一种库存管理方法及装置与流程

本发明属于快消品库存预测技术领域，尤其涉及一种库存管理方法及装置。

背景技术：

快消行业供应链相对于其它行业，具有需求拉动、供应链较长、产品保质期较短、运行节奏较快等特点。如何更好地进行库存管理，在合适的时间及时储备合理的库存，在保障订单满足率的同时尽量降低库存水平，是降低成本、提升利润、提高企业乃至整个行业竞争力的关键问题。

目前业界常用的补货策略为目标库存法，具体操作为定期检查库存水平，如果当前库存水平低于该目标库存，则补货到该目标库存，否则不补货。通常人工决策会将目标库存拆分成两部分任务，分配给两个部门完成，一方面由更了解市场变化的销售或预测部门根据人工经验或者传统的时间序列方法预估未来需求变化，另一方面由库存管理部门根据人工经验或者一定的统计方法来决定合理的库存天数，两者结合形成目标库存量。由于在实际补货中，考虑到最小订货批次、工厂库容受限需要及时将货发出等因素，实际补货通常不会刚好补到该目标库存量，而是会略微超过目标库存。为了将库存周转天数控制在一个合理区间，库存管理人员会设置最小库存周转天数(即目标库存天数)和最大库存周转天数。补货时，需要将补货后的库存周转天数控制在最大和最小周转天数之间。最大库存周转天数可以根据产品属性和业务需求确定，最小库存周转天数(doi_min)较难确定，如果doi_min太大会造成存货积压、货品过期；doi_min太小则容易导致缺货率上升。

现有技术中，无论是对未来需求进行预测还是对目标库存天数进行预测时，均在很大程度上需要依赖人工经验，无法实时确定库存预销售变化，更新频率较低(通常为周、月甚至季度更新)，预测的准确度较低；并且现有技术是通过销售人员和库存管理人员分别确定未来的产品需求和目标库存天数，这种割裂的预测方式可能会导致重复考虑或者忽略考虑某些因素，同样会导致决策的准确度不够，且波动会较大。

技术实现要素：

针对现有技术存在的问题，本发明实施例提供了一种库存管理方法及装置，用于解决现有技术中在决策快销产品的目标库存天数及目标库存量时，在很大程度上需要依赖人工经验进行决策，导致决策的准确度及稳定性不能确保的技术问题。

本发明提供一种库存管理方法，所述方法包括：

针对目标产品，获取所述目标产品的需求预测对应的预测数据，所述预测数据包括：历史销售数据、产品信息、促销数据及节假日数据；

根据所述预测数据进行预测模型训练，获得训练后的预测模型；

根据所述预测模型预测出未来目标时间段内每日的产品需求预测值和对应的正态分位数；所述未来目标时间段为补货提前期与补货间隔天数的总和；

基于所述未来目标时间段内每日的产品需求预测值确定所述未来目标时间段内的产品需求预测日均值及总需求均值；

确定所述未来目标时间段内的调整需求标准差；

基于所述未来目标时间段内的总需求均值、服务水平系数及所述调整需求标准差确定所述未来目标时间段内的目标库存量；

基于所述目标库存量及所述未来目标时间段内产品需求预测日均值确定最小库存周转存放天数。

可选的，所述根据所述预测数据进行预测模型训练，获得训练后的预测模型，包括：

根据所述预测数据确定样本数据，基于所述样本数据确定训练数据集；

利用所述训练数据集进行预测模型训练，获得所述预测模型。

可选的，所述确定所述未来目标时间段内的调整需求标准差，包括：

根据公式确定所述未来目标时间段内的调整需求标准差adjusted_std；其中，所述i为所述未来目标时间段内的任意一天，所述lt为所述补货提前期，所述cycle为所述补货间隔天数；所述bi为所述未来目标时间段内第i天调整分位数对应的产品需求预测值，所述ci为所述未来目标时间段内第i天对应的产品需求预测均值，所述cv为历史时间段内产品的需求统计标准差与需求均值之间的商值。

可选的，方法还包括：

基于所述未来时间段内的产品需求预测值的正态分布，根据公式bi＝max(85、90、95正态分位数)确定所述未来目标时间段内第i天调整分位数对应的产品需求预测值；所述正态分布中包含有所述分位数与所述产品需求预测值之间的对应关系。

可选的，所述基于所述未来目标时间段内的总需求均值、服务水平系数及所述调整需求标准差确定所述未来目标时间段内的目标库存量，包括：

根据公式q＝vit+cycle+m*adjusted_std确定所述目标库存量q；其中，所述vit+cycle为所述未来目标时间段内的总需求均值，所述m为所述服务水平系数，所述adjusted_std为所述调整需求标准差。

可选的，所述基于所述目标库存量及所述未来目标时间段内产品需求预测日均值确定最小库存周转存放天数，包括：

根据公式doi_min＝q/sit+cycle确定所述最小库存周转存放天数doi_min；所述q为所述目标库存量，所述sit+cycle为所述未来目标时间段内产品需求预测日均值。

本发明还提供一种库存管理装置，所述装置包括：

获取单元，用于针对目标产品，获取所述目标产品的需求预测对应的预测数据，所述预测数据包括：历史销售数据、产品信息、促销数据及节假日数据；

训练单元，用于根据所述预测数据进行预测模型训练，获得训练后的预测模型；

预测单元，用于根据所述预测模型预测出未来目标时间段内每日的产品需求预测值和对应的正态分位数；所述未来目标时间段为补货提前期与补货间隔天数的总和；

确定单元，用于基于所述未来目标时间段内每日的产品需求预测值确定所述未来目标时间段内的产品需求预测日均值及总需求均值；确定所述未来目标时间段内的调整需求标准差；基于所述未来目标时间段内的总需求均值、服务水平系数及所述调整需求标准差确定所述未来目标时间段内的目标库存量；基于所述目标库存量及所述未来目标时间段内产品需求预测日均值确定最小库存周转存放天数。

可选的，所述训练单元具体用于：

根据所述预测数据确定样本数据，基于所述样本数据确定训练数据集；

利用所述训练数据集进行预测模型训练，获得所述预测模型。

可选的，所述确定单元具体用于：

根据公式确定所述未来目标时间段内的调整需求标准差adjusted_std；其中，

所述i为所述未来目标时间段内的任意一天，所述lt为所述补货提前期，所述cycle为所述补货间隔天数；所述bi为所述未来目标时间段内第i天调整分位数对应的产品需求预测值，所述ci为所述未来目标时间段内第i天对应的产品需求预测均值，所述cv为历史时间段内产品的需求统计标准差与需求均值之间的商值。

可选的，所述确定单元还用于：

基于所述未来时间段内的产品需求预测值的正态分布，根据公式bi＝max(85、90、95正态分位数)确定所述未来目标时间段内第i天分位数对应的产品需求预测值；所述正态分布中包含有所述分位数与所述产品需求预测值之间的对应关系。

本发明提供了一种库存管理方法及装置，方法包括：针对目标产品，获取所述目标产品的需求预测对应的预测数据，所述预测数据包括：历史销售数据、产品信息、促销数据及节假日数据；根据所述预测数据进行预测模型训练，获得训练后的预测模型；根据所述预测模型预测出未来目标时间段内每日的产品需求预测值和对应的正态分位数；所述未来目标时间段为补货提前期与补货间隔天数的总和；基于所述未来目标时间段内每日的产品需求预测值确定所述未来目标时间段内的产品需求预测日均值及总需求均值；确定所述未来目标时间段内的调整需求标准差；基于所述未来目标时间段内的总需求均值、服务水平系数及所述调整需求标准差确定所述未来目标时间段内的目标库存量；基于所述目标库存量及所述未来目标时间段内产品需求预测日均值确定最小库存周转存放天数；如此，先根据目标产品的需求预测对应的数据训练预测模型，通过模型训练；然后利用预测模型预测未来时间段内每日的产品需求预测值，这样相当于以每天为单位预测需求波动的变化，确保更新频率，因此可确保预测的精度；进一步地，因目标库存量需要满足未来时间段内的需求，因此确定出未来时间段内每日的产品需求预测值后，将每日的产品需求预测值转化为未来时间段内的总需求均值，在利用总需求均值确定目标库存量时，为了降低预测的波动性，本申请利用调整需求标准差来克服在高波动性产品出现的预测异常，进一步提高决策的精度及稳定性。

附图说明

图1为本发明实施例提供的库存管理方法流程示意图；

图2为本发明实施例提供的库存管理装置结构示意图。

具体实施方式

为了解决现有技术中在预测快销产品的目标库存天数及目标库存量时，在很大程度上需要依赖人工经验进行预测，导致决策的准确度及稳定性不能确保的技术问题，本发明提供了一种库存管理方法及装置。

下面通过附图及具体实施例对本发明的技术方案做进一步的详细说明。

实施例一

本实施例提供一种库存管理方法，如图1所示，方法包括：

s110，针对目标产品，获取所述目标产品的需求预测对应的数据，所述数据包括：历史销售数据、产品信息、促销数据及节假日数据；

这里，目标产品一般为快消品，比如食品、饮料等，本实施例中的目标产品为啤酒。一般来说，目标产品的目标库存决策主要包括两个因素，第一是对目标产品在未来时间段内的需求预测，第二是对最小库存周转天数的预测。

所以针对目标产品，获取目标产品的需求预测对应的数据，数据包括：历史销售数据、产品信息、促销数据及节假日数据。其中，产品信息可以包括：产品类别、货号、名称、包装、重量、体积及尺寸等。

s111，根据所述预测数据进行预测模型训练，获得训练后的预测模型；

然后根据预测数据确定样本数据，基于样本数据确定训练数据集；利用训练数据集进行预测模型训练，获得预测模型。

具体的，采用机器学习算法(比如lightgbm、xgboost等)进行模型训练，在训练时，利用机器学习算法不断调整参数(比如调整节假日的重要度等等)，确定出一个最合适的预测模型，以确保预测模型的预测精度。

s112，根据所述预测模型预测出未来目标时间段内每日的产品需求预测值和对应的正态分位数；所述未来目标时间段为补货提前期与补货间隔天数的总和；

预测模型确定出之后，可根据预测模型预测出未来目标时间段内每日的产品需求预测值和对应的正态分位数。因产品的目标库存量需要满足下次补货到货之前这段时间内的库存需求，也即未来目标时间段为补货提前期(leadtime)与补货间隔天数cycle的总和。目标库存量不仅要包括覆盖未来目标时间段的对需求进行预测的周期性库存，同时也包括因需求的波动性和不确定性持有的安全库存。

这里，假设未来时间段内的产品需求分布为正态分布，那么对于未来时间段内的任意一天来说，都包括有各正态分位数及对应的预测值。

举例来说，正态分位数分别为10、20、30、40、50、60、70、80、90；那么对应的产品需求预测值可以分别为2、5、10、15、20、25、30、35、40箱。

s113，基于所述未来目标时间段内每日的产品需求预测值确定所述未来目标时间段内的产品需求预测日均值及总需求均值；确定所述未来目标时间段内的调整需求标准差；

若未来时间段内的产品需求分布为正态分布，在确定目库存时，需要根据未来目标时间段内的产品需求预测日均值、总需求均值、总需求标准差及服务水平系数来确定，因此这里基于未来目标时间段内每日的产品需求预测值确定未来目标时间段内的产品需求预测日均值及总需求均值。

这里，若未来时间段为5天，预测出5天内的产品需求值分别为20、30、10、40及50箱，那么产品需求预测日均值即为上述5天产品需求值的平均值30箱，而总需求均值为150箱。

进一步地，对于总需求标准差，传统的确定方式一般是直接采用历史销售的统计标准差，但是这种确定方法对于高波动性产品(比如长尾品)来说，可能会出现高分位对应的产品需求预测值可能出现极大的情况(比如正常来说，90分位数对应的产品需求预测值为50箱，但是现有的预测方式90分位数对应的产品需求预测值可能为100箱)；或者可能会出现倒挂的现象(比如90分位数对应的产品需求预测值小于80分位数对应的产品需求预测值)；因此现有技术中确定总需求标准差的方式根本不能确保预测精度。

基于此，本实施例中通过未来目标时间段内的调整需求标准差来替代传统的总需求标准差，以克服现有技术中的上述问题。

作为一种可选的实施例，确定所述未来目标时间段内的调整需求标准差，包括：

根据公式确定未来目标时间段内的调整需求标准差adjusted_std；其中，

i为未来目标时间段内的任意一天，lt为补货提前期，cycle为补货间隔天数；bi为未来目标时间段内第i天调整分位数对应的产品需求预测值，ci为未来目标时间段内第i天对应的产品需求预测均值，cv为历史时间段内产品的需求统计标准差与需求均值之间的商值。其中，历史时间段一般为决策日前3个月。

作为一种可选的实施例，基于未来时间段内的产品需求预测值的正态分布，根据公式bi＝max(85、90、95正态分位数)确定未来目标时间段内第i天调整分位数对应的产品需求预测值；正态分布中包含有分位数与产品需求预测值之间的对应关系。

举例来说，对于未来时间段内的第2天来说，若分位数85、90、95对应的产品需求预测值分别为30、40和50箱，那么bi的取值为50。

这样，直接使用分位数和产品需求预测均值确定调整标准差，同时利用cv进行调整，克服在高波动性产品上出现的预测异常。

s114，基于所述未来目标时间段内的总需求均值、服务水平系数及所述调整需求标准差确定所述未来目标时间段内的目标库存量；

然后基于未来目标时间段内的总需求均值、服务水平系数及调整需求标准差确定未来目标时间段内的目标库存量。

具体的，根据公式q＝vit+cycle+m*adjusted_std确定目标库存量q；其中，vit+cycle为未来目标时间段内的总需求均值，m为服务水平系数，服务水平系数基于产品业务的期望水平进行仿真确定，adjusted_std为调整需求标准差。

s115，基于所述目标库存量及所述未来目标时间段内产品需求预测日均值确定最小库存周转存放天数。

目标库存量确定出之后，基于目标库存量及未来目标时间段内产品需求预测日均值确定最小库存周转存放天数。

具体的，根据公式doi_min＝q/sit+cycle确定最小库存周转存放天数doi_min；q为目标库存量，sit+cycle为未来目标时间段内产品需求预测日均值。

这样，本实施例先根据目标产品的需求预测对应的数据训练预测模型，通过模型训练；然后利用预测模型预测未来时间段内每日的产品需求预测值，这样相当于以每天为单位预测需求波动的变化，可及时捕捉到需求变化及变化波动，确保更新频率，因此可确保预测的精度；进一步地，因目标库存量需要满足未来时间段内的需求，因此确定出未来时间段内每日的产品需求预测值后，将每日的产品需求预测值转化为未来时间段内的总需求均值，在利用总需求均值确定目标库存量时，为了降低预测的波动性，本申请利用调整需求标准差来克服在高波动性产品出现的预测异常，进一步提高决策的精度及稳定性。并且，本实施例将需求预测和目标库存天数两项因素整合到一起进行综合决策，确保了预测的全面性，降低了对人工经验的依赖，提高了预测的稳定性和可持续性。

基于同样的发明构思，本发明还提供了一种库存管理装置，详见实施例二。

实施例二

本实施例提高一种库存管理装置，如图2所示，装置包括：获取单元21、训练单元22、预测单元23及确定单元24；其中，

获取单元21，用于针对目标产品，获取所述目标产品的需求预测对应的预测数据，所述预测数据包括：历史销售数据、产品信息、促销数据及节假日数据；

训练单元22，用于根据所述预测数据进行预测模型训练，获得训练后的预测模型；

预测单元23，用于根据所述预测模型预测出未来目标时间段内每日的产品需求预测值和对应的正态分位数；所述未来目标时间段为补货提前期与补货间隔天数的总和；

确定单元24，用于基于所述未来目标时间段内每日的产品需求预测值确定所述未来目标时间段内的产品需求预测日均值及总需求均值；确定所述未来目标时间段内的调整需求标准差；基于所述未来目标时间段内的总需求均值、服务水平系数及所述调整需求标准差确定所述未来目标时间段内的目标库存量；基于所述目标库存量及所述未来目标时间段内产品需求预测日均值确定最小库存周转存放天数。

这里，目标产品一般为快消品，比如食品、饮料等，本实施例中的目标产品为啤酒。一般来说，目标产品的目标库存决策主要包括两个因素，第一是对目标产品在未来时间段内的需求预测，第二是对最小库存周转天数的预测。

所以针对目标产品，获取单元21获取目标产品的需求预测对应的数据，数据包括：历史销售数据、产品信息、促销数据及节假日数据。其中，产品信息可以包括：产品类别、货号、名称、包装、重量、体积及尺寸等。

然后训练单元22根据预测数据确定样本数据，基于样本数据确定训练数据集；利用训练数据集进行预测模型训练，获得预测模型。

具体的，采用机器学习算法(比如lightgbm、xgboost等)进行模型训练，在训练时，利用机器学习算法不断调整参数(比如调整节假日的重要度等等)，确定出一个最合适的预测模型，以确保预测模型的预测精度。

预测模型确定出之后，预测单元23可根据预测模型预测出未来目标时间段内每日的产品需求预测值和对应的正态分位数。因产品的目标库存量需要满足下次补货到货之前这段时间内的库存需求，也即未来目标时间段为补货提前期(leadtime)与补货间隔天数cycle的总和。目标库存量不仅要包括覆盖未来目标时间段的对需求进行预测的周期性库存，同时也包括因需求的波动性和不确定性持有的安全库存。

这里，假设未来时间段内的产品需求分布为正态分布，那么对于未来时间段内的任意一天来说，都包括有各正态分位数及对应的预测值。

举例来说，正态分位数分别为10、20、30、40、50、60、70、80、90；那么对应的产品需求预测值可以分别为2、5、10、15、20、25、30、35、40箱。

若未来时间段内的产品需求分布为正态分布，确定单元24在确定目库存时，需要根据未来目标时间段内的产品需求预测日均值、总需求均值、总需求标准差及服务水平系数来确定，因此这里基于未来目标时间段内每日的产品需求预测值确定未来目标时间段内的产品需求预测日均值及总需求均值。

这里，若未来时间段为5天，预测出5天内的产品需求值分别为20、30、10、40及50箱，那么产品需求预测日均值即为上述5天产品需求值的平均值30箱，而总需求均值为150箱。

进一步地，对于总需求标准差，传统的确定方式一般是直接采用历史销售的统计标准差，但是这种确定方法对于高波动性产品(比如长尾品)来说，可能会出现高分位对应的产品需求预测值可能出现极大的情况(比如正常来说，90分位数对应的产品需求预测值为50箱，但是现有的预测方式90分位数对应的产品需求预测值可能为100箱)；或者可能会出现倒挂的现象(比如90分位数对应的产品需求预测值小于80分位数对应的产品需求预测值)；因此现有技术中确定总需求标准差的方式根本不能确保预测精度。

基于此，本实施例中通过未来目标时间段内的调整需求标准差来替代传统的总需求标准差，以克服现有技术中的上述问题。

作为一种可选的实施例，确定单元24确定所述未来目标时间段内的调整需求标准差，包括：

根据公式确定未来目标时间段内的调整需求标准差adjusted_std；其中，

i为未来目标时间段内的任意一天，lt为补货提前期，cycle为补货间隔天数；bi为未来目标时间段内第i天调整分位数对应的产品需求预测值，ci为未来目标时间段内第i天对应的产品需求预测均值，cv为历史时间段内产品的需求统计标准差与需求均值之间的商值。其中，历史时间段一般为3个月。

作为一种可选的实施例，基于未来时间段内的产品需求预测值的正态分布，根据公式bi＝max(85、90、95正态分位数)确定未来目标时间段内第i天调整分位数对应的产品需求预测值；正态分布中包含有分位数与产品需求预测值之间的对应关系。

举例来说，对于未来时间段内的第2天来说，若分位数85、90、95对应的产品需求预测值分别为30、40和50箱，那么bi的取值为50。

这样，直接使用分位数和产品需求预测均值确定调整标准差，同时利用cv进行调整，克服在高波动性产品上出现的预测异常。

然后基于未来目标时间段内的总需求均值、服务水平系数及调整需求标准差确定未来目标时间段内的目标库存量。

具体的，确定单元24根据公式q＝vit+cycle+m*adjusted_std确定目标库存量q；其中，vit+cycle为未来目标时间段内的总需求均值，m为服务水平系数，服务水平系数基于产品业务的期望水平进行仿真确定，adjusted_std为调整需求标准差。

目标库存量确定出之后，确定单元24用于基于目标库存量及未来目标时间段内产品需求预测日均值确定最小库存周转存放天数。

具体的，根据公式doi_min＝q/sit+cycle确定最小库存周转存放天数doi_min；q为目标库存量，sit+cycle为未来目标时间段内产品需求预测日均值。

本发明实施例提供的库存管理方法及装置能带来的有益效果至少是：

本发明先根据目标产品的需求预测对应的数据训练预测模型，通过模型训练；然后利用预测模型预测未来时间段内每日的产品需求预测值，这样相当于以每天为单位预测需求波动的变化，可及时捕捉到需求变化及变化波动，确保更新频率，因此可确保预测的精度；进一步地，因目标库存量需要满足未来时间段内的需求，因此确定出未来时间段内每日的产品需求预测值后，将每日的产品需求预测值转化为未来时间段内的总需求均值，在利用总需求均值确定目标库存量时，为了降低预测的波动性，本申请利用调整需求标准差来克服在高波动性产品出现的预测异常，进一步提高决策的精度及稳定性。并且，本实施例将需求预测和目标库存天数两项因素整合到一起进行综合决策，确保了预测的全面性，降低了对人工经验的依赖，提高了决策的稳定性和可持续性。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。