TW202242735A - 庫存自動化管理方法及其系統 - Google Patents

庫存自動化管理方法及其系統 Download PDF

Info

Publication number
TW202242735A
TW202242735A TW110114402A TW110114402A TW202242735A TW 202242735 A TW202242735 A TW 202242735A TW 110114402 A TW110114402 A TW 110114402A TW 110114402 A TW110114402 A TW 110114402A TW 202242735 A TW202242735 A TW 202242735A
Authority
TW
Taiwan
Prior art keywords
item
sales
cycle
inventory
status
Prior art date
Application number
TW110114402A
Other languages
English (en)
Other versions
TWI793580B (zh
Inventor
黃献竤
王恩慈
葉吉原
巫旻諺
Original Assignee
財團法人工業技術研究院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW110114402A priority Critical patent/TWI793580B/zh
Priority to CN202110521503.3A priority patent/CN115222320A/zh
Priority to US17/369,477 priority patent/US20220358451A1/en
Publication of TW202242735A publication Critical patent/TW202242735A/zh
Application granted granted Critical
Publication of TWI793580B publication Critical patent/TWI793580B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

一種庫存自動化管理方法，包括下列步驟。接收一歷史銷售狀態，並根據歷史銷售狀態對一物品的未來銷售量進行預測，以得到物品於下一個銷售週期的預期銷售狀態的一模擬結果。根據全品類物品的歷史銷售狀態及各物品於下一個銷售週期的預期銷售狀態的模擬結果，訓練預訓練模型的初始權重。以預訓練模型的初始權重做為一庫存決策模組的權重進行訓練，並自動產生符合物品於下一個銷售週期的預期銷售狀態的一進貨量。根據物品的當期銷售量及庫存量以及上一個銷售週期的進貨量計算一反饋誤差，並將反饋誤差及物品的銷售狀態輸入至庫存決策模組中進行物品的訂貨。

Description

庫存自動化管理方法及其系統
本發明是有關於一種管理方法，具體地說，是有關於一種庫存自動化管理方法及其系統。
現代化社會中，各產業的競爭越來越劇烈，要如何有效的降低庫存成本已經被大家所關切。關於庫存決策，大多數以需求驅動物料需求計劃 (Demand Driven Material Requirements Planning，DDMRP)當基礎進貨量，並以歷史平均銷售量、歷史銷售標準差、訂貨交付時間、及需求變異參數來調整進貨量，其中需求變異參數必須由人工設定參數，非常仰賴人員的經驗，因而對於未來不確定因素增加，且非常可能會造成庫存成本增加或是進貨太少而缺貨等情況。
本發明係有關於一種庫存自動化管理方法及其系統，可以取代人員以人工設定參數，並降低庫存成本及人員誤判的風險。
根據本發明之一方面，提出一種庫存自動化管理方法，包括下列步驟。接收一歷史銷售狀態，並根據該歷史銷售狀態對一物品的未來銷售量進行預測，以得到該物品於下一個銷售週期的預期銷售狀態的一模擬結果。根據全品類物品的該歷史銷售狀態及各該物品於下一個銷售週期的預期銷售狀態的該模擬結果，訓練一預訓練模型的初始權重。以該預訓練模型的初始權重做為一庫存決策模組的權重進行訓練，並自動產生符合該物品於下一個銷售週期的預期銷售狀態的一進貨量。根據該物品的當期銷售量及庫存量以及上一個銷售週期的進貨量計算一反饋誤差，並將該反饋誤差及該物品的銷售狀態輸入至該庫存決策模組中進行該物品的訂貨。
根據本發明之一方面，提出一種庫存自動化管理系統，包括一歷史參數分析模組、一狀態分析模組、一初始權重設定模組以及一庫存決策模組。歷史參數分析模組用以接收一歷史銷售狀態，並根據該歷史銷售狀態對一物品的未來銷售量進行預測，以得到該物品於下一個銷售週期的預期銷售狀態的一模擬結果。初始權重設定模組用以根據全品類物品的該歷史銷售狀態及各該物品於下一個銷售週期的預期銷售狀態的該模擬結果，訓練一預訓練模型的初始權重。庫存決策模組以該預訓練模型的初始權重做為該庫存決策模組的權重進行訓練，並自動產生符合該物品於下一個銷售週期的的預期銷售狀態的一進貨量。狀態分析模組根據該物品的當期銷售量及庫存量以及上一個銷售週期的進貨量計算一反饋誤差，並將該反饋誤差及該物品的銷售狀態輸入至該庫存決策模組中進行該物品的訂貨。
為了對本發明之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：
現在將參考附圖更全面地描述示例實施方式。然而，示例實施方式能夠以多種形式實施，且不應被理解為限於在此闡述的範例；相反，提供這些實施方式使得本揭露將更加全面和完整，並將示例實施方式的構思全面地傳達給本領域的具有通常知識者。所描述的特徵、結構或特性可以以任何合適的方式結合在一個或更多實施方式中。
此外，附圖僅為本公開的示意性圖解，並非一定是按比例繪製。圖中相同的附圖標記表示相同或類似的部分，因而將省略對它們的重複描述。附圖中所示的一些方框圖是功能實體，不一定必須與物理或邏輯上獨立的實體相對應。可以採用軟體形式來實現這些功能實體，或在一個或多個硬體模組或積體電路中實現這些功能實體，或在不同網路和/或處理器裝置和/或微控制器裝置中實現這些功能實體。例如：本文中所述的歷史參數分析模組、狀態分析模組、初始權重設定模組、預訓練模型、庫存決策模組、轉換模型可以採用軟體形式來實現這些功能實體，或在一個或多個硬體模組或積體電路中實現。
請參照第1及2圖，第1圖繪示依照本發明一實施例的庫存自動化管理系統100的示意圖，第2圖繪示依照本發明一實施例的庫存自動化管理方法的流程圖。
如第1圖所示，庫存自動化管理系統100可包括一歷史參數分析模組110、一狀態分析模組120、一資料庫126、一初始權重設定模組130、一預訓練模型134、一庫存決策模組140、一轉換模型150以及一訓練資料庫152。歷史參數分析模組110可依據物品的歷史銷售狀態102、平均銷售量及其標準差對未來銷售量進行預測。歷史銷售狀態102例如為時間點t以前的歷史52週的該物品的銷售量，平均銷售量例如是時間點t以前的歷史13週的該物品的平均銷售量，標準差例如是時間點t以前的歷史13週的該物品的銷售量的標準差。對未來銷售量進行預測例如是對該物品於下一個銷售週期t+1的預期銷售狀態的粗略估測，例如，若預測未來銷售量大於歷史13週的平均銷售量，則調高庫存水平，此時，供應商可能會預估較高的需求銷售量，而零售商也會調高預測量，以避免缺貨；若預測未來銷售量小於歷史13週的平均銷售量，則調低庫存水平，此時，供應商可能會預估較低的需求銷售量，而零售商也會調低預測量，以避免爆倉。
然而，歷史參數分析模組110僅根據同一種類物品的歷史銷售狀態102、平均銷售量及其標準差對未來銷售量進行預測，當預測變動性大於安全水位（例如銷售量標準差）時，由於透過模擬預測存在不確定性，仍可能會發生零售商進貨太多而增加爆倉風險的成本，或發生零售商進貨太少而增加缺貨風險的成本。此現象又稱為預測膨脹（forecast inflation），為了防範上述的情形，本實施例的庫存自動化管理系統100透過狀態分析模組120，根據該物品的當期銷售量114及庫存量116以及上一個銷售週期的進貨量118計算一反饋誤差122，輸入至一預訓練模型134中進行下一個銷售週期的銷售量的預測，以避免依賴人員的過往經驗以及主觀的判斷來決定需求銷售量。
尤其是新品上市階段，並無可靠且明確的歷史銷售狀態102來預測未來銷售量，也無足夠的實際銷售量做為訓練資料來幫助類神經網路136進行深度強化學習，因而無法修正類神經網路136中各個影響銷售量的參數的權重，也無法提高預測銷售量的準確度。為了提高類神經網路136的學習效率及預測準確度，本實施例的庫存自動化管理系統100進一步透過轉換模型150（transfer model）將全品類物品的歷史銷售狀態104轉換成一訓練資料154，並儲存訓練資料於一訓練資料庫152中，以增加預訓練模型134的資料量，再透過初始權重設定模組130設定類神經網路136的各個參數的初始權重132，即預訓練模型134的初始權重132，使類神經網路136在一個預訓練模型134的基礎下開始訓練，相對於習知的類神經網路需從頭開始訓練，本實施例的類神經網路136不需透過誤試法調整參數的權重以節省時間，且收斂速度相對更快。
請參照第1及2圖，庫存自動化管理方法包括下列步驟。在步驟S110中，歷史參數分析模組110接收一歷史銷售狀態102，並根據該歷史銷售狀態102對一物品的未來銷售量進行預測，以得到該物品於下一個銷售週期的預期銷售狀態的一模擬結果112。
在步驟S120中，轉換模型150可根據全品類物品的該歷史銷售狀態104及各該物品於下一個銷售週期的預期銷售狀態的該模擬結果112，訓練一預訓練模型134的初始權重132，其中全品類物品的該歷史銷售狀態104為同一屬性中不同種類的各該物品的歷史銷售狀態。例如，待銷售的物品為某一品類的汽水、可樂、雪碧或果汁，而全品類物品（例如飲料類）為包含同一廠牌或其他廠牌的汽水、可樂、雪碧及果汁等不同種類的物品。也就是說，轉換模型150可將同一屬性中不同種類的各該物品的該歷史銷售狀態102及模擬結果112轉換成一訓練資料，並儲存該訓練資料154於訓練資料庫152中，以增加預訓練模型134的資料量。
在本實施例中，以同一廠牌或其他廠牌的汽水、可樂、飲料及果汁等不同種類的物品的歷史銷售狀態104做為新品上市階段的訓練資料，用以建立預訓練模型134的初始權重132，可降低預測誤差（即反饋誤差122），也能夠降低爆倉或缺貨發生的機率，減少庫存成本。
在步驟S130中，狀態分析模組120根據該物品的當期銷售量114及庫存量116以及上一個銷售週期的進貨量118計算一反饋誤差122，接著，在步驟S140中，將該反饋誤差122及該物品的銷售狀態124做為一訓練資料或一測試資料，儲存在一資料庫126中並輸入至一預訓練模型134中，以供類神經網路136進行預訓練及深度強化學習。同時，當類神經網路136訓練完成之後，反饋誤差122及該物品的銷售狀態124可直接輸入至該庫存決策模組140中進行該物品的訂貨，等到預定間隔時間之後，若有需要調整，可重新進行評估及訓練。在本實施例中，訓練資料用以建構最適化此庫存自動化管理系統100的參數及類神經網路136，而測試資料可做為測試以訓練資料建構出來的類神經網路136的輸入資料，以確保此類神經網路136的輸出合乎預期結果。
上述的預測誤差例如為平均絕對百分比誤差（mean absolute percentage error， MAPE）、均方誤差（Mean-Square Error， MSE）或平均絕對偏差（Mean Absolute Deviation，MAD），用以計算預測誤差佔實際銷售量的比率，其中平均絕對百分比誤差（MAPE）為該物品的當期銷售量sale t減去該物品的庫存量stock t以及上一個銷售週期的進貨量order t-1之總和的絕對值佔該物品的當期銷售量sale t的百分比。主要分為下列三種情況：（1）當該物品的該庫存量stock t以及上一個銷售週期的該進貨量order t-1之總和大於或等於該物品於下一個銷售週期的預期銷售狀態sale t+1及該當期銷售量標準差std t之總和時，即stock t+order t-1≥ sale t+1+std t，庫存決策模組140估計該物品的庫存過剩，需向下修正該物品於下一個銷售週期的進貨量142，以降低預測誤差；（2）當該物品的該庫存量stock t以及上一個銷售週期的該進貨量order t-1之總和大於或等於該物品於下一個銷售週期的預期銷售狀態sale t+1，且小於該物品於下一個銷售週期的預期銷售狀態sale t+1及該當期銷售量標準差std t之總和時，即sale t+1+std t≥stock t+order t-1≥ sale t+1，庫存決策模組140估計該物品的庫存符合預期銷售狀態，不需調整該物品於下一個銷售週期的進貨量142；（3）當該物品於下一個銷售週期的預期銷售狀態sale t+1大於該物品的該庫存量stock t以及上一個銷售週期的該進貨量order t-1之總和時，即sale t+1＞stock t+order t-1 ，庫存決策模組140估計該物品的庫存不足預期銷售狀態，需向上修正該物品於下一個銷售週期的進貨量142，以降低預測誤差。
如第1圖所示的虛線，其表示經上述庫存決策模組140調整進貨量142之後，將符合該物品於下一個銷售週期的預期銷售狀態的該進貨量142做為計算該物品於下下一個銷售週期的一進貨量的一回饋資料144，以供狀態分析模組120計算反饋誤差122。其中，反饋誤差122例如為該物品的當期銷售量sale t的平均絕對百分比誤差（MAPE t），也就是當期銷售量sale t和預測銷售量stock t+order t-1之間絕對差異佔當期銷售量sale t的百分比，反饋誤差122越大，表示預測誤差越大，反之亦然。
請參照第1及2圖，在步驟S150中，庫存決策模組140以該預訓練模型134的初始權重132做為庫存決策模組140的權重進行訓練，並自動產生符合該物品於下一個銷售週期的預期銷售狀態的一進貨量142。若要進行下一次的預測，在步驟S160中，將符合該物品於下一個銷售週期的預期銷售狀態的該進貨量142做為計算該物品於下下一個銷售週期的一進貨量的一回饋資料144，並回到步驟S130，以進行下下一個銷售週期的銷售量的預測，依此類推。此外，在第1圖中，下一個銷售週期的進貨量142亦可儲存於資料庫126中做為訓練資料或測試資料，以增加預訓練模型134的資料量。
由於本實施例的庫存自動化管理系統100可透過狀態分析模組120，根據該物品的當期銷售量114及庫存量116以及上一個銷售週期的進貨量118計算一反饋誤差122，輸入至已預訓練完成的類神經網路136中進行下一個銷售週期的銷售量的預測，以避免依賴人員的過往經驗以及主觀的判斷來決定需求銷售量，故可降低預測誤差（即反饋誤差122），也能夠降低爆倉或缺貨發生的機率，減少庫存成本。
請參照第3圖，其繪示依照本發明一實施例的庫存自動化管理介面10的示意圖。庫存自動化管理介面10可顯示於電腦螢幕的操作介面上，其具有多個商品欄位20以及下拉式表單22，以供使用者選擇或管理不同品項的物品。每個物品的庫存量116可由狀態分析模組120根據當期銷售狀態自動產生或由管理員手動輸入。預期銷售量111例如是歷史參數分析模組110根據歷史銷售狀態102對各物品的下一個銷售週期的銷售量進行預測的結果。
請參照第4圖，其繪示對不同品項的物品進行進貨分析的示意圖。進貨分析選單141例如為一彈出式選單，其包含歷史銷售狀態102（歷史13週銷售量平均及標準差）以及庫存決策模組140根據下一個銷售週期的預期銷售量111及庫存量116自動產生的建議進貨量142。透過上述的進貨分析選單141，使用者可清楚得知各物品的進貨量142，節省以人工設定進貨參數、降低庫存成本及人員誤判的風險。
下列實施例以物品的週銷售量、歷史銷售狀態做為預訓練完成的類神經網路136的測試資料，進行範例說明。假設目前時間點t為2021/1/4(週一)，時間點t-1為上禮拜2020/12/28(週一) ，時間點t+1為下禮拜2021/1/11(週一)，時間點t的庫存量
Figure 02_image001
,銷售量
Figure 02_image003
，時間點t-1的進貨量
Figure 02_image005
，歷史13週銷售量平均
Figure 02_image007
、歷史13週銷售量標準差
Figure 02_image009
，其中
Figure 02_image011
表示為時間點t的預測值。
首先，將物品的銷售狀態
Figure 02_image013
輸入至預訓練完成的類神經網路136中，物品的銷售狀態
Figure 02_image013
包括
Figure 02_image015
、歷史13週銷售量平均
Figure 02_image007
、歷史13週銷售量標準差
Figure 02_image017
及時間點t-1的
Figure 02_image019
，接著，預訓練完成的類神經網路136可輸出決策權重
Figure 02_image021
，並且庫存決策模組140計算時間點t的進貨量
Figure 02_image023
，輸出進貨量
Figure 02_image025
100。
接著，狀態分析模組120接收時間點t的進貨量
Figure 02_image025
100、
Figure 02_image027
時間點t的實際銷售量
Figure 02_image029
以及時間點t-1的進貨量
Figure 02_image031
，並輸出時間點t+1的庫存量
Figure 02_image033
。
同時，狀態分析模組120判斷
Figure 02_image035
、
Figure 02_image037
屬於第一種情況(1)，因為
Figure 02_image039
，因此，計算
Figure 02_image041
.0833，假設參數over_penalty=-1，輸出反饋誤差
Figure 02_image043
，表示該物品的庫存過剩，需向下修正該物品於下一個銷售週期的進貨量
Figure 02_image045
，以降低預測誤差。
在另一實施例中，若狀態分析模組120判斷
Figure 02_image035
、
Figure 02_image037
屬於第三種情況(3) ，即
Figure 02_image047
，假設參數under_penalty=-1，輸出反饋誤差
Figure 02_image049
，表示該物品的庫存不足，需向上修正該物品於下一個銷售週期的進貨量
Figure 02_image045
，以降低預測誤差。
接著，於下一個時間點t+1時，將物品的銷售狀態
Figure 02_image051
輸入至已預訓練完成的類神經網路136中，並輸出決策權重
Figure 02_image053
，且庫存決策模組140計算時間點t+1的進貨量
Figure 02_image055
，依此類推。如此，系統可自動產生符合該物品於下一個銷售週期的預期銷售狀態的一進貨量。
上述的預訓練模型134例如為深度神經網路 (Deep Neural Networks, DNN)模型、卷積神經網路（Convolutional Neural Network， CNN）模型或支援向量機（Support Vector Machine，SVM）模型，用以進行機器學習及訓練。卷積神經網路模型可分為區域卷積神經網路（R-CNN）、快速型區域卷積神經網路（Fast R-CNN）及更快速型區域卷積神經網路（Faster R-CNN）等，透過對輸入資訊分成多個區域，並將每個區域分到對應的類別中，再將所有的區域結合在一起，以完成銷售量的預測。
請參照表1，其繪示本實施例對類神經網路136進行深度強化學習及預訓練得到的預測結果相對於傳統模型以歷史13週的平均銷售量或類神經網路進行銷售量預測得到的預測結果。由表1可知，本實施例的庫存自動化管理系統100可降低預測誤差，其中平均絕對百分比誤差（10.54％或更低）、缺貨率（1.48％或更低）以及爆倉率（3.83％或更低）均優於傳統模型的預測結果，進而建構出最適化的參數及類神經網路136。
  平均絕對百分比誤差(MAPE) 缺貨率 爆倉率
歷史13週的平均銷售量 14.54% 2.41% 3.87%
本實施例 10.54% 1.48% 3.83%
類神經網路 10.55% 1.84% 4.35%
由此可知，本發明上述實施例的庫存自動化管理方法及其系統，可提高預測銷售量的準確度，降低庫存成本及人員誤判的風險。
綜上所述，雖然本發明已以實施例揭露如上，然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾。因此，本發明之保護範圍當視後附之申請專利範圍所界定者為準。
10:庫存自動化管理介面 20:商品欄位 22:下拉式表單 100:庫存自動化管理系統 102:歷史銷售狀態 104:全品類物品的歷史銷售狀態 110:歷史參數分析模組 111:預測銷售量 112:模擬結果 114:當期銷售量 116:庫存量 118:上一個銷售週期的進貨量 120:狀態分析模組 122:反饋誤差 124:物品的銷售狀態 126:資料庫 130:初始權重設定模組 132:初始權重 134:預訓練模型 136:類神經網路 140:庫存決策模組 141:進貨分析選單 142:下一個銷售週期的進貨量 144:回饋資料 150:轉換模型 152:訓練資料庫 154:訓練資料
第1圖繪示依照本發明一實施例的庫存自動化管理系統的示意圖；及 第2圖繪示依照本發明一實施例的庫存自動化管理方法的流程圖。 第3圖繪示依照本發明一實施例的庫存自動化管理介面的示意圖。 第4圖繪示對不同品項的物品進行進貨分析的示意圖。
S110-S160:步驟

Claims (20)

  1. 一種庫存自動化管理方法，包括： 接收一歷史銷售狀態，並根據該歷史銷售狀態對一物品的未來銷售量進行預測，以得到該物品於下一個銷售週期的預期銷售狀態的一模擬結果； 根據全品類物品的該歷史銷售狀態及各該物品於下一個銷售週期的預期銷售狀態的該模擬結果，訓練一預訓練模型的初始權重； 以該預訓練模型的初始權重做為一庫存決策模組的權重進行訓練，並自動產生符合該物品於下一個銷售週期的預期銷售狀態的一進貨量；以及 根據該物品的當期銷售量及庫存量以及上一個銷售週期的進貨量計算一反饋誤差，並將該反饋誤差及該物品的銷售狀態輸入至該庫存決策模組中進行該物品的訂貨。
  2. 如請求項1所述之方法，更包括將符合該物品於下一個銷售週期的預期銷售狀態的該進貨量做為計算該物品於下下一個銷售週期的一進貨量的一回饋資料，以計算該反饋誤差。
  3. 如請求項1所述之方法，更包括將該反饋誤差及該物品的銷售狀態做為一訓練資料或一測試資料，儲存在一資料庫中並輸入至該預訓練模型中，以供一類神經網路進行預訓練及深度強化學習。
  4. 如請求項1所述之方法，其中全品類物品的該歷史銷售狀態為同一屬性中不同種類的各該物品的歷史銷售狀態。
  5. 如請求項4所述之方法，更包括提供一轉換模型，用以將同一屬性中不同種類的各該物品的該歷史銷售狀態轉換成一訓練資料，並儲存該訓練資料於一訓練資料庫中，以供訓練該預訓練模型的該初始權重，其中該反饋誤差用以修正該物品於下一個銷售週期的該進貨量的預測誤差。
  6. 如請求項5所述之方法，其中該物品的該庫存量以及上一個銷售週期的該進貨量之總和大於或等於該物品於下一個銷售週期的預期銷售狀態及該當期銷售量標準差之總和時，向下修正該物品於下一個銷售週期的該進貨量。
  7. 如請求項5所述之方法，其中該物品的該庫存量以及上一個銷售週期的該進貨量之總和大於或等於該物品於下一個銷售週期的預期銷售狀態，且小於該物品於下一個銷售週期的預期銷售狀態及該當期銷售量標準差之總和時，不調整該物品於下一個銷售週期的進貨量。
  8. 如請求項5所述之方法，其中該物品於下一個銷售週期的預期銷售狀態大於該物品的該庫存量以及上一個銷售週期的該進貨量之總和時，向上修正該物品於下一個銷售週期的該進貨量。
  9. 如請求項6、7或8所述之方法，其中該反饋誤差以平均絕對百分比誤差表示，其中該平均絕對誤差百分比為該物品的當期銷售量減去該物品的庫存量以及上一個銷售週期的進貨量之總和的絕對值佔該物品的當期銷售量的百分比。
  10. 如請求項1所述之方法，其中該物品的庫存量及下一個銷售週期的預期銷售量顯示於一庫存自動化管理介面中，該庫存自動化管理介面具有一商品欄位、一表單以及一進貨分析選單，以供使用者選擇或管理不同品項的該物品。
  11. 一種庫存自動化管理系統，包括： 一歷史參數分析模組，用以接收一歷史銷售狀態，並根據該歷史銷售狀態對一物品的未來銷售量進行預測，以得到該物品於下一個銷售週期的預期銷售狀態的一模擬結果； 一初始權重設定模組，根據全品類物品的該歷史銷售狀態及各該物品於下一個銷售週期的預期銷售狀態的該模擬結果，訓練一預訓練模型的初始權重； 一庫存決策模組，以該預訓練模型的初始權重做為該庫存決策模組的權重進行訓練，並自動產生符合該物品於下一個銷售週期的預期銷售狀態的一進貨量；以及 一狀態分析模組，根據該物品的當期銷售量及庫存量以及上一個銷售週期的進貨量計算一反饋誤差，並將該反饋誤差及該物品的銷售狀態輸入至該庫存決策模組中進行該物品的訂貨。
  12. 如請求項11所述之系統，其中該庫存決策模組更包括將符合該物品於下一個銷售週期的預期銷售狀態的該進貨量做為計算符合該物品於下下一個銷售週期的一進貨量的一回饋資料，輸入至該狀態分析模組以計算該反饋誤差。
  13. 如請求項11所述之系統，其中該反饋誤差及該物品的銷售狀態做為一訓練資料或一測試資料，儲存在一資料庫中並輸入至該預訓練模型中，以供一類神經網路進行預訓練及深度強化學習。
  14. 如請求項11所述之系統，其中全品類物品的該歷史銷售狀態為同一屬性中不同種類的各該物品的歷史銷售狀態。
  15. 如請求項14所述之系統，更包括一轉換模型，用以將同一屬性不同種類的各該物品的該歷史銷售狀態轉換成一訓練資料，並儲存該訓練資料於一訓練資料庫中，以供訓練該預訓練模型的該初始權重，其中該反饋誤差用以修正該物品於下一個銷售週期的該進貨量的預測誤差。
  16. 如請求項15所述之系統，其中該物品的該庫存量以及上一個銷售週期的該進貨量之總和大於或等於該物品於下一個銷售週期的預期銷售狀態及該當期銷售量標準差之總和時，向下修正該物品於下一個銷售週期的該進貨量。
  17. 如請求項15所述之系統，該物品的該庫存量以及上一個銷售週期的該進貨量之總和大於或等於該物品於下一個銷售週期的預期銷售狀態，且小於該物品於下一個銷售週期的預期銷售狀態及該當期銷售量標準差之總和時，不調整該物品於下一個銷售週期的進貨量。
  18. 如請求項15所述之系統，其中該物品於下一個銷售週期的預期銷售狀態大於該物品的該庫存量以及上一個銷售週期的該進貨量之總和時，向上修正該物品於下一個銷售週期的該進貨量。
  19. 如請求項16、17或18所述之系統，其中該反饋誤差以平均絕對百分比誤差表示，其中該平均絕對誤差百分比為該物品的當期銷售量減去該物品的庫存量以及上一個銷售週期的進貨量之總和的絕對值佔該物品的當期銷售量的百分比。
  20. 如請求項11所述之系統，其中該物品的庫存量及下一個銷售週期的預期銷售量顯示於一庫存自動化管理介面中，該庫存自動化管理介面具有一商品欄位、一表單以及一進貨分析選單，以供使用者選擇或管理不同品項的該物品。
TW110114402A 2021-04-21 2021-04-21 庫存自動化管理方法及其系統 TWI793580B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW110114402A TWI793580B (zh) 2021-04-21 2021-04-21 庫存自動化管理方法及其系統
CN202110521503.3A CN115222320A (zh) 2021-04-21 2021-05-13 库存自动化管理方法及其系统
US17/369,477 US20220358451A1 (en) 2021-04-21 2021-07-07 Automated inventory management method and system thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110114402A TWI793580B (zh) 2021-04-21 2021-04-21 庫存自動化管理方法及其系統

Publications (2)

Publication Number Publication Date
TW202242735A true TW202242735A (zh) 2022-11-01
TWI793580B TWI793580B (zh) 2023-02-21

Family

ID=83606137

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110114402A TWI793580B (zh) 2021-04-21 2021-04-21 庫存自動化管理方法及其系統

Country Status (3)

Country Link
US (1) US20220358451A1 (zh)
CN (1) CN115222320A (zh)
TW (1) TWI793580B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230122754A1 (en) * 2021-10-15 2023-04-20 Dell Products L.P. Automatically generating inventory-related information forecasts using machine learning techniques
CN116051000B (zh) * 2023-02-16 2023-10-20 深圳一资源网络平台有限公司 一种基于数据销售分析方法、系统和可读存储介质
CN116894510A (zh) * 2023-06-06 2023-10-17 扬州云易信息技术有限公司 一种基于mes的多功能调控生产系统
CN116452121B (zh) * 2023-06-15 2023-09-08 佛山市趣果网络科技有限公司 一种智能企业库存管理系统及管理平台
CN117371826B (zh) * 2023-12-07 2024-03-15 福建科德信息技术服务有限公司 一种基于大数据的企业管理方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050288993A1 (en) * 2004-06-28 2005-12-29 Jie Weng Demand planning with event-based forecasting
US8386285B2 (en) * 2011-05-25 2013-02-26 International Business Machines Corporation Demand modeling and prediction in a retail category
US20160224998A1 (en) * 2013-09-20 2016-08-04 Nec Corporation Order-volume determination device, order-volume determination method, recording medium, and order-volume determination system
WO2018042950A1 (ja) * 2016-09-05 2018-03-08 日本電気株式会社 発注数決定システム、発注数決定方法および発注数決定プログラム
US20180341898A1 (en) * 2017-05-24 2018-11-29 Sears Brands, L.L.C. Demand forecast
US11922440B2 (en) * 2017-10-31 2024-03-05 Oracle International Corporation Demand forecasting using weighted mixed machine learning models
US11568205B1 (en) * 2019-01-22 2023-01-31 Amazon Technologies, Inc. Causal impact estimation model using warm starting for selection bias reduction
KR102235130B1 (ko) * 2019-03-06 2021-04-05 베스핀글로벌 주식회사 판매량 예측 장치 및 방법
CN110400103B (zh) * 2019-05-08 2022-10-18 深圳壹账通智能科技有限公司 补货量确定方法、装置、计算机装置及存储介质
CN110175804A (zh) * 2019-05-30 2019-08-27 杭州弯流科技有限公司 一种基于机器学习的采购量预测方法
US11138527B2 (en) * 2019-09-19 2021-10-05 Coupang Corp. Systems and methods for responsive and automated predictive packaging acquisition
TWI786376B (zh) * 2020-02-20 2022-12-11 緯創資通股份有限公司 需求預測方法以及需求預測裝置
CN111445297A (zh) * 2020-04-15 2020-07-24 北京易点淘网络技术有限公司 采购量的确定方法、装置、存储介质及电子设备
CN111915254A (zh) * 2020-07-30 2020-11-10 上海数策软件股份有限公司 一种适用于汽车售后配件的库存优化控制方法和系统

Also Published As

Publication number Publication date
TWI793580B (zh) 2023-02-21
US20220358451A1 (en) 2022-11-10
CN115222320A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
TWI793580B (zh) 庫存自動化管理方法及其系統
US20230018311A1 (en) Systems and methods for quantity determinations without predicting out of stock events
JP7402791B2 (ja) 需要予測パラメータの最適化
US8515835B2 (en) Systems and methods for multi-echelon inventory planning with lateral transshipment
CN112884404B (zh) 一种智能供应链库存中转优化及异动预警系统
CN109727078B (zh) 一种基于商品类别树的销量预测修正方法
US20100106561A1 (en) Forecasting Using Share Models And Hierarchies
US20180101876A1 (en) System and method for determining retail-business-rule coefficients from current prices
US20150032512A1 (en) Method and system for optimizing product inventory cost and sales revenue through tuning of replenishment factors
CN109741083B (zh) 一种基于企业mrp的物料需求加权预测方法
US20180025316A1 (en) System and Method of Simultaneous Computation of Optimal Order Point and Optimal Order Quantity
CN112581182B (zh) 自动售货设备的销售管理方法及系统
TWI809579B (zh) 庫存自動化管理系統及其方法
US11989688B2 (en) Decision support system for optimizing the unit identifier stocking decision
CN111126903A (zh) 一种补货方法、装置及系统
CN111612251A (zh) 一种基于亚马逊fba的跨境电商采购与补货方法
CN110826958A (zh) 用于电商平台的智能调货方法及装置
CN112215546A (zh) 一种对象页面生成方法、装置、设备及存储介质
CN111222815A (zh) 确定单品补货量方法、装置、设备及存储介质
CN115699057A (zh) 短生命周期销售曲线估计
JP2020187416A (ja) 物流管理システム
CN112907299A (zh) 一种电商推广方案自动生成方法
Bon et al. The fundamental on demand forecasting in inventory management
US20230196442A1 (en) Selecting methods to allocate shoppers for order fulfillment in geographic regions by an online concierge system based on machine-learned efficiencies for different allocation methods
Aalto Competition-Based Dynamic Pricing in E-Commerce