WO2023009019A1 - Способ и система способ расчета количества поставок продукции для пополнения запасов - Google Patents

Способ и система способ расчета количества поставок продукции для пополнения запасов Download PDF

Info

Publication number
WO2023009019A1
WO2023009019A1 PCT/RU2021/000315 RU2021000315W WO2023009019A1 WO 2023009019 A1 WO2023009019 A1 WO 2023009019A1 RU 2021000315 W RU2021000315 W RU 2021000315W WO 2023009019 A1 WO2023009019 A1 WO 2023009019A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
stocks
machine learning
place
delivery
Prior art date
Application number
PCT/RU2021/000315
Other languages
English (en)
French (fr)
Inventor
Роман Валерьевич ЛЕКСУТИН
Алена Константиновна АРЫКИНА
Александр Тимурович КАЗАНЦЕВ
Алан Таймуразович СОЗАНОВ
Антон Валерьевич ЛЕБЕДЕВ
Алексей Александрович СМИРНОВ
Николай Николаевич КОРЧАГИН
Владимир Петрович ЛЕОНЕНКО
Алексей Дмитриевич КОЛОБОВ
Анастасия Алексеевна КРИН
Original Assignee
Публичное Акционерное Общество "Сбербанк России"
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 Публичное Акционерное Общество "Сбербанк России" filed Critical Публичное Акционерное Общество "Сбербанк России"
Priority claimed from RU2021122064A external-priority patent/RU2021122064A/ru
Publication of WO2023009019A1 publication Critical patent/WO2023009019A1/ru

Links

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

Definitions

  • This technical solution relates to the field of computer technology using machine learning technologies, in particular, to a method and system for calculating the number of deliveries of products for replenishment.
  • Patent Application CN111815244A (SHANGHAI SHANSHU NETWORK TECHNOLOGY Co. Ltd., 10/23/2020) describes an approach for predicting the amount of product to replenish stocks based on historical production consumption data applied to further train a machine learning model.
  • a common drawback of the prior art approaches is the need for information about the existing stocks of the consumer or the place of replenishment of stocks, which is necessary for the formation of a retrospective model for further forecasting.
  • the technical result is to increase the accuracy of calculating the data displayed the amount of products needed to replenish stocks at the place of their consumption.
  • AutoML automatic machine learning
  • data on the operations performed include at least one of: plans and facts of sales, audit of operations performed, data from tracking systems, number of employees at the place of supply of stocks, previously made deliveries of goods.
  • the tracking systems are automated accounting systems for goods.
  • step a) additionally receive at least one data selected from the group: mode of operation, geolocation, previously sent deliveries, delivery adjustments, costs or inventory balances.
  • information on the volume of supply of stocks is transmitted to an automated system for ordering goods.
  • the claimed solution is also implemented using a system for calculating the number of deliveries of products for replenishment, which contains at least one processor and at least one memory storing machine-readable instructions that, when executed by the processor, implement the above method.
  • FIG. 1 illustrates flowcharts of the claimed method.
  • FIG. 2 illustrates the general layout of a computing device.
  • FIG. 1 shows a block diagram of the claimed method (100) for calculating the number of deliveries of products for replenishment of stocks, which can be performed using a computing device that provides processing of program logic commands.
  • a set of data is collected that characterizes the place of delivery of goods for restocking.
  • a place can be, for example, an office, a store, a point of sale, an automated warehouse, etc.
  • step (101) data is obtained reflecting the factors affecting the demand/consumption of goods at the predicted place of consumption. There are two main groups of signs as such factors:
  • Table 2 shows examples of signs that characterize information about transactions performed using the example of a bank branch.
  • information may be taken into account in terms of information about sent deliveries and data on adjustments from deliveries, which may be based on the example data shown in Table 1.
  • Table 1 The above example of signs shows that they are not tied to a specific format or data sources , since the iterative feature selection approach is used at the stage of automatic feature selection, which allows you to cut the number of features and reduce the dimension of space while maintaining predictive ability without specifying the target format or the number of features when they are converted to vector form at stage (102) .
  • Data vectorization occurs by reading the source data from source files and / or database management systems (DBMS), including non-relational databases and further writing the read data into formatted electronic tables - special data structures (dataframe), a specialized pandas library in the python software environment, located in the RAM of the computing device that implements the method (100).
  • the above data may come from various sources, such as automated systems or a database containing information about the place of delivery. In this case, part of the data may be unknown and obtained in the process of data preprocessing and feature generation.
  • step (103) is performed, where features are selected for subsequent calculation.
  • the feature selection method is based on such methods as forward selection (direct selection), backward elimination (reverse exclusion), stepwise section (sequential selection)
  • the claimed solution uses automated machine learning (AutoML) methods to be able to automatically adjust machine learning models for the desired items signs.
  • AutoML automated machine learning
  • step 104 through the use of a toolkit for automatic development of machine learning models - AutoML
  • Variables from Table 3 + variables from Table 2 are used to generate two predictions: a limiting model - predicting the quantity based on the operations performed and the main model - predicting a sufficient number of products + trends specific to individual supply locations.
  • the main model predicts the amount of items needed for delivery based on the trend of past deliveries, metadata of the delivery object, such as: area of the place of delivery, number of employees, working hours, geographic location, and others.
  • the limiting model also predicts the quantity of the item, but based on other information required for delivery, namely: data on customer flow at the place of delivery, data on operations performed at the place of delivery in the context of numerous types of operations.
  • the received forecasts for determining the allowable quantity of the item for delivery are processed in such a way as to reduce the potential restocking of the delivery point.
  • This is implemented as an ensemble of models.
  • the final prediction is determined as a result of the work of the ensemble of the limiting and main models.
  • a consumption forecast for a given key date is obtained.
  • step (101) meta-information about consumer objects, for example, bank branches and information about operations performed in these branches, is received.
  • Tables 1 and 2 are examples of data.
  • step (102) data is vectorized, which consists in reading the initial data from the source files and then writing the read data into electronic formatted tables - special data structures (dataframe), a specialized pandas library in the python software environment, located in RAM computing system (computing/computer device) that implements these actions.
  • dataframe electronic formatted tables - special data structures
  • pandas library in the python software environment
  • RAM computing system computing/computer device
  • step (103) features are selected from tables 1 and 2 that significantly affect paper consumption in bank branches.
  • the result is a set of the most influential features, in terms of explaining and describing the nature of paper consumption in departments, which is significantly less than the original set of features in terms of the number of features.
  • An example of such a set is given in paragraph [0024].
  • step (104) the Auto ML tool is applied to the set of features selected at step (103) to automatically generate predictions of the main and limiting models.
  • An example of the resulting set of predictions for this stage is shown in Table 4.
  • step (105) the predictions are ensembled, i. e. formation of the final value of the paper supply according to the ensemble algorithm described above.
  • this algorithm takes forecasts of the main and limiting models, and at the output it gives the final values of the supply of paper to each branch of the bank.
  • the final view of the result of the work of the solution is similar to Table 4 and may contain additional useful reference information characterizing the objects - customers, such as geographic information, the number of branch employees, and past paper shipments to those branches.
  • FIG. 2 is a perspective view of a computing device (200) suitable for performing method (100).
  • Device (200) may be, for example, a server, computer, or other type of suitable computing device.
  • the computing device (200) contains one or more processors (201), memory devices such as RAM (202) and ROM (203), input / output interfaces (204), input devices connected by a common information exchange bus / output (205), and a device for networking (206).
  • the processor (201) may be selected from a variety of devices currently widely used, such as IntelTM, AMDTM, AppleTM, Samsung ExynosTM, MediaTEKTM, Qualcomm SnapdragonTM, and etc.
  • the processor (201) can also be a graphics processor such as Nvidia, AMD, Graphcore, etc.
  • RAM (202) is a random access memory and is designed to store machine-readable instructions executable by the processor (201) to perform the necessary data logical processing operations.
  • the RAM (202) typically contains the executable instructions of the operating system and associated software components (applications, program modules, etc.).
  • a ROM (203) is one or more persistent storage devices such as a hard disk drive (HDD), a solid state drive (SSD), flash memory (EEPROM, NAND, etc.), optical storage media ( CD-R/RW, DVD-R/RW, BlueRay Disc, MD), etc.
  • I/O interfaces are used to organize the operation of device components (200) and organize the operation of external connected devices.
  • the choice of appropriate interfaces depends on the particular design of the computing device, which can be, but not limited to: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232, etc.
  • I / O information are used, for example, a keyboard, a display (monitor), a touch screen, a touch pad, a joystick, a mouse manipulator, a light pen, a stylus, touch panel, trackball, speakers, microphone, augmented reality, optical sensors, tablet, indicator lights, projector, camera, biometric identification means (retinal scanner, fingerprint scanner, voice recognition module), etc.
  • a keyboard for example, a keyboard, a display (monitor), a touch screen, a touch pad, a joystick, a mouse manipulator, a light pen, a stylus, touch panel, trackball, speakers, microphone, augmented reality, optical sensors, tablet, indicator lights, projector, camera, biometric identification means (retinal scanner, fingerprint scanner, voice recognition module), etc.
  • the networking means (206) enables data communication by the device (200) via an internal or external computer network, such as an Intranet, Internet, LAN, and the like.
  • an internal or external computer network such as an Intranet, Internet, LAN, and the like.
  • one or more means (206) can be used, but not limited to: Ethernet card, GSM modem, GPRS modem, LTE modem, 5G modem, satellite communication module, NFC module, Bluetooth and / or BLE module, Wi-Fi module and others
  • satellite navigation tools in the device (200) can also be used, for example, GPS, GLONASS, BeiDou, Galileo.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Настоящее техническое решение относится к области компьютерных технологий с применением технологий машинного обучения, в частности, к способу и системе расчета количества поставок продукции для пополнения запасов. Технический результат заключается в повышении точности расчета данных, отображаемых количество продукции, необходимой для восполнения запасов в месте их потребления. Технический результат достигается за счет осуществления компьютерно-реализуемого способа расчета количества поставок продукции для пополнения запасов, выполняемого с помощью процессора и содержащего этапы, на которых: a) получают по меньшей мере данные, характеризующие место поставки запасов, включающие в себя по меньшей мере данные о произведенных операциях; b) осуществляют векторизацию полученных данных; c) выполняют отбор признаков векторизованных данных, по которым осуществляют построение по меньшей мере одной модели машинного обучения с помощью технологии автоматического машинного обучения (AutoML); d) осуществляют прогнозирование расхода запасов в заданном временном диапазоне с помощью сформированной по меньшей мере одной модели машинного обучения, обученной на произведенных операциях для упомянутого места поставки; e) определяют количество запасов для пополнения в упомянутый временной период для упомянутого места поставки.

Description

СПОСОБ И СИСТЕМА СПОСОБ РАСЧЕТА КОЛИЧЕСТВА ПОСТАВОК ПРОДУКЦИИ ДЛЯ ПОПОЛНЕНИЯ ЗАПАСОВ
ОБЛАСТЬ ТЕХНИКИ
[0001] Настоящее техническое решение относится к области компьютерных технологий с применением технологий машинного обучения, в частности, к способу и системе расчета количества поставок продукции для пополнения запасов.
УРОВЕНЬ ТЕХНИКИ
[0002] Известные существующие решения основаны на использовании данных о текущих уровнях запасов соответствующей продукции, а также о характере/условиях будущего спроса. В частности, в классической постановке задачи управлением логистикой используется математическая модель Newsvendor (так же известная как проблема газетчика - Newsboy), предполагающая наличие информации об объемах запасов и стохастических свойствах спроса/потребления соответствующих продуктов.
[0003] Существующие решения в данной области техники как правило направлены на прогнозирование будущих поставок товаров, исходя из ранее известных сведений об их использовании, что позволяет спрогнозировать требуемое количество для пополнения запасов.
[0004] Примером такого решения является способ, описанный в патенте CN 104573840В (Second Military Medical University SMMU, 01.09.2017), который описывает систему пополнения запасов с применением машинного обучения, основанную на прогнозировании истощения запасов той или иной, исходя из сведений о поставках, совершенных ранее.
[0005] В патентной заявке CN111815244A (SHANGHAI SHANSHU NETWORK TECHNOLOGY Со. Ltd., 23.10.2020) описывается подход прогнозирования количества продукции для восполнения запасов, исходя из ретроспективных данных расхода продукции, применяемой для дальнейшего обучения модели машинного обучения.
[0006] Помимо этого, также представлен ряд решений задачи прогнозирования спроса/потребления на основе сегментации/кластеризации потребителей — см. «Forecasting Supply Chain Demand by Clustering Customers», «DYNAMIC CLUSTER BASED MARKOV MODEL FOR DEMAND FORECASTING» и др. В основе такого подхода используется выделение кластеров (сегментов) потребителей, которые в дальнейшем используются для прогнозирования. [0007] Представленные системы при этом используют информацию об остатках других потребителей, а классификация и кластеризация является промежуточным шагом для выработки предсказаний для точек потребления, в которых данные по остаткам или спросу отсутствуют.
[0008] Общим недостатком известных подходов из уровня техники является необходимость сведений о существующих запасах потребителя или места пополнения запасов, что необходимо для формирования ретроспективной модели для дальнейшего прогнозирования.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
[0009] Предлагаемый подход позволяет решить техническую проблему, заключающуюся в отсутствие возможности прогнозирования количества продукции для восполнения запасов без сведений о существующих запасах потребителя.
[0010] Технический результат заключается в повышении точности расчета данных, отображаемых количество продукции, необходимой для восполнения запасов в месте их потребления.
[ООП] Технический результат достигается за счет осуществления компьютерно- реализуемого способа расчета количества поставок продукции для пополнения запасов, выполняемого с помощью процессора и содержащего этапы, на которых: a) получают по меньшей мере данные, характеризующие место поставки запасов, включающие в себя по меньшей мере данные о произведенных операциях;
B) осуществляют векторизацию полученных данных; c) выполняют отбор признаков векторизованных данных, по которым осуществляют построение по меньшей мере одной модели машинного обучения с помощью технологии автоматического машинного обучения (AutoML); d) осуществляют прогнозирование расхода запасов в заданном временном диапазоне с помощью сформированной по меньшей мере одной модели машинного обучения, обученной на произведенных операциях для упомянутого места поставки; e) определяют количество запасов для пополнения в упомянутый временной период для упомянутого места поставки.
[0009] В одном из частных примеров реализации способа данные о произведенных операциях включают в себя по меньшей мере одно из: планы и факты продаж, аудит произведенных операций, данные из трекинг-систем, численность сотрудников места поставки запасов, ранее произведенные поставки товаров. [0010] В другом частном примере реализации способа трекинг-системы представляют собой автоматизированные системы учета товаров.
[ООП] В другом частном примере реализации способа на этапе а) дополнительно получают по меньшей мере одни данные, выбираемые из группы: режиме работы, геопозиция, ранее отправленные поставки, корректировки поставок, расходы или остатки запасов.
[0012] В другом частном примере реализации способа информацию по объемам поставки запасов передают в автоматизированную систему заказа товаров.
[0013] Заявленное решение также реализуется с помощью системы расчета количества поставок продукции для пополнения запасов, которая содержит по меньшей мере один процессор и по меньшей мере одну память, хранящую машиночитаемые инструкции, которые при их исполнении процессором реализуют вышеуказанный способ.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
[0014] Фиг. 1 иллюстрирует блок-схемы выполнения заявленного способа.
[0015] Фиг. 2 иллюстрирует общую схему вычислительного устройства.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
[0016] Недоступность данных по расходам или остаткам товаров в местах для прогнозирования их пополнения (например, магазины, офисы, точки продаж и т.п.) делает невозможным использование “классического” подхода, опирающегося на известность количественных данных ранее поставленного товара и факта его расходования, так как использование модели прогнозирования на урезанных данных позволяет лишь оценивать верхнюю (достаточную) границу товаров, необходимых для деятельности места поставки запасов.
[0017] На Фиг. 1 приведена блок схема заявленного способа (100) расчета количества поставок продукции для пополнения запасов, который может выполняться с помощью вычислительного устройства, обеспечивающего обработку команд программной логики. На первом этапе (101) собирается набор данных, характеризующих место поставки товаров для возобновления запасов. Как было указано выше, таким местом может выступать, например, офис, магазин, точка продаж, автоматизированный склад и т.п.
[0018] Под термином «товар» и «запасы» в настоящем решении следует понимать материальный объект любого вида, который имеет свойство расходования при осуществлении деятельности на месте поставки, например, канцелярские принадлежности, продукты, напитки, подарочные наборы и т.п.
[0019] На этапе (101) получаются данные, отражающие факторы, влияющие на спрос/потребление товаров на прогнозируемом месте потребления. В качестве таких факторов выступают две основные группы признаков:
- метаинформация по месту поставки товара (например, геопозиция, режим работы, информация по персоналу);
- информация о произведенных операциях (планы и факты продаж, аудит произведенных операций, данные из трекинг-систем учета товаров). [0020] Пример метаинформации о месте поставки приведена в Таблице 1.
Таблица 1. Метаинформация о месте поставки.
Figure imgf000006_0001
Figure imgf000007_0001
[0021] В таблице 2 приведены примеры признаков, характеризующих информацию о проведенных операциях на примере банковского отделения.
Таблица 2. Признаки информации о произведенных операциях.
Figure imgf000007_0002
Figure imgf000008_0001
Figure imgf000009_0001
Figure imgf000010_0001
[0022] Дополнительно может учитываться информация в части сведений об отправленных поставках и данных по корректировкам от поставок, которая может основываться на примере данных, приведенных в Таблице 1. [0023] Приведенный пример признаков показывает, что они не привязаны к определенному формату или источникам данных, так как на этапе автоматического отбора признаков используются подход итеративного отбора признаков (iterative feature selection), который позволяет урезать число признаков и понизить размерность пространства с сохранением предсказательной способности без задания целевого формата или количества признаков при их переводе в векторную форму на этапе (102). Векторизация данных происходит путем чтения исходных данных из файлов-источников и/или систем управления базами данных (СУБД), включая нереляционные базы данных и дальнейшей записи считанных данных в электронные форматированные таблицы - особые структуры данных (dataframe), специализированной библиотеки pandas в программной среде python, находящиеся в оперативной памяти вычислительного устройства, реализующего способ (100). Вышеуказанные данные могут поступать из различных источников, например, автоматизированных систем или базы данных, содержащей сведения о месте поставки. При этом часть данных может являться неизвестной и получаться в процессе предобработки данных и генерации признаков. [0024] После этапа генерации признаков выполняется этап (103), на котором происходит отбор признаков для последующего расчета. Метод отбора признаков основан на таких методах, как forward selection (прямой отбор), backward elimination (обратное исключение), stepwise section (последовательный отбор)
(https.//www.analvticsvidhya.com/blog/2016/12/introduction-to-feature-selection-methods-with- an-example-or-how-to-select-the-right-variables/ ). В результате этой процедуры на выходе остается лучший набор переменных, с точки зрения значения выбранной метрики качества, пример которых приведен в Таблице 3.
Таблица 3. Отобранные признаки
Figure imgf000011_0001
Figure imgf000012_0001
[0025] Так как для разного типа поставляемых товаров значимость признаков, отобранных на этапе (103) и оптимальный алгоритм (и гиперпараметры) могут различаться, в заявленном решении используются методы автоматизированного машинного обучения (AutoML) для возможности автоматического подстроения моделей машинного обучения для нужных номенклатур признаков.
[0026] На этапе 104 посредством применения инструментария автоматической разработки моделей машинного обучения - AutoML
(https://m.wikipedia.org/wiki/ABTOMaTH4ecKoe_MaiHHHHoe_o6y4eHHe), работающим на основе промышленных библиотек градиентного бустинга: lightgbm
(https://pythonru.com/biblioteki/lightgbm) и xgboost
(https://neerc.ifmo.ru/wiki/index.php ?title=XGBoost) генерируются модели прогноза потребления для каждого типа номенклатуры. В основе этих моделей лежат комбинации объектов таких классов как LGBMRegressor и XGBOOSTRegressor. Как пример, может формироваться предиктивная модель поставки бумаги. Здесь, в результате применения автоматизированного машинного обучения, AutoML, получается следующий набор значимых признаков:
• "Поставка за предыдущие месяцы, с учетом срочных заказов и сглаживания по пустым месяцам";
• "Реальный период поставки, вычисленный за предыдущие месяцы";
• "Тип места поставки";
• "Количество рабочих дней в неделю"; • "Работает ли места поставки в выходные";
• "Кол-во срочных поставок за предыдущий месяц";
• "Сумма срочных поставок за предыдущий месяц";
• "Количество сотрудников";
• "Время года";
• "Сумма поставляемой номенклатуры за год";
• "Сумма поставляемой номенклатуры за 3 месяца";
• "Сумма поставляемой номенклатуры за 6 месяцев";
• "Среднее поставляемое количество номенклатуры за год";
• "Среднее поставляемое количество номенклатуры за 3 месяца";
• "Среднее поставляемое количество номенклатуры за 6 месяцев";
• "Месяц поставки";
• "Sin месяца поставки"; "Cos месяца поставки".
[0027] При использовании инструментария автоматической разработки моделей машинного обучения - AutoML применяется классическая методология разделения имеющегося набора данных на три составляющие: тренировочный набор данных (train), отложенная выборка - проверочный набор данных (out-of-sample) и проверочная в смысле стабильности работы модели выборка - отложенный во времени набор данных (out-of-time). Ниже приведен пример размеров выборок для номенклатуры - бумаги.
Figure imgf000013_0001
[0028] При валидации использовались лишь валидационные тесты, информативные для конкретной рассматриваемой модели, теоретически позволяющие выявить какие-либо существенные недостатки. В качестве таких тестов могут применятся Статистические тесты, такие как:
• Качество разбиения на выборки
• Пропущенные и экстремальные значения факторов
• Репрезентативность выборок (PSI)
• Ключевая метрика • Доверительные интервалы метрики
• Сравнение факта и прогноза модели (коэффициент Спирмена)
• Значимость факторов (permutation)
• Стабильность ключевой метрики.
[0029] Переменные из Таблицы 3 + переменные из Таблицы 2 используются для формирования двух прогнозов: ограничивающей модели - предсказание количества на основе проведенных операций и основной модели - предсказание достаточного количества продуктов + трендов, характерных для отдельных мест поставок.
[0030] На этапе (104) основная модель прогнозирует количество номенклатуры, необходимой к поставке, исходя из тренда прошлых поставок, метаданных объекта поставок, таких как: площадь места поставки, численность сотрудников, режим работы, географическое расположение и другие. Ограничивающая модель также прогнозирует количество номенклатуры, но исходя из другой информации, необходимой к поставке, а именно: данных о клиентопотоке в месте поставки, данных об операциях, проведенных в месте поставки в разрезе многочисленных типов операций.
[0031] На этапе (105) полученные прогнозы для определения допустимого количества номенклатуры к поставке обрабатываются таким образом, чтобы снижать потенциальную перезатарку места поставки. Это реализовано в виде ансамбля моделей. Ансамбль моделей работает следующим образом. Если имеется прогноз как от основной модели, так и от ограничивающей модели, то итоговый прогноз рассчитывается следующим образом: если прогноз ограничивающей модели меньше прогноза основной модели, то итоговая поставка = среднему арифметическому от прогнозов ограничивающей и основной моделей, иначе итоговая поставка = прогнозу основной модели. Если есть прогноз только от основной модели, то он выбирается в качестве итогового. Если оба прогноза отсутствуют, то в качестве результата будет выбрано нормативное количество номенклатуры к поставке, исходя из численности сотрудников конкретного места поставки.
[0032] В зависимости от конкретных значений прогнозов по каждой из моделей определяется финальный прогноз, как результат работы ансамбля ограничивающей и основной модели. В результате для каждой прогнозируемой пары объект-номенклатура получается прогноз потребления на заданную отчетную дату.
[0033] Финальный прогноз отправки товаров приведен в Таблице 4.
Таблица 4. Финальный прогноз отправки товаров
Figure imgf000014_0001
Figure imgf000015_0001
[0034] В качестве примера работы модели при реализации заявленного решения можно привести пример с прогнозированием поставки бумаги для принтеров.
[0035] На этапе (101) поступает метаинформация об объектах-потребителях, например, отделениях банка и информация об операциях, производимых в этих отделениях. В качестве примера данных выступают таблицы 1 и 2.
[0036] На этапе (102) происходит векторизация данных, заключающаяся в чтении исходных данных из файлов-источников и дальнейшей записи считанных данных в электронные форматированные таблицы - особые структуры данных (dataframe), специализированной библиотеки pandas в программной среде python, находящиеся в оперативной памяти вычислительной системы (вычислительного/компьютерного устройства), реализующей данные действия. После того, как эти данные записаны в оперативную память вышеупомянутой вычислительной системы, они становятся пригодными для дальнейшей обработки программным кодом на языке python и, соответственно, к дальнейшим этапам реализации программного решения.
[0037] На этапе (103) происходит отбор признаков из таблиц 1 и 2, которые значимо влияют на потребление бумаги в отделениях банка. В результате получается набор самых влиятельных признаков, с точки зрения объяснения и описания характера потребления бумаги в отделениях, который по количеству признаков существенно меньше изначального набора признаков. Пример такого набора приведен в абзаце [0024].
[0038] На этапе (104) применяется инструментарий Auto ML к набору отобранных на этапе (103) признаков для автоматического формирования прогнозов основной и ограничивающей модели. Пример результирующего набора прогнозов для данного этапа приведен в таблице 4.
[0039] На этапе (105) происходит ансамблирование прогнозов, т.е. формирование финального значения поставки бумаги по алгоритму ансамблирования, описанному выше. На вход этот алгоритм принимает прогнозы основной и ограничивающей модели, а на выходе дает финальные значения поставки бумаги в каждое отделение банка. Финальный вид результата работы решения схож с таблицей 4 и может содержать в себе дополнительную полезную справочную информацию, характеризующую объекты- потребители, например, территориальная информация, количество сотрудников отделения и прошлые поставки бумаги в эти отделения.
[0040] На Фиг. 2 представлен общий вид вычислительного устройства (200), пригодного для выполнения способа (100). Устройство (200) может представлять собой, например, сервер, компьютер или иной тип пригодного вычислительного устройства. [0041] В общем случае вычислительное устройство (200) содержит объединенные общей шиной информационного обмена один или несколько процессоров (201), средства памяти, такие как ОЗУ (202) и ПЗУ (203), интерфейсы ввода/вывода (204), устройства ввода/вывода (205), и устройство для сетевого взаимодействия (206).
[0042] Процессор (201) (или несколько процессоров, многоядерный процессор) могут выбираться из ассортимента устройств, широко применяемых в текущее время, например, компаний Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™ и т.п. В качестве процессора (201) может также применяться графический процессор, например, Nvidia, AMD, Graphcore и пр.
[0043] ОЗУ (202) представляет собой оперативную память и предназначено для хранения исполняемых процессором (201) машиночитаемых инструкций для выполнение необходимых операций по логической обработке данных. ОЗУ (202), как правило, содержит исполняемые инструкции операционной системы и соответствующих программных компонент (приложения, программные модули и т.п.).
[0044] ПЗУ (203) представляет собой одно или более устройств постоянного хранения данных, например, жесткий диск (HDD), твердотельный накопитель данных (SSD), флэш- память (EEPROM, NAND и т.п.), оптические носители информации (CD-R/RW, DVD- R/RW, BlueRay Disc, MD) и др.
[0045] Для организации работы компонентов устройства (200) и организации работы внешних подключаемых устройств применяются различные виды интерфейсов В/В (404). Выбор соответствующих интерфейсов зависит от конкретного исполнения вычислительного устройства, которые могут представлять собой, не ограничиваясь: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232 и т.п. [0046] Для обеспечения взаимодействия пользователя с вычислительным устройством (200) применяются различные средства (205) В/В информации, например, клавиатура, дисплей (монитор), сенсорный дисплей, тач-пад, джойстик, манипулятор мышь, световое перо, стилус, сенсорная панель, трекбол, динамики, микрофон, средства дополненной реальности, оптические сенсоры, планшет, световые индикаторы, проектор, камера, средства биометрической идентификации (сканер сетчатки глаза, сканер отпечатков пальцев, модуль распознавания голоса) и т.п.
[0047] Средство сетевого взаимодействия (206) обеспечивает передачу данных устройством (200) посредством внутренней или внешней вычислительной сети, например, Интранет, Интернет, ЛВС и т.п. В качестве одного или более средств (206) может использоваться, но не ограничиваться: Ethernet карта, GSM модем, GPRS модем, LTE модем, 5G модем, модуль спутниковой связи, NFC модуль, Bluetooth и/или BLE модуль, Wi-Fi модуль и др.
[0048] Дополнительно могут применяться также средства спутниковой навигации в составе устройства (200), например, GPS, ГЛОНАСС, BeiDou, Galileo.
[0049] Представленные материалы заявки раскрывают предпочтительные примеры реализации технического решения и не должны трактоваться как ограничивающие иные, частные примеры его воплощения, не выходящие за пределы испрашиваемой правовой охраны, которые являются очевидными для специалистов соответствующей области техники.

Claims

ФОРМУЛА
1. Компьютерно-реализуемый способ расчета количества поставок продукции для пополнения запасов, выполняемый с помощью процессора и содержащий этапы, на которых: a) получают по меньшей мере данные, характеризующие место поставки запасов, включающие в себя по меньшей мере данные о произведенных операциях;
B) осуществляют векторизацию полученных данных; c) выполняют отбор признаков векторизованных данных, по которым осуществляют построение по меньшей мере одной модели машинного обучения с помощью технологии автоматического машинного обучения (AutoML); d) осуществляют прогнозирование расхода запасов в заданном временном диапазоне с помощью сформированной по меньшей мере одной модели машинного обучения, обученной на произведенных операциях для упомянутого места поставки; e) определяют количество запасов для пополнения в упомянутый временной период для упомянутого места поставки.
2. Способ по п.1, в котором данные о произведенных операциях включают в себя по меньшей мере одно из: планы и факты продаж, аудит произведенных операций, данные из трекинг-систем, численность сотрудников места поставки запасов, ранее произведенные поставки товаров.
3. Способ по п.2, в котором трекинг-системы представляют собой автоматизированные системы учета товаров.
4. Способ по п.1 , в котором на этапе а) дополнительно получают по меньшей мере одни данные, выбираемые из группы: режиме работы, геопозиция, ранее отправленные поставки, корректировки поставок, расходы или остатки запасов.
5. Способ по п.1, в котором информацию по объемам поставки запасов передают в автоматизированную систему заказа товаров.
6. Система расчета количества поставок продукции для пополнения запасов объемов пополнения запасов, содержащая по меньшей мере один процессор и по меньшей мере одну память, хранящую машиночитаемые инструкции, которые при их исполнении процессором реализуют способ по любому из пп. 1-5.
PCT/RU2021/000315 2021-07-26 2021-07-26 Способ и система способ расчета количества поставок продукции для пополнения запасов WO2023009019A1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2021122064A RU2021122064A (ru) 2021-07-26 Способ и система способ расчета количества поставок продукции для пополнения запасов
RU2021122064 2021-07-26

Publications (1)

Publication Number Publication Date
WO2023009019A1 true WO2023009019A1 (ru) 2023-02-02

Family

ID=85087105

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2021/000315 WO2023009019A1 (ru) 2021-07-26 2021-07-26 Способ и система способ расчета количества поставок продукции для пополнения запасов

Country Status (1)

Country Link
WO (1) WO2023009019A1 (ru)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2458398C2 (ru) * 2005-04-22 2012-08-10 Л'Эр Ликид, Сосьете Аноним Пур Л`Этюд Э Л'Эксплуатасьон Де Проседе Жорж Клод Оптимизатор производства для управления цепочками поставок
RU2728797C2 (ru) * 2015-10-08 2020-07-31 Стора Энсо Ойй Система и способ для отслеживания изделий в цепочке поставок или ценностей без обратной связи
CN111815244A (zh) * 2020-07-20 2020-10-23 杉数科技(北京)有限公司 一种库存数据处理方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2458398C2 (ru) * 2005-04-22 2012-08-10 Л'Эр Ликид, Сосьете Аноним Пур Л`Этюд Э Л'Эксплуатасьон Де Проседе Жорж Клод Оптимизатор производства для управления цепочками поставок
RU2728797C2 (ru) * 2015-10-08 2020-07-31 Стора Энсо Ойй Система и способ для отслеживания изделий в цепочке поставок или ценностей без обратной связи
CN111815244A (zh) * 2020-07-20 2020-10-23 杉数科技(北京)有限公司 一种库存数据处理方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BAKLUSHINSKIY V.V., PUSTYNNIKOVA E.: "Mashinnoe obuchenie kak instrument korporatsii dlya vybora postavshchikov / Machine learning as a corporation's tool for selection of suppliers", VESTNIK UNIVERSITETA, no. 9, pages 48 - 53, XP009543040, Retrieved from the Internet <URL:https://cyberleninka.ru/article/n/mashinnoe-obuchenie-kak-instrument-korporatsii-dlya-vybora-postavschikov> [retrieved on 20220329], DOI: 10.26425/1816-4277- 2019-9-4 8-53 *
I. I. PILETSKY, M. P. BATURA, N. A. VOLOROVA: "Graf znaniy i mashinnoe obuchenie kak bazis metodologii iskusstvennogo intellekta v obuchenii (Knowledge Graph and Machine Learning as a Basis for Artificial Intelligence Methodology in Education)", BIG DATA AND ADVANCED ANALYTICS = BIG DATA AND HIGH-LEVEL ANALYSIS : COLLECTION OF SCIENTIFIC ARTICLES OF THE VII INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE, MINSK, MAY 19-20, 2021, BELARUSIAN STATE UNIVERSITY OF INFORMATICS AND RADIOELECTRONI, 19 May 2021 (2021-05-19) - 20 May 2021 (2021-05-20), pages 199 - 209, XP009543043, ISBN: 978-985-7267-09-5 *

Similar Documents

Publication Publication Date Title
Ardia et al. Questioning the news about economic growth: Sparse forecasting using thousands of news-based sentiment values
US9245299B2 (en) Segmentation and stratification of composite portfolios of investment securities
US11361276B2 (en) Analysis and correction of supply chain design through machine learning
US11227028B2 (en) Hyperdimensional vector representations for algorithmic functional grouping of complex systems
US20100114793A1 (en) Extended management system
CN113553540A (zh) 一种商品销量的预测方法
US10191888B2 (en) Segmentation and stratification of data entities in a database system
US20090006455A1 (en) Automated time metadata deduction
US20220138280A1 (en) Digital Platform for Trading and Management of Investment Securities
AU2016102483A4 (en) Segmentation and stratification of composite portfolios of investment securities
CA2981748A1 (en) Dynamic supply chain management systems and methods
Ahlemeyer-Stubbe et al. Monetizing Data: How to Uplift Your Business
Milliken Transforming big data into supply chain analytics
Akande et al. Application of XGBoost Algorithm for Sales Forecasting Using Walmart Dataset
WO2023009019A1 (ru) Способ и система способ расчета количества поставок продукции для пополнения запасов
US20070179922A1 (en) Apparatus and method for forecasting control chart data
Pataropura et al. Sales Analysis Using the Forecasting Method
Адаменко et al. Features of forecasting retail turnover in conditions of instability and global fluctuations
EA044012B1 (ru) Способ и система расчета количества поставок продукции для пополнения запасов
Vladova et al. Data preprocessing for machine analysis of sales representatives’ key performance indicators
Paczkowski Business Analytics
Hasugian Testing the C45 Algorithm with Rapid Miner for Stock Selection (Case Study: Toko Usaha Muda)
Golpira et al. Integrating balanced scorecard and the QEST for multidimensional organizational performance measurement: The case of a bank in Iran
Anghelache et al. Data warehouse software used in the decisional process on the capital market
Bouadam et al. Relationship between inventory management and profitability evidence from selected manufacturing firms in Sétif

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21952039

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE