物料采购订单的自动生成方法及***、服务器及介质
技术领域
本发明涉及智能化物料采购技术,尤其是涉及一种物料采购订单的自动生成方法及***、服务器及存储介质。
背景技术
随着现代商业的蓬勃发展,对需要进行商品销售公司或平台的货物管理也提出了更高要求。为了保障货品的供应平衡,同时考虑到仓库的库存减少积压,经常需要进行动态采购,一般根据近期销售情况以及业务目标等,及时采购对应货品,监控协调库存,使货品销售实现合理的协调管理。
目前,现有的库存管理多是通过人工或基础库存管理***进行库存数据管理,会存在人工成本高且人工统计容易出现错漏,而现有的基础库存管理***统计的数据较为单一,生成的物料采购订单与实际市场需求不符合,亦需要进行人为调整,从而无法高效精确的制定出物料采购订单。
发明内容
本发明的目的在于克服上述技术不足,提出一种物料采购订单的自动生成方法及***、服务器及存储介质,解决现有人工统计成本高、效率低、基础库存管理***统计结果与市场需求不符等问题。
为达到上述技术目的,本发明的技术方案第一方面提供一种物料采购订单的自动生成方法,其包括如下步骤:
S1、回溯上一次相同物料的采购数量,对比上一次所述物料采购时的客户数量与当前的客户数量,根据客户增减比例对上一次所述物料采购数量进行调整得到本次的所述物料基础采购数据;
S2、统计客户的好评率和二次购买率,并根据客户的好评率和二次购买率对所述物料基础采购数据进行调整,得到所述物料进阶采购数据;
S3、构建基于温度气候的物料销量深度学习模型,通过物料销量深度学习模型获得当前预计物料销量,根据预计物料销量对所述物料进阶采购数据进行修正得到所述物料最终采购数据,生成物料采购订单;
其中,所述步骤S1包括如下分步骤:
S11、收集整理往期所述物料采购数据以及往期的客户数量,分别制作往期所述物料采购数据的变化曲线图和往期的客户数量的变化曲线图;
S12、分别计算上一次采购时的所述物料采购数据曲线斜率与客户数量曲线斜率之间的比例系数,以及本次采购时客户数量曲线的斜率;
S13、根据本次采购时客户数量曲线的斜率以及斜率的比例系数对上一次所述物料采购数量进行调整,得到本次所述物料采购数据,进而得到所述物料基础采购数据。
本发明第二方面提供一种物料采购订单的自动生成***,其特征在于,包括如下功能模块:
基础数据计算模块,用于回溯上一次相同物料的采购数量,对比上一次所述物料采购时的客户数量与当前的客户数量,根据客户增减比例对上一次所述物料采购数量进行调整得到本次的所述物料基础采购数据;
进阶数据计算模块,用于统计客户的好评率和二次购买率,并根据客户的好评率和二次购买率对所述物料基础采购数据进行调整,得到所述物料进阶采购数据;
最终数据计算模块,用于构建基于温度气候的物料销量深度学习模型,通过物料销量深度学习模型获得当前预计物料销量,根据预计物料销量对所述物料进阶采购数据进行修正得到所述物料最终采购数据,生成物料采购订单;
其中,所述基础数据计算模块包括如下功能单元:
曲线图制作单元,用于收集整理往期所述物料采购数据以及往期的客户数量,分别制作往期所述物料采购数据的变化曲线图和往期的客户数量的变化曲线图;
斜率计算单元,用于分别计算上一次采购时的所述物料采购数据曲线斜率与客户数量曲线斜率之间的比例系数,以及本次采购时客户数量曲线的斜率;
数据调整单元,用于根据本次采购时客户数量曲线的斜率以及斜率的比例系数对上一次所述物料采购数量进行调整,得到本次所述物料采购数据,进而得到所述物料基础采购数据。
本发明第三方面提供一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述物料采购订单的自动生成方法的步骤。
本发明第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述物料采购订单的自动生成方法的步骤。
与现有技术相比,本发明根据往期所述物料采购数据的变化曲率和往期的客户数量的变化曲率,计算得到本次所述物料采购基础数据,然后结合客户的好评率和二次购买率对所述物料基础采购数据进行调整,得到所述物料进阶采购数据,最后采用深度学习模型来预测天气、温度以及季节气候等因素对物料销量的影响,得到物料最终采购数据,最终生成的物料采购订单数据准确,更加符合当下市场需求,并能够面对未来的市场需求提前做好准备。
附图说明
图1是本发明实施例物料采购订单的自动生成方法的流程图;
图2是本发明实施例所述往期的客户数量的变化曲线图和往期所述物料采购数据的变化曲线图;
图3是本发明实施例物料采购订单的自动生成***的模块框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的实施例提供了一种物料采购订单的自动生成方法,包括如下步骤:
S1、回溯上一次相同物料的采购数量,对比上一次所述物料采购时的客户数量与当前的客户数量,根据客户增减比例对上一次所述物料采购数量进行调整得到所述物料基础采购数据。
由于客户数量的增加,物料的需求量就会增加,相反,如果客户数量的减少,物料的需求量也会减少,因此,在上一次相同物料的采购数量的基础上,根据往期所述物料采购数据的变化曲率和往期的客户数量的变化曲率,计算得到本次所述物料采购数据。具体的,所述步骤S1包括如下分步骤:
S11、收集整理往期所述物料采购数据以及往期的客户数量,分别制作往期所述物料采购数据的变化曲线图和往期的客户数量的变化曲线图;
S12、分别计算上一次采购时的所述物料采购数据曲线斜率与客户数量曲线斜率之间的比例系数,以及本次采购时客户数量曲线的斜率;
S13、根据本次采购时客户数量曲线的斜率以及斜率的比例系数对上一次所述物料采购数量进行调整,得到本次所述物料采购数据,进而得到所述物料基础采购数据。
如图2所示,图2(a)为往期的客户数量的变化曲线图,图2(b)为往期所述物料采购数据的变化曲线图,由图2可以看出,所述物料采购数据与客户数量的增长曲率大致相同,但是所述物料采购数据的波动曲率相较客户数量的波动曲率更大,则本次所述物料采购数据的
计算公式如下:
上式中:
为上一次所述物料采购数据的曲线端斜率,
为上一次采购时客户数量的曲线端斜率,
为本次采购时客户数量的曲线端斜率,
为上一次所述物料采购数据。
通过往期所述物料采购数据的变化曲线图和往期的客户数量的变化曲线图的变化趋势来计算所述物料的采购数据,不仅能够使采购的数量更加符合当下市场需求,同时也对未来的市场需求进行初步预测,并根据市场趋势提前做好准备工作。
在得到本次所述物料采购数据之后,需要在本次所述物料采购数据的基础上减去所述物料的库存数据才能得到所述物料基础采购数据。即所述物料基础采购数据A基计算公式如下:
综合式1和式2得到如下公式:
S2、统计客户的好评率和二次购买率,并根据客户的好评率和二次购买率对所述物料基础采购数据进行调整,得到所述物料进阶采购数据;
通过对客户的反馈进行收集整理,能够更加准确的得到客户的购买意向和购买趋向,然后根据客户的需求对采购数据进行调整,使其更加符合客户需求量。具体如下,设置多个好评率阈值范围,并设置相应好评系数,根据好评系数对所述物料基础采购数据进行调整;例如:
当客户的好评率小于70%时,设定其对应的好评系数为1;
当客户的好评率为70%-80%时,设定其对应的好评系数为1.2;
当客户的好评率为80%-90%时,设定其对应的好评系数为1.4;
当客户的好评率为90%-95%时,设定其对应的好评系数为1.6;
当客户的好评率为95%-100%时,设定其对应的好评系数为2。
同时,设置多个二次购买率阈值范围,并设置相应二次购买系数,根据二次购买系数对所述物料基础采购数据进行调整;例如:
当客户的二次购买率小于20%时,设定其对应的二次购买系数为1;
当客户的二次购买率小于30%-40%时,设定其对应的二次购买系数为1.2;
当客户的二次购买率小于40%-50%时,设定其对应的二次购买系数为1.4;
当客户的二次购买率为50%-60%时,设定其对应的二次购买系数为1.8;
当客户的二次购买率为70%-80%时,设定其对应的二次购买系数为2.5;
当客户的二次购买率大于80%时,设定其对应的二次购买系数为3。
根据客户的好评系数和二次购买系数对所述物料基础采购数据进行调整,得到所述物料进阶采购数据,所述物料进阶采购数据A进计算公式如下:
S3、构建基于温度气候的物料销量深度学习模型,通过物料销量深度学习模型获得当前预计物料销量,根据预计物料销量对物料进阶采购数据进行修正得到所述物料最终采购数据。
根据当时天气、温度以及季节气候等因素,客户的购买需求也相应有不同,例如在冬天的时候,香蕉和苹果、砂糖橘卖得比较多,因为这些水果水分相对较少,吃起来不会太冰,而在夏天的时候,西瓜、葡萄和梨子卖的比较多,因为这些水果水分多,能够生津止渴。但是天气、温度和季节因素的影响波动不定,无法通过准确的系数进行计算,因此,本发明建立深度学习模型对天气、温度和季节因素进行学习训练,具体包括如下分步骤:
S31、建立深度学习模型,收集往日的天气温度因素、时间季节因素作为输入数据,收集往日对应的物料销量作为输出数据,对深度学习模型进行训练,得到物料销量深度学习模型;
S32、将近期的天气温度、季节气候作为物料销量深度学习模型的输入数据,得到深度学习模型输出的预计物料销量;
S33、取预计物料销量与所述物料进阶采购数据的中间平均值作为所述物料最终采购数据,生成物料采购订单。
天气温度因素、时间季节因素分别为温度信息、时间信息以及天气状态信息,通过将这三个影响因子作为深度学习模型的输入层,将物料销量作为深度学习模型的输出层进行训练,使深度学习模型输出的物料销量能够更加符合当前季节气候下的市场需求,避免存量过多造成浪费,也避免储量过少导致缺货等问题。
同时,由于在节假日的时候,客户的购买力暴增,因此需要将节假日的天气温度因素、时间季节因素以及物料销量单独提取出来,对深度学习模型进行节假日销量特征的优化训练,使深度学习模型具有自动辨别节假日的特性,在节假日即将到来时,对采购数量进行相应倍增,以满足节假日的供需。
通过训练得到的物料销量深度学***均值作为所述物料最终采购数据,生成物料采购订单。
本发明根据往期所述物料采购数据的变化曲率和往期的客户数量的变化曲率,计算得到本次所述物料采购基础数据,然后结合客户的好评率和二次购买率对所述物料基础采购数据进行调整,得到所述物料进阶采购数据,最后采用深度学习模型来预测天气、温度以及季节气候等因素对物料销量的影响,得到物料最终采购数据,最终生成的物料采购订单数据准确,更加符合当下市场需求,并能够面对未来的市场需求提前做好准备。
如图3所示,本发明实施例还公开了一种物料采购订单的自动生成***,包括如下功能模块:
基础数据计算模块10,用于回溯上一次相同物料的采购数量,对比上一次所述物料采购时的客户数量与当前的客户数量,根据客户增减比例对上一次所述物料采购数量进行调整得到本次的所述物料基础采购数据;
进阶数据计算模块20,用于统计客户的好评率和二次购买率,并根据客户的好评率和二次购买率对所述物料基础采购数据进行调整,得到所述物料进阶采购数据;
最终数据计算模块30,用于构建基于温度气候的物料销量深度学习模型,通过物料销量深度学习模型获得当前预计物料销量,根据预计物料销量对所述物料进阶采购数据进行修正得到所述物料最终采购数据,生成物料采购订单。
其中,所述基础数据计算模块10包括如下功能单元:
曲线图制作单元,用于收集整理往期所述物料采购数据以及往期的客户数量,分别制作往期所述物料采购数据的变化曲线图和往期的客户数量的变化曲线图;
斜率计算单元,用于分别计算上一次采购时的所述物料采购数据曲线斜率与客户数量曲线斜率之间的比例系数,以及本次采购时客户数量曲线的斜率;
数据调整单元,用于根据本次采购时客户数量曲线的斜率以及斜率的比例系数对上一次所述物料采购数量进行调整,得到本次所述物料采购数据,进而得到所述物料基础采购数据。
所述进阶数据计算模块20包括如下功能单元:
好评系数单元,用于设置多个好评率阈值范围,并设置相应好评系数,根据好评系数对所述物料基础采购数据进行调整;
二次购买系数单元,用于设置多个二次购买率阈值范围,并设置相应二次购买系数,根据二次购买系数对所述物料基础采购数据进行调整。
所述最终数据计算模块30包括如下功能单元:
模型训练单元,用于建立深度学习模型,收集往日的天气温度因素、时间季节因素作为输入数据,收集往日对应的物料销量作为输出数据,对深度学习模型进行训练,得到物料销量深度学习模型;
预计获取单元,用于将近期的天气温度、季节气候作为物料销量深度学习模型的输入数据,得到深度学习模型输出的预计物料销量;
订单生成单元,用于取预计物料销量与所述物料进阶采购数据的中间平均值作为所述物料最终采购数据,生成物料采购订单。
本实施例物料采购订单的自动生成***的执行方式与上述电子订单推动方法基本相同,故不作详细赘述。
本实施例服务器为提供计算服务的设备,通常指具有较高计算能力,通过网络提供给多个客户使用的计算机。该实施例的服务器包括:存储器、处理器以及***总线,所述存储器包括存储其上的可运行的程序,本领域技术人员可以理解,本实施例的终端设备结构并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器上包含物料采购订单的自动生成方法的可运行程序,所述可运行程序可以被分割成一个或多个模块/单元,所述一个或多个模块/单元被存储在所述存储器中,并由处理器执行,以完成信息的获取及实现过程,所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述服务器中的执行过程。例如,所述计算机程序可以被分割为规则设置单元、安全监控单元、安全判断单元及惩戒存储单元。
处理器是服务器的控制中心,利用各种接口和线路连接整个终端设备的各个部分,通过运行或执行存储在存储器内的软件程序和/或模块,以及调用存储在存储器内的数据,执行终端的各种功能和处理数据,从而对终端进行整体监控。可选的,处理器可包括一个或多个处理单元;优选的,处理器可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器中。
***总线是用来连接计算机内部各功能部件,可以传送数据信息、地址信息、控制信息,其种类可以是例如PCI总线、ISA总线、VESA总线等。处理器的指令通过总线传递至存储器,存储器反馈数据给处理器,***总线负责处理器与存储器之间的数据、指令交互。当然***总线还可以接入其他设备,例如网络接口、显示设备等。
所述服务器应至少包括CPU、芯片组、内存、磁盘***等,其他构成部件在此不再赘述。
在本发明实施例中,该终端所包括的处理器执行的可运行程序具体为:一种物料采购订单的自动生成方法,其包括:
收集整理往期所述物料采购数据以及往期的客户数量,分别制作往期所述物料采购数据的变化曲线图和往期的客户数量的变化曲线图;
分别计算上一次采购时的所述物料采购数据曲线斜率与客户数量曲线斜率之间的比例系数,以及本次采购时客户数量曲线的斜率;
根据本次采购时客户数量曲线的斜率以及斜率的比例系数对上一次所述物料采购数量进行调整,得到本次所述物料采购数据,进而得到所述物料基础采购数据;
设置多个好评率阈值范围,并设置相应好评系数,根据好评系数对所述物料基础采购数据进行调整;
设置多个二次购买率阈值范围,并设置相应二次购买系数,根据二次购买系数对所述物料基础采购数据进行调整;
建立深度学习模型,收集往日的天气温度因素、时间季节因素作为输入数据,收集往日对应的物料销量作为输出数据,对深度学习模型进行训练,得到物料销量深度学习模型;
将近期的天气温度、季节气候作为物料销量深度学习模型的输入数据,得到深度学习模型输出的预计物料销量;
取预计物料销量与所述物料进阶采购数据的中间平均值作为所述物料最终采购数据,生成物料采购订单。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。