基于商品销量分布预测的补货方法及系统、电子设备与流程

本发明涉及供应链领域，特别涉及一种基于商品销量分布预测的补货方法及系统、电子设备。

背景技术：

在商品销售行业，销量预测是一项不可缺少的参考指标，无论企业的规模大小、人员多少，销量预测影响到包括计划、预算和补货等确定在内的销售管理的各方面工作。但是，相关技术方案中由于对数据的非全面的笼统分析，导致销量预测结果并不准确，包括得出的补货量也不准确，补货量拿到一个准确的值，就可能造成货品积压而影响资金周转，或者货品数量不足而使消费者无法购得商品，最终影响企业销售形象并损害企业利益。

现有技术是通过商品销量期望值或分位点销量对商品销量分布进行预测，并根据预测结果确定是否进行自动或人工补货。事实上，在信息不确定条件下会对销量分布预测结果产生影响，进而还会影响预测商品销量或补货决策。

技术实现要素：

为解决现有技术中仅通过预测商品销量期望值或分位点销量进行补货而造成的补货误差较大的问题，本发明提供了一种基于商品销量分布预测的补货方法。

本发明为解决上述技术问题，提供如下的技术方案：一种基于商品销量分布预测的补货方法，其包括以下步骤：步骤s1，提供一商品销量分布预测模型对商品进行销量分布预测，得到一初始商品集合，利用置信度计算方法对所述初始商品集合进行处理以获得预测置信度，并获取预测置信度低于预设阈值的商品集合；步骤s2，对获得的商品集合进行业务规则过滤，确定是否需要对过滤后的商品进行补货修正。

优选的，上述步骤s1具体包括以下步骤：步骤s11，根据分位点回归方法，获取商品销量分布；步骤s12，根据所述商品销量分布，进行销量分布预测；步骤s13，根据所述销量分布预测，获取一初始商品集合；及步骤s14，利用置信度计算方法处理所述初始商品集合以获得对应商品的预测置信度，获取一预测置信度低于预设阈值的所有商品的集合。

优选的，上述步骤s12还包括以下步骤：步骤s121，根据所述商品销量分布，计算获得预测的期望值；及步骤s122，根据预测的期望值，进行销量分布预测。

优选的，上述步骤s14还包括以下步骤：步骤s141，从预测的销量分布中进行概率采样，作为销量真实值；步骤s142，根据所述销量真实值计算期望值的误差率，并计算获得误差率均值，将误差率均值作为置信度判断依据；及步骤s143，利用置信度计算方法处理所述初始商品集合以获得对应商品的预测置信度，获取一预测置信度低于预设阈值的所有商品的集合。

优选的，上述步骤s14还包括以下步骤：步骤s141a，从预测的分布中进行概率采样,作为销量真实值；步骤s142a，根据销量真实值计算期望值的误差率，并进行加权运算得到预估误差率，该预估误差率作为置信度判断依据；及步骤s143a，利用置信度计算方法处理所述初始商品集合以获得对应商品的预测置信度，获取一预测置信度低于预设阈值的所有商品的集合。

优选的，上述步骤s14还包括以下步骤：步骤s141b，参考历史波动性和历史预测误差水平作为置信度判断依据；及步骤s142b，利用置信度计算方法处理所述初始商品集合以获得对应商品的预测置信度，获取一预测置信度低于预设阈值的所有商品的集合。

优选的，上述步骤s2具体包括以下步骤：步骤s21，对上述一预测置信度低于预设阈值的商品集合进行过滤；及步骤s22，确定是否需要对过滤后的商品进行补货修正。

优选的，上述步骤s22还包括以下步骤：步骤s221，将过滤后的所述商品集合进行期望值预测计算，得出期望值预测的误差范围；及步骤s222，将误差范围较大的商品根据销售额排序，选取头部若干用于预测判断是否需要进行补货修正。

本发明为解决上述技术问题，提供又一技术方案如下：一种基于商品销量分布预测的补货系统，其包括，销量分布预测模块，对商品进行销量分布预测，得到一初始商品集合，并利用置信度计算方法对所述初始商品集合进行处理以获得预测置信度，获取预测置信度低于预设阈值的商品集合；及补货判定模块，对获得的商品集合进行业务规则过滤，确定是否需要对过滤后的商品进行补货修正。

与现有技术相比，本发明所提供的一种基于商品销量分布预测的补货方法具有以下有益效果：

该方法通过提供一商品销量分布预测模型对商品进行销量分布预测，得到一初始商品集合，利用置信度计算方法对所述初始商品集合进行处理以获得预测置信度，并获取预测置信度低于预设阈值的商品集合；对获得的商品集合进行业务规则过滤，确定是否需要对过滤后的商品进行补货修正。上述方法及系统利用机器智能将置信度低于预设阈值且业务考量最重要的商品信息进行筛选，能够显著减少是否要对商品进行补货决策的误差。

进一步地，本发明根据分位点回归方法，获取商品销量分布；根据所述商品销量分布，进行销量分布预测；根据所述销售分布预测，获取一初始商品集合；及利用置信度计算方法处理所述初始商品集合以获得对应商品的预测置信度，获取一预测置信度低于预设阈值的所有商品的集合。即本发明是通过引入置信度计算方法处理经销售分布预测的初始商品集合，以得到预测置信度的商品集合。该方法使用预测置信度对商品集合进行判断，能够显著提高是否需要作出补货修正决策的准确率。

更进一步地，本发明还对上述预测置信度低于预设阈值的商品集合进行过滤，再确定是否需要对过滤后的商品进行补货修正。与直接将经过置信度判断的商品集合进行补货预测判断相比，对预测置信度低于预设阈值的商品集合过滤后再进行预测判断显著降低了是否需要进行补货决策的误差。

本发明所提供的一种基于商品销量分布预测的补货系统及电子设备，具有与上述基于商品销量分布预测的补货方法相同的有益效果，能够显著减少是否要对商品进行补货决策的误差。

【附图说明】

图1是本发明第一实施例所提供的一种基于商品销量分布预测的补货方法的步骤流程示意图；

图2是图1中所示步骤s1的具体步骤流程示意图；

图3是图2中所示步骤s12的具体步骤流程示意图；

图4是图2中所示步骤s14的具体步骤流程示意图；

图5是图2中所示步骤s14的第一变形实施方式s14a的步骤流程示意图；

图6是图2中所示步骤s14的第二变形实施方式s14b的步骤流程示意图；

图7是图1中所示步骤s2的具体步骤流程示意图；

图8是图5中所示步骤s22的具体步骤流程示意图；

图9是本发明第二实施例所提供的基于商品销量分布预测的补货系统的功能模块示意图；

图10是本发明第三实施例所提供的电子装置的功能模块示意图。

附图标注说明：

20，基于商品销量分布预测的补货系统；21，销量分布预测模块；22，补货判定模块；30，电子装置；31，存储单元；32，处理单元。

【具体实施方式】

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，本发明的第一实施例提供一种基于商品销量分布预测的补货方法，其包括如下的步骤：

步骤s1，提供一商品销量分布预测模型对商品进行销量分布预测，得到一初始商品集合，利用置信度计算方法对所述初始商品集合进行处理以获得预测置信度，并获取预测置信度低于预设阈值的商品集合；

步骤s2，对获得的商品集合进行业务规则过滤，确定是否需要对过滤后的商品进行补货修正。

可选地，在本发明一些具体的实施例中，如图2中所示，上述步骤s1可具体包括以下步骤：

步骤s11，根据分位点回归方法，获取商品销量分布；

步骤s12，根据所述商品销量分布，进行销售分布预测；

步骤s13，根据所述销售分布预测，获取一初始商品集合；及

步骤s14，利用置信度计算方法处理所述初始商品集合以获得对应商品的预测置信度，获取一预测置信度低于预设阈值的所有商品的集合。

在此需要说明，步骤s11中所述的分位点回归方法，其数学模型为分位点预测损失函数，具体如下：

即∑(1-q)max(0，f(xi,q)-yi)+qmax(0,yi-f(xi,q))

其中，xi为输入，f(xi,q)为预测q分位点的函数，例如，当选取20分位点时，q＝0.2,该分位点损失函数最小化得到的函数f即可输入预测分布的q分位点，即预测值有q％的概率小于该值。即通过分位点回归方法，能够获取商品销量分布，然后根据该商品销量分布，进行销售分布预测。

进一步的，如图3所示，上述步骤s12还包括以下步骤：

步骤s121，根据所述商品销量分布，计算获得预测的期望值；及

步骤s122，根据预测的期望值，进行销售分布预测。

即所述销售分布预测是基于一定的商品销量分布得出各个商品的销量数据，然后根据商品的销量数据经由机器算法预测得出期望值。

例如，目前需要针对100种商品进行补货预测，根据分位点回归方法，能够得出这100种商品的销量分布，进行上述步骤s121时，利用试验中的100种商品的销量分布，得出每次销售的概率乘以其销售数量的总和，即得到期望值。接着进行步骤s122，利用以上期望值，进行销售分布预测，可以获取一初始商品集合，所述初始商品集合即为在销售分布预测中需要补货的商品。

进一步的，如图4所示，上述步骤s14还包括以下步骤：

步骤s141，从预测的销售分布中进行概率采样，作为销量真实值；

步骤s142，根据所述销量真实值计算预测期望值的误差率范围，并计算获得误差率均值，将误差率均值作为置信度判断依据；及

步骤s143，利用所述置信度判断依据处理所述初始商品集合，获取一机器预测置信度低于预设阈值的商品集合。

具体说来，该种置信度计算方法，是从商品预测的销量分布中进行概率采样作为销量真实值，该销量真实值减去上述期望值得到的差，再除以期望值，即得到期望值预测的误差率，再依据该预测误差率求得误差率均值，总之，该种置信度计算方法是将误差率均值作为置信度判断依据。例如，假设本实施方式的商品销量呈高斯分布，通过开源内容管理系统(dnn，dotnetnuke)预测均值和标准差后，对高斯分布进行采样，将采样值与均值的误差率平均值，或者其他业务指标作为置信度排序依据。误差率均值越大则其置信度越低，置信度越低则表明商品需要进行补货的可能性越小；反之，误差率均值越小则其置信度越高，置信度越高则表明商品需要进行补货的可能性越大。

当然，此为步骤s14的一种实施方式，步骤s14还可以包括另外两种实施方式。

如图5所示，此为步骤s14的第一变形实施方式,上述步骤s14a还包括以下步骤：

步骤s141a，从预测的分布中进行概率采样,作为销量真实值；

步骤s142a，根据销量真实值计算预测期望值的误差率，并进行加权运算得到预估误差率，该预估误差率作为置信度判断依据；及

步骤s143a，利用所述置信度判断依据处理所述初始商品集合，获取一机器预测置信度低于预设阈值的商品集合。

具体说来，该种置信度计算方法，是从商品预测的销量分布中进行概率采样作为销量真实值，该销量真实值减去上述期望值得到的差，再除以期望值，即得到期望值预测的误差率，然后再进行加权运算得到预估误差率，加权的权重可依据已有经验值确定，最后得到的预估误差率即可作为置信度判断依据。例如，商品预测的销量分布是通过分位点回归技术得到的，那么可以通过预测20分位点、50分位点、80分位点的销量值，将20分位点、80分位点预测值分别作为真实值，和50分位点作为期望值计算误差率，两者平均即可作为置信度排序依据。当然，上述分位点的选取不限于20分位点、50分位点、80分位点，还可以选择其他分位点，只要能作为置信度排序参考即可。误差率越高表明置信度越低，置信度越低则表明商品需要进行补货的可能性越小；反之，误差率越低表明置信度越高，置信度越高则表明商品需要进行补货的可能性越大。

如图6所示，此为步骤s14的第二变形实施方式，上述步骤s14b还可以细分为以下步骤：

步骤s141b，参考历史波动性和历史预测误差水平作为置信度判断依据；及

步骤s142b，利用所述置信度判断依据处理所述初始商品集合，获取一机器预测置信度低于预设阈值的商品集合。

具体说来，该种置信度计算方法，是凭借本领域技术人员的已有经验值得到的，可以参考历史波动性和历史预测误差水平。诸如销量波动性、历史预测误差率、若干规则加权等均可作为置信度计算方法的历史参考数据。置信度越低则表明商品需要进行补货的可能性越小，置信度越高则表明商品需要进行补货的可能性越大。

关于步骤s14，以上三种实施方式可根据实际情况灵活取用，当然，步骤s14不限于此三种实施方式，还可以有其他实施方式，只要能实现对置信度的判断即可。

可选地，在本发明一些具体的实施例中，如图7所示，上述步骤s2可具体包括以下步骤：

步骤s21，对上述一预测置信度低于预设阈值的商品集合进行过滤；及

步骤s22，确定是否需要对过滤后的商品进行补货修正。

在此需要说明，本发明是利用业务规则对上述机器预测置信度低于预设阈值的商品集合进行过滤，具体来说，业务规则是由本领域技术人员根据已有经验值获取。当然，运用在本发明中起到过滤商品集合作用的业务规则，则适用于本领域技术人员公知的能够对预测商品销量分布置信度进行的常规操作。

进一步的，如图8所示，上述步骤s22还可以进一步细分为以下步骤：

步骤s221，将过滤后的所述商品集合进行期望值预测计算，得出期望值预测的误差范围；及

步骤s222，将误差范围较大的商品根据销售额排序，选取头部若干用于预测判断是否需要进行补货修正。

需要说明的是，期望值预测的误差范围不是一个确切数据，其误差范围大小也受多种因素影响，譬如对于是否需要进行补货修正的预测判断要选取的若干数据就影响到期望值预测的误差范围，一般要进行销售额排序的商品种类有限，预测需要的时间和精力也有限，故一般可以选取误差范围较大而销售额排列在前的商品辅助以人工已有的经验值判断，更助于显著减少是否要对商品进行补货决策的误差。

为了便于说明本发明的第一实施例所述的基于商品销量分布预测的补货方法，需要选取适当样本商品并运用该商品销量分布预测模型进行说明，以实施该基于商品销量分布预测的补货方法。例如，有5n(此处及以下的n表示为自然数)种商品可作为样品以供预测，本领域常规技术人员根据经验值设定一个置信度的阈值，采用以上三种任一种置信度计算方法或三者结合比对使用，运用该商品销量分布预测模型对这5n种商品所具备的信息进行处理，将置信度低于设定阈值的商品进行删除，得到一商品集合，为4n个样品商品；接着对这一商品集合进行业务规则过滤，剩下3n个样品商品，构成一新的商品集合；对所述包括3n个样品商品的新的商品集合进行期望值预测计算，得出期望值预测的误差范围，该误差范围同样也是由本领域常规技术人员根据经验值设定的一个阈值，将超过该阈值的商品根据销售额数目由多至少排序，选取销售额数目在前的头部的10％用于人工判断，能够得到更精确的商品集合，包括n个样品商品，由此可以判定这n个样品商品需要进行补货修正。当然，如果该n个样品商品所耗费的劳动量大，则选取的销售额数目在前的头部的商品数目可以适量减少。

上述基于商品销量分布预测的补货方法，将置信度低于预设阈值且业务考量最重要的商品信息进行筛选，不仅能够显著减少是否要对商品进行补货决策的误差，还能够降低预测时间或补货劳动时间。

请参阅图9，本发明的第二实施例提供一基于商品销量分布预测的补货系统20，其包括：

销量分布预测模块21，对商品进行销量分布预测，得到一初始商品集合，并利用置信度计算方法对所述初始商品集合进行处理以获得预测置信度，获取预测置信度低于预设阈值的商品集合；及

补货判定模块22，对获得的商品集合进行业务规则过滤，确定是否需要对过滤后的商品进行补货修正。

具体地，在本实施例中，有关销售分布预测、补货判断等相关内容，与上述第一实施例中的一致，在此不再赘述。

请参阅图10，本发明的第三实施例提供一电子设备30，所述电子设备30包括存储单元31和处理单元32，所述存储单元31用于存储计算机程序，所述处理单元32用于通过所述存储单元31存储的计算机程序执行上述第一实施例中所述基于商品销量分布预测的补货方法的具体步骤。

在本发明一些具体的实施例中，所述电子设备30可以是硬件，也可以是软件。当电子设备30为硬件时，可以是具有显示屏并且支持视频播放的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当电子设备30为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

所述存储单元31包括只读存储器(rom)、随机访问存储器(ram)及硬盘等的存储部分等，所述处理单元32可以根据存储在所述只读存储器(rom)中的程序或者加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在随机访问存储器(ram)中，还存储有所述电子设备30操作所需的各种程序和数据。

所述电子设备30还可包括键盘、鼠标等的输入部分(图未示)；所述电子设备30还可进一步包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分(图未示)；以及所述电子设备30可进一步包括诸如lan卡、调制解调器等的网络接口卡的通信部分(图未示)。所述通信部分经由诸如因特网的网络执行通信处理。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明所公开的实施例可包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装。

在该计算机程序被所述处理单元32执行时，执行本申请的所述基于商品销量分布预测的补货方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本申请中，计算机可读存储介质还可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可采用一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言--诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明的附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方案中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，在此基于涉及的功能而确定。需要特别注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本发明的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中。

作为另一方面，本发明的第四实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，所述程序具体包括：提供一商品销量分布预测模型对商品进行销量分布预测，得到一初始商品集合，并利用置信度计算方法对所述初始商品集合进行处理以获得预测置信度，获取预测置信度低于预设阈值的商品集合；对获得的商品集合进行业务规则过滤，确定是否需要对过滤后的商品进行补货修正。

与现有技术相比，本发明所提供的一种基于商品销量分布预测的补货方法具有以下有益效果：

该方法通过提供一商品销量分布预测模型对商品进行销量分布预测，得到一初始商品集合，利用置信度计算方法对所述初始商品集合进行处理以获得预测置信度，并获取预测置信度低于预设阈值的商品集合；对获得的商品集合进行业务规则过滤，确定是否需要对过滤后的商品进行补货修正。上述方法及系统利用机器智能将置信度低于预设阈值且业务考量最重要的商品信息进行筛选，能够显著减少是否要对商品进行补货决策的误差。

进一步地，本发明根据分位点回归方法，获取商品销量分布；根据所述商品销量分布，进行销量分布预测；根据所述销售分布预测，获取一初始商品集合；及利用置信度计算方法处理所述初始商品集合以获得对应商品的预测置信度，获取一预测置信度低于预设阈值的所有商品的集合。即本发明是通过引入置信度计算方法处理经销售分布预测的初始商品集合，以得到预测置信度的商品集合。该方法使用预测置信度对商品集合进行判断，能够显著提高是否需要作出补货修正决策的准确率。

更进一步地，本发明还对上述预测置信度低于预设阈值的商品集合进行过滤，再确定是否需要对过滤后的商品进行补货修正。与直接将经过置信度判断的商品集合进行补货预测判断相比，对预测置信度低于预设阈值的商品集合过滤后再进行预测判断显著降低了是否需要进行补货决策的误差。

本发明所提供的一种基于商品销量分布预测的补货系统及电子设备，具有与上述基于商品销量分布预测的补货方法相同的有益效果，能够显著减少是否要对商品进行补货决策的误差。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。