TWI809579B - 庫存自動化管理系統及其方法 - Google Patents

庫存自動化管理系統及其方法 Download PDF

Info

Publication number
TWI809579B
TWI809579B TW110144716A TW110144716A TWI809579B TW I809579 B TWI809579 B TW I809579B TW 110144716 A TW110144716 A TW 110144716A TW 110144716 A TW110144716 A TW 110144716A TW I809579 B TWI809579 B TW I809579B
Authority
TW
Taiwan
Prior art keywords
category
branch
commodities
status
sales
Prior art date
Application number
TW110144716A
Other languages
English (en)
Other versions
TW202324230A (zh
Inventor
黃献竤
王恩慈
葉吉原
皇甫承佑
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 TW110144716A priority Critical patent/TWI809579B/zh
Priority to CN202210005470.1A priority patent/CN116205560A/zh
Priority to US17/696,644 priority patent/US20230169462A1/en
Publication of TW202324230A publication Critical patent/TW202324230A/zh
Application granted granted Critical
Publication of TWI809579B publication Critical patent/TWI809579B/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
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing

Abstract

一種庫存自動化管理方法，包括：以一預訓練模組接收多分店的歷史銷售狀態，對各分店及各品類商品的模型進行預訓練。以一多分店多商品訓練模組取得分店狀態及各品類商品狀態並且利用預訓練好的品類商品模型與分店模型進行水平與垂直關聯性訓練。以一狀態分析模組判斷多分店之間的水平關聯性、多品類商品之間的水平關聯性及分店及品類商品之間的垂直關聯性，以將相關性高的多分店及多品類商品進行聯結，以修正各分店及各品類商品的預期銷售量。以一庫存決策模組進行各分店的多品類商品的訂貨，以決定各分店的多品類商品的進貨量。

Description

庫存自動化管理系統及其方法
本發明是有關於庫存自動化管理領域，且特別是有關於一種庫存自動化管理系統及其方法。
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，可能會造成庫存成本增加或是進貨太少而缺貨等情況。
此外，各分店的終端裝置可分別透過網路網路與總部伺服器建立資訊連結，使得總部能得知各分店的庫存資訊及銷售資訊，以進行銷售規劃，例如折扣、買一送一或特定商品促銷等。但由於地域性的關係，各地區的分店的銷售的商品種類繁多且各地區對感興趣的商品也不盡相同，因此管理系統無法提供各 分店人員有效評估所屬分店多商品的進貨建議，容易造成庫存增加或是進貨太少的情況。
因此，如何對零售多分店多商品庫存進行自動化規劃，以提供更有效率的進貨建議，為業界亟需解決的問題。
本發明係有關於一種庫存自動化管理系統及其方法，用以建立一套完整的多分店多商品預訓練模組來輔助各分店人員進行商品進貨。
根據本發明之一方面，提出一種庫存自動化管理系統，包括一預訓練模組、一多分店多商品訓練模組、一狀態分析模組以及一庫存決策模組。預訓練模組用以接收多分店的歷史銷售狀態，包括全品類商品的歷史銷售狀態、全分店的歷史銷售狀態及總銷售狀態，該預訓練模組依照分店及品類商品的歷史銷售狀態，對各該分店及各該品類商品的模型進行預訓練。多分店多商品訓練模組用以依據總銷售狀態取得各分店狀態及各品類商品狀態並且利用預訓練好的品類商品模型與分店模型進行水平與垂直關聯性訓練。狀態分析模組用以判斷多分店之間的水平關聯性、多品類商品之間的水平關聯性及分店及品類商品之間的垂直關聯性，以將相關性高的多分店及多品類商品進行聯結，以修正各該分店及各該品類商品的預期銷售量。庫存決策模組用以進行各該分店的多品類商品的訂貨，以決定各該分店的多品類商品的進貨量。
根據本發明之一方面，提出一種庫存自動化管理方法，包括：以一預訓練模組接收多分店的歷史銷售狀態，包括全品類商品的歷史銷售狀態、全分店的歷史銷售狀態及總銷售狀態，該預訓練模組依照分店及品類商品的歷史銷售狀態，對各該分店及各該品類商品的模型進行預訓練。以一多分店多商品訓練模組依據該總銷售狀態取得各分店狀態及各品類商品狀態並且利用預訓練好的該品類商品模型與該分店模型進行水平與垂直關聯性訓練。以一狀態分析模組判斷多分店之間的水平關聯性、多品類商品之間的水平關聯性及分店及品類商品之間的垂直關聯性，以將相關性高的多分店及多品類商品進行聯結，以修正各該分店及各該品類商品的預期銷售量。以一庫存決策模組進行各分店的多品類商品的訂貨，以決定各分店的多品類商品的進貨量。
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：
100:庫存自動化管理系統
102:全品類商品的歷史銷售狀態
104:全分店的歷史銷售狀態
106:總銷售狀態
110:預訓練模組
111:下一期銷售量
112:商品預訓練模組
113:品類商品狀態
114:當期銷售量
115:分店預訓練模組
116:庫存量
117:分店狀態
118:進貨量
120:狀態分析模組
122:反饋誤差
124:銷售狀態
126:資料庫
130:多分店多商品訓練模組
140:庫存決策模組
142:進貨量
144:回饋資料
M1:品類商品模型
M2:分店模型
第1圖繪示依照本發明一實施例之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之庫存自動化管理系統對多分店或多品類商品進行預訓練的示意圖；第3圖繪示依照本發明一實施例之庫存自動化管理系統對多分店及多品類商品進行關聯性訓練示意圖； 第4圖繪示依照本發明一實施例的庫存自動化管理方法的示意圖；第5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；以及第6圖繪示對不同品類的商品進行進貨分析的示意圖。
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：本文中所述的預訓練模組、多分店多商品訓練模組、狀態分析模組、庫存決策模組可以採用 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、2及3圖，其中第1圖繪示依照本發明一實施例之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之庫存自動化管理系統100對多分店或多品類商品進行預訓練的示意圖，第3圖繪示依照本發明一實施例之庫存自動化管理系統100對多分店及多品類商品進行關聯性訓練的示意圖。庫存自動化管理系統100包括一預訓練模組110、一狀態分析模組120、多分店多商品訓練模組130以及一庫存決策模組140。預訓練模組110可依據全品類商品的歷史銷售狀態102、全分店的歷史銷售狀態104、總銷售狀態106(包括各品類商品的平均銷售量及其標準差、各分店的銷售狀態及其標準差等資訊)，對各分店的多品類商品的未來銷售量進行預測。
在一實施例中，全品類商品及全分店的歷史銷售狀態102、104例如為時間點t以前的歷史52週的一品類商品的銷售量，平均銷售量例如是時間點t以前的歷史13週的一品類商品的平均銷售量，標準差例如是時間點t以前的歷史13週的一品類商品的銷售量的標準差。對未來各分店的多品類商品的狀態進行預測例如是對各分店的多品類商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，若預測各分店的一品類商品的未來銷售量大於其歷史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，而各分店也會調高預測量，以避 免缺貨；若預測各分店的一品類商品的未來銷售量小於其歷史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，而各分店也會調低預測量，以避免爆倉。
預訓練模組110包括一商品預訓練模組112以及一分店預訓練模組115。商品預訓練模組112可依據全品類商品的歷史銷售狀態102對各品類商品模型M1進行預訓練。分店預訓練模組115可依據全分店的歷史銷售狀態104對各分店模型M2進行預訓練。
然而，預訓練模組110根據全品類商品的歷史銷售狀態102及全分店的歷史銷售狀態104對單一分店及單一品類商品的模型進行預訓練，但並未考量多分店或多商品之間的關聯性(包括各分店之間的區域關聯性及各品類商品之間的關聯性)，因而當預測變動性大於安全水位(例如銷售量標準差)時，仍可能會發生各分店進貨太多而增加爆倉風險的成本，或發生各分店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，在第1圖中，本實施例的庫存自動化管理系統100的多分店多商品訓練模組130可依據總銷售狀態106取得各分店狀態117及各品類商品狀態113並且利用預訓練好的品類商品模型M1與分店模型M2進行水平與垂直關聯性訓練，其中分店狀態117包含庫存資訊(缺貨率及目前庫存量)、分店銷售量的預測、歷史分店銷售的技術指標(例如平均值、標準差等)。品類商品狀態113包含庫存資訊(缺貨率 及目前庫存量)、品類商品銷售量的預測、歷史品類銷售的技術指標(例如平均值、標準差等)。水平與垂直關聯性訓練包含了水平相關因子與垂直相關因子。水平相關因子在分店之間的水平關聯性訓練可以是歷史銷售量的相關係數、地域性的相關或是一些分群方法可以使分店之間有群的相關，商品之間的水平相關因子可以是關聯法則(Association rule)或是分群方法可以使商品之間有群的相關，垂直相關因子整合了分店與商品之間的關係，利用垂直相關因子控制垂直關係的強弱。
在第1及2圖中，多分店及多品類商品的關聯性訓練完成之後，狀態分析模組120還可根據多分店之間的水平關聯性(包括各分店之間的區域、銷售關聯性)、多品類商品之間的水平關聯性(包括各分店不同品類商品之間的關聯性)及分店與商品之間的垂直關聯性(包括多分店與多品類商品之間的關聯性)，對各分店及各品類商品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各分店的預期銷售量。
請參照第1圖，當狀態分析模組120對多分店及/或多品類商品的下一個銷售週期的銷售量進行預測之後，庫存自動化管理系統100進一步透過庫存決策模組140進行各分店的多品類商品的訂貨，以決定各分店的多品類商品的進貨量。
請參照第2圖，以n個分店或n個品類商品為例，各分店或各品類商品的進貨量可透過下列的方式進行預訓練。在第2 圖中，狀態分析模組120根據各分店及各品類商品的當期銷售量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，將各分店及各品類商品的反饋誤差122及各分店及各品類商品的銷售狀態124直接輸入至庫存決策模組140中以進行各分店及各品類商品的訂貨，等到預定間隔時間之後，若有需要調整，可重新對庫存決策模組140進行評估及訓練。
例如：在一實施例中，(1)當一品類商品的庫存量stockt以及上一個銷售週期的進貨量ordert-1之總和大於或等於該品類商品於下一個銷售週期的預期銷售狀態salet+1及當期銷售量標準差stdt之總和時，即stockt+ordert-1
Figure 110144716-A0305-02-0011-7
salet+1+stdt，庫存決策模組140估計該品類商品的庫存過剩，需向下修正該品類商品於下一個銷售週期的進貨量142，以降低預測誤差；(2)當該品類商品的庫存量stockt以及上一個銷售週期的進貨量ordert-1之總和大於或等於該品類商品於下一個銷售週期的預期銷售狀態salet+1，且小於該品類商品於下一個銷售週期的預期銷售狀態salet+1及當期銷售量標準差stdt之總和時，即salet+1+stdt
Figure 110144716-A0305-02-0011-8
stockt+ordert-1
Figure 110144716-A0305-02-0011-9
salet+1，庫存決策模組140估計該品類商品的庫存符合預期銷售狀態，不需調整該品類商品於下一個銷售週期的進貨量142；(3)當該品類商品於下一個銷售週期的預期銷售狀態salet+1大於該品類商品的庫存量stockt以及上一個銷售週期的進貨量ordert-1之總和時，即salet+1>stockt+ordert-1，庫存決策模組140估計該品類商品的庫存不足預期銷售狀態，需向上修 正該品類商品於下一個銷售週期的進貨量142，以降低預測誤差。
經上述庫存決策模組140調整進貨量142之後，可將進貨量儲存在一資料庫126中做為下一次的分析資料，並可將符合各分店及/或各品類商品於下一個銷售週期的預期銷售狀態的進貨量142做為計算各分店及/或各品類商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例如為各分店及/或各品類商品的當期銷售量salet的平均絕對百分比誤差(MAPEt)，也就是當期銷售量salet和預測銷售量stockt+ordert-1之間絕對差異佔當期銷售量salet的百分比，反饋誤差122越大，表示預測誤差越大，反之亦然。
此外，在第3圖中，狀態分析模組120還可判斷多分店之間的水平關聯性(包括各分店之間的區域、銷售關聯性)及多品類商品之間的水平關聯性(包括不同品類商品之間的關聯性)，以將相關性高的前N個分店或前N個品類商品的反饋誤差122進行聯結，以得到第一組相關性因子。相關性高例如以多分店的相關性分析的信賴值(confidence)或多品類商品的關聯性分析的信賴值大於0.8做為門檻值，或者，以多分店的相關性分析的相關係數或多品類商品的相關性分析的相關係數(correlation coefficient)大於0.8做為門檻值。因此，若無設定前N個分店或前N個品類商品的數量，則以使用者自行定義的門檻值做為比對 基礎。例如：在相關係數高於門檻值時，分店1與分店2具有相近或相似的銷售狀態，當分店1的品類1商品的銷售量增加或減少時，分店2的品類1商品的銷售量同步增加或減少，表示兩分店之間的相關性高；或者，當品類1商品的銷售量增加或減少時，品類2商品的銷售量同步增加或減少，表示兩品類商品之間的相關性高。
有關相關性的計算式如下：將一分店A或一品類商品A的反饋誤差Reward A乘上一權重係數α，再將相關性高的前N個分店或品類商品的反饋誤差Reward X乘上相關性因子r X,A的集合的平均值乘上一權重係數(1-α)並進行加總，以得到該分店A或該品類商品A的修正後反饋誤差Reward' A，修正後反饋誤差表示如下：
Figure 110144716-A0305-02-0013-1
,0.5
Figure 110144716-A0305-02-0013-6
α<1。相關性因子r X,A例如為區域性、季節性、促銷商品或消費者喜好等相關係數進行判斷。
請參照第3圖，狀態分析模組120還可再判斷多分店及多品類商品之間的垂直關聯性，以將相關性高的前N個分店及品類商品的反饋誤差進行聯結，以得到第二組相關性因子。例如，在相關係數高於門檻值時，當分店1、2的品類1商品的銷售量增加或減少時，分店1、2的品類2商品及品類3商品的銷售量同步增加或減少，表示在分店1、2中品類1商品、品類2商品及品類3商品的相關性高。因此，除了考量分店之間的水平關聯性外，還要進一步考量分店及品類商品之間的垂直關聯性。
有關相關性的計算式如下：將一分店A的分店反饋誤差StoreReward A乘上一權重係數β，再將與分店A的一品類商品具有相關性高的前N個其他品類商品的反饋誤差CatogoryReward A 的集合的平均值乘上一權重係數(1-β)並進行加總，以得到該分店A修正後的分店反饋誤差StoreReward' A，修正後的分店反饋誤差表示如下：
Figure 110144716-A0305-02-0014-10
Figure 110144716-A0305-02-0014-2
,0.5
Figure 110144716-A0305-02-0014-4
β<1。
由上述實施例的庫存自動化管理系統100可知，庫存決策模組140可根據修正後反饋誤差Reward' A及修正後分店反饋誤差
Figure 110144716-A0305-02-0014-5
進行訂貨，如此可以避免依賴人員的過往經驗以及主觀的判斷來決定各分店的預期銷售量，故可降低預測誤差，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1及4圖，其中第4圖繪示依照本發明一實施例的庫存自動化管理方法的示意圖。根據上述的實施例，庫存自動化管理方法包括下列步驟S200~S206。在步驟S200中，以一預訓練模組110接收多分店的歷史銷售狀態，包括全品類商品的歷史銷售狀態102、全分店的歷史銷售狀態104及總銷售狀態106，預訓練模組110可依照分店及品類商品的歷史銷售狀態，對各分店及各品類商品的模型M1、M2進行預訓練。在步驟S202中，以一多分店多商品訓練模組130依據總銷售狀態106取得各分店狀態117及各品類商品狀態113並且利用預訓練好的品類商品模型M1與分店模型M2進行水平與垂直關聯性訓練。在步驟 S204中，以一狀態分析模組120判斷多分店之間的水平關聯性、多品類商品之間的水平關聯性以及分店及品類商品之間的垂直關聯性，以將相關性高的多分店及多品類商品進行聯結，以修正各分店及各品類商品的預期銷售量。在步驟S206中，以一庫存決策模組進行各分店的多品類商品的訂貨，以決定各分店的多品類商品的進貨量。
請參照第5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，其具有多個分店欄位12、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分店及不同品類的商品。每個品類商品的庫存量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。下一期銷售量111例如是狀態分析模組120根據全品類商品的歷史銷售狀態102、全分店的歷史銷售狀態104、總銷售狀態106(平均銷售量及其標準差)對各分店及各品類商品的下一個銷售週期的銷售量進行預測的結果。
請參照第6圖，其繪示對不同品類的商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，其包含全品類商品的歷史銷售狀態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分店及各品類商品的進貨量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。
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。
100:庫存自動化管理系統
102:全品類商品的歷史銷售狀態
104:全分店的歷史銷售狀態
106:總銷售狀態
110:預訓練模組
112:商品預訓練模組
115:分店預訓練模組
120:狀態分析模組
130:多分店多商品訓練模組
140:庫存決策模組
M1:品類商品模型
M2:分店模型

Claims (12)

  1. 一種庫存自動化管理系統，包括：一預訓練模組，用以接收多分店的歷史銷售狀態，包括全品類商品的歷史銷售狀態、全分店的歷史銷售狀態及總銷售狀態，該預訓練模組依照分店及品類商品的歷史銷售狀態，對各該分店及各該品類商品的模型進行預訓練；一多分店多商品訓練模組，用以依據該總銷售狀態取得各分店狀態及各品類商品狀態並且利用預訓練好的各該品類商品模型與各該分店模型進行水平與垂直關聯性訓練；一狀態分析模組，用以判斷多分店之間的關聯性、多品類商品之間的關聯性及分店及品類商品之間的垂直關聯性，以將相關性高的多分店及多品類商品進行聯結，以修正各該分店及各該品類商品的預期銷售量；以及一庫存決策模組，用以進行各該分店的多品類商品的訂貨，以決定各該分店的多品類商品的進貨量。
  2. 如請求項1所述之系統，其中該預訓練模組包括一商品預訓練模組以及一分店預訓練模組，該商品預訓練模組依據該全品類商品的歷史銷售狀態對各品類商品模型進行預訓練，該分店預訓練模組依據該全分店的歷史銷售狀態對各分店模型進行預訓練。
  3. 如請求項1所述之系統，其中該狀態分析模組根據各該分店及各該品類商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，將各該分店及各該品類商品的該反饋誤差及各該分店及各該品類商品的銷售狀態直接輸入至該庫存決策模組中以進行各該分店及各該品類商品的訂貨。
  4. 如請求項3所述之系統，其中該庫存決策模組更包括將符合各該分店及各該品類商品於下一個銷售週期的預期銷售狀態的進貨量做為計算符合各該分店及各該品類商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。
  5. 如請求項4所述之系統，其中該狀態分析模組用以將相關性高的前N個分店的該反饋誤差及相關性高的前N個品類商品的該反饋誤差進行聯結，以得到各該分店及各該品類商品的一修正後反饋誤差。
  6. 如請求項5所述之系統，其中該庫存決策模組根據各該分店及各該品類商品的該修正後反饋誤差進行各該分店的多品類商品的訂貨。
  7. 一種庫存自動化管理方法，包括：以一預訓練模組接收多分店的歷史銷售狀態，包括全品類商品的歷史銷售狀態、全分店的歷史銷售狀態及總銷售狀態，該預訓練模組依照分店及品類商品的歷史銷售狀態，對各該分店及各該品類商品的模型進行預訓練； 以一多分店多商品訓練模組依據該總銷售狀態取得各分店狀態及各品類商品狀態並且利用預訓練好的各該品類商品模型與各該分店模型進行水平與垂直關聯性訓練；以一狀態分析模組判斷多分店之間的水平關聯性、多品類商品之間的水平關聯性及分店及品類商品之間的垂直關聯性，以將相關性高的多分店及多品類商品進行聯結，以修正各該分店及各該品類商品的預期銷售量；以及以一庫存決策模組進行各該分店的多品類商品的訂貨，以決定各該分店的多品類商品的進貨量。
  8. 如請求項7所述之方法，其中該預訓練模組包括一商品預訓練模組以及一分店預訓練模組，該商品預訓練模組依據該全品類商品的歷史銷售狀態對各品類商品模型進行預訓練，該分店預訓練模組依據該全分店的歷史銷售狀態對各分店模型進行預訓練。
  9. 如請求項7所述之方法，其中該狀態分析模組根據各該分店及各該品類商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，將各該分店及各該品類商品的該反饋誤差及各該分店及各該品類商品的銷售狀態直接輸入至該庫存決策模組中以進行各該分店及各該品類商品的訂貨。
  10. 如請求項9所述之方法，其中該庫存決策模組更包括將符合各該分店及各該品類商品於下一個銷售週期的預期銷售狀態的進貨量做為計算符合各該分店及各該品類商品於下下一 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。
  11. 如請求項10所述之方法，其中該狀態分析模組用以將相關性高的前N個分店的該反饋誤差及相關性高的前N個品類商品的該反饋誤差進行聯結，以得到各該分店及各該品類商品的一修正後反饋誤差。
  12. 如請求項11所述之方法，其中該庫存決策模組根據各該分店及各該品類商品的該修正後反饋誤差進行各該分店的多品類商品的訂貨。
TW110144716A 2021-11-30 2021-11-30 庫存自動化管理系統及其方法 TWI809579B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW110144716A TWI809579B (zh) 2021-11-30 2021-11-30 庫存自動化管理系統及其方法
CN202210005470.1A CN116205560A (zh) 2021-11-30 2022-01-05 库存自动化管理系统及其方法
US17/696,644 US20230169462A1 (en) 2021-11-30 2022-03-16 Automated inventory management system and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110144716A TWI809579B (zh) 2021-11-30 2021-11-30 庫存自動化管理系統及其方法

Publications (2)

Publication Number Publication Date
TW202324230A TW202324230A (zh) 2023-06-16
TWI809579B true TWI809579B (zh) 2023-07-21

Family

ID=86500412

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110144716A TWI809579B (zh) 2021-11-30 2021-11-30 庫存自動化管理系統及其方法

Country Status (3)

Country Link
US (1) US20230169462A1 (zh)
CN (1) CN116205560A (zh)
TW (1) TWI809579B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230325763A1 (en) * 2022-04-07 2023-10-12 Target Brands, Inc. Methods and systems for inventory planning and control
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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976377A (zh) * 2002-01-23 2011-02-16 传感电子有限责任公司 库存管理系统
CN107516175A (zh) * 2016-06-16 2017-12-26 苏宁云商集团股份有限公司 一种库存调拨方法及装置
US20190073627A1 (en) * 2016-04-20 2019-03-07 Wishelf Ltd. System and method for monitoring stocking shelves
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
US20200134640A1 (en) * 2018-10-26 2020-04-30 Target Brands, Inc. Method and system for generating ensemble demand forecasts
CN111295681A (zh) * 2017-10-31 2020-06-16 甲骨文国际公司 使用加权混合机器学习模型进行需求预测
TWM601865U (zh) * 2020-07-30 2020-09-21 中國信託商業銀行股份有限公司 物料庫存預警系統
CN111882278A (zh) * 2020-07-30 2020-11-03 上海百胜软件股份有限公司 一种智能补货方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480623B1 (en) * 2000-03-25 2009-01-20 The Retail Pipeline Integration Group, Inc. Method and system for determining time-phased product sales forecasts and projected replenishment shipments for a retail store supply chain
US20140278778A1 (en) * 2013-03-15 2014-09-18 Rangespan Limited Method, apparatus, and computer-readable medium for predicting sales volume
JP7147561B2 (ja) * 2016-09-05 2022-10-05 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
US11475531B2 (en) * 2019-06-27 2022-10-18 Tata Consultancy Services Limited Method and system for adaptive inventory replenishment
US20220083954A1 (en) * 2020-09-11 2022-03-17 Shopify Inc. Methods and systems for real-time inventory reallocation from supplier to retailer

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976377A (zh) * 2002-01-23 2011-02-16 传感电子有限责任公司 库存管理系统
US20190073627A1 (en) * 2016-04-20 2019-03-07 Wishelf Ltd. System and method for monitoring stocking shelves
CN107516175A (zh) * 2016-06-16 2017-12-26 苏宁云商集团股份有限公司 一种库存调拨方法及装置
CN111295681A (zh) * 2017-10-31 2020-06-16 甲骨文国际公司 使用加权混合机器学习模型进行需求预测
US20200134640A1 (en) * 2018-10-26 2020-04-30 Target Brands, Inc. Method and system for generating ensemble demand forecasts
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
TWM601865U (zh) * 2020-07-30 2020-09-21 中國信託商業銀行股份有限公司 物料庫存預警系統
CN111882278A (zh) * 2020-07-30 2020-11-03 上海百胜软件股份有限公司 一种智能补货方法及系统

Also Published As

Publication number Publication date
US20230169462A1 (en) 2023-06-01
TW202324230A (zh) 2023-06-16
CN116205560A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
TWI809579B (zh) 庫存自動化管理系統及其方法
US8515835B2 (en) Systems and methods for multi-echelon inventory planning with lateral transshipment
TWI793580B (zh) 庫存自動化管理方法及其系統
CN111133460B (zh) 需求预测参数的优化
US20100106561A1 (en) Forecasting Using Share Models And Hierarchies
US20080133313A1 (en) Improved methods and systems for forecasting product demand using price elasticity
US20180101876A1 (en) System and method for determining retail-business-rule coefficients from current prices
US8359229B2 (en) Methods and systems for forecasting product demand during promotional events using statistical confidence filters
US20210192435A1 (en) Systems and methods for safety stock optimization for products stocked at retail facilities
CN109727078B (zh) 一种基于商品类别树的销量预测修正方法
US20200104771A1 (en) Optimized Selection of Demand Forecast Parameters
US11741425B2 (en) Operating system for brick and mortar retail
CN110555578A (zh) 一种销量预测方法和装置
Theodorou et al. Optimizing inventory control through a data-driven and model-independent framework
US20090327027A1 (en) Methods and systems for transforming logistic variables into numerical values for use in demand chain forecasting
CN111768243A (zh) 销量预测方法、预测模型构建方法、装置、设备及介质
JP6943253B2 (ja) Ｓｋｕ数を決定するサーバ、システム、方法およびプログラム
WO2018056222A1 (ja) Ｓｋｕ数を決定するサーバ、方法およびプログラム
US11238482B1 (en) Method and system for managing clearance items
JP6807415B2 (ja) 情報処理装置、情報処理方法及びプログラム
CN113469598A (zh) 智慧供应链系统及服务器平台
JP2020187416A (ja) 物流管理システム
CN114626660A (zh) 用于激增调整预报的方法和装置
Bon et al. The fundamental on demand forecasting in inventory management
CN111400622A (zh) 一种分布式电商系统中紧缺商品数量展现方法及装置