库存补货方法、计算机可读存储介质以及终端设备技术

本发明专利技术涉及一种库存补货方法、计算机可读存储介质以及终端设备，其库存补货方法包括如下步骤：数据采集步骤，针对商品收集历史数据以及未来预测销量数据；数据分析步骤，基于收集到的数据进行数据分析来确定商品的需求类型；模型推荐步骤，根据确定的需求类型来推荐对应的补货策略模型；基本参数设定步骤，针对店铺和商品设定基本参数；模型确定步骤，在推荐多个补货策略模型的情况下，根据基本参数中规定的是否定期补货来最终推荐多个补货策略模型中的一个模型；以及补货策略输出步骤，以收集到的历史数据、未来预测销量数据和基本参数作为输入，根据最终推荐的补货策略模型计算并输出补货策略。通过上述库存补货方法，能够实现精细的库存管理。实现精细的库存管理。实现精细的库存管理。

【技术实现步骤摘要】
库存补货方法、计算机可读存储介质以及终端设备


[0001]本专利技术涉及一种库存补货方法、计算机可读存储介质以及终端设备。

技术介绍

[0002]7亿年轻人正成为中国消费的主力军。他们对智力、多元化、个性化寄予厚望。近年来，随着社交商务和全渠道购物的兴起，这一点显而易见。市场趋势导致需求的严重不确定性，加剧了控制库存的难度。库存积压和缺货的问题正在同步恶化，我们称其为供需不平衡问题。
[0003]随着AI、IoT、5G和区块链技术的发展，创建数字化和连接的供应链成为可能。数字供应网络(DSN)的一个特点是精确管理，这是来自新市场趋势的紧迫要求。准确的管理取决于信息的对称性和前瞻性分析。我们希望实现准确的库存控制，以满足个性化和多样化的消费者的期望。
[0004]准确的库存控制意味着针对在不同地方出售的不同商品推荐不同的策略。此外，该策略应根据市场环境动态更新。存在许多库存管理方法，例如常规库存检查，连续库存检查和JIT。准确的控制要求方法和目标商品的准确匹配。但是，面对大量数据时，很难通过持续的手动监视和分析来实现。我们需要可靠且自动的分析系统来捕获有效功能并为每个商品生成合适的策略。因此，系统的基础是全面的库存策略。
[0005]对比文件1提供了一种基于供应链需求的智能补货系统。该系统由三个模块构成：需求预测，业务分析和智能补货。机器学习算法用于预测每个商店出售的每种商品的需求。业务分析是了解业务数据、业务约束和业务目标的过程。以需求预测和业务分析的结果作为输入，智能补货模块可以进行需求分类、参数优化、补货和分配决策以及结果监控。智能补货系统旨在减少人工补货工作造成的人工成本、未满足和未开发的需求、库存过多和其他成本。通过应用该系统，希望提高商店的库存周转率和活跃销量率。
[0006]现有技术文献
[0007]专利文献1:CN110516998A

技术实现思路

[0008]【专利技术要解决的技术问题】
[0009]然而，专利文献1的智能补货系统并不是最优化的。首先，在专利文献1中补货量基于需求预测结果。但是，预测准确性始终在波动，几乎不可能始终确保100％的准确性，准确性也会随着时间而降低。因此，仅参考需求预测结果的补货决策可能无法很好地满足实际需求。其次，对比文件1的需求分类的可靠性低。分类的对象是预测需求，不使用实际的销量数据。然而，需求分类的可靠性受预测精度和时间的影响。因此这样得到的补货策略无法满足客户需求。
[0010]本专利技术是为了解决这样的课题而完成的，本专利技术通过引入历史销量数据，提高数据分析的准确性。数据分析采用变异系数、稳定性检验、分布拟合、预测误差分析的方法，得
出六个分类结果，比现有技术的分类结果更细，种类更多。
[0011]【解决问题的技术手段】
[0012]为了达成上述的目的，本专利技术的方案1所记载的专利技术中，库存补货方法用于针对店铺的商品制定补货策略，所述库存补货方法包括如下步骤：数据采集步骤，针对所述商品收集历史数据以及未来预测销量数据；数据分析步骤，基于收集到的所述历史数据以及所述未来预测销量数据进行数据分析来确定所述商品的需求类型；模型推荐步骤，根据确定的所述需求类型来推荐对应的补货策略模型；基本参数设定步骤，针对所述店铺和所述商品设定基本参数；模型确定步骤，在推荐多个补货策略模型的情况下，根据所述基本参数中规定的是否定期补货来最终推荐所述多个补货策略模型中的一个模型；以及补货策略输出步骤，以收集到的所述历史数据、所述未来预测销量数据和所述基本参数作为输入，根据最终推荐的补货策略模型计算并输出补货策略。
[0013]所述库存补货方法通过数据分析和模型推荐能够实现精细的库存管理，针对在各个店铺出售的各种商品制定适当的补货策略。另一方面，该方法可以定期自动执行，既省时又节省成本。
[0014]方案2所记载的专利技术中，所述需求类型包括平滑型需求、平稳可拟合型需求、非平稳可预测型需求以及非平稳难预测型需求，每种需求类型都对应至少一种补货策略模型。
[0015]所述库存补货方法适合于不同的需求类型，可以应用于许多行业，包括百货商店、服装商店、生鲜食品行业和其他快速消费品行业。
[0016]方案3所记载的专利技术中，所述数据分析包括：针对需求数据计算变异系数；针对所述需求数据进行稳定性检验；针对所述需求数据进行分布拟合；针对补货提前期内的需求数据进行分布拟合；以及根据所述历史数据中的实际销量数据和历史预测销量数据进行销量预测误差计算，所述需求数据是历史需求数据或整体需求数据，所述历史需求数据根据所述历史数据中的所述实际销量数据和缺货数据来计算，所述整体需求数据除了所述历史需求数据之外还包括作为预测需求数据的所述未来预测销量数据，所述补货提前期在基本参数设定步骤中设定。
[0017]数据分析采用变异系数、稳定性检验、分布拟合、预测误差分析多种方法，能够对需求数据进行更精细的分析。而且，采用实际销量数据和缺货数据来作为需求数据，确保了分析的准确度。除了所述历史需求数据之外，通过增加未来预测销量数据，使得用于分析的数据更具连续性。
[0018]方案4所记载的专利技术中，所述补货策略模型包括：模型一，其对应于变异系数小于规定阈值的平滑型需求；模型二、模型三，这两个模型对应于变异系数在规定阈值以上、且稳定性检验结果为稳定、且需求数据分布拟合成功的平稳可拟合型需求；模型四、模型五，这两个模型对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且需求预测误差小的非平稳可预测型需求；以及模型六，其对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且需求预测误差大的非平稳难预测型需求。
[0019]通过推荐了六种补货策略模型，覆盖了各种类型的需求数据，使得本专利技术的补货方法可以应用于各种行业，适用范围广泛。而且，可以洞悉需求特征并制定适当的策略，有助于减少供需不平衡。
[0020]方案5所记载的专利技术中，针对所述店铺的基本参数包括：是否库存融通、是否定期补货、定期补货的周期、定期补货的指定时点、补货提前期、提前期的标准差、最小起订量，针对所述商品的基本参数包括：服务水平、库存成本、缺货成本、固定补货成本、滞销成本、补货变动成本、当天库存水平、在途库存。
[0021]通过各种基本参数的设定，实现需求数据的精确分类和补货策略的准确计算。
[0022]方案6所记载的专利技术中，在模型推荐步骤中推荐了模型二和模型三的情况下，如果在基本参数设定步骤中设定为定期补货，则最终推荐模型二，如果在基本参数设定步骤中设定为非定期补货，则判断提前期需求分布拟合是否成功，在提前期需求分布拟合成功时，最终推荐模型三，在模型推荐步骤中推荐了模型四和模型五的情况下，如果在基本参数设定步骤中设定为定期补货，则最终推荐模型五，如果在基本参数设定步骤中设定为非定期补货，则最终推荐模型四。
[0023]方案7所记载的专利技术中，在模型一中，基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种库存补货方法，其用于针对店铺的商品制定补货策略，所述库存补货方法的特征在于，包括如下步骤：数据采集步骤，针对所述商品收集历史数据以及未来预测销量数据；数据分析步骤，基于收集到的所述历史数据以及所述未来预测销量数据进行数据分析来确定所述商品的需求类型；模型推荐步骤，根据确定的所述需求类型来推荐对应的补货策略模型；基本参数设定步骤，针对所述店铺和所述商品设定基本参数；模型确定步骤，在推荐多个补货策略模型的情况下，根据所述基本参数中规定的是否定期补货来最终推荐所述多个补货策略模型中的一个模型；以及补货策略输出步骤，以收集到的所述历史数据、所述未来预测销量数据和所述基本参数作为输入，根据最终推荐的补货策略模型计算并输出补货策略。2.根据权利要求1所述的库存补货方法，其特征在于，所述需求类型包括平滑型需求、平稳可拟合型需求、非平稳可预测型需求以及非平稳难预测型需求，每种需求类型都对应至少一种补货策略模型。3.根据权利要求1所述的库存补货方法，其特征在于，所述数据分析包括：针对需求数据计算变异系数；针对所述需求数据进行稳定性检验；针对所述需求数据进行分布拟合；针对补货提前期内的需求数据进行分布拟合；以及根据所述历史数据中的实际销量数据和历史预测销量数据进行销量预测误差计算，所述需求数据是历史需求数据或整体需求数据，所述历史需求数据根据所述历史数据中的所述实际销量数据和缺货数据来计算，所述整体需求数据除了所述历史需求数据之外还包括作为预测需求数据的所述未来预测销量数据，所述补货提前期在基本参数设定步骤中设定。4.根据权利要求3所述的库存补货方法，其特征在于，所述补货策略模型包括：模型一，其对应于变异系数小于规定阈值的平滑型需求；模型二、模型三，这两个模型对应于变异系数在规定阈值以上、且稳定性检验结果为稳定、且需求数据分布拟合成功的平稳可拟合型需求；模型四、模型五，这两个模型对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且需求预测误差小的非平稳难预测型需求；以及模型六，其对应于变异系数在规定阈值以上、且稳定性检验结果为不稳定或需求分布拟合失败或提前期需求分布拟合失败、且需求预测误差大的非平稳难预测型需求。5.根据权利要求1所述的库存补货方法，其特征在于，针对所述店铺的基本参数包括：是否库存融通、是否定期补货、定期补货的周期、定期补货的指定时点、补货提...

【专利技术属性】
技术研发人员：赖素红，左滨，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：