KR20230059697A - 지역 수요 추정을 위한 시스템 및 방법 - Google Patents
지역 수요 추정을 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230059697A KR20230059697A KR1020220045372A KR20220045372A KR20230059697A KR 20230059697 A KR20230059697 A KR 20230059697A KR 1020220045372 A KR1020220045372 A KR 1020220045372A KR 20220045372 A KR20220045372 A KR 20220045372A KR 20230059697 A KR20230059697 A KR 20230059697A
- Authority
- KR
- South Korea
- Prior art keywords
- item
- demand
- estimate
- items
- segment
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000004931 aggregating effect Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000012384 transportation and delivery Methods 0.000 description 46
- 238000010586 diagram Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 17
- 238000009826 distribution Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000004044 response Effects 0.000 description 9
- 238000012552 review Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013068 supply chain management Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012856 packing Methods 0.000 description 5
- 229920001690 polydopamine Polymers 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013403 standard screening design Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102100028626 4-hydroxyphenylpyruvate dioxygenase Human genes 0.000 description 1
- 241000723347 Cinnamomum Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 235000017803 cinnamon Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920002469 poly(p-dioxane) polymer Polymers 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q10/0637—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
지역의 재고 수요 추정을 위한 시스템과 방법, 및 컴퓨터 판독가능 매체가 개시된다. 이 방법은 수요 추정을 위해 아이템과 연관된 아이템 식별자를 수신한다. 이 방법은 이어 해당 아이템에 대한 전체 수요 예측 데이터에 액세스하고, 지리적 지역을 식별하고, 그리고 해당 지리적 지역 내 아이템의 수요 점유율 추정치를 평가할 수 있다. 또한 이 방법은 아이템과 관련된 아이템의 세그먼트와 연관된 아이템 식별자들의 세트를 결정하고, 그리고 아이템의 세그먼트에 대한 수요 추정을 결정할 수 있다. 이 방법은 이어 입력으로서, 지리적 지역에서의 아이템의 수요 점유율과 아이템의 세그먼트의 수요 추정, 및 아이템에 대한 전체 수요 예측 데이터을 가지고 베이지안 프레임워크를 사용하여 지리적 지역들에서의 아이템의 수요 추정을 생성할 수 있다. 이 방법은 일 지역에서 생성된 수요 추정을 사용하여 다른 둘러싸는 지역에서의 수요 추정을 생성할 수 있다.
Description
본 개시는 일반적으로 지역 수요 추정을 위한 컴퓨터화된 시스템 및 방법에 관한 것이다. 특히, 본 개시의 실시예는 지리적 지역 세트 내에서 아이템에 대한 수요의 추정에 관한 독창적이고 비전통적인 시스템에 관한 것이다.
판매 및 배달 장소에 아이템을 분배(distribution)하는 것은 소매 및 도매 서비스 제공업체가 주문된 아이템을 저렴하고 적시에 배달하기 위해서 중요한 과제이다. 현재 시스템은 잠재적인 주문을 위해 아이템들을 상이한 판매 및 배달 장소로 분배하기 위해 간단한 외삽(extrapolation) 기술을 사용한다.
현재 시스템의 기술은 많은 양의 데이터를 처리할 수 없고 아이템들의 갑작스러운 수요에 따른 변화를 때때로 수용할 수 없다. 현재 시스템 기술은 또한 새로운 아이템, 계절 아이템 또는 판매 부진(slow-selling) 아이템과 같이 제한된 데이터를 갖는 아이템을 수용하지 못한다. 제한된 데이터는 현재 시스템 기술이 다양한 판매 및 배달 장소에서의 수요를 정확하게 예측하는 것을 어렵게 할 수 있다. 기존 시스템 기술은 또한 아이템 판매 및 배달 장소의 역량을 고려하지 않는다.
따라서, 아이템의 활용 데이터의 불규칙한 분배를 처리하고 아이템 판매 및 배달 센터의 활용률을 극대화하기 위한 시스템의 개선된 방법이 필요하다.
본 개시의 일 양태는 지역의 재고 수요 추정을 위한 시스템에 관한 것이다. 이 시스템은 명령을 포함하는 적어도 하나의 비일시적 저장 매체와 동작들을 수행하기 위해 명령을 실행하는 적어도 하나의 프로세서를 포함한다. 동작들은 지역의 재고 수요 추정을 위한 시스템으로의 입력으로서 수요 추정을 위한 아이템과 연관된 아이템 식별자를 수신하고, 수신된 아이템 식별자와 연관된 아이템에 대한 전체 수요 예측 데이터에 액세스하고, 균일한 단위 레벨(uniform granularity level)의 하나 이상의 지리적 지역을 식별하고―여기서 단위 레벨은 하나 이상의 지리적 지역에 있는 센터에 의해 서비스되는 아이템 주문에 기초하여 결정됨―, 식별된 하나 이상의 지리적 지역 각각에서 수신된 아이템 식별자와 연관된 아이템의 수요 점유율 추정치를 평가하고―여기서 아이템의 수요 점유율 추정치는 아이템과 연관된 주문 데이터에 기초함―, 수신된 아이템 식별자와 연관된 아이템과 관련된 아이템들의 세그먼트와 연관된 아이템 식별자 세트를 결정하고, 식별된 하나 이상의 지리적 지역 각각에 대한 아이템 식별자 세트와 연관된 아이템들의 결정된 세그먼트에 대한 수요 추정을 평가하고, 베이지안 프레임워크(Bayesian framework)를 사용하여 상기 균일한 단위 레벨의 하나 이상의 지리적 지역에서 상기 수신된 식별자와 연관된 상기 아이템의 수요 추정을 생성하고―여기서 상기 베이지안 프레임워크는 입력으로서 지리적 지역 내의 아이템들의 상기 식별된 세그먼트의 수요 추정과 상기 아이템의 수요 점유율 및 상기 아이템에 대한 전체 수요 예측 데이터를 제공받음―, 하나 이상의 더 높은 단위 레벨에서 수신된 식별자와 연관된 아이템의 수요 추정을 생성하고―여기서 하나 이상의 더 높은 단위 레벨에서의 아이템의 수요 추정은 하나 이상의 지리적 지역에서의 아이템의 수요 추정치를 집계함으로써 생성됨―; 그리고 생성된 수요 추정으로 수신된 아이템 식별자에 응답하는 것을 포함할 수 있다.
본 개시의 다른 측면은 지역의 재고 수요 추정을 위한 방법에 관한 것이다. 이 방법은 지역의 재고 수요 추정을 위한 시스템으로의 입력으로서 수요 추정을 위한 아이템과 연관된 아이템 식별자를 수신하고, 수신된 아이템 식별자와 연관된 아이템에 대한 전체 수요 예측 데이터에 액세스하고, 균일한 단위 레벨의 하나 이상의 지리적 지역을 식별하고―여기서 단위 레벨은 하나 이상의 지리적 지역에 있는 센터에 의해 서비스되는 아이템 주문에 기초하여 결정됨―, 식별된 하나 이상의 지리적 지역 각각에서 수신된 아이템 식별자와 연관된 아이템의 수요 점유율 추정치를 평가하고―여기서 아이템의 수요 점유율 추정치는 아이템과 연관된 주문 데이터에 기초함―, 수신된 아이템 식별자와 연관된 아이템과 관련된 아이템들의 세그먼트와 연관된 아이템 식별자 세트를 결정하고, 식별된 하나 이상의 지리적 지역 각각에 대한 아이템 식별자 세트와 연관된 아이템들의 결정된 세그먼트에 대한 수요 추정을 평가하고, 베이지안 프레임워크를 사용하여 상기 균일한 단위 레벨의 하나 이상의 지리적 지역에서 상기 수신된 식별자와 연관된 상기 아이템의 수요 추정을 생성하고―여기서 상기 베이지안 프레임워크는 입력으로서 지리적 지역 내의 아이템들의 상기 식별된 세그먼트의 수요 추정과 상기 아이템의 수요 점유율 및 상기 아이템에 대한 전체 수요 예측 데이터를 제공받음―, 하나 이상의 더 높은 단위 레벨에서 수신된 식별자와 연관된 아이템의 수요 추정을 생성하고―여기서 하나 이상의 더 높은 단위 레벨에서의 아이템의 수요 추정은 수요 추정치를 하나 이상의 지리적 지역에서의 아이템의 수요 추정치에 집계함으로써 생성됨―, 그리고 생성된 수요 추정으로 수신된 아이템 식별자에 응답하는 것을 포함한다.
본 개시의 또 다른 양태는 지역의 재고 수요 추정을 위한 시스템에 관한 것이다. 이 시스템은 명령을 포함하는 적어도 하나의 비일시적 저장 매체와 동작들을 수행하기 위해 명령을 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 이 동작들은 지역의 재고 수요 추정을 위한 시스템으로의 입력으로서 아이템 수요 추정과 연관된 식별자에 대한 아이템을 수신하고, 주문 데이터베이스로부터 아이템과 연관된 과거 주문 데이터를 검색하고―여기서 아이템의 소정 버전이 주문되면 아이템이 주문과 연관됨―, 과거 주문 데이터에 기초하여 전체 수요 예측을 결정하고―여기서 기계 학습 모델이 아이템과 연관된 과거 주문 데이터에 기초하여 아이템의 전체 수요 예측을 추정하는데 사용됨―, 균일한 단위 레벨의 하나 이상의 지리적 지역을 식별하고―여기서 단위 레벨은 하나 이상의 지리적 지역에 있는 센터에 의해 서비스되는 주문에 기초하여 결정됨―, 식별된 하나 이상의 지리적 지역 각각에서 수신된 아이템 식별자와 연관된 아이템의 수요 점유율 추정치를 평가하고―여기서 아이템의 수요 점유율 추정치는 아이템과 연관된 주문 데이터에 기초함―, 저스트 인 타임(just-in-time) 기반으로 수신된 아이템 식별자와 연관된 아이템과 관련된 아이템들의 세그먼트와 연관된 아이템 식별자 세트를 결정하고, 식별된 하나 이상의 지리적 지역 각각에 대한 아이템 식별자 세트와 연관된 아이템들의 결정된 세그먼트에 대한 수요 추정을 평가하고, 베이지안 프레임워크를 사용하여 상기 균일한 단위 레벨의 하나 이상의 지리적 지역에서 상기 수신된 식별자와 연관된 상기 아이템의 수요 추정을 생성하고―여기서 상기 베이지안 프레임워크는 입력으로서 지리적 지역 내의 아이템들의 상기 식별된 세그먼트의 수요 추정과 상기 아이템의 수요 점유율 및 상기 아이템에 대한 전체 수요 예측 데이터를 제공받음―, 하나 이상의 더 높은 단위 레벨에서 수신된 식별자와 연관된 아이템의 수요 추정을 생성하고―여기서 하나 이상의 더 높은 단위 레벨에서 수요 추정은 수요 추정치를 하나 이상의 지리적 지역에서의 아이템의 수요 추정치에 집계함으로써 생성됨―, 그리고 생성된 수요 추정으로 수신된 아이템 식별자에 응답하는 것을 포함할 수 있다.
다른 시스템들, 방법들, 및 컴퓨터- 판독 가능 매체도 본 명세서에서 논의된다.
도 1a는 개시된 실시예에 따른, 배송, 운송, 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도이다.
도 1b는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 검색 결과 페이지(SRP; Search Result Page)의 샘플을 나타낸 도면이다.
도 1c는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 제품 및 제품에 대한 정보를 포함하는 싱글 디테일 페이지(SDP; Single Detail Page)의 샘플을 나타낸 도면이다.
도 1d는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 가상의 쇼핑 장바구니에 아이템을 포함하는 장바구니 페이지의 샘플을 나타낸 도면이다.
도 1e는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라, 가상의 쇼핑 장바구니로부터 구매 및 배송에 관한 정보에 따른 아이템을 포함하는 주문 페이지의 샘플을 나타낸 도면이다.
도 2는 개시된 실시예에 따른, 개시된 컴퓨터 시스템을 활용하도록 구성된 예시적인 풀필먼트 센터의 개략적인 도면이다.
도 3은 개시된 실시예에 따른, 예시적인 재고 수요 추정 시스템의 블록도이다.
도 4는 본 개시의 일부 실시예에 따른, 분산된 시스템의 예시적인 서버의 개략도를 나타낸 도면이다.
도 5는 개시된 실시예에 따른, 지역 내 아이템의 재고 수요 추정을 결정하기 위한 방법의 예시적인 흐름도이다.
도 6은 개시된 실시예에 따른, 아이템의 전체 수요 예측 데이터를 결정하기 위한 방법의 예시적인 흐름도이다.
도 7은 개시된 실시예에 따른, 계층(hierarchy)의 다양한 레벨에서 아이템의 재고 수요 추정을 결정하기 위한 방법의 예시적인 흐름도이다.
도 1b는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 검색 결과 페이지(SRP; Search Result Page)의 샘플을 나타낸 도면이다.
도 1c는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 제품 및 제품에 대한 정보를 포함하는 싱글 디테일 페이지(SDP; Single Detail Page)의 샘플을 나타낸 도면이다.
도 1d는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 가상의 쇼핑 장바구니에 아이템을 포함하는 장바구니 페이지의 샘플을 나타낸 도면이다.
도 1e는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라, 가상의 쇼핑 장바구니로부터 구매 및 배송에 관한 정보에 따른 아이템을 포함하는 주문 페이지의 샘플을 나타낸 도면이다.
도 2는 개시된 실시예에 따른, 개시된 컴퓨터 시스템을 활용하도록 구성된 예시적인 풀필먼트 센터의 개략적인 도면이다.
도 3은 개시된 실시예에 따른, 예시적인 재고 수요 추정 시스템의 블록도이다.
도 4는 본 개시의 일부 실시예에 따른, 분산된 시스템의 예시적인 서버의 개략도를 나타낸 도면이다.
도 5는 개시된 실시예에 따른, 지역 내 아이템의 재고 수요 추정을 결정하기 위한 방법의 예시적인 흐름도이다.
도 6은 개시된 실시예에 따른, 아이템의 전체 수요 예측 데이터를 결정하기 위한 방법의 예시적인 흐름도이다.
도 7은 개시된 실시예에 따른, 계층(hierarchy)의 다양한 레벨에서 아이템의 재고 수요 추정을 결정하기 위한 방법의 예시적인 흐름도이다.
이어서 첨부된 도면을 참조하여 자세하게 설명된다. 가능하면, 다음의 설명에서 같거나 유사한 부분에 대해 참조되도록 도면에서 같은 도면 부호가 사용된다. 여기에 몇몇 예시적인 실시예가 설명되지만, 변경, 조정 및 다른 구현도 가능하다. 예를 들면, 도면 내의 구성 및 스텝에 대해 교체, 추가, 또는 변경이 이루어질 수 있고, 여기에 설명된 예시적인 방법은 개시된 방법에 대해 스텝을 교체, 순서 변경, 제거 또는 추가함으로써 변경될 수 있다. 따라서, 다음의 자세한 설명은 개시된 실시예 및 예시로 제한되는 것은 아니다. 대신에 본 발명의 적절한 범위는 청구범위에 의해 규정된다.
본 개시의 실시예는 새로운 아이템의 판매 및 배달 패턴과 기존 아이템의 계절적 활용 변화를 학습 및 예측하도록 구성된 시스템 및 방법에 관한 것이다. 시스템은 아이템 활용 패턴을 예측하기 위해 대량의 아이템 활용 데이터를 훈련 데이터로서 처리할 수 있는 기계 학습 모델을 사용하여 이러한 지능(intelligence)을 얻을 수 있다. 아이템 활용 데이터는 판매 및 배달 센터에서 처리하는 아이템 주문을 포함될 수 있다. 이 시스템은 또한 관련 아이템 데이터로 이전에 훈련된 기계 학습 모델에 대한 입력으로서 해당 데이터를 제공함으로써 제한된 데이터 가용성 상황을 처리할 수 있다. 아이템 활용 패턴을 예측할 수 있음으로써 이 시스템은 아이템의 수요 추정을 이해하고 아이템의 분배 추정치를 만들 수 있다.
도 1a를 참조하면, 배송, 운송 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 예시적인 시스템의 실시예를 나타낸 개략적인 블록도(100)가 도시되어 있다. 도 1a에 나타낸 바와 같이, 시스템(100)은 다양한 시스템을 포함할 수 있으며, 이들 각각은 하나 이상의 네트워크를 통해 서로 연결될 수 있다. 시스템은 (예를 들어, 케이블을 사용한) 직접 연결을 통해 서로 연결될 수 있다. 도시된 시스템은 배송 기관 기술(shipment authority technology, SAT) 시스템(101), 외부 프론트 엔드 시스템(103), 내부 프론트 엔드 시스템(105), 운송 시스템(107), 모바일 디바이스(107A, 107B, 107C), 판매자 포털(109), 배송 및 주문 트래킹(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(119), 모바일 디바이스(119A, 119B, 119C)(풀필먼트 센터(fulfillment center, FC)(200) 내부에 있는 것으로 도시됨), 제3자 풀필먼트 시스템(121A, 121B, 121C), 풀필먼트 센터 인증 시스템(fulfillment center authorization system, FC Auth)(123), 및 노동 관리 시스템(labor management system, LMS)(125)을 포함한다.
일부 실시예에서, SAT 시스템(101)은 주문 상태와 배달 상태를 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SAT 시스템(101)은 주문이 약속된 배달 날짜(Promised Delivery Date, PDD)를 지났는지를 결정할 수 있고, 새로운 주문을 개시시키고, 배달되지 않은 주문의 아이템을 다시 배송하며, 배달되지 않은 주문을 취소하고, 주문 고객과 연락을 시작하는 것 등을 포함하는 적합한 조치를 취할 수 있다. SAT 시스템(101)은 또한, (특정 기간 동안 배송된 패키지의 개수와 같은) 출력, 및 (배송시 사용하기 위해 수신된 빈 카드보드 박스의 개수와 같은) 입력을 포함하는 다른 데이터를 감시할 수 있다. SAT 시스템(101)은 또한, 외부 프론트 엔드 시스템(103) 및 FO 시스템(113)과 같은 장치들 간의 (예를 들면, 저장 전달(store-and-forward) 또는 다른 기술을 사용하는) 통신을 가능하게 하는 시스템(100) 내의 상이한 장치들 사이의 게이트웨이로서 동작할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 사용자가 시스템(100) 내의 하나 이상의 시스템과 상호 동작할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 시스템의 프레젠테이션을 가능하게 하여 사용자가 아이템에 대한 주문을 할 수 있도록 하는 실시예에서, 외부 프론트 엔드 시스템(103)은 검색 요청을 수신하고, 아이템 페이지를 제시하며, 결제 정보를 요청하는 웹 서버로서 구현될 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 디바이스(예를 들어, 모바일 디바이스(102A) 또는 컴퓨터(102B))로부터 요청을 수신 및 처리하고, 이들 요청에 기초하여 데이터베이스 및 다른 데이터 스토리지 디바이스로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 설계된 커스텀 웹 서버 소프트웨어를 실행할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 또는 결제 시스템 중 하나 이상을 포함할 수 있다. 일 양상에서, 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
도 1b, 1c, 1d 및 1e에 의해 나타낸 단계들의 예시적인 세트는 외부 프론트 엔드 시스템(103)의 일부 동작을 설명하는 것에 도움이 될 것이다. 외부 프론트 엔드 시스템(103)은 프레젠테이션 및/또는 디스플레이를 위해 시스템(100) 내의 시스템 또는 디바이스로부터 정보를 수신할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 검색 결과 페이지(Search Result Page, SRP)(예를 들면, 도 1b), 싱글 디테일 페이지(Single Detail Page, SDP)(예를 들면, 도 1c), 장바구니 페이지(Cart page)(예를 들면, 도 1d), 또는 주문 페이지(예를 들면, 도 1e)를 포함하는 하나 이상의 웹페이지를 호스팅하거나 제공할 수 있다. (예를 들면, 모바일 디바이스(102A) 또는 컴퓨터(102B)를 사용하는) 사용자 디바이스는 외부 프론트 엔드 시스템(103)으로 이동하고 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 들면, 외부 프론트 엔드 시스템(103)은 FO 시스템(113)으로부터 검색 요청을 만족하는 정보를 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 또한, (FO 시스템(113)으로부터) 검색 결과에 포함된 각 제품에 대한 약속된 배달 날짜(Promised Delivery Date) 또는 "PDD"를 요청하고 수신할 수 있다. 일부 실시예에서, PDD는 제품이 들어있는 패키지가 특정 기간 이내, 예를 들면, 하루의 끝(PM 11:59)까지 주문되면 언제 사용자가 원하는 장소에 도착할 것인지에 대한 추정 또는 제품이 사용자가 원하는 장소에 배달될 약속된 날짜를 나타낼 수 있다(PDD는 FO 시스템(113)과 관련하여 이하에서 더 논의된다).
외부 프론트 엔드 시스템(103)은 정보에 기초하여 SRP(예를 들면, 도 1b)를 준비할 수 있다. SRP는 검색 요청을 만족하는 정보를 포함할 수 있다. 예를 들면, 이는 검색 요청을 만족하는 제품의 사진을 포함할 수 있다. SRP는 또한, 각 제품에 대한 각각의 가격, 또는 각 제품, PDD, 무게, 크기, 오퍼(offer), 할인 등에 대한 개선된 배달 옵션에 관한 정보를 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SRP를 요청 사용자 디바이스로 전송할 수 있다.
사용자 디바이스는 SRP에 나타낸 제품을 선택하기 위해, 예를 들면, 사용자 인터페이스를 클릭 또는 탭핑하거나, 다른 입력 디바이스를 사용하여 SRP로부터 제품을 선택할 수 있다. 사용자 디바이스는 선택된 제품에 관한 정보에 대한 요청을 만들어 내고 이를 외부 프론트 엔드 시스템(103)으로 전송할 수 있다. 이에 응답하여, 외부 프론트 엔드 시스템(103)은 선택된 제품에 관한 정보를 요청할 수 있다. 예를 들면, 정보는 각각의 SRP 상에 제품에 대해 제시된 것 이상의 추가 정보를 포함할 수 있다. 이는, 예를 들면, 유통 기한, 원산지, 무게, 크기, 패키지 내의 아이템 개수, 취급 지침, 또는 제품에 대한 다른 정보를 포함할 수 있다. 정보는 또한, (예를 들면, 이 제품 및 적어도 하나의 다른 제품을 구입한 고객의 빅 데이터 및/또는 기계 학습 분석에 기초한) 유사한 제품에 대한 추천, 자주 묻는 질문에 대한 답변, 고객의 후기, 제조 업체 정보, 사진 등을 포함할 수 있다.
외부 프론트 엔드 시스템(103)은 수신된 제품 정보에 기초하여 SDP(Single Detail Page)(예를 들면, 도 1c)를 준비할 수 있다. SDP는 또한, "지금 구매(Buy Now)" 버튼, "장바구니에 추가(Add to Cart)" 버튼, 수량 필드, 아이템 사진 등과 같은 다른 상호 동작 요소를 포함할 수 있다. SDP는 제품을 오퍼하는 판매자의 리스트를 포함할 수 있다. 이 리스트는 최저가로 제품을 판매하는 것으로 오퍼하는 판매자가 리스트의 최상단에 위치하도록, 각 판매자가 오퍼한 가격에 기초하여 순서가 정해질 수 있다. 이 리스트는 또한 최고 순위 판매자가 리스트의 최상단에 위치하도록, 판매자 순위에 기초하여 순서가 정해질 수 있다. 판매자 순위는, 예를 들어, 약속된 PPD를 지켰는지에 대한 판매자의 과거 추적 기록을 포함하는, 복수의 인자에 기초하여 만들어질 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SDP를 요청 사용자 디바이스로 전달할 수 있다.
요청 사용자 디바이스는 제품 정보를 나열하는 SDP를 수신할 수 있다. SDP를 수신하면, 사용자 디바이스는 SDP와 상호 동작할 수 있다. 예를 들면, 요청 사용자 디바이스의 사용자는 SDP의 "장바구니에 담기(Place in Cart)" 버튼을 클릭하거나, 이와 상호 동작할 수 있다. 이렇게 하면 사용자와 연계된 쇼핑 장바구니에 제품이 추가된다. 사용자 디바이스는 제품을 쇼핑 장바구니에 추가하기 위해 외부 프론트 엔드 시스템(103)으로 이러한 요청을 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 장바구니 페이지(예를 들면, 도 1d)를 생성할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 가상의 "쇼핑 장바구니(shopping cart)"에 추가한 제품을 나열한다. 사용자 디바이스는 SRP, SDP, 또는 다른 페이지의 아이콘을 클릭하거나, 상호 동작함으로써 장바구니 페이지를 요청할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 장바구니에 추가한 모든 제품 뿐 아니라 각 제품의 수량, 각 제품의 품목당 가격, 관련 수량에 기초한 각 제품의 가격, PDD에 관한 정보, 배달 방법, 배송 비용, 쇼핑 장바구니의 제품을 수정(예를 들면, 수량의 삭제 또는 수정)하기 위한 사용자 인터페이스 요소, 다른 제품의 주문 또는 제품의 정기적인 배달 설정에 대한 옵션, 할부(interest payment) 설정에 대한 옵션, 구매를 진행하기 위한 사용자 인터페이스 요소 등과 같은 장바구니의 제품에 관한 정보를 나열할 수 있다. 사용자 디바이스의 사용자는 쇼핑 장바구니에 있는 제품의 구매를 시작하기 위해 사용자 인터페이스 요소(예를 들면, "지금 구매(Buy Now)"라고 적혀있는 버튼)를 클릭하거나, 이와 상호 동작할 수 있다. 그렇게 하면, 사용자 디바이스는 구매를 시작하기 위해 이러한 요청을 외부 프론트 엔드 시스템(103)으로 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 구매를 시작하는 요청을 수신하는 것에 응답하여 주문 페이지(예를 들면, 도 1e)를 생성할 수 있다. 일부 실시예에서, 주문 페이지는 쇼핑 장바구니로부터의 아이템을 재나열하고, 결제 및 배송 정보의 입력을 요청한다. 예를 들면, 주문 페이지는 쇼핑 장바구니의 아이템 구매자에 관한 정보(예를 들면, 이름, 주소, 이메일 주소, 전화번호), 수령인에 관한 정보(예를 들면, 이름, 주소, 전화번호, 배달 정보), 배송 정보(예를 들면, 배달 및/또는 픽업 속도/방법), 결제 정보(예를 들면, 신용 카드, 은행 송금, 수표, 저장된 크레딧), 현금 영수증을 요청하는 사용자 인터페이스 요소(예를 들면, 세금 목적) 등을 요청하는 섹션을 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 사용자 디바이스에 주문 페이지를 전송할 수 있다.
사용자 디바이스는 주문 페이지에 정보를 입력하고 외부 프론트 엔드 시스템(103)으로 정보를 전송하는 사용자 인터페이스 요소를 클릭하거나, 상호 동작할 수 있다. 그로부터, 외부 프론트 엔드 시스템(103)은 정보를 시스템(100) 내의 다른 시스템으로 전송하여 쇼핑 장바구니의 제품으로 새로운 주문을 생성하고 처리할 수 있도록 한다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 판매자가 주문과 관련된 정보를 전송 및 수신할 수 있도록 추가로 구성될 수 있다.
일부 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자(예를 들면, 시스템(100)을 소유, 운영 또는 임대하는 조직의 직원)가 시스템(100) 내의 하나 이상의 시스템과 상호작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 사용자가 아이템에 대한 주문을 할 수 있게 하는 시스템의 프레젠테이션을 가능하게 하는 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자가 주문에 대한 진단 및 통계 정보를 볼 수 있게 하고, 아이템 정보를 수정하며, 또는 주문에 대한 통계를 검토할 수 있게 하는 웹 서버로서 구현될 수 있다. 예를 들면, 내부 프론트 엔드 시스템(105)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 내부 프론트 엔드 시스템(105)은 (도시되지 않은 다른 디바이스뿐 아니라) 시스템(100) 내에 나타낸 시스템 또는 디바이스로부터 요청을 수신 및 처리하고, 그러한 요청에 기초하여 데이터베이스 및 다른 데이터 스토리지 디바이스로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 (설계된 커스텀 웹 서버 소프트웨어를 실행)할 수 있다.
일부 실시예에서, 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 양상에서, 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
일부 실시예에서, 운송 시스템(107)은 시스템(100) 내의 시스템 또는 디바이스와 모바일 디바이스(107A-107C) 간의 통신을 가능하게 하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 운송 시스템(107)은 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 예를 들면, 일부 실시예에서, 모바일 디바이스(107A-107C)는 배달원에 의해 동작되는 디바이스를 포함할 수 있다. 정규직, 임시적 또는 교대 근무일 수 있는 배달원은 사용자에 의해 주문된 제품들이 들어 있는 패키지의 배달을 위해 모바일 디바이스(107A-107C)를 이용할 수 있다. 예를 들면, 패키지를 배달하기 위해, 배달원은 배달할 패키지와 배달할 위치를 나타내는 모바일 디바이스 상의 알림을 수신할 수 있다. 배달 장소에 도착하면, 배달원은 (예를 들면, 트럭의 뒤나 패키지의 크레이트에) 패키지를 둘 수 있고, 모바일 디바이스를 사용하여 패키지 상의 식별자와 관련된 데이터(예를 들면, 바코드, 이미지, 텍스트 문자열, RFID 태그 등)를 스캔하거나, 캡처하며, (예를 들면, 현관문에 놓거나, 경비원에게 맡기거나, 수령인에게 전달하는 것 등에 의해) 패키지를 배달할 수 있다. 일부 실시예에서, 배달원은 모바일 디바이스를 사용하여 패키지의 사진(들)을 찍거나 및/또는 서명을 받을 수 있다. 모바일 디바이스는, 예를 들면, 시간, 날짜, GPS 위치, 사진(들), 배달원에 관련된 식별자, 모바일 디바이스에 관련된 식별자 등을 포함하는 배달에 관한 정보를 포함하는 정보를 운송 시스템(107)에 전송할 수 있다. 운송 시스템(107)은 시스템(100) 내의 다른 시스템에 의한 접근을 위해 데이터베이스(미도시)에 이러한 정보를 저장할 수 있다. 일부 실시예에서, 운송 시스템(107)은 다른 시스템에 특정 패키지의 위치를 나타내는 트래킹 데이터를 준비 및 전송하기 위해 이러한 정보를 사용할 수 있다.
일부 실시예에서, 특정 사용자는, 한 종류의 모바일 디바이스를 사용할 수 있는 반면(예를 들면, 정규 직원은 바코드 스캐너, 스타일러스 및 다른 장치와 같은 커스텀 하드웨어를 갖는 전문 PDA를 사용할 수 있음), 다른 사용자는 다른 종류의 모바일 디바이스를 사용할 수 있다(예를 들면, 임시 또는 교대 근무 직원이 기성 휴대 전화 및/또는 스마트폰을 사용할 수 있음).
일부 실시예에서, 운송 시스템(107)은 사용자를 각각의 디바이스와 연관시킬 수 있다. 예를 들면, 운송 시스템(107)은 사용자(예를 들면, 사용자 식별자, 직원 식별자, 또는 전화번호에 의해 표현됨)와 모바일 디바이스(예를 들면, International Mobile Equipment Identity(IMEI), International Mobile Subscription Identifier(IMSI), 전화번호, Universal Unique Identifier(UUID), 또는 Globally Unique Identifier(GUID)에 의해 표현됨) 간의 연관성(association)을 저장할 수 있다. 운송 시스템(107)은, 다른 것들 중에 작업자의 위치, 작업자의 효율성, 또는 작업자의 속도를 결정하기 위해 데이터베이스에 저장된 데이터를 분석하기 위해 배달시 수신되는 데이터와 관련하여 이러한 연관성을 사용할 수 있다.
일부 실시예에서, 판매자 포털(109)은 판매자 또는 다른 외부 엔터티(entity)가 시스템(100) 내의 하나 이상의 시스템과 전자 통신할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 판매자는 판매자 포털(109)을 사용하여 시스템(100)을 통해 판매하고자 하는 제품에 대하여, 제품 정보, 주문 정보, 연락처 정보 등을 업로드하거나 제공하는 컴퓨터 시스템(미도시)을 이용할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객(예를 들면, 디바이스(102A-102B)를 사용하는 사용자)에 의해 주문된 제품들이 들어 있는 패키지의 위치에 관한 정보를 수신, 저장 및 포워딩하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객에 의해 주문된 제품들이 들어 있는 패키지를 배달하는 배송 회사에 의해 운영되는 웹 서버(미도시)로부터 정보를 요청하거나 저장할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 시스템(100)에 나타낸 시스템들로부터 정보를 요청하고 저장할 수 있다. 예를 들면, 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107)으로부터 정보를 요청할 수 있다. 전술한 바와 같이, 운송 시스템(107)은 사용자(예를 들면, 배달원) 또는 차량(예를 들면, 배달 트럭) 중 하나 이상과 연관된 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 또한, 풀필먼트 센터(예를 들면, 풀필먼트 센터(200)) 내부의 개별 제품의 위치를 결정하기 위해 창고 관리 시스템(WMS)(119)으로부터 정보를 요청할 수 있다. 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107) 또는 WMS(119) 중 하나 이상으로부터 데이터를 요청하고, 이를 처리하며, 요청시 디바이스(예를 들면, 사용자 디바이스(102A, 102B))로 제공할 수 있다.
일부 실시예에서, 풀필먼트 최적화(FO) 시스템(113)은 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103) 및/또는 배송 및 주문 트래킹 시스템(111))으로부터의 고객 주문에 대한 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. FO 시스템(113)은 또한, 특정 아이템이 유지 또는 저장되는 곳을 나타내는 정보를 저장할 수 있다. 예를 들면, 소정 아이템은 하나의 풀필먼트 센터에만 저장될 수 있는 반면, 소정 다른 아이템은 다수의 풀필먼트 센터에 저장될 수 있다. 또 다른 실시예에서, 특정 풀필먼트 센터는 아이템의 특정 세트(예를 들면, 신선한 농산물 또는 냉동 제품)만을 저장하도록 구성될 수 있다. FO 시스템(113)은 이러한 정보뿐 아니라 관련 정보(예를 들면, 수량, 크기, 수령 날짜, 유통 기한 등)를 저장한다.
FO 시스템(113)은 또한, 각 제품에 대해 대응하는 PDD(약속된 배달 날짜)를 계산할 수 있다. 일부 실시예에서, PDD는 하나 이상의 요소에 기초할 수 있다. 예를 들면, FO 시스템(113)은 제품에 대한 과거 수요(예를 들면, 그 제품이 일정 기간 동안 얼마나 주문되었는지), 제품에 대한 예측된 수요(예를 들면, 얼마나 많은 고객이 다가오는 기간 동안 제품을 주문할 것으로 예상되는지), 일정 기간 동안 얼마나 많은 제품이 주문되었는지를 나타내는 네트워크 전반의 과거 수요, 다가오는 기간 동안 얼마나 많은 제품이 주문될 것으로 예상되는지를 나타내는 네트워크 전반의 예측된 수요, 각각의 제품을 저장하는 각 풀필먼트 센터(200)에 저장된 제품의 하나 이상의 개수, 그 제품에 대한 예상 또는 현재 주문 등에 기초하여 제품에 대한 PDD를 계산할 수 있다.
일부 실시예에서, FO 시스템(113)은 주기적으로(예를 들면, 시간별로) 각 제품에 대한 PDD를 결정하고, 검색하거나 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로 전송하기 위해 이를 데이터베이스에 저장할 수 있다. 다른 실시예에서, FO 시스템(113)은 하나 이상의 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로부터 전자 요청을 수신하고 요구에 따라 PDD를 계산할 수 있다.
일부 실시예에서, 풀필먼트 메시징 게이트웨이(FMG)(115)는 FO 시스템(113)과 같은 시스템(100) 내의 하나 이상의 시스템으로부터 하나의 포맷 또는 프로토콜로 요청 또는 응답을 수신하고, 그것을 다른 포맷 또는 프로토콜로 변환하여, 변환된 포맷 또는 프로토콜로 된 요청 또는 응답을 WMS(119) 또는 제3자 풀필먼트 시스템(121A, 121B, 또는 121C)과 같은 다른 시스템에 포워딩하며, 반대의 경우도 가능한 컴퓨터 시스템으로서 구현될 수 있다.
일부 실시예에서, 공급 체인 관리(SCM) 시스템(117)은 예측 기능을 수행하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SCM 시스템(117)은, 예를 들어 제품에 대한 과거 수요, 제품에 대한 예측된 수요, 네트워크 전반의 과거 수요, 네트워크 전반의 예측된 수요, 각각의 풀필먼트 센터(200)에 저장된 제품 개수, 각 제품에 대한 예상 또는 현재 주문 등에 기초하여, 특정 제품에 대한 수요의 수준을 예측할 수 있다. 이러한 예측된 수준과 모든 풀필먼트 센터를 통한 각 제품의 수량에 응답하여, SCM 시스템(117)은 특정 제품에 대한 예측된 수요를 만족시키기에 충분한 양을 구매 및 비축하기 위한 하나 이상의 구매 주문을 생성할 수 있다.
일부 실시예에서, 창고 관리 시스템(WMS)(119)은 작업 흐름을 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, WMS(119)는 개개의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))로부터 개별 이벤트를 나타내는 이벤트 데이터를 수신할 수 있다. 예를 들면, WMS(119)는 패키지를 스캔하기 위해 이들 디바이스 중 하나를 사용한 것을 나타내는 이벤트 데이터를 수신할 수 있다. 풀필먼트 센터(200) 및 도 2에 관하여 이하에서 논의되는 바와 같이, 풀필먼트 프로세스 동안, 패키지 식별자(예를 들면, 바코드 또는 RFID 태그 데이터)는 특정 스테이지의 기계(예를 들면, 자동 또는 핸드헬드 바코드 스캐너, RFID 판독기, 고속 카메라, 태블릿(119A), 모바일 디바이스/PDA(119B), 컴퓨터(119C)와 같은 디바이스 등)에 의해 스캔되거나 판독될 수 있다. WMS(119)는 패키지 식별자, 시간, 날짜, 위치, 사용자 식별자, 또는 다른 정보와 함께 대응하는 데이터베이스(미도시)에 패키지 식별자의 스캔 또는 판독을 나타내는 각 이벤트를 저장할 수 있고, 이러한 정보를 다른 시스템(예를 들면, 배송 및 주문 트래킹 시스템(111))에 제공할 수 있다.
일부 실시예에서, WMS(119)는 하나 이상의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))와 시스템(100)과 연관된 하나 이상의 사용자를 연관시키는 정보를 저장할 수 있다. 예를 들면, 일부 상황에서, (파트 타임 또는 풀 타임 직원과 같은) 사용자는 모바일 디바이스(예를 들면, 모바일 디바이스는 스마트폰임)를 소유한다는 점에서, 모바일 디바이스와 연관될 수 있다. 다른 상황에서, 사용자는 임시로 모바일 디바이스를 보관한다는 점에서(예를 들면, 하루의 시작에서부터 모바일 디바이스를 대여받은 사용자가, 하루 동안 그것을 사용하고, 하루가 끝날 때 그것을 반납할 것임), 모바일 디바이스와 연관될 수 있다.
일부 실시예에서, WMS(119)는 시스템(100)과 연관된 각각의 사용자에 대한 작업 로그를 유지할 수 있다. 예를 들면, WMS(119)는 임의의 할당된 프로세스(예를 들면, 트럭에서 내리기, 픽업 구역에서 아이템을 픽업하기, 리비닝 월(rebin wall) 작업, 아이템 패킹하기), 사용자 식별자, 위치(예를 들면, 풀필먼트 센터(200)의 바닥 또는 구역), 직원에 의해 시스템을 통해 이동된 유닛의 수(예를 들면, 픽업된 아이템의 수, 패킹된 아이템의 수), 디바이스(예를 들면, 디바이스(119A-119C))와 관련된 식별자 등을 포함하는, 각 직원과 관련된 정보를 저장할 수 있다. 일부 실시예에서, WMS(119)는 디바이스(119A-119C)에서 작동되는 계시(timekeeping) 시스템과 같은 계시 시스템으로부터 체크-인 및 체크-아웃 정보를 수신할 수 있다.
일부 실시예에서, 제3자 풀필먼트(3PL) 시스템(121A-121C)은 물류 및 제품의 제3자 제공자와 관련된 컴퓨터 시스템을 나타낸다. 예를 들면, (도 2와 관련하여 이하에서 후술하는 바와 같이) 일부 제품이 풀필먼트 센터(200)에 저장되는 반면, 다른 제품은 오프-사이트(off-site)에 저장될 수 있거나, 수요에 따라 생산될 수 있으며, 또는 달리 풀필먼트 센터(200)에 저장될 수 없다. 3PL 시스템(121A-121C)은 FO 시스템(113)으로부터 (예를 들면, FMG(115)를 통해) 주문을 수신하도록 구성될 수 있으며, 고객에게 직접 제품 및/또는 서비스(예를 들면, 배달 또는 설치)를 제공할 수 있다. 일부 구현예에서, 하나 이상의 3PL 시스템(121A-121C)은 시스템(100)의 일부일 수 있지만, 다른 구현예에서는, 하나 이상의 3PL 시스템(121A-121C)이 시스템(100)의 외부에 있을 수 있다(예를 들어, 제3자 제공자에 의해 소유 또는 운영됨)일 수 있다.
일부 실시예에서, 풀필먼트 센터 인증 시스템(FC Auth)(123)은 다양한 기능을 갖는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 일부 실시예에서, FC Auth(123)는 시스템(100) 내의 하나 이상의 다른 시스템에 대한 단일-사인 온(single-sign on, SSO) 서비스로서 작동할 수 있다. 예를 들면, FC Auth(123)는 내부 프론트 엔드 시스템(105)을 통해 사용자가 로그인하게 하고, 사용자가 배송 및 주문 트래킹 시스템(111)에서 리소스에 액세스하기 위해 유사한 권한을 갖고 있다고 결정하며, 두 번째 로그인 프로세스 요구 없이 사용자가 그러한 권한에 액세스할 수 있게 한다. 다른 실시예에서, FC Auth(123)는 사용자(예를 들면, 직원)가 자신을 특정 작업과 연관시킬 수 있게 한다. 예를 들면, 일부 직원은 (디바이스(119A-119C)와 같은) 전자 디바이스를 갖지 않을 수 있으며, 대신 하루 동안 풀필먼트 센터(200) 내에서 작업들 사이 및 구역들 사이에서 이동할 수 있다. FC Auth(123)는 이러한 직원들이 상이한 시간 대에 수행 중인 작업과 속해 있는 구역을 표시할 수 있도록 구성될 수 있다.
일부 실시예에서, 노동 관리 시스템(LMS)(125)은 직원(풀-타임 및 파트-타임 직원을 포함함)에 대한 출근 및 초과 근무 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, LMS(125)는 FC Auth(123), WMS(119), 디바이스(119A-119C), 운송 시스템(107), 및/또는 디바이스(107A-107C)로부터 정보를 수신할 수 있다.
도 1a에 나타낸 특정 구성은 단지 예시일 뿐이다. 예를 들면, 도 1a는 FO 시스템(113)에 연결된 FC Auth 시스템(123)을 나타낸 반면, 모든 실시예가 이러한 특정 구성을 필요로 하는 것은 아니다. 실제로, 일부 실시예에서, 시스템(100) 내의 시스템은 인터넷, 인트라넷, WAN(Wide-Area Network), MAN(Metropolitan-Area Network), IEEE 802.11a/b/g/n 표준을 따르는 무선 네트워크, 임대 회선 등을 포함하는 하나 이상의 공공 또는 사설 네트워크를 통해 서로 연결될 수 있다. 일부 실시예에서, 시스템(100) 내의 시스템 중 하나 이상은 데이터 센터, 서버 팜 등에서 구현되는 하나 이상의 가상 서버로서 구현될 수 있다.
도 2는 풀필먼트 센터(200)를 나타낸다. 풀필먼트 센터(200)는 주문시 고객에게 배송하기 위한 아이템을 저장하는 물리적 장소의 예시이다. 풀필먼트 센터(FC)(200)는 다수의 구역으로 분할될 수 있으며, 각각이 도 2에 도시된다. 일부 실시예에서, 이러한 "구역(zones)"은 아이템을 수령하고, 아이템을 저장하고, 아이템을 검색하고, 아이템을 배송하는 과정의 상이한 단계 사이의 가상 구분으로 생각될 수 있다. 따라서, "구역"이 도 2에 나타나 있으나, 일부 실시예에서, 구역의 다른 구분도 가능하고, 도 2의 구역은 생략, 복제, 또는 수정될 수 있다.
인바운드 구역(203)은 도 1a의 시스템(100)을 사용하여 제품을 판매하고자 하는 판매자로부터 아이템이 수신되는 FC(200)의 영역을 나타낸다. 예를 들면, 판매자는 트럭(201)을 사용하여 아이템(202A, 202B)을 배달할 수 있다. 아이템(202A)은 자신의 배송 팔레트(pallet)를 점유하기에 충분히 큰 단일 아이템을 나타낼 수 있으며, 아이템(202B)은 공간을 절약하기 위해 동일한 팔레트 상에 함께 적층되는 아이템 세트를 나타낼 수 있다.
작업자는 인바운드 구역(203)의 아이템을 수령하고, 선택적으로 컴퓨터 시스템(미도시)을 사용하여 아이템이 손상되었는지 및 정확한지를 체크할 수 있다. 예를 들면, 작업자는 아이템(202A, 202B)의 수량을 아이템의 주문 수량과 비교하기 위해 컴퓨터 시스템을 사용할 수 있다. 수량이 일치하지 않는다면, 해당 작업자는 아이템(202A, 202B) 중 하나 이상을 거부할 수 있다. 수량이 일치한다면, 작업자는 그 아이템들을 (예를 들면, 짐수레(dolly), 핸드트럭(handtruck), 포크리프트(forklift), 또는 수작업으로) 버퍼 구역(205)으로 운반할 수 있다. 버퍼 구역(205)은, 예를 들면, 예측된 수요를 충족시키기 위해 픽업 구역에 그 아이템이 충분한 수량만큼 있기 때문에, 픽업 구역에서 현재 필요하지 않은 아이템에 대한 임시 저장 영역일 수 있다. 일부 실시예에서, 포크리프트(206)는 버퍼 구역(205) 주위와 인바운드 구역(203) 및 드롭 구역(207) 사이에서 아이템을 운반하도록 작동한다. (예를 들면, 예측된 수요로 인해) 픽업 구역에 아이템(202A, 202B)이 필요하면, 포크리프트는 아이템(202A, 202B)을 드롭 구역(207)으로 운반할 수 있다.
드롭 구역(207)은 픽업 구역(209)으로 운반되기 전에 아이템을 저장하는 FC(200)의 영역일 수 있다. 픽업 동작에 할당된 작업자("피커(picker)")는 픽업 구역의 아이템(202A, 202B)에 접근하고, 픽업 구역에 대한 바코드를 스캔하며, 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A, 202B)과 관련된 바코드를 스캔할 수 있다. 그 다음 피커는 아이템을 (예를 들면, 카트에 놓거나 운반함으로써) 픽업 구역(209)에 가져갈 수 있다.
픽업 구역(209)은 아이템(208)이 저장 유닛(210)에 저장되는 FC(200)의 영역일 수 있다. 일부 실시예에서, 저장 유닛(210)은 물리적 선반, 책꽂이, 박스, 토트(tote), 냉장고, 냉동고, 저온 저장고 등 중 하나 이상을 포함할 수 있다. 일부 실시예에서, 픽업 구역(209)은 다수의 플로어로 편성될 수 있다. 일부 실시예에서, 작업자 또는 기계는, 예를 들면, 포크리프트, 엘리베이터, 컨베이어 벨트, 카트, 핸드트럭, 짐수레, 자동화된 로봇 또는 디바이스, 또는 수작업을 포함하는 다양한 방식으로 아이템을 픽업 구역(209)으로 운반할 수 있다. 예를 들면, 피커는 아이템(202A, 202B)을 드롭 구역(207)의 핸드트럭 또는 카트에 놓을 수 있으며, 아이템(202A, 202B)을 픽업 구역(209)으로 가져갈 수 있다.
피커는 저장 유닛(210) 상의 특정 공간과 같은 픽업 구역(209)의 특정 스팟에 아이템을 배치(또는 "적재(stow)")하라는 명령을 수신할 수 있다. 예를 들면, 피커는 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A)을 스캔할 수 있다. 디바이스는, 예를 들면, 통로, 선반 및 위치를 나타내는 시스템을 사용하여, 아이템(202A)을 적재해야 하는 위치를 나타낼 수 있다. 그 다음 디바이스는 그 위치에 아이템(202A)을 적재하기 전에 피커가 그 위치에서 바코드를 스캔하도록 할 수 있다. 디바이스는 도 1a의 WMS(119)와 같은 컴퓨터 시스템에 아이템(202A)이 디바이스(119B)를 사용하는 사용자에 의해 그 위치에 적재되었음을 나타내는 데이터를 (예를 들면, 무선 네트워크를 통해) 전송할 수 있다.
일단 사용자가 주문을 하면, 피커는 저장 유닛(210)으로부터 하나 이상의 아이템(208)을 검색하기 위해 디바이스(119B)에 명령을 수신할 수 있다. 피커는 아이템(208)을 검색하고, 아이템(208) 상의 바코드를 스캔하며, 운송 기구(214) 상에 놓을 수 있다. 일부 실시예에서, 운송 기구(214)가 슬라이드로서 표현되지만, 운송 기구는 컨베이어 벨트, 엘리베이터, 카트, 포크리프트, 핸드트럭, 짐수레 등 중 하나 이상으로서 구현될 수 있다. 그 다음 아이템(208)은 패킹 구역(211)에 도착할 수 있다.
패킹 구역(211)은 아이템이 픽업 구역(209)으로부터 수령되고 고객에게 최종 배송하기 위해 박스 또는 가방에 패킹되는 FC(200)의 영역일 수 있다. 패킹 구역(211)에서, 아이템을 수령하도록 할당된 작업자("리비닝 작업자(rebin worker)")는 픽업 구역(209)으로부터 아이템(208)을 수령하고, 그것이 어느 주문에 대응하는지를 결정할 것이다. 예를 들면, 리비닝 작업자는 아이템(208) 상의 바코드를 스캔하기 위해 컴퓨터(119C)와 같은 디바이스를 사용할 수 있다. 컴퓨터(119C)는 아이템(208)이 어느 주문과 관련이 있는지를 시각적으로 나타낼 수 있다. 이는, 예를 들면, 주문에 대응하는 월(216) 상의 공간 또는 "셀(cell)"을 포함할 수 있다. (예를 들면, 셀에 주문의 모든 아이템이 포함되어 있기 때문에) 일단 주문이 완료되면, 리비닝 작업자는 패킹 작업자(또는 "패커(packer)")에게 주문이 완료된 것을 알릴 수 있다. 패커는 셀로부터 아이템을 검색하고, 배송을 위해 이들을 박스 또는 가방에 놓을 수 있다. 그 다음 패커는, 예를 들면, 포크리프트, 카트, 짐수레, 핸드트럭, 컨베이어 벨트, 수작업 또는 다른 방법을 통해, 박스 또는 가방을 허브 구역(213)으로 보낼 수 있다.
허브 구역(213)은 패킹 구역(211)으로부터 모든 박스 또는 가방("패키지(packages)")을 수신하는 FC(200)의 영역일 수 있다. 허브 구역(213)의 작업자 및/또는 기계는 패키지(218)를 검색하고, 각 패키지가 배달 영역의 어느 부분으로 배달되도록 되어 있는지를 결정하며, 패키지를 적합한 캠프 구역(215)으로 보낼 수 있다. 예를 들면, 배달 영역이 2개의 작은 하위 영역을 갖는다면, 패키지는 2개의 캠프 구역(215) 중 하나로 보내질 것이다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 패키지를 캠프 구역(215)으로 보내는 것은, 예를 들면, (우편 번호에 기초하여) 패키지가 향하는 지리적 영역의 부분을 결정하고, 지리적 영역의 부분과 관련된 캠프 구역(215)을 결정하는 것을 포함할 수 있다.
일부 실시예에서, 캠프 구역(215)은 루트 및/또는 서브-루트로 분류하기 위해 허브 구역(213)으로부터 패키지가 수령되는 하나 이상의 빌딩, 하나 이상의 물리적 공간, 또는 하나 이상의 영역을 포함할 수 있다. 일부 실시예에서, 캠프 구역(215)은 FC(200)로부터 물리적으로 분리되어 있는 반면, 다른 실시예에서는 캠프 구역(215)은 FC(200)의 일부를 형성할 수 있다.
캠프 구역(215)의 작업자 및/또는 기계는, 예를 들면, 목적지와 기존 루트 및/또는 서브-루트의 비교, 각각의 루트 및/또는 서브-루트에 대한 작업량의 계산, 하루 중 시간, 배송 방법, 패키지(220)를 배송하기 위한 비용, 패키지(220)의 아이템과 관련된 PDD 등에 기초하여 패키지(220)가 어느 루트 및/또는 서브-루트와 연관되어야 하는지를 결정할 수 있다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 일단 패키지(220)가 특정 루트 및/또는 서브-루트에 할당되면, 작업자 및/또는 기계는 배송될 패키지(220)를 운반할 수 있다. 예시적인 도 2에서, 캠프 구역(215)은 트럭(222), 자동차(226), 배달원(224A, 224B)을 포함한다. 일부 실시예에서, 배달원(224A)이 트럭(222)을 운전할 수 있는데, 이 때 배달원(224A)은 FC(200)에 대한 패키지를 배달하는 풀-타임 직원이며, 트럭은 FC(200)를 소유, 임대 또는 운영하는 동일한 회사에 의해 소유, 임대, 또는 운행된다. 일부 실시예에서, 배달원(224B)이 자동차(226)를 운전할 수 있는데, 이 때 배달원(224B)은 필요에 따라(예를 들면, 계절에 따라) 배달하는 "플렉스(flex)" 또는 비상시적인 작업자이다. 자동차(226)는 배달원(224B)에 의해 소유, 임대 또는 운행될 수 있다.
도 3은 개시된 실시예에 따른, 예시적인 수요 추정 시스템의 블록도이다. 도 3에 도시된 바와 같이, 수요 추정 시스템(310)은 네트워크(340)를 통해 사용자 디바이스(330) 및 데이터 저장소(320)와 연결된다. 수요 추정 시스템(310) 구성요소는 예측 모듈(311), 지역 결정 모듈(312), 수요 점유율 모듈(313), 수요 모듈(314)을 포함할 수 있다.
일부 실시예에서, 수요 추정 시스템(310)은 특정 지역에 대한 아이템 수요 추정치를 예측하는 것을 수행하는 컴퓨터 시스템으로 구현될 수 있다. 수요 추정 시스템(310)의 각 구성요소는 소프트웨어 프로그램 함수 또는 전체 소프트웨어 프로그램(들)을 나타낼 수 있다. 프로세서(예를 들어, 도 4의 프로세서들(416-417))는 수요 추정 시스템 내 구성요소를 나타내는 소프트웨어 함수 및 프로그램을 실행할 수 있다. 프로세서는 컴퓨팅 디바이스의 가상 또는 물리적 프로세서일 수 있다. 소프트웨어 함수 또는 프로그램을 실행하는 컴퓨팅 디바이스는 단일 프로세서 또는 코어 또는 다중 프로세서 또는 코어들을 포함할 수 있고, 또는 분산된 컴퓨팅 환경, 네트워크, 클라우드 또는 가상화된 컴퓨팅 환경에 걸쳐 분포되어 있는 다수의 컴퓨팅 디바이스일 수 있다.
예측 모듈(311)은 데이터 저장소(320) 내 아이템의 주문과 관련된 데이터에 기초하여 아이템에 대한 전체 수요를 예측할 수 있다. 예측 모듈(311)은 아이템의 전체 수요를 결정하기 위해 (도 1에 도시된 것 같은) 프론트 엔드 시스템(103)에 의해 수신된 아이템에 대한 검색도 고려할 수 있다. 예측 모듈(311)은 아이템에 대한 전체 수요를 결정하기 위한 입력으로서, 아이템에 대한 SKU 번호 또는 바코드와 같은 아이템 식별자를 수신할 수 있다. 사용자 디바이스(330)는 아이템의 전체 수요를 결정하기 위해 아이템 식별자를 갖는 요청을 공유할 수 있다. 일부 실시예에서, 사용자 디바이스(330)는 다수의 아이템에 대한 전체 수요 데이터를 요청할 수 있다. 일부 실시예에서, 수요 모듈(314)은 예측 모듈(311)에게 아이템에 대한 전체 수요 예측치를 제공하도록 요청할 수 있다. 수요 모듈(314)은 또한 예측 모듈(311)에게 전체 수요 불확실도의 측정치를 제공하도록 요청할 수 있다. 예측 모듈(311)은 주문 데이터(322)로서 저장된 아이템의 이전 주문에 기초하여 아이템에 대한 전체 수요로서 전국적 예측치(national forecast)를 결정할 수 있다. 수요 추정 시스템(310)은 특정 시간에 특정 지역에 대한 수요 추정치를 계산하기 위해 아이템의 전체 수요를 활용할 수 있다.
지역 결정 모듈(312)은 각 아이템에 대한 수요 추정치를 산출하기 위해 지리적 지역을 결정할 수 있다. 지역 결정 모듈(312)에 의해 식별된 지리적 지역은 다양한 단위 레벨(granularity level)에서 아이템의 수요 추정치를 산출하는데 사용될 수 있다. 단위 레벨은 아이템의 구매 및 배송을 허용하기 위해 시스템(100)에 의해 서비스되는 지리적 지역의 크기를 나타낼 수 있다. 단위 레벨은 더 높은 단위 레벨에서 더 큰 지리적 지역을 포함하고, 더 낮은 단위 레벨에서 더 작은 지리적 지역을 포함하는 계층을 정의한다. 예를 들어, 단위 레벨은 지방(neighborhood), 우편 번호, 구역(district), 주(state) 및 국가가 포함될 수 있고; 각 지역은 시스템(100)이 구매된 아이템들을 배송할 수 있는 다른 더 큰 지리적 지역에 포함될 수 있다.
지리적 지역은 예측 모듈(311)에 의해 결정된 아이템에 대한 전체 수요의 부분을 포함할 수 있다. 지역 결정 모듈(312)은 풀필먼트 센터(예를 들어, 도 2의 FC(200))와 연관될 수 있는, 수요 추정치 산출을 위해 가장 작은 지리적 지역을 결정할 수 있다. 지역 결정 모듈(312)은 또한 가장 작은 지리적 지역을 포함할 수 있는 더 큰 지리적 지역을 결정할 수 있다. 예를 들어, 더 큰 지리적 지역은 (도 1에 도시된 것과 같은) 모든 제3자 풀필먼트 센터(121A-C)를 포함할 수 있다. 지역 결정 모듈(312)은 상이한 지리적 단위 레벨에서 아이템의 수요 추정치를 결정하기 위해 비중첩(non-overlapping) 지리적 지역을 결정할 수 있다. 지역 결정 모듈(312)은 수요 추정 요청 아이템과 관련된 지리적 지역을 결정할 때, 해당 데이터를 데이터 저장소(320)에 저장할 수 있다. 일부 실시예에서, 수요 추정 시스템(310)은 지역 결정 모듈(312)에게 모든 가능한 지역을 결정하도록 요청할 수 있다.
수요 점유율 모듈(313)은 지리적 지역 내 아이템에 대한 전체 수요의 점유율을 결정할 수 있다. 수요 점유율 모듈(313)은 식별된 지역에서 아이템의 주문을 검토함으로써 전체 수요의 점유율을 결정할 수 있다. 수요 점유율 모듈(313)은 (도 1에 도시된 바와 같은) 배송 및 주문 트래킹 시스템(111)에게 아이템의 총 주문을 요청할 수 있다. 일부 실시예에서, 수요 점유율 모듈(313)은 각 풀필먼트 센터(예를 들어, FC(200))와 이를 포함하는 지리적 지역들에 대한 주문 점유율을 식별하기 위해 주문 데이터(322)를 직접 검토할 수 있다. 수요 점유율 모듈(313)은 지역 결정 모듈(312)에 의해 결정된 각 지리적 지역에서의 아이템의 수요 점유율을 결정하기 위해 총 주문 점유율 데이터를 사용한다. 수요 점유율 모듈(313)은 전체 미래 주문들 점유율을 추정하기 위해 아이템 주문 데이터를 사용하여 훈련되는 기계 학습 모델을 포함할 수 있다.
일부 실시예에서, 수요 점유율 모듈(313)은 서로 관련된 아이템 세트의 수요 점유율을 결정할 수 있다. 수요 점유율 모듈(313)은 미리 정의된 카테고리 세트를 사용하여 관련 아이템을 결정할 수 있다. 일부 실시예에서, 수요 점유율 모듈(313)은 관련 아이템을 식별하기 위해 주문 데이터(322)를 검토할 수 있다. 예를 들어, 수요 점유율 모듈(313)은 관련 아이템을 결정하기 위해 함께 구매된 아이템과 같은, 아이템의 구매 패턴을 결정하기 위해 주문 데이터를 검토할 수 있다. 수요 점유율 모듈(313)은 배송 및 주문 트래킹 시스템(111)로부터의 과거 주문 데이터와 예측 모듈(311)로부터의 예상된 미래 주문 및 지역 결정 모듈(312)로부터의 지리적 지역 데이터에 기초하여 전체 수요 데이터를 사용하여 아이템에 대한 전체 수요에서 각 지리적 지역의 점유율을 결정할 수 있다. 수요 점유율 모듈(313)은 풀필먼트 센터(예를 들어, FC(200)) 단독과 같은, 가장 작은 지리적 지역의 수요 점유율만을 결정할 수 있다.
수요 모듈(314)은 특정 지역에서 아이템의 수요 추정치를 결정할 수 있다. 수요 모듈(314)은 수요 점유율 모듈(313)에 의해 계산된 특정 지역 내 아이템의 수요 점유율 추정치를 사용하여 아이템의 수요 추정치를 계산할 수 있다. 수요 모듈(314)은 특정 지역의 수요 추정치를 산출하기 위해 각 지역의 수요 점유율 추정치에 기초하여 아이템에 대한 전체 수요를 분배할 수 있다. 수요 모듈(314)은 지역 결정 모듈(312)에 의해 결정된 지리적 지역의 수요 점유율을 산출하는데 이용 가능한 주문 데이터의 양에 기초하여 수요 점유율에 직접적으로 의존할 수 있다. 이러한 경우에, 수요 모듈(314)은 수요 예측 결정이 필요한 아이템과 관련된 아이템 세트에 의존할 수 있다. 수요 모듈(314)은 수요 추정을 요청하는 아이템과 관련된 아이템 세트의 수요 추정치를 계산해야 할 수 있다.
수요 모듈(314)은 수요 추정을 필요로 하는 아이템과 연관된 아이템 세트를 결정하기 위해 세그먼트 데이터(324)를 사용할 수 있다. 세그먼트 데이터(324)는 관련 아이템 세트로서 사용될 수 있는 아이템 그룹핑의 미리 정의된 세그먼트를 포함할 수 있다. 일부 실시예에서, 세그먼트 데이터(324)는 아이템 그룹핑의 세트를 형성하는 관련 아이템을 결정함으로써 동적으로 채워질 수 있다. 수요 모듈(314)은 관련 아이템을 식별하기 위해 주문 데이터(322) 및 아이템 속성을 검토함으로써 세그먼트 데이터(324)를 채울 수 있다. 수요 모듈(314)은 또한 관련 아이템을 식별하기 위해 아이템 주문을 검토하기 위해 배송 및 주문 트래킹 시스템(111)과 통신할 수 있다. 예를 들어, 함께 주문된 아이템들은 관련 아이템으로 고려될 수 있다. 일부 실시예에서, 수요 모듈(314)은 세그먼트 데이터(324) 내 그룹핑으로서 포함되어야 하는 관련 아이템을 결정하기 위해 프론트 엔드 시스템(103)의 사용자에 의해 검토된 아이템과 수행된 아이템에 대한 검색을 결정하기 위해 (도 1에 도시된 것 같은) 프론트 엔드 시스템(103)과 통신할 수 있다.
수요 모듈(314)은 요청된 아이템의 수요 추정에 대한 관련 아이템을 결정할 때, 관련 아이템의 수요 추정치를 산출할 수 있다. 수요 모듈(314)은 특정 지역 내 특정 아이템의 수요 추정치를 계산하기 위해 아이템 세트의 수요 추정치를 사용할 수 있다. 수요 모듈(314)은 요청된 아이템 수요 추정의 특정 영역을 포함하는 다수의 지리적 지역의 수요 추정치를 계산할 수 있다. 수요 모듈(314)은 특정 지역 내 아이템의 수요 추정치를 산출하기 위해 다수의 지리적 지역의 수요 추청치를 집계할 수 있다.
다양한 실시예에서, 데이터 저장소(320)는 여러 상이한 형태를 취할 수 있다. 예를 들어, 데이터 저장소(320)는 MICROSOFT™, REDIS, ORACLE™, CASSANDRA, MYSQL에 의해 개발된 것과 같은 SQL 데이터베이스 또는 NoSQL 데이터베이스, 다양한 다른 유형의 데이터베이스, 웹 서비스를 호출함으로써 반환된 데이터, 연산 함수를 호출함으로써 반환된 데이터, 센서 데이터, IoT 디바이스 또는 다양한 다른 데이터 소스일 수 있다. 데이터 저장소(320)는 예측 모듈(311), 지역 결정 모듈(312), 수요 점유율 모듈(313), 및 수요 모듈(314)과 같은 애플리케이션의 동작 동안 사용되거나 생성된 데이터를 저장할 수 있다. 예를 들어, 지역 결정 모듈(312)이 수요 재고 추정과 연관된 지역을 식별하도록 구성되면, 데이터 저장소(320)는 다양한 지역에서 주문된 아이템과 주문에 관한 정보로서 아이템 데이터(321) 및 주문 데이터(322)를 제공할 수 있다. 마찬가지로, 수요 추정 시스템(310)이 이전에 식별된 세그먼트 데이터(324)를 제공하도록 구성되면, 데이터 저장소(320)는 데이터 저장소(320) 내 아이템과 연관된 세그먼트 데이터(324)를 생성할 수 있다. 일부 실시예에서, 데이터 저장소(320)는 외부 소스로부터 데이터를 공급받을 수 있고, 또는 외부 소스(예를 들어, 서버, 데이터베이스, 센서, IoT 디바이스 등)로 대체될 수 있다.
아이템 데이터(321)는 아이템 식별자, 아이템 이름을 포함하는 아이템 관련 정보를 포함할 수 있다. 아이템 데이터(321)는 또한 풀필먼트 센터(200)와 같은 다양한 지리적 지역에서의 아이템의 가용성을 포함할 수 있다. SCM 시스템(117)은 아이템 데이터(321)를 채우기 위해 풀필먼트 센터에서의 아이템의 가용성에 대한 정보를 데이터 저장소(320)에 제공할 수 있다. 일부 실시예에서, 아이템 데이터(321)는 프론트 엔드 시스템(103)에 의해 제공되는 아이템 검색 데이터를 포함할 수 있다. 아이템 데이터(321)는 아이템 식별자 및 아이템 이름을 저장하기 위한 영숫자 필드를 갖는 표로 나타낸 데이터일 수 있다. 일부 실시예에서, 아이템 데이터(321)는 콤마로 구분된 영숫자 값일 수 있다.
주문 데이터(322)는 FO 시스템(113)을 사용하여 처리된 것 같은 아이템 구매 주문을 포함할 수 있다. 주문 데이터(322)는 다양한 풀필먼트 센터(예를 들어, FC(200), 제3자 풀필먼트(121A-C))로부터 판매 및 배송되는 아이템 데이터(321)의 다양한 아이템에 대한 정보를 포함한다. 주문 데이터(322)는 또한 배송 및 주문 트래킹 시스템(111)에 의해 제공되는 트래킹 데이터를 포함할 수 있다. 주문 데이터(322)는 주문 배송 주소, 포장 유형(예를 들어, 특수 냉동 아이템 포장) 및 배송 유형(예를 들어, 익일 배송)에 대한 정보를 갖는 영숫자 필드를 갖는 표로 나타낸 데이터일 수 있다. 주문 데이터(322)는 콤마로 구분된 텍스트 파일 또는 JSON 파일과 같은 다른 포맷으로 제시될 수 있다.
예측 데이터(323)는 아이템 데이터(321)에 등재된 아이템의 전체 수요 예측치를 포함할 수 있다. 예측 데이터(323)는 풀필먼트 센터에 의해 지원되는 다양한 지리적 지역에 대한 수요 예측치를 포함할 수 있다. 일부 실시예에서, 예측 데이터(323)는 예측 모듈(311)에 의해 동적으로 채워질 수 있다. 예측 데이터(323)는 전체 수요의 백분율을 나타내는 숫자 값을 갖는 표 방식으로 구조화될 수 있다. 예측 데이터(323)는 또한 상이한 지리적 지역에서 모든 주문을 충족시키는데 필요한 아이템의 양을 나타내는 완전한 숫자 필드를 포함할 수 있다.
세그먼트 데이터(324)는 서로 관련된 아이템 데이터(321)의 아이템 세트에 대한 데이터를 포함할 수 있다. 세그먼트 데이터(324)는 공통 아이템을 갖는 중복되는 아이템 세트를 포함할 수 있다. 세그먼트 데이터(324)는 시스템(100)에 의해 서비스되는 상이한 지리적 지역에 대해 정의된 것 같은 데이터의 세트를 포함할 수 있다. 세그먼트 데이터(324)는 수요 모듈(314)에 의해 정기적으로 업데이트될 수 있다. 일부 실시예에서, 지역 결정 모듈(312)의 지리적 지역의 식별은 세그먼트 데이터(324)에 저장하기 위한 새로운 데이터 세트의 결정을 트리거할 수 있다. 세그먼트 데이터(424)는 세그먼트에 대해 함께 아이템 식별자의 영숫자 필드를 포함할 수 있다. 세그먼트 데이터(424)는 텍스트 파일에서 콤마로 구분된 값 또는 JSON 파일과 같은 다른 포맷으로 구조화될 수 있다.
사용자 디바이스(330)는 수요 추정 시스템(310) 내 모듈에 특정 지역에 대한 수요 추정 데이터를 액세스하라는 요청을 생성할 수 있다. 수요 추정 시스템(310) 내 모듈은 사용자 디바이스(330)에 의해 요청된 데이터를 검색하기 위해 하나 이상의 기능을 실행해야 할 수 있다. 기능의 실행은 수요 추정 시스템(310) 내 모듈에 의해 그 내부의 다른 모듈로 전송되는 데이터베이스 액세스 요청을 초래할 수 있다. 수요 추정 시스템(310) 내 모듈에 의해 전송되는 데이터베이스 액세스 요청은 아이템의 유형 또는 하루/일년 내 시점에 따라 달라질 수 있다. 예를 들어, 동일한 아이템 주문 데이터에 액세스하는 사용자 디바이스는 수요 추정치를 위한 지역 및 시간에 기초하여 상이한 아이템 수요 추정치를 검색하기 위해 프로세서에 의해 실행되는 수요 추정 시스템(310)의 모듈들의 상이한 기능 세트를 초래할 수 있다. 예를 들어, 아이템이 계피향과 같은 계절 아이템이면, 휴가철 동안 수요가 최고조에 달한다. 또한, 일부 실시예에서, 수요 추정 시스템(310) 내 모듈은 사용자의 직접적인 개입없이 시스템(100)의 다른 자동화 애플리케이션에 의해 액세스될 수 있다. 이것은 예를 들어 IoT(사물 인터넷) 환경, (예를 들어, 인스턴스화된 가상 기계, 컨테이너 또는 서버리스 코드 인스턴스를 포함하는) 가상화된 컴퓨팅 환경에서, 또는 애플리케이션 대 애플리케이션 통신을 포함하는 다른 환경에서 발생할 수 있다.
사용자 디바이스(330)는 재고 수요 추정 요청을 네트워크(340)를 통해 수요 추정 시스템(310)에 전달할 수 있다. 데이터 저장소(320) 내 정보에 대한 요청도 네트워크(340)를 통해 선택적으로 수신될 수 있다. 네트워크(340)는 다양한 형태를 취할 수 있다. 예를 들어, 네트워크(340)는 인터넷, 유선 WAN(Wide Area Network), 유선 LAN(Local Area Network), 무선 WAN(예를 들어, WiMAX), 무선 LAN(예를 들어, IEEE 802.11 등), 메쉬 네트워크, 모바일/셀룰러 네트워크, 기업 또는 사설 데이터 네트워크, 스토리지 영역 네트워크, 공용 네트워크를 사용하는 가상 사설 네트워크 또는 다른 유형의 네트워크 통신을 포함하거나 또는 활용할 수 있다. 일부 실시예에서, 네트워크(340)는 온-프레미스(on-premises)(예를 들어, LAN) 네트워크를 포함할 수 있는 반면, 다른 실시예에서, 네트워크(340)는 가상화된(예를 들어, AWS™, Azure™, IBM Cloud™ 등) 네트워크를 포함할 수 있다. 또한, 네트워크(340)는 일부 실시예에서 두 가지 유형의 네트워크 아키텍처의 구성요소를 포함하는 하이브리드 온-프레미스 및 가상화된 네트워크일 수 있다.
사용자 디바이스(330)는 수요 추정 요청(350)을 네트워크(340)를 통해 수요 추정 시스템(310)으로 전송할 수 있다. 수요 추정 요청(350)은 지역 내 아이템에 대한 수요 추정치를 계산하기 위한 지역 및 아이템의 세부사항을 포함할 수 있다. 일부 실시예에서, 수요 추정 요청(350)은 요청된 수요 추정 아이템과 관련된 아이템 세트의 세부사항을 포함할 수 있다. 수요 추정 요청(350)은 수요 추정 시스템(310)의 모듈의 거동을 구성하기 위해 다른 구성(configuration) 데이터를 포함할 수 있다. 예를 들어, 수요 추정 요청(350)은 예측 데이터(323) 내 아이템의 전체 수요와 세그먼트 데이터(324) 내 관련 아이템 세트를 업데이트하기 위한 시간 간격의 구성을 포함할 수 있다. 수요 추정 시스템(310)은 네트워크를 통해 수요 추정 요청(350)을 수신할 때 특정 지역 내 아이템의 수요 추정치의 계산을 시작한다.
도 4는 본 개시의 일부 실시예에 따른, 분산된 시스템의 예시적인 서버의 개략도를 나타낸 도면이다. 도 4에 따르면, 분산 컴퓨팅 시스템(400)의 서버(410)는 버스(412) 또는 정보를 통신하기 위한 다른 통신 메커니즘, 정보를 처리하기 위해 버스(412)와 통신 가능하게 연결된 하나 이상의 프로세서(416), 및 정보를 처리하기 위해 버스(412)와 통신 가능하게 연결된 하나 이상의 메인 프로세서(417)를 포함한다. 프로세서(416)는 예를 들어 하나 이상의 마이크로프로세서일 수 있다. 일부 실시예에서, 하나 이상의 프로세서(416)는 프로세서(465)와 프로세서(466)를 포함하고, 프로세서(465)와 프로세서(466)는 상호접속 토폴로지의 칩간(inter-chip) 상호접속을 통해 접속된다. 메인 프로세서(417)는 예를 들어 중앙 처리 유닛("CPU")일 수 있다.
서버(410)는 네트워크(422)를 통해 다른 서버(430)에 데이터를 전송하거나 다른 서버(430)와 통신할 수 있다. 네트워크(422)는 로컬 네트워크, 인터넷 서비스 제공자, 인터넷, 또는 이들의 임의의 조합일 수 있다. 서버(410)의 통신 인터페이스(418)는 서버(430)와 통신할 수 있는 네트워크(422)에 접속된다, 또한, 서버(410)는 버스(412)를 통해 주변 디바이스(440)에 연결되는데, 이 주변 디바이스는 디스플레이(예를 들어, CRT(cathode ray tube), LCD(liquid crystal display), 터치 스크린 등)와 입력 디바이스(예를 들어, 키보드, 마우스, 소프트 키패드 등)를 포함한다.
서버(410)는 맞춤형 하드-와이어드 로직, 하나 이상의 ASIC 또는 FPGA, 펌웨어, 또는 서버와 결합하여 서버(410)가 특수 목적 기계가 되도록 하는 프로그램 로직을 사용하여 구현될 수 있다.
서버(410)는 메모리(461)와 물리적 스토리지(464)(예를 들어, 하드 드라이브, SSD 등)를 포함할 수 있는 스토리지 디바이스(414)를 더 포함한다. 메모리(461)는 RAM(random access memory)(462) 및 ROM(read-only memory)(463)을 포함할 수 있다. 스토리지 디바이스(414)는 버스(412)를 통해 프로세서(416) 및 메인 프로세서(417)와 통신 가능하게 연결될 수 있다. 스토리지 디바이스(414)는 프로세서(416)와 메인 프로세서(417)에 의해 실행되어야 하는 명령이 실행되는 동안 임시 변수 또는 다른 중간 정보를 저장하는데 사용될 수 있는 메인 메모리를 포함할 수 있다. 이러한 명령은, 프로세서(416)와 메인 프로세서(417)에 액세스할 수 있는 비일시적 저장 매체(non-transitory media)에 저장된 후, 서버(410)가 명령으로 특정되는 동작을 수행하도록 맞춤화된 특수-목적 기계로 되게 한다. 본 명세서에 사용되는 것처럼 용어 "비일시적 매체"는 기계가 특정 방식으로 동작하게 하는 데이터 또는 명령을 저장하는 임의의 비일시적 매체를 의미한다. 이러한 비일시적 매체는 비휘발성 매체 또는 휘발성 매체를 포함할 수 있다. 비일시적 매체는 예를 들어 광학 또는 자기 디스크, 동적 메모리, 플로피 디스크, 플렉서블 디스크, 하드 디스크, SSD, 자기 테이프 또는 임의의 다른 자기 데이터 저장 매체, CD-ROM, 임의의 다른 광학 데이터 저장 매체, 구멍 패턴이 있는 임의의 물리적 매체, RAM, PROM 및 EPROM, FLASH-EPROM, NVRAM, 플래시 메모리, 레지스터, 캐시, 임의의 다른 메모리 칩 또는 카트리지, 및 동일한 것의 네트워크 버전을 포함한다.
다양한 형태의 매체는 실행을 위해 하나 이상의 명령의 하나 이상의 시퀀스를 프로세서(416) 또는 메인 프로세서(417)로 전달하는데 관여될 수 있다. 예를 들어, 명령은 처음에 원격 컴퓨터의 자기 디스크 또는 SSD에서 반출될 수 있다. 원격 컴퓨터는 명령을 자신의 동적 메모리에 로딩하고 모뎀을 사용하여 전화선을 통해 해당 명령을 전송할 수 있다. 서버(410)에 로컬 접속된 모뎀은 전화선을 통해 데이터를 수신하고 해당 데이터를 적외선 신호로 변환하기 위해 적외선 송신기를 사용할 수 있다. 적외선 검출기는 적외선 신호로 전달되는 해당 데이터를 수신할 수 있고, 적절한 회로는 해당 데이터를 버스(412)에 전송할 수 있다. 버스(412)는 해당 데이터를 스토리지 디바이스(414) 내의 메인 메모리로 전달하며, 이로부터 프로세서(416) 또는 메인 프로세서(417)가 해당 명령을 검색하고 실행한다.
수요 추정 시스템(310) 또는 그것의 구성요소 중 하나 이상은 서버(410 또는 430) 중 하나에 상주할 수 있고 프로세서(416 또는 417)에 의해 실행될 수 있다. 시스템(100) 또는 그것의 구성요소 중 하나 이상도 서버(410 또는 430) 중 하나에 상주할 수 있다. 일부 실시예에서, 수요 추정 시스템(310) 및/또는 시스템(100)의 구성요소는 다수의 서버(410, 430)에 걸쳐 분산될 수 있다. 예를 들어, 수요 추정 시스템(310) 구성요소(311-314)는 다수의 서버에서 실행될 수 있다.
도 5는 개시된 실시예에 따른, 지역 내 아이템의 재고 수요 추정을 결정하기 위한 방법의 예시적인 흐름도이다. 일부 실시예에서, 방법(500)의 단계는 예시를 목적으로 수요 추정 시스템(310)에 의해 수행될 수 있다. 예시된 방법은 단계들의 순서를 수정하거나, 또는 추가 단계를 더 포함하도록 변경될 수 있음을 이해할 것이다.
단계 510에서, 수요 추정 시스템(310)은 아이템과 연관된 아이템 식별자를 검색할 수 있다. 수요 추정 시스템(310)은 아이템의 수요 추정에 대한 요청(예를 들어, 도 3의 수요 추정 요청(350))을 수신할 때 아이템 식별자를 검색할 수 있다. 수요 추정 시스템(310)은 일정한 시간 간격으로 각 아이템에 대한 자동화된 수요 추정 요청을 수신할 수 있다. 예를 들어, 수요 추정 시스템(310)은 시스템(100)에 의해 서비스되는 상이한 지리적 지역에서 아이템의 수요 추정에 대한 임의의 변경을 재계산하기 위해 하루가 끝날 때 해당 아이템에 대한 수요 추정 요청을 수신할 수 있다.
일부 실시예에서, 수요 추정 시스템(310)은 시스템(100)이 수요 추정 요청 아이템에 대한 주문 변경이 임계량을 초과하는 것을 관찰했을 때 수요 추정 요청을 수신할 수 있다. 수요 추정 시스템(310)은 지리적 지역 내 아이템에 대한 주문의 백분율 변경이 임계량을 초과할 때 아이템에 대한 수요 추정 요청을 수신할 수 있다. 배송 및 주문 트래킹 시스템(111)은 아이템에 대한 수요 추정 요청을 트리거하여 수요 추정 시스템(310)으로 전송할 수 있다. 시스템(100)은 아이템의 수요 추정 요청을 전송하기 위해 다른 이벤트에 대한 트리거를 가질 수 있다. 일부 실시예에서, 수요 추정 시스템(310)은 수요 추정 트리거 이벤트를 구성하는 능력을 가질 수 있다. 수요 추정 시스템(310)의 사용자는 수요 추정 시스템(310)이 구성 파일(예를 들어, 구성 파일(350)) 내 아이템 식별자를 검색하기 위한 간격 및/또는 트리거 이벤트를 구성할 수 있다.
일부 실시예에서, 수요 추정 시스템(310)은 아이템 식별자를 검색하기 위해 수신된 요청을 변환해야 할 수 있다. 예를 들어, 요청의 변환은 아이템 식별자를 검색하기 위해 아이템 데이터(321) 내에서 아이템 이름을 찾는 것을 포함할 수 있다. 아이템 식별자는 아이템을 고유하게 나타내는 영숫자 문자열일 수 있다. 일부 실시예에서, 변환은 새로운 아이템 식별자를 식별하는 것을 포함할 수 있다. 예를 들어, 수신된 요청은 단종된 아이템에 대한 아이템 식별자를 포함할 수 있고, 변환은 아이템의 새로운 버전의 식별자를 제공할 수 있다. 수요 추정 시스템(310)은 예측 모듈(311)에게 요청된 수요 추정 아이템에 대응하는 아이템 식별자의 변환 및/또는 검색을 수행하도록 요청할 수 있다.
단계 520에서, 수요 추정 시스템(310)은 검색된 아이템 식별자를 사용하여 아이템에 대한 전체 수요 예측에 액세스할 수 있다. 수요 추정 시스템(310)은 아이템의 전체 수요 예측을 결정하기 위해 주문 데이터(322)를 사용할 수 있다. 일부 실시예에서, 수요 추정 시스템(310)은 아이템에 대한 전체 수요를 예측하기 위해 FC(200) 및 제3자 풀필먼트(121A-C)에 의한 아이템 주문의 과거 주문 이행을 결정하기 위해 FMG(115)를 통해 통신할 수 있다. 수요 추정 시스템(310)은 또한 FC(200)에 속하는 모바일 디바이스(119A-C)를 통해 최신의 아이템 이행 업데이트를 얻기 위해 WMS(119)와 통신할 수 있다.
단계 530에서, 수요 추정 시스템(310)은 균일한 단위 레벨의 하나 이상의 지리적 지역을 식별할 수 있다. 수요 추정 시스템(310)은 다수의 지리적 지역 사이에서 시스템(100)에 의해 서비스되는 우편 번호를 균등하게 분할함으로써 균일한 단위 레벨의 지리적 지역을 식별할 수 있다. 일부 실시예에서, 수요 추정 시스템(310)은 식별된 우편 번호를 담당하는 풀필먼트 센터(예를 들어, FC(200))에 의해 처리된 주문의 개수에 기초하여 지리적 지역 내에 우편 번호를 포함할 수 있다.
수요 추정 시스템(310)의 지역 결정 모듈(312)은 균일한 단위 레벨의 지리적 지역을 결정하는 것을 도울 수 있다. 지역 결정 모듈(312)은 각 우편 번호에서 처리된 주문을 결정하기 위해 주문 데이터(322)를 검토할 수 있다. 일부 실시예에서, 지역 결정 모듈(312)은 단계 510에서 요청된 특정 아이템에 기초하여 지역을 결정하도록 구성될 수 있다. 예를 들어, 잘 팔리는(fast-selling) 아이템은 단 하나의 풀필먼트 센터를 포함하는 작은 지리적 지역을 가질 수 있고, 판매 부진 아이템은 수요 추정을 위한 충분한 데이터를 갖기 위해 더 큰 지리적 지역을 요구할 수 있다. 지역 결정 모듈(312)은 균일한 단위의 지리적 지역을 결정하기 위한 규칙을 설정하도록 구성될 수 있다. 사용자는 요청(예를 들어, 도 3의 수요 추정 요청(350))과 함께 구성을 제공할 수 있다. 구성은 지리적 지역별 우편 번호의 개수 또는 지리적 지역별 최소 주문 개수를 포함할 수 있다. 일부 실시예에서, 지역 결정 모듈(312)은 또한 균일한 단위의 지리적 지역을 결정할 때 소정 우편 번호에서 풀필먼트 센터(예를 들어, FC(200))에 의해 제공되는 서비스 유형(예를 들어, 익일 배달, 냉장 보관)을 고려할 수 있다. 지역 결정 모듈(312)은 지리적 지역 간에 다양한 서비스 유형 역량을 갖는 풀필먼트 센터들을 균등하게 분배할 수 있다.
지역 결정 모듈(312)은 결정된 하나 이상의 지역을 데이터 저장소(320)에 저장할 수 있다. 지역 결정 모듈(312)은 일정한 간격으로 지리적 지역을 재계산하고 지역 데이터를 데이터 저장소(320)에 업데이트할 수 있다. 사용자는 지리적 지역을 계산을 위한 시간 간격을 구성하도록 허용될 수 있다. 일부 실시예에서, 수요 추정 요청(예를 들어, 수요 추정 요청(350))이 수요 추정 산출을 위한 지리적 지역의 결정을 구성하기 위해 사용될 수 있다.
단계 540에서, 수요 추정 시스템(310)은 단계 520에서 결정된 지리적 지역에서 아이템의 수요 점유율 추정치를 평가할 수 있다. 수요 점유율 모듈(313)은 단계 520에서 수요 추정 시스템(310)에 의해 식별된 지리적 지역의 수요 점유율 추정치를 식별하는 것을 도울 수 있다. 수요 점유율 모듈(313)은 아이템에 대한 지리적 지역의 수요 점유율을 결정하기 위해 각 지리적 지역 내 풀필먼트 센터와 연관된 주문 데이터(322)를 검토할 수 있다.
수요 점유율 모듈(313)은 주문 데이터(322)를 사용하여 지리적 지역 내 풀필먼트 센터에 의해 처리되는 주문들의 점유율을 결정할 수 있다. 수요 점유율 모듈(313)은 주문들의 점유율을 결정하기 위해 정의된 기간으로부터의 주문 데이터를 고려할 수 있다. 일부 실시예에서, 수요 점유율 모듈(313)은 일정한 시간 간격으로 지리적 지역 내 아이템의 주문들의 점유율을 결정할 수 있다. 시간 간격은 아이템 유형에 따라 달라질 수 있다. 예를 들어, 잘 팔리는 아이템은 일정한 간격으로 점유율 결정이 필요할 수 있고, 판매 부진 아이템 점유율 결정은 장기간의 데이터에 걸쳐 발생할 수 있다. 일부 실시예에서, 사용자는 수요 점유율을 결정하는데 사용할 주문의 시간 간격을 구성할 수 있다. 수요 점유율 모듈(313)은 과거 주문 데이터가 수요 점유율 추정을 생성하는데 사용될 때 계절적 수요를 고려할 수 있다. 예를 들어, 수요 점유율 모듈(313)은 특정 지리적 지역에 대한 수요 점유율 추정을 계산할 때 이전 연도들의 동일한 기간으로부터의 과거 주문 데이터를 검토할 수 있다. 수요 점유율 모듈(313)은 데이터 저장소(320) 내 아이템 및/또는 아이템들의 세그먼트와 연관된 수요 점유율 추정을 저장할 수 있다.
단계 550에서, 수요 추정 시스템(310)은 단계 510에서 검색된 요청된 수요 추정 아이템의 식별자와 연관된 아이템 식별자 세트를 결정할 수 있다. 아이템과 연관된 아이템 식별자 세트는 아이템 세그먼트를 나타낼 수 있다. 식별된 세그먼트는 단계 510에서 식별된 아이템과 관련된 아이템들을 포함할 수 있다. 아이템 세그먼트는 미리 정의되고 데이터 저장소(320)의 세그먼트 데이터(324)에 저장될 수 있다. 세그먼트 데이터(324)는 일정한 간격으로 업데이트되고 또는 단계 510에서 수신된 아이템 수요 추정 요청(예를 들어, 수요 추정 요청(350))의 일부로서 요청될 수 있다.
아이템 세그먼트 데이터는 아이템의 유사도에 기초하여 결정될 수 있다. 아이템 유사도는 아이템의 정적 할당 라벨을 사용하여 결정될 수 있다. 아이템들의 세그먼트는 해당 세그먼트 내 아이템들 간에 공통 라벨 세트를 가질 수 있다. 예를 들어, 다양한 장르의 책이 모두 어린이를 위한 것일 수 있고, 공통의 어린이 책 라벨을 포함할 수 있으며, 아이템들의 세그먼트로서 함께 고려될 수 있다. 일부 실시예에서, 세그먼트 데이터는 주문 데이터에 기초하여 동적으로 결정될 수 있다. 예를 들어, 함께 구매되거나 및/또는 동일한 라벨을 갖는 아이템들은 동일한 세그먼트의 일부로 고려될 수 있다. 일부 실시예에서, 세그먼트 데이터를 결정하기 위한 규칙은 수요 추정 요청의 일부로서 구성 가능할 수 있다. 사용자는 수요 추정 요청(350)의 일부로서 분할(segmentation) 구성 규칙을 제공할 수 있다. 분할 규칙은 세그먼트에 대한 지역 점유율의 추정에서 원하는 정확성을 보장하도록 설계된 최소 총 세그먼트 수요에 대한 임계치를 포함할 수 있다. 분할 규칙의 결정 시, 수요 점유율 모듈(313)은 특정 지리적 지역 내 세그먼트에 속하는 아이템 세트의 총 주문의 점유율을 결정할 수 있다.
단계 560에서, 수요 추정 시스템(310)은 단계 550에서 결정된 아이템 세그먼트에 속하는 아이템 세트의 수요 추정을 평가할 수 있다. 수요 추정 시스템(310)은 단계 530에서 결정된 각 지리적 지역에서 아이템들의 세그먼트의 수요 추정을 평가할 수 있다. 수요 추정 시스템(310)의 수요 모듈(314)은 아이템들의 세그먼트에 대한 수요 추정을 결정할 수 있다. 수요 모듈(314)은 아이템 세그먼트의 수요 추정을 예측하기 위해 기계 학습 모델을 사용할 수 있다.
단계 570에서, 수요 추정 시스템(310)은 아이템의 수요 점유율과 아이템 세그먼트의 수요 추정에 기초하여 아이템의 수요 추정을 생성할 수 있다. 수요 추정 시스템(310)의 수요 모듈(314)은 아이템의 수요 점유율, 아이템들의 세그먼트의 수요 추정을 전체 수요와 결합함으로써 아이템의 수요 추정을 계산할 수 있다. 수요 추정 시스템(310)은 베이지안 프레임워크를 사용하여 단계 510에서 수신된 요청된 아이템의 수요 점유율을 아이템들의 세그먼트의 수요 추정과 결합할 수 있다. 일부 실시예에서, 베이지안 프레임워크에서 요청된 아이템에 대한 수요의 상이한 지역의 점유율은 디리클레(Dirichlet) 사전 및 사후 분포를 갖는 다항 분포의 파라미터로서 모델링될 수 있다. 디리클레 사전 분포는 세그먼트의 추정된 점유율에 기초할 수 있다. 디리클레 사전 분포에서, 형상 파라미터는 Ronning에 의한 "Maximum-likelihood estimation of Dirichlet distributions"(Journal of Statistical Computation and Simulation, 32, 215-221 (1989))에서 제안된 추정기의 수정된 버전을 사용하여, 이전 분포에서 세그먼트의 지역적 점유율의 제2 모멘트를, 세그먼트 내 모든 아이템에 대한 경험적 점유율의 표본 분산에 대략 매칭시킴으로써 추정될 수 있다. 디리클레 사후 분포는 다항식 랜덤 변수의 단일 관측치로서 상이한 지역 내 아이템에 대한 수요를 처리하고, 1단계 베이지안 업데이트를 수행함으로써 얻어질 수 있다. 이러한 베이지안 프레임워크에서, 전체 수요를 조건으로 하는 상이한 영역 내 아이템에 대한 수요 추정은 계산된 디리클레 사후 분포를 갖는 파라미터가 있는 다항식 랜덤 변수로 모델링될 수 있다. 특히, 특정 영역 r 내 아이템에 대한 수요의 평균 mr과 분산 vr은 다음 공식으로 주어진다.
여기서 m 및 s 는 수요 추정 시스템(311)에 의해 제공되는 전체 수요 예측의 평균 및 표준 오차이며, 
는 상이한 지역 내 아이템에 대한 디리클레 사후 분포의 파라미터이고, 
는 아이템에 대한 지역 r의 점유율에 대한 사후 분포의 평균이다.
단계 580에서, 수요 추정 시스템(310)은 하나 이상의 단위 레벨의 수요 추청치를 집계할 수 있다. 수요 추정 시스템(310)의 수요 모듈(314)은 하나 이상의 단위 레벨에서 수요 추정치를 결정하기 위해 단계 450에서의 지리적 지역의 수요 추정을 통합할 수 있다. 수요 추정 시스템(310)은 요청된 수요 추정 지역에 포함되는 풀필먼트 센터가 모두 포함될 때까지 지리적 지역의 수요 추청을 집계할 수 있다. 일부 실시예에서, 수요 추정은 상이한 레벨에서의 수요 추정 불확실도의 계산 및 집계를 요구할 수 있다. 아이템의 수요 추정의 불확실도는 단계 550에서 식별된 아이템들의 세그먼트의 수요 추정의 불확실도의 산출을 요구할 수 있다.
단계 590에서, 수요 추정 시스템(310)은 단계 570 및 580에서 생성된 수요 추정으로 수신된 아이템 식별자에 응답할 수 있다. 수요 추정 시스템(310)은 네트워크(340)를 통해 응답할 수 있다. 수요 추정 시스템(310)은 응답을 보내기 전에 수요 추정을 변환할 수 있다. 변환은 요청된 수요 추정 영역 내 한 지역과 모든 더 작은 영역의 수요 추정을 갖는 표 방식으로 해당 응답을 구조화하는 것을 포함할 수 있다. 수요 추정 시스템(310)은 단계 590이 완료될 때, 분산 컴퓨팅 시스템(400)에서 실행하는 방법(500)을 완료한다(단계 599).
도 6은 개시된 실시예에 따른, 아이템의 전체 수요 예측 데이터를 결정하기 위한 방법의 예시적인 흐름도이다. 일부 실시예에서, 방법(600)의 단계들은 예시를 목적으로 수요 추정 시스템(310)에 의해 분산 컴퓨팅 시스템(400) 상에서 실행되거나 아니면 분산 컴퓨팅 시스템(400)의 특징을 사용하여 수행될 수 있다. 예시된 방법은 단계들의 순서를 수정하거나, 또는 추가 단계를 더 포함하도록 변경될 수 있음을 이해할 것이다.
단계 610에서, 수요 추정 시스템(310)은 아이템의 수요 추정에 대한 요청(예를 들어, 도 3의 수요 추정 요청(350))을 수신할 수 있다. 수신된 요청은 제품의 SKU 번호와 같은 아이템의 식별자를 포함할 수 있다. 일부 실시예에서, 수신된 요청은 수요 추정 산출을 위한 제품의 카테고리를 포함할 수 있다. 수요 추정 시스템(310)은 아이템에 대한 수요 추정 요청을 예측 모듈(311)로 전달할 수 있다. 일부 실시예에서, 수요 모듈(314)은 수신된 수요 추정 요청을 예측 모듈(311)로 전달할 수 있다. 일부 실시예에서, 예측 모듈(311)은 네트워크(340)를 통해 사용자 디바이스(예를 들어, 도 3의 사용자 디바이스(330))로부터 수요 추정 요청을 직접 수신할 수 있다. 일부 실시예에서, 예측 모듈(311)은 수요 추정 요청을 자동 트리거하여 아이템의 수요 예측을 업데이트할 수 있다. 수요 추정 시스템(310)의 사용자는 수요 추정 요청을 계산하기 위해 아이템 및 시간 간격을 설정함으로써 자동 트리거 수요 추정 요청을 구성할 수 있다. 수요 추정 요청(350)은 자동 트리거 시간 간격을 설정하기 위한 구성 파라미터를 포함할 수 있다.
단계 620에서, 수요 추정 시스템(310)은 아이템과 연관된 과거 주문 데이터(예를 들어, 도 3의 주문 데이터(322))를 검색함으로써 수신된 수요 추정 요청 내에서 식별된 아이템의 수요 추정을 시작할 수 있다. 일부 실시예에서, 수신된 수요 추정 요청 내 아이템 식별자는 관련 식별자로 변환될 필요가 있을 수 있다. 아이템 식별자의 변환은 주문 데이터(322)에서 아이템 구매 주문을 식별하는데 필요할 수 있다.
단계 630에서, 수요 추정 시스템(310)은 액세스하기 위해 기계 학습 모델을 사용함으로써 과거 주문 데이터에 기초하여 전체 수요 예측을 결정할 수 있다. 예측 모듈(311)에 의해 사용되는 기계 학습 모델은 주문 데이터(322)를 사용하여 훈련될 수 있다. 예측 모듈(311)의 기계 학습 모델. 수요 추정 시스템(310)은 단계 630이 완료되면 분산 컴퓨팅 시스템(400)에서 실행하는 방법(600)을 완료한다(단계 699).
도 7은 개시된 실시예에 따른, 계층의 다양한 레벨에서 아이템의 재고 수요 추정을 결정하기 위한 방법의 예시적인 흐름도이다. 일부 실시예에서, 방법(700)의 단계들은 예시를 목적으로 수요 추정 시스템(310)에 의해 분산 컴퓨팅 시스템(400) 상에서 실행되거나 아니면 분산 컴퓨팅 시스템(400)의 특징을 사용하여 수행될 수 있다. 예시된 방법은 단계들의 순서를 수정하거나, 또는 추가 단계를 더 포함하도록 변경될 수 있음을 이해할 것이다.
단계 710에서, 수요 추정 시스템(310)은 아이템들의 세그먼트의 수요 추정의 불확실도를 계산할 수 있다. 수요 추정 시스템(310)의 수요 모듈(314)은 아이템들의 세그먼트의 수요 추정의 불확실도를 계산하는데 도움이 될 수 있다. 수요 모듈(314)은 수요 추정의 계산 후에 수요 추정의 불확실도를 계산할 수 있다. 수요 추정의 불확실도는 아이템들의 세그먼트의 수요 추정을 계산하기 위해 수요 모듈(314)에 의해 활용되는 기계 학습 모델에 의해 표현되는 불확실도일 수 있다.
단계 720에서, 수요 추정 시스템(310)은 지리적 지역 내 요청된 아이템의 수요 추정의 불확실도를 결정할 수 있다. 아이템의 수요 추정의 불확실도는 지리적 지역에서 아이템의 수요 점유율과 요청된 아이템들의 세그먼트의 일부인 아이템 세트의 수요 추정의 불확실도을 사용하여 계산할 수 있다.
단계 730에서, 수요 추정 시스템(310)은 하나 이상의 지리적 지역에서 아이템의 수요 추정의 불확실도를 집계할 수 있다. 일부 실시예에서, 수요 추정 시스템(310)은 집계 영역의 일부인 개별 미세 단위 영역의 사후 디리클레 분포의 파라미터를 합산함으로써 수요 추정의 불확실도를 집계할 수 있다. 집계 영역의 수요 점유율은 집계된 파라미터를 갖는 디리클레 사후 분포를 다시 가질 수 있다. 수요 추정의 불확실도는 수요 추정의 평균과 분산으로 요약될 수 있다. 아이템의 수요 추정의 평균 및 분산의 산출에 대한 상세 설명은 위의 도 5 설명에서 제공된다. 이 방법은 더 큰 지리적 지역이 수요 추정을 위해 고려될 때 상대적 불확실도가 감소하는 방식을 암시적으로 표현한다.
단계 740에서, 수요 추정 시스템(310)은 아이템의 수요 점유율과 아이템들의 세그먼트의 수요 추정과 함께 지리적 지역 내 아이템의 수요 추정의 불확실도를 사용함으로써 하나 이상의 지리적 지역에서 아이템의 수요 추정치를 집계할 수 있다. 수요 추정 시스템(310)은 단계 740이 완료될 때, 분산 컴퓨팅 시스템(400)에서 실행하는 방법(700)을 완료한다(단계 799).
본 개시는 그 특정 실시예를 참조하여 도시되고 설명되었지만, 본 개시는 다른 환경에서, 변경없이, 실시될 수 있음을 이해할 것이다. 전술한 설명은 예시의 목적으로 제시되었다. 그것은 개시된 정확한 형태나 실시예에 대해 총망라된 것이 아니며 이것으로 한정되는 것은 아니다. 개시된 실시예의 설명 및 실시를 고려하는 것으로부터 변경 및 조정이 통상의 기술자에게 명백할 것이다. 추가적으로, 비록 개시된 실시예의 형태가 메모리에 저장되는 것으로서 설명되었지만, 통상의 기술자는 이들 형태가 2차 저장 디바이스, 예를 들면, 하드디스크나 CD ROM, 또는 다른 형태의 RAM이나 ROM, USB 매체, DVD, 블루레이, 또는 다른 광 드라이브 매체와 같이, 다른 형태의 컴퓨터 판독 가능한 매체에 저장될 수도 있는 것을 이해할 것이다.
상술한 설명 및 개시된 방법에 기초한 컴퓨터 프로그램은 숙련된 개발자의 기술 내에 있다. 여러 프로그램 혹은 프로그램 모듈은 통상의 기술자에게 알려진 어느 기술을 이용하여 생성되거나, 또는 기존의 소프트웨어와 연결하여 설계될 수 있다. 예를 들면, 프로그램 섹션 혹은 프로그램 모듈은 닷넷 프레임워크, 닷넷 컴팩트 프레임워크(및 비주얼 베이식, C 등과 같은, 관련 언어), 자바, C++, 오브젝티브 C, HTML, HTML/AJAX 조합, XML, 또는 자바 애플릿이 포함된 HTML 내에서 혹은 그것들에 의해서 설계될 수 있다.
게다가, 여기에서는 예시적인 실시예가 설명되었지만, 본 개시에 기초하여 통상의 기술자가 이해할 수 있는 바와 같이, 일부 또는 모든 실시예의 범위는 동등한 요소, 변경, 생략, 조합(예로써, 여러 실시예에 걸치는 형태의 조합), 조정 및/또는 수정을 가질 수 있다. 청구범위 내의 제한 사항은 그 청구범위 내에 적용된 언어에 기초하여 폭넓게 이해되도록 하는 것이며, 응용의 수행 동안 혹은 본 명세서 내에 설명된 예시로 한정되는 것은 아니다. 그 예시는 비배타적으로 해석되도록 하기 위한 것이다. 추가로, 개시된 방법의 스텝은 어떤 다른 방법으로 변경되거나, 스텝을 재배열 및/또는 스텝을 삽입하거나 삭제하는 것을 포함할 수 있다. 그러므로, 설명 및 예시는 오직 예시적으로 고려되는 것이며, 진정한 범위 및 기술 사상은 다음의 청구범위 및 그 동등한 전체 범위에 의해 나타내지는 것으로 의도된다.
Claims (20)
- 지역의 수요 추정을 위한 컴퓨터 구현 시스템으로서, 상기 시스템은
명령을 저장하는 적어도 하나의 메모리; 및
동작들을 수행하기 위해 상기 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고:
상기 동작들은
지역의 수요 추정을 위한 상기 시스템으로의 입력으로서 수요 추정을 위한 아이템과 연관된 아이템 식별자를 수신하고;
상기 수신된 아이템 식별자와 연관된 상기 아이템에 대한 전체 수요 예측 데이터에 액세스하고;
균일한 단위 레벨(uniform granularity level)의 하나 이상의 지리적 지역을 식별하고―여기서 단위 레벨은 상기 하나 이상의 지리적 지역에 있는 센터에 의해 서비스되는 아이템 주문에 기초하여 결정됨―;
상기 식별된 하나 이상의 지리적 지역 각각에서 상기 수신된 아이템 식별자와 연관된 상기 아이템의 수요 점유율 추정치(demand share estimate)를 평가하고―여기서 상기 아이템의 상기 수요 점유율 추정치는 상기 아이템과 연관된 주문 데이터에 기초함―;
상기 수신된 아이템 식별자와 연관된 상기 아이템과 관련된 아이템들의 세그먼트와 연관된 아이템 식별자 세트를 결정하고;
상기 식별된 하나 이상의 지리적 지역 각각에 대한 상기 아이템 식별자 세트와 연관된 아이템들의 상기 결정된 세그먼트에 대한 수요 추정을 평가하고;
베이지안 프레임워크(Bayesian framework)를 사용하여 상기 균일한 단위 레벨의 하나 이상의 지리적 지역에서 상기 수신된 식별자와 연관된 상기 아이템의 수요 추정을 생성하고―여기서 상기 베이지안 프레임워크는 입력으로서 지리적 지역 내의 아이템들의 상기 식별된 세그먼트의 수요 추정과 상기 아이템의 수요 점유율 및 상기 아이템에 대한 전체 수요 예측 데이터를 제공받음―;
하나 이상의 더 높은 단위 레벨에서 상기 수신된 식별자와 연관된 상기 아이템의 수요 추정을 생성하고―여기서 상기 하나 이상의 더 높은 단위 레벨에서의 상기 아이템의 상기 수요 추정은 상기 하나 이상의 지리적 지역에서의 상기 아이템의 수요 추정치를 집계함으로써 생성됨―; 그리고
상기 생성된 수요 추정으로 상기 수신된 아이템 식별자에 응답하는 것을 포함하는, 컴퓨터 구현 시스템. - 청구항 1에 있어서, 상기 전체 수요 예측에 액세스하는 것은,
주문 데이터베이스로부터 상기 아이템과 연관된 과거 주문 데이터를 검색하고―여기서 아이템의 소정 버전이 주문되면 상기 아이템이 주문과 연관됨―; 그리고
상기 과거 주문 데이터에 기초하여 상기 전체 수요 예측을 결정하는―여기서 기계 학습 모델이 상기 아이템과 연관된 과거 주문 데이터에 기초하여 상기 아이템의 상기 전체 수요 예측을 추정하는데 사용됨―,
것을 더 포함하는, 컴퓨터 구현 시스템. - 청구항 1에 있어서, 균일한 단위 레벨의 상기 하나 이상의 지리적 지역을 식별하는 것은,
상기 하나 이상의 지리적 지역의 크기;
상기 하나 이상의 지리적 지역에서 서비스되는 주문 개수; 또는
하나의 공통 배달 센터에 의해 서비스되는 지리적 영역들
중 적어도 하나의 유사도에 기초하는, 컴퓨터 구현 시스템. - 청구항 1에 있어서, 상기 아이템의 상기 수요 점유율 추정치는 계절적 수요를 위해 조정되는, 컴퓨터 구현 시스템.
- 청구항 1에 있어서, 아이템들의 상기 식별된 세그먼트에 대한 상기 수요 추정은 포인트 추정치를 포함하는, 컴퓨터 구현 시스템.
- 청구항 1에 있어서, 상기 수신된 아이템 식별자와 연관된 상기 아이템과 관련된 아이템들의 세그먼트와 연관된 아이템 식별자 세트를 결정하는 것은 저스트 인 타임(Just-In-Time) 기반으로 수행되는, 컴퓨터 구현 시스템.
- 청구항 1에 있어서, 아이템들의 상기 세그먼트는 서로 관련되고, 상기 관계는
상기 세그먼트의 상기 아이템들의 유형의 유사도; 또는
아이템들의 상기 세그먼트를 포함하는 주문 조합
중 적어도 하나에 기초하는, 컴퓨터 구현 시스템. - 청구항 1에 있어서, 아이템들의 상기 세그먼트는 아이템들의 제2 세그먼트의 서브세트로서 부분적으로 또는 완전히 아이템들의 상기 제2 세그먼트와 중첩되는, 컴퓨터 구현 시스템.
- 청구항 1에 있어서, 하나 이상의 지리적 지역에서의 수요 추정치를 상기 아이템의 수요 추정치에 집계하는 것은 구성 파일에 정의되는, 컴퓨터 구현 시스템.
- 청구항 1에 있어서, 하나 이상의 지리적 지역에서의 상기 아이템의 수요 추정치를 집계하는 것은 상기 아이템의 유형에 기초하는, 컴퓨터 구현 시스템.
- 청구항 1에 있어서, 하나 이상의 지리적 지역에서의 상기 아이템의 수요 추정치를 집계하는 것은,
상기 아이템의 상기 수요 추정의 불확실도(uncertainty)를 결정하고; 그리고
상기 하나 이상의 지리적 지역에서 상기 아이템의 상기 수요 추정의 상기 불확실도를 집계하는 것을 더 포함하는, 컴퓨터 구현 시스템. - 청구항 11에 있어서, 상기 아이템의 상기 수요 추정의 불확실도를 결정하는 것은,
상기 아이템 식별자 세트와 연관된 아이템들의 상기 식별된 세그먼트의 상기 수요 추정의 상기 불확실도를 계산하고;
상기 아이템에 대한 전체 수요 예측의 불확실도 계산하고; 그리고
아이템들의 상기 식별된 세그먼트의 상기 수요 추정의 불확실도, 상기 아이템에 대한 상기 전체 수요 예측의 상기 불확실도, 및 상기 아이템의 상기 수요 점유율 추정치에 기초하여 상기 아이템의 상기 수요 추정의 상기 불확실도를 결정하는 것을 더 포함하는, 컴퓨터 구현 시스템. - 지역의 재고 수요 추정을 위한 컴퓨터 구현 방법으로서,
지역의 재고 수요 추정을 위한 시스템으로의 입력으로서 수요 추정을 위한 아이템과 연관된 아이템 식별자를 수신하고;
상기 수신된 아이템 식별자와 연관된 상기 아이템에 대한 전체 수요 예측 데이터에 액세스하고;
균일한 단위 레벨의 하나 이상의 지리적 지역을 식별하고―여기서 단위 레벨은 상기 하나 이상의 지리적 지역에 있는 센터에 의해 서비스되는 아이템 주문에 기초하여 결정됨―;
상기 식별된 하나 이상의 지리적 지역 각각에서 상기 수신된 아이템 식별자와 연관된 상기 아이템의 수요 점유율 추정치를 평가하고―여기서 상기 아이템의 상기 수요 점유율 추정치는 상기 아이템과 연관된 주문 데이터에 기초함―;
상기 수신된 아이템 식별자와 연관된 상기 아이템과 관련된 아이템들의 세그먼트와 연관된 아이템 식별자 세트를 결정하고;
상기 식별된 하나 이상의 지리적 지역 각각에 대한 상기 아이템 식별자 세트와 연관된 아이템들의 상기 결정된 세그먼트에 대한 수요 추정을 평가하고;
베이지안 프레임워크를 사용하여 상기 균일한 단위 레벨의 하나 이상의 지리적 지역에서 상기 수신된 식별자와 연관된 상기 아이템의 수요 추정을 생성하고―여기서 상기 베이지안 프레임워크는 입력으로서 지리적 지역 내의 아이템들의 상기 식별된 세그먼트의 수요 추정과 상기 아이템의 수요 점유율 및 상기 아이템에 대한 전체 수요 예측 데이터를 제공받음―;
하나 이상의 더 높은 단위 레벨에서 상기 수신된 식별자와 연관된 상기 아이템의 수요 추정을 생성하고―여기서 상기 하나 이상의 더 높은 단위 레벨에서의 상기 아이템의 상기 수요 추정은 수요 추정치를 상기 하나 이상의 지리적 지역에서의 상기 아이템의 수요 추정치에 집계함으로써 생성됨―; 그리고
상기 생성된 수요 추정으로 상기 수신된 아이템 식별자에 응답하는 것을 포함하는, 컴퓨터 구현 방법. - 청구항 13에 있어서, 상기 전체 수요 예측에 액세스하는 것은,
지역의 재고 수요 추정을 위한 시스템으로의 입력으로서 수요 추정을 위한 상기 아이템을 수신하고;
주문 데이터베이스로부터 상기 아이템과 연관된 과거 주문 데이터를 검색하고―여기서 아이템의 소정 버전이 주문되면 상기 아이템이 주문과 연관됨―; 그리고
상기 과거 주문 데이터에 기초하여 상기 전체 수요 예측을 결정하는―여기서 기계 학습 모델이 상기 아이템과 연관된 과거 주문 데이터에 기초하여 상기 아이템의 상기 전체 수요 예측을 추정하는데 사용됨―것을 더 포함하는, 컴퓨터 구현 방법. - 청구항 13에 있어서, 균일한 단위 레벨의 상기 하나 이상의 지리적 지역을 식별하는 것은,
상기 하나 이상의 지리적 지역의 크기;
상기 하나 이상의 지리적 지역에서 서비스되는 주문 개수; 또는
하나의 공통 배달 센터에 의해 서비스되는 지리적 영역들
중 적어도 하나의 유사도에 기초하는, 컴퓨터 구현 방법. - 청구항 13에 있어서, 아이템들의 상기 세그먼트는 서로 관련되고, 상기 관계는
상기 세그먼트의 상기 아이템들의 유형의 유사도; 또는
아이템들의 상기 세그먼트를 포함하는 주문 조합
중 적어도 하나에 기초하는, 컴퓨터 구현 방법. - 청구항 13에 있어서, 아이템들의 상기 세그먼트는 아이템들의 제2 세그먼트의 서브세트로서 부분적으로 또는 완전히 아이템들의 상기 제2 세그먼트와 중첩되는, 컴퓨터 구현 방법.
- 청구항 13에 있어서, 하나 이상의 지리적 지역에서 수요 추정치를 상기 아이템의 수요 추정치에 집계하는 것은 상기 아이템의 유형에 기초하는, 컴퓨터 구현 방법.
- 청구항 13에 있어서, 하나 이상의 지리적 지역에서 수요 추정치를 상기 아이템의 수요 추정치에 집계하는 것은,
상기 아이템의 상기 수요 추정의 불확실도를 결정하고―여기서 상기 아이템의 상기 수요 추정의 상기 불확실도는 아이템들의 상기 식별된 세그먼트의 상기 수요 추정의 상기 불확실도, 상기 아이템에 대한 전체 수요 예측의 불확실도, 및 상기 아이템의 상기 수요 점유율 추정치에 기초함; 그리고
상기 하나 이상의 지리적 지역에서 상기 아이템의 상기 수요 추정의 상기 불확실도를 집계하는 것을 더 포함하는, 컴퓨터 구현 방법. - 저지연 집계된-데이터 공급을 위한 컴퓨터 구현 시스템으로서, 상기 시스템은
명령을 저장하는 적어도 하나의 메모리; 및
동작들을 수행하기 위해 상기 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고:
상기 동작들은
지역의 재고 수요 추정을 위한 상기 시스템으로의 입력으로서 아이템 수요 추정과 연관된 식별자에 대한 아이템을 수신하고;
주문 데이터베이스로부터 상기 아이템과 연관된 과거 주문 데이터를 검색하고―여기서 아이템의 소정 버전이 주문되면 상기 아이템이 주문과 연관됨―;
상기 과거 주문 데이터에 기초하여 전체 수요 예측을 결정하고―여기서 기계 학습 모델이 상기 아이템과 연관된 과거 주문 데이터에 기초하여 상기 아이템의 상기 전체 수요 예측을 추정하는데 사용됨―;
균일한 단위 레벨의 하나 이상의 지리적 지역을 식별하고―여기서 단위 레벨은 상기 하나 이상의 지리적 지역에 있는 센터에 의해 서비스되는 상기 주문에 기초하여 결정됨―;
상기 식별된 하나 이상의 지리적 지역 각각에서 상기 수신된 아이템 식별자와 연관된 상기 아이템의 수요 점유율 추정치를 평가하고―여기서 상기 아이템의 상기 수요 점유율 추정치는 상기 아이템과 연관된 주문 데이터에 기초함―;
저스트 인 타임 기반으로 상기 수신된 아이템 식별자와 연관된 상기 아이템과 관련된 아이템들의 세그먼트와 연관된 아이템 식별자 세트를 결정하고;
상기 식별된 하나 이상의 지리적 지역 각각에 대한 상기 아이템 식별자 세트와 연관된 아이템들의 상기 결정된 세그먼트에 대한 수요 추정을 평가하고;
베이지안 프레임워크를 사용하여 상기 균일한 단위 레벨의 하나 이상의 지리적 지역에서 상기 수신된 식별자와 연관된 상기 아이템의 수요 추정을 생성하고―여기서 상기 베이지안 프레임워크는 입력으로서 지리적 지역 내의 아이템들의 상기 식별된 세그먼트의 수요 추정과 상기 아이템의 수요 점유율 및 상기 아이템에 대한 전체 수요 예측 데이터를 제공받음―;
하나 이상의 더 높은 단위 레벨에서 상기 수신된 식별자와 연관된 상기 아이템의 수요 추정을 생성하고―여기서 상기 하나 이상의 더 높은 단위 레벨에서 상기 수요 추정은 수요 추정치를 상기 하나 이상의 지리적 지역에서의 상기 아이템의 수요 추정치에 집계함으로써 생성됨―; 그리고
상기 생성된 수요 추정으로 상기 수신된 아이템 식별자에 응답하는 것을 포함하는, 컴퓨터 구현 시스템.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/511,469 US20230128417A1 (en) | 2021-10-26 | 2021-10-26 | Systems and methods for regional demand estimation |
| US17/511,469 | 2021-10-26 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230059697A true KR20230059697A (ko) | 2023-05-03 |
Family
ID=86056572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220045372A KR20230059697A (ko) | 2021-10-26 | 2022-04-12 | 지역 수요 추정을 위한 시스템 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230128417A1 (ko) |
| KR (1) | KR20230059697A (ko) |
| WO (1) | WO2023073419A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787662B (zh) * | 2024-02-23 | 2024-05-28 | 中国人民解放军海军工程大学 | 一种空间需求平衡分区方法、电子设备和存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8117060B2 (en) * | 2007-12-20 | 2012-02-14 | Ebay Inc. | Geographic demand distribution and forecast |
| US8732039B1 (en) * | 2010-12-29 | 2014-05-20 | Amazon Technologies, Inc. | Allocating regional inventory to reduce out-of-stock costs |
| US20160055495A1 (en) * | 2014-08-22 | 2016-02-25 | Wal-Mart Stores, Inc. | Systems and methods for estimating demand |
| US10740773B2 (en) * | 2015-12-09 | 2020-08-11 | Walmart Apollo, Llc | Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities |
| US20170193433A1 (en) * | 2016-01-05 | 2017-07-06 | Wal-Mart Stores, Inc. | System for estimating geographical demand and method therefor |
| KR102396803B1 (ko) * | 2017-07-14 | 2022-05-13 | 십일번가 주식회사 | 유통과 물류의 최적화를 위한 마케팅 관리 데이터 제공 방법 및 이를 위한 장치 |
| JP2019087027A (ja) * | 2017-11-07 | 2019-06-06 | 株式会社東芝 | 需要予測装置、需要予測方法および需要予測プログラム |
| US10664801B1 (en) * | 2018-12-06 | 2020-05-26 | Jane Technologies, Inc. | Inventory management and distribution of physical products |
-
2021
- 2021-10-26 US US17/511,469 patent/US20230128417A1/en active Pending
- 2021-12-27 WO PCT/IB2021/062350 patent/WO2023073419A1/en unknown
-
2022
- 2022-04-12 KR KR1020220045372A patent/KR20230059697A/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| TW202318290A (zh) | 2023-05-01 |
| US20230128417A1 (en) | 2023-04-27 |
| WO2023073419A1 (en) | 2023-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102373372B1 (ko) | 적응형 배달 스케줄링용 그래픽 유저 인터페이스를 생성하기 위한 시스템 및 방법 | |
| KR102548216B1 (ko) | 비용 최적화된 구성을 생성하기 위한 패키지 구성의 시뮬레이션을 위한 시스템 및 방법 | |
| KR102445640B1 (ko) | 아웃바운드 예측을 위한 시스템 및 방법 | |
| KR102430347B1 (ko) | 제품 특성에 기초한 제품 가격 결정으로 재고를 관리하기 위한 컴퓨터화된 시스템 및 방법 | |
| KR102319529B1 (ko) | 가용 판매자의 지능적 선택과 연관 사용자 인터페이스 수정을 위한 컴퓨터화된 시스템 및 방법 | |
| KR20230134454A (ko) | 데이터의 동적 집계와 데이터 손실의 최소화를 위한 시스템 및 방법 | |
| KR20230070425A (ko) | 응답적이고 자동 예측적인 패키징 획득을 위한 시스템 및 방법 | |
| KR102451184B1 (ko) | 가상 번들의 동적 밸런싱을 위한 시스템 및 방법 | |
| KR20240007737A (ko) | 제품 추천을 생성하기 위해 인공 지능을 사용하는 컴퓨터 시스템 및 방법 | |
| KR20230059697A (ko) | 지역 수요 추정을 위한 시스템 및 방법 | |
| KR20230132747A (ko) | 인공 지능(ai) 기반 인바운드 계획 생성을 위한 컴퓨터-구현 시스템 및 방법 | |
| KR20230107504A (ko) | 분할된 데이터베이스를 위한 다중 노드의 스트림 처리프레임워크를 위한 시스템 및 방법 | |
| KR20230076724A (ko) | 재고 추정을 위한 시스템 및 방법 | |
| KR20230139285A (ko) | 결정론적 또는 추론적 접근에 기초한 최고의 대안 제품을 식별하는 시스템 및 방법 | |
| KR102321982B1 (ko) | 개선된 k-평균 클러스터링 알고리즘을 이용하여 부정 트랜잭션을 검출하기 위한 컴퓨터-구현 방법 | |
| 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 | |
| TWI837891B (zh) | 電腦實施系統以及電腦實施的方法 | |
| KR102385928B1 (ko) | 실험 테스트 중 최적의 스탑 포인트를 예측하는 시스템 및 방법 | |
| TWI831003B (zh) | 資料庫協調之系統以及方法 | |
| US20220188846A1 (en) | Computerized systems and methods for predicting and managing scrap | |
| KR20230143089A (ko) | 과거 구매에 기초하여 제품을 선택 및 제시하기 위한 시스템 및 방법 | |
| KR20230078943A (ko) | 이벤트 저장 관리를 위한 시스템 및 방법 |