智能商品配补调的方法技术

本发明专利技术提供一种智能商品配补调的方法，涉及大数据分析技术领域

【技术实现步骤摘要】
智能商品配补调的方法


[0001]本专利技术涉及大数据分析
，具体而言，涉及一种智能商品配补调的方法
。

技术介绍

[0002]在数字化转型的背景下，商品配补调系统成为品牌零售公司的关键工具
。
然而在当前市场上存在的商品配补调系统中都或多或少存在一些问题和不足
。
大多数系统难以全面
、
准确地监测和管理商品的整个生命周期，包括商品企划
、
配补调管理
、
商品监控
、
销售预测等环节
。
而且传统的系统多采用定制化开发架构，无法适应不同企业的实际业务流程进行灵活配置，中后期维护成本高
。
此外，由于系统缺乏对大量实时数据的分析和处理，导致企业无法及时作出决策和调整
。
[0003]因此，设计一种智能商品配补调的方法，能够通过对商品数据的实时处理分析形成系统全面且准确度高的商品配补调方式，提高管理效率的同时，也能够进一步提高商品销售的经济性，是目前亟待解决的问题
。

技术实现思路

[0004]本专利技术的目的在于提供一种智能商品配补调的方法，通过对商品配补调区域内的销售数据进行针对不同特征因素的分析，建立起影响商店在下一个特征销售周期中的商品数量的基础特征数据
。
在基础特征数据的基础上逐一的进行不同特征因素对商品销售量的影响情况分析，由于充分细致的考虑了影响商品销售量的各方面因素，可以获取更加准确且全面的订货数据/>。
另外，在获取到准确全面的订货量数据后，再进行商店首配的分析和补货调拨的方式的确定，进一步完善商品的配补调系统，大大提高了商品销售的经济性，有效的避免过多的货物积压所产生的成本
。
[0005]第一方面，本专利技术提供一种智能商品配补调的方法，包括获取区域内商店的商品销售数据，并对商店进行针对不同商品的销售特征分析，形成商店的商品销售特征数据；根据商品销售特征数据，对每个商店进行不同商品的订货量的确定，形成商店订货量数据；根据商店订货量数据进行实际订单信息的确定，并基于实际订单信息对不同的商店进行商品首配，形成商店首配货物数据；获取商店的实时货物量信息，并结合商店首配货物数据进行补货调拨分析，形成补货调拨分析数据；根据补货调拨分析数据，对不同的商店进行补货调拨
。
[0006]在本专利技术中，该方法通过对商品配补调区域内的销售数据进行针对不同特征因素的分析，建立起影响商店在下一个特征销售周期中的商品数量的基础特征数据
。
在基础特征数据的基础上逐一的进行不同特征因素对商品销售量的影响情况分析，由于充分细致的考虑了影响商品销售量的各方面因素，可以获取更加准确且全面的订货数据
。
另外，在获取到准确全面的订货量数据后，再进行商店首配的分析和补货调拨的方式的确定，进一步完善商品的配补调系统，大大提高了商品销售的经济性，有效的避免过多的货物积压所产生的成本
。
[0007]作为一种可能的实现方式，获取区域内商店的商品销售数据，并对商店进行针对不同商品的销售特征分析，形成商店的商品销售特征数据，包括：获取销售周期内不同商店中所有商品的历史销售数据，形成单品历史销售数据；根据单品历史销售数据，进行针对影响商品销售量的时间类销售特征的特性分析，形成时间类特性分析基础信息；根据单品历史销售数据，进行针对影响商品销售量的空间类销售特征的特性分析，形成空间类特性分析基础信息；根据单品历史销售数据，进行针对影响商品销售量的价格类销售特征的特性分析，形成价格类特性分析基础信息；根据单品历史销售数据，进行针对影响商品销售量的存储类销售特征的特性分析，形成存储类特性分析基础信息；根据单品历史销售数据，进行针对影响商品销售量的质量类销售特征的特性分析，形成质量类特性分析基础信息；结合每种商品中不同的时间类特性分析基础信息
、
空间类特性分析基础信息
、
价格类特性分析基础信息
、
存储类特性分析基础信息以及质量类特性分析基础信息，形成商品销售特征数据
。
[0008]在本专利技术中，目的在于对商店中商品的销售量进行预测或者确定，以为进行商品销售的高效管理和配补调提供重要的参考数据
。
由于影响商品销售量的因素多样，这里将主要影响销售量的因素归结为时间类
、
空间类
、
价格类
、
存储类以及质量类这五类，当然，本专利技术中提到的特征类也会因为主客观的原因在类别中有所增加，可以根据分析的需要来确定这五类中的具体影响因子
。
在充分考虑各类中的子因素对销售量影响的情况下可以更加准确全面的对销售量数据进行预测和确定，大大提高了对数据分析的准确度
。
[0009]作为一种可能的实现方式，根据单品历史销售数据，进行针对影响商品销售量的时间类销售特征的特性分析，形成时间类特性分析基础信息，包括：获取目标商店中不同商品在
n
个特征销售周期内的销售数据，并将销售数据进行排除价格类销售特征对销售量影响的筛选，形成特征销售周期数据集
A=[
，，
...
，
]；其中，每个特征销售周期数据中对应时间段下的销售量为，＜，
m
为被划分的时间段在时间维度顺序上的顺序编号；根据特征销售周期数据集
A
，确定商品在特征销售周期内每个时间段上的平均销售量；结合目标商店中不同商品在特征销售周期中的所有平均销售量，形成不同商品的时间类特性分析基础信息
。
[0010]在本专利技术中，对时间类销售特征的特性分析，主要是确定商店在普通销售期下的平均销售量情况，用于反应商品整体的销售量水平
。
需要说明的是，由于对商品进行打折会大大影响商品的销售量，所以在进行时间类销售特征分析时需要将价格类销售特征对商品销售量的影响排除，这样才能更加真实的反应商品在普通销售期时的平均销售水平
。
可以理解，虽然有些种类的商品因为自身的供需特点存在一定的销售旺季和销售淡季，但所获取的平均销售量可以从总体水平上反应商品的销售量，以平均销售量作为订货的依据可以在特征销售周期类基本满足商品销售量的需求，同时平均销售量也为进行其他类特征的分析提供基础数据，将其他类特征对商品销售量的影响反映到对平均销售量的影响上来，可以在后续进行商店乃至特定商品的订货量设计时进行综合的数据参考和分析，这样基于同一基础参数的多影响因素分析大大提高了商品定制分配的合理性和准确性
。
[0011]作为一种可能的实现方式，根据单品历史销售数据，进行针对影响商品销售量的
空间类销售特征的特性分析，形成空间类特性分析基础信息，包括：设定空间分析区域，以目标商店为位置基点，以与目标商店销售相同目标商品的相关性商店的数量不同为提取目标，从
n
个特征销售周期内提取出相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
智能商品配补调的方法，其特征在于，包括：获取区域内商店的商品销售数据，并对商店进行针对不同商品的销售特征分析，形成商店的商品销售特征数据；根据所述商品销售特征数据，对每个商店进行不同商品的订货量的确定，形成商店订货量数据；根据所述商店订货量数据进行实际订单信息的确定，并基于所述实际订单信息对不同的商店进行商品首配，形成商店首配货物数据；获取商店的实时货物量信息，并结合所述商店首配货物数据进行补货调拨分析，形成补货调拨分析数据；根据所述补货调拨分析数据，对不同的商店进行补货调拨
。2.
根据权利要求1所述的智能商品配补调的方法，其特征在于，所述获取区域内商店的商品销售数据，并对商店进行针对不同商品的销售特征分析，形成商店的商品销售特征数据，包括：获取销售周期内不同商店中所有商品的历史销售数据，形成单品历史销售数据；根据所述单品历史销售数据，进行针对影响商品销售量的时间类销售特征的特性分析，形成时间类特性分析基础信息；根据所述单品历史销售数据，进行针对影响商品销售量的空间类销售特征的特性分析，形成空间类特性分析基础信息；根据所述单品历史销售数据，进行针对影响商品销售量的价格类销售特征的特性分析，形成价格类特性分析基础信息；根据所述单品历史销售数据，进行针对影响商品销售量的存储类销售特征的特性分析，形成存储类特性分析基础信息；根据所述单品历史销售数据，进行针对影响商品销售量的质量类销售特征的特性分析，形成质量类特性分析基础信息；结合每种商品中不同的所述时间类特性分析基础信息
、
空间类特性分析基础信息
、
价格类特性分析基础信息
、
存储类特性分析基础信息以及质量类特性分析基础信息，形成所述商品销售特征数据
。3.
根据权利要求2所述的智能商品配补调的方法，其特征在于，所述根据所述单品历史销售数据，进行针对影响商品销售量的时间类销售特征的特性分析，形成时间类特性分析基础信息，包括：获取目标商店中不同商品在
n
个特征销售周期内的销售数据，并将所述销售数据进行排除所述价格类销售特征对销售量影响的筛选，形成特征销售周期数据集
A=[
，，
...
，
]
；其中，每个特征销售周期数据中对应时间段下的销售量为，＜，
m
为被划分的时间段在时间维度顺序上的顺序编号；根据所述特征销售周期数据集
A
，确定商品在所述特征销售周期内每个时间段上的平均销售量；结合所述目标商店中不同商品在所述特征销售周期中的所有所述平均销售量
，形成不同商品的所述时间类特性分析基础信息
。4.
根据权利要求3所述的智能商品配补调的方法，其特征在于，所述根据所述单品历史销售数据，进行针对影响商品销售量的空间类销售特征的特性分析，形成空间类特性分析基础信息，包括：设定空间分析区域，以所述目标商店为位置基点，以与目标商店销售相同目标商品的相关性商店的数量不同为提取目标，从
n
个所述特征销售周期内提取出所述相关性商店数量不同的所述特征销售周期，确定为空间分析周期；将空间分析周期按照时间维度的由近及远的顺序进行分组形成空间分析周期组，保证每组所含所述空间分析周期的数量为3，若最后剩余的所述空间分析周期的数量不足3则去除剩余的所述空间分析周期；对每个所述空间分析周期，以所述目标商店为原点建立二维位置坐标系，确定所述相关性商店相对所述目标商店的距离，
u
为对应的所述相关性商店的编号，并确定出相对空间率
=
；确定每个所述相关性商店在对应的所述空间分析周期内的销售总量，并确定出平均销售总量
=
；确定出所述目标商店的所述目标商品在对应所述空间分析周期内的目标销售总量；根据所述相对空间率
、
所述平均销售总量
、
所述目标销售总量以及所述相关性商店的数量
u
，确定所述空间分析周期对应的空间制约参量（，
h
，
u
），其中，
h=
；获取每个所述空间分析周期组中的三个所述空间制约参量，建立以
h
为目标函数，以所述相对空间率和所述相关性商店的数量
u
为变量的二元函数；根据每个所述空间分析周期组的所述二元函数，进行均化处理，形成空间制约函数
H(
，
u)
；结合所述目标商店所有的商品的所述空间制约函数，形成所述空间类特性分析基础信息
。5.
根据权利要求4所述的智能商品配补调的方法，其特征在于，所述根据所述单品历史销售数据，进行针对影响商品销售量的价格类销售特征的特性分析，形成价格类特性分析基础信息，包括：确定价格分析区域，在所述价格分析区域内获取不同商店的目标商品在
n
个特征销售周期内的统一折扣值以及所述统一折扣值所对应的统一折扣期的统一折扣销量，
v
为在编号为
x
的所述特征销售周期内销售所述目标商品的商店对应的编号，
x
表示
n
个所述特征销售周期内提取的具有所述统一折扣期的所述特征销售周期的编号；根据所述时间类特性分析基础信息，确定与所述统一折扣期相邻且在所述统一
折扣期前的时间段的平均销售量和与所述统一折扣期相邻且在所述统一折扣期后的平均销售量；根据下式确定平均统一折扣变化率：，，其中，；获取不同商店对所述目标商品在
n
个特征销售周期内的店内折扣值以及所述店内折扣值对应的店内折扣期的店内折扣销量，
i
表示销售所述目标商品的商店的编号，
y
表示编号为
i
的商店进行店内折扣的所述特征销售周期的编号；根据所述时间类特性分析基础信息，确定不同商店在与所述店内折扣期对应的所述特征销售周期内同所述店内折扣期相邻且在所述店内折扣期前的时间段的平均销售量和与在与所述店内折扣期对应的所述特征销售周期内同所述店内折扣期相邻且在所述店内折扣期后的平均销售量；根据下式确定不同商店的平均店内折扣变化率：，，；结合所述平均统一折扣变化率和所有所述平均店内折扣变化率，形成所述价格类特性分析基础信息
。6.
根据权利要求5所述的智能商品配补调...

【专利技术属性】
技术研发人员：严嘉星，杨涛，万华，廖波涛，陆艳贞，陈彬，
申请(专利权)人：广州恒康信息科技有限公司，
类型：发明
国别省市：