CN116664052B - 基于人工智能的全域数字化运营管理方法及*** - Google Patents
基于人工智能的全域数字化运营管理方法及*** Download PDFInfo
- Publication number
- CN116664052B CN116664052B CN202310898256.8A CN202310898256A CN116664052B CN 116664052 B CN116664052 B CN 116664052B CN 202310898256 A CN202310898256 A CN 202310898256A CN 116664052 B CN116664052 B CN 116664052B
- Authority
- CN
- China
- Prior art keywords
- matrix
- retail
- commodity
- distribution
- global
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 303
- 230000006978 adaptation Effects 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 241000531116 Blitum bonus-henricus Species 0.000 claims description 8
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005206 flow analysis Methods 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 abstract description 2
- 238000012417 linear regression Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能的全域数字化运营管理方法及***,涉及智能运营技术领域,综合分析各零售网点的最佳配货数据;建立全域零售网点的最佳配货矩阵;生成若干个配货矩阵;确定每个零售网点的配货优先级;计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标矩阵,获取每一个配货矩阵的全域差异指标矩阵;计算每一个配货矩阵的全域适配度;筛选出全域适配度最高的配货矩阵。本发明的优点在于:通过算法模型进行分析和判断,实现实时的分析和精准计算,可有效的改进运营效率,降低人工运营成本,实现整体利润最大化。
Description
技术领域
本发明涉及智能运营技术领域,具体是涉及基于人工智能的全域数字化运营管理方法及***。
背景技术
随着科技的发展和消费模式的变化,无人售卖技术得到了越来越广泛的应用。早期的售卖机都是投币式的,随着移动互联网技术越来越广泛的应用,已出现通过移动终端支付货款和/或控制售卖机的无人售卖实体店铺。
无人零售网点的运营过程中,对于网点货物的补充上货是至关重要的一环,现有技术中缺乏针对于全域零售网点整体的分析,在进行全域网点运营时,难以生成规范化,周期化的商品运营方案,易导致全域运营效率下降,人工运营成本增加。
发明内容
为解决上述技术问题,提供基于人工智能的全域数字化运营管理方法及***,本技术方案解决了上述的现有技术中缺乏针对于全域零售网点整体的分析,在进行全域网点运营时,难以生成规范化,周期化的商品运营方案,易导致全域运营效率下降,人工运营成本增加的问题。
为达到以上目的,本发明采用的技术方案为:
一种基于人工智能的全域数字化运营管理方法,包括:
获取所有零售网点的位置信息,并基于每个零售网点位置处的环境因素综合分析各零售网点的最佳配货数据,所述环境因素至少包括社区属性和人流量;
基于各零售网点的最佳配货数据建立全域零售网点的最佳配货矩阵;
获取全域所有的货物库存,并基于货物分配规则生成若干个配货矩阵;
基于每个零售网点的销售数据,确定每个零售网点的配货优先级;
基于全域零售网点的最佳配货矩阵计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵;
基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度;
筛选出全域适配度最高的配货矩阵,按照此配货矩阵进行全域各零售网点的商品配货运营管理。
优选的,所述获取所有零售网点的位置信息,并基于每个零售网点位置处的环境因素综合分析各零售网点的最佳配货数据具体包括:
获取零售网点位置处的社区属性,基于零售网点位置处的社区属性和历史销售数据,生成每个零售网点的商品需求数据;
获取零售网点位置处的人流量数据,基于零售网点位置处的人流量数据生成每个零售网点的人流量修正值;
基于每个零售网点的商品需求数据和人流量修正值,获取每个零售网点中每种商品的最佳需求量,并生成每个零售网点的商品最佳需求量矩阵;
获取每个零售网点的商品摆放总空间;
基于每个零售网点的商品摆放总空间,通过空间限制规则生成每个零售网点对应的若干个商品分配量矩阵;
基于每个零售网点的商品最佳需求量矩阵,计算每一个商品分配量矩阵的适配指标;
筛选出适配指标最大的商品分配量矩阵,以该商品分配量矩阵作为最佳配货数据;
其中,所述空间限制规则的表达式为: 式中,/>为零售网点中需求的商品种类总数,/>为第i种商品的分配数量,/>为第i种商品的摆放占地空间,/>为零售网点的商品摆放总空间,计算满足空间限制规则的表达式的自然数矩阵,即为商品分配量矩阵。
优选的,所述基于每个零售网点的商品最佳需求量矩阵,计算每一个商品分配量矩阵的适配指标具体包括:
基于零售网点中每种商品的历史销售量及销售利润计算每种商品的综合利润,并基于每种商品的综合利润对每个零售网点的商品进行优先级赋值,获得每个零售网点对应的优先级矩阵;
基于每个零售网点对应的优先级矩阵和每个零售网点的商品最佳需求量矩阵,通过适配指标计算公式,计算每个商品分配量矩阵的适配指标矩阵;
对商品分配量矩阵的适配指标矩阵中的元素进行求和,获得商品分配量矩阵的适配指标;
其中,所述适配指标计算公式为: 式中,/>为商品分配量矩阵的适配指标矩阵,/>为第i种商品的适配指标,/>为第i种商品的最佳需求量,/>为商品分配量矩阵中第i种商品的分配数量,/>为第i种商品的优先级。
优选的,所述获取全域所有的货物库存,并基于货物分配规则生成若干个配货矩阵具体包括:
获取所有零售网点所需的所有商品种类;
基于货物库存,确定每一个商品种类的库存数量;
基于货物分配规则,计算每一个商品种类分配到每个零售网点的若干个商品配货矩阵;
通过对若干个商品种类的多个商品配货矩阵进行随机组合,获得若干个配货矩阵;
其中,所述货物分配规则的表达式为: 式中,/>为零售网点总数,为分配到第j个零售网点的商品配货数量,/>为商品库存总数,计算满足货物分配规则的表达式的自然数矩阵/>,即为商品配货矩阵。
优选的,所述基于全域零售网点的最佳配货矩阵计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵具体包括:
通过差异指标计算公式,计算每一个配货矩阵中每个零售网点的配货数据与零售网点的最佳配货数据之间的差异指标;
将所有零售网点的差异指标进行组合,获得每个配货矩阵的全域差异指标矩阵;
其中,所述差异指标计算公式为:
其中,为第j个零售网点的差异指标/>为第j个零售网点第i种商品的优先级,为第j个零售网点中第i种商品的最佳配货数量,/>为第j个零售网点中第i种商品的配货数量;
所述配货矩阵的全域差异指标矩阵为:
其中,为配货矩阵的全域差异指标矩阵。
优选的,所述基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度具体包括:
基于配货矩阵的全域差异指标矩阵进行正向化处理,获得配货矩阵的正向化指标矩阵;
基于配货矩阵的正向化指标矩阵和每个零售网点的配货优先级,通过全域适配度计算公式计算配货矩阵的全域适配度;
其中,所述配货矩阵的正向化指标矩阵为:
为配货矩阵的正向化指标矩阵,/>为第j个零售网点的正向化指标;
所述全域适配度计算公式为: 式中,/>为配货矩阵的全域适配度,为第j个零售网点的配货优先级。
优选的,所述基于配货矩阵的全域差异指标矩阵进行正向化处理具体包括:
通过正向化转化公式,将零售网点的差异指标转化为零售网点的正向化指标;
将所有零售网点的正向化指标组成述配货矩阵的正向化指标矩阵;
其中,所述正向化转化公式为: 式中,/>为第j个零售网点的差异指标,/>为第j个零售网点的正向化指标。
进一步的,提出一种基于人工智能的全域数字化运营管理***,用于实现如上述的基于人工智能的全域数字化运营管理方法,包括:
数据采集模块,所述数据采集模块用于获取所有零售网点的位置信息、获取全域所有的货物库存、采集每个零售网点的销售数据和获取每个零售网点的商品摆放总空间;
零售网点计算模块,零售网点计算模块与所述数据采集模块电性连接,所述零售网点计算模块用于基于每个零售网点位置处的环境因素综合分析各零售网点的最佳配货数据;
全域规划模块,全域规划模块与所述数据采集模块和零售网点计算模块电性连接所述全域规划模块用于计算出全域适配度最高的配货矩阵。
可选的,所述零售网点计算模块包括:
商品需求分析单元,所述商品需求分析单元用于根据不同社区属性的零售网点位置处的历史销售数据,综合分析每个零售网点的商品需求数据;
人流量分析单元,所述人流量分析单元用于根据每个零售网点各个时间段内的历史人流量数据,综合分析预测当前阶段零售网点位置处的人流量数据,并基于零售网点位置处的人流量数据生成每个零售网点的人流量修正值;
第一矩阵单元,所述第一矩阵单元用于生成每个零售网点的商品最佳需求量矩阵;
第一分配单元,所述第一分配单元用于基于每个零售网点的商品摆放总空间,通过空间限制规则生成每个零售网点对应的若干个商品分配量矩阵;
第一计算单元,所述第一计算单元用于计算每一个商品分配量矩阵的适配指标;
第一筛选单元,所述第一筛选单元用于筛选出适配指标最大的商品分配量矩阵,以该商品分配量矩阵作为最佳配货数据;
可选的,所述全域规划模块包括:
第二矩阵单元,所述第二矩阵单元用于基于各零售网点的最佳配货数据建立全域零售网点的最佳配货矩阵;
第二分配单元,所述第二分配单元用于基于货物分配规则生成若干个配货矩阵;
优先级确定单元,所述优先级确定单元用于基于每个零售网点的销售数据,确定每个零售网点的配货优先级;
第二计算单元,所述第二计算单元用于计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵;
第三计算单元,所述第三计算单元用于基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度;
第二筛选单元,所述第二筛选单元用于筛选出全域适配度最高的配货矩阵。
与现有技术相比,本发明的有益效果在于:
本发明提出一种基于人工智能的全域数字化运营管理方案,通过对历史数据的采集、存储和分析,完成对各零售网点的了解,并结合先进的算法模型进行分析和判断,生成零售网点的最佳运营数据,根据整体的商品库存情况综合分析,自动综合分析出与全域所有零售网点的配货需求的适配度最高的配货矩阵,最终生成相应的全域运营规划,本方案通过算法模型进行分析和判断,实现实时的分析和精准计算,可有效的提高运营效率,降低人工运营成本,实现整体利润最大化。
附图说明
图1为本发明提出的基于人工智能的全域数字化运营管理方法流程图;
图2为本发明中综合分析各零售网点的最佳配货数据的方法流程图;
图3为本发明中计算商品分配量矩阵的适配指标的方法流程图;
图4为本发明中基于货物分配规则生成若干个配货矩阵的方法流程图;
图5为本发明中获取每一个配货矩阵的全域差异指标矩阵的方法流程图;
图6为本发明中计算每一个配货矩阵的全域适配度的方法流程图;
图7为本发明中基于配货矩阵的全域差异指标矩阵进行正向化处理的方法流程图;
图8为本发明提出的基于人工智能的全域数字化运营管理***框图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
参照图1所示,一种基于人工智能的全域数字化运营管理方法,包括:
获取所有零售网点的位置信息,并基于每个零售网点位置处的环境因素综合分析各零售网点的最佳配货数据,环境因素至少包括社区属性和人流量;
基于各零售网点的最佳配货数据建立全域零售网点的最佳配货矩阵;
获取全域所有的货物库存,并基于货物分配规则生成若干个配货矩阵;
基于每个零售网点的销售数据,确定每个零售网点的配货优先级;
基于全域零售网点的最佳配货矩阵计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵;
基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度;
筛选出全域适配度最高的配货矩阵,按照此配货矩阵进行全域各零售网点的商品配货运营管理。
本方案通过对历史数据的采集、存储和分析,完成对各零售网点的了解,并结合先进的算法模型进行分析和判断,生成零售网点的最佳运营数据,根据整体的商品库存情况综合分析,自动综合分析出与全域所有零售网点的配货需求的适配度最高的配货矩阵,最终生成相应的全域运营规划。
请参阅图2所示,获取所有零售网点的位置信息,并基于每个零售网点位置处的环境因素综合分析各零售网点的最佳配货数据具体包括:
获取零售网点位置处的社区属性,基于零售网点位置处的社区属性和历史销售数据,生成每个零售网点的商品需求数据;
获取零售网点位置处的人流量数据,基于零售网点位置处的人流量数据生成每个零售网点的人流量修正值;
基于每个零售网点的商品需求数据和人流量修正值,获取每个零售网点中每种商品的最佳需求量,并生成每个零售网点的商品最佳需求量矩阵;
获取每个零售网点的商品摆放总空间;
基于每个零售网点的商品摆放总空间,通过空间限制规则生成每个零售网点对应的若干个商品分配量矩阵;
基于每个零售网点的商品最佳需求量矩阵,计算每一个商品分配量矩阵的适配指标;
筛选出适配指标最大的商品分配量矩阵,以该商品分配量矩阵作为最佳配货数据;
其中,空间限制规则的表达式为: 式中,/>为零售网点中需求的商品种类总数,/>为第i种商品的分配数量,/>为第i种商品的摆放占地空间,/>为零售网点的商品摆放总空间,计算满足空间限制规则的表达式的自然数矩阵,即为商品分配量矩阵;
请参阅图3所示,基于每个零售网点的商品最佳需求量矩阵,计算每一个商品分配量矩阵的适配指标具体包括:
基于零售网点中每种商品的历史销售量及销售利润计算每种商品的综合利润,并基于每种商品的综合利润对每个零售网点的商品进行优先级赋值,获得每个零售网点对应的优先级矩阵;
基于每个零售网点对应的优先级矩阵和每个零售网点的商品最佳需求量矩阵,通过适配指标计算公式,计算每个商品分配量矩阵的适配指标矩阵;
对商品分配量矩阵的适配指标矩阵中的元素进行求和,获得商品分配量矩阵的适配指标;
其中,适配指标计算公式为:
适配指标计算公式为: 式中,/>为商品分配量矩阵的适配指标矩阵,/>为第i种商品的适配指标,/>为第i种商品的最佳需求量,/>为商品分配量矩阵中第i种商品的分配数量,/>为第i种商品的优先级;
在进行零售网点的商品需求分析中,首先基于零售网点的所在地的社区属性进行的历史销售数据确定零售网点的商品需求,通常来说对于处于商业区的零售网点,办公属性的商品需求会增加,对于处于生活区的零售网点,生活属性的商品需求会增加;
决定零售网点销售量的除零售网点的商品需求,还有人流量因素,人流量越大,则商品需求量越大,因此本方案中基于每个零售网点位置处的人流量生成人流量修正值,通过人流量修正值和零售网点的商品需求数据进行综合计算出的零售网点的商品最佳需求量,可有效的反映出当前零售网点的最佳商品需求结构和每种商品的最佳需求量,记零售网点的商品最佳需求量矩阵为X,,其中,/>为第i种商品的最佳需求量,/>,/>为第i种商品的人流量修正值,/>为第i种商品的商品需求数据;
同时由于每个无人零售网点的商品摆放空间是有限的,因此,如何在有限的空间内摆放出能够实现销售量最大化的商品是决定零售网点销售额的重要因素,基于此,本方案首先根据无人零售网点的商品摆放空间生成若干个商品分配量矩阵F,,/>为第i种商品的分配数量;
并基于零售网点每个种类的商品所能带来的利润进行每个零售网点的商品进行优先级赋值,获得每个零售网点对应的优先级矩阵Y,,/>为第i种商品的优先级;
之后通过适配指标计算公式计算出每个商品分配量矩阵的适配指标矩阵S,,/>为第i种商品的适配指标,其中,/>;
之后通过计算,获得适配指标,通过筛选出适配指标最大的商品分配量矩阵,以此矩阵作为零售网点的在一个销售周期内的商品需求量,综合考虑零售网点商品需求,人流量和零售网点空间,可有效的保证商品分配量矩阵与零售网点销售的适配性,保证在一个销售周期内,各商品均保持有货状态,防止出现零售网点商品断货,导致销售额下降的情况发生;
基于各零售网点的最佳配货数据建立全域零售网点的最佳配货矩阵W;
其中,为第j个零售网点中第i种商品的最佳配货数量;
获取全域所有的货物库存,并基于货物分配规则生成若干个配货矩阵M;
其中,为第j个零售网点中第i种商品的配货数量;
请参阅图4所示,获取全域所有的货物库存,并基于货物分配规则生成若干个配货矩阵具体包括:
获取所有零售网点所需的所有商品种类;
基于货物库存,确定每一个商品种类的库存数量;
基于货物分配规则,计算每一个商品种类分配到每个零售网点的若干个商品配货矩阵;
通过对若干个商品种类的多个商品配货矩阵进行随机组合,获得若干个配货矩阵;
其中,货物分配规则的表达式为: 式中,/>为零售网点总数,/>为分配到第j个零售网点的商品配货数量,/>为商品库存总数,计算满足货物分配规则的表达式的自然数矩阵/>,即为商品配货矩阵;
考虑到仓储成本,因此实际情况下往往难以满足所有零售网点的所有商品均维持着最佳配货数量,因此,基于每种商品的库存总数,生成每种商品的商品配货矩阵,进而保证各个零售网点的配货数量总和小于或等于商品的库存总数;
基于每个零售网点的销售数据,确定每个零售网点的配货优先级;
基于全域零售网点的最佳配货矩阵计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵;
请参阅图5所示,基于全域零售网点的最佳配货矩阵计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵具体包括:
通过差异指标计算公式,计算每一个配货矩阵中每个零售网点的配货数据与零售网点的最佳配货数据之间的差异指标;
将所有零售网点的差异指标进行组合,获得每个配货矩阵的全域差异指标矩阵;
其中,差异指标计算公式为:
其中,为第j个零售网点的差异指标/>为第j个零售网点第i种商品的优先级,为第j个零售网点中第i种商品的最佳配货数量,/>为第j个零售网点中第i种商品的配货数量;
配货矩阵的全域差异指标矩阵为:
其中,为配货矩阵的全域差异指标矩阵;
通过计算每一个配货矩阵中每个零售网点的配货数据与零售网点的最佳配货数据之间的差异指标,差异指标越大,则代表着该零售网点的商品需求越得不到满足,基于此计算出每个配货矩阵的全域差异指标矩阵,可以直观的展示出每个配货矩阵下,各零售网点的商品配货状态;
基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度;
请参阅图6所示,基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度具体包括:
基于配货矩阵的全域差异指标矩阵进行正向化处理,获得配货矩阵的正向化指标矩阵;
基于配货矩阵的正向化指标矩阵和每个零售网点的配货优先级,通过全域适配度计算公式计算配货矩阵的全域适配度;
其中,配货矩阵的正向化指标矩阵为:
为配货矩阵的正向化指标矩阵,/>为第j个零售网点的正向化指标;
全域适配度计算公式为: 式中,/>为配货矩阵的全域适配度,/>为第j个零售网点的配货优先级;
由于每个零售网点能够带来的销售利润不同,因此在进行配货时,商品资源应尽量向销售利润高的零售网点倾斜,以达到全域的销售利润的最大化,因此,本方案中,引入零售网点的配货优先级,通过求和每个零售网点的正向化指标与零售网点的配货优先级之间积来作为配货矩阵的全域适配度,可以有效的保证配货矩阵方案可实现全域的零售网点销售利润的最大化;
请参阅图7所示,基于配货矩阵的全域差异指标矩阵进行正向化处理具体包括:
通过正向化转化公式,将零售网点的差异指标转化为零售网点的正向化指标;
将所有零售网点的正向化指标组成述配货矩阵的正向化指标矩阵;
其中,正向化转化公式为: 式中,/>为第j个零售网点的差异指标,为第j个零售网点的正向化指标;
将差异化指标进行正向化处理,得到一个0-1之间的数值,作为零售网点的正向化指标,该正向化指标越大,则代表着配货矩阵越满足零售网点的商品需求,便于进行全域适配度计算时的数值统一性。
筛选出全域适配度最高的配货矩阵,按照此配货矩阵进行全域各零售网点的商品配货运营管理。
本方案中,通过双级的计算分析,首先根据零售网点的位置信息计算出零售网点的最佳配货数据,再依据整体的商品库存情况综合分析,获取与全域所有零售网点的配货需求的适配度最高的配货矩阵,进而实现对于全域零售网点的综合化配货运输规划,保障零售网点的销售需求的同时,可有效地减少商品货物的配送次数。
进一步的,请参阅图8所示,基于与上述基于人工智能的全域数字化运营管理方法相同的发明构思,本方案还提出一种基于人工智能的全域数字化运营管理***,包括:
数据采集模块,数据采集模块用于获取所有零售网点的位置信息、获取全域所有的货物库存、采集每个零售网点的销售数据和获取每个零售网点的商品摆放总空间;
零售网点计算模块,零售网点计算模块与数据采集模块电性连接,零售网点计算模块用于基于每个零售网点位置处的环境因素综合分析各零售网点的最佳配货数据;
全域规划模块,全域规划模块与数据采集模块和零售网点计算模块电性连接全域规划模块用于计算出全域适配度最高的配货矩阵。
零售网点计算模块包括:
商品需求分析单元,商品需求分析单元用于根据不同社区属性的零售网点位置处的历史销售数据,综合分析每个零售网点的商品需求数据;
人流量分析单元,人流量分析单元用于根据每个零售网点各个时间段内的历史人流量数据,建立人流量数据与时间的线性回归方程,并基于线性回归方程综合分析预测当前阶段零售网点位置处的人流量数据,并基于零售网点位置处的人流量数据生成每个零售网点的人流量修正值;
第一矩阵单元,第一矩阵单元用于生成每个零售网点的商品最佳需求量矩阵;
第一分配单元,第一分配单元用于基于每个零售网点的商品摆放总空间,通过空间限制规则生成每个零售网点对应的若干个商品分配量矩阵;
第一计算单元,第一计算单元用于计算每一个商品分配量矩阵的适配指标;
第一筛选单元,第一筛选单元用于筛选出适配指标最大的商品分配量矩阵,以该商品分配量矩阵作为最佳配货数据;
全域规划模块包括:
第二矩阵单元,第二矩阵单元用于基于各零售网点的最佳配货数据建立全域零售网点的最佳配货矩阵;
第二分配单元,第二分配单元用于基于货物分配规则生成若干个配货矩阵;
优先级确定单元,优先级确定单元用于基于每个零售网点的销售数据,确定每个零售网点的配货优先级;
第二计算单元,第二计算单元用于计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵;
第三计算单元,第三计算单元用于基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度;
第二筛选单元,第二筛选单元用于筛选出全域适配度最高的配货矩阵。
上述基于人工智能的全域数字化运营管理***的工作原理为:
步骤一:数据采集模块获取所有零售网点的位置信息,同时商品需求分析单元用于根据不同社区属性的零售网点位置处的历史销售数据综合分析每个零售网点的商品需求数据,人流量分析单元根据每个零售网点各个时间段内的历史人流量数据,建立人流量数据与时间的线性回归方程,并基于线性回归方程综合分析预测当前阶段零售网点位置处的人流量数据,并基于零售网点位置处的人流量数据生成每个零售网点的人流量修正值;
步骤二:第一矩阵单元基于每个零售网点的商品需求数据和人流量修正值,获取每个零售网点中每种商品的最佳需求量,并生成每个零售网点的商品最佳需求量矩阵;
步骤三:数据采集模块获取每个零售网点的商品摆放总空间,第一分配单元基于每个零售网点的商品摆放总空间,通过空间限制规则生成每个零售网点对应的若干个商品分配量矩阵;
步骤四:第一计算单元基于每个零售网点的商品最佳需求量矩阵,计算每一个商品分配量矩阵的适配指标;
步骤五:第一筛选单元筛选出适配指标最大的商品分配量矩阵,以该商品分配量矩阵作为最佳配货数据;
步骤六:第二矩阵单元基于各零售网点的最佳配货数据建立全域零售网点的最佳配货矩阵;
步骤七:数据采集模块获取全域所有的货物库存,第二分配单元基于全域所有的货物库存,通过货物分配规则生成若干个配货矩阵;
步骤八:第二计算单元计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵;
步骤九:数据采集模块采集每个零售网点的销售数据,优先级确定单元基于每个零售网点的销售数据,确定每个零售网点的配货优先级;
步骤十:第三计算单元基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度;
步骤十一:第二筛选单元筛选出全域适配度最高的配货矩阵。
综上所述,本发明的优点在于:通过算法模型进行分析和判断,实现实时的分析和精准计算,可有效的改进运营效率,降低人工运营成本,实现整体利润最大化。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (7)
1.一种基于人工智能的全域数字化运营管理方法,其特征在于,包括:
获取所有零售网点的位置信息,并基于每个零售网点位置处的环境因素综合分析各零售网点的最佳配货数据,所述环境因素至少包括社区属性和人流量;
基于各零售网点的最佳配货数据建立全域零售网点的最佳配货矩阵;
获取全域所有的货物库存,并基于货物分配规则生成若干个配货矩阵;
基于每个零售网点的销售数据,确定每个零售网点的配货优先级;
基于全域零售网点的最佳配货矩阵计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵;
基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度;
筛选出全域适配度最高的配货矩阵,按照此配货矩阵进行全域各零售网点的商品配货运营管理;
所述获取所有零售网点的位置信息,并基于每个零售网点位置处的环境因素综合分析各零售网点的最佳配货数据具体包括:
获取零售网点位置处的社区属性,基于零售网点位置处的社区属性和历史销售数据,生成每个零售网点的商品需求数据;
获取零售网点位置处的人流量数据,基于零售网点位置处的人流量数据生成每个零售网点的人流量修正值;
基于每个零售网点的商品需求数据和人流量修正值,获取每个零售网点中每种商品的最佳需求量,并生成每个零售网点的商品最佳需求量矩阵;
获取每个零售网点的商品摆放总空间;
基于每个零售网点的商品摆放总空间,通过空间限制规则生成每个零售网点对应的若干个商品分配量矩阵;
基于每个零售网点的商品最佳需求量矩阵,计算每一个商品分配量矩阵的适配指标;
筛选出适配指标最大的商品分配量矩阵,以该商品分配量矩阵作为最佳配货数据;
其中,所述商品最佳需求量矩阵为X,,/>为第i种商品的最佳需求量,/>,/>为第i种商品的人流量修正值,/>为第i种商品的商品需求数据;
所述空间限制规则的表达式为: 式中,/>为零售网点中需求的商品种类总数,/>为第i种商品的分配数量,/>为第i种商品的摆放占地空间,/>为零售网点的商品摆放总空间,计算满足空间限制规则的表达式的自然数矩阵/>,即为商品分配量矩阵;
所述基于各零售网点的最佳配货数据建立全域零售网点的最佳配货矩阵具体包括:
所述全域零售网点的最佳配货矩阵为W;
其中,为第j个零售网点中第i种商品的最佳配货数量;
所述获取全域所有的货物库存,并基于货物分配规则生成若干个配货矩阵具体包括:
获取所有零售网点所需的所有商品种类;
基于货物库存,确定每一个商品种类的库存数量;
基于货物分配规则,计算每一个商品种类分配到每个零售网点的若干个商品配货矩阵;
通过对若干个商品种类的多个商品配货矩阵进行随机组合,获得若干个配货矩阵;
其中,所述货物分配规则的表达式为: 式中,/>为零售网点总数,/>为分配到第j个零售网点的商品配货数量,/>为商品库存总数,计算满足货物分配规则的表达式的自然数矩阵/>,即为商品配货矩阵;
所述配货矩阵为M;
其中,为第j个零售网点中第i种商品的配货数量;
所述基于全域零售网点的最佳配货矩阵计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵具体包括:
通过差异指标计算公式,计算每一个配货矩阵中每个零售网点的配货数据与零售网点的最佳配货数据之间的差异指标;
将所有零售网点的差异指标进行组合,获得每个配货矩阵的全域差异指标矩阵;
其中,所述差异指标计算公式为:
其中,为第j个零售网点的差异指标/>为第j个零售网点中第i种商品的优先级,为第j个零售网点中第i种商品的最佳配货数量,/>为第j个零售网点中第i种商品的配货数量;
所述配货矩阵的全域差异指标矩阵为:
其中,为配货矩阵的全域差异指标矩阵。
2.根据权利要求1所述的一种基于人工智能的全域数字化运营管理方法,其特征在于,所述基于每个零售网点的商品最佳需求量矩阵,计算每一个商品分配量矩阵的适配指标具体包括:
基于零售网点中每种商品的历史销售量及销售利润计算每种商品的综合利润,并基于每种商品的综合利润对每个零售网点的商品进行优先级赋值,获得每个零售网点对应的优先级矩阵;
基于每个零售网点对应的优先级矩阵和每个零售网点的商品最佳需求量矩阵,通过适配指标计算公式,计算每个商品分配量矩阵的适配指标矩阵;
对商品分配量矩阵的适配指标矩阵中的元素进行求和,获得商品分配量矩阵的适配指标;
其中,所述优先级矩阵为Y,,/>为第i种商品的优先级;
所述适配指标计算公式为:
式中,/>为商品分配量矩阵的适配指标矩阵,/>为第i种商品的适配指标,/>为第i种商品的最佳需求量,/>为商品分配量矩阵中第i种商品的分配数量,/>为第i种商品的优先级。
3.根据权利要求2所述的一种基于人工智能的全域数字化运营管理方法,其特征在于,所述基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度具体包括:
基于配货矩阵的全域差异指标矩阵进行正向化处理,获得配货矩阵的正向化指标矩阵;
基于配货矩阵的正向化指标矩阵和每个零售网点的配货优先级,通过全域适配度计算公式计算配货矩阵的全域适配度;
其中,所述配货矩阵的正向化指标矩阵为:
为配货矩阵的正向化指标矩阵,/>为第j个零售网点的正向化指标;
所述全域适配度计算公式为: 式中,/>为配货矩阵的全域适配度,/>为第j个零售网点的配货优先级。
4.根据权利要求3所述的一种基于人工智能的全域数字化运营管理方法,其特征在于,所述基于配货矩阵的全域差异指标矩阵进行正向化处理具体包括:
通过正向化转化公式,将零售网点的差异指标转化为零售网点的正向化指标;
将所有零售网点的正向化指标组成述配货矩阵的正向化指标矩阵;
其中,所述正向化转化公式为: 式中,/>为第j个零售网点的差异指标,为第j个零售网点的正向化指标。
5.一种基于人工智能的全域数字化运营管理***,用于实现如权利要求1-4任一项所述的基于人工智能的全域数字化运营管理方法,其特征在于,包括:
数据采集模块,所述数据采集模块用于获取所有零售网点的位置信息、获取全域所有的货物库存、采集每个零售网点的销售数据和获取每个零售网点的商品摆放总空间;
零售网点计算模块,所述零售网点计算模块与所述数据采集模块电性连接,所述零售网点计算模块用于基于每个零售网点位置处的环境因素综合分析各零售网点的最佳配货数据;
全域规划模块,所述全域规划模块与所述数据采集模块和所述零售网点计算模块电性连接,所述全域规划模块用于计算出全域适配度最高的配货矩阵。
6.根据权利要求5所述的一种基于人工智能的全域数字化运营管理***,其特征在于,所述零售网点计算模块包括:
商品需求分析单元,所述商品需求分析单元用于根据不同社区属性的零售网点位置处的历史销售数据,综合分析每个零售网点的商品需求数据;
人流量分析单元,所述人流量分析单元用于根据每个零售网点各个时间段内的历史人流量数据,综合分析预测当前阶段零售网点位置处的人流量数据,并基于零售网点位置处的人流量数据生成每个零售网点的人流量修正值;
第一矩阵单元,所述第一矩阵单元用于生成每个零售网点的商品最佳需求量矩阵;
第一分配单元,所述第一分配单元用于基于每个零售网点的商品摆放总空间,通过空间限制规则生成每个零售网点对应的若干个商品分配量矩阵;
第一计算单元,所述第一计算单元用于计算每一个商品分配量矩阵的适配指标;
第一筛选单元,所述第一筛选单元用于筛选出适配指标最大的商品分配量矩阵,以该商品分配量矩阵作为最佳配货数据。
7.根据权利要求6所述的一种基于人工智能的全域数字化运营管理***,其特征在于,所述全域规划模块包括:
第二矩阵单元,所述第二矩阵单元用于基于各零售网点的最佳配货数据建立全域零售网点的最佳配货矩阵;
第二分配单元,所述第二分配单元用于基于货物分配规则生成若干个配货矩阵;
优先级确定单元,所述优先级确定单元用于基于每个零售网点的销售数据,确定每个零售网点的配货优先级;
第二计算单元,所述第二计算单元用于计算每一个配货矩阵与全域零售网点的最佳配货矩阵之间的差异指标,获取每一个配货矩阵的全域差异指标矩阵;
第三计算单元,所述第三计算单元用于基于每一个配货矩阵的全域差异指标矩阵和每个零售网点的配货优先级,计算每一个配货矩阵的全域适配度;
第二筛选单元,所述第二筛选单元用于筛选出全域适配度最高的配货矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310898256.8A CN116664052B (zh) | 2023-07-21 | 2023-07-21 | 基于人工智能的全域数字化运营管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310898256.8A CN116664052B (zh) | 2023-07-21 | 2023-07-21 | 基于人工智能的全域数字化运营管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664052A CN116664052A (zh) | 2023-08-29 |
CN116664052B true CN116664052B (zh) | 2023-10-20 |
Family
ID=87715522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310898256.8A Active CN116664052B (zh) | 2023-07-21 | 2023-07-21 | 基于人工智能的全域数字化运营管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664052B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711021A (zh) * | 2018-04-25 | 2018-10-26 | 广州葵翼信息科技有限公司 | 一种自动售货柜的商品管理方法 |
CN109978428A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 数据估算方法和装置以及计算机可读存储介质 |
CN111080206A (zh) * | 2019-12-26 | 2020-04-28 | 北京每日优鲜电子商务有限公司 | 补货清单的生成方法、装置、设备及存储介质 |
CN111260119A (zh) * | 2020-01-10 | 2020-06-09 | 浙江工商大学 | 产品库存控制与配送路径规划方法 |
CN113034071A (zh) * | 2021-03-09 | 2021-06-25 | 广东便捷神科技股份有限公司 | 一种用于零售终端机的一键补货方法 |
CN113850657A (zh) * | 2021-11-29 | 2021-12-28 | 新石器慧通(北京)科技有限公司 | 基于无人车的商品售卖方法、装置、电子设备及存储介质 |
CN114372601A (zh) * | 2020-10-14 | 2022-04-19 | ***通信有限公司研究院 | 一种商品采购量的预测方法及装置 |
CN114399253A (zh) * | 2022-01-06 | 2022-04-26 | 上海比升互联网技术有限公司 | 一种用于烘焙行业的智能补配销的管理方法 |
CN115564505A (zh) * | 2021-07-01 | 2023-01-03 | 北京映翰通网络技术股份有限公司 | 一种基于人工智能的自动售货机货物配置方法 |
CN115689451A (zh) * | 2022-11-14 | 2023-02-03 | 创优数字科技(广东)有限公司 | 一种线下零售门店补货量确定方法、装置、终端及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110225023A1 (en) * | 2010-03-09 | 2011-09-15 | Target Brands, Inc. | Prioritized Product Distribution |
US20160232461A1 (en) * | 2015-02-09 | 2016-08-11 | Oracle International Corporation | System and method for determining forecast errors for merchandise in retail |
US11276033B2 (en) * | 2017-12-28 | 2022-03-15 | Walmart Apollo, Llc | System and method for fine-tuning sales clusters for stores |
CN115358651A (zh) * | 2021-05-17 | 2022-11-18 | 星巴克公司 | 零售企业门店自动补货的方法、***及计算机可读存储介质 |
-
2023
- 2023-07-21 CN CN202310898256.8A patent/CN116664052B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978428A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 数据估算方法和装置以及计算机可读存储介质 |
CN108711021A (zh) * | 2018-04-25 | 2018-10-26 | 广州葵翼信息科技有限公司 | 一种自动售货柜的商品管理方法 |
CN111080206A (zh) * | 2019-12-26 | 2020-04-28 | 北京每日优鲜电子商务有限公司 | 补货清单的生成方法、装置、设备及存储介质 |
CN111260119A (zh) * | 2020-01-10 | 2020-06-09 | 浙江工商大学 | 产品库存控制与配送路径规划方法 |
CN114372601A (zh) * | 2020-10-14 | 2022-04-19 | ***通信有限公司研究院 | 一种商品采购量的预测方法及装置 |
CN113034071A (zh) * | 2021-03-09 | 2021-06-25 | 广东便捷神科技股份有限公司 | 一种用于零售终端机的一键补货方法 |
CN115564505A (zh) * | 2021-07-01 | 2023-01-03 | 北京映翰通网络技术股份有限公司 | 一种基于人工智能的自动售货机货物配置方法 |
CN113850657A (zh) * | 2021-11-29 | 2021-12-28 | 新石器慧通(北京)科技有限公司 | 基于无人车的商品售卖方法、装置、电子设备及存储介质 |
CN114399253A (zh) * | 2022-01-06 | 2022-04-26 | 上海比升互联网技术有限公司 | 一种用于烘焙行业的智能补配销的管理方法 |
CN115689451A (zh) * | 2022-11-14 | 2023-02-03 | 创优数字科技(广东)有限公司 | 一种线下零售门店补货量确定方法、装置、终端及介质 |
Non-Patent Citations (5)
Title |
---|
Retail replenishment models with display-space elastic demand;Harish Abbott et al.;《European Journal of Operational Research》;第186卷(第02期);全文 * |
基于Markov链的最优进货策略研究;李超 等;《湖南城市学院学报(自然科学版)》;第26卷(第01期);全文 * |
基于动态矩阵模型的可优化的补货策略;逯曼皎 等;《计算机工程与应用》;第57卷(第07期);全文 * |
考虑补货缺货情况的自动售饭机需求预测;王元兰;《中国优秀硕士学位论文全文数据库 经济与管理科学辑(月刊)》(第05期);全文 * |
货架空间分配和库存控制联合优化策略研究;赵菊 等;《***工程学报》;第26卷(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116664052A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nickel et al. | A multi-stage stochastic supply network design problem with financial decisions and risk management | |
Erdem et al. | Development of a decision support system for supplier evaluation and order allocation | |
Park* | An integrated approach for production and distribution planning in supply chain management | |
JP7105336B2 (ja) | スマートサプライチェーンシステム | |
CN108364085A (zh) | 一种外卖配送时间预测方法和装置 | |
CN109615184A (zh) | 零售企业门店自动配货、补货、调货的方法及*** | |
WO2001091001A2 (en) | Dynamic pricing system | |
WO2010019897A1 (en) | Automatically prescribing total budget for marketing and sales resources and allocation across spending categories | |
Gong et al. | Multi-objective optimization of green supply chain network designs for transportation mode selection | |
CN115423289A (zh) | 智能板材加工车间数据处理方法及终端 | |
US20130060712A1 (en) | Bulk Distribution Method | |
Kapalka et al. | Retail inventory control with lost sales, service constraints, and fractional lead times | |
Lin et al. | Optimization plan for excess warehouse storage in e-commerce–based plant shops: A case study for Chinese plant industrial | |
CN113469598A (zh) | 智慧供应链***及服务器平台 | |
Supakar et al. | Application of artificial bee colony algorithm on a green production inventory problem with preservation for deteriorating items in neutrosophic fuzzy environment | |
CN114372848A (zh) | 一种基于机器学习的烟草行业智能营销*** | |
CN116664052B (zh) | 基于人工智能的全域数字化运营管理方法及*** | |
Ebrahimi et al. | Bi-objective build-to-order supply chain problem with customer utility | |
CN113469397A (zh) | 智慧供应链***及服务器平台 | |
CN113469596A (zh) | 智慧供应链***及服务器平台 | |
Keskin | A novel perspective to sustainable supplier performance evaluation problem: A case study based on determining the optimum number of clusters | |
Chen et al. | Optimization of multi-echelon supply chain networks with uncertain sales prices | |
Harrington et al. | Simulating the financial impact of marketing and logistics decisions | |
El Madany et al. | PROCUREMENT FORECASTING IN ENTERPRISE RESOURCE AND PLANNING (ERP) SYSTEM USING HYBRID TIME SERIES MODEL | |
Duarte | Monitoring and Analysis of Stockouts and Lost Sales in Telecommunications: Optimizing Stock Allocation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |