecasting and smart inventory replenishment is determined in advance, this specific example is also applicable to Example 1. It is possible. This specific example is also applicable to the hardware structure shown in FIG. 3, and is also applicable to the hardware structure shown in FIG.
本事例は、メーカーで応用されるモデルの説明に用いられる。図１０は、本発明のスマートサプライチェーンシステム１００’をメーカーに応用した場合の応用事例（具体例３）を示したフローチャートである。 This example is used to illustrate the model applied by the manufacturer. FIG. 10 is a flow chart showing an application example (specific example 3) when the smart supply chain system 100' of the present invention is applied to a manufacturer.
図１０に示すように、手順Ｓ３０１において、商品分類装置１０がＲ－ＡＢＣ分類法を利用し商品について分類を行う。本手順は、具体例１（図８の手順Ｓ１０１）と同じであってよいため、ここでは具体的な説明を省略する。
As shown in FIG. 10, in step S301, the
次に、手順Ｓ３０２において、モデル選択部４０が販売予測及びスマート在庫補充で使用するモデルを選択する。具体的に説明すると、モデル選択部４０は、例えば図７に示すモデル選択参照表に基づき、本具体例においてメーカーに応用する場合に関して、各種商品の需要状況を選択すると同時に、月次予測を行い、また販売予測装置２０において区間予測部２２により販売予測を行うことを選択し、確率密度の区間予測モデルに基づき、月次予測の販売量予測モデルを構築する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、区間予測在庫補充部３３により不定期不定量の在庫補充モデルを構築することを選択する。
Next, in step S302, the model selection unit 40 selects a model to be used for sales forecasting and smart inventory replenishment. More specifically, the model selection unit 40 selects the demand status of various products for application to manufacturers in this specific example based on, for example, the model selection reference table shown in FIG. 7, and simultaneously performs monthly forecasting. Also, the section prediction unit 22 in the
次に、手順Ｓ３０３において、販売予測装置２０がメーカーの各商品の過去の販売データを取り込む。その属性は表１０のとおりである。
Next, in step S303, the
次に、データ処理を行い、ＤｅｅｐＡＲモデルを利用して月次予測の確率密度の区間予測モデルを構築し、また予測主体の違いによって予測結果について相応の後処理を行い、ウェブページ、レポート等、適切な形式で出力する。本例においては、データベースで予測結果表を作成する。構造及び例は、表１１に示すとおりである。上記表は、後続の在庫補充戦略のために根拠となるデータを提供するのに用いられる。 Next, data processing is performed, and a monthly forecast probability density interval forecast model is constructed using the DeepAR model. Output in proper format. In this example, a prediction results table is created in the database. Structures and examples are as shown in Table 11. The table above is used to provide supporting data for subsequent inventory replenishment strategies.
次に、手順Ｓ３０４において、スマート在庫補充装置３０が手順Ｓ３０３の予測結果に基づいて在庫補充計画を作成する。上記メーカーが川下の供給業者に対して商品を供給する必要がある場合、月次予測データを利用し、例えば、サービス水準係数を９５％、発注リードタイムを５日、毎回の発注コストを５０元／回、商品１点あたりの保有コストを１０元／点と定義する。毎日の商品準備量及び周期内の需要量は、ともに予測中央値Ｍを選択する。
Next, in step S304, the smart
まず最適な在庫補充点を決定する。商品０２を例にとる。
商品０２の安全在庫＝各ＳＫＵの需要標準偏差＊サービス水準係数＝３０２１＊１．６８＝５０７５
商品０２の発注リードタイム内の商品準備量＝発注リードタイム日数＊毎日の商品準備量（予測中央値Ｍ）＝５＊（１００２５／２２）＝２２７８（注：■月２２営業日）
商品０２の動的在庫補充点＝安全在庫＋発注リードタイム内の商品準備量＝７３５３
First, determine the optimal replenishment point. Take product 02 as an example.
Safety stock of product 02 = standard deviation of demand for each SKU * service level coefficient = 3021 * 1.68 = 5075
Product preparation quantity within order lead time for product 02 = order lead time days * daily product preparation quantity (forecast median value M) = 5 * (10025/22) = 2278 (note: 22 business days per month)
Dynamic inventory replenishment point for product 02 = safety stock + product preparation amount within order lead time = 7353
次に、ＥＯＱモデルに基づいて、最適な経済的在庫補充量を決定する。商品０２を例にとる。 Then, based on the EOQ model, determine the optimal economic inventory replenishment amount. Take product 02 as an example.
Ｃｅは周期内の毎回の発注コスト、Ｃｔは周期内の商品１点あたりの保管コスト、Ｄは周期内の需要量（予測中央値Ｍ）である。 Ce is the cost of placing an order each time in a cycle, Ct is the storage cost per product in the cycle, and D is the amount of demand (predicted median value M) in the cycle.
予測結果のデータを例として、その在庫補充計画は表１２のとおりである。 Table 12 shows the inventory replenishment plan using forecast result data as an example.
商品０２は、２０２０年３月１日～２０２０年４月１日の周期内において、在庫が７３５３を下回った場合、直ちに在庫補充を開始し、毎回６３点補充するという意味である。上記商品０４は、２０２０年３月１日～２０２０年４月１日の周期内において、在庫が９５９３を下回った場合、直ちに在庫補充を開始し、毎回１２６点補充するという意味である。 Product 02 means that if the inventory falls below 7353 during the period from March 1, 2020 to April 1, 2020, inventory replenishment will be started immediately, and 63 items will be replenished each time. In the period from March 1, 2020 to April 1, 2020, when the inventory falls below 9593, inventory replenishment will be started immediately, and 126 items will be replenished each time.
以上、付図を参照しながら本発明の具体的な実施例及び具体例について説明した。上記説明の具体的な実施例及び具体例は本発明の具体的な例を示したに過ぎず、本発明の理解のために用いられ、本発明の範囲の限定のために用いるものではない。当業者は、本発明の技術的思想に基づいて、具体的な実施例及び具体例に対して各種の変形、組み合わせ及び要素の合理的な省略を行うことが可能であり、これにより得られた方式も本発明の範囲内に含まれる。例えば、上記各実施例及び具体例はすべて相互に組み合わせることができ、その組み合わせによってできた実施例も本発明の範囲内に含まれる。 Specific embodiments and specific examples of the present invention have been described above with reference to the accompanying drawings. The specific embodiments and specific examples described above merely show specific examples of the present invention, are used for understanding the present invention, and are not used for limiting the scope of the present invention. Based on the technical idea of the present invention, those skilled in the art can make various modifications, combinations, and rational omissions of elements for specific embodiments and specific examples, and the resulting Schemes are also included within the scope of the present invention. For example, all of the above embodiments and specific examples can be combined with each other, and embodiments formed by such combinations are also included within the scope of the present invention.
Claims (10)
過去のデータに基づいて、複数種の商品について分類を行う商品分類装置と、
前記過去のデータ及び前記商品分類装置の前記複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う販売予測装置と、
前記販売予測装置の予測結果に基づいて、自動在庫補充モデルを応用し、在庫補充戦略を作成するスマート在庫補充装置と、
を含み、
前記商品分類装置は、前記過去のデータとしての販売量データに基づいたＡＢＣ分類結果及び現在の分析時間点から直近の予め設定された期間の販売時間間隔を２つの次元として、前記複数種の商品について分類を行い、第一段階の分類結果を取得し、前記過去のデータに基づいて各商品の商品特性分析指標を計算し、前記第一段階の分類結果に対して、算出された前記商品特性分析指標を使用して多次元に細分化を行って最終的な分類結果とし、
前記商品特性分析指標は、販売頻度、需要の変動係数、指定期間内の総需要の変動幅、顧客集中度、販売ペース、及び発売間隔のうち少なくとも１つを含む、スマートサプライチェーンシステム。 A smart supply chain system that manages supply chains for multiple types of products,
a product classification device that classifies multiple types of products based on past data;
a sales prediction device for predicting sales for each product based on the past data and the classification result of the product classification device for the plurality of types of products;
a smart inventory replenishment device that applies an automatic inventory replenishment model and creates an inventory replenishment strategy based on the forecast results of the sales forecasting device;
including
The commodity classification device classifies the plurality of types of commodities using the ABC classification result based on the sales volume data as the past data and the sales time interval of the preset period immediately preceding the current analysis time point as two dimensions. to obtain the classification result of the first stage, calculate the product characteristics analysis index of each product based on the past data, and compare the calculated product characteristics with the classification result of the first stage Multi-dimensional subdivision using the analysis index as the final classification result,
The smart supply chain system , wherein the product characteristic analysis index includes at least one of sales frequency, demand variation coefficient, total demand variation range within a specified period, customer concentration, sales pace, and release interval .
前記販売予測装置は、前記商品分類装置によって細分化した需要予測結果の確認を必要とする各種商品に対して、予測を要する少なくとも１つの予測期間に関し、点予測、区間予測、及び点予測と区間予測を結合させた混合型予測の中のいずれかの予測方式を利用し、各種商品ごとに前記少なくとも１つの予測期間に対応する販売量を予測する、スマートサプライチェーンシステム。 The sales prediction device performs point prediction, segment prediction, and point prediction and segment A smart supply chain system that uses any of the forecasting schemes in hybrid forecasting that combines forecasting to forecast the sales volume corresponding to the at least one forecasting period for each type of commodity.
前記スマート在庫補充装置は、前記販売予測装置の予測結果及び前記商品分類装置が計算した商品特性分析指標に基づいて、点予測による在庫補充モデル、点予測と区間予測による混合型在庫補充モデル、及び区間予測による在庫補充モデルのうちのいずれか１つの在庫補充モデルを利用して、在庫補充計画を作成する、スマートサプライチェーンシステム。 The smart inventory replenishment device uses a point prediction inventory replenishment model, a point prediction and interval prediction mixed inventory replenishment model, and a A smart supply chain system that creates an inventory replenishment plan using any one of inventory replenishment models based on interval prediction.
過去のデータに基づいて、複数種の商品について分類を行う商品分類装置と、 a product classification device that classifies multiple types of products based on past data;
前記過去のデータ及び前記商品分類装置の前記複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う販売予測装置と、 a sales prediction device for predicting sales for each product based on the past data and the classification result of the product classification device for the plurality of types of products;
前記販売予測装置の予測結果に基づいて、自動在庫補充モデルを応用し、在庫補充戦略を作成するスマート在庫補充装置と、 a smart inventory replenishment device that applies an automatic inventory replenishment model and creates an inventory replenishment strategy based on the forecast results of the sales forecasting device;
を含み、 including
前記販売予測装置は、 The sales prediction device
長短期記憶ネットワークに基づいて点予測を行う点予測部と、 a point predictor that performs point prediction based on a long short-term memory network;
販売量の確率密度の区間予測を行う区間予測部と、 an interval prediction unit that performs interval prediction of probability density of sales volume;
を含み、including
さらに、前記スマートサプライチェーンシステムは、応用対象、予測期間、前記商品分類装置の分類結果の中の少なくとも１つに基づいて、前記販売予測装置において、前記点予測部により販売予測を行うのか、前記区間予測部により販売予測を行うのか、前記点予測部と前記区間予測部の双方により販売予測を行うのか、を選択するモデル選択部を含む、スマートサプライチェーンシステム。 Further, in the smart supply chain system, whether the point prediction unit in the sales prediction device performs sales prediction based on at least one of an application target, a prediction period, and a classification result of the product classification device; A smart supply chain system comprising a model selection unit that selects whether to perform sales prediction by an interval prediction unit or to perform sales forecast by both the point prediction unit and the interval prediction unit.
前記スマート在庫補充装置は、 The smart inventory replenishment device
点予測による在庫補充モデルを利用して、定期不定量又は不定期不定量の在庫補充計画を作成する点予測在庫補充部と、 a point forecast inventory replenishment unit that creates a periodic irregular or irregular irregular inventory replenishment plan using an inventory replenishment model based on point forecast;
点予測と区間予測による混合型在庫補充モデルを利用して、定期定量の在庫補充計画を Using a mixed inventory replenishment model with point forecasting and interval forecasting, periodic fixed inventory replenishment planning
作成する混合型在庫補充部と、a hybrid inventory replenishment unit to create;
区間予測による在庫補充モデルを利用して、不定期不定量の在庫補充計画を作成する区間予測在庫補充部と、 an interval forecast inventory replenishment unit that creates an irregular and irregular quantity inventory replenishment plan using an inventory replenishment model based on interval forecast;
を含み、including
前記モデル選択部は、前記応用対象、前記予測期間、前記商品分類装置の分類結果、前記販売予測装置の予測結果のうちの少なくとも１つに基づいて、前記スマート在庫補充装置において、前記点予測在庫補充部、前記混合型在庫補充部及び前記区間予測在庫補充部のうちのいずれか１つを選択して在庫補充計画を作成する、スマートサプライチェーンシステム。 Based on at least one of the application target, the prediction period, the classification result of the product classification device, and the prediction result of the sales prediction device, the model selection unit causes the smart inventory replenishment device to perform the point prediction inventory A smart supply chain system for creating an inventory replenishment plan by selecting any one of a replenishment unit, the mixed inventory replenishment unit, and the interval predictive inventory replenishment unit.
前記応用対象が販売店である場合、 When the application target is a store,
前記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、前記モデル選択部は、前記販売予測装置において前記点予測部により販売予測を行うことを選択し、少なくとも１つの予測期間に対応する長短期記憶ネットワークの点予測モデルをつくり、各種商品ごとに前記少なくとも１つの予測期間に対応する販売量を予測し、 The model selection unit selects sales prediction by the point prediction unit in the sales prediction device for various products that require confirmation of demand prediction results subdivided by the product classification device, and selects at least one creating a point prediction model of the long short-term memory network corresponding to the prediction period, predicting the sales volume corresponding to the at least one prediction period for each type of product;
さらに前記モデル選択部は、前記スマート在庫補充装置において前記点予測在庫補充部が在庫補充計画を作成することを選択し、点予測による在庫補充モデルを利用して、定期不定量又は不定期不定量の在庫補充計画を作成する、スマートサプライチェーンシステム。 Further, the model selection unit selects that the point forecast inventory replenishment unit creates an inventory replenishment plan in the smart inventory replenishment device, and uses the point forecast inventory replenishment model to determine whether the A smart supply chain system that creates inventory replenishment plans for
前記応用対象が供給業者である場合、 If the application is a supplier,
前記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、前記モデル選択部は、前記販売予測装置において前記点予測部と前記区間予測部の双方により販売予測を行うことを選択し、複数の予測期間の中の少なくとも１つの予測期間に対応する長短期記憶ネットワークの点予測モデル、及び前記複数の予測期間の中のその他の少なくとも１つの予測期間に対応する確率密度の区間予測モデルをつくり、各種商品ごとに前記複数の予測期間のそれぞれに対応する販売量を予測し、 The model selection unit performs sales prediction by both the point prediction unit and the interval prediction unit in the sales prediction device for various products that require confirmation of demand prediction results subdivided by the product classification device. a point prediction model of a long short-term memory network corresponding to at least one prediction period among the plurality of prediction periods, and a probability density model corresponding to at least one other prediction period among the plurality of prediction periods; creating an interval prediction model, predicting the sales volume corresponding to each of the plurality of prediction periods for each product,
さらに、前記モデル選択部は、前記スマート在庫補充装置において、前記混合型在庫補充部により在庫補充計画を作成することを選択し、点予測と区間予測による混合型在庫補充モデルを利用して、定期定量の在庫補充計画を作成する、スマートサプライチェーンシステム。 Further, the model selection unit selects to create an inventory replenishment plan by the mixed inventory replenishment unit in the smart inventory replenishment device, and uses a mixed inventory replenishment model based on point prediction and interval prediction to periodically A smart supply chain system that creates quantitative inventory replenishment plans.
前記応用対象がメーカーである場合、 If the application target is a manufacturer,
前記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、前記モデル選択部は、前記販売予測装置において前記区間予測部により販売予測を行うことを選択し、少なくとも１つの予測期間に対応する確率密度の区間予測モデルをつくり、各種商品ごとに前記少なくとも１つの予測期間に対応する販売量を予測し、 The model selection unit selects to perform sales prediction by the section prediction unit in the sales prediction device for various products that require confirmation of demand prediction results subdivided by the product classification device, and selects at least one creating a probability density interval prediction model corresponding to the prediction period, predicting the sales volume corresponding to the at least one prediction period for each product,
さらに、前記モデル選択部は、前記スマート在庫補充装置において、前記区間予測在庫補充部により在庫補充計画を作成することを選択し、区間予測による在庫補充モデルを利用して、不定期不定量の在庫補充計画を作成する、スマートサプライチェーンシステム。 Further, the model selection unit selects to create an inventory replenishment plan by the interval forecast inventory replenishment unit in the smart inventory replenishment device, and uses an inventory replenishment model based on interval forecast to generate an irregular amount of inventory. A smart supply chain system that creates replenishment plans.
プロセッサと、 a processor;
メモリと、 memory;
顧客構内設備とデータ通信を行うポートと、を含み、 a port in data communication with customer premises equipment;
前記プロセッサが前記メモリに保存しているプログラムを実行することにより、 By executing a program stored in the memory by the processor,
過去のデータに基づいて、複数種の商品について分類を行う商品分類処理と、 Product classification processing for classifying multiple types of products based on past data;
前記過去のデータ及び前記商品分類処理の前記複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う販売予測処理と、 a sales forecasting process for forecasting sales for each product based on the past data and the classification result of the product classification process for the plurality of types of products;
前記販売予測処理の予測結果に基づいて、自動在庫補充モデルを応用して在庫補充戦略を作成するスマート在庫補充処理と、 a smart inventory replenishment process that applies an automatic inventory replenishment model to create an inventory replenishment strategy based on the forecast results of the sales forecast process;
を実行し、and run
前記在庫補充戦略を、前記ポートを通じて前記顧客構内設備に送信し、 transmitting the inventory replenishment strategy to the customer premises equipment through the port;
前記商品分類処理は、前記過去のデータとしての販売量データに基づいたＡＢＣ分類結果及び現在の分析時間点から直近の予め設定された期間の販売時間間隔を２つの次元として、前記複数種の商品について分類を行い、第一段階の分類結果を取得し、前記過去のデータに基づいて各商品の商品特性分析指標を計算し、前記第一段階の分類結果に対して、算出された前記商品特性分析指標を使用して多次元に細分化を行って最終的な分類結果とし、 In the product classification process, the ABC classification result based on the sales volume data as the past data and the sales time interval of the latest preset period from the current analysis time point are used as two dimensions, and the plurality of types of products are classified. to obtain the classification result of the first stage, calculate the product characteristics analysis index of each product based on the past data, and compare the calculated product characteristics with the classification result of the first stage Multi-dimensional subdivision using the analysis index as the final classification result,
前記商品特性分析指標は、販売頻度、需要の変動係数、指定期間内の総需要の変動幅、顧客集中度、販売ペース、及び発売間隔のうち少なくとも１つを含む、サーバシステム。 The server system, wherein the product characteristic analysis index includes at least one of sales frequency, demand variation coefficient, total demand variation range within a specified period, customer concentration, sales pace, and release interval.
プロセッサと、
メモリと、
顧客構内設備とデータ通信を行うポートと、を含み、
前記プロセッサが前記メモリに保存しているプログラムを実行することにより、
過去のデータに基づいて、複数種の商品について分類を行う商品分類処理と、
前記過去のデータ及び前記商品分類処理の前記複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う販売予測処理と、
前記販売予測処理の予測結果に基づいて、自動在庫補充モデルを応用して在庫補充戦略を作成するスマート在庫補充処理と、
を実行し、
前記在庫補充戦略を、前記ポートを通じて前記顧客構内設備に送信し、
前記販売予測処理は、長短期記憶ネットワークに基づいて点予測を行う点予測処理と、販売量の確率密度の区間予測を行う区間予測処理と、の少なくとも一方を実行し、
さらに、応用対象、予測期間、前記商品分類処理の分類結果の中の少なくとも１つに基づいて、前記販売予測処理において、前記点予測処理により販売予測を行うのか、前記区間予測処理により販売予測を行うのか、前記点予測処理と前記区間予測処理の双方により販売予測を行うのか、を選択する選択処理を実行する、サーバシステム。 A server system that manages a supply chain for multiple types of products,
a processor;
memory;
a port in data communication with customer premises equipment;
By executing a program stored in the memory by the processor,
Product classification processing for classifying multiple types of products based on past data;
a sales forecasting process for forecasting sales for each product based on the past data and the classification result of the product classification process for the plurality of types of products;
a smart inventory replenishment process that applies an automatic inventory replenishment model to create an inventory replenishment strategy based on the forecast results of the sales forecast process;
and run
transmitting the inventory replenishment strategy to the customer premises equipment through the port;
In the sales prediction process, at least one of a point prediction process that performs point prediction based on a long short-term memory network and an interval prediction process that performs an interval prediction of the probability density of sales volume is performed,
Furthermore, based on at least one of an application target, a prediction period, and a classification result of the product classification processing, in the sales prediction processing, whether to perform sales prediction by the point prediction processing or to perform sales prediction by the section prediction processing. A server system for executing selection processing for selecting whether to perform sales prediction by both the point prediction processing and the section prediction processing.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010241378.6 | 2020-03-31 | ||
| CN202010241378.6A CN113469597A (en) | 2020-03-31 | 2020-03-31 | Intelligent supply chain system and server platform |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021163485A JP2021163485A (en) | 2021-10-11 |
| JP7105336B2 true JP7105336B2 (en) | 2022-07-22 |
Family
ID=77865252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021045511A Active JP7105336B2 (en) | 2020-03-31 | 2021-03-19 | smart supply chain system |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7105336B2 (en) |
| CN (1) | CN113469597A (en) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663008B (en) * | 2022-03-08 | 2022-11-08 | 北京网鲜供应链科技有限公司 | Intelligent replenishment system based on fresh food of store |
| CN116739655B (en) * | 2023-07-14 | 2024-04-02 | 上海朗晖慧科技术有限公司 | Intelligent supply chain management method and system based on big data |
| CN116777571B (en) * | 2023-08-22 | 2023-11-10 | 山东创恩信息科技股份有限公司 | Merchant recommendation and purchase method and system based on big data and Internet platform |
| CN117057719B (en) * | 2023-10-10 | 2023-12-22 | 长沙市三知农业科技有限公司 | Prefabricated food storage and replenishment management method and system based on big data |
| CN117252400B (en) * | 2023-11-16 | 2024-02-23 | 天津马上好车信息技术股份有限公司 | Coordination management method, system and application of automobile supply chain |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002179218A (en) | 2000-12-15 | 2002-06-26 | Asahi Optical Co Ltd | Inventory management system and method |
| JP2006259859A (en) | 2005-03-15 | 2006-09-28 | Matsushita Electric Ind Co Ltd | Proper inventory quantity calculating device |
| JP2009517779A (en) | 2005-11-29 | 2009-04-30 | ザ・ボーイング・カンパニー | Method, system and computer integrated program product for supply chain management |
| JP2009129090A (en) | 2007-11-21 | 2009-06-11 | Panasonic Electric Works Co Ltd | Stock level decision supporting device |
| WO2018042950A1 (en) | 2016-09-05 | 2018-03-08 | 日本電気株式会社 | Order quantity determination system, order quantity determination method, and order quantity determination program |
-
2020
- 2020-03-31 CN CN202010241378.6A patent/CN113469597A/en active Pending
-
2021
- 2021-03-19 JP JP2021045511A patent/JP7105336B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002179218A (en) | 2000-12-15 | 2002-06-26 | Asahi Optical Co Ltd | Inventory management system and method |
| JP2006259859A (en) | 2005-03-15 | 2006-09-28 | Matsushita Electric Ind Co Ltd | Proper inventory quantity calculating device |
| JP2009517779A (en) | 2005-11-29 | 2009-04-30 | ザ・ボーイング・カンパニー | Method, system and computer integrated program product for supply chain management |
| JP2009129090A (en) | 2007-11-21 | 2009-06-11 | Panasonic Electric Works Co Ltd | Stock level decision supporting device |
| WO2018042950A1 (en) | 2016-09-05 | 2018-03-08 | 日本電気株式会社 | Order quantity determination system, order quantity determination method, and order quantity determination program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021163485A (en) | 2021-10-11 |
| CN113469597A (en) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7105336B2 (en) | smart supply chain system | |
| Lalmazloumian et al. | A robust optimization model for agile and build-to-order supply chain planning under uncertainties | |
| Veinott Jr | Optimal policy in a dynamic, single product, nonstationary inventory model with several demand classes | |
| US8515835B2 (en) | Systems and methods for multi-echelon inventory planning with lateral transshipment | |
| Yang et al. | Integrated multi-period dynamic inventory classification and control | |
| Ramasesh et al. | Sole versus dual sourcing in stochastic lead-time (s, Q) inventory models | |
| US8494916B2 (en) | Managing fresh-product inventory | |
| US7627493B1 (en) | Production and distribution supply chain optimization software | |
| US20060235557A1 (en) | Associated systems and methods for improving planning, scheduling, and supply chain management | |
| US11301794B2 (en) | Machine for labor optimization for efficient shipping | |
| US20060277086A1 (en) | System and method for optimization-based production capability planning | |
| JPH01224864A (en) | Automatic order placing system | |
| US20150379536A1 (en) | Consumption-driven forecasting using multi-level heterogeneous input data | |
| Xiang et al. | Order allocation for multiple supply-demand networks within a cluster | |
| van Donselaar et al. | Heuristics for setting reorder levels in periodic review inventory systems with an aggregate service constraint | |
| US20030233264A1 (en) | Manufacturing order scheduling and materials replenishment system | |
| CN111815198A (en) | Method, device and equipment for replenishing goods in store | |
| Albrecht | Optimization of safety stocks in models with an order service level objective or constraint | |
| US11948163B2 (en) | User interface for visualizing output from supply chain replenishment simulation | |
| US11580490B2 (en) | Supply chain replenishment simulation | |
| JP4812269B2 (en) | Demand fluctuation risk minimum production plan generation method | |
| CN113469596A (en) | Intelligent supply chain system and server platform | |
| CN116050987A (en) | Prediction method and device for material replenishment, storage medium and processor | |
| US20230096633A1 (en) | Optimized tree ensemble based demand model | |
| CN113762842B (en) | Warehouse scheduling method, server and system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210319 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220121 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220301 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220426 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220705 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220711 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7105336 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |