CN109978428A - 数据估算方法和装置以及计算机可读存储介质 - Google Patents
数据估算方法和装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109978428A CN109978428A CN201711463317.9A CN201711463317A CN109978428A CN 109978428 A CN109978428 A CN 109978428A CN 201711463317 A CN201711463317 A CN 201711463317A CN 109978428 A CN109978428 A CN 109978428A
- Authority
- CN
- China
- Prior art keywords
- sku
- stock
- batch
- order
- data estimation
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据估算方法和装置以及计算机可读存储介质,涉及电子商务技术领域。数据估算方法包括:根据历史数据中的SKU在多个时间单位的销量数据,确定SKU的备货数量分布函数;根据期望利润最大化时所对应的备货数量确定SKU的备货数量,其中,期望利润是与销量需求、备货数量与备货数量分布函数相关的。本发明可以基于SKU的历史数据中的SKU的销量情况确定SKU的备货分布,从而可以准确地确定SKU的备货数量,在满足销售需求的前提下能够提高利润、减少备货过程带来的成本。
Description
技术领域
本发明涉及电子商务技术领域,特别涉及一种数据估算方法和装置以及计算机可读存储介质。
背景技术
目前,在线零售商为了吸引消费者,推出了购物节等大型促销活动。为了应对促销活动,在线零售商需要提前进行备货,即准备一定数量的货物准备进行销售。在线零售商在各级配送中心的协同作业下,选择合适的备货策略,以降低物流成本和运营成本。在实际的备货计划的制定和实施过程中,由于缺乏定量工具,往往根据工作人员的经验来制定计划和指导生产。
然而,人为制定计划可能产生备货不准确的问题。如果备货不足,会造成供不应求的情况,无法满足消费者的购买需要;如果备货太多,会造成供过于求的情况,带来了不必要的库存成本和拨备成本。
发明内容
本发明实施例所要解决的一个技术问题是:如何提高备货数量估算的准确性。
根据本发明一些实施例的第一个方面,提供一种数据估算方法,包括:根据历史数据中的SKU(Stock Keeping Unit,库存量单位)在多个时间单位的销量数据,确定SKU的备货数量分布函数;根据期望利润最大化时所对应的备货数量确定SKU的备货数量,其中,期望利润是与销量需求、备货数量与备货数量分布函数相关的。
在一些实施例中,所述期望利润最大化时所对应的备货数量为期望利润的函数的导数为0的情况下的备货数量。
在一些实施例中,根据备货数量分布函数的逆函数、每件SKU的售卖收益和订货成本之差与售卖收益和处置收益之差的比值确定备货数量。
在一些实施例中,将期望利润最大化时所对应的备货数量与库存限制备货数量中的最小值作为SKU的备货数量。
在一些实施例中,数据估算方法还包括:确定SKU的备货批次;
根据SKU的备货批次和SKU的备货数量,确定SKU在每个备货批次的备货数量。
在一些实施例中,统计历史数据中一个或多个SKU的备货批次,根据历史数据中不同备货批次的出现概率,确定SKU的备货批次。
在一些实施例中,计算在总备货成本最小化的情况下,SKU在每个备货批次的备货数量,其中,总备货成本包括每个备货批次的备货成本与备货数量的乘积的总和。
在一些实施例中,在每个批次的备货成本保持恒定或者按照时间顺序依次递增的情况下,SKU在每个备货批次的备货数量相等;或者,在每个批次的备货成本按照时间顺序依次递减的情况下,SKU在最后一个批次的备货数量等于SKU的备货数量。
在一些实施例中,数据估算方法还包括:根据基于历史订单数据确定的每个SKU的购买概率,从多个SKU中选择备选SKU;从备选SKU中选择SKU添加到模拟订单中,其中,添加到模拟订单中的SKU之间的关联性大于预设值;根据添加到模拟订单中的SKU的备货数量确定模拟订单中的SKU的购买数量;根据生成的模拟订单调整仓储参数。
在一些实施例中,根据添加到模拟订单中的SKU的在每个备货批次的备货数量确定模拟订单中的SKU的购买数量。
在一些实施例中,数据估算方法还包括:根据历史订单中包括的SKU数量划分订单类别,确定每个订单类别的概率;根据订单类别的概率确定模拟订单中的SKU的数量。
根据本发明实施例的第二个方面,提供一种数据估算装置,包括:分布函数确定模块,用于根据历史数据中的SKU在多个时间单位的销量数据,确定SKU的备货数量分布函数;备货数量确定模块,用于根据期望利润最大化时所对应的备货数量确定SKU的备货数量,其中,期望利润是与销量需求、备货数量与备货数量分布函数相关的。
在一些实施例中,期望利润最大化时所对应的备货数量为在期望利润的函数的导数为0的情况下的备货数量。
在一些实施例中,备货数量确定模块进一步用于根据备货数量分布函数的逆函数、每件SKU的售卖收益和订货成本之差与售卖收益和处置收益之差的比值确定备货数量。
在一些实施例中,备货数量确定模块进一步用于将期望利润最大化时所对应的备货数量与库存限制备货数量中的最小值作为SKU的备货数量。
在一些实施例中,数据估算装置还包括:备货批次确定模块,用于确定SKU的备货批次;每批备货数量确定模块,用于根据SKU的备货批次和SKU的备货数量,确定SKU在每个备货批次的备货数量。
在一些实施例中,备货批次确定模块进一步用于统计历史数据中一个或多个SKU的备货批次,根据历史数据中不同备货批次的出现概率,确定SKU的备货批次。
在一些实施例中,每批备货数量确定模块进一步用于计算在总备货成本最小化的情况下,SKU在每个备货批次的备货数量,其中,总备货成本包括每个备货批次的备货成本与备货数量的乘积的总和。
在一些实施例中,在每个批次的备货成本保持恒定或者按照时间顺序依次递增的情况下,SKU在每个备货批次的备货数量相等;或者,在每个批次的备货成本按照时间顺序依次递减的情况下,SKU在最后一个批次的备货数量等于SKU的备货数量。
在一些实施例中,数据估算装置还包括:备选SKU确定模块,用于根据基于历史订单数据确定的每个SKU的购买概率,从多个SKU中选择备选SKU;SKU添加模块,用于从备选SKU中选择SKU添加到模拟订单中,其中,添加到模拟订单中的SKU之间的关联性大于预设值;购买数量确定模块,用于根据添加到模拟订单中的SKU的备货数量确定模拟订单中的SKU的购买数量;参数调整模块,用于根据生成的模拟订单调整仓储参数。
在一些实施例中,购买数量确定模块进一步用于根据添加到模拟订单中的SKU的在每个备货批次的备货数量确定模拟订单中的SKU的购买数量。
在一些实施例中,数据估算装置还包括:SKU数量确定模块,用于根据历史订单中包括的SKU数量划分订单类别,确定每个订单类别的概率,并根据订单类别的概率确定模拟订单中的SKU的数量。
根据本发明一些实施例的第三个方面,提供一种数据估算装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行前述任意一种数据估算方法。
根据本发明一些实施例的第四个方面,提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现前述任意一种数据估算方法。
上述发明中的一些实施例具有如下优点或有益效果:本发明可以基于SKU的历史数据中的SKU的销量情况确定SKU的备货分布,从而可以准确地确定SKU的备货数量,在满足销售需求的前提下能够提高利润、减少备货过程带来的成本。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明一些实施例的数据估算方法的流程图。
图2为根据本发明另一些实施例的数据估算方法的流程图。
图3为根据本发明一些实施例的备货批次确定方法的流程图。
图4为根据本发明一些实施例的模拟订单生成方法的流程图。
图5为根据本发明另一些实施例的模拟订单生成方法的流程图。
图6为根据本发明又一些实施例的模拟订单生成方法的流程图。
图7为根据本发明一些实施例的数据估算装置的结构图。
图8为根据本发明另一些实施例的数据估算装置的结构图。
图9为根据本发明又一些实施例的数据估算装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为根据本发明一些实施例的数据估算方法的流程图。如图1所示,该实施例的数据估算方法包括步骤S102~S104。
在步骤S102中,根据历史数据中的SKU在多个时间单位的销量数据,确定SKU的备货数量分布函数。
时间单位可以是一个月、一周、十天等等,本领域技术人员可以根据需要进行设置。获取的销量数据所对应的多个时间单位可以是邻近备货针对的时间单位的多个时间单位。例如,可以从历史数据中获取某个SKU对应的样本{X1,X2,X3,…Xm},Xm表示第m个时间单位中该SKU的销量,时间单位m+1或m+2等可以为备货针对的时间单位,例如是即将发生大型促销的时间单位。
根据获取的销量数据的变化趋势,可以对SKU的备货数量分布进行估计。例如,可以获得销量的概率分布函数,并令备货数量服从该分布。
在一些实施例中,可以采用非参数核密度估计法估计SKU的备货数量分布。以非促销情形下的历史数据为例,这种情况下的大部分SKU的历史销量并无明显规律,如果采用泊松分布、正态分布等参数分布可能无法较好地估计其销量分布。非参数分布估计的主要思想是不依赖数据的假定,如正态性假定、独立同分布假定等,而是从数据自身出发,是一种数据驱动的方法。从而非参数化的分布估计方法有较大的灵活性,能更好地拟合销量分布。此处利用近期的历史数据,能够获得较为准确的估计结果。
非参数核密度估计法例如可以通过公式(1)实现,其中,为SKU的销量的非参数核密度估计。
其中,h为参数,m为样本数据所涉及的时间单位的数量,c0为常数;k(·)为核函数,满足非负性、自身的积分值为1的条件,并且关于自变量的二阶原点矩有限;Xi为第i个时间单位的销量的样本数据。常数c0的值可以通过令样本的偏差和方差之和最小化来确定,例如当核函数为标准正态核函数时,c0≈1.06σ,σ为样本的标准差。
SKU的备货数量分布函数为其中α为待测时间单位在历史上对应的时间单位与其前一个时间单位的销量比值,待测时间单位是指当前估计的备货数量对应的时间单位。例如,此次备货针对的是今年6月的大型促销活动,则α可以为去年6月与去年5月的SKU的销量比值。从而,可以基于历史数据中的销量数据获得待估计的销量需求的分布。
在步骤S104中,根据期望利润最大化时所对应的备货数量确定SKU的备货数量,其中,期望利润是与销量需求、备货数量与备货数量分布函数相关的。
销量需求是指商家销售给消费者的货物数量,备货数量则是指商家采购的货物数量。备货数量需要大于销量需求以满足消费者的需求,但是如果备货数量超过销量需求过多会带来不必要的成本。因此,可以根据销量需求、备货数量并结合SKU的收益、成本来计算期望利润。
在一些实施例中,可以采用销量需求、备货数量表示期望利润函数,然后计算在期望利润的函数的导数为0的情况下的备货数量。由于导数为0的位置对应函数的峰值,因此可以通过这种方法来建立等式,从而计算出相应的备货数量。
例如,可以采用公式(2)表示令期望利润最大化的求解目标。
maxE[-cx+rmin(D,x)+smax(0,x-D)]
s.t.D≤x≤C (2)
为了简化表示,令D∧x=min(D,x)、(x-D)+=max(0,x-D),可以将公式(2)变形得到公式(3)。
maxE[-cx+rD∧x+s(x-D)+]
s.t.t≤x≤C (3)
其中,E指求中括号内中式子的期望;D为销量需求,D服从F(x)的概率分布,F(·)为备货数量分布函数;c为订货成本;x为备货数量;r为售卖收益,并且0<c<r;s为处置收益,即处理已备货却没有售出的剩余货物时的收益,例如,s可以为将剩余货物递交打折卖掉、或者返还给工厂后获得的收益;C表示库存限制,s.t.D≤x≤C为约束条件,即备货数量应当大于销量需求、小于库存限制。
采用g(x)表示公式(3)中的期望,可得公式(4)。
g(x)=E[-cx+rDΛx+s(x-D)+]
=(r-c)x-(r-s)E[(x-D)+] (4)
对g(x)求一阶导数,可以得到公式(5)。
其中,f(·)为概率分布函数F(·)对应的概率密度函数。
令g′(x)=0,可以得到最优的备货数量在一些实施例中,可以将库存限制C纳入到考虑范围内,此时
因此,在一些实施例中,可以根据备货数量分布函数的逆函数确定备货数量,其中,备货数量分布函数的逆函数的自变量值与SKU的订货成本成负相关关系、与SKU的处置收益成正相关关系。通过将大批货物销售前的订货成本、销售后的处置收益均纳入考虑范围内,可以综合地衡量当前的备货策略的利润,能够更准确地确定备货数量。
通过上述实施例的方法,可以基于SKU的历史数据中的SKU的销量情况确定SKU的备货分布,从而可以准确地确定SKU的备货数量,在满足销售需求的前提下能够提高利润、减少备货过程带来的成本。
在进行备货时,除了考虑备货数量以外,还可以考虑备货批次和每个批次的备货数量。图2示出了本发明数据估算方法的实施例。
图2为根据本发明另一些实施例的数据估算方法的流程图。如图2所示,该实施例的数据估算方法包括步骤S202~S206。
在步骤S202中,确定SKU的备货数量。
步骤S202的具体实施方式可以参考前述实施例,这里不再赘述。
在步骤S204中,确定SKU的备货批次。
在步骤S206中,根据SKU的备货批次和SKU的备货数量,确定SKU在每个备货批次的备货数量。SKU在每个备货批次的备货数量的总和为步骤S202中确定的SKU的备货数量。
通过将SKU进行分批入库,可以减轻仓库的仓储压力,提高货物调度的灵活性,从而进一步节约备货的成本。下面介绍确定备货批次和每个备货批次的备货数量的示例性的方法。
图3示出了本发明备货批次确定方法的实施例。
图3为根据本发明一些实施例的备货批次确定方法的流程图。如图3所示,该实施例的备货批次确定方法包括步骤S302~S304。
在步骤S302中,统计历史数据中一个或多个SKU的备货批次。
在步骤S304中,根据历史数据中不同备货批次的出现概率,确定SKU的备货批次。
例如,设在历史数据中,包括备货批次为3、4、5这三种情况。备货批次为3的情况出现了2次,备货批次为4的情况出现了5次,备货批次为5的情况出现了3次。那么备货批次为3的概率为20%。
在一些实施例中,可以采用轮盘赌的方式:首先生成一个0到1之间的随机数,然后将生成的随机数值所落到的概率区间对应的备货批次确定为SKU的备货批次。
当某一SKU的历史数据的数据量充足时,例如大于预设阈值时,可以仅统计该SKU的历史备货批次;当该SKU的历史数据的数据量不充足甚至为0时,例如小于预设阈值时,可以统计该SKU所属品类中的部分或全部SKU的历史备货批次。本领域技术人员也可以根据需要选择统计对象,这里不再赘述。
将备货进行分批处理的目的之一在于减少备货过程中所产生的成本,因此在具体计算各个备货批次的备货数量时,可以通过令总备货成本最小化的方式来完成。备货成本具体例如可以为库存成本、货物损耗成本等等。
在一些实施例中,可以计算在总备货成本最小化的情况下,SKU在每个备货批次的备货数量,其中,总备货成本包括每个备货批次的备货成本与备货数量的乘积的总和。
在一些实施例中,可以采用备货成本矩阵与每个批次备货数量矩阵的乘积表示总备货成本。例如可以采用公式(6)表示求解目标,即令备货成本最小化。
0≤xi≤xj≤S;i<j;i,j=1,…,n (6)
其中,n表示备货批次;wi表示第i个备货批次中每个货物的备货成本;xi表示第i个备货批次的备货数量,所有批次的备货数量之和等于SKU的备货数量x*;S表示库存容量,每个备货批次的备货数量为非负数、大于或者等于前一个备货批次的备货数量、并且小于或等于库存容量。
为了便于求解,可以将公式(6)转换为(7)中的一系列公式所示的标准型。
minz=wTx
s.t.Ax=b
w=(w1,w2,w3,…,wn-1,wn,0,0,…,0,0)T
x=(x1,x2,x3…,xn-1,xn,y1,y2,…,yn-1,yn)T
b=(x*,0,0,…,0,0,0,0,…,0,S)T
其中,y为松弛变量。例如,针对关系x1≤x2,可以通过松弛变量y1构建等式x1-x2+y1=0。矩阵A的第2行即表示了上述等式中各个变量的系数。根据需要,本领域技术人员还可以采用其他表示方式,这里不再赘述。
在采用备货成本矩阵与每个批次备货数量矩阵的乘积表示总备货成本时,可以采用线性规划的单纯法或者原始-对偶算法计算SKU在每个备货批次的备货数量。
在公式(7)的情况下,求得的最优解为(B-1b,0)T,B为基矩阵,并且满足其中,将矩阵A分解为两部分得到(B,N),B为A的满秩子矩阵、并且行列式不为0,则w也可以分解为相应的两部分(wB,wN),wB表示A的分解结果中与基矩阵B对应的系数。
在一些实施例中,在每个批次的备货成本保持恒定或者按照时间顺序依次递增的情况下,SKU在每个备货批次的备货数量相等,即有公式(8)的结果。
在一些实施例中,在每个批次的备货成本按照时间顺序依次递减的情况下,SKU在最后一个批次的备货数量等于SKU的备货数量,即有公式(9)的结果。
x1=x2=x3=…=xn-1=0
xn=x* (9)
在每个批次的备货成本有其他变化趋势或具体的设定值的情况下还可以求得其他解,这里不再赘述。
通过上述实施例的方法,能够降低备货成本。
本发明的实施例还可以根据前述实施例中确定的备货数量来进行仿真,生成模拟订单,从而可以根据模拟订单来评估仓库环境和参数灵敏度,例如仓库的库存大小、采购车辆的调度方式、仓库中货架的排列方式和承载能力等等,以根据评估结果调整这些参数。下面参考图4描述本发明模拟订单生成方法的实施例。
图4为根据本发明一些实施例的模拟订单生成方法的流程图。如图4所示,该实施例的模拟订单生成方法包括步骤S402~S408。
在步骤S402中,根据基于历史订单数据确定的每个SKU的购买概率,从多个SKU中选择备选SKU。
SKU的购买概率可以根据历史订单数据中出现该SKU的订单数量与订单总量的比值来确定。在一些实施例中,还可以根据SKU的历史购买数量的多少来将多个SKU划分为几个档位。例如,可以将多个SKU按照购买数量排序,然后将排序后的SKU划分为多个SKU档位,例如前20名SKU为同一个SKU档位、第21~第40名SKU为同一个SKU档位等等。每个SKU档位中的SKU数量可以是相等的,也可以根据需要设置为不等的。此时,SKU的购买概率为SKU所在的SKU档位的出现概率,计算方式为出现该SKU档位中的SKU的订单数量与订单总量的比值。
模拟订单中的所有SKU可以属于同一个SKU档位,即基于概率选择SKU档位后,从该SKU档位中挑选生成模拟订单所需的所有备选SKU;此外,还可以针对模拟订单中的每个待生成的SKU,均重新选择SKU档位,即同一个模拟订单中存在一个或多个SKU档位的SKU,以增加模拟订单的随机性和不确定性。
在基于SKU购买概率进行选择时,可以采用轮盘赌的方式进行抽取,这里不再赘述。
在步骤S404中,从备选SKU中选择SKU添加到模拟订单中,其中,添加到模拟订单中的SKU之间的关联性大于预设值。
在一些实施例中,可以先确定模拟订单中的首个SKU;然后从备选SKU中选择与模拟订单中已确定的SKU的关联性大于预设值的SKU、并将其添加到模拟订单中作为已确定的SKU,循环执行该步骤、直到模拟订单中的SKU的数量达到预设值。
模拟订单中的SKU的数量可以是预先设定的,也可以是参考历史数据来确定的。在一些实施例中,可以根据历史订单中包括的SKU数量划分订单类别,确定每个订单类别的概率;根据订单类别的概率确定模拟订单中的SKU的数量。例如,设在历史数据中,订单中包括的SKU数量为2~8种,则可以将订单划分为9类,每个订单类别的概率为该类别的订单数量与订单总量的比值。可以采用轮盘赌的方法确定模拟订单的类别、即模拟订单中SKU的数量。
在计算两个SKU之间的关联性时,可以将同时出现两个SKU的订单数量除以订单总量获得计算结果。例如,可以预先生成关联性矩阵R,R中的元素Rij表示SKU i和SKU j的关联度,即同时具有SKU i和SKU j的订单数量与订单总量的比值。
在步骤S406中,根据添加到模拟订单中的SKU的备货数量确定模拟订单中的SKU的购买数量。
在确定了模拟订单中的SKU的种类后,可以确定每个SKU的购买数量。该待生成的模拟订单中的某个SKU的购买数量和其他已生成的模拟订单中同一SKU的购买数量之和应当小于或等于该SKU的备货数量。
在一些实施例中,当模拟订单为用于下发给供应商以进货的采购模拟订单时,SKU的购买数量可以是该SKU的当前备货批次所对应的备货数量。即,SKU每一次在采购模拟订单中出现,其采购数量都等于某个备货批次的备货数量。例如,已生成的采购模拟订单中有两个包括SKU A,则SKU A再次出现在新的采购模拟订单中时,其中SKU A的采购数量为SKUA在第三个备货批次的备货数量。
在一些实施例中,当模拟订单为消费模拟订单时,即用于消费者从商家处购买货物的订单时,可以基于预设的概率分布来随机生成消费模拟订单中SKU的购买数量。
在步骤S408中,根据生成的模拟订单调整仓储参数。
例如,可以通过生成的模拟订单对仓储环境进行压力测试,如果发现当前的仓储环境无法满足模拟订单的需求,则可以对仓储环境进行升级或者改造处理。
通过上述实施例的方法,可以基于历史数据中SKU的购买概率以及SKU之间的关联性来确定模拟订单中的SKU,再结合前述实施例中确定的备货数量确定模拟订单中SKU的数量,从而可以模拟真实的采购和消费环境生成订单,进一步提高了备货、采购、销售流程的效率。
图5为根据本发明另一些实施例的模拟订单生成方法的流程图。如图5所示,该实施例的模拟订单生成方法包括步骤S502~S514。
在步骤S502中,基于每个订单类别的概率,随机确定模拟订单的类别,将模拟订单的类别对应的SKU的数量确定为模拟订单中SKU的数量N。
在步骤S504中,确定模拟订单中首个SKU。
在步骤S506中,判断模拟订单中已确定的SKU的数量是否达到N。如果是,执行步骤S514;如果不是,执行步骤S508。
在步骤S508中,根据SKU的购买概率,随机选择多个未达到备货数量的SKU。未达到最大备货数量的SKU是指在已生成的模拟订单中的购买数量总和未超过SKU的备货数量的SKU。
在步骤S510中,从步骤S508中选择的多个SKU中确定与已添加到模拟订单中的SKU的关联性大于预设值的SKU。
在步骤S512中,从步骤S510确定的关联性大于预设值的SKU中随机选择SKU并添加到模拟订单中。
在步骤S514中,确定模拟订单中的SKU的购买数量。
通过上述实施例的方法,可以逐一确定模拟订单中的SKU与之前的SKU的关联性,从而可以模拟真实的采购和消费环境生成订单,进一步提高了备货、采购、销售流程的效率。
下面参考图6描述本发明模拟订单的生成方法的实施例。图6的实施例既适用于生成采购模拟订单、也适用于生成消费模拟订单,仅在步骤S640处计算每个SKU的购买数量时略有差异,以下实施例中的步骤S640后的内容将对该差异进行具体的说明。
图6为根据本发明又一些实施例的模拟订单生成方法的流程图。如图6所示,该实施例的模拟订单生成方法包括步骤S602~S642。
步骤S602~S606为初始化操作。
在步骤S602中,获取每个订单类别对应的概率组成的概率集合Po,以及SKU档位和各个SKU档位对应的概率组成的概率集合Ps。
在步骤S604中,基于Po确定待生成的模拟订单的类别,获得待生成的模拟订单中的SKU的数量N。即,模拟订单中有N个SKU位置。
在步骤S606中,初始化用于表示SKU位置的标识的变量i,令i=1。
步骤S608~S614为选择模拟订单中第一个SKU的方法。由于在选择之前,订单中还没有其他已确定的SKU,因此这些步骤中可以不包括计算SKU之间关联性的方案。
在步骤S608中,基于Ps选择一个SKU档位。
在步骤S610中,从属于步骤S608中选择的SKU档位的SKU中随机抽取SKU。
在步骤S612中,根据已生成的模拟订单中出现步骤S610中抽取的SKU的订单数量,判断该SKU是否已经达到最大备货次数。如果是,执行步骤S610;如果不是,执行步骤S614。
在步骤S614中,将步骤S610中抽取的SKU添加到模拟订单中作为第i个SKU,即第1个SKU,以下简称SKU 1。然后将i值加1。
步骤S616~S638为确定模拟订单中第2个至第N个SKU的方法。对于模拟订单中的每个位置,该实施例均生成若干备选的SKU、并根据关联性从中挑选一个SKU添加到模拟订单中。
步骤S616~S634是生成备选列表的阶段。
在步骤S616中,判断当前是否i≤N。如果是,执行步骤S618;如果不是,执行步骤S640。
在步骤S618中,初始化备选SKU的序号标识k,令k=1。
在步骤S620中,判断是否k≤K。K为预设的挑选备选SKU的最大数量。如果是,执行步骤S622;如果不是,执行步骤S636。
在步骤S622中,根据概率Ps选择一个SKU档位。
在步骤S624中,从属于步骤S622中选择的SKU档位的SKU中随机抽取SKU。
在步骤S626中,判断步骤S624中抽取的SKU是否已经位于模拟订单中、或者是否已经达到最大的备货次数。如果是,执行步骤S624;如果不是,执行步骤S628。
在步骤S628中,生成随机数,并判断生成的随机数是否在预设范围内。如果是,执行步骤S630;如果不是,执行步骤S628。
例如,可以生成0到1之间的随机数x,并判断x是否小于预设值α。α例如可以等于0.5。
在步骤S630中,将k值加1,回到步骤S620。
在步骤S632中,计算在步骤S624中抽取的SKU与模拟订单中的每个已确定的SKU即第1个SKU到第i-1个SKU的关联性总和,并判断该关联性总和是否大于预设值β,β例如可以等于0.5。如果是,执行步骤S634;如果不是,执行步骤S630。
在步骤S634中,将在步骤S624中抽取的SKU加入备选列表,然后执行步骤S630。
步骤S636~S638是从备选列表中挑选SKU添加到模拟订单的阶段。
在步骤S636中,根据备选列表中的每个SKU与模拟订单中的每个已确定的SKU的关联性总和,采用轮盘赌的方式选择其中的一个SKU作为第i个SKU。
在步骤S638中,将i值加1。
在步骤S640中,分别确定SKU1~SKUN的购买数量。
对于采购模拟订单时,可以直接将SKU的当前备货批次所对应的备货数量确定为SKU的购买数量。
对于消费模拟订单时,在一些实施例中,可以预先计算每个SKU档位的平均需求avgDs和最大需求maxDs,即历史数据中同一SKU档位中每个SKU在每个订单中的购买数量的平均值和最大购买数量。在确定消费模拟订单中SKU的购买数量时,可以以avgDs为均值生成不超过maxDs的泊松随机数,将其作为SKU的购买数量。
根据需要,本领域技术人员也可以采用其他购买数量的确定方法,这里不再赘述。
在步骤S642中,生成模拟订单。
通过上述实施例的方法,可以在选择模拟订单中的SKU时进行多次随机筛选,从而在基于SKU购买概率和关联性的基础上为订单的生成增加了一定的不确定性,使得生成的订单更能够贴近真实场景。
下面参考图7描述本发明数据估算装置的实施例。
图7为根据本发明一些实施例的数据估算装置的结构图。如图7所示,该实施例的数据估算装置70包括:分布函数确定模块710,用于根据历史数据中的SKU在多个时间单位的销量数据,确定SKU的备货数量分布函数;备货数量确定模块720,用于根据期望利润最大化时所对应的备货数量确定SKU的备货数量,其中,期望利润是与销量需求、备货数量与备货数量分布函数相关的。
在一些实施例中,期望利润最大化时所对应的备货数量可以为期望利润的函数的导数为0的情况下的备货数量。
在一些实施例中,备货数量确定模块720可以进一步用于根据备货数量分布函数的逆函数、每件SKU的售卖收益和订货成本之差与售卖收益和处置收益之差的比值确定备货数量。
在一些实施例中,备货数量确定模块720可以进一步用于将期望利润最大化时所对应的备货数量与库存限制备货数量中的最小值作为SKU的备货数量。
在一些实施例中,数据估算装置70还可以包括:备货批次确定模块730,用于确定SKU的备货批次;每批备货数量确定模块740,用于根据SKU的备货批次和SKU的备货数量,确定SKU在每个备货批次的备货数量。
在一些实施例中,备货批次确定模块730可以进一步用于统计历史数据中一个或多个SKU的备货批次,根据历史数据中不同备货批次的出现概率,确定SKU的备货批次。
在一些实施例中,每批备货数量确定模块740可以进一步用于计算在总备货成本最小化的情况下,SKU在每个备货批次的备货数量,其中,总备货成本包括每个备货批次的备货成本与备货数量的乘积的总和。
在一些实施例中,在每个批次的备货成本保持恒定或者按照时间顺序依次递增的情况下,SKU在每个备货批次的备货数量相等;或者,在每个批次的备货成本按照时间顺序依次递减的情况下,SKU在最后一个批次的备货数量等于SKU的备货数量。
在一些实施例中,数据估算装置70还可以包括:备选SKU确定模块750,用于根据基于历史订单数据确定的每个SKU的购买概率,从多个SKU中选择备选SKU;SKU添加模块760,用于从备选SKU中选择SKU添加到模拟订单中,其中,添加到模拟订单中的SKU之间的关联性大于预设值;购买数量确定模块770,用于根据添加到模拟订单中的SKU的备货数量确定模拟订单中的SKU的购买数量;参数调整模块780,用于根据生成的模拟订单调整仓储参数。
在一些实施例中,购买数量确定模块770可以进一步用于根据添加到模拟订单中的SKU的在每个备货批次的备货数量确定模拟订单中的SKU的购买数量。
在一些实施例中,数据估算装置70还可以包括:SKU数量确定模块790,用于根据历史订单中包括的SKU数量划分订单类别,确定每个订单类别的概率,并根据订单类别的概率确定模拟订单中的SKU的数量。
图8为根据本发明另一些实施例的数据估算装置的结构图。如图8所示,该实施例的数据估算装置800包括:存储器810以及耦接至该存储器810的处理器820,处理器820被配置为基于存储在存储器810中的指令,执行前述任意一个实施例中的数据估算方法。
其中,存储器810例如可以包括***存储器、固定非易失性存储介质等。***存储器例如存储有操作***、应用程序、引导装载程序(Boot Loader)以及其他程序等。
图9为根据本发明又一些实施例的数据估算装置的结构图。如图9所示,该实施例的数据估算装置900包括:存储器910以及处理器920,还可以包括输入输出接口930、网络接口940、存储接口950等。这些接口930,940,950以及存储器910和处理器920之间例如可以通过总线960连接。其中,输入输出接口930为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口940为各种联网设备提供连接接口。存储接口950为SD卡、U盘等外置存储设备提供连接接口。
本发明的实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现前述任意一种数据估算方法。
本领域内的技术人员应当明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (24)
1.一种数据估算方法,包括:
根据历史数据中的库存量单位SKU在多个时间单位的销量数据,确定所述SKU的备货数量分布函数;
根据期望利润最大化时所对应的备货数量确定所述SKU的备货数量,其中,所述期望利润是与销量需求、备货数量与所述备货数量分布函数相关的。
2.根据权利要求1所述的数据估算方法,其中,所述期望利润最大化时所对应的备货数量为所述期望利润的函数的导数为0的情况下的备货数量。
3.根据权利要求2所述的数据估算方法,其中,根据备货数量分布函数的逆函数、每件SKU的售卖收益和订货成本之差与售卖收益和处置收益之差的比值确定备货数量。
4.根据权利要求1所述的数据估算方法,其中,将期望利润最大化时所对应的备货数量与库存限制备货数量中的最小值作为所述SKU的备货数量。
5.根据权利要求1所述的数据估算方法,还包括:
确定所述SKU的备货批次;
根据所述SKU的备货批次和所述SKU的备货数量,确定所述SKU在每个备货批次的备货数量。
6.根据权利要求5所述的数据估算方法,其中,统计历史数据中一个或多个SKU的备货批次,根据历史数据中不同备货批次的出现概率,确定所述SKU的备货批次。
7.根据权利要求5所述的数据估算方法,其中,
计算在总备货成本最小化的情况下,SKU在每个备货批次的备货数量,其中,总备货成本包括每个备货批次的备货成本与备货数量的乘积的总和。
8.根据权利要求7所述的数据估算方法,其中,
在每个批次的备货成本保持恒定或者按照时间顺序依次递增的情况下,SKU在每个备货批次的备货数量相等;或者,
在每个批次的备货成本按照时间顺序依次递减的情况下,SKU在最后一个批次的备货数量等于所述SKU的备货数量。
9.根据权利要求1~8中任一项所述的数据估算方法,还包括:
根据基于历史订单数据确定的每个SKU的购买概率,从多个SKU中选择备选SKU;
从备选SKU中选择SKU添加到模拟订单中,其中,添加到模拟订单中的SKU之间的关联性大于预设值;
根据添加到模拟订单中的SKU的备货数量确定所述模拟订单中的SKU的购买数量;
根据生成的模拟订单调整仓储参数。
10.根据权利要求9所述的数据估算方法,其中,根据添加到模拟订单中的SKU的在每个备货批次的备货数量确定所述模拟订单中的SKU的购买数量。
11.根据权利要求9所述的数据估算方法,还包括:
根据历史订单中包括的SKU数量划分订单类别,确定每个订单类别的概率;
根据所述订单类别的概率确定模拟订单中的SKU的数量。
12.一种数据估算装置,包括:
分布函数确定模块,用于根据历史数据中的SKU在多个时间单位的销量数据,确定所述SKU的备货数量分布函数;
备货数量确定模块,用于根据备货数量分布函数的逆函数、每件SKU的售卖收益和订货成本之差与售卖收益和处置收益之差的比值确定备货数量。
13.根据权利要求12所述的数据估算装置,其中,所述期望利润最大化时所对应的备货数量为所述期望利润的函数的导数为0的情况下的备货数量。
14.根据权利要求13所述的数据估算装置,其中,所述备货数量确定模块进一步用于根据备货数量分布函数的逆函数确定备货数量,其中,所述备货数量分布函数的逆函数的自变量值为:每件SKU的售卖收益和订货成本之差与售卖收益和处置收益之差的比值。
15.根据权利要求13所述的数据估算装置,其中,所述备货数量确定模块进一步用于将期望利润最大化时所对应的备货数量与库存限制备货数量中的最小值作为所述SKU的备货数量。
16.根据权利要求12所述的数据估算装置,还包括:
备货批次确定模块,用于确定所述SKU的备货批次;
每批备货数量确定模块,用于根据所述SKU的备货批次和所述SKU的备货数量,确定所述SKU在每个备货批次的备货数量。
17.根据权利要求16所述的数据估算装置,其中,所述备货批次确定模块进一步用于统计历史数据中一个或多个SKU的备货批次,根据历史数据中不同备货批次的出现概率,确定所述SKU的备货批次。
18.根据权利要求16所述的数据估算装置,其中,所述每批备货数量确定模块进一步用于计算在总备货成本最小化的情况下,SKU在每个备货批次的备货数量,其中,总备货成本包括每个备货批次的备货成本与备货数量的乘积的总和。
19.根据权利要求18所述的数据估算装置,其中,在每个批次的备货成本保持恒定或者按照时间顺序依次递增的情况下,SKU在每个备货批次的备货数量相等;或者,
在每个批次的备货成本按照时间顺序依次递减的情况下,SKU在最后一个批次的备货数量等于所述SKU的备货数量。
20.根据权利要求12~19中任一项所述的数据估算装置,还包括:
备选SKU确定模块,用于根据基于历史订单数据确定的每个SKU的购买概率,从多个SKU中选择备选SKU;
SKU添加模块,用于从备选SKU中选择SKU添加到模拟订单中,其中,添加到模拟订单中的SKU之间的关联性大于预设值;
购买数量确定模块,用于根据添加到模拟订单中的SKU的备货数量确定所述模拟订单中的SKU的购买数量;
参数调整模块,用于根据生成的模拟订单调整仓储参数。
21.根据权利要求20所述的数据估算装置,其中,所述购买数量确定模块进一步用于根据添加到模拟订单中的SKU的在每个备货批次的备货数量确定所述模拟订单中的SKU的购买数量。
22.根据权利要求20所述的数据估算装置,还包括:
SKU数量确定模块,用于根据历史订单中包括的SKU数量划分订单类别,确定每个订单类别的概率,并根据所述订单类别的概率确定模拟订单中的SKU的数量。
23.一种数据估算装置,其中:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1~11中任一项所述的数据估算方法。
24.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~11中任一项所述的数据估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463317.9A CN109978428A (zh) | 2017-12-28 | 2017-12-28 | 数据估算方法和装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463317.9A CN109978428A (zh) | 2017-12-28 | 2017-12-28 | 数据估算方法和装置以及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978428A true CN109978428A (zh) | 2019-07-05 |
Family
ID=67075085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711463317.9A Pending CN109978428A (zh) | 2017-12-28 | 2017-12-28 | 数据估算方法和装置以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978428A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396365A (zh) * | 2019-08-14 | 2021-02-23 | 顺丰科技有限公司 | 一种库存单品预测方法、装置、计算机设备及存储介质 |
CN113537890A (zh) * | 2021-07-16 | 2021-10-22 | 国网江苏省电力有限公司 | 电力仓储中安全库存的计算方法 |
CN113627729A (zh) * | 2021-07-09 | 2021-11-09 | 国网冀北电力有限公司物资分公司 | 产品数量的确定方法、装置和电子装置 |
CN113780912A (zh) * | 2020-09-21 | 2021-12-10 | 北京京东乾石科技有限公司 | 一种确定安全库存的方法及装置 |
CN113887772A (zh) * | 2020-07-02 | 2022-01-04 | 上海顺如丰来技术有限公司 | 订货周期优化方法、装置、计算机设备和存储介质 |
WO2023020255A1 (zh) * | 2021-08-17 | 2023-02-23 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、设备及存储介质 |
CN116664052A (zh) * | 2023-07-21 | 2023-08-29 | 厦门易驰软件有限公司 | 基于人工智能的全域数字化运营管理方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1138179A (zh) * | 1995-03-24 | 1996-12-18 | 潘杜伊特公司 | 控制库存中的成分单位数的***和方法 |
CN1741053A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 物流仓储决策支持*** |
CN104766184A (zh) * | 2015-04-30 | 2015-07-08 | 刘决飞 | 大数据生产计划方法和*** |
CN106156975A (zh) * | 2015-04-23 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 业务对象的库存信息处理方法及装置 |
CN107123004A (zh) * | 2017-06-29 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 商品动态定价数据处理方法和*** |
CN107203912A (zh) * | 2017-06-26 | 2017-09-26 | 北京京东尚科信息技术有限公司 | 动态定价方法和装置 |
-
2017
- 2017-12-28 CN CN201711463317.9A patent/CN109978428A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1138179A (zh) * | 1995-03-24 | 1996-12-18 | 潘杜伊特公司 | 控制库存中的成分单位数的***和方法 |
CN1741053A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 物流仓储决策支持*** |
CN106156975A (zh) * | 2015-04-23 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 业务对象的库存信息处理方法及装置 |
CN104766184A (zh) * | 2015-04-30 | 2015-07-08 | 刘决飞 | 大数据生产计划方法和*** |
CN107203912A (zh) * | 2017-06-26 | 2017-09-26 | 北京京东尚科信息技术有限公司 | 动态定价方法和装置 |
CN107123004A (zh) * | 2017-06-29 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 商品动态定价数据处理方法和*** |
Non-Patent Citations (1)
Title |
---|
QUICK15CN: ""安全库存计算2"", 《网页在线公开:WENDU.BAIDU.COM/VIEW/412D963D7E21AF45B307A875.HTML#》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396365A (zh) * | 2019-08-14 | 2021-02-23 | 顺丰科技有限公司 | 一种库存单品预测方法、装置、计算机设备及存储介质 |
CN113887772A (zh) * | 2020-07-02 | 2022-01-04 | 上海顺如丰来技术有限公司 | 订货周期优化方法、装置、计算机设备和存储介质 |
CN113780912A (zh) * | 2020-09-21 | 2021-12-10 | 北京京东乾石科技有限公司 | 一种确定安全库存的方法及装置 |
CN113627729A (zh) * | 2021-07-09 | 2021-11-09 | 国网冀北电力有限公司物资分公司 | 产品数量的确定方法、装置和电子装置 |
CN113627729B (zh) * | 2021-07-09 | 2024-03-15 | 国网冀北电力有限公司物资分公司 | 产品数量的确定方法、装置和电子装置 |
CN113537890A (zh) * | 2021-07-16 | 2021-10-22 | 国网江苏省电力有限公司 | 电力仓储中安全库存的计算方法 |
CN113537890B (zh) * | 2021-07-16 | 2024-02-02 | 国网江苏省电力有限公司 | 电力仓储中安全库存的计算方法 |
WO2023020255A1 (zh) * | 2021-08-17 | 2023-02-23 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、设备及存储介质 |
CN116664052A (zh) * | 2023-07-21 | 2023-08-29 | 厦门易驰软件有限公司 | 基于人工智能的全域数字化运营管理方法及*** |
CN116664052B (zh) * | 2023-07-21 | 2023-10-20 | 厦门易驰软件有限公司 | 基于人工智能的全域数字化运营管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978428A (zh) | 数据估算方法和装置以及计算机可读存储介质 | |
Chen et al. | Channel coordination with a loss-averse retailer and option contracts | |
Groves et al. | Agent-assisted supply chain management: Analysis and lessons learned | |
US20110153386A1 (en) | System and method for de-seasonalizing product demand based on multiple regression techniques | |
Patil et al. | Supply chain strategies based on recourse model for very short life cycle products | |
Maddah et al. | Lot sizing with random yield and different qualities | |
Knoblich et al. | Quantitative analysis of semiconductor supply chain contracts with order flexibility under demand uncertainty: A case study | |
WO2022247741A1 (zh) | 商品对象价格信息处理方法、装置及电子设备 | |
Yadollahi et al. | Evaluating approximate solution models for the stochastic periodic inventory routing problem | |
KR20200023669A (ko) | 빅데이터 기반 부동산 투자 추천 시스템 | |
Saha et al. | Integrated dynamic pricing for seasonal products with price and time dependent demand | |
US20150317576A1 (en) | Framework for assessing the sensitivity of productivity measures to exogenous factors and operational decisions and for the computer generated proposal of optimal operating plans | |
Zhao et al. | Demand information and spot price information: Supply chains trading in spot markets | |
Park et al. | A mathematical model for a capacity reservation contract | |
EP2960848A1 (en) | Demand prediction apparatus and demand prediction method by the same | |
KR20200023667A (ko) | 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법 | |
US11205185B2 (en) | Forecasting demand for groups of items, such as mobile phones | |
US9454739B2 (en) | Multi-period financial simulator of a process | |
US20070255605A1 (en) | Multi-period financial simulator of a manufacturing operation | |
Sarkar et al. | A simple case study of material requirement planning | |
JP6953038B1 (ja) | 在庫管理支援装置および在庫管理支援プログラム | |
Pataropura et al. | Sales Analysis Using the Forecasting Method | |
JP2000132619A (ja) | サプライチェーン評価システム | |
Kumar et al. | An Improved Inventory Model for Decaying Items with Quadratic Demand and Trade Credits | |
Fauzi et al. | Price Intelligence Using K-Means Clustering and Linear Regression, Case Study of Store Dk Nutritionindo at Tokopedia |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |