CN110050288A - 商品配置***、商品配置方法以及商品配置程序 - Google Patents
商品配置***、商品配置方法以及商品配置程序 Download PDFInfo
- Publication number
- CN110050288A CN110050288A CN201780032855.4A CN201780032855A CN110050288A CN 110050288 A CN110050288 A CN 110050288A CN 201780032855 A CN201780032855 A CN 201780032855A CN 110050288 A CN110050288 A CN 110050288A
- Authority
- CN
- China
- Prior art keywords
- commodity
- shipment
- characteristic quantity
- shipping qty
- configuration
- 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
- 238000000034 method Methods 0.000 title claims description 17
- 238000009499 grossing Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241001062009 Indigofera Species 0.000 description 1
- 240000001439 Opuntia Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
商品配置***(10)具有分组模块(11)、出货预测模块(12)和配置场所决定模块(13)。分组模块(11)针对从出货数据中取得的特征量，对关于某一商品取得的各特征量和关于其他商品取得的各特征量，分别在对应的特征量彼此之间进行比较，计算出其间的变化量，并基于变化量的大小将多个商品分类到多个商品组。出货预测模块(12)基于过去的出货实际成绩预测商品的出货数量。配置场所决定模块(13)基于出货预测单元进行的出货预测，决定分类出的每个商品组的配置场所以及多个商品的配置场所。
Description
技术领域
本发明涉及商品配置***、商品配置方法以及商品配置程序。具体而言，涉及提高物流现场中商品的入货到出货过程的效率的商品配置***、商品配置方法以及商品配置程序。
背景技术
在物流仓库等物流现场中，频繁地对大量商品进行入货及出货，商品的配置时时刻刻发生变更。为了有效地使大量商品入货及出货，预测已入货的商品的出货时期、出货数量，并基于该预测，实现商品配置的最优化(例如，专利文献1)。
(现有技术文献)
(专利文献)
专利文献1：JP特开2012-071974号公报
发明内容
商品的出货时期、出货数量的预测随着商品数量的增加其计算量也会增加。另外，为了有效使商品出货，不仅要预测出货时期、出货数量，还需要在用于保管商品或移动商品的集装箱、搁板、箱子等中高效配置(保存)商品。即，要实现商品的高效出货，需要根据商品的重量、包装尺寸等适当组合商品(以下称作“货物匹配”)。若商品数量变多，则为了进行商品的货物匹配，需要庞大的计算量。
本发明鉴于上述情况而完成，例示性课题是提供一种能够使商品配置的计算高效化的商品配置***、商品配置方法以及商品配置程序。
(用于解决课题的手段)
为了解决上述的课题，本发明具有以下的构成。
一种商品配置***，具有：分组单元，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于一个商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；出货预测单元，从所述出货数据中针对各所述商品取得过去的出货实际成绩，基于所取得的所述出货实际成绩预测所述多个商品的出货数量；和配置场所决定单元，基于所述出货预测单元进行的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所。
根据以下参照附图进行说明的优选的实施方式，本发明的更多目的或其他特征会变得更加明确。
(发明效果)
根据本发明，能够提供一种能使商品配置的计算高效化的商品配置***、商品配置方法以及商品配置程序。
附图说明
图1是表示物流仓库以及商品配置***的概要的说明图。
图2A是表示商品配置***的处理概要的流程图。
图2B是表示商品配置***的处理概要的流程图(后续)。
图3是表示特征量为出货数量时的特征量比较的一例的说明图。
图4是表示特征量为出货量模式时的特征量比较的一例的说明图。
图5是表示出货量模式的分析方法的说明图。
图6是表示特征量为出货量峰值位置时的特征量比较的一例的说明图。
图7是表示实施例的出货数据的表。
图8是表示基于出货数据的出货预想结果的表。
图9是表示出货量模式的图表。
图10是出货量模式的分析结果的说明图。
图11是表示出货量模式的比较中的标签间的类似度的图。
具体实施方式
[实施方式1]
以下，参照附图来说明实施方式1的商品配置***10。图1是表示物流仓库1以及商品配置***10的概要的说明图。
物流仓库1中至少设置有商品配置***10和仓库控制***15。商品配置***10至少具备作为分组单元的分组模块11、作为出货预测单元的出货预测模块12和作为配置场所决定单元的配置场所决定模块13。商品配置***10能够通过这些各个模块起作用来实现本发明涉及的商品配置方法。此外，商品配置***10能够利用本发明涉及的商品配置程序使计算机工作为上述各单元来工作。
在物流仓库1中储备从入货源入货的商品。并且，例如，基于来自电商交易(EC)经营者等的出货订购者的订购，针对所储备的商品，使商品向预定的出货目标出库。商品配置***10从入货源取得商品信息，基于该商品信息进行分组并进行出货预测，决定物流仓库1内的商品的最佳配置。另外，入货源可以与出货订购者相同。
仓库控制***15以能够相互通信的方式连接了商品配置***10、物流机器人16、便携式终端17和信息输入终端18。在物流仓库1中导入了多个接收仓库控制***15基于商品配置***10决定的商品配置生成的商品配置指示的物流机器人16、便携式终端17。仓库控制***15与物流机器人16或便携式终端17之间的通信可以设为无线LAN等无线通信。仓库控制***15构成为能够经由通信设备、GPS等来掌握物流机器人16、便携式终端17在物流仓库1内处于什么位置。
物流机器人16构成为能够基于商品配置指示来移动、配置商品。物流机器人16也可构成为，例如可自由行走，手持配置了商品的搁板或托盘，在手持这些物品的状态下移动，在预定的场所放置该搁板或托盘。物流机器人16还可构成为，例如利用臂把持1个或多个商品，通过吸附等各种手段来手持。
便携式终端17是在物流仓库1内进行商品的移动、配置的作业员携带的终端。便携式终端17向作业员通知商品配置指示，作业员基于该商品配置指示，进行商品的移动、配置等作业。作业员能够经由便携式终端17向仓库控制***15发送商品的移动、配置等作业完成的信息。
仓库控制***15能够从信息输入终端18取得商品的场所、商品信息等。信息输入终端18例如可以是智能手机、触摸型终端、移动电话或计算机等信息处理终端。由此，如果是商品的场所或商品信息未电子化到表单等的信息的情况下，能够将这些信息更有效地登记到仓库控制***15。具体而言，能够构成为，通过作业员将记载在表单等中的信息输入到智能手机或计算机等信息输入终端18，从而从信息输入终端18向仓库控制***15发送信息。此外，即使是仓库控制***15所管理的商品的场所不同于在实际仓库内配置有商品的场所，也能够向仓库控制***15发送在实际的仓库内配置有商品的场所的信息。
在物流仓库1内，商品被收纳在收纳区域。作为收纳区域，具体而言，是搁板(蜂窝箱)、托盘、架子等。收纳区域由于具有一定尺寸、承载重量，因此所收纳的商品是被限定的。此外，为了在有限的收纳区域内有效地收纳商品，考虑商品彼此之间的组合，需要进行计算。这种最优化计算在商品数特别多的情况下，对执行处理的终端要求高的处理能力。在本说明书中，将研究用于在收纳区域内有效收纳商品的组合的情况称作“货物匹配”。商品配置***10能够有效计算该货物匹配的问题(货物匹配最优化)。
商品配置***10在物流仓库1内计算用于更有效地使商品出货的商品配置(商品配置最优化)。向仓库控制***15指示由此最优化的商品配置。由于更有效地使商品出货的商品配置是指，例如，在输出口附近配置出货时期近的商品、出货频率高的商品的情况等。由此，进一步削减仓库内的物流机器人16或作业员的移动距离和/或工时。
商品配置***10的配置场所决定模块13决定各商品的配置场所。配置场所决定模块13可以在商品配置最优化时按每个商品组决定商品的配置，也可以以包含在商品组中的多个商品中的一部分商品为一个单位决定商品配置。包含在商品组的多个商品中的一部分商品是指，例如，通过货物匹配最优化，能够设置成被收纳在一个收纳区域中的商品的组合。例如，商品配置***10在通过货物匹配最优化在一个搁板配置了多个商品的情况下，能够以该一个搁板作为一个单位，决定商品配置。
商品配置***10也可以与位于物流仓库1的外部的外部服务器3、入货源服务器5、出货目标服务器7以相互可通信的方式。与商品配置***10的外部的连接可以是经由因特网的连接，根据需要，通信也可以是通过各种加密单元隐蔽的状态下能够进行通信。
外部服务器3构成为，与商品配置***10协作，能够进行出货预测、商品配置最优化、货物匹配最优化等各种处理。可以连接多个外部服务器3。例如，能够以利用商品配置***10分类的商品组为单位使外部服务器3进行上述的各种处理。由此，不会受限于使设置在物流仓库1中的商品配置***10运作的终端的处理能力，即使商品数增加也能够进行处理。即，多个外部服务器3与商品配置***10协作，能够通过所谓的分布式计算进行出货预测、商品配置最优化、货物匹配最优等各种处理。
商品配置***10能够从入货源服务器5接收商品信息。作为商品信息，包括商品ID、商品名、出货日期、出货数量、商品的包装重量、商品的包装状态的尺寸、个数、收纳区域的容量、仓库内滞留天数、期间平均出货频率、期间平均出货数量等。商品配置***10根据作为商品信息取得的过去的出货日期、出货数量等信息，预测(出货预测)将来的出货数量。商品配置***10适当利用这些信息和/或出货预测，能够进行出货预测、商品配置最优化、货物匹配最优化等各种处理。另外，商品ID可以不是每一个商品名，而是与同一商品名的大小不同或颜色不同等详细的特征或最小管理单位(SKU)对应的商品ID。
商品配置***10的配置场所决定模块13在配置场所最优化时，能够在多个商品组中，从每个商品组的出货数量和/或出货频率的代表值大的商品组起，依次决定配置场所。由此，能够对包括出货数量大且出货频率高的商品的商品组优先进行商品配置。通过先对出货数量大或出货频率高的商品组进行商品配置，从而能够将出货数量大且出货频率高的商品组优先配置在出货效率高的输出口附近。在此，每个商品组的出货数量和/或出货频率的代表值是基于包含在商品组中的各商品的出货数量、出货频率计算出的代表商品组的值。例如，能够基于各商品的出货数量、出货频率计算出其相加平均值、中值、总值等作为代表值。
配置场所决定模块13在进行配置场所最优化时也可以考虑商品在仓库内滞留天数来决定配置场所。例如，将仓库内滞留天数大的商品判断为日后出货的可能性低或高，进行配置场所最优化时提高或下降优先顺序。
商品配置***10能够从出货目标服务器7接收被退货的商品的商品信息。在此，被退货的商品是从物流仓库1将商品出货后，从出货目标被退货，由此在物流仓库1中进行保管的商品。作为退货理由，没有特别限定，例如可列举劣质产品、出处不明、配送目的地指定错误、订购者的订购错误等。作为从出货目标服务器7接收的商品信息，除了从入货源服务器5接收的上述的商品信息外，还包括退货日、退货理由等。被退货的商品与从入货源入货的商品一起，由商品配置***10进行分组、出货预测、配置场所决定。
商品配置***10向入货源服务器5、出货目标服务器7发送出货预测的结果、配置场所决定的结果等，可以与入货源、出货目标共享信息。由此，能够向入货源、出货目标通知更准确的出货时期，通过从入货源向订购者通知更准确的配送时期，或者向出货目标的配送员通知更准确的出货时期，从而能够缩短收货的时间，使物流更有效。
以下，参照图2A以及图2B来说明商品配置***10的处理流程。图2A以及图2B是表示商品配置***10的处理概要的流程图。图2A中的X以及Y对应于图2B中的X以及Y。
商品配置***10在处理开始时(START)，从入货源服务器5取得商品信息(S01)。出货预测模块12基于包含在商品信息中的过去的出货实际成绩，预测(出货预测)将来的出货数量以及出货时期(S02)。此时，作为过去的出货实际成绩，例如是包含在商品信息中的过去的出货数量、出货日期等。通过这种出货预测，求出将来的预定期间内的出货数量以及出货时期，利用这些，能够求出将来的预定期间内的出货量模式。关于出货量模式将后述。
分组模块11在通过出货预测求出的商品信息之中，求出出货数量、出货量模式、出货量峰值位置作为特征量，在商品彼此之间进行比较来计算出变化量(S03)。即，分组模块11分别比较某一商品的出货数量、出货量模式、出货量峰值位置与其他商品的出货数量、出货量模式、出货量峰值位置，求出各变化量。并且，分组模块11综合考虑出货数量、出货量模式、出货量峰值位置的各变化量，计算出商品彼此间的综合变化量。另外，分组模块11基于计算出的变化量，将多个商品分类到多个商品组(S04)。分组模块11进行的变化量、综合变化量的计算将后述。
商品配置***10在分类出的各商品组中，确认在S01中从入货源服务器5取得的商品信息中是否包含商品的尺寸以及重量的信息(S05)。另外，若S05的判断是在S01中从入货源服务器5取得商品信息之后进行，则可以在任意时刻进行。
在商品信息中不包含商品的尺寸以及重量的信息的情况下(S05的否)，商品配置***10测定商品的尺寸以及重量，向商品信息写入已测定的尺寸以及重量的数据(S06)。在商品信息中包含尺寸以及重量的信息的情况下(S05的是)，或向商品信息写入在S06中测定的尺寸以及重量的数据之后，商品配置***10确认商品的尺寸、重量以及滞留天数是否在预定范围内(S07)。
在商品的尺寸、重量以及滞留天数在预定范围外的情况下(S07的否)，商品配置***10除了基于在S03中计算出的变化量的大小外，还基于商品的尺寸、重量以及滞留天数再次计算商品到商品组的分类，再次进行向商品组的分类(S08)。此时，将各商品再次向商品组分类的结果，当然可以存在被分类到与再次分类前相同的商品组的商品。
在商品的尺寸、重量以及滞留天数在预定范围内的情况下(S07的是)，或在S08中进行商品的再次分类之后，配置场所决定模块13基于出货预测，决定每个商品组的配置场所以及商品的配置场所(S09)。
商品配置***10反复进行以上的处理(S10的否)。作为反复的时机，例如，可以每隔恒定时间、在预定时间内更新了商品信息时等在适当的时机从S01开始再次开始处理。
以下，对商品配置***10所具备的分组模块11、出货预测模块12、配置场所决定模块13的各模块具有的分组功能、出货预测功能、配置场所决定功能这些功能进行详细说明。
<分组功能>
分组功能具有取得与各商品相关的多个特征量的特征量取得功能。
在此，特征量意味着可表示商品的入货以及出货的倾向和/或特征的值。具体而言，可列举物流仓库1中的商品的出货数量、出货数量的经时变化(以下也称作“出货量模式”)以及出货数量的经时变化中的最大峰值的位置(以下也称作“出货量峰值位置”)。
作为出货数量，可以设为预定期间内的出货数量。作为预定期间，例如，可以设为过去1个月间、过去3个月间、过去1年间等任意的期间。
出货数量的经时变化(出货量模式)意味着与时间的经过一起发生变化的出货数量的增减。即，利用纵轴为出货数量、横轴为时间的图表表现时，出货数量的经时变化可以表示为该图表的图样(形状)。出货量模式可以设为预定期间内的上述图表的图样(形状)。
出货数量的经时变化(出货量模式)中的最大峰值的位置(出货量峰值位置)意味着出货数量的经时变化(出货量模式)中预定时间内的峰值的位置。即，在利用纵轴为出货数量、横轴为时间的图表表现时，出货量峰值位置可以表示为该图样中的最大峰值的位置(时间点)。
以下，说明特征量为出货数量、出货量模式、出货量模式的最大峰值位置的情况，但是作为特征量并不限于这些，例如，还可以是关于过去分组的商品组的出货数量、关于商品的过去的推广活动、营销活动的实施时期或预期的效果、气温或湿度、日照时间、降水量等天气状态等。特征量取得功能可根据状况任意选择性地取得这些特征量。特征量取得功能所取得的特征量的数量(种类)没有特别限定。
分组功能具有将通过特征量取得功能取得的各特征量与其他商品的各特征量分别进行比较并计算出关于各特征量的变化量的特征量比较功能。
在特征量为出货数量的情况下，能够比较某一商品(商品A)在预定期间内的出货数量与其他商品(商品B)在预定期间内的出货数量。该比较结果可计算出商品A与商品B的出货数量之差作为变化量。在商品A和商品B中，获得比较对称的出货数量的预定期间可以相同也可以不同。即，根据状况，在商品A和商品B中，可以比较同一预定期间的出货数量，也可以比较不同预定期间的出货数量。在比较出货数量时，预定期间可以是多个。
图3是表示特征量为出货数量时的特征量比较的一例的说明图。在图3所示的图表中，实线表示商品A的出货数量，虚线表示商品B的出货数量。该图表中，纵轴是出货数量，横轴是时间。
通过预定期间内的商品A与商品B的比较，在图3的图表中，例如，能够计算出预定期间P1、P2、P3、P4各自的出货数量之差D1、D2、D3、D4等作为变化量。预定期间P1例如可以是某一日一整天，P2可以是其次日一整天等。在这样存在多个预定期间的情况下，变化量例如可通过下述式(1)计算出。
[(D1)2+(D2)2+(D3)2+(D4)2+···]1/2 式(1)
式(1)中，D1、D2、D3、D4如上述那样是预定期间P1、P2、P3、P4各自的出货数量之差。
在特征量为出货数量的经时变化(出货量模式)的情况下，能够比较商品A与商品B在预定期间内的出货量模式彼此。此时，预定期间在商品A和商品B中可以是同一期间也可以是不同的期间。通过比较不同期间的商品A的出货量模式与商品B的出货量模式，虽然时期不同，但是能够将表示类似的出货量模式的商品分类为同一组。此外，预定期间的长度可以任意决定。预定期间可以在出货量模式的任意时期(位置)设置多个。例如，通过使用人工智能，能够决定预定期间，使得选择性地比较出货量模式的特征性的形状部分，包含具有特征性的形状的出货量模式部分。
图4是表示特征量为出货量模式时的特征量比较的一例的说明图。在图4所示的图表中，用实线表示了商品A的出货量模式，用虚线表示了商品B的出货量模式。在该图表中，纵轴是出货数量，横轴是时间。通过比较图4的图表所示的图样的形状，能够比较作为特征量的出货量模式。
接着，说明为了比较作为特征量的出货量模式彼此而分析出货量模式的方法的一例。图5是表示出货量模式的分析方法的说明图。在图5所示的图表中，用实线表示了商品A的出货量模式。在该图表中，纵轴是出货数量，横轴是时间。
在图5的图表中，按恒定期间划分了商品A的出货量模式。作为恒定期间，没有特别限制，优选划分出货量模式的各恒定期间的长度相同。例如，在图5中，预定期间是100日，恒定期间是20日。由此，出货量模式被划分为每隔20日的5个期间。
利用恒定期间划分的出货量模式在划分的每个恒定期间内被平滑化。在此，平滑化意味着，关于划分的各恒定期间内的出货量模式，决定各恒定期间内的出货数量的代表值，将各恒定期间内的出货量模式当作该代表值(恒定值)来近似。代表值可通过任意的方法决定，例如，可通过求出移动平均值、恒定期间内的出货数量的相加平均值、中值、总值等来决定。
接着，基于在各恒定期间内被平滑化的值(代表值)，赋予对根据出货数量的分布决定的区域分配的标签。在此，出货数量的分布是任意期间内的出货数量的分布，可以根据其分布方式来适当决定区域。在此，任意的期间可以是预定期间，也可以是包括预定期间的过去的所有期间。此外，作为对象的商品可以被限定为同一商品，也可以将对象扩大到类似的商品。例如，在出货数量的分布为正态分布的情况下，可以将与平均值μ的偏离为1σ或1/2σ、2σ等的范围决定为一个区域，可以将除了包含平均值μ的区域的区域设为1σ、2σ等的范围。
作为分配给上述的区域的标签，例如，如图5所示，可以从出货数量少的一方起依次按a、b、c等这样分配任意的标签。并且，作为出货量模式的恒定期间的标签，赋予被分配到包含在各该恒定期间被平滑化的值(代表值)的区域的标签。例如，在图5的出货量模式中，1～20日的期间赋予标签“c”，21～40日的期间赋予标签“a”，41～60日的期间赋予标签“b”，61～80日的期间赋予标签“b”，81～100日的期间赋予标签“c”。由此，图5的出货量模式可被表现为“cabbc”这样的字符串。
通过如此分析出货量模式，按每个恒定期间赋予标签，从而能够利用字符串表现出货量模式的大致情形。比较作为特征量的出货量模式彼此时，也可以比较该字符串彼此。
在字符串彼此的比较中，能够比较对应的恒定期间内的标签彼此。针对标签间的类似性，可以预先赋予任意的数值，例如，可以在类似性高的情况下预先赋予小的值，在类似性低的情况下赋予大的值。由此，在比较了两个标签的情况下，能够根据赋予了标签的出货数量的近似性，利用变化量(数值)表示出货量模式的类似与否。针对对应的恒定期间的标签彼此，能够利用数值的大小表现各自的类似与否。通过相加对各恒定期间赋予的变化量，从而能够利用数值的大小表现预定期间内的出货量模式彼此的类似与否。
例如，在商品A的出货量模式(图5)为“cabbc”，商品B的出货量模式(比较对象，未图示)为“abcba”，则从各字符串的第一位开始按顺序直到第五位分别比较“c”与“a”、“a”与“b”、“c”与“c”、“b”与“b”、“c”与“c”这样，根据标签的类似与否赋予预先决定的数值。将得到的五个数值进行相加，能够利用数值表现商品A与商品B的出货量模式的类似与否。
在特征量为出货量峰值位置的情况下，能够比较商品A与商品B在预定期间内的出货量模式的峰值位置彼此。此时，预定期间优选在商品A与商品B中是同一期间。在比较商品A与商品B的出货量模式的峰值位置彼此时，具体而言，能够将商品A的峰值位置与商品B的峰值位置之间的时间(距离)设为变化量。
图6是表示特征量为出货量峰值位置时的特征量比较的一例的说明图。在图6所示的图表中，用实线表示了商品A的出货量模式，用虚线表示了商品B的出货量模式。在该图表中，纵轴是出货数量，横轴是时间。通过比较图6的图表所示出的图样的峰值位置，能够比较作为特征量的出货量峰值位置。具体而言，图6中所示的距离Dp是商品A的峰值位置与商品B的峰值位置之间的距离。
通过以上的方法，比较作为特征量的出货数量、出货量模式、出货量峰值位置，能够分别利用变化量来表现类似度。对这些变化量分别乘上系数之后进行相加，能够求出两个商品之间的综合变化量。基于该综合变化量，能够将商品分类到多个商品组。
在求出综合变化量时，与各变化量相乘的系数没有特别限制，可以采用任意的实数。也可以构成为，这些系数可以利用人工智能来决定，从基于所决定的系数的出货预测与实际的出货状况之间的比较中，通过人工智能学习，能够决定更适当的系数。
(实施例)
以下，利用实施例说明本发明的商品配置***10。另外，本发明并不限于该实施例。
在本实施例中，说明商品配置***10从作为入货源的电商交易(EC)经营者取得过去的出货数据的情况。商品配置***10若从EC经营者的入货源服务器5取得出货数据，则分析包含在出货数据中的出货实际成绩，针对各商品生成出货量模式。
商品配置***10基于出货数据以及以出货数据为基础生成的出货量模式，向多个组进行分类。具体而言，针对各商品，与其他所有商品分别比较作为特征量的出货数量、出货量模式、出货量峰值位置，作为综合变化量计算出其类似度。
图7是表示本实施例的出货数据的表。出货数据中保存有商品ID、商品名、出货日以及出货数量(数量)等各值。在图7的表中，从左开始设置有“商品ID”、“商品名”、“出货日”、“出货数量”的列。例如，商品ID为“A0001”的商品名是“T恤(红)”，在2017年1月1日出货11个。此外，相同的商品在2017年1月2日出货11个，在2017年1月3日出货1个。商品ID为“A0002”的商品名是“T恤(蓝)”，在2017年1月1日出货8个。
在此，作为代表例，说明商品A0001与商品A0002的比较。出货数量是基于图7的表所示出的出货数据并通过现有技术中公知的方法预测的。图8是表示基于出货数据的出货预想结果的表。在图8的表中，关于商品A0001以及商品A0002，示出了2017年12月22日至该月30日的出货数量的预测结果。此时，预定期间的出货数量能不仅基于从入货源取得的过去的出货数据，还基于与同一商品相关的所有信息进行预测。例如，除了特定的入货源外，还可以基于从其他入货源取得的过去的出货数据、类似商品的出货数据、商品的销路、趋势、各种广告等来预测。
图9是表示商品A0001以及商品A0002的预定期间附近的出货量模式的图表。图9中，纵轴是出货数量，横轴是时间。
(出货数量的比较)
关于商品A0001以及商品A0002，基于作为预定期间的2017年12月25日至27日为止的各日的预想出货数量之差D1、D2、D3，如下求出出货数量的变化量。
[(D1)2+(D2)2+(D3)2]1/2
＝[|11–20|2+|1–7|2+|2–6|2]1/2
≈11.5
(出货量模式的比较)
关于商品A0001以及商品A0002，比较作为预定期间的2017年12月22日至2017年12月30日为止的出货量模式。在此，分析出货量模式的情况下的恒定期间是3日。图10是商品A0001以及商品A0002的出货量模式的分析结果的说明图。如图10所示，商品A0001的出货量模式基于各恒定期间内的出货数量被赋予标签，可表现为“bac”。如图10所示，商品A0002的出货量模式基于各恒定期间内的出货数量被赋予标签，可表现为“bbc”。
图11是表示出货量模式的比较中的标签间的类似度的图。在商品A0001与商品A0002中，在各恒定期间内对应的标签是“b”与“ba”、“a”与“b”、“c”与“a”，通过将这些类似度进行相加，从而如下那样求出商品A0001与商品A0002之间的出货量模式的变化量。
(b，b)+(a，b)+(c，a)
＝0+0.53+1.39
＝1.92
(出货量峰值位置的比较)
作为预定期间的2017年12月22日至2017年12月30日为止的出货量模式中的商品A0001的出货量峰值位置(日期)是2017年12月28日。同样地，商品A0002的出货量峰值位置(日期)是2017年12月25日。因此，商品A0001与商品A0002之间的距离即商品A0001与商品A0002之间的出货量峰值位置的变化量求出为3。
针对以上求出的出货数量、出货量模式、出货量峰值位置的各变化量，乘以人工智能基于过去的出货预测与实际的出货状况的比较学习所决定的最佳的系数，来求出综合变化量。
如以上所述那样对所有的商品组合进行商品的一对一的比较，对各组合来关联分别求出的综合变化量。然后，基于综合变化量的值的大小，将大量商品分类(分组)到多个商品组。
分类到每个商品组的商品分别在每个商品组中进行配置场所决定以及货物匹配最优化的运算。此时，商品配置***10按每个商品组向外部服务器3发送商品信息，在该外部服务器3中进行运算。外部服务器3经由因特网与商品配置***10连接。外部服务器3的数量是与商品组的数量对应的数量，向各外部服务器3发送包含在一个商品组中的各商品的商品信息，在各外部服务器3中进行货物匹配最优化的运算。
这里的商品信息具体而言包括商品ID、商品名、出货日期、出货数量、商品的包装重量、商品的包装状态的尺寸、个数、收纳箱的容量、仓库内滞留天数、期间平均出货频率、期间平均出货数量等各信息。各外部服务器3基于这些信息，对收纳在各收纳箱中的商品的组合进行最优化(货物匹配最优化)，并且运算用于使出货高效化的最佳的商品配置。向商品配置***10发送运算结果。
接着，商品配置***10按分类出的每个商品组来预测(出货预测)商品的出货数量以及出货时期。然后，商品配置***10基于出货预测，决定每个商品组的配置场所以及商品的配置场所，使得出货最高效。
以上，说明了本发明的优选的实施方式，但是本发明并不限于这些实施方式，可以在其宗旨范围内进行各种变形或变更。例如，本发明包括以下的宗旨。
(宗旨1)提供一种商品配置***，具有：分组单元，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于某一商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；出货预测单元，从所述出货数据中针对各所述商品取得过去的出货实际成绩，基于所取得的所述出货实际成绩预测所述多个商品的出货数量；和配置场所决定单元，基于所述出货预测单元进行的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所。
由此，能够使商品配置的计算高效化。
(宗旨2)所述特征量可以是所述商品的出货数量、所述商品的出货数量的经时变化以及所述商品的出货数量的经时变化中的最大峰值的位置之中的两个以上。
(宗旨3)在所述多个特征量之中的一个是所述出货数量的经时变化的情况下，可以在关于某一商品的出货数量的经时变化与关于其他商品的出货数量的经时变化的比较中，按每个恒定期间来平滑化所取得的出货数量的经时变化图样，根据按每个所述恒定期间平滑化的值，按每个所述恒定期间划分为多个部分，在对应的每个所述恒定期间，比较关于某一商品的出货数量的经时变化的部分与关于其他商品的出货数量的经时变化的部分，求出根据已比较的所述部分彼此的类似与否而决定的变化量的总和，来设为作为所述特征量的所述出货数量的经时变化的变化量。
(宗旨4)可以使所述特征量的每个变化量乘以系数后进行相加，求出商品间的所述特征量的综合变化量，并基于该综合变化量将多个所述商品分类到多个所述商品组。
(宗旨5)可以在所述商品的尺寸和/或重量处于预定范围外的情况下，所述分组单元不但基于计算出的所述变化量的大小，还基于所述商品的尺寸和/或重量，来将所述多个商品分类到多个商品组。
(宗旨6)所述配置场所决定单元可以具有连接了多个计算机的构成，所述计算机针对由所述分组单元分类出的多个所述商品组中的一个以上的所述商品组，决定每个所述商品组的配置场所以及所述多个商品的配置场所。
(宗旨7)所述配置场所决定单元可以在多个所述商品组中，从每个所述商品组的出货数量和/或出货频率的代表值大的商品组起依次决定所述商品的配置场所。
(宗旨8)还提供一种商品配置方法，包括：分组步骤，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于某一商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；出货预测步骤，预测所述多个商品的出货数量以及出货时期；和配置场所决定步骤，基于所述出货预测步骤中的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所。
(宗旨9)还提供一种商品配置程序，使计算机起到如下功能，即：分组单元，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于某一商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；出货预测单元，预测所述多个商品的出货数量以及出货时期；和配置场所决定单元，基于所述出货预测单元进行的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所。
(符号说明)
1：物流仓库 3：外部服务器
5：入货源服务器 7：出货目标服务器
10：商品配置*** 11：分组模块
12：出货预测模块 13：配置场所决定模块
15：仓库控制*** 16：物流机器人
17：便携式终端 18：信息输入终端
权利要求书(按照条约第19条的修改)
1.(修改后)、一种商品配置***，具有：
分组单元，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于一个商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；
出货预测单元，从所述出货数据中针对各所述商品取得过去的出货实际成绩，基于所取得的所述出货实际成绩预测所述多个商品的出货数量；和
配置场所决定单元，基于所述出货预测单元进行的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所，
在所述商品的尺寸和/或重量处于预定范围外的情况下，所述分组单元不但基于计算出的所述变化量的大小，还基于所述商品的尺寸和/或重量，来将所述多个商品分类到多个商品组。
2.根据权利要求1所述的商品配置***，其中，
所述特征量是所述商品的出货数量、所述商品的出货数量的经时变化以及所述商品的出货数量的经时变化中的最大峰值的位置之中的两个以上。
3.根据权利要求2所述的商品配置***，其中，
在所述多个特征量之中的一个是所述出货数量的经时变化的情况下，在关于一个商品的出货数量的经时变化与关于其他商品的出货数量的经时变化的比较中，
按每个恒定期间来平滑化所取得的出货数量的经时变化图样，
根据按每个所述恒定期间平滑化的值，按每个所述恒定期间划分为多个部分，
在对应的每个所述恒定期间，比较关于一个商品的出货数量的经时变化的部分与关于其他商品的出货数量的经时变化的部分，
求出根据已比较的所述部分彼此的类似与否而决定的变化量的总和，来设为作为所述特征量的所述出货数量的经时变化的变化量。
4.根据权利要求1至3中的任一项所述的商品配置***，其中，
使所述特征量的每个变化量乘以系数后进行相加，求出商品间的所述特征量的综合变化量，并基于该综合变化量将多个所述商品分类到多个所述商品组。
5.(删除)。
6.根据权利要求1至4中的任一项所述的商品配置***，其中，
所述配置场所决定单元具有连接了多个计算机的构成，
所述计算机针对由所述分组单元分类出的多个所述商品组中的一个以上的所述商品组，决定每个所述商品组的配置场所以及所述多个商品的配置场所。
7.根据权利要求1至4以及6中的任一项所述的商品配置***，其中，
所述配置场所决定单元在多个所述商品组中从每个所述商品组的出货数量和/或出货频率的代表值大的商品组起依次决定所述商品的配置场所。
8.(修改后)、一种商品配置方法，包括：
分组步骤，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于一个商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；
出货预测步骤，预测所述多个商品的出货数量以及出货时期；和
配置场所决定步骤，基于所述出货预测步骤中的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所，
在所述分组步骤中，在所述商品的尺寸和/或重量处于预定范围外的情况下，不但基于计算出的所述变化量的大小，还基于所述商品的尺寸和/或重量，来将所述多个商品分类到多个商品组。
9.(修改后)、一种商品配置程序，使计算机起到如下功能，即：
分组单元，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于一个商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；
出货预测单元，预测所述多个商品的出货数量以及出货时期；和
配置场所决定单元，基于所述出货预测单元进行的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所，
在所述商品的尺寸和/或重量处于预定范围外的情况下，所述分组单元不但基于计算出的所述变化量的大小，还基于所述商品的尺寸和/或重量，来将所述多个商品分类到多个商品组。
Claims (9)
1.一种商品配置***，具有：
分组单元，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于一个商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；
出货预测单元，从所述出货数据中针对各所述商品取得过去的出货实际成绩，基于所取得的所述出货实际成绩预测所述多个商品的出货数量；和
配置场所决定单元，基于所述出货预测单元进行的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所。
2.根据权利要求1所述的商品配置***，其中，
所述特征量是所述商品的出货数量、所述商品的出货数量的经时变化以及所述商品的出货数量的经时变化中的最大峰值的位置之中的两个以上。
3.根据权利要求2所述的商品配置***，其中，
在所述多个特征量之中的一个是所述出货数量的经时变化的情况下，在关于一个商品的出货数量的经时变化与关于其他商品的出货数量的经时变化的比较中，
按每个恒定期间来平滑化所取得的出货数量的经时变化图样，
根据按每个所述恒定期间平滑化的值，按每个所述恒定期间划分为多个部分，
在对应的每个所述恒定期间，比较关于一个商品的出货数量的经时变化的部分与关于其他商品的出货数量的经时变化的部分，
求出根据已比较的所述部分彼此的类似与否而决定的变化量的总和，来设为作为所述特征量的所述出货数量的经时变化的变化量。
4.根据权利要求1至3中的任一项所述的商品配置***，其中，
使所述特征量的每个变化量乘以系数后进行相加，求出商品间的所述特征量的综合变化量，并基于该综合变化量将多个所述商品分类到多个所述商品组。
5.根据权利要求1至4中的任一项所述的商品配置***，其中，
在所述商品的尺寸和/或重量处于预定范围外的情况下，所述分组单元不但基于计算出的所述变化量的大小，还基于所述商品的尺寸和/或重量，来将所述多个商品分类到多个商品组。
6.根据权利要求1至5中的任一项所述的商品配置***，其中，
所述配置场所决定单元具有连接了多个计算机的构成，
所述计算机针对由所述分组单元分类出的多个所述商品组中的一个以上的所述商品组，决定每个所述商品组的配置场所以及所述多个商品的配置场所。
7.根据权利要求1至6中的任一项所述的商品配置***，其中，
所述配置场所决定单元在多个所述商品组中从每个所述商品组的出货数量和/或出货频率的代表值大的商品组起依次决定所述商品的配置场所。
8.一种商品配置方法，包括：
分组步骤，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于一个商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；
出货预测步骤，预测所述多个商品的出货数量以及出货时期；和
配置场所决定步骤，基于所述出货预测步骤中的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所。
9.一种商品配置程序，使计算机起到如下功能，即：
分组单元，从与多个商品相关的出货数据中针对各所述商品分别取得多个特征量，对关于一个商品取得的各所述特征量和关于其他商品取得的各所述特征量，分别在对应的所述特征量彼此之间进行比较，计算出对应的所述特征量彼此之间的变化量，并基于计算出的所述变化量的大小将所述多个商品分类到多个商品组；
出货预测单元，预测所述多个商品的出货数量以及出货时期；和
配置场所决定单元，基于所述出货预测单元进行的出货预测，决定分类出的每个所述商品组的配置场所以及所述多个商品的配置场所。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2017/041549 WO2019097694A1 (ja) | 2017-11-17 | 2017-11-17 | 商品配置システム、商品配置方法、及び商品配置プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110050288A true CN110050288A (zh) | 2019-07-23 |
Family
ID=65037157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780032855.4A Pending CN110050288A (zh) | 2017-11-17 | 2017-11-17 | 商品配置***、商品配置方法以及商品配置程序 |
Country Status (5)
| Country | Link |
|---|---|
| EP (1) | EP3712833A4 (zh) |
| JP (1) | JP6457705B1 (zh) |
| CN (1) | CN110050288A (zh) |
| SG (1) | SG11202004554WA (zh) |
| WO (1) | WO2019097694A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036958A (zh) * | 2020-09-10 | 2020-12-04 | 青岛网信信息科技有限公司 | 基于数字营销订单大数据的商品优化配置方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6884169B2 (ja) * | 2019-04-17 | 2021-06-09 | 株式会社日立製作所 | 物品配置最適化システム及び方法 |
| JP7406447B2 (ja) | 2020-04-30 | 2023-12-27 | ロジスティード株式会社 | 計算機システム及びアイテムの需要予測方法 |
| CN117699318B (zh) * | 2024-02-05 | 2024-04-16 | 四川嘉智生态科技有限公司 | 一种货物智能入库装置及方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003296419A (ja) * | 2002-04-02 | 2003-10-17 | Yappa Corp | 棚割り支援システム |
| JP2004059199A (ja) * | 2002-07-26 | 2004-02-26 | Amada Co Ltd | ワークのグループ化集積処理システム |
| JP2004075319A (ja) * | 2002-08-20 | 2004-03-11 | Murata Mach Ltd | 入出荷管理システム |
| EP1428773A1 (en) * | 2001-06-06 | 2004-06-16 | Honda Giken Kogyo Kabushiki Kaisha | Method for setting storage fee of article storage rack |
| JP2006185079A (ja) * | 2004-12-27 | 2006-07-13 | Biznet Corp | 商品の販売及び預かり管理システム |
| JP2008117410A (ja) * | 2001-12-28 | 2008-05-22 | Hitachi Ltd | 卸売方法 |
| JP2009298555A (ja) * | 2008-06-13 | 2009-12-24 | Seibu Electric & Mach Co Ltd | 仕分け方法 |
| US20130325638A1 (en) * | 2012-06-04 | 2013-12-05 | CVDM-Solutions | Method, system and computer program for assigning an assortment of products to an existing planogram |
| JP2014146190A (ja) * | 2013-01-29 | 2014-08-14 | Nomura Research Institute Ltd | 棚割管理システム |
| JP2016222455A (ja) * | 2015-06-04 | 2016-12-28 | Ｊｆｅスチール株式会社 | 荷役作業決定装置および荷役作業決定方法 |
| CN106779567A (zh) * | 2017-01-17 | 2017-05-31 | 嘉曼服饰（天津）有限公司 | 入货区域划分方法及其装置 |
| CN107111804A (zh) * | 2015-02-26 | 2017-08-29 | 株式会社日立物流 | 商品货架布置设计装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3613383B2 (ja) * | 1999-06-09 | 2005-01-26 | 富士通株式会社 | 商品配置計画支援システム及びそのシステムでの処理をコンピュータに行わせるためのプログラムを格納した記憶媒体 |
| JP5434204B2 (ja) * | 2009-04-03 | 2014-03-05 | 新日鐵住金株式会社 | 製品搬送作業量予測装置、製品搬送作業量予測方法、及びコンピュータプログラム |
| JP5736709B2 (ja) | 2010-09-29 | 2015-06-17 | Ｊｆｅスチール株式会社 | 製品置場の置場運用支援方法および置場運用支援処理装置 |
| US8930235B2 (en) * | 2012-04-17 | 2015-01-06 | Oracle International Corporation | Shelf space product placement optimizer |
-
2017
- 2017-11-17 CN CN201780032855.4A patent/CN110050288A/zh active Pending
- 2017-11-17 JP JP2018541233A patent/JP6457705B1/ja not_active Expired - Fee Related
- 2017-11-17 EP EP17932412.4A patent/EP3712833A4/en not_active Withdrawn
- 2017-11-17 SG SG11202004554WA patent/SG11202004554WA/en unknown
- 2017-11-17 WO PCT/JP2017/041549 patent/WO2019097694A1/ja unknown
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1428773A1 (en) * | 2001-06-06 | 2004-06-16 | Honda Giken Kogyo Kabushiki Kaisha | Method for setting storage fee of article storage rack |
| JP2008117410A (ja) * | 2001-12-28 | 2008-05-22 | Hitachi Ltd | 卸売方法 |
| JP2003296419A (ja) * | 2002-04-02 | 2003-10-17 | Yappa Corp | 棚割り支援システム |
| JP2004059199A (ja) * | 2002-07-26 | 2004-02-26 | Amada Co Ltd | ワークのグループ化集積処理システム |
| JP2004075319A (ja) * | 2002-08-20 | 2004-03-11 | Murata Mach Ltd | 入出荷管理システム |
| JP2006185079A (ja) * | 2004-12-27 | 2006-07-13 | Biznet Corp | 商品の販売及び預かり管理システム |
| JP2009298555A (ja) * | 2008-06-13 | 2009-12-24 | Seibu Electric & Mach Co Ltd | 仕分け方法 |
| US20130325638A1 (en) * | 2012-06-04 | 2013-12-05 | CVDM-Solutions | Method, system and computer program for assigning an assortment of products to an existing planogram |
| JP2014146190A (ja) * | 2013-01-29 | 2014-08-14 | Nomura Research Institute Ltd | 棚割管理システム |
| CN107111804A (zh) * | 2015-02-26 | 2017-08-29 | 株式会社日立物流 | 商品货架布置设计装置 |
| JP2016222455A (ja) * | 2015-06-04 | 2016-12-28 | Ｊｆｅスチール株式会社 | 荷役作業決定装置および荷役作業決定方法 |
| CN106779567A (zh) * | 2017-01-17 | 2017-05-31 | 嘉曼服饰（天津）有限公司 | 入货区域划分方法及其装置 |
Non-Patent Citations (1)
| Title |
|---|
| T. LAMBALLAIS, D. ROY, M.B.M.DE KOSTER: "Inventory Allocation in Robotic Mobile Fulllment Systems", 《SSRN ELECTRONIC JOURNAL》, pages 1 - 43 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036958A (zh) * | 2020-09-10 | 2020-12-04 | 青岛网信信息科技有限公司 | 基于数字营销订单大数据的商品优化配置方法 |
| CN112036958B (zh) * | 2020-09-10 | 2023-09-22 | 青岛网信信息科技有限公司 | 基于数字营销订单大数据的商品优化配置方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3712833A4 (en) | 2021-06-23 |
| JPWO2019097694A1 (ja) | 2019-11-21 |
| SG11202004554WA (en) | 2020-06-29 |
| JP6457705B1 (ja) | 2019-01-23 |
| EP3712833A1 (en) | 2020-09-23 |
| WO2019097694A1 (ja) | 2019-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106875148B (zh) | 用于为物品确定存放位置的方法和装置 | |
| Alyahya et al. | Application and integration of an RFID-enabled warehousing management system–a feasibility study | |
| CN105867322B (zh) | 用于材料处理设备中的程序管理的***和方法 | |
| US11989689B2 (en) | Optimizing pallet location in a warehouse | |
| Low et al. | Coordination of production scheduling and delivery problems with heterogeneous fleet | |
| CN110050288A (zh) | 商品配置***、商品配置方法以及商品配置程序 | |
| Wang et al. | A new-generation automated warehousing capability | |
| Tan et al. | Optimizing parcel sorting process of vertical sorting system in e-commerce warehouse | |
| Zhang et al. | The dynamic stocking location problem–Dispersing inventory in fulfillment warehouses with explosive storage | |
| Çeven et al. | Optimal wave release times for order fulfillment systems with deadlines | |
| CN110390449A (zh) | 仓库补货方法和装置 | |
| Küçükoğlu et al. | Two-stage optimisation method for material flow and allocation management in cross-docking networks | |
| KR101576026B1 (ko) | 상품간 투입 시간을 최소화하기 위한 ptl 분배 시스템 및 그 방법 | |
| CN111768052A (zh) | 基于算法模型的整车厂进场物流路线自动规划方法 | |
| CN109308593A (zh) | 一种基于物联网的机械制造产品存放运输***及方法 | |
| Xu et al. | Assignment of parcels to loading stations in robotic sorting systems | |
| Marjani et al. | Bi-objective heuristics for multi-item freights distribution planning problem in crossdocking networks | |
| Wang et al. | A RFID-based automated warehouse design | |
| Mousavi et al. | Optimal design of the cross-docking in distribution networks: Heuristic solution approach | |
| Arkat et al. | Truck scheduling problem in a cross-docking system with release time constraint | |
| Lewczuk et al. | Supportive role of dynamic order picking area in distribution warehouse | |
| Eckrot et al. | A simulated annealing approach to optimal storing in a multi-level warehouse | |
| Golias et al. | A bi-objective model to minimize service and storage time at a cross dock facility | |
| Sarudin et al. | Mixed integer goal programming model for ABC classification based warehouse storage volume and travel distance optimization | |
| CN113570179A (zh) | 容器确定方法及装置、电子设备和计算机可读存储介质 |
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 |