TW202011288A - 倉儲儲位配置系統 - Google Patents

Abstract

本發明係揭露一種倉儲儲位配置系統，係包括倉儲資料庫、社群網路聲量分析模組、備貨預測模組、倉儲資料計算模組以及儲位配置規劃模組，其中，社群網路聲量分析模組提供有關外部社群網路之商品聲量資料，備貨預測模組提供備貨預測資料，以及倉儲資料計算模組提供有關倉儲內貨品狀態之商品資料矩陣，以供儲位配置規劃模組綜合考量該倉儲資料庫、該備貨預測模組、該倉儲資料計算模組所提供之資料以產生倉庫儲位配置資訊，藉以達到儲位配置優化之目的。

Description

倉儲儲位配置系統

本發明係有關倉儲管理之儲位配置機制，特別是關於一種將商品、倉儲、外部訊息作為儲位配置考量之倉儲儲位配置系統。

在物流業中，通常面對許多商品備貨與倉儲管理之問題，且在傳統倉儲管理中，皆需仰賴人工經驗規劃、調整倉儲配置，因此，現今倉儲管理已面臨諸多之挑戰，舉凡儲位配置如無法隨商品銷量波動即時調整，則將於淡季中出現儲位空間過剩之情況，而於旺季反而發生儲位空間不足之問題，又例如出貨相關性高的商品存放位置相隔很遠，會降低揀貨效率，另外，部分商品外觀相似難以分辨，導致揀貨時容易出錯，又或者相鄰商品價格差異大，揀錯時造成較大的成本損失，又例如周轉率高的物品放在離出入口較遠處，將使揀貨效率下降，以及重量較重的商品揀貨時放置在較輕的商品上方，將會造成貨損，上述種種情況皆凸顯出倉儲儲位管理的重要性。再由備貨方面來看，由於新進商品未來銷量未知、與其他商品關聯度未知以及倉儲空間使用率高，容納空間不足等因素，使得新進商品存放位置難以決策，且在面對前述倉儲管理之種種因素下，實難令貨物能妥善存放於倉庫中，此將有礙於管理者對於進出貨之儲位配置與管理。

據此，在商品銷量更動、新品進入倉儲等諸多狀況下，倉儲之商品存放位置需隨之調整，而儲位調整會影響後續揀貨、出貨作業，進而影響整體出貨效率。此外，儲位調整時須考量眾多因素，因而需經驗豐富之專業人士規劃，然在各行業皆面臨人力資源短缺的現今社會，物流業亦無可避免人力不足的問題，因此，如何透過數據分析、備貨預測等資訊科學方法，考量相關因素，協助物流業者進行倉儲儲位配置規劃，進而達到優化儲位配置、增進揀貨和出貨效率的目的變得著實重要。

本發明之目的係提出一種倉儲儲位配置系統，利用商品的基本資料、先前歷史資料、銷售情況以及倉儲空間資料等資訊，再搭配其他外部訊息以達到儲位配置優化之目的。

為了達成上述或其他目的，本發明提出一種倉儲儲位配置系統，包括：倉儲資料庫、社群網路聲量分析模組、備貨預測模組、倉儲資料計算模組及儲位配置規劃模組，其中，該倉儲資料庫用於儲存商品基本資料、歷史促銷資料、歷史訂單資料以及倉儲空間資料，該社群網路聲量分析模組用於獲取外部之社群網路的文章資料，並依據該倉儲資料庫之該商品基本資料，分析出該文章資料與該商品基本資料之關聯性而產生商品聲量資料；該備貨預測模組係依據該倉儲資料庫之該商品基本資料和該歷史促銷資料以及依據該社群網路聲量分析模組之該商品聲量資料，運算取得備貨預測資料；該倉儲資料計算模組依據倉儲資料庫之該歷史訂單資料及該商品基本資料，解析取得有關倉儲內貨品狀態之商品資料矩陣；以及該儲位配置規劃模組依據該備貨預測模組之該備貨預測資料、該倉儲資料計算模組之該商品資料矩陣、以及該倉儲資料庫之該商品基本資料和該倉儲空間資料，進行分析計算以產生倉庫儲位配置資訊。

於一實施例中，該社群網路聲量分析模組復包括：用於取得該文章資料之第一瀏覽網頁單元；用於分析該文章資料與該商品基本資料關聯性以取得該商品聲量資料之語意分析單元；以及包含有用於儲存該文章資料之文章資料庫以及用於儲存該商品聲量資料之商品聲量資料庫之第一記憶單元。

於另一實施例中，該備貨預測模組復包括：備貨預測運算單元以及第二記憶單元，其中，該備貨預測運算單元用於將該商品基本資料、該歷史促銷資料及該商品聲量資料輸入至一預測模型，以計算出該備貨預測資料，以及該第二記憶單元用於儲存於該備貨預測資料。

於另一實施例中，該備貨預測模組復包括用於獲取外部網站之天氣資料之第二瀏覽網頁單元，以供該備貨預測運算單元分析運算該商品基本資料、該歷史促銷資料、該商品聲量資料及該天氣資料，以取得該備貨預測資料。

於另一實施例中，該儲位配置規劃模組復包括規劃單元，該規劃單元係產生外觀相似性矩陣以及商品價格差矩陣，其中，藉由該商品基本資料內文字描述進行分類之外觀相似性矩陣係為該規劃單元依據該商品基本資料與該倉儲空間資料而產生者，以及該商品價格差矩陣為該規劃單元依據每一儲位內商品與其相鄰內商品的正規化價格差值而產生者。

於另一實施例中，該規劃單元係依據該備貨預測資料、該商品資料矩陣、該外觀相似性矩陣以及該商品價格差矩陣以執行儲位配置成本計算，藉以取得該倉庫儲位配置資訊，該儲位配置成本計算係經演算法分析計算成本值，該成本值係回送至該外觀相似性矩陣及該商品價格差矩陣作為考量依據，經多次迭代後以產生該成本值為最低之該倉庫儲位配置資訊。

本發明提出之倉儲儲位配置系統，透過多項訊息整合來優化儲位配置，如此可達到在淡季減少備貨量以及因應天氣或節日等因素調整對應之商品備貨量，另外，還可避免將出貨相關性高的商品存放位置相隔很遠、外觀相似而難以分辨之商品相隔甚近、相鄰商品價格差異大、周轉率高的物品放在離出入口較遠處、重量較重的商品揀貨時放置在較輕的商品上方等不合適的儲位方式，進而使商家達到商品或貨品可有效管理配置之目的。

以下藉由特定的具體實施形態說明本發明之技術內容，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之優點與功效。然本發明亦可藉由其他不同的具體實施形態加以施行或應用。

本發明的模組、單元、裝置等包括微處理器及記憶體，而演算法、資料、程式等係儲存記憶體或晶片內，微處理器可從記憶體載入資料或演算法或程式進行資料分析或計算等處理，在此不予贅述。例如本發明之倉儲資料庫、社群網路聲量分析模組、備貨預測模組、倉儲資料計算模組以及儲位配置規劃模組包括有微處理器與記憶體等，且各模組內的各單元以此執行分析運算，因而本發明所述之單元或模組其硬體細部結構亦可以相同實現方式。

第1圖係說明本發明之倉儲儲位配置系統。如圖所示，該倉儲儲位配置系統100包括倉儲資料庫1、社群網路聲量分析模組2、備貨預測模組3、倉儲資料計算模組4以及儲位配置規劃模組5。該倉儲儲位配置系統100可依據倉儲內商品和歷史資料以及外部資訊進行整合，以得到較佳的貨品配置結果。

倉儲資料庫1係用於儲存商品基本資料11、歷史促銷資料12、歷史訂單資料13以及倉儲空間資料14，其中，商品基本資料11可用於商品間比對，歷史促銷資料12可作為備貨考量，歷史訂單資料13可提供進貨依據，而倉儲空間資料14則提供現有倉儲配置資訊。在一實施例中，儲存商品基本資料11、歷史促銷資料12、歷史訂單資料13以及倉儲空間資料14可儲存於記憶體中，當欲使用前述資料則可分別自記憶體叫出(load)至微處理器。以下各模組或單元或裝置等均為相同或類似方式處理。

社群網路聲量分析模組2用於分析自外部之社群網路獲取的文章資料及自倉儲資料庫1取得之商品基本資料11之商品聲量資料。簡言之，商品基本資料11可得到店家商品種類訊息，而該些商品在消費者評價如何也攸關進貨量與倉儲配置，因而社群網路聲量分析模組2會到外部之社群網路，例如論壇或討論區，獲取有關商品之文章資料，進而得到商品聲量資料，亦即有關該商品之評論，以作為日後商品進貨與配置的考量因素。具體來說， 在分析之前，會預先對常用之形容詞、副詞等文字標註情緒評分以構成一常用資料庫，之後於社群網路聲量分析模組2透過自動瀏覽網頁取得群網路之文章資料，即可透過比對文章資料內文字和常用資料庫所儲存資訊，進而知道商品聲量資料。關於商品聲量資料更詳細計算方式，本發明後續將會有更詳舉例說明。在一實施例中，分析自外部之社群網路獲取的文章資料及自倉儲資料庫1取得之商品基本資料11之商品聲量資料可儲存於記憶體中，當欲使用前述資料則可分別自記憶體叫出(load)至微處理器。以下各模組或單元或裝置等均為相同或類似方式處理。

備貨預測模組3接收倉儲資料庫1之商品基本資料11和歷史促銷資料12以及來自該社群網路聲量分析模組2之商品聲量資料，經由分析運算以取得備貨預測資料，其中，備貨預測資料係指店家日後備貨參考依據，故除了考量有關消費者意見之商品聲量資料外，當然也會考量與商品有關之歷史促銷資料，簡單來說，商品基本資料11和歷史促銷資料12經遞迴類神經網路方式可得到一預測模型，之後當要預測商品備貨數量時，則將預計進貨之商品資訊代入預測模型，即可得到備貨預測資料，在此機制下，藉此可得到哪一期間的銷售營況，進而判斷進貨量多寡之目的。在一實施例中，備貨預測資料、商品備貨數量、等銷售營況可儲存於記憶體中，當欲使用前述資料則可分別自記憶體叫出(load)至微處理器，其中備貨預測模型3於微處理器中執行。以下各模組或單元或裝置等均為相同或類似方式處理。

倉儲資料計算模組4解析倉儲資料庫1之歷史訂單資料13及商品基本資料11以得到有關倉儲內貨品狀態之商品資料矩陣。詳言之，歷史訂單資料13及商品基本資料11的分析可得到各商品的訂貨情況，此對於貨品儲位有關係，舉例來說，不常訂貨表示銷售速度相對慢，也就是出貨機率相對低，如此將該貨品放置倉儲較內部避免影響熱門商品的出貨。在一實施例中，倉儲資料計算模組4於微處理器中執行。以下各模組或單元或裝置等均為相同或類似方式處理。

儲位配置規劃模組5係接收並利用演算法分析計算該備貨預測模組3之備貨預測資料、該倉儲資料計算模組4之商品資料矩陣以及倉儲資料庫1所提出之商品基本資料11和倉儲空間資料14，藉此產生倉庫儲位配置資訊。儲位配置規劃模組5用於規劃倉庫儲位配置，係取得備貨預測資料、商品資料矩陣、商品基本資料11和倉儲空間資料14，透過演算法以產生最終之倉庫儲位配置資訊，具體來說，商品基本資料11和倉儲空間資料14可得到外觀相似性和商品價格差異，上述資訊會影響到商品儲位配置，而備貨預測模組3之備貨預測資料與倉儲資料計算模組4之商品資料矩陣則可產生各種儲位配置的組合，在考量上述外觀相似性、商品價格差異下，透過公式即可計算此配置的成本值，若經數次迭代後，即可令成本值最低的儲位配置成為最適儲位配置，其中，演算法可採用基因演算法、粒子群演算法等啟發式演算法。在一實施例中，儲位配置規劃模組5於微處理器中執行。以下各模組或單元或裝置等均為相同或類似方式處理。

由上可知，透過倉儲內外部資訊整合，除了考量消費者心態或評價下，更參酌商品訂貨量與銷售情況以及有關倉儲現行配置結果，進而透過演算法來找出最佳的倉庫儲位配置資訊，如此可供店家對於後續商品訂貨與儲存有參考依據。

第2圖係說明本發明之倉儲儲位配置系統其具體實施例之架構圖。如圖所示，倉儲資料庫1中儲存有商品基本資料11、歷史促銷資料12、歷史訂單資料13以及倉儲空間資料14。進一步來說，商品基本資料11可包含商品編號、商品名稱、重量、售價及文字描述等可資區別商品之資料，商品基本資料11可做為其他資訊查詢的依據，例如到網路聊天室或討論區取得商品評論，或者依據商品名稱取得銷售情況、促銷情況以及庫存狀態等。

歷史促銷資料12可包含商品編號、訂購日期、訂單編號及訂購數量，該歷史促銷資料12可作為商品儲位參考依據，例如某商品的促銷檔期將近，那該商品進貨時，放置位置當然要以近期方便出貨作為考量。

另外，歷史訂單資料13紀錄有貨品先前促銷之資料，可包含商品編號、促銷日期及促銷售價等資訊，而倉儲空間資料14則包含儲位編號、座標及容量，是有關貨品在倉儲內位置等資訊。

倉儲儲位配置系統100除了前述倉儲資料庫1外，還包括社群網路聲量分析模組2、備貨預測模組3、倉儲資料計算模組4及儲位配置規劃模組5，其中，社群網路聲量分析模組2包括第一瀏覽網頁單元22、語意分析單元21及第一記憶單元23，舉例來說，具體實施時，語意分析單元21可為微處理器，第一記憶單元23可為記憶體，以此類推，下面將不再贅述。備貨預測模組3包括備貨預測運算單元32及第二記憶單元33；以及儲位配置規劃模組5復包括規劃單元52。後續將針對第2圖倉儲儲位配置系統100之各模組搭配第3~6圖進一步說明。

請一併參照第2及3圖，第3圖為本發明之社群網路聲量分析模組之架構圖。如圖所示，社群網路聲量分析模組2用於獲取外部之社群網路(例如：PTT、Dcard、Mobile01、Facebook等)中提及關於商品基本資料(例如商品名稱)之文章資料，另外，社群網路聲量分析模組2也會至倉儲資料庫1取得商品基本資料11，藉此分析文章資料與商品基本資料11以產生商品聲量資料。

社群網路聲量分析模組2可包括用於搜尋各社群網路並取得文章資料之第一瀏覽網頁單元22、用於分析文章資料與商品基本資料以取得商品聲量資料之語意分析單元21、以及包含用於儲存該文章資料之文章資料庫231和用於儲存該商品聲量資料之商品聲量資料庫232之第一記憶單元23。關於社群網路聲量分析模組2如何執行分析之程序，下面將以實例說明。

社群網路聲量分析模組2中會預先建立常用詞庫，即預先儲存經標注情緒評分之常用之形容詞、副詞於詞庫中，詞庫亦可供未來增修新的形容詞、副詞，其中，情緒評分之標注例如「好」為情緒評分「+5」之形容詞、「不」為情緒評分「-1」之形容詞、「很」為情緒評分「+2」之副詞等，據此，在分析文章時，利用語意分析模組2根據商品基本資料11將文章內提及商品名稱的句子或段落擷取出，並檢查文句內之常用形容詞及與常用形容詞對應修飾之副詞，以獲得文章資料之情緒評分，進而作為評量商品以產生商品聲量資料。

在一實施例中，社群網路聲量分析模組2透過第一瀏覽網頁單元22在各種社群網路搜集與商品相關之文章資料，並儲存於文章資料庫231中，第一記憶單元23可包含預先建立之詞庫，語意分析單元21將來自倉儲資料庫1之商品基本資料11及文章資料庫231之文章資料進行分析，進而比對文章資料中有關商品之形容詞及副詞而分析出情緒評分，並將形容詞及副詞之情緒評分代入情緒評分計算公式中，進而產生商品聲量資料，並儲存於商品聲量資料庫232，計算公式如下式1：

式1

其中，

表示句子中第

個形容詞的情緒評分，

表示第

個形容詞前的副詞之情緒評分。

請一併參照第2及4圖，第4圖為本發明之備貨預測模組3之架構圖。備貨預測模組3接收來自倉儲資料庫1之商品基本資料11和歷史促銷資料12以及來自社群網路聲量分析模組2之商品聲量資料，經運算以取得備貨預測資料331，據此，備貨預測模組3透過運算分析上述資料得到備貨預測資料331來預測商品所需之備貨量。於一實施例中，該備貨預測模組3包括備貨預測運算單元32及第二記憶單元33，其中，備貨預測運算單元32用於將商品基本資料11、歷史促銷資料12及商品聲量資料輸入至一預測模型，以計算出該備貨預測資料，亦即，備貨預測運算單元32利用商品基本資料11和歷史促銷資料12透過遞迴類神經網路方式得到預測模型，爾後將預計進貨之商品資訊代入預測模型中以得到備貨預測資料，而第二記憶單元33可用於儲存備貨預測資料331，具體實施時，第二記憶單元33可為伺服器資料庫。

於另一實施例中，備貨預測模組復包括第二瀏覽網頁單元34，該第二瀏覽網頁單元34可用於獲取外部網站之天氣資料，其中，天氣資料可包括歷史天氣資料332及天氣預報資料333，該備貨預測運算單元32可將該天氣資料與該商品基本資料11、該歷史促銷資料12、該商品聲量資料進行分析運算，同理，備貨預測運算單元32除了考量商品基本資料11和歷史促銷資料12外，更加入歷史天氣資料332及天氣預報資料333等資訊，同樣透過遞迴類神經網路以產生預測模型，而預測模型在鍵入該次預計進貨之商品資訊，即可取得備貨預測資料331。簡單來說，受不同天氣的影響，商品之備貨量也需調整，例如雨天需要雨傘、晴天應加強防曬，因此，第二瀏覽網頁單元34爬取天氣資料可包含歷史天氣資料332或天氣預報資料333之雨量、最高氣溫或最低氣溫等，藉此推估貨品備貨數量。

另外，備貨預測模組3復包括提供計時資料之計時器35，其中，備貨預測運算單元32能擷取計時資料以作為計算該備貨預測資料331之參考依據。簡言之，備貨預測運算單元32分析計時資料時，基於在平日、假日或節日對於商品的需求有所不同，因此，透過備貨預測運算單元32分析計時資料，以判斷進貨期間是否接近假日或節日，進而作為預測備貨之參考，亦即，在接近節日時，增加與節日相關之商品的備貨量。具體來說，計時器35之計時資料可包含日期、星期或是否假日之因素，並可搭配備歷史天氣資料332、天氣預報資料333，以供備貨預測運算單元32利用計時資料進行分析，簡單來說，備貨預測運算單元32在利用所建置之預測模型進行備貨預估時，會加入計時器35之計時資料的考量，以得到最終的備貨預測資料331。

於另一實施例中，在進行商品備貨預測前會先建立預測模型，而備貨預測運算單元32可將該次要備貨之商品的商品基本資料11、歷史促銷資料12及商品聲量資料輸入至該預測模型以計算出備貨預測資料331。具體來說，預測模型之建立，係利用先前取得之商品基本資料11、歷史促銷資料12及商品聲量資料之既有資料進行正規化，即將上述資料依據關聯性產生可用訊息，並經遞迴類神經網路訓練後而產生前述預測模型，且其中，遞迴類神經網路為長短期記憶(LSTM)神經網絡、循環神經網路(RNN)或序列到序列(seq2seq)模型，或是以其它類似功能之神經網路來實作。

進一步而言，本系統之備貨預測模組3為基於遞迴類神經網路的備貨預測方法，備貨預測方法包含預測模型生成和未來時段預測兩部分，舉例來說，在預測模型生成中，先進行指定商品之歷史資料正規化處理以產生正規化歷史資料，再利用正規化歷史資料(例如歷史訂購數量，歷史天氣數據、商品售價等)訓練遞迴類神經網路獲得預測模型，而在未來時段預測中，先將指定商品之未來時間的資料進行正規化處理以產生正規化未來資料，再利用正規化未來資料(例如未來訂購數量、未來天氣數據、商品售價等)代入經遞迴類神經網路訓練所獲得之預測模型，以進行未來時段的備貨預測，最終會得到預計進貨之商品的商品備貨預測貨量。

具體而言，以T-2至T+1的時間軸為例，在第T-1日，備貨預測運算單元32接收第T-2日商品訂購量並分析第T-1日之資料、是否假日或節日、商品售價(促銷價或建議售價)、商品社群網路聲量、最高氣溫、最低氣溫、及日期或星期，以產生第T-1日之商品預測備貨量，進而得到第T-1日之商品訂購量；在第T日，備貨預測運算單元32接收第T-1日商品訂購量並分析第T日之資料、是否假日或節日、商品售價(促銷價或建議售價)、商品社群網路聲量、最高氣溫、最低氣溫、及日期或星期，以產生第T日之商品預測備貨量，進而得到第T日之商品訂購量，以此類推獲得時間軸上之日期的備貨量。

請一併參照第2及5圖，第5圖為本發明之倉儲資料計算模組之架構圖。倉儲資料計算模組4能自倉儲資料庫1取得歷史訂單資料13及商品基本資料11，以透過解析歷史訂單資料13及商品基本資料11而得到有關倉儲內貨品狀態之商品資料矩陣，其中，該商品資料矩陣包括有關單一商品周轉率之商品周轉率矩陣41、有關貨品間出貨相關性之貨品間出貨相關性矩陣42以及有關商品重量之正規化商品重量矩陣43。

具體言之，倉儲資料庫1之歷史訂單資料13、商品基本資料11及倉儲空間資料14可供倉儲資料計算模組4運算單一商品週轉率，進而產生單一商品週轉率矩陣41，其中，單一商品週轉率計算公式為f_n1 ，其為商品訂購次數/訂單總數。

倉儲資料計算模組4內之貨品間出貨相關性矩陣42表示貨品間出貨相關性，其中，貨品間出貨相關性之運算分析公式為f_n2 ，其包含以下步驟：(1)建立一

的全0矩陣

，其中，

為商品品項總數，矩陣內第i行第j列的元素以

表示，

；(2)若商品i和商品j出現在同一張訂單，則將

值加1；(3)執行步驟(2)，累計所有訂單內的所有商品；(4)找出將

內所有的元素的最大值

，並將

內的所有元素皆除以

；以及(5)矩陣R即為貨品間出貨相關性矩陣。透過上述步驟，將可得到有關貨品間出貨相關性之貨品間出貨相關性矩陣42。

倉儲資料計算模組4內之正規化商品重量矩陣43用於正規化商品重量，其中，正規化商品重量之運算分析公式為f_n3 ，其包含以下步驟：(1)由商品基本資料中的重量，可得到一Nx1的之商品重量矩陣；(2)從矩陣中得出矩陣內所有元素的最小值和最大值；(3)矩陣內所有的元素減去最小值，再除以該矩陣中最大值減去最小值之值，即可得出正規化商品重量矩陣。透過上述步驟，將可得到有關商品重量之正規化商品重量矩陣43。

請一併參照第2及6圖，第6圖為本發明之儲位配置規劃模組之架構圖。如第2圖所示，儲位配置規劃模組5可接收來自備貨預測模組3之備貨預測資料、來自倉儲資料計算模組4之商品資料矩陣以及來自倉儲資料庫1之商品基本資料11和倉儲空間資料14，經演算法分析計算以產生倉庫儲位配置資訊，據此，本發明之系統透過儲位配置規劃模組5演算備貨預測資料、商品資料矩陣以及商品基本資料11和倉儲空間資料14可預測所需備貨量以及較佳儲放位置，故避免儲位空間過剩或不足的問題，不僅將倉儲空間有效利用，更能提高揀貨效率。

如第6圖所示，儲位配置規劃模組5復包括規劃單元52，規劃單元52能依據商品基本資料11與倉儲空間資料14產生依據商品基本資料11內文字描述進行分類之外觀相似性矩陣521以及依據每一儲位內商品與其相鄰內商品的正規化價格差值之商品價格差矩陣522。

外觀相似性矩陣521之運算分析公式為f_n4 ，其係依下列步驟進行分析：(1)商品根據商品基本資料11內的文字描述，進行聚類分群，得出商品的外觀相似性分類值；(2)演算法產生一組儲位配置；以及(3)在儲位配置內，計算每一個儲位內商品與其相鄰儲位內商品的外觀相似性分類值差值，即為儲位配置的外觀相似性矩陣521。

商品價格差矩陣522依據之運算分析公式為f_n5 ，其係依下列步驟分析：(1)根據商品基本資料內的商品建議售價減去所有建議售價的最小值，再除以建議售價最大值和建議售價最小值的差值，得出每個商品的正規化價格；(2)演算法產生一組儲位配置；以及(3)將儲位配置內，計算每一個儲位內商品與其相鄰儲位內商品的正規化價格差值，即為儲位配置的商品價格差矩陣522。

規劃單元52在具備外觀相似性矩陣521及商品價格差矩陣522下，規劃單元52能依據備貨預測資料331、商品資料矩陣、外觀相似性矩陣521及商品價格差矩陣522來執行儲位配置成本計算，藉以取得最終之倉庫儲位配置資訊51。於一實施例中，上述之儲位配置成本計算係經演算法分析計算成本值，即將利用各種儲位配置組合，考量商品之外觀相似性、商品價格差異並由成本公式f_n6 以計算各種配置之成本值，成本值會回送至外觀相似性矩陣521及商品價格差矩陣522作為考量依據，經多次迭代後以產生成本值最低之倉庫儲位配置資訊51，其中，成本計算係先依據成本公式f_n6 進行運算，其運算結果再經演算法分析計算成本值，舉例來說，演算法可為基因演算法、粒子群演算法或其他啟發式演算法，另外，前述成本公式f_n6 如式2所示：

式2

參照前述說明，規劃單元52可依據備貨預測資料331，經參酌商品於社群網路上之聲量決策新商品的備貨量，並參考天氣資料及計時資料綜合考量所需的備貨量，進而達到在淡季減少備貨量以及因應天氣或節日等因素調整對應之商品備貨量之目的，另外，規劃單元52還可依據商品資料矩陣(商品周轉率矩陣41、貨品間出貨相關性矩陣42及正規化商品重量矩陣43)、外觀相似性矩陣521以及商品價格差矩陣522之綜合分析，以達到避免將出貨相關性高的商品存放位置相隔很遠、外觀相似而難以分辨之商品相隔甚近或相鄰商品價格差異大等問題之目的，且規劃單元52亦可依據商品基本資料11、歷史訂單資料13及正規化商品重量矩陣43，以避免周轉率高的物品放在離出入口較遠處、重量較重的商品揀貨時放置在較輕的商品上方等問題。

綜上所述，本發明之倉儲儲位配置系統，透過多項訊息整合來優化儲位配置，可預測所需之備貨量，並提供經優化之儲位給予所儲存或將備貨之貨品，如此避免儲位空間過剩或不足的問題，亦可提高揀貨效率。透過本發明之倉儲儲位配置機制，將能提供店家更佳的進貨管理和儲位配置。

上述實施形態僅例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。因此，本發明之權利保護範圍，應如隨附之申請專利範圍所列。

1:倉儲資料庫100:倉儲儲位配置系統11:商品基本資料12:歷史促銷資料13:歷史訂單資料14:倉儲空間資料2:社群網路聲量分析模組21:語意分析單元22:第一瀏覽網頁單元23:第一記憶單元231:文章資料庫232:商品聲量資料庫3:備貨預測模組32:備貨預測運算單元33:第二記憶單元331:備貨預測資料332:歷史天氣資料333:天氣預報資料34:第二瀏覽網頁單元35:計時器4:倉儲資料計算模組41:商品周轉率矩陣42:貨品間出貨相關性矩陣43:正規化商品重量矩陣5:儲位配置規劃模組51:倉庫儲位配置資訊52:規劃單元521:外觀相似性矩陣522:商品價格差矩陣

第1圖為本發明之倉儲儲位配置系統之系統架構圖；

第2圖為本發明之倉儲儲位配置系統其具體實施例之架構圖；

第3圖為本發明之倉儲儲位配置系統之社群網路聲量分析模組之架構圖；

第4圖為本發明之倉儲儲位配置系統之備貨預測模組之架構圖；

第5圖為本發明之倉儲儲位配置系統之倉儲資料計算模組之架構圖；以及

第6圖為本發明之倉儲儲位配置系統之儲位配置規劃模組之架構圖。

1:倉儲資料庫

100:倉儲儲位配置系統

11:商品基本資料

12:歷史促銷資料

13:歷史訂單資料

14:倉儲空間資料

2:社群網路聲量分析模組

3:備貨預測模組

4:倉儲資料計算模組

5:儲位配置規劃模組

Claims (13)

1. 一種倉儲儲位配置系統，包括： 倉儲資料庫，係用於儲存商品基本資料、歷史促銷資料、歷史訂單資料以及倉儲空間資料； 社群網路聲量分析模組，係用於獲取外部之社群網路的文章資料，並依該倉儲資料庫之該商品基本資料，以分析出該文章資料與該商品基本資料之關聯性而產生商品聲量資料； 備貨預測模組，係依據該倉儲資料庫之該商品基本資料和該歷史促銷資料以及該社群網路聲量分析模組之該商品聲量資料，進行運算取得備貨預測資料； 倉儲資料計算模組，係依據該倉儲資料庫之該歷史訂單資料及該商品基本資料，進行解析以取得有關倉儲內貨品狀態之商品資料矩陣；以及 儲位配置規劃模組，係依據該備貨預測資料、該商品資料矩陣、以及該商品基本資料和該倉儲空間資料，進行分析計算以產生倉庫儲位配置資訊。
2. 如申請專利範圍第1項所述之倉儲儲位配置系統，其中，該社群網路聲量分析模組復包括： 第一瀏覽網頁單元，係用於獲取該社群網路之文章資料； 語意分析單元，係用於分析該文章資料與該商品基本資料關聯性以取得該商品聲量資料；以及 第一記憶單元，係包含有用於儲存該文章資料之文章資料庫以及用於儲存該商品聲量資料之商品聲量資料庫。
3. 如申請專利範圍第1項所述之倉儲儲位配置系統，其中，該備貨預測模組復包括： 備貨預測運算單元，係用於將該商品基本資料、該歷史促銷資料及該商品聲量資料輸入至一預測模型，以計算出該備貨預測資料；以及 第二記憶單元，係用於儲存該備貨預測資料。
4. 如申請專利範圍第3項所述之倉儲儲位配置系統，其中，該預測模型係利用先前取得之該商品基本資料、該歷史促銷資料及該商品聲量資料之既有資料進行正規化，經遞迴類神經網路訓練後產生。
5. 如申請專利範圍第4項所述之倉儲儲位配置系統，其中，該遞迴類神經網路為長短期記憶(LSTM)神經網絡、循環神經網路(RNN)或序列到序列(seq2seq)模型。
6. 如申請專利範圍第3項所述之倉儲儲位配置系統，其中，該備貨預測模組復包括第二瀏覽網頁單元，係用於獲取外部網站之天氣資料，以供該備貨預測運算單元分析運算該商品基本資料、該歷史促銷資料、該商品聲量資料及該天氣資料，以取得該備貨預測資料。
7. 如申請專利範圍第6項所述之倉儲儲位配置系統，其中，該天氣資料包括歷史天氣資料及天氣預報資料。
8. 如申請專利範圍第3項所述之倉儲儲位配置系統，其中，該備貨預測模組復包括提供計時資料之計時器，且該備貨預測運算單元係擷取該計時資料以作為計算該備貨預測資料之參考依據。
9. 如申請專利範圍第1項所述之倉儲儲位配置系統，其中，該商品資料矩陣包括有關單一商品周轉率之商品周轉率矩陣、有關貨品間出貨相關性之貨品間出貨相關性矩陣以及有關商品重量之正規化商品重量矩陣。
10. 如申請專利範圍第1項所述之倉儲儲位配置系統，其中，該儲位配置規劃模組復包括規劃單元，該規劃單元係依據該商品基本資料與該倉儲空間資料產生藉由該商品基本資料內文字描述進行分類之外觀相似性矩陣以及藉由每一儲位內商品與其相鄰內商品的正規化價格差值之商品價格差矩陣。
11. 如申請專利範圍第10項所述之倉儲儲位配置系統，其中，該規劃單元係依據該備貨預測資料、該商品資料矩陣、該外觀相似性矩陣以及該商品價格差矩陣以執行儲位配置成本計算，藉以取得該倉庫儲位配置資訊。
12. 如申請專利範圍第11項所述之倉儲儲位配置系統，其中，該儲位配置成本計算係經演算法分析計算出成本值，該成本值係回送至該外觀相似性矩陣及該商品價格差矩陣作為考量依據，經多次迭代後以產生該成本值為最低之該倉庫儲位配置資訊。
13. 如申請專利範圍第12項所述之倉儲儲位配置系統，其中，該演算法為一基因演算法或粒子群演算法。

Images