零售企业门店自动补货的方法、系统及计算机可读存储介质技术方案

本发明专利技术实施例提供一种零售企业门店自动补货的方法、系统及计算机可读存储介质。本发明专利技术的方法利用与所述零售企业门店同类型的至少一个门店的历史运营交易数据得出至少一个门店的每项产品的四项指标，提取出对所述四项指标构成的指标矩阵有影响的多个目标特征以给出补货建议，并自动调整所述四项指标构成的指标矩阵，更新补货模型。本发明专利技术实施例可以根据门店的历史运营交易数据以及天气变化、商圈客流、打折事件等外部环境，最优化定制一套算法模型，给每家门店提供SKU级别的高精度需求预测与补货建议生成补货建议，提高服务器的处理效率，进一步实现人工可控的智能补货决策功能。能。能。

【技术实现步骤摘要】
零售企业门店自动补货的方法、系统及计算机可读存储介质


[0001]本专利技术涉及管理信息系统
，更具体地说，涉及一种零售企业门店自动补货的方法、系统及计算机可读存储介质。

技术介绍

[0002]随着互联网电商及物流行业的发展，市面上逐渐出现一些自助售卖机、“无人超市”等新模式的线上零售产业。这些新模式的零售产业一般以云计算、物联网、移动支付、大数据等技术作为依托，采用无人值守的销售模式，以最大限度地降低人工成本、维护成本以及提升消费者的用户体验。
[0003]但是现有的线上零售产业在门店配货、补货、调货方面主要依靠机器学习,包括决策树、神经网络等。现有机器学习方法仅能生成定期而不是连续的补货需求预测，同时，现有的机器学习方法无法在单一商品(SKU，Stocking Keeping Unit，也称为库存保管单位)级别上生成连续的需求预测；另外，虽然现有的机器学习方法可能会将历史数据用作输入，但是通常不会考虑外部环境因素(比如：天气变化、商圈客流、打折事件等)进行预处理以生成特征(即数据向量)，导致预测的准确率不高。
[0004]因此，如何提高服务器的处理效率，为每个SKU在每家店最优化定制一套算法模型生成补货建议是目前线上零售产业持续解决的主要问题。

技术实现思路

[0005]本专利技术的目的在于提供一种零售企业门店自动补货的方法，一种零售企业门店自动补货的方法，包括步骤S11至S14：步骤S11:根据与所述零售企业门店同类型的至少一个门店的历史运营交易数据得出至少一个门店的每项产品的至少四项指标构成的指标矩阵，其中，所述历史运营交易数据包括销售产生的库存扣减数据、采购产生的库存增加数据、销售过程中的库存报废数据或异常消耗数据和盘点产生的盈亏数据中的至少一项；所述至少四项指标包括加权平均绝对百分误差WMAPE、库存天数DOI、需求满足率DFR和库存报废率MOR；步骤S12:基于所述指标矩阵，确定所述产品的期望指标范围以及基准线，将与所述历史运营交易数据同期的多个外部数据输入到目标特征提取模型，其中，所述目标特征提取模型基于所述外部数据和期望指标范围，提取出对所述至少四项指标构成的指标矩阵有影响的多个目标特征；步骤S13:将所述多个目标特征结合所述历史运营交易数据输入到补货模型中，其中，基于所述多个目标特征结合所述历史运营交易数据，所述补货模型给出补货建议；以及步骤S14:随着时间的推移，自动调整所述至少四项指标的指标矩阵，更新补货模型。
[0006]作为本专利技术的一个实施例，步骤S12中的确定所述产品的期望指标范围以及基准线包括：形成坐标系，所述坐标系包括至少四个坐标轴，其中，至少四个坐标轴中的每个坐标轴表示所述产品的至少四项指标中的一个指标，获取多个门店的所述产品的至少四项指标中各项指标的平均值，其中，获取各项指标的平均值包括：计算相同时间段内多个门店中
的每个门店的所述产品的至少四项指标的各项指标的平均值，从所述多个门店中筛选出所述产品的所述至少四项指标中至少一个指标在所述平均值以上的门店，得到所述至少一个指标在平均值以上的门店的至少一个指标的最高值和最低值，将得到的至少四项指标的每项指标的最高值和最低值在所述坐标系相应坐标轴之间的范围作为期望指标范围；以及对于至少四项指标中的每项指标，将得到的多个门店的所述产品的至少四项指标的平均值在所述坐标系相应坐标轴上的连线作为基准线。
[0007]作为本专利技术的一个实施例，所述WMAPE通过以下公式进行计算：
[0008][0009]其中，A为实际销售量，P为预测销售量，W(t)为时间t时刻预测的权重,t为所述相同时间段内的离散时间点；
[0010]所述MOR通过以下公式进行计算：
[0011][0012]其中，∑
i∈sku
C
i
*markout_quantity
i
为所述相同时间段内报废产品的单位成本C与报废数量的乘积的求和，∑
i∈sku
p
i
*sale_quantity
i
为所述相同时间段内报废产品的销售价格P与报废数量的乘积的求和；
[0013]所述DFR通过以下公式进行计算：
[0014][0015]其中，∑
i∈sku
p
i
*lost_sale_quantity
i
为所述相同时间段内产品i的未销售量的求和，∑
i∈sku
p
i
*total_demand
i
为所述相同时间段内产品i的总需求量的求和；以及
[0016]所述DOI通过以下公式进行计算：
[0017][0018]其中，∑
i∈sku
p
i
*average_stock
i
为所述相同时间段内产品i的平均库存量的求和，∑
i∈sku
p
i
*daily_sales
i
为所述相同时间段内产品i的日销售量的求和。
[0019]作为本专利技术的一个实施例，步骤S11中的所述确定期望指标范围还包括：将所述至少一个门店的所述产品的指标矩阵与基准线进行比较，以获得至少一个门店的所述产品在相同时间段内的分数，得到分数满足阈值的指标和指标分布情况，对所述指标分布情况进行高斯拟合得到期望指标范围。
[0020]作为本专利技术的一个实施例，对所述指标分布情况使用以下公式进行高斯拟合得到对应的分布方程：
[0021][0022]然后得到2σ范围，从而得到期望指标范围；
[0023]其中，y
max
为高斯曲线的峰值，X
max
为峰值位置，S为半宽信息，2σ为95％的数值命中
区间。
[0024]作为本专利技术的一个实施例，步骤S12中所述目标特征提取模型基于所述外部数据和期望指标范围，提取出对所述四项指标构成的指标矩阵有影响的多个目标特征包括：确定输入的所述外部数据使得由至少四项指标构成的指标矩阵落在所述期望指标范围内；将所述外部数据作为目标特征提取；其中，所述多个外部数据包括天气数据、客流动态或活动事件中的至少一个；以及其中，所述目标特征提取模型包括：XGBoost、RF和LightGBM中的至少一个。
[0025]作为本专利技术的一个实施例，将与所述历史运营交易数据同期的多个外部数据输入到目标特征提取模型之前还包括：从所述多个外部数据得到多个初级特征，使用主成分分析方法对所述多个初级特征进行降维处理，获得多个初级特征中的每一个初级特征的权重，以及将多个初级特征中权重大于阈值的初级特征作为中间特征输入到目标特征提取模型。
[0026]作为本专利技术的一个实施例，获得多个初级特征中的每一个初级特征的权重包括：将多个初级特征划分为多个类型，以及对多个初级特征的每一个赋予权重，相同类型的初级特征越多，所述相同类型的初级特征的权重越大。
[0027]作为本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种零售企业门店自动补货的方法，包括步骤S11至S14：步骤S11:根据与所述零售企业门店同类型的至少一个门店的历史运营交易数据得出至少一个门店的每项产品的至少四项指标构成的指标矩阵，其中，所述历史运营交易数据包括销售产生的库存扣减数据、采购产生的库存增加数据、销售过程中的库存报废数据或异常消耗数据和盘点产生的盈亏数据中的至少一项；所述至少四项指标包括加权平均绝对百分误差WMAPE、库存天数DOI、需求满足率DFR和库存报废率MOR；步骤S12:基于所述指标矩阵，确定所述产品的期望指标范围以及基准线，将与所述历史运营交易数据同期的多个外部数据输入到目标特征提取模型，其中，所述目标特征提取模型基于所述外部数据和期望指标范围，提取出对所述至少四项指标构成的指标矩阵有影响的多个目标特征；步骤S13:将所述多个目标特征结合所述历史运营交易数据输入到补货模型中，其中，基于所述多个目标特征结合所述历史运营交易数据，所述补货模型给出补货建议；以及步骤S14:随着时间的推移，自动调整所述至少四项指标的指标矩阵，更新补货模型。2.根据权利要求1所述的方法，其中，步骤S12中的确定所述产品的期望指标范围以及基准线包括：形成坐标系，所述坐标系包括至少四个坐标轴，其中，至少四个坐标轴中的每个坐标轴表示所述产品的至少四项指标中的一个指标，获取多个门店的所述产品的至少四项指标中各项指标的平均值，其中，获取各项指标的平均值包括：计算相同时间段内多个门店中的每个门店的所述产品的至少四项指标的各项指标的平均值，从所述多个门店中筛选出所述产品的所述至少四项指标中至少一个指标在所述平均值以上的门店，得到所述至少一个指标在平均值以上的门店的至少一个指标的最高值和最低值，将得到的至少四项指标的每项指标的最高值和最低值在所述坐标系相应坐标轴之间的范围作为期望指标范围；以及对于至少四项指标中的每项指标，将得到的多个门店的所述产品的至少四项指标的平均值在所述坐标系相应坐标轴上的连线作为基准线。3.根据权利要求2所述的方法，其中，所述WMAPE通过以下公式进行计算：其中，A为实际销售量，P为预测销售量，W(t)为时间t时刻预测的权重,t为所述相同时间段内的离散时间点；所述MOR通过以下公式进行计算：
其中，∑
i∈sku
C
i
*markout_quantity
i
为所述相同时间段内报废产品的单位成本C与报废数量的乘积的求和，∑
i∈sku
p
i
*sale_quantity
i
为所述相同时间段内报废产品的销售价格P与报废数量的乘积的求和；所述DFR通过以下公式进行计算：其中，∑
i∈sku
p
i
*lost_sale_quantity
i
为所述相同时间段内产品i的未销售量的求和，∑
i∈sku
p
i
*total_demand
i
为所述相同时间段内产品i的总需求量的求和；以及所述DOI通过以下公式进行计算：其中，∑
i∈sku
p
i
*average_stock
i
为所述相同时间段内产品i的平均库存量的求和，∑
i∈sku
p
i
*daily_sales
i
为所述相同时间段内产品i的日销售量的求和。4.根据权利要求1所述的方法，其中，步骤S11中的所述确定期望指标范围还包括：将所述至少一个门店的所述产品的指标矩阵与基准线进行比较，以获得至少一个门店的所述产品在相同时间段内的分数，得到分数满足阈值的指标和指标分布情况，对所述指标分布情况进行高斯拟合得到期望指标范围。5.根据权利要求4所述的方法，其中，对所述指标分布情况使用以下公式进行高斯拟合得到对应的分布方程：然后得到2σ范围，从而得到期望指标范围；其中，y
max
为高斯曲线的峰值，X
max
为峰值位置，S为半宽信息，2σ为95％的数值命中区间。6.根据权利要求1
‑
5任一项所述的方法，其中，步骤S12中所述目标特征提取模型基于所述外部数据和期望指标范围，提取出对所述四项指标构成的指标矩阵有影响的多个目标特征包括：确定输入的所述外部数据使得由至少四项指标构成的指标矩阵落在所述期望指标范围内；将所述外部数据作为目标特征提取；其中，所述多个外部数据包括天气数据、客流动态或活动事件中的至少一个；以及其中，所述目标特征提取模型包括：XGBoost、RF和LightGBM中的至少一个。7.根据权利要求6所述的方法，其中，将与所述历史运营交易数据同期的多个外部数据输入到目标特征提取模型之前还包括：从所述多个外部数据得到多个初级特征，使用主成分分析方法对所述多个初级特征进行降维处理，获得多个初级特征中的每一个初级特征的权重，以及将多个初级特征中权重大于阈值的初级特征作为中间特征输入到目标特征提取模型。8.根据权利要求7所述的方法，其中，获得多个初级特征中的每一个初级特征的权重包
括：将多个初级特征划分为多个类型，以及对多个初级特征的每一个赋予权重，相同类型的初级特征越多，所述相同类型的初级特征的权重越大。9.根据权利要求1
‑
8任一项所述的方法，其中，步骤S13中将所述多个目标特征结合所述历史运营交易数据输入到补货模型中，其中，基于所述多个目标特征结合所述历史运营交易数据，所述补货模型给出补货建议包括：根据所述多个目标特征结合所述历史运营交易数据建立预测模型，从所述预测模型中获得预测库存需求，将所述预测库存需求输入至所述补货模型，以及结合补货规则给出补货建议；其中，所述补货规则包括补货业务规则以及限制条件。10.根据权利要求9所述的方法，其中，所述更新补货模型包括：按照预设周期，根据所述至少一个门店的实际的库存消耗情况更新预测模型，将所述至少四项指标与所述多个目标特征进行重新计算，以及将多个目标特征参与需求预测的权重进行调整，调整的依据为以所述至少四项指标的不断提升为基准。11.一种零售企业门店自动补货的系统...

【专利技术属性】
技术研发人员：李佳真，李希，范崇寅，
申请(专利权)人：星巴克公司，
类型：发明
国别省市：