KR20220122715A - 스크랩을 예측 및 관리하기 위한 컴퓨터화된 시스템 및 방법 - Google Patents
스크랩을 예측 및 관리하기 위한 컴퓨터화된 시스템 및 방법 Download PDFInfo
- Publication number
- KR20220122715A KR20220122715A KR1020227026163A KR20227026163A KR20220122715A KR 20220122715 A KR20220122715 A KR 20220122715A KR 1020227026163 A KR1020227026163 A KR 1020227026163A KR 20227026163 A KR20227026163 A KR 20227026163A KR 20220122715 A KR20220122715 A KR 20220122715A
- Authority
- KR
- South Korea
- Prior art keywords
- sku
- skus
- scrap
- value
- threshold
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000003449 preventive effect Effects 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 230000009467 reduction Effects 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 4
- 238000012384 transportation and delivery Methods 0.000 description 28
- 238000013068 supply chain management Methods 0.000 description 19
- 238000007726 management method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000012856 packing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 229920001690 polydopamine Polymers 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007723 transport mechanism Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101000644392 Petroselinum crispum Tyrosine decarboxylase 1 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000007197 atypical autism Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 208000029560 autism spectrum disease Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001407 pulse-discharge detection Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Of Solid Wastes (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
재고 유지 유닛(SKU)이 스크랩될 가능성을 예측하고 이에 상응하여 예방 조치를 수행하기 위한 시스템 및 방법이 개시된다. 시스템은 복수의 SKU와 연관된 스크랩 가능성을 예측하는 것과 연관된 프로세스를 개시하라는 요청을 수신하고, 각각의 SKU와 연관된 데이터를 훈련된 예측 모델에 입력하고, 훈련된 예측 모델로부터 각각의 SKU에 대한 예측값을 출력하고, 값 세트를 계산하여 훈련된 예측 모델을 측정하고, 계산된 값 세트를 포함하는 행렬을 생성한다. 행렬을 사용하여 임계 예측값이 결정되고, 각각의 SKU 예측값은 임계 예측값과 비교된다. 비교에 기초하여, 복수의 SKU 중 어느 한 SKU가 스크랩될 가능성이 있는 것으로 예측되고 복수의 예방 조치 중 적어도 하나가 수행된다.
Description
관련 출원에 대한 상호 참조
본 출원은 2020년 12월 10일에 출원된 미국 가출원 제63/123,642호의 우선권의 이익을 구한다. 상기 출원의 개시는 그 전체가 참조에 의해 본원에 명시적으로 포함된다.
기술분야
본 개시는 일반적으로 스크랩을 예측하고 방지하기 위한 컴퓨터화된 시스템 및 방법에 관한 것이다. 특히, 본 개시의 실시형태는 예측값을 계산하기 위해 훈련된 신경망을 사용함으로써 특정 재고 유지 유닛(stock keeping unit; SKU)을 갖는 하나 이상의 물품이 가까운 장래에 스크랩될 가능성이 있는지 여부를 결정하고, 결정된 임계값에 기초하여 물품이 스크랩될 가능성이 있다고 결정되는 경우 예방 조치를 수행함으로써 해당 물품이 스크랩되지 않도록 방지하는 독창적이고 비전통적인 시스템에 관한 것이다.
신선 식품 인벤토리 관리는 거의 모든 전자 상거래 회사에 많은 과제를 부여한다. 구매 주문(PO)을 할 때 예상 배송일로부터 수요 기간 종료일까지의 타겟 수요 기간이 있다. 수요 기간 이후, 인벤토리가 그 판매 가능 기한을 초과하면 이는 폐기되어야 한다. 스크랩으로도 알려진, 폐기되어야 하는 인벤토리는 신선 식품 소매를 수익성 있게 만드는데 핵심적인 과제를 부여한다. 스크랩을 방지하기 위해 주문 수량은 보다 낮은 수준으로 제한될 수 있지만 그렇게 하면 재고 문제가 발생하고 총 상품 가치(gross merchandise value, GMV) 손실이 발생할 것이다. 따라서 스크랩 처리는 단순히 재고율을 낮추어 해결할 수 있는 문제가 아니다.
이러한 문제를 완화하기 위해, 전통적인 전자 예측 시스템은 수동으로 설계된 규칙을 기반으로 전문가 시스템을 구현하거나 결정 트리 모델을 사용한다. 예를 들어, 전문가 시스템은 물품이 가까운 장래에 스크랩될 것으로 예상되는지 여부를 결정하는 규칙 데이터베이스를 생성함으로써 구축될 수 있다. 이러한 시스템은 스크랩을 정확하게 예측하려고 시도하지만 스크랩에 영향을 미치는 인자의 수가 매우 많아, 스크랩의 위험을 판단하기 위한 명확한 규칙을 구축하는 것을 너무 복잡하게 만들기에 적합하지 않다. 스크랩을 예측하는 것은 비관련 인자로 인한 노이즈에 대해 걱정할 필요 없이 가능한 한 많은 관련 인자를 수집할 수 있음을 필요로 한다.
따라서, 다양한 종류의 인자를 입력으로서 받아들일 수 있는 예측 모델을 구현함으로써 물품이 스크랩될 것을 예측하기 위한 개선된 방법 및 시스템이 필요하다.
본 개시의 일 측면은, 명령어를 저장하는 하나 이상의 메모리 디바이스 및 재고 유지 유닛의 스크랩 가능성을 결정하기 위한 방법을 수행하기 위해 명령어를 실행하도록 구성되는 하나 이상의 프로세서를 포함하는 시스템에 관한 것이다. 해당 방법은 복수의 재고 유지 유닛(SKU)과 연관된 스크랩 가능성을 예측하는 것과 연관된 프로세스를 개시하라는 요청을 수신하는 단계, 요청을 수신하는 것에 응답하여 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 준비하는 단계, 및 - 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 훈련된 예측 모델에 입력하는 단계, 훈련된 예측 모델로부터 복수의 SKU 중 각각의 SKU에 대한 예측값을 출력하는 단계, 값 세트를 계산하여 훈련된 예측 모델을 측정하는 단계, 및 계산된 값 세트의 서브세트를 적어도 포함하는 행렬을 생성하는 단계 - 에 의해 요청과 연관된 정보를 준비하는 단계를 포함한다. 해당 방법은 복수의 임계값의 임계 예측값에 대응하는 계산된 값 세트의 제1 값을 선택하는 단계, 복수의 SKU 중 각각의 SKU에 대한, 훈련된 예측 모델로부터 출력된 예측값을 임계 예측값과 비교하는 단계, 비교에 기초하여, 복수의 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정하는 단계, 및, 스크랩될 가능성이 있음을 나타내는 스크랩 가능성에 기초하여, 복수의 예방 조치 중 적어도 하나를 수행하는 단계를 더 포함한다.
본 개시의 다른 측면은, 재고 유지 유닛의 스크랩 가능성을 결정하기 위한 방법에 관한 것이다. 해당 방법은 복수의 재고 유지 유닛(SKU)과 연관된 스크랩 가능성을 예측하는 것과 연관된 프로세스를 개시하라는 요청을 수신하는 단계, 요청을 수신하는 것에 응답하여 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 준비하는 단계, 및 - 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 훈련된 예측 모델에 입력하는 단계, 훈련된 예측 모델로부터 복수의 SKU 중 각각의 SKU에 대한 예측값을 출력하는 단계, 값 세트를 계산하여 훈련된 예측 모델을 측정하는 단계, 및 계산된 값 세트의 서브세트를 적어도 포함하는 행렬을 생성하는 단계 - 에 의해 요청과 연관된 정보를 준비하는 단계를 포함한다. 해당 방법은 복수의 임계값의 임계 예측값에 대응하는 계산된 값 세트의 제1 값을 선택하는 단계, 복수의 SKU 중 각각의 SKU에 대한, 훈련된 예측 모델로부터 출력된 예측값을 임계 예측값과 비교하는 단계, 비교에 기초하여, 복수의 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정하는 단계, 및, 스크랩될 가능성이 있음을 나타내는 스크랩 가능성에 기초하여, 복수의 예방 조치 중 적어도 하나를 수행하는 단계를 더 포함한다.
본 개시의 또 다른 측면은, 명령어를 저장하는 하나 이상의 메모리 디바이스 및 재고 유지 유닛의 스크랩 가능성을 결정하기 위한 방법을 수행하기 위해 명령어를 실행하도록 구성되는 하나 이상의 프로세서를 포함하는 시스템에 관한 것이다. 해당 방법은, 복수의 재고 유지 유닛(SKU)과 연관된 스크랩 가능성을 예측하는 것과 연관된 프로세스를 개시하라는 요청을 수신하는 단계, 요청을 수신하는 것에 응답하여 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 준비하는 단계, 및 - 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 훈련된 신경망에 입력하는 단계, 훈련된 신경망으로부터 복수의 SKU 중 각각의 SKU에 대한 예측값을 출력하는 단계, 값 세트를 계산하여 훈련된 신경망을 측정하는 단계, 및 계산된 값 세트의 서브세트를 적어도 포함하는 행렬을 생성하는 단계 - 에 의해 요청과 연관된 정보를 준비하는 단계를 포함한다. 해당 방법은 복수의 임계값의 임계 예측값에 대응하는 계산된 값 세트의 제1 값을 선택하는 단계, 복수의 SKU 중 각각의 SKU에 대한, 훈련된 신경망으로부터 출력된 예측값을 임계 예측값과 비교하는 단계, 비교에 기초하여, 복수의 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정하는 단계, 및, 스크랩될 가능성이 있음을 나타내는 스크랩 가능성에 기초하여, 복수의 예방 조치 중 적어도 하나를 수행하는 단계를 더 포함한다.
다른 시스템, 방법, 및 컴퓨터 판독 가능 매체가 또한 본 명세서에서 논의된다.
도 1a는 개시된 실시형태와 부합하는, 운송, 수송 및 물류 작업을 가능하게 하는 통신을 위한 컴퓨터화된 시스템을 포함하는 네트워크의 예시적인 실시형태를 도시하는 개략적인 블록도이다.
도 1b는 개시된 실시형태와 부합하는, 대화형 사용자 인터페이스 요소와 함께, 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 샘플 검색 결과 페이지(Search Result Page; SRP)를 도시한다.
도 1c는 개시된 실시형태와 부합하는, 대화형 사용자 인터페이스 요소와 함께, 제품 및 제품에 관한 정보를 포함하는 샘플 단일 상세 페이지(Single Detail Page, SDP)를 도시한다.
도 1d는 개시된 실시형태와 부합하는, 대화형 사용자 인터페이스 요소와 함께, 물품을 가상의 쇼핑 카트에 포함하는 샘플 카트 페이지를 도시한다.
도 1e는 개시된 실시형태와 부합하는, 대화형 사용자 인터페이스 요소와 함께, 구매 및 운송에 관한 정보와 함께 가상의 쇼핑 카트로부터의 물품을 포함하는 샘플 주문 페이지를 도시한다.
도 2는 개시된 실시형태와 부합하는, 개시된 컴퓨터화된 시스템을 활용하도록 구성되는 예시적인 풀필먼트 센터의 개략도이다.
도 3a 및 도 3b는 개시된 실시형태와 부합하는, 재고 유지 유닛의 스크랩 가능성을 예측하고 스크랩을 방지하기 위한 예시적인 방법을 도시한다.
도 3c는 개시된 실시형태와 부합하는, 예측 모델을 위한 입력 데이터를 준비하기 위한 예시적인 방법을 도시한다.
도 4는 개시된 실시형태와 부합하는, 예측 모델을 위한 입력 데이터를 준비하는 예시적인 흐름을 나타내는 블록도를 도시한다.
도 5는 개시된 실시형태와 부합하는, 예측 모델을 통한 정보의 예시적인 흐름을 나타내는 다이어그램을 도시한다.
도 6은 개시된 실시형태와 부합하는, 예시적으로 생성된 행렬을 나타내는 테이블을 도시한다.
도 1b는 개시된 실시형태와 부합하는, 대화형 사용자 인터페이스 요소와 함께, 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 샘플 검색 결과 페이지(Search Result Page; SRP)를 도시한다.
도 1c는 개시된 실시형태와 부합하는, 대화형 사용자 인터페이스 요소와 함께, 제품 및 제품에 관한 정보를 포함하는 샘플 단일 상세 페이지(Single Detail Page, SDP)를 도시한다.
도 1d는 개시된 실시형태와 부합하는, 대화형 사용자 인터페이스 요소와 함께, 물품을 가상의 쇼핑 카트에 포함하는 샘플 카트 페이지를 도시한다.
도 1e는 개시된 실시형태와 부합하는, 대화형 사용자 인터페이스 요소와 함께, 구매 및 운송에 관한 정보와 함께 가상의 쇼핑 카트로부터의 물품을 포함하는 샘플 주문 페이지를 도시한다.
도 2는 개시된 실시형태와 부합하는, 개시된 컴퓨터화된 시스템을 활용하도록 구성되는 예시적인 풀필먼트 센터의 개략도이다.
도 3a 및 도 3b는 개시된 실시형태와 부합하는, 재고 유지 유닛의 스크랩 가능성을 예측하고 스크랩을 방지하기 위한 예시적인 방법을 도시한다.
도 3c는 개시된 실시형태와 부합하는, 예측 모델을 위한 입력 데이터를 준비하기 위한 예시적인 방법을 도시한다.
도 4는 개시된 실시형태와 부합하는, 예측 모델을 위한 입력 데이터를 준비하는 예시적인 흐름을 나타내는 블록도를 도시한다.
도 5는 개시된 실시형태와 부합하는, 예측 모델을 통한 정보의 예시적인 흐름을 나타내는 다이어그램을 도시한다.
도 6은 개시된 실시형태와 부합하는, 예시적으로 생성된 행렬을 나타내는 테이블을 도시한다.
다음의 상세한 설명은 첨부 도면을 참조한다. 어디서든 가능하다면, 도면과 다음의 설명에서 동일한 참조 번호가 동일하거나 유사한 부분을 지칭하기 위해 사용된다. 수개의 예시적 실시형태가 본 명세서에 설명되어 있지만, 수정, 개조 및 다른 구현예가 가능하다. 예를 들어, 도면에 도시된 구성 요소 및 단계에 대한 대체, 추가 또는 수정이 이루어질 수 있고, 본 명세서에 설명된 예시적인 방법은 개시된 방법에서 단계를 대체하거나, 재정렬하거나, 제거하거나 추가함으로써 수정될 수 있다. 따라서, 다음의 상세한 설명은 개시된 실시형태 및 예시에 제한되지 않는다. 대신에, 본 발명의 적절한 범주는 첨부된 청구항에 의해 규정된다.
본 개시의 실시형태는 훈련된 신경망(neural network)을 통해 데이터를 실행하고, 임계 예측값을 결정하기 위해 값 세트를 계산하여 훈련된 신경망을 측정하고, 훈련된 신경망에 의해 출력된 데이터를 임계 예측값과 비교하여 물품이 스크랩(scrap)될 가능성이 있는지 여부를 결정함으로써 특정 SKU(재고 유지 유닛)를 갖는 하나 이상의 물품이 가까운 장래에 스크랩될 가능성이 있는지 여부를 결정하도록 구성된 시스템 및 방법에 관한 것이다. 재고 유지 유닛을 갖는 물품이 스크랩될 가능성이 있다는 결정에 기초하여 예방 조치가 수행될 수 있다. 개시된 실시형태는 물품이 스크랩될 것을 예측함으로써 사전 예방적 관리를 허용하는 혁신적인 기술적 피처를 제공하며, 예측은 훈련된 신경망을 실행하고 값 세트를 계산하여 신경망의 성능을 측정함으로써 달성된다. 예를 들어, 개시된 실시형태는 복수의 스케일링된 인자(scaled factor)를 훈련된 신경망에 입력하여 복수의 SKU에 대한 예측값을 출력하는 것을 가능하게 하고, 값의 세트를 계산함으로써 훈련된 신경망의 측정을 가능하게 하고, 훈련된 신경망에 의해 출력된 예측값과 비교하기 위한 임계 예측값의 결정을 가능하게 하고, SKU가 스크랩될 가능성이 있는지 여부의 결정을 가능하게 하고, SKU가 스크랩될 가능성이 있는 것으로 결정될 때 예방 조치의 수행을 가능하게 한다.
도 1a를 참조하여, 운송, 수송 및 물류 작업을 가능하게 하는 통신을 위한 컴퓨터화된 시스템을 포함하는 시스템의 예시적인 실시형태를 도시한 개략적인 블록도(100)가 도시된다. 도 1a에 도시된 바와 같이, 시스템(100)은 다양한 시스템들을 포함할 수 있고, 이들 시스템 각각은 하나 이상의 네트워크를 통해 서로 연결될 수 있다. 시스템들은 또한, 예를 들어, 케이블을 사용하여 직접 연결을 통해 서로 연결될 수 있다. 도시된 시스템은, 선적 권한 기술(shipment authority technology, SAT) 시스템(101), 외부 프론트 엔드 시스템(external front end system)(103), 내부 프론트 엔드 시스템(internal front end system)(105), 수송 시스템(transportation system)(107), 모바일 디바이스(107A, 107B 및 107C), 판매자 포털(109), 선적 및 주문 추적(shipment and order tracking, SOT) 시스템(111), 풀필먼트 최적화(fulfillment optimization, FO) 시스템(113), 풀필먼트 메시징 게이트웨이(fulfillment messaging gateway, FMG)(115), 공급 체인 관리(supply chain management, SCM) 시스템(117), 창고 관리 시스템(warehouse management system, 119), 모바일 디바이스(119A, 119B 및 119C)(풀필먼트 센터(FC)(200)의 내부에 있는 것으로 도시됨), 제3자의 풀필먼트 시스템(121A, 121B 및 121C), 풀필먼트 센터 인증 시스템(fulfillment center authorization system, FC Auth)(123) 및 노동 관리 시스템(labor management system, LMS)(125)을 포함한다.
일부 실시형태에서, SAT 시스템(101)은 주문 상태(order status) 및 배송 상태(delivery status)를 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들어, SAT 시스템(101)은 주문이 그 약속된 배송 날짜(Promised Delivery Date, PDD)를 경과한 것인지를 결정할 수 있고, 새로운 주문을 개시하는 것, 미배송의 주문의 물품들을 재운송하는 것, 미배송의 주문을 취소하는 것, 주문한 고객과의 연락(contact)을 개시하는 것 등을 포함하여, 적절한 액션을 취할 수 있다. SAT 시스템(101)은 또한, (특정 기간 동안 운송된 다수의 패키지와 같은) 출력 및 (운송에 사용하기 위해 수신된 빈 판지 박스(empty cardboard boxes)의 수와 같은) 입력을 포함하는, 기타 데이터를 모니터링할 수 있다. SAT 시스템(101)은 또한, 시스템(100)에서 상이한 디바이스들 간에 게이트웨이로서 동작하여, (예를 들어, 저장-및-전달(store-and-forward) 또는 다른 기술들을 사용하여) 외부 프론트 엔드 시스템(103) 및 FO 시스템(113)과 같은 디바이스들 사이의 통신을 가능하게 한다.
일부 실시형태에서, 외부 프론트 엔드 시스템(103)은 외부 사용자가 시스템(100) 내의 하나 이상의 시스템과 상호 작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들어, 시스템(100)이 시스템들에 대한 프리젠테이션을 가능하게 하여 사용자가 물품을 주문할 수 있게 하는 실시형태에서, 외부 프론트 엔드 시스템(103)은 검색 요청을 수신하고, 물품 페이지를 제시하고, 결제 정보를 요구(solicit)하는 웹 서버로서 구현될 수 있다. 예를 들어, 외부 프론트 엔드 시스템(103)은 Apache HTTP 서버, 마이크로소프트 인터넷 정보 서비스(Microsoft Internet Information Services, IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시형태에서, 외부 프론트 엔드 시스템(103)은 외부 디바이스(예를 들어, 모바일 디바이스(102A) 또는 컴퓨터(102B))로부터 요청을 수신하고 처리하도록 설계된 고객 웹 서버 소프트웨어를 실행하고, 이들 요청에 기초하여 데이터베이스 및 기타 데이터 저장소로부터 정보를 획득하고, 획득된 정보에 기초하여 수신된 요청에 대한 응답을 제공할 수 있다.
일부 실시형태에서, 외부 프론트 엔드 시스템(103)은 웹 캐싱 시스템(web caching system), 데이터베이스, 검색 시스템 또는 지불 시스템 중 하나 이상을 포함할 수 있다. 일 측면에서, 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상을 포함할 수 있고, 반면에 다른 측면에서, 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들어, 서버-대-서버, 데이터베이스-대-데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
도 1b, 도 1c, 도 1d 및 도 1e에 의해 도시된 단계들의 예시적인 세트는 외부 프론트 엔드 시스템(103)의 일부 동작을 설명하는 데에 도움이 될 것이다. 외부 프론트 엔드 시스템(103)은 프리젠테이션 및/또는 디스플레이를 위해 시스템(100) 내의 시스템들 또는 디바이스들로부터 정보를 수신할 수 있다. 예를 들어, 외부 프론트 엔드 시스템(103)은 검색 결과 페이지(SRP)(예를 들어, 도 1b), 단일 상세 페이지(SDP)(예를 들어, 도 1c), 카트 페이지(예를 들어, 도 1d) 또는 주문 페이지(예를 들어, 도 1e)를 포함하여, 하나 이상의 웹 페이지를 호스팅하거나 제공할 수 있다. 사용자 디바이스(예를 들어, 모바일 디바이스(102A) 또는 컴퓨터(102B)를 사용함)는, 외부 프론트 엔드 시스템(103)을 탐색하고, 검색 박스에 정보를 입력함으로써 검색을 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 시스템(100) 내의 하나 이상의 시스템으로부터 정보를 요청할 수 있다. 예를 들어, 외부 프론트 엔드 시스템(103)은 검색 요청을 만족시키는 FO 시스템(113)으로부터 정보를 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 또한, 검색 결과에 포함된 각 제품에 대한 약속된 배송 날짜 즉 "PDD"를 (FO 시스템(113)으로부터) 요청하고 수신할 수 있다. 일부 실시형태에서, PDD는, 특정 기간 내에, 예를 들어, 하루가 끝날 때까지(오후 11시 59분), 주문된 경우, 제품을 포함하는 패키지가 사용자의 원하는 위치에 도착할 때, 또는 제품이 사용자의 원하는 위치에 배송될 것으로 약속된 날짜에 대한 추정(estimate)을 나타낼 수 있다. (PDD는 FO 시스템(113)과 관련하여 아래에 더 논의된다.)
외부 프론트 엔드 시스템(103)은 정보에 기초하여 SRP(예를 들어, 도 1b)를 준비할 수 있다. SRP는 검색 요청을 만족시키는 정보를 포함할 수 있다. 예를 들어, 이는 검색 요청을 만족시키는 제품들의 사진(pictures of products)을 포함할 수 있다. SRP는 또한, 각 제품의 각각의 가격, 또는 각 제품에 대한 향상된 배송 옵션, PDD, 무게, 크기, 제안(offers), 할인 등에 관한 정보를 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들어, 네트워크를 통해) 요청측 사용자 디바이스(requesting user device)에 SRP를 전송할 수 있다.
그 후, 사용자 디바이스는, 예를 들어, 사용자 인터페이스를 클릭(clicking) 또는 탭(tapping)하거나, 다른 입력 디바이스를 사용함으로써, SRP 상에 나타내어진 제품을 선택하여, SRP로부터 제품을 선택할 수 있다. 사용자 디바이스는 선택된 제품에 관한 정보 요청(request for information on the selected product)을 공식화하여(formulate) 그것을 외부 프론트 엔드 시스템(103)에 전송할 수 있다. 이에 응답하여, 외부 프론트 엔드 시스템(103)은 선택된 제품과 연관된 정보를 요청할 수 있다. 예를 들어, 정보는 각각의 SRP 상에 제품에 대해 제시된 것 이외의 추가 정보를 포함할 수 있다. 이는, 예를 들어, 유통 기한(shelf life), 원산지(country of origin), 무게, 크기, 포장된 물품의 수(number of items in package), 취급 설명(handling instructions) 또는 제품에 대한 기타 정보를 포함할 수 있다. 이 정보는 (예를 들어, 이 제품 및 적어도 하나의 다른 제품을 구매한 고객들에 대한 빅 데이터 및/또는 기계 학습(machine learning) 분석에 기초하여) 유사한 제품들에 대한 추천사항(recommendations), 자주 묻는 질문에 대한 답변, 고객으로부터의 리뷰, 제조자 정보, 사진 등을 포함할 수 있다.
외부 프론트 엔드 시스템(103)은 수신된 제품 정보에 기초하여 SDP(Single Detail Page)(예를 들어, 도 1c)를 준비할 수 있다. SDP는 또한, "바로 구매(Buy Now)" 버튼, "카트에 추가(Add to Cart)" 버튼, 수량 필드, 물품의 사진 등과 같은 기타 대화형 요소를 포함할 수 있다. SDP는 제품을 제안하는 판매자의 목록을 더 포함할 수 있다. 목록은 각 판매자가 제안하는 가격에 기초하여 순서화될(ordered) 수 있어, 최저 가격으로 제품을 판매하겠다고 제안한 판매자가 맨 위(the top)에 나열될 수 있다. 목록은 또한, 최고 랭킹의 판매자(highest ranked seller)가 맨 위에 나열될 수 있도록 판매자 랭킹에 기초하여 순서화될 수 있다. 판매자 랭킹은, 예를 들어, 약속된 PDD를 충족한 판매자의 과거 추적 기록을 포함하여, 다수의 인자에 기초하여 공식화될 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들어, 네트워크를 통해) 요청측 사용자 디바이스에 SDP를 전달할 수 있다.
요청측 사용자 디바이스는 제품 정보를 나열한 SDP를 수신할 수 있다. SDP를 수신하면, 사용자 디바이스는 SDP와 상호 작용할 수 있다. 예를 들어, 요청측 사용자 디바이스의 사용자는 SDP 상의 "카트에 담기(Place in Cart)" 버튼을 클릭하거나 다른 방식으로 상호 작용할 수 있다. 이로써 그 제품이 사용자와 연관된 쇼핑 카트(shopping cart)에 추가된다. 사용자 디바이스는 제품을 쇼핑 카트에 추가하라는 이 요청을 외부 프론트 엔드 시스템(103)에 송신할 수 있다.
외부 프론트 엔드 시스템(103)은 카트 페이지(예를 들어, 도 1d)를 생성할 수 있다. 일부 실시형태에서, 카트 페이지는, 사용자가 가상의 "쇼핑 카트"에 추가한 제품들을 나열한다. 사용자 디바이스는 SRP, SDP 또는 기타 페이지들 상의 아이콘을 클릭하거나 다른 방식으로 상호 작용함으로써 카트 페이지를 요청할 수 있다. 일부 실시형태에서, 카트 페이지는, 사용자가 쇼핑 카트에 추가한 모든 제품을 나열할 뿐만 아니라, 각 제품의 수량, 각 제품의 물품당 가격, 각 제품의 관련 수량에 기초한 가격, PDD에 관한 정보, 배송 방법, 운송비(shipping cost), 쇼핑 카트 내의 제품들을 수정하기 위한 사용자 인터페이스 요소들(예를 들어, 수량 삭제 또는 수정), 다른 제품을 주문하거나 제품의 정기 배송(periodic delivery)을 설정하기 위한 옵션들, 이자 결제(interest payment)를 설정하기 위한 옵션들, 구매를 진행하기 위한 사용자 인터페이스 요소들 등과 같이 카트에 있는 제품들에 관한 정보를 나열할 수 있다. 사용자 디바이스에서 사용자는, 쇼핑 카트에서 제품의 구매를 개시하기 위해 사용자 인터페이스 요소(예를 들어, "바로 구매"를 판독하는 버튼)를 클릭하거나 다른 방식으로 상호 작용할 수 있다. 그렇게 하면, 사용자 디바이스는 구매를 개시하라는 이 요청을 외부 프론트 엔드 시스템(103)에 송신할 수 있다.
외부 프론트 엔드 시스템(103)은 구매를 개시하라는 요청을 수신하는 것에 응답하여 주문 페이지(예를 들어, 도 1e)를 생성할 수 있다. 일부 실시형태에서, 주문 페이지는, 쇼핑 카트로부터 물품을 재나열하고(re-list), 결제 및 운송 정보의 입력을 요청한다. 예를 들어, 주문 페이지는, 쇼핑 카트에 있는 물품들의 구매자에 관한 정보를 요청하는 섹션(예를 들어, 이름, 주소, 이메일 주소, 전화 번호), 받는 사람에 관한 정보(예를 들어, 이름, 주소, 전화 번호, 배송 정보), 운송 정보(예를 들어, 배송 속도/방법 및/또는 픽업(pickup), 결제 정보(예를 들어, 신용 카드, 은행 송금, 수표, 저장된 신용카드(stored credit)), 현금 영수증을 요청하기 위한 사용자 인터페이스 요소(예를 들어, 세금 목적으로) 등을 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 주문 페이지를 사용자 디바이스에 전송할 수 있다.
사용자 디바이스는, 주문 페이지 상에 정보를 입력하고, 정보를 외부 프론트 엔드 시스템(103)에 전송하는 사용자 인터페이스 요소를 클릭하거나 다른 방식으로 상호 작용할 수 있다. 거기서부터, 외부 프론트 엔드 시스템(103)은 정보를 시스템(100) 내의 상이한 시스템들에 전송하여 쇼핑 카트에 있는 제품들을 갖는 새로운 주문의 생성 및 처리를 가능하게 할 수 있다.
일부 실시형태에서, 외부 프론트 엔드 시스템(103)은 판매자가 주문에 관한 정보를 송신하고 수신할 수 있도록 더 구성될 수 있다.
일부 실시형태에서, 내부 프론트 엔드 시스템(105)은 내부 사용자들(예를 들어, 시스템(100)을 소유, 운영 또는 임대하는 조직의 직원들)이 시스템(100) 내의 하나 이상의 시스템과 상호 작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들어, 시스템(100)이 사용자들이 물품을 주문할 수 있게 하는 시스템들의 프리젠테이션을 가능하게 하는 실시형태에서, 내부 프론트 엔드 시스템(105)은 내부 사용자들이 주문들에 대한 진단 및 통계 정보를 보거나(view), 물품 정보를 수정하거나, 주문들에 관한 통계를 검토(review)할 수 있게 하는 웹 서버로서 구현될 수 있다. 예를 들어, 내부 프론트 엔드 시스템(105)은 Apache HTTP 서버, 마이크로소프트 인터넷 정보 서비스(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시형태에서, 내부 프론트 엔드 시스템(105)은 시스템(100)에 도시된 시스템들 또는 디바이스들(도시되지 않은 다른 디바이스들뿐만 아니라)로부터 요청을 수신하고 처리하도록 설계된 고객 웹 서버 소프트웨어를 실행할 수 있고, 이들 요청에 기초하여 데이터베이스들 및 기타 데이터 저장소들로부터 정보를 획득하고, 획득된 정보에 기초하여 수신된 요청에 대한 응답을 제공할 수 있다.
일부 실시형태에서, 내부 프론트 엔드 시스템(105)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 결제 시스템, 분석 시스템, 주문 모니터링 시스템 등 중 하나 이상을 포함할 수 있다. 일 측면에서, 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상을 포함할 수 있고, 반면에 다른 측면에서, 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상에 연결된 인터페이스들(예를 들어, 서버-대-서버, 데이터베이스-대-데이터베이스, 또는 다른 네트워크 연결들)을 포함할 수 있다.
일부 실시형태에서, 수송 시스템(107)은 시스템(100) 내의 시스템들 또는 디바이스들과 모바일 디바이스(107A 내지 107C) 사이의 통신을 가능하게 하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시형태에서, 수송 시스템(107)은 하나 이상의 모바일 디바이스(107A 내지 107C)(예를 들어, 모바일 폰, 스마트 폰, PDA 등)로부터 정보를 수신할 수 있다. 예를 들어, 일부 실시형태에서, 모바일 디바이스(107A 내지 107C)는 배송 작업자(delivery worker)들에 의해 운영되는 디바이스들을 포함할 수 있다. 정규직(permanent) 직원, 임시(temporary) 직원 또는 교대(shift) 직원일 수 있는 배송 작업자들은 모바일 디바이스(107A 내지 107C)를 활용하여 사용자들에 의해 주문된 제품을 포함하는 패키지의 배송을 행할 수 있다. 예를 들어, 패키지를 배송하기 위해, 배송 작업자는 어느 패키지를 배송할 것인지와 그 패키지를 어디로 배송할 것인지를 나타내는 통지를 모바일 디바이스 상에 수신할 수 있다. 배송 위치에 도착하면, 배송 작업자는 패키지를 (예를 들어, 트럭의 후면에, 혹은 패키지들의 상자(crate)에) 위치시키거나, 모바일 디바이스를 사용하여 패키지 상의 식별자(identifier)(예를 들어, 바코드, 이미지, 텍스트 스트링(text string), RFID 태그 등)와 연관된 데이터를 스캔하거나 다른 방식으로 캡처하고, 패키지를 (예를 들어, 문 앞에 두거나, 경비원에게 맡겨 두거나, 받는 사람에게 건네주는 등으로써) 전달할 수 있다. 일부 실시형태에서, 배송 작업자는 모바일 디바이스를 사용하여 패키지의 사진(들)을 캡처하고, 및/또는 서명을 얻을 수 있다. 모바일 디바이스는, 예를 들어, 시간, 날짜, GPS 위치, 사진(들), 배송 작업자와 연관된 식별자, 모바일 디바이스와 연관된 식별자 등을 포함하는 배송에 관한 정보를 포함하는 정보를 수송 시스템(107)에 전송할 수 있다. 수송 시스템(107)은 시스템(100) 내의 다른 시스템들에 의해 액세스되도록 이 정보를 데이터베이스(도시되지 않음)에 저장할 수 있다. 일부 실시형태에서, 수송 시스템(107)은 이 정보를 사용하여 특정 패키지의 위치를 나타내는 추적 데이터를 준비하여 다른 시스템들에 전송할 수 있다.
일부 실시형태에서, 특정 사용자들은 한 종류의 모바일 디바이스를 사용할 수 있으며(예를 들어, 정규직 작업자들은 바코드 스캐너, 스타일러스 및 기타 디바이스들과 같은 맞춤형 하드웨어(custom hardware)를 갖는 전용 PDA(specialized PDA)를 사용할 수 있고), 반면에 다른 사용자들은 다른 종류의 모바일 디바이스들을 사용할 수 있다(예를 들어, 임시 또는 교대 작업자들은 기성품의(off-the-shelf) 모바일 폰 및/또는 스마트 폰을 활용할 수 있다).
일부 실시형태에서, 수송 시스템(107)은 사용자를 각 디바이스와 연관시킬 수 있다. 예를 들어, 수송 시스템(107)은, 사용자(예를 들어, 사용자 식별자, 직원 식별자 또는 전화 번호로 나타내어짐)와 모바일 디바이스(예를 들어, IMEI(International Mobile Equipment Identity), IMSI(International Mobile Subscription Identifier), 전화 번호, UUID(Universal Unique Identifier) 또는 GUID(Globally Unique Identifier)로 나타내어짐) 사이의 연관성을 저장할 수 있다. 수송 시스템(107)은, 무엇보다도, 작업자의 위치, 작업자의 효율성 또는 작업자의 속도를 결정하기 위해, 배송 시 수신된 데이터와 함께 이 연관성을 사용하여 데이터베이스에 저장된 데이터를 분석할 수 있다.
일부 실시형태에서, 판매자 포털(109)은, 판매자들 또는 다른 외부 개체들이 시스템(100) 내의 하나 이상의 시스템과 전자적으로 통신할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들어, 판매자는, 판매자 포털(109)을 사용하여, 판매자가 시스템(100)을 통해 판매하고 싶어하는 제품들에 대한 제품 정보, 주문 정보, 연락처 정보 등을 업로드하거나 제공하기 위해 컴퓨터 시스템(도시되지 않음)을 활용할 수 있다.
일부 실시형태에서, 선적 및 주문 추적 시스템(111)은, 고객들에 의해(예를 들어, 디바이스(102A 및 102B)를 사용하는 사용자에 의해) 주문된 제품들을 포함하는 패키지들의 위치에 관한 정보를 수신하고, 저장하고, 전달하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시형태에서, 선적 및 주문 추적 시스템(111)은, 고객들에 의해 주문된 제품들을 포함하는 패키지들을 배송하는 운송 회사들에 의해 운영되는 웹 서버들(도시되지 않음)로부터, 정보를 요청하거나 저장할 수 있다.
일부 실시형태에서, 선적 및 주문 추적 시스템(111)은 시스템(100) 내에 도시된 시스템들로부터 정보를 요청하고 저장할 수 있다. 예를 들어, 선적 및 주문 추적 시스템(111)은 수송 시스템(107)으로부터 정보를 요청할 수 있다. 위에서 논의된 바와 같이, 수송 시스템(107)은, 하나 이상의 사용자(예를 들어, 배송 작업자) 또는 차량(예를 들어, 배송 트럭)과 연관된 하나 이상의 모바일 디바이스(107A 내지 107C)(예를 들어, 모바일 폰, 스마트 폰, PDA 등)로부터 정보를 수신할 수 있다. 일부 실시형태에서, 선적 및 주문 추적 시스템(111)은 또한, 풀필먼트 센터(예를 들어, 풀필먼트 센터(200)) 내부의 개별 제품의 위치를 결정하기 위해, 창고 관리 시스템(WMS)(119)으로부터 정보를 요청할 수 있다. 선적 및 주문 추적 시스템(111)은, 수송 시스템(107) 또는 WMS(119) 중 하나 이상으로부터 데이터를 요청하고, 데이터를 처리하고, 요청 시 데이터를 디바이스(예를 들어, 사용자 디바이스(102A 및 102B))에 제시할 수 있다.
일부 실시형태에서, 풀필먼트 최적화(FO) 시스템(113)은, 다른 시스템들(예를 들어, 외부 프론트 엔드 시스템(103) 및/또는 선적 및 주문 추적 시스템(111))로부터의 고객 주문들에 관한 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. FO 시스템(113)은 또한, 특정 물품들이 어디에 보유되거나 저장되는지를 설명하는 정보를 저장할 수 있다. 예를 들어, 특정 물품들은 하나의 풀필먼트 센터에만 저장될 수 있고, 반면에 특정 다른 물품들은 다수의 풀필먼트 센터에 저장될 수 있다. 또 다른 실시형태에서, 특정 풀필먼트 센터들은 특정 세트의 물품들(예를 들어, 신선 제품 또는 냉동 제품)만을 저장하도록 설계될 수 있다. FO 시스템(113)은, 이 정보뿐만 아니라 관련 정보(예를 들어, 수량, 크기, 영수증의 날짜, 만료일 등)를 저장한다.
FO 시스템(113)은 또한, 각 제품의 대응하는 PDD(promised delivery date)를 계산할 수 있다. 일부 실시형태에서, PDD는 하나 이상의 인자에 기초할 수 있다. 예를 들어, FO 시스템(113)은, 제품에 대한 과거 수요(예를 들어, 한 기간 동안 제품이 얼마나 자주 주문되었는지), 제품에 대한 예상 수요(다가오는 기간 동안 얼마나 많은 고객들이 해당 제품을 주문할 것으로 예측되는지), 한 기간 동안 얼마나 많은 제품들이 주문되었는지를 나타내는 네트워크-전역(network-wide) 과거 수요, 다가오는 기간 동안 얼마나 많은 제품들이 주문될 것인지 예상되는 것을 나타내는 네트워크-전역 예상 수요, 각 풀필먼트 센터(200)에 저장되는 제품에 대한, 풀필먼트 센터가 각 제품마다 저장하는 하나 이상의 카운트, 해당 제품에 대한 예상 주문 또는 현재 주문 등에 기초하여, 제품에 대한 PDD를 계산할 수 있다.
일부 실시형태에서, FO 시스템(113)은, 주기적으로(예를 들어, 시간마다) 각 제품에 대한 PDD를 결정하고, 이를 리트리벌(retrieval)을 위해 데이터베이스에 저장하거나, 다른 시스템들(예를 들어, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 선적 및 주문 추적 시스템(111))에 전송할 수 있다. 다른 실시형태에서, FO 시스템(113)은, 하나 이상의 시스템(예를 들어, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 선적 및 주문 추적 시스템(111))으로부터 전자식 요청들(electronic requests)을 수신하고, 요구 시(on demand) PDD를 계산할 수 있다.
일부 실시형태에서, 풀필먼트 메시징 게이트웨이(FMG)(115)는, 시스템(100) 내의 하나 이상의 시스템, 예를 들어, FO 시스템(113)으로부터 하나의 포맷 또는 프로토콜로 요청 또는 응답을 수신하고, 요청 또는 응답을 다른 포맷 또는 프로토콜로 변환하고, 변환된 포맷 또는 프로토콜로 요청 또는 응답을 다른 시스템, 예를 들어, WMS(119) 또는 제3자의 풀필먼트 시스템(121A, 121B 또는 121C), 에 전달하거나, 그 반대도 성립하는 컴퓨터 시스템으로서 구현될 수 있다.
일부 실시형태에서, 공급 체인 관리(SCM) 시스템(117)은 예측 기능들을 수행하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들어, SCM 시스템(117)은, 예를 들어, 제품에 대한 과거 수요, 제품에 대한 예상 수요, 네트워크-전역 과거 수요, 네트워크-전역 예상 수요, 각 풀필먼트 센터(200)에 저장되는 제품들 카운트, 각 제품에 대한 예상 주문 또는 현재 주문 등에 기초하여 특정 제품에 대한 수요 레벨(level of demand)을 예측할 수 있다. 모든 풀필먼트 센터에 걸쳐 각 제품에 대한 이 예측된 레벨 및 양에 응답하여, SCM 시스템(117)은, 특정 제품에 대한 예측된 수요를 만족시키기에 충분한 수량을 구매하고 비축하기 위해서 하나 이상의 구매 주문을 생성할 수 있다.
일부 실시형태에서, 창고 관리 시스템(WMS)(119)은 작업 흐름을 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들어, WMS(119)는 개별 이벤트(discrete events)를 나타내는 개별 디바이스(예를 들어, 디바이스(107A 내지 107C 또는 119A 내지 119C))로부터 이벤트 데이터를 수신할 수 있다. 예를 들어, WMS(119)는 패키지를 스캔하기 위해 이들 디바이스 중 하나의 사용을 나타내는 이벤트 데이터를 수신할 수 있다. 풀필먼트 센터(200) 및 도 2에 관련하여 아래에 논의되는 바와 같이, 풀필먼트 프로세스 동안, 패키지 식별자(예를 들어, 바코드 또는 RFID 태그 데이터)는 특정 단계에서 기계들(예를 들어, 자동화되거나 휴대형의 바코드 스캐너, RFID 판독기, 고속 카메라, 태블릿(119A), 모바일 디바이스/PDA(119B), 컴퓨터(119C) 등과 같은 디바이스)에 의해 스캐닝되거나 판독될 수 있다. WMS(119)는, 패키지 식별자, 시간, 날짜, 위치, 사용자 식별자 또는 기타 정보와 함께 대응하는 데이터베이스(도시되지 않음)에 패키지 식별자의 스캔 또는 판독을 나타내는 각 이벤트를 저장할 수 있고, 이 정보를 다른 시스템(예를 들어, 선적 및 주문 추적 시스템(111))에 제공할 수 있다.
일부 실시형태에서, WMS(119)는 하나 이상의 디바이스(예를 들어, 디바이스(107A 내지 107C 또는 119A 내지 119C))를 시스템(100)과 연관된 하나 이상의 사용자와 관련시킨 정보를 저장할 수 있다. 예를 들어, 일부 상황에서, 사용자(예를 들어, 시간제 또는 전일제 직원)는, 사용자가 모바일 디바이스(예를 들어, 모바일 디바이스는 스마트 폰임)를 소유한다는 점에서, 모바일 디바이스와 연관될 수 있다. 다른 상황에서, 사용자는, 사용자가 일시적으로 모바일 디바이스를 소유하고 있다(예를 들어, 사용자는 하루의 시작 시에 모바일 디바이스를 체크 아웃하고, 하루 동안 사용할 것이고, 하루가 끝나면 반환할 것이다)는 점에서, 모바일 디바이스와 연관될 수 있다.
일부 실시형태에서, WMS(119)는 시스템(100)과 연관된 각 사용자에 대한 작업 로그(work log)를 유지할 수 있다. 예를 들어, WMS(119)는, 임의의 할당된 프로세스(예를 들어, 트럭 하역하기(unloading trucks), 픽 구역(pick zone)으로부터 물품 피킹하기, 리빈 월 작업(rebin wall work), 물품 포장하기), 사용자 식별자, 위치(예를 들어, 풀필먼트 센터(200) 내의 층 또는 구역), 직원에 의해 시스템을 통해 이동된 다수의 유닛(예를 들어, 피킹된 물품의 수, 포장된 물품의 수), 디바이스(예를 들어, 디바이스(119A 내지 119C))와 연관된 식별자 등을 포함하여, 각 직원과 연관된 정보를 저장할 수 있다. 일부 실시형태에서, WMS(119)는 디바이스(119A 내지 119C)상에서 운영되는 시간 기록 시스템(timekeeping system)과 같은 시간 기록 시스템으로부터 체크 인 및 체크 아웃 정보를 수신할 수 있다.
일부 실시형태에서, 제3자의 풀필먼트(3PL) 시스템(121A 내지 121C)은 물류 및 제품의 제3자 제공자와 연관된 컴퓨터 시스템을 나타낸다. 예를 들어, 일부 제품은 (도 2와 관련하여 후술되는 바와 같이) 풀필먼트 센터(200)에 저장되지만, 다른 제품들은 장외(off-site)에 저장될 수 있거나, 요구 시 생산될 수 있거나, 달리 풀필먼트 센터(200)에 저장되어 이용 가능하지 않을 수 있다. 3PL 시스템(121A 내지 121C)은, (예를 들어, FMG(115)를 통해) FO 시스템(113)으로부터 주문을 수신하도록 구성될 수 있고, 제품 및/또는 서비스(예를 들어, 배송 또는 설치)를 고객들에게 직접 제공할 수 있다. 일부 실시형태에서, 3PL 시스템(121A 내지 121C) 중 하나 이상은 시스템(100)의 일부일 수 있고, 반면에 다른 실시형태에서, 3PL 시스템(121A 내지 121C) 중 하나 이상은 시스템(100) 외부에 있을 수 있다(예를 들어, 제3자 제공자에 의해 소유되거나 운영된다).
일부 실시형태에서, 풀필먼트 센터 인증 시스템(FC Auth)(123)은 다양한 기능들을 갖는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들어, 일부 실시형태에서, FC Auth(123)은 시스템(100) 내의 하나 이상의 다른 시스템에 대한 SSO(single-sign on) 서비스로서 작용할 수 있다. 예를 들어, FC Auth(123)은 사용자가 내부 프론트 엔드 시스템(105)을 통해 로그인할 수 있게 하고, 사용자가 선적 및 주문 추적 시스템(111)에서 리소스들에 액세스할 수 있는 유사한 권한들(privileges)을 가지고 있는 것으로 결정하고, 사용자가 제2 로그 인 프로세스(second log in process)를 필요로 하지 않고 이들 권한에 액세스할 수 있게 한다. 다른 실시형태에서, FC Auth(123)은 사용자들(예를 들어, 직원들)이 그들 자신을 특정 작업과 연관시킬 수 있게 한다. 예를 들어, 일부 직원은 전자 디바이스(예를 들어, 디바이스(119A 내지 119C))를 갖지 않을 수 있고, 대신에 하루의 일과에서(during the course of a day), 풀필먼트 센터(200) 내에서, 작업별로, 그리고 구역별로, 이동할 수 있다. FC Auth(123)은 이들 직원이 어떤 작업을 행하고 있는지와, 그들이 하루 중 서로 다른 시각에 어느 구역에 있는지를 나타낼 수 있도록 구성될 수 있다.
일부 실시형태에서, 노동 관리 시스템(LMS)(125)은 직원들(전일제 및 시간제 직원들을 포함)에 대한 출근 및 초과 근무 정보(attendance and overtime information)를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들어, LMS(125)는 FC Auth(123), WMS(119), 디바이스(119A 내지 119C), 수송 시스템(107) 및/또는 디바이스(107A 내지 107C)로부터 정보를 수신할 수 있다.
도 1a에 도시된 특정 컨피겨레이션은 단지 예시이다. 예를 들어, 도 1a는 FO 시스템(113)에 연결된 FC Auth 시스템(123)을 도시하지만, 모든 실시형태가 이 특정 컨피겨레이션을 요구하는 것은 아니다. 실제로, 일부 실시형태에서, 시스템(100) 내의 시스템들은, 인터넷, 인트라넷, WAN(Wide-Area Network), MAN(Metropolitan-Area Network), IEEE 802.11a/b/g/n 표준과 호환되는 무선 네트워크, 전용 회선(leased line) 등을 포함하는 하나 이상의 공개 또는 비공개 네트워크를 통해 서로 연결될 수 있다. 일부 실시형태에서, 시스템(100) 내의 시스템들 중 하나 이상은 데이터 센터, 서버 팜(server farm) 등에 구현되는 하나 이상의 가상 서버로서 구현될 수 있다.
도 2는 풀필먼트 센터(200)를 도시한다. 풀필먼트 센터(200)는 주문 시 고객들에게 운송되기 위한 물품들을 저장하는 물리적 위치의 예이다. 풀필먼트 센터(FC)(200)는 다수의 구역으로 분할될 수 있고, 이들 구역 각각은 도 2에 도시되어 있다. 일부 실시형태에서, 이들 "구역"은 물품들을 수신하고, 물품들을 저장하고, 물품들을 리트리브(retrieve)하고, 물품들을 운송하는 프로세스의 상이한 단계들 사이의 가상 분할(virtual divisions)로 여겨질 수 있다. 따라서, "구역들"이 도 2에 도시되어 있지만, 구역들에 대한 다른 분할이 가능하고, 일부 실시형태에서, 도 2의 구역들이 생략되거나, 복제되거나, 수정될 수 있다.
인바운드 구역(203)은 도 1a로부터 시스템(100)을 사용하여 제품들을 판매하고 싶어하는 판매자들로부터 물품들이 수신되는 FC(200)의 영역을 나타낸다. 예를 들어, 판매자는 트럭(201)을 사용하여 물품(202A 및 202B)을 배송할 수 있다. 물품(202A)은 그 자체의 운송 팔레트(shipping pallet)를 점유하기에 충분히 큰 단일 물품을 나타낼 수 있고, 반면에 물품(202B)은 공간을 절약하기 위해 동일한 팔레트 상에 함께 적재된 물품들의 세트를 나타낼 수 있다.
작업자는 인바운드 구역(203)에서 물품을 수신하고, 선택적으로 컴퓨터 시스템(도시되지 않음)을 사용하여 물품들의 손상 및 정확성에 대해 체크할 수 있다. 예를 들어, 작업자는 컴퓨터 시스템을 사용하여 물품(202A 및 202B)의 수량을 물품의 주문 수량과 비교할 수 있다. 수량이 매칭되지(match) 않으면, 그 작업자는 물품(202A 또는 202B) 중 하나 이상을 거부할 수 있다. 수량이 매칭되면, 작업자는 (예를 들어, 돌리(dolly), 핸드 트럭, 지게차(forklift)를 이용하거나 수동으로) 이들 물품을 버퍼 구역(205)으로 이동시킬 수 있다. 버퍼 구역(205)은, 예를 들어, 피킹 구역에 예측된 수요를 충족시키기에 매우 충분한 수량의 해당 물품이 있기 때문에, 피킹 구역에서 현재 필요하지 않은 물품들에 대한 임시 스토리지(storage) 영역일 수 있다. 일부 실시형태에서, 지게차(206)는 버퍼 구역(205) 주위에서, 그리고 인바운드 구역(203)과 드롭 구역(207) 사이에서 물품들을 이동시키도록 동작된다. 피킹 구역에서 물품(202A 또는 202B)이 필요하다면(예를 들어, 예측된 수요로 인함), 지게차는 물품(202A 또는 202B)을 드롭 구역(207)으로 이동시킬 수 있다.
드롭 구역(207)은, 물품들이 피킹 구역(209)으로 이동되기 전에 물품들을 저장하는 FC(200)의 영역일 수 있다. 피킹 작업에 할당된 작업자("피커(picker)")는, 피킹 구역에서 물품(202A 및 202B)에 접근하고, 피킹 구역에 대한 바코드를 스캔하고, 모바일 디바이스(예를 들어, 디바이스 (119B))를 사용하여 물품(202A 및 202B)과 연관된 바코드를 스캔할 수 있다. 그 후, 피커는 (예를 들어, 물품을 카트에 담거나 운반함으로써) 물품을 피킹 구역(209)으로 가져갈 수 있다.
피킹 구역(209)은 물품(208)이 스토리지 유닛(210) 상에 저장되는 FC(200)의 영역일 수 있다. 일부 실시형태에서, 스토리지 유닛(210)은 물리적 선반, 책장, 박스, 토트(totes), 냉장고, 냉동고, 냉장 창고(cold stores) 등 중 하나 이상을 포함할 수 있다. 일부 실시형태에서, 피킹 구역(209)은 다수의 층으로 구성될 수 있다. 일부 실시형태에서, 작업자 또는 기계는, 예를 들어, 지게차, 엘리베이터, 컨베이어 벨트, 카트, 핸드 트럭, 돌리, 자동화된 로봇 또는 디바이스를 포함하여 여러 방식으로, 또는 수동으로 물품을 피킹 구역(209)으로 이동시킬 수 있다. 예를 들어, 피커는 드롭 구역(207)에서 핸드 트럭 또는 카트 상에 물품(202A 및 202B)을 담고, 물품(202A 및 202B)을 피킹 구역(209)까지 걸어서 운반할 수 있다.
피커는, 스토리지 유닛(210)상의 특정 공간과 같이, 피킹 구역(209)의 특정 지점(particular spots)에 물품을 배치(또는 "수납")하라는 명령어(instruction)를 수신할 수 있다. 예를 들어, 피커는 모바일 디바이스(예를 들어, 디바이스(119B))를 사용하여 물품(202A)을 스캔할 수 있다. 디바이스는, 예를 들어, 통로(aisle), 선반 및 위치를 나타내는 시스템을 사용하여 피커가 물품(202A)을 수납해야 하는 위치를 나타낼 수 있다. 그 후, 디바이스는 그 위치에 물품(202A)을 수납하기 전에 피커가 그 위치에서 바코드를 스캔하도록 촉구할 수 있다. 디바이스는, 디바이스(119B)를 사용하는 사용자에 의해 그 위치에 물품(202A)이 수납되었음을 나타내는 데이터를, (예를 들어, 무선 네트워크를 통해) 도 1a의 WMS(119)와 같은 컴퓨터 시스템에 전송할 수 있다.
사용자가 주문을 하면, 피커는 스토리지 유닛(210)으로부터 하나 이상의 물품(208)을 리트리브하라는 명령어를 디바이스(119B)상에 수신할 수 있다. 피커는, 물품(208)을 리트리브하고, 물품(208)상의 바코드를 스캔하고, 물품을 수송 메커니즘(transport mechanism)(214) 상에 배치할 수 있다. 수송 메커니즘(214)은, 슬라이드로 나타내어져 있지만, 일부 실시형태에서, 수송 메커니즘은 컨베이어 벨트, 엘리베이터, 카트, 지게차, 핸드 트럭, 돌리 등 중 하나 이상으로서 구현될 수 있다. 그 후, 물품(208)은 포장 구역(packing zone)(211)에 도착할 수 있다.
포장 구역(211)은, 물품이 피킹 구역(209)으로부터 수신되어 고객에게 최종 운송되기 위해 박스 또는 백(bags)에 포장되는 FC(200)의 영역일 수 있다. 포장 구역(211)에서, 물품 수신에 할당된 작업자("리빈 작업자")는 피킹 구역(209)으로부터 물품(208)을 수신하고 그것이 어느 주문에 대응하는지를 결정할 것이다. 예를 들어, 리빈 작업자는 컴퓨터(119C)와 같은 디바이스를 사용하여 물품(208)상의 바코드를 스캔할 수 있다. 컴퓨터(119C)는 물품(208)이 어느 주문과 연관되는지를 시각적으로 나타낼 수 있다. 이는, 예를 들어, 주문에 대응하는 공간 또는 벽(216)의 "셀"을 포함할 수 있다. 일단 주문이 완료되면 (예를 들어, 셀은 주문에 대한 모든 물품을 포함하기 때문에), 리빈 작업자는 주문이 완료된 것을 포장 작업자(packing worker)(또는 "패커(packer)")에게 나타낼 수 있다. 패커는 셀로부터 물품들을 리트리브하여 운송을 위해 박스 또는 백에 담을 수 있다. 그 후, 패커는 예를 들어, 지게차, 카트, 돌리, 핸드 트럭, 컨베이어 벨트를 통해, 박스 또는 백을 허브 구역(213)으로 수동으로 또는 다른 방식으로 전송할 수 있다.
허브 구역(213)은 포장 구역(211)으로부터 모든 박스 또는 백("패키지")을 수신하는 FC(200)의 영역일 수 있다. 허브 구역(213)의 작업자 및/또는 기계는, 패키지(218)를 리트리브하고, 각 패키지가 배송 지역 중 어느 부분으로 가고자 의도되는지를 결정하고, 패키지를 적절한 캠프 구역(215)으로 라우팅할 수 있다. 예를 들어, 배송 지역이 2개의 더 작은 하위-지역(sub-areas)을 갖는 경우, 패키지는 2개의 캠프 구역(215) 중 하나로 갈 것이다. 일부 실시형태에서, 작업자 또는 기계는 (예를 들어, 디바이스(119A 내지 119C) 중 하나를 사용하여) 패키지를 스캔하여 그 최종 목적지를 결정할 수 있다. 패키지를 캠프 구역(215)으로 라우팅하는 것은, 예를 들어, (예를 들어, 우편 번호에 기초하여) 패키지가 예정되어 있는 지리적 지역의 일부를 결정하는 것, 및 지리적 지역의 일부와 연관된 캠프 구역(215)을 결정하는 것을 포함할 수 있다.
일부 실시형태에서, 캠프 구역(215)은 하나 이상의 건물, 하나 이상의 물리적 공간 또는 하나 이상의 지역을 포함할 수 있고, 패키지는 루트 및/또는 서브-루트로 분류되기 위해 허브 구역(213)으로부터 수신된다. 일부 실시형태에서, 캠프 구역(215)은 FC(200)로부터 물리적으로 분리되고, 반면에 다른 실시형태에서, 캠프 구역(215)은 FC(200)의 일부를 형성할 수 있다.
캠프 구역(215) 내의 작업자 및/또는 기계는, 예를 들어, 목적지를 기존의 루트 및/또는 서브-루트와 비교하는 것, 각 루트 및/또는 서브-루트에 대한 작업 부하를 계산하는 것, 하루 중 시각(the time of day), 운송 방법, 패키지(220)를 운송하기 위한 비용, 패키지(220) 내의 물품과 연관된 PDD 등에 기초하여, 패키지(220)가 어느 루트 및/또는 서브-루트와 연관되어야 하는지를 결정할 수 있다. 일부 실시형태에서, 작업자 또는 기계는 (예를 들어, 디바이스(119A 내지 119C) 중 하나를 사용하여) 패키지를 스캔하여 그 최종 목적지를 결정할 수 있다. 일단 패키지(220)가 특정 루트 및/또는 서브-루트에 할당되면, 작업자 및/또는 기계는, 운송될 패키지(220)를 이동시킬 수 있다. 예시적인 도 2에서, 캠프 구역(215)은 트럭(222), 자동차(226) 및 배송 작업자(224A 및 224B)를 포함한다. 일부 실시형태에서, 트럭(222)은 배송 작업자(224A)에 의해 구동될 수 있고, 배송 작업자(224A)는 FC(200)를 위한 패키지를 배달하는 전일제 직원이고, 트럭(222)은, FC(200)를 소유하거나, 임대하거나, 운영하는 동일한 회사에 의해 소유되거나, 임대되거나, 운영된다. 일부 실시형태에서, 자동차(226)는 배송 작업자(224B)에 의해 운전될 수 있고, 배송 작업자(224B)는 필요에 따라(on an as-needed basis)(예를 들어, 계절에 따라) 배달하는 "가변적인(flex)" 또는 비정기적인 작업자(occasional worker)이다. 자동차(226)는 배송 작업자(224B)에 의해 소유되거나, 임대되거나, 운영될 수 있다.
본 개시의 일 측면에 따르면, 재고 유지 유닛(SKU)의 스크랩 가능성을 예측하기 위한 컴퓨터 구현 시스템은, 명령어를 저장하는 하나 이상의 메모리 디바이스, 및 동작을 수행하기 위해 명령어를 실행하도록 구성된 하나 이상의 프로세서를 포함할 수 있다. 특정 SKU를 갖는 하나 이상의 물품의 스크랩 가능성은 심층 신경망을 통해 데이터를 실행하고 심층 신경망을 측정하여 심층 신경망에 의해 출력되는 데이터에 대한 임계값을 결정함으로써 예측될 수 있다. 일부 실시형태에서, 개시된 기능 및 시스템은 SCM 시스템(117)의 일부로서 구현될 수 있다. 바람직한 실시형태는 SCM 시스템(117) 상에서 개시된 기능 및 시스템을 구현하는 것을 포함하지만, 통상의 기술자라면 다른 구현이 가능하다는 것을 이해할 것이다.
특정 재고 유지 유닛(SKU)을 갖는 물품이 기간(예컨대, 2일 내지 4일, 48시간 내지 96시간 등) 내에 스크랩될 가능성을 나타내는 스크랩 가능성은, 재고 유지 유닛과 연관된 하나 이상의 인자를 고려함으로써 결정될 수 있다. 예를 들어, 인자는 인벤토리(inventory), 판매 추세, 예측, 품절(out of stock, OOS) 시간, 코드 수명 판매 가능일(code life sellable days), 평균 판매, 최소 주문 수량(minimal order quantity, MOQ), 유통 기한, 정도(즉, 온도), 상태, 리드 타임(lead time), 만료 날짜, 예외 시간, 판매 지연 및 최근 스크랩을 포함할 수 있지만 이에 제한되지는 않는다. 표 1은 예시적인 인자의 테이블이다.
| 색인 | 이름 | 정의 |
| 1 | shelflife | SKU 제품(들)은 몇 일 동안 판매 가능할 것인가 |
| 2 | shelflife_3 | shelflife < 3일 |
| 3 | shelflife_7 | shelflife < 7일 |
| 4 | shelflife_14 | shelflife < 14일 |
| 5 | shelflife_28 | shelflife < 28일 |
| 6 | shelflife_181 | shelflife < 181일 |
| 7 | degree_chilled | SKU 제품(들)이 냉장되어야 하는지 여부 |
| 8 | degree_frozen | SKU 제품(들)이 냉동되어야 하는지 여부 |
| 9 | degree_ambient | SKU 제품(들)이 주위 온도에서 보관되어야 하는지 여부 |
| 10 | new_sku | SKU가 새 것인지 여부(즉, 지난 6개월 이내에 시스템에서 처음 확인됨) |
| 11 | obselete_sku | 'OBSOLETE' in postatus; SKU가 폐용되는지 여부를 나타냄 (즉, 해당 제품에 더 이상 사용되지 않음) |
| 12 | inactive_sku | 'INACTIVE_SEASON_OFF' in postatus; SKU가 비활성 상태인지 여부를 나타냄(예컨대, 여름 동안 겨울 재킷) |
| 13 | manual_sku | 'MANUAL' in postatus; SKU가 위의 상태 중 하나에 속하지 않는 경우 수동으로 SKU에 대한 구매 주문 상태를 입력함 |
| 14 | leadtime | 주문과 배송 사이의 일수 |
| 15 | leadtime_2 | leadtime < 2일 |
| 16 | leadtime_3 | leadtime < 3일 |
| 17 | leadtime_4 | leadtime < 4일 |
| 18 | leadtime_10 | leadtime < 10일 |
| 19 | leadtime_30 | leadtime < 30일 |
| 20 | leadtime_90 | leadtime < 90일 |
| 21 | expirationdate | expire_date_managed = 'Y' (즉, SKU의 만료일) |
| 22 | dp | 수요 기간 일(즉, SKU의 타겟 판매 기간을 나타내는 값) |
| 23 | dp_2 | dp < 2일 |
| 24 | dp_3 | dp < 3일 |
| 25 | dp_4 | dp < 4일 |
| 26 | dp_7 | dp < 7일 |
| 27 | dp_14 | dp < 14일 |
| 28 | moq | 최소 주문 수량(예컨대, 한 번에 구매되는 최소 단위 수) |
| 29 | sellable_days | SKU가 짧은 코드 수명을 갖는지(즉, 높은 주문 빈도) 또는 긴 코드 수명을 갖는지(낮은 주문 빈도)를 나타내는 판매 가능 일수 |
| 30 | sellable_days_3 | sellable_days < 3일 |
| 31 | sellable_days_4 | sellable_days < 4일 |
| 32 | sellable_days_5 | sellable_days < 5일 |
| 33 | sellable_days_7 | sellable_days < 7일 |
| 34 | sellable_days_14 | sellable_days < 14일 |
| 35 | sellable_days_28 | sellable_days < 28일 |
| 36 | sellable_days_181 | sellable_days < 181일 |
| 37 | exp_sales_dp | 수요 기간 일 중 일일 예상 판매 합계 |
| 38 | inv | 주문 당일 인벤토리 수량 |
| 39 | avg_adj_sales | 최근 7일 동안의 평균 조정된 판매 |
| 40 | avg_sales | 최근 7일 동안의 평균 실제 판매 |
| 41 | andon_sku | 어제의 안돈(andon)(즉, 어제 SKU가 판매 불가 상태에 있었던 시간) |
| 42 | AVG_D3_D | D-3(D day 전 3일)부터 D day까지의 평균 판매 |
| 43 | MAX_D3_D | D-3(D day 전 3일)부터 D day까지의 최대 판매 |
| 44 | MAX_D7_D3 | D-7(D day 전 7일)부터 D-3(D day 전 3일)까지의 최대 판매 |
| 45 | AVG_D7_D3 | D-7(D day 전 7일)부터 D-3(D day 전 3일)까지의 평균 판매 |
| 46 | over_promo_times | 실제 판매 수 > 프로모션 예측 후 |
| 47 | overforecast_2_times | 실제 판매 수> exp_sales_dp (색인 37) * 2 |
| 48 | over_order_12_times | 구매 주문 수량 > exp_sales_dp (색인 37) * 1.2 |
| 49 | long_sl_overforecast_2_times | 유통 기한 > 14일 |
| 50 | long_sl_over_order_12_times | 유통 기한 > 14일 |
| 51 | one_day_oos_hours | 어제 SKU가 품절된(oos) 시간 수 |
| 52 | one_day_andon_hours | 어제 SKU가 판매 불가(안돈)된 시간 수 |
| 53 | one_day_exclude_sales_hours | 어제 SKU가 판매에서 배제된 시간 수 |
| 54 | one_day_discount_hours | 어제 SKU가 할인된 시간 수 |
| 55 | two_days_oos_hours | 지난 2일 동안 SKU가 품절된 시간 수 |
| 56 | two_days_andon_hours | 지난 2일 동안 SKU가 판매 불가(안돈)된 시간 수 |
| 57 | two_days_exclude_sales_hours | 지난 2일 동안 SKU가 판매에서 배제된 시간 수 |
| 58 | two_days_discount_hours | 지난 2일 동안 SKU가 할인된 시간 수 |
| 59 | sales_delayed_avg | 수요 기간 종료 후 sales_dt 일의 평균 |
| 60 | sales_delayed_avg_sellable | sales_delayed_avg > sellable_days |
| 61 | sales_delayed_avg_sellable_v2 | sellable_days - sales_delayed_avg |
| 62 | sales_delayed_dts | 수요 기간 종료 후 sales_dt 일의 카운트 |
| 63 | near_scrap_times | sales_after_edd_days의 수 + 1 >= sellable_days (edd = 배송 예정일) |
| 64 | yesterday_sales_after_edd_days | 어제의 sales_after_edd_days (edd = 배송 예정일) |
| 65 | stow_delay | 실제 수납 완료 시간이 풀필먼트 센터의 예상 수납 완료 시간보다 늦은 경우 |
| 66 | receive_delay | 실제 수신 시간이 풀필먼트 센터의 예상 수신 시간보다 늦은 경우 |
| 67 | target_scrap_inv | 범위 일 내의 target_scrap_inventory의 합계 |
| 68 | sales_1d | 어제의 실제 판매 |
| 69 | adj_sales_1d | 어제의 조정된 판매 |
| 70 | sales_2d | 지난 2일 동안의 실제 판매 |
| 71 | adj_sales_2d | 지난 2일 동안의 조정된 판매 |
| 72 | sales_3d | 지난 3일 동안의 실제 판매 |
| 73 | adj_sales_3d | 지난 3일 동안의 조정된 판매 |
| 74 | po_diff_roq | 최근의 평균 ([purchase_order] - [recommended_order_quantity]) / avg_sales |
| 75 | roq_diff_fcst | 최근의 평균 ([recommended_order_quantity] - [forecast]) / avg_sales |
| 76 | actual_po | 최근 실제 purchase_order의 평균 / avg_sales |
| 77 | xdock_roq_diff_fcst | 크로스 도킹 사례(cross docking case)에 대한 예측과 상이한 권장 주문 수량 |
| 78 | xdock_fc_order_qty | 크로스 도킹 사례에 대한 풀필먼트 센터 주문 수량 |
| 79 | safetystock | safety_stock / 100 (safety stock = 품절을 감소시키기 위해 필요한 추가 인벤토리) |
| 80 | over_fct_times | 프로모션일의 경우, 예측 > 실제 판매 |
| 81 | promo_times | 최근 10일 동안의 프로모션 횟수 |
| 82 | overforecast_1_times | 예측한 횟수 > expected_sales_demand_period |
| 83 | overforecast_1_2_times | 예측한 횟수 > expected_sales_demand_period * 1.2 |
| 84 | over_order_times | purchase_order_quantity> expected_sales_demand_period인 횟수 |
| 85 | total_scrap_units_recent_1d | 어제의 스크랩 유닛 합계 |
| 86 | total_scrap_units_recent_3d | 지난 3일 동안의 스크랩 유닛 합계 |
| 87 | actual_po | 컨볼루션 신경망(convolutional neural network) 구성을 위해 #76과 중복됨 |
| 88 | inv_exp_sales_dp | 인벤토리 - exp_sales_dp |
| 89 | moq_sales_sellable | moq > avg_sales * sellable_days |
| 90 | small_inv | 인벤토리 < adj_avg_sales |
| 91 | sales_drop | AVG_D7_D3 > AVG_D3_D * 1.5 && MAX_D7_D3 > MAX_D3_D * 1.5 |
| 92 | sales_increase | AVG_D3_D > AVG_D7_D3 * 1.5 && MAX_D3_D > MAX_D7_D3 * 1.5 |
| 93 | large_moq | moq > avg_adjusted_sales * sellable_days |
이러한 인자는 훈련된 신경망에 입력될 수 있고, 상기 훈련된 신경망은 임계값을 기반으로 SKU와 연관된 스크랩 가능성을 나타내는 예측값을 출력한다. 임계값에 따라 스크랩될 것으로 예상되는 SKU가 어느 정도 있으며, 이는 총 상품 가치(GMV) 손실에 영향을 미칠 수 있다. 감소된 스크랩을 최대화하면서 GMV 손실 또한 최소화하기 위해, 두 변수가 균형을 이루도록 하는 임계값이 리콜(recall) 및 정확도(precision)와 같은 계산된 값을 포함하는 행렬을 생성함으로써 결정될 수 있다. 임계값이 결정되면, 복수의 SKU에 대한 SKU와 연관된 스크랩 가능성이 결정될 수 있고, 특정 SKU를 갖는 물품이 스크랩될 가능성이 있는 것으로 결정되면 물품이 스크랩되지 않도록 방지하는 조치가 수행될 수 있다.
도 3a 및 도 3b는 훈련된 예측 모델을 사용하여 재고 유지 유닛(SKU)과 연관된 스크랩 가능성을 예측하고 관리하기 위한 예시적인 방법(300)을 도시한다. 방법 또는 그 일부는 SCM 시스템(117)에 의해 수행될 수 있다. 예를 들어, 시스템은, 하나 이상의 프로세서에 의해 실행될 때, 시스템이 도 3a 및 도 3b에 도시된 단계를 수행하게 하는 명령어를 저장하는 메모리 및 하나 이상의 프로세서를 포함할 수 있다.
단계 302에서, 하나 이상의 프로세서는 복수의 SKU(즉, 물품)와 연관된 스크랩 가능성을 예측하는 것과 연관된 프로세스를 개시하라는 요청을 수신하도록 구성될 수 있다. 예를 들어, SCM(117)은 복수의 SKU에 대한 스크랩 가능성을 예측하는 것과 연관된 값을 결정하기 위한 프로세스를 시작하기 위해 사용자 디바이스의 그래픽 사용자 인터페이스(graphical user interface, GUI)에서 상호작용을 통해 사용자로부터 지시(indication)를 수신할 수 있다. 일부 실시형태에서, 요청은, SCM(117)으로부터 비롯될 수 있고 복수의 SKU에 대한 예측된 스크랩과 연관된 정보를 수신하기 위해 원격 컴퓨터 시스템으로 송신될 수 있다. 추가적으로 또는 대안적으로, 요청 또는 지시는 SCM(117)과 같은 컴퓨터 시스템의 그래픽 사용자 인터페이스 상의 요소(예컨대, 버튼, 상자, 아이콘)의 선택, 또는 제1 컴퓨터 시스템(예컨대, 사용자 디바이스)으로부터의 요청을 제2 컴퓨터 시스템(예컨대, SCM(117))으로 통신하는 것을 포함할 수 있다.
단계 304에서, 하나 이상의 프로세서는 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 준비하도록 구성될 수 있다. 단계 304는 도 3c의 박스(304A)와 관련하여 아래에서 더 설명된다. 도 3c의 단계 324에서, 하나 이상의 프로세서는 요청을 수신하는 것에 응답하여 데이터베이스로부터 데이터를 리트리브하도록 구성될 수 있고, 데이터는 복수의 SKU 중 각각의 SKU와 연관된 복수의 스케일링 가능(scalable) 인자를 포함한다. 예를 들어, SKU와 연관된 정보를 포함하는 소스 데이터는, 본래, 데이터 창고(data warehouse)에 저장될 수 있다. 요청에 응답하여, 하나 이상의 프로세서는 소스 데이터를 스토리지에 언로드(unload)하고 필요한 인자의 추출을 위해 데이터를 애플리케이션 프로그래밍 인터페이스(application programming interface)로 읽어들일 수 있다.
단계 326에서, 하나 이상의 프로세서는 복수의 SKU 중 각각의 SKU와 연관된 복수의 인자를 스케일링하도록 구성될 수 있다. 예를 들어, 데이터를 신경망에 입력하기 전에, 하나 이상의 프로세서는 입력 인자를 스케일링하거나 정규화(normalize)하여 인자를 유사한 스케일로 변환시킬 수 있다. 각각의 인자는 상이한 스케일(예컨대, 일수, 시간, 판매, 발생)과 연관될 수 있으며, 이는 모델링되는 문제의 난이도를 증가시킬 수 있다. 따라서, 입력 인자는 0-1의 범위와 같은 공통 스케일로 입력 인자를 스케일링하거나 정규화하기 위해 신경망에 입력되기 전에 처리될 수 있다.
도 3c의 단계 326 이후, 프로세스는 도 3a의 단계 306으로 이동한다. 단계 306에서, 하나 이상의 프로세서는 복수의 SKU 중 각각의 SKU와 연관된 데이터를 훈련된 예측 모델에 입력하도록 구성될 수 있다. 예를 들어, 하나 이상의 프로세서는 복수의 SKU 중 각각의 SKU와 연관된 복수의 스케일링된 인자를 기계 학습을 위해 오픈 소스 라이브러리(open source library)에 입력할 수 있다. 일부 실시형태에서, 훈련된 예측 모델은 심층 신경망일 수 있다. 일부 실시형태에서, 훈련된 예측 모델은 컨볼루션 신경망일 수 있다. 훈련된 신경망은 제1 다차원 입력 레이어(layer), 중첩(nested) 레이어 및 단일 값을 출력하는 1차원 출력 레이어를 포함할 수 있다.
단계 308에서, 하나 이상의 프로세서는 훈련된 예측 모델로부터 복수의 SKU 중 각각의 SKU에 대한 예측값을 출력하도록 구성될 수 있다. 예를 들어, 스케일링된 인자를 오픈 소스 라이브러리에 입력한 후, 신경망은 복수의 SKU 중 각각의 SKU에 대한 예측값을 출력할 수 있다. 예측값은 0에서 1 사이의 부동 소수점 수(float number)일 수 있고, 여기서 1의 값은 스크랩을 나타내고 0의 값은 비-스크랩을 나타낼 수 있다.
단계 310에서, 하나 이상의 프로세서는 값 세트를 계산함으로써 훈련된 예측 모델을 측정하도록 구성될 수 있다. 일부 실시형태에서, 값 세트는 리콜 값, 정확도 값, F1 점수, F2 점수 및 스크랩 감소 백분율에 대응하는 총 상품 가치(GMV) 손실 백분율을 포함할 수 있다. 예를 들어, 하나 이상의 프로세서는 이력 스크랩 데이터를 기반으로 리콜 및 정확도 값을 계산하기 위해 혼동 행렬(confusion matrix)을 사용하여 백 테스트(back testing)를 수행할 수 있다. 백 테스트는 SCM(117)의 데이터베이스에 저장된 이력 데이터를 사용하여 신경망이 얼마나 잘 수행되었는지 확인하기 위해 수행될 수 있고, 혼동 행렬(즉, 오류 행렬)은 백 테스트를 기반으로 신경망의 성능을 시각화하는 데 사용될 수 있다.
백 테스트를 수행함으로써, 하나 이상의 프로세서는 참 양성(즉, SKU가 스크랩으로 올바르게 예측됨), 참 음성(즉, SKU가 비-스크랩으로 올바르게 예측됨), 거짓 양성(즉, SKU가 스크랩으로 잘못 예측됨) 및 거짓 음성(즉, SKU가 비-스크랩으로 잘못 예측됨) 결과의 수를 계산함으로써 혼동 행렬을 생성할 수 있다. 예를 들어, 하나 이상의 프로세서는 1000개의 SKU에 대해 백 테스트를 수행할 수 있다. 백 테스트 결과를 실제로 스크랩된 SKU 물품을 나타내는 이력 데이터와 비교함으로써, 하나 이상의 프로세서는 1000개의 SKU 중 450개가 스크랩으로 올바르게 예측되고 350개가 비-스크랩으로 올바르게 예측되고 150개가 스크랩으로 잘못 예측되고 그리고 50개가 비-스크랩으로 잘못 예측된 것으로 결정할 수 있다. 이러한 결과로, 하나 이상의 프로세서가 리콜 및 정확도에 대한 값을 계산할 수 있다. 예를 들어, 실제 스크랩 사례 중 올바른 예측의 백분율인 리콜은 참 양성 결과의 수를 실제 스크랩 사례의 수(즉, 참 양성 + 거짓 음성)로 나누어 계산될 수 있다. 이 경우 리콜은 450/(450+50)=0.9가 될 것이다. 스크랩 예측 중 올바른 예측의 백분율인 정확도는 참 양성 결과의 수를 양성 사례의 수(즉, 참 양성 + 거짓 양성)로 나누어 계산될 수 있다. 이 경우 정확도는 450/(450+150)=0.75가 될 것이다. 계산된 리콜 및 정확도 값에 기초하여, 하나 이상의 프로세서는 F1 점수 및 F2 점수를 계산할 수 있다. F1 점수는 리콜과 정확도의 균형을 나타내며 리콜과 정확도가 모두 높은 레벨에 있을 때 더 높은 값을 갖는다. F2 점수는 F1 점수와 유사하지만 정확도보다 리콜에 보다 비중을 둔다.
하나 이상의 프로세서는 복수의 SKU 중 각각의 SKU에 대한 새로운 GMV 손실을 계산하기 위해 각 SKU를 혼동 행렬의 4가지 기본 사례에 매칭시키도록 구성될 수 있다. 새로운 GMV 손실 값을 계산하고 그리고 스크랩으로 인한 기존 GMV 손실 값과 새로운 GMV 손실 값 사이의 차를 계산함으로써, 하나 이상의 프로세서는 예측 결과를 적용하는 비즈니스 효과를 나타내는 손실 함수(loss function)를 계산할 수 있다.
단계 312에서, 하나 이상의 프로세서는 계산된 값 세트를 포함하는 행렬을 생성하도록 구성될 수 있다. 그러한 행렬 하나가 아래에서 설명되는 도 6에 도시된다.
단계 312 이후, 프로세스(300)는 도 3b의 단계 314로 이동한다. 단계 314에서, 하나 이상의 프로세서는 복수의 임계값의 임계 예측값에 대응하는 계산된 값 세트의 제1 값을 선택하도록 구성될 수 있다. 일부 실시형태에서, 하나 이상의 프로세서는 스크랩 감소 백분율을 선택하도록 구성될 수 있고, 상기 스크랩 감소 백분율은 선택 프로세스에 기초하여 최적의 임계값을 결정한다. 선택 프로세스는 스크랩 감소 백분율을 향상시키기기 위해 수행될 수 있는 가능한 예방 조치에 기초하여 규칙 세트를 포함할 수 있다. 예를 들어 예방 조치가 SKU에 적용되는 경우, 해당 SKU에 대한 스크랩 감소 백분율은 증가하거나 동일하게 유지될 수 있다. 반면에 예방 조치가 SKU에 적용되지 않는 경우, 해당 SKU에 대한 스크랩 감소 백분율은 감소하거나 동일하게 유지될 수 있다. 규칙 세트에 기초하여, 하나 이상의 프로세서는 스크랩 감소 백분율을 결정하고 선택할 수 있고, 스크랩 감소 백분율과 연관된 최저 GMV 손실 백분율을 추가로 결정할 수 있다. 예를 들어, 하나 이상의 프로세서는 스크랩 감소 백분율 50%를 선택하고 최저 GMV 손실 백분율이 0.5의 임계값에서 -31.7%라고 결정할 수 있다. 다른 예시에서, 하나 이상의 프로세서는 스크랩 감소 백분율 40%를 선택하고 최저 GMV 손실 백분율이 0.3, 0.4 및 0.5의 임계값에서 -38.6%라고 결정할 수 있다. 가장 최적의 임계값을 결정하기 위해, 하나 이상의 프로세서는 어느 리콜 및 정확도 값이 가장 균형을 이루는지를 결정할 수 있다. 예를 들어, 행렬(600)을 기반으로 0.3의 임계값에서 리콜은 0.62이고 정확도는 0.70이다. 0.4의 임계값에서 리콜은 0.60이고 정확도는 0.71이다. 0.5의 임계값에서 리콜은 0.59이고 정확도는 0.73이다. 이러한 값을 기반으로 하나 이상의 프로세서는 0.4의 임계값에서 리콜과 정확도가 가장 균형을 이루는 것으로 결정할 수 있다.
일부 실시형태에서, 스크랩 감소 백분율은 그래픽 사용자 인터페이스(GUI)를 통해 컴퓨터 시스템(예컨대, SCM(117))과 통신하기 위해 사용자 디바이스를 사용하는 사용자에 의해 선택된다. 예를 들어 하나 이상의 프로세서는, 그래픽 사용자 인터페이스 상의 상호작용을 통해 사용자로부터, 규칙 세트에 기초하여 원하는 평균 스크랩 수량 감소 백분율을 선택한다라는 지시를 수신할 수 있다. 선택된 백분율에 기초하여, 하나 이상의 프로세서는 복수의 GMV 손실 백분율 중 최저 GMV 손실 백분율을 결정할 수 있고, GMV 손실 백분율에 대응하는 임계값을 더 결정할 수 있다. 임계값의 결정에 기초하여, 하나 이상의 프로세서는 임계 예측값을 설정할 수 있고 예측 모델에 의해 출력된 값에 기초하여 어느 SKU 물품이 스크랩될 가능성이 있는지 결정할 수 있다.
단계 316에서, 하나 이상의 프로세서는 복수의 SKU 중 각각의 SKU에 대한, 훈련된 예측 모델로부터 출력된 예측값을 임계 예측값과 비교하도록 구성될 수 있다. 예를 들어, 비교에 기초하여, 하나 이상의 프로세서는 예측값이 임계 예측값보다 크거나 작다고 결정할 수 있다.
단계 318에서, 하나 이상의 프로세서는 비교에 기초하여 복수의 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정하도록 구성될 수 있다. 예를 들어, SKU와 연관된 예측값이 임계 예측값보다 크다는 결정에 기초하여 SKU 물품은 스크랩될 가능성이 있는 것으로 예측될 것이다. 한편, SKU와 연관된 예측값이 임계 예측값보다 작다는 결정에 기초하여, SKU 물품은 스크랩될 가능성이 없는 것으로 예측될 것이다.
단계 320에서, 하나 이상의 프로세서는, 스크랩될 가능성이 있음을 나타내는 스크랩 가능성에 기초하여, 복수의 예방 조치 중 적어도 하나를 수행하도록 구성될 수 있다. 예를 들어, 하나 이상의 프로세서는 SKU와 연관된 가격을 낮추기 위해 웹사이트를 업데이트하거나, 관리 데이터베이스에서 SKU에 대한 주문 수량을 업데이트하거나, 웹사이트에서 품절로 플래깅된(flagged) SKU 목록으로부터 SKU를 제거할 수 있다. 다른 예시에서, 하나 이상의 프로세서는 웹사이트 홈페이지를 업데이트하여 SKU와 연관된 물품을 디스플레이하거나 제1 컴퓨터 시스템으로부터 권장 조치와 연관된 제2 컴퓨터 시스템으로의 송신을 위해 명령어를 생성할 수 있다. 일부 실시형태에서, 하나 이상의 프로세서는 SCM(117)의 디바이스에 메시지를 디스플레이하거나 SCM(117)의 사용자 디바이스를 사용하여 사용자에게 알림을 송신하여 사용자가 더 적은 SKU 물품을 주문하도록 경고하거나 SKU 물품에 대한 판매를 제안할 수 있다. 일부 실시형태에서, 하나 이상의 프로세서는 스크랩될 가능성이 있음을 나타내는 스크랩 가능성에 응답하여 복수의 예방 조치 중 적어도 하나를 자동으로 수행하도록 구성될 수 있다. 일부 실시형태에서, 하나 이상의 프로세서는 예방 조치를 수행하기 전에 모든 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정할 때까지 대기할 수 있다. 대안적으로, 하나 이상의 프로세서는 SKU가 예측된 스크랩으로 결정되는 즉시 예방 조치를 수행할 수 있다.
단계 322에서, 하나 이상의 프로세서는 스크랩될 가능성이 없음을 나타내는 스크랩 가능성에 기초하여, 아무런 예방 조치를 수행하지 않도록 구성될 수 있다. 예를 들어, SKU가 스크랩될 가능성이 없다고 결정한 후, 프로세스는 복수의 SKU 중 다음 SKU에 대한 스크랩 가능성을 결정하기 위해 단계 318로 돌아갈 수 있다.
도 4는 훈련된 신경망에 대한 입력 데이터를 준비하는 흐름을 나타내는 예시적인 블록도(400)를 도시한다. SKU와 연관된 정보를 포함하는 소스 데이터는 Amazon Redshift와 같은 데이터 창고(410)에 저장된다. SKU와 연관된 정보는 유통 기간, 평균 판매, 판매 추세, 인벤토리, 품절(OOS) 시간, 코드 수명 판매 가능일, 백로그(backlog), 최근 판매, 최근 스크랩, 최근 주문 수량, 최소 주문 수량(MOQ) 등과 같은 인자를 포함할 수 있으나 이에 제한되지는 않는다. 하나 이상의 프로세서는 구조적 쿼리 언어(structural query language, SQL)를 사용하여 데이터 창고(410)로부터 소스 데이터에 액세스하여 데이터를 스토리지 서비스 Amazon S3와 같은 스토리지(420)에 언로드하고, PySpark(즉, Python의 Apache Spark용 인터페이스)와 같은 애플리케이션 프로그래밍 인터페이스(430)로 데이터를 읽어들일 수 있다. 애플리케이션 프로그래밍 인터페이스(430)는 ELI5(즉, Python 라이브러리)와 같은 오픈 소스 도구를 사용하여 데이터로부터 필요한 인자를 추출하여 인자 중요도를 분석할 수 있다. 복수의 SKU 중 각각의 SKU와 연관된 인자가 준비되면, 하나 이상의 프로세서는 준비된 데이터를 기계 학습을 위해 Tensorflow와 같은 오픈 소스 라이브러리(440)에 입력할 수 있다.
아래에서 설명되는 도 5는 예측 모델(510)을 통한 정보의 흐름을 나타내는 예시적인 다이어그램(500)을 도시한다. 예를 들어, 하나 이상의 프로세서는 인벤토리 백로그, 판매 추세, 과다 예측, OOS 시간, 코드 수명 판매 가능일, 평균 판매, MOQ, 유통 기한 및 인벤토리를 포함하는 수개의 인자를 포함하는 100개의 SKU와 연관된 데이터(502)를 예측 모델(510)에 입력할 수 있다. 데이터(502)가 예측 모델(510)에 입력된 후, 예측 모델(510)은 100개의 SKU 중 각각의 SKU에 대한 예측값을 포함하는 데이터(504)를 출력할 수 있다. 예측 모델(510)에 의해 출력되는 데이터(504)의 예측값은 0에서 1까지의 부동 소수점 수일 수 있고, 여기서 1의 값은 스크랩을 나타내고 0의 값은 비-스크랩을 나타낸다.
도 6은 계산된 값 세트를 포함하는 예시적으로 생성된 행렬(600)을 도시한다. 행렬(600)은 변수 임계값 및 평균 스크랩 수량 감소 백분율을 포함한다. 감소되는 스크랩 수량의 각 평균 백분율은 상이한 임계값에 대응하는 GMV 손실 백분율 범위를 갖는다. 예를 들어 스크랩 감소 백분율이 50%인 경우, 최대 GMV 손실 백분율이 9.61%이고 최저 GMV 손실 백분율은 -31.7%임을 포함하는 GMV 손실 백분율의 범위가 있다. 행렬(600)은 또한 상이한 임계값에서의 리콜 및 정확도에 대한 값을 포함하며, 임계값은 예측 모델(510)에 의해 출력된 예측값과 연관된 임계 예측값이다.
GMV 손실 백분율은 임계값에 대응하며, 상기 임계값은 예측 모델(510)에 의해 출력된 어느 예측값이 스크랩으로 예측될 수 있는지 결정하기 위한 임계값을 설정하는 데 사용될 수 있다. 임계값이 더 큰 수(즉, 0.5보다 큼)로 설정되면 스크랩으로 예측되는 사례가 적을 것이고, 임계값이 더 작은 수(즉, 0.5보다 작음)로 설정되면 스크랩으로 예측되는 사례가 보다 많을 것이다. 일부 실시형태에서, 행렬(600)은 또한 F1 점수 및 F2 점수에 대한 값을 포함할 수 있다. 추가적으로 또는 대안적으로, 행렬(600)은 사용자 디바이스 상에서 사용자에 의해 뷰잉(viewing)되기 위해 디스플레이될 수 있다.
일부 실시형태에서, 스크랩 감소 백분율은 그래픽 사용자 인터페이스(GUI)를 통해 컴퓨터 시스템(예컨대, SCM(117))과 통신하기 위해 사용자 디바이스를 사용하는 사용자에 의해 선택된다. 예를 들어 하나 이상의 프로세서는, 그래픽 사용자 인터페이스 상의 상호작용을 통해 사용자로부터, 행렬(600)에 나타낸 계산된 값(예컨대, 리콜, 정확도)에 기초하여 원하는 50%의 평균 스크랩 수량 감소 백분율을 선택한다는 지시를 수신할 수 있다. 선택된 50%의 백분율에 기초하여, 하나 이상의 프로세서는 복수의 GMV 손실 백분율 중 -31.7%의 최저 GMV 손실 백분율을 결정할 수 있고, GMV 손실 백분율에 대응하는 임계값 0.5를 추가로 결정할 수 있다. 임계값의 결정에 기초하여, SCM(117)은 임계 예측값을 0.5로 설정할 수 있고, 예측 모델(510)에 의해 출력된 값에 기초하여 어느 SKU 물품이 스크랩될 가능성이 있는지 결정할 수 있다. 예를 들어 데이터(504)(도 5)에 도시된 바와 같이, SKU 1에 대한 0.61의 예측값을 0.5로 설정된 임계값과 비교함으로써, 하나 이상의 프로세서는 예측값이 임계 예측값보다 크다고 결정할 수 있다. 한편, SKU 2에 대한 0.32의 예측값을 0.5로 설정된 임계값과 비교함으로써, 하나 이상의 프로세서는 예측값이 임계 예측값보다 작은 것으로 결정할 수 있다. SKU 1과 연관된 예측값이 임계 예측값보다 크다는 결정에 기초하여 SKU 1을 갖는 물품은 스크랩될 가능성이 있는 것으로 예측될 것이다. 반면에, SKU 2와 연관된 예측값이 임계 예측값보다 작다는 결정에 기초하여, SKU 2와 연관된 물품은 스크랩될 가능성이 없는 것으로 예측될 것이다. 스크랩될 가능성이 있음을 나타내는 스크랩 가능성에 기초하여, 하나 이상의 프로세서는 위에서 논의된 바와 같이 예방 조치를 수행할 수 있다. 반면에, 스크랩될 가능성이 없음을 나타내는 스크랩 가능성에 기초하여 하나 이상의 프로세서는 예방 조치를 수행하지 않을 수 있다. 예를 들어, SKU 2를 갖는 물품이 스크랩될 가능성이 없다고 결정한 후, 프로세스는 SKU 3에 대한 스크랩 가능성을 결정하기 위해 단계 318로 돌아갈 수 있다.
본 개시는 그의 특정 실시형태를 참조하여 도시되고 설명되었지만, 본 개시는 다른 환경에서 수정없이 실시될 수 있음이 이해될 것이다. 전술한 설명은 예시 목적으로 제시되었다. 이는 망라적인(exhaustive) 것이 아니며, 개시된 정확한 형태 또는 실시형태에 제한되는 것이 아니다. 개시된 실시형태의 명세서 및 실시를 고려하여 당해 기술 분야의 통상의 기술자에게 수정 및 개조가 명백할 것이다. 추가적으로, 개시된 실시형태의 측면들이 메모리에 저장되는 것으로 설명되지만, 본 분야의 통상의 기술자는, 이러한 측면들이 또한 제2 스토리지 디바이스, 예를 들어, 하드 디스크 또는 CD ROM 또는 다른 형태의 RAM 또는 ROM, USB 매체, DVD, Blu-ray 또는 기타 광학 드라이브 매체와 같은 다른 타입의 컴퓨터 판독 가능한 매체에 저장될 수 있음을 이해할 것이다.
기재된 설명 및 개시된 방법에 기초한 컴퓨터 프로그램은 숙련된 개발자의 기술 내에 있다. 다양한 프로그램 또는 프로그램 모듈은 해당 기술 분야의 통상의 기술자에게 공지된 임의의 기술을 사용하여 생성될 수 있거나 기존 소프트웨어와 관련하여 설계될 수 있다. 예를 들어, 프로그램 섹션 또는 프로그램 모듈은 .Net Framework, .Net Compact Framework(및 Visual Basic, C 등과 같은 관련 언어), Java, C++, Objective-C, HTML, HTML/AJAX 조합, XML, 또는 Java 애플릿(applet)이 포함된 HTML에서, 또는 이들에 의해 설계될 수 있다.
또한, 예시적인 실시형태가 본 명세서에 설명되었지만, (예를 들어, 다양한 실시형태에 걸친 측면의) 동등한 요소, 수정, 생략, 조합, 개조 및/또는 변경을 갖는 임의의 및 모든 실시형태의 범위는 본 개시에 기초하여 당해 기술 분야의 통상의 기술자에 의해 인식될 것이다. 청구범위에서 제한사항은 청구범위에 사용된 언어에 기초하여 광범위하게 해석되어야 하고, 본 명세서에 설명된 예시 또는 출원의 진행 중으로 제한되는 것은 아니다. 예시는 비배타적인 것으로 해석될 것이다. 나아가, 개시된 방법의 단계는 단계를 재순서화하고 및/또는 단계를 삽입하거나 삭제하는 것을 포함하여 임의의 방식으로 수정될 수 있다. 그러므로, 본 명세서 및 예시는 단지 예시적인 것으로 간주되도록 의도되며 진정한 범위 및 사상은 다음의 청구범위 및 그들의 등가물의 전체 범위에 의해 나타내어진다.
Claims (20)
- 예측된 스크랩(scrap) 물품을 예측 및 관리하기 위한 컴퓨터 구현 시스템으로서, 상기 컴퓨터 구현 시스템은:
명령어를 저장하는 하나 이상의 메모리 디바이스;
동작을 수행하기 위해 상기 명령어를 실행하도록 구성되는 하나 이상의 프로세서를 포함하고, 상기 동작은:
복수의 재고 유지 유닛(Stock Keeping Unit, SKU)과 연관된 스크랩 가능성을 예측하는 것과 연관된 프로세스를 개시하라는 요청을 수신하는 것;
상기 요청을 수신하는 것에 응답하여, 상기 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 준비하는 것;
상기 복수의 SKU 중 각각의 SKU와 연관된 상기 입력 데이터를 훈련된 예측 모델(trained prediction model)에 입력하는 것;
상기 훈련된 예측 모델로부터 상기 복수의 SKU 중 각각의 SKU에 대한 예측값을 출력하는 것;
값 세트를 계산하여 상기 훈련된 예측 모델을 측정하는 것; 및
적어도 상기 계산된 값 세트의 서브세트(subset)를 포함하는 행렬을 생성하는 것에 의해, 상기 요청과 연관된 정보를 준비하는 것;
복수의 임계값의 임계 예측값에 대응하는 상기 계산된 값 세트의 제1 값을 선택하는 것;
상기 복수의 SKU 중 각각의 SKU에 대한, 상기 훈련된 예측 모델로부터 출력된 상기 예측값을 상기 임계 예측값과 비교하는 것;
상기 비교에 기초하여, 상기 복수의 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정하는 것; 및
스크랩될 가능성이 있음을 나타내는 상기 스크랩 가능성에 기초하여, 복수의 예방 조치 중 적어도 하나를 수행하는 것을 포함하는, 컴퓨터 구현 시스템. - 제1항에 있어서,
상기 예측 모델은 심층 신경망(deep neural network)을 포함하는, 컴퓨터 구현 시스템. - 제1항에 있어서,
상기 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 준비하는 것은:
상기 요청을 수신하는 것에 응답하여, 데이터베이스로부터 데이터를 리트리브(retrieve)하는 것 - 상기 데이터는 상기 복수의 SKU 중 각각의 SKU와 연관된 복수의 스케일링 가능(scalable) 인자를 포함함 -; 및
상기 복수의 SKU 중 각각의 SKU와 연관된 상기 복수의 인자를 스케일링하는 것을 포함하는, 컴퓨터 구현 시스템. - 제3항에 있어서,
상기 복수의 SKU 중 각각의 SKU와 연관된 상기 입력 데이터를 훈련된 예측 모델에 입력하는 것은, 상기 복수의 SKU 중 각각의 SKU와 연관된 상기 복수의 스케일링된 인자를 상기 훈련된 예측 모델에 입력하는 것을 포함하는, 컴퓨터 구현 시스템. - 제1항에 있어서,
복수의 예방 조치 중 적어도 하나를 수행하는 것은, 상기 SKU와 연관된 가격을 낮추기 위해 웹사이트를 업데이트하거나, 관리 데이터베이스에 상기 SKU에 대한 주문 수량을 업데이트하거나, 상기 웹사이트에서 품절로 플래깅된(flagged) SKU 목록으로부터 상기 SKU를 제거하는 것을 포함하는, 컴퓨터 구현 시스템. - 제1항에 있어서,
상기 프로세서는, 스크랩될 가능성이 없음을 나타내는 상기 스크랩 가능성에 기초하여, 예방 조치를 수행하지 않는 것을 포함하는 동작을 수행하기 위한 상기 명령어를 실행하도록 더 구성되는, 컴퓨터 구현 시스템. - 제1항에 있어서,
상기 계산된 값 세트는 리콜(recall) 값, 정확도(precision) 값, F1 점수, F2 점수 및 총 상품 가치(gross merchandise value, GMV) 손실 백분율을 포함하는, 컴퓨터 구현 시스템. - 제1항에 있어서,
상기 비교에 기초하여, 상기 복수의 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정하는 것은:
상기 예측값이 상기 임계 예측값보다 클 때, 특정 SKU를 갖는 하나 이상의 물품이 스크랩될 가능성이 있다고 결정하는 것; 및
상기 예측값이 상기 임계 예측값보다 작을 때, 특정 SKU를 갖는 하나 이상의 물품이 스크랩될 가능성이 없다고 결정하는 것을 포함하는, 컴퓨터 구현 시스템. - 제1항에 있어서,
상기 하나 이상의 프로세서는 동작을 수행하기 위해 상기 명령어를 실행하도록 더 구성되고, 상기 동작은:
복수의 GMV 손실 백분율 중 하나의 GMV 손실 백분율 및 상기 선택된 제1 값에 기초하여 상기 복수의 임계값 중 상기 대응하는 임계 예측값을 결정하는 것 - 상기 선택된 제1 값은 선택된 스크랩 수량 감소 백분율임 - 을 포함하는, 컴퓨터 구현 시스템. - 제1항에 있어서,
값 세트를 계산하여 상기 훈련된 예측 모델을 측정하는 것은, 혼동 행렬(confusion matrix)을 사용하는 것을 포함하는, 컴퓨터 구현 시스템. - 예측된 스크랩 물품을 예측 및 관리하기 위한 컴퓨터 구현 방법으로서, 상기 컴퓨터 구현 방법은:
복수의 재고 유지 유닛(SKU)과 연관된 스크랩 가능성을 예측하는 것과 연관된 프로세스를 개시하라는 요청을 수신하는 단계;
상기 요청을 수신하는 것에 응답하여, 상기 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 준비하는 단계;
상기 복수의 SKU 중 각각의 SKU와 연관된 상기 입력 데이터를 훈련된 예측 모델에 입력하는 단계;
상기 훈련된 예측 모델로부터 상기 복수의 SKU 중 각각의 SKU에 대한 예측값을 출력하는 단계;
값 세트를 계산하여 상기 훈련된 예측 모델을 측정하는 단계; 및
상기 계산된 값 세트의 서브세트를 적어도 포함하는 행렬을 생성하는 단계에 의해, 상기 요청과 연관된 정보를 준비하는 단계:
복수의 임계값의 임계 예측값에 대응하는 상기 계산된 값 세트의 제1 값을 선택하는 단계;
상기 복수의 SKU 중 각각의 SKU에 대한, 상기 훈련된 예측 모델로부터 출력된 상기 예측값을 상기 임계 예측값과 비교하는 단계;
상기 비교에 기초하여, 상기 복수의 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정하는 단계; 및
스크랩될 가능성이 있음을 나타내는 상기 스크랩 가능성에 기초하여, 복수의 예방 조치 중 적어도 하나를 수행하는 단계를 포함하는, 컴퓨터 구현 방법. - 제11항에 있어서,
상기 예측 모델은 심층 신경망을 포함하는, 컴퓨터 구현 방법. - 제11항에 있어서,
상기 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 준비하는 단계는:
상기 요청을 수신하는 것에 응답하여, 데이터베이스로부터 데이터를 리트리브하는 단계 - 상기 데이터는 상기 복수의 SKU 중 각각의 SKU와 연관된 복수의 스케일링 가능 인자를 포함함 -; 및
상기 복수의 SKU 중 각각의 SKU와 연관된 상기 복수의 인자를 스케일링하는 단계를 포함하는, 컴퓨터 구현 방법. - 제13항에 있어서,
상기 복수의 SKU 중 각각의 SKU와 연관된 상기 입력 데이터를 훈련된 예측 모델에 입력하는 단계는, 상기 복수의 SKU 중 각각의 SKU와 연관된 상기 복수의 스케일링된 인자를 상기 훈련된 예측 모델에 입력하는 단계를 포함하는, 컴퓨터 구현 방법. - 제11항에 있어서,
복수의 예방 조치 중 적어도 하나를 수행하는 단계는, 상기 SKU와 연관된 가격을 낮추기 위해 웹사이트를 업데이트하거나, 관리 데이터베이스에 상기 SKU에 대한 주문 수량을 업데이트하거나, 상기 웹사이트에서 품절로 플래깅된 SKU 목록으로부터 상기 SKU를 제거하는 단계를 포함하는, 컴퓨터 구현 방법. - 제11항에 있어서,
상기 방법은, 스크랩될 가능성이 없음을 나타내는 상기 스크랩 가능성에 기초하여, 예방 조치를 수행하지 않는 단계를 더 포함하는, 컴퓨터 구현 방법. - 제11항에 있어서,
상기 계산된 값 세트는 리콜 값, 정확도 값, F1 점수, F2 점수 및 총 상품 가치(GMV) 손실 백분율을 포함하는, 컴퓨터 구현 방법. - 제11항에 있어서,
상기 비교에 기초하여, 상기 복수의 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정하는 단계는:
상기 예측값이 상기 임계 예측값보다 클 때, 특정 SKU를 갖는 하나 이상의 물품이 스크랩될 가능성이 있다고 결정하는 단계; 및
상기 예측값이 상기 임계 예측값보다 작을 때, 특정 SKU를 갖는 하나 이상의 물품이 스크랩될 가능성이 없다고 결정하는 단계를 포함하는, 컴퓨터 구현 방법. - 제11항에 있어서,
상기 방법은:
복수의 GMV 손실 백분율 중 하나의 GMV 손실 백분율 및 상기 선택된 제1 값에 기초하여 상기 복수의 임계값 중 상기 대응하는 임계 예측값을 결정하는 단계 - 상기 선택된 제1 값은 선택된 스크랩 수량 감소 백분율임 - 를 더 포함하는, 컴퓨터 구현 방법. - 예측된 스크랩 물품을 예측 및 관리하기 위한 컴퓨터 구현 시스템으로서, 상기 컴퓨터 구현 시스템은:
명령어를 저장하는 하나 이상의 메모리 디바이스;
동작을 수행하기 위해 상기 명령어를 실행하도록 구성되는 하나 이상의 프로세서를 포함하고, 상기 동작은:
복수의 재고 유지 유닛(SKU)과 연관된 스크랩 가능성을 예측하는 것과 연관된 프로세스를 개시하라는 요청을 수신하는 것;
상기 요청을 수신하는 것에 응답하여, 상기 복수의 SKU 중 각각의 SKU와 연관된 입력 데이터를 준비하는 것;
상기 복수의 SKU 중 각각의 SKU와 연관된 상기 입력 데이터를 훈련된 신경망에 입력하는 것;
상기 훈련된 신경망으로부터 상기 복수의 SKU 중 각각의 SKU에 대한 예측값을 출력하는 것;
값 세트를 계산하여 상기 훈련된 신경망을 측정하는 것; 및
상기 계산된 값 세트의 서브세트를 적어도 포함하는 행렬을 생성하는 것에 의해 상기 요청과 연관된 정보를 준비하는 것:
복수의 임계값의 임계 예측값에 대응하는 상기 계산된 값 세트의 제1 값을 선택하는 것;
상기 복수의 SKU 중 각각의 SKU에 대한, 상기 훈련된 신경망으로부터 출력된 상기 예측값을 상기 임계 예측값과 비교하는 것;
상기 비교에 기초하여, 상기 복수의 SKU 중 각각의 SKU에 대한 스크랩 가능성을 결정하는 것; 및
스크랩될 가능성이 있음을 나타내는 상기 스크랩 가능성에 기초하여, 복수의 예방 조치 중 적어도 하나를 수행하는 것을 포함하는, 컴퓨터 구현 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063123642P | 2020-12-10 | 2020-12-10 | |
| US63/123,642 | 2020-12-10 | ||
| PCT/IB2021/061526 WO2022123493A1 (en) | 2020-12-10 | 2021-12-09 | Computerized systems and methods for predicting and managing scrap |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220122715A true KR20220122715A (ko) | 2022-09-02 |
Family
ID=81942682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227026163A KR20220122715A (ko) | 2020-12-10 | 2021-12-09 | 스크랩을 예측 및 관리하기 위한 컴퓨터화된 시스템 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220188846A1 (ko) |
| KR (1) | KR20220122715A (ko) |
| WO (1) | WO2022123493A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8190461B2 (en) * | 2007-04-20 | 2012-05-29 | Sap Ag | Logically centralized scrap management using planning operations |
| JP6435685B2 (ja) * | 2014-07-23 | 2018-12-12 | 富士通株式会社 | 発注量決定方法、発注量決定プログラムおよび情報処理装置 |
| US20170169463A1 (en) * | 2015-12-11 | 2017-06-15 | Twenty-Ten, Inc. | Method, apparatus, and computer-readable medium for determining effectiveness of a targeting model |
| JP6885356B2 (ja) * | 2018-02-22 | 2021-06-16 | オムロン株式会社 | 推奨情報特定装置、推奨情報特定システム、推奨情報特定方法、及びプログラム |
| US11017422B2 (en) * | 2018-03-01 | 2021-05-25 | Adobe Inc. | Dynamically generating digital product notifications over time based on product expiration data |
-
2021
- 2021-12-09 KR KR1020227026163A patent/KR20220122715A/ko active IP Right Grant
- 2021-12-09 US US17/546,250 patent/US20220188846A1/en active Pending
- 2021-12-09 WO PCT/IB2021/061526 patent/WO2022123493A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022123493A1 (en) | 2022-06-16 |
| US20220188846A1 (en) | 2022-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11282030B2 (en) | Systems and methods for machine-learning assisted inventory placement | |
| US11763256B2 (en) | Computerized systems and methods for managing inventory by determining product prices based on product characteristics | |
| US10817665B1 (en) | Systems and methods for word segmentation based on a competing neural character language model | |
| US20210398036A1 (en) | Systems and methods for responsive and automated predictive packaging acquisition | |
| KR102491645B1 (ko) | 검색어 생성을 위한 시스템 및 방법 | |
| KR20240007737A (ko) | 제품 추천을 생성하기 위해 인공 지능을 사용하는 컴퓨터 시스템 및 방법 | |
| WO2021105781A1 (en) | Systems and methods for automatic delivery worker assignment | |
| US20230306490A1 (en) | Systems and methods for identifying top alternative products based on deterministic or inferential approach | |
| KR102447333B1 (ko) | 실시간 제품 등록을 전자적으로 결정하기 위한 컴퓨터-구현된 시스템 및 방법 | |
| KR20220057501A (ko) | 커스텀 풀필먼트 센터를 위한 최상위 아이템을 결정하는 컴퓨터 구현 시스템 및 방법 | |
| KR102307450B1 (ko) | 요청된 분리된 정보를 통합하기 위한 웹-브라우저 플러그인 | |
| US20220188846A1 (en) | Computerized systems and methods for predicting and managing scrap | |
| US20230316369A1 (en) | Systems and methods for selecting and presenting products based on past purchases | |
| TWI834101B (zh) | 用於低潛時聚合資料供應的電腦實施的系統與用於區域需求估計的電腦實施的系統以及方法 | |
| KR102466233B1 (ko) | 제품 타이틀로부터 수량의 지능적 추출을 위한 시스템 및 방법 | |
| US20230128417A1 (en) | Systems and methods for regional demand estimation | |
| US20220067762A1 (en) | System and method for predicting an optimal stop point during an experiment test |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |