自动补货方法、系统、电子设备、存储介质、程序产品技术方案

本发明专利技术提供一种自动补货方法、系统、电子设备、存储介质、程序产品，所述方法包括：通过销售预测模型，基于历史销售数据，获取销售预测结果；基于所述销售预测结果，确定补货信息；其中，所述销售预测模型的获取包括：针对待补货的商品，基于每一种所述商品的所述历史销售数据提取数据特征，基于所有所述数据特征将所有所述商品分类，针对不同的所述分类匹配预设的所述销售预测模型。通过自动提取商品的数据特征，匹配预测对象适用的最优销售预测模型，不依赖人工经验，提高了预测模型的精准度和自动化程度。动化程度。动化程度。

【技术实现步骤摘要】
自动补货方法、系统、电子设备、存储介质、程序产品


[0001]本专利技术涉及商业预测
，尤其涉及一种自动补货方法、系统、电子设备、存储介质、程序产品。

技术介绍

[0002]补货是零售商最核心的业务之一，零售业发展过程中不断探索和实践多种补货方法，以在保证销售和有效降低采购成本间取得最佳效益。准确预测商品销售数量是补货过程的关键要素，补货数量还要综合考虑物流、仓储、供应商配合等因素。
[0003]目前零售商采用以下几种方法进行补货：
[0004]1)专家法：由业务人员根据个人经验结合简单的销售数据决定补什么及补多少。该方法有效借助了业务人员丰富的经验，并综合考虑市场因素的变化做出决策，但是因局限于个人经验难免思维僵化，在当前商品品种较多、更新速度加快的背景下，难于做出正确的判断，而且此法无法支持系统的自动补货。
[0005]2)移动平均法：用过去多个周期的平均销售量作为未来需求数量，并进行权重调整，进行补货。该方法计算简单高效，对部分销售情况较为平稳的商品有较好的适用性。但是权重调整严重依赖个人经验，且高频度的权重调整在业务实践中难于实现。
[0006]3)库存水位法：给商品设定最大库存和最小库存，当实际库存低于最小库存就补到最大库存。系统简单高效，较多应用于自动补货系统中，但是最小最大库存的设定和调整非常依赖人工经验，也难于及时调整。
[0007]4)人工智能补货法：主要是通过回归或时间序列的方式预测销售数量，进行自动补货计算。由于零售业数据庞大且AI计算繁杂，目前都是采用单一的预测模型进行计算。
[0008]在零售业中补货对象是成千上万的商品，零售交易随机性大，且季节差异明显，同时数据量巨大，时效性要求又很高。现有技术中预测建模，自动化程度低，依赖人工经验处理的环节多，预测工作量大、效率低、精度差。

技术实现思路

[0009]针对现有技术存在的问题，本专利技术提供一种自动补货方法、系统、电子设备、存储介质、程序产品。
[0010]本专利技术提供的一种自动补货方法，所述方法包括：
[0011]通过销售预测模型，基于历史销售数据，获取销售预测结果；
[0012]基于所述销售预测结果，确定补货信息；
[0013]其中，所述销售预测模型的获取包括：针对待补货的商品，基于每一种所述商品的所述历史销售数据提取数据特征，基于所有所述数据特征将所有所述商品分类，针对不同的所述分类匹配预设的所述销售预测模型。
[0014]根据本专利技术提供的一种自动补货方法，所述基于所有所述数据特征将所有所述商品分类，包括：
[0015]基于所有所述数据特征，通过聚类方法，将所有所述商品分类。
[0016]根据本专利技术提供的一种自动补货方法，所述数据特征，包括如下两项：
[0017]离散系数、周期系数。
[0018]根据本专利技术提供的一种自动补货方法，所述聚类方法采用K均值聚类算法，并将所述商品分为四类；
[0019]对于所述离散系数较小的两类所述商品，匹配竞争模型；对于所述离散系数较大的两类且所述周期系数大于零的所述商品，匹配回归预测模型；
[0020]对于所述离散系数较大的两类且所述周期系数小于等于零的所述商品，匹配移动平均模型。
[0021]根据本专利技术提供的一种自动补货方法，所述对于所述离散系数较小的两类所述商品，匹配竞争模型，包括：
[0022]采用预设于所述竞争模型内部的多个子预测模型，分别获取对应的多个预测结果；
[0023]基于所述多个预测结果各自的加权平均绝对百分误差，选择所述商品最为匹配的所述子预测模型作为所述竞争模型。
[0024]根据本专利技术提供的一种自动补货方法，所述方法还包括：
[0025]如果所述商品匹配的所述销售预测模型是所述竞争模型或所述回归预测模型，则在所述竞争模型或所述回归预测模型的基础上采用预设的参数组合进行预测，并使用K折交叉验证选取每一种所述商品的最优参数组合。
[0026]根据本专利技术提供的一种自动补货方法，所述方法还包括：
[0027]周期性计算每一种所述商品在周期内预测结果的加权平均绝对百分误差；
[0028]对于加权平均绝对百分误差下降超过设定阈值的所述商品，重新进行所述销售预测模型的获取。
[0029]根据本专利技术提供的一种自动补货方法，所述基于所述销售预测结果，确定补货信息，之前包括：
[0030]通过统计所述销售预测结果的四分位数，形成四分框体；
[0031]将超过所述四分框体外的预测结果采用框体上下限值来替代。
[0032]根据本专利技术提供的一种自动补货方法，所述针对待补货的商品，基于每一种所述商品的所述历史销售数据提取数据特征，包括：
[0033]针对具有多个销售主体的同一种所述商品，分别基于不同所述销售主体的所述历史销售数据提取多个数据特征。
[0034]本专利技术还提供的一种自动补货系统，所述系统包括：
[0035]预测模块，所述预测模块通过销售预测模型，基于历史销售数据，获取销售预测结果；
[0036]补货模块，所述补货模块基于所述销售预测结果，确定补货信息；
[0037]其中，所述销售预测模型的获取包括：针对待补货的商品，基于每一种所述商品的所述历史销售数据提取数据特征，基于所有所述数据特征将所有所述商品分类，针对不同的所述分类匹配预设的所述销售预测模型。
[0038]本专利技术还提供的一种电子设备，包括存储器、处理器及存储在所述存储器上并可
在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述自动补货方法的步骤。
[0039]本专利技术还提供的一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述自动补货方法的步骤。
[0040]本专利技术还提供的一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述自动补货方法的步骤。
[0041]本专利技术提供的自动补货方法、系统、电子设备、存储介质、程序产品，通过自动提取商品的数据特征，匹配预测对象适用的最优销售预测模型，不依赖人工经验，提高了预测模型的精准度和自动化程度。
附图说明
[0042]为了更清楚地说明本专利技术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的介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为本专利技术提供的一种自动补货方法的流程示意图；
[0044]图2为本专利技术提供的一种自动补货系统结构示意图；
[0045]图3为本专利技术提供的一种电子设备的实体结构示意图。
具体实施方式
[0046]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动补货方法，其特征在于，所述方法包括：通过销售预测模型，基于历史销售数据，获取销售预测结果；基于所述销售预测结果，确定补货信息；其中，所述销售预测模型的获取包括：针对待补货的商品，基于每一种所述商品的所述历史销售数据提取数据特征，基于所有所述数据特征将所有所述商品分类，针对不同的所述分类匹配预设的所述销售预测模型。2.根据权利要求1所述的自动补货方法，其特征在于，所述基于所有所述数据特征将所有所述商品分类，包括：基于所有所述数据特征，通过聚类方法，将所有所述商品分类。3.根据权利要求2所述的自动补货方法，其特征在于，所述数据特征，包括如下两项：离散系数、周期系数。4.根据权利要求3所述的自动补货方法，其特征在于，所述聚类方法采用K均值聚类算法，并将所述商品分为四类；对于所述离散系数较小的两类所述商品，匹配竞争模型；对于所述离散系数较大的两类且所述周期系数大于零的所述商品，匹配回归预测模型；对于所述离散系数较大的两类且所述周期系数小于等于零的所述商品，匹配移动平均模型。5.根据权利要求4所述的自动补货方法，其特征在于，所述对于所述离散系数较小的两类所述商品，匹配竞争模型，包括：采用预设于所述竞争模型内部的多个子预测模型，分别获取对应的多个预测结果；基于所述多个预测结果各自的加权平均绝对百分误差，选择所述商品最为匹配的所述子预测模型作为所述竞争模型。6.根据权利要求4所述的自动补货方法，其特征在于，所述方法还包括：如果所述商品匹配的所述销售预测模型是所述竞争模型或所述回归预测模型，则在所述竞争模型或所述回归预测模型的基础上采用预设的参数组合进行预测，并使用K折交叉验证选取每一种所述商品的最优参数组合。7.根据权利要求1
‑
6中任一项所述的自动补货方法，其特征在于，所述方法还包括：...

【专利技术属性】
技术研发人员：邱克，吴清灏，高雄，覃志强，姚仲南，孙博洋，
申请(专利权)人：北京石基大商信息技术有限公司，
类型：发明
国别省市：