需求预测参数的优化制造技术

实施例为一个或多个物品的需求模型选择需求预测参数，在每个商店的基础上接收物品的历史销售数据并接收第一物品的多条季节性曲线。实施例使用每条季节性曲线与逐年需求的相关性来确定季节性曲线中的每条季节性曲线的可重复性，并基于可重复性保留第一季节性曲线。实施例确定第一季节性曲线的平滑度并确定第一季节性曲线的稀疏度。基于所确定的可重复性、平滑度和稀疏度，实施例确定第一季节性曲线是可靠的，并重复接收多条季节性曲线，确定可重复性、确定平滑度并确定稀疏度，以确定多条可靠的季节性曲线。实施例使用需求模型和可靠的季节性曲线并确定对第一物品的需求预测。

Optimization of demand forecast parameters

【技术实现步骤摘要】
【国外来华专利技术】需求预测参数的优化
一个实施例一般而言针对计算机系统，特别是针对预测对零售物品的需求的计算机系统。
技术介绍
产品通常通过制造商、分销商、运输商、零售商等网络被递送给消费者。共同向消费者递送产品的这种设施网络通常被称为“供应链”网络。产品的供应者(例如，制造商、供应商、零售商等)常常面临预测(forecasting)产品需求的任务，以便在存在不断变化的市场条件的情况下通过供应链网络提供平稳且高效的产品流。过高估计需求可能导致生产过剩和与持有库存相关联的成本增加(例如，存储成本、过时等)。另一方面，低估需求可能导致收入损失。另外，在零售行业，零售商需要预计(predict)他们未来的需求，以更好地管理他们的库存或促销/降价计划。零售商可以参与多种类型的促销以提高销量(sales)。为了生成准确的预测，零售商必须考虑可能影响需求的所有因素/特征，诸如促销、价格、季节性、天气等。一般而言，销售预测系统在产生零售物品的销售单位(salesunit)的每周预测时会遇到问题。在给定的一周中零售物品的销售受到许多因素的影响，诸如季节性因素，是否在该周期间内对零售物品应用了折扣以及该物品落入生命周期中的哪个时间点。预测每周销售单位的一种常见方法涉及为零售物品建立“因果需求模型”。这个需求模型是根据诸如上面列出的因素之类的因素来描述每周销售单位的数学模型。这些因素被称为形成需求模型的“需求变量”。需求模型以数学方式指定需求变量如何影响销售单位。例如，如果折扣量是需求变量，则历史数据可以显示降价50％导致销售单位增加4倍(即，与价格弹性有关)。在这个示例中，需求变量是降价50％并且历史销售数据是销量增加4倍。为了使因果需求模型可以用于预测销售单位，有必要确定需求变量(降价50％)与销售单位(增加4倍)的关系。这种关系被称为与需求变量相关联的“需求参数”。在这个示例中，可以确定需求参数以指定每降低25％的价格，特定零售物品的销量将增加2倍。在确定需求参数后，有可能通过指定需求变量的未来值来预测销售单位。继续降价的示例，零售商可能知道下个季度它将在几周内降价40％。然后，需求模型将预测这些周的销售单位，以考虑降价40％。需求参数是通过检查历史零售数据(称为“零售面板数据”)来确定的，该历史数据包含零售物品本身或类似零售物品的降价。但是，如上所述，一些需求变量影响零售物品的销售。这几个需求变量同时适用。例如，零售商可以在夏季期间对夏季物品执行了50％的降价，在这种情况下，销量的4倍增加可以部分地由于夏季期间对夏季零售物品的季节性需求增加。为了分离多个需求变量对销售的影响，对需求模型执行回归以确定使得需求模型最适合零售面板数据的需求参数的值。另外，销售预测的质量非常取决于输入数据的质量(即，垃圾进场、垃圾出场)。在许多情况下，用于销售预测必要和可用的历史数据不够充分，因此得出的预测可能弊大于利。一些已知的复杂的预测解决方案提供了异常驱动的工作流，其中检测到此类不良预测，并提示预测分析人员手动查看并调整预测。不太复杂的解决方案无法捕捉到不好的数字，这可能导致库存过多/库存不足、分配错误、不好的计划等。
技术实现思路
实施例为一个或多个物品的需求模型选择需求预测参数。实施例以每个商店为基础接收物品的历史销售数据，并接收第一物品的多个季节性曲线。实施例使用每个季节性曲线与逐年需求的相关性来确定每个季节性曲线的可重复性，并基于可重复性来保留第一季节性曲线。实施例确定第一季节性曲线的平滑度并确定第一季节性曲线的稀疏度。基于所确定的可重复性、平滑度和稀疏度，实施例确定第一季节性曲线是可靠的，并重复接收多个季节性曲线，确定可重复性、确定平滑度并确定稀疏度，以确定多个可靠的季节性曲线。实施例使用需求模型和可靠的季节性曲线并确定对第一物品的需求预测。实施例然后将需求预测以电子方式发送到库存管理系统，该库存管理系统被配置为基于需求预测生成第一物品到多个零售商店的附加数量的装运。附图说明图1是根据本专利技术实施例的计算机服务器/系统的框图。图2是根据一个实施例的当自动核实季节性和促销影响的需求参数时图1的需求预测模块的功能的流程图。图3图示了根据实施例的在两个完整销售周期内的物品的示例季节性曲线。图4A图示了根据实施例的在13周的销售周期内物品的促销影响参数。图4B图示了根据实施例的针对图4A的促销影响的回归截距(regressionintercept)计算。图5是根据一个实施例的当优化在需求模型中使用的季节性曲线和一个促销参数集合的选择时图1的需求预测模块的功能的流程图。图6图示了根据实施例的在13周的销售周期内物品的两条示例季节性曲线。图7图示了根据实施例的在物品的13周销售周期内的示例促销影响。图8图示了根据一个实施例的集成制造、库存和物流系统，该系统包括如本文所公开的需求预测。具体实施方式实施例自动确定有问题的需求预测模型参数，然后从需求预测中去除有问题的参数，并用可靠的参数代替。因此，需求预测得以优化并且更加准确。销售需求预测方法大致可以被分组为判断、外推(extrapolation)和因果方法。外推方法仅使用活动本身的时间序列数据来生成预测。已知的特定技术的范围从较简单的移动平均和指数平滑方法到更复杂的Box-Jenkins方法。虽然这些已知方法成功地识别和外推趋势、季节性和自相关的时间序列模式，但它们不考虑诸如价格改变和促销之类的外部因素。向量自回归(“VAR”)模型扩展Box-Jenkins方法以包括其它变量，但它们的复杂性使得估计变得困难。因果预测涉及使用表示被认为是结果驱动因素的现象的输入来构建定量模型。这些模型可以像具有促销变量的线性回归模型一样简单。起点是具有促销变量(诸如降价、折扣或广告)的回归模型。这个想法是模型简单性帮助管理者理解和批准或指导对模型的修改，并且随着他们对关于决策辅助知识的了解越来越多，他们可能已经准备好实现更精细和更复杂的模型。因此，一般而言，可以通过两种方式来解决估计对零售物品的需求和销售的促销影响的问题。在一种方法中，可以直接在物品/商店级别(例如，对于每个个体零售商店中的每个个体库存单位(“SKU”)，也被称为“粒度级别”)来估计促销影响。但是，在这个级别上可用的需求和促销数据通常不充足，使得任何估计通常不稳定，并且结果通常不准确。在另一种方法中，可以以更聚合的级别(诸如针对整个区域中的所有零售商店)估计促销影响。一般而言，这个级别的数据更稳定并且更普遍，从而允许对促销影响进行鲁棒的估计。但是，这个级别的数据丰富性也是个挑战。如果考虑所有可用数据点，则由于需要处理大量数据，因此使用计算机生成估计可能非常缓慢，并且离群值(outlier)会对输出产生不适当的影响。另一方面，如果仅包括通过某个预定义准则的数据点(即，使用数据过滤)，则处理速度提高，但是输出有偏差并且取决于预定义的准则。例如，一些预测系统汇总(poo本文档来自技高网...

【技术保护点】
1.一种为一个或多个物品的需求模型选择需求预测参数的方法，所述方法包括：/n在每个商店的基础上接收物品的历史销售数据；/n接收第一物品的多条季节性曲线；/n使用每条季节性曲线与逐年需求的相关性来确定季节性曲线中的每条季节性曲线的可重复性，并基于所述可重复性保留第一季节性曲线；/n确定第一季节性曲线的平滑度；/n确定第一季节性曲线的稀疏度；/n基于所确定的可重复性、平滑度和稀疏度，确定第一季节性曲线是可靠的；/n重复接收多条季节性曲线，确定可重复性、确定平滑度并确定稀疏度，以确定多条可靠的季节性曲线；/n使用所述需求模型和所述可靠的季节性曲线，确定对第一物品的需求预测，所述需求预测包括对第一物品的进一步销售数据的预计；以及/n将所述需求预测以电子方式发送到库存管理系统，所述库存管理系统被配置为基于所述需求预测生成附加数量的第一物品到多个零售商店的装运。/n

【技术特征摘要】
【国外来华专利技术】20180830 US 16/117,1641.一种为一个或多个物品的需求模型选择需求预测参数的方法，所述方法包括：
在每个商店的基础上接收物品的历史销售数据；
接收第一物品的多条季节性曲线；
使用每条季节性曲线与逐年需求的相关性来确定季节性曲线中的每条季节性曲线的可重复性，并基于所述可重复性保留第一季节性曲线；
确定第一季节性曲线的平滑度；
确定第一季节性曲线的稀疏度；
基于所确定的可重复性、平滑度和稀疏度，确定第一季节性曲线是可靠的；
重复接收多条季节性曲线，确定可重复性、确定平滑度并确定稀疏度，以确定多条可靠的季节性曲线；
使用所述需求模型和所述可靠的季节性曲线，确定对第一物品的需求预测，所述需求预测包括对第一物品的进一步销售数据的预计；以及
将所述需求预测以电子方式发送到库存管理系统，所述库存管理系统被配置为基于所述需求预测生成附加数量的第一物品到多个零售商店的装运。


2.如权利要求1所述的方法，其中所述历史销售数据包括对于第一物品的多个促销影响，所述方法还包括：
确定促销影响的稀疏度；
确定促销影响的回归截距；
基于促销影响的稀疏度和回归截距，确定多个可靠的促销影响；以及
使用所述需求模型、所述可靠的季节性曲线和所述可靠的促销影响，确定对第一物品的需求预测。


3.如权利要求2所述的方法，其中季节性曲线中的每条季节性曲线是包括除了第一物品之外还有其它物品的参数的聚合季节性曲线。


4.如权利要求2所述的方法，其中季节性曲线中的每条季节性曲线包括第一物品的至少两个销售周期。


5.如权利要求2所述的方法，还包括：
基于所述需求预测，增加第一物品的制造量。


6.如权利要求5所述的方法，还包括：
响应于增加的制造量，将增加量的第一物品装运到多个不同的零售商店。


7.如权利要求2所述的方法，其中所述需求预测包括基本需求、所述可靠的季节性曲线和所述可靠的促销影响。


8.一种计算机可读介质，具有存储在其上的指令，所述指令在由处理器执行时使得所述处理器通过以下操作来确定一个或多个物品的需求模型的可靠的需求预测参数，其中操作包括：
在每个商店的基础上接收物品的历史销售数据；
接收第一物品的多条季节性曲线；
使用每条季节性曲线与逐年需求的相关性来确定季节性曲线中的每条季节性曲线的可重复性，并基于所述可重复性保留第一季节性曲线；
确定第一季节性曲线的平滑度；
确定第一季节性曲线的稀疏度；
基于所确定的可重复性、平滑度和稀疏度，确定第一季节性曲线是可靠的；
重复接收多条季节性曲线，确定可重复性、确定平滑度并确定稀疏度，以确定多条可靠的季节性曲线；
使用所述需求模型和所述可靠的季节性曲线，确定对第一物品的需求预测；以及
将所述需求预测以电子方式发送到库存管理系统，所述库存管理系统被配置为基于所述需求预测生成附加数量的第一物品到多个零售商店的装运。


9.如权利要求8所述的...

【专利技术属性】
技术研发人员：C·波佩斯库，B·李，L·L·梅斯基塔，
申请(专利权)人：甲骨文国际公司，
类型：发明
国别省市：美国;US