[发明专利]一种基于商品静态属性和铺货情况的首单计算方法

说明书

本发明公开了一种基于商品静态属性和铺货情况的首单计算方法。本发明根据历史商品静态属性，销售数据，订货数据，铺货门店数据，使用随机森林算法训练出模型，借以预测出首单满足销售时长内的销量，得到预测结果后结合业务规则算出安全库存算出首单建议量，然后根据订货尺码比算出到尺码的首单建议量。本发明为企业确定订货会后的首次排产提供了科学的可参考的建议。本发明综合考虑了商品的静态属性，铺货门店数和订货量对商品某一段时间销售情况的影响,然后结合业务规则输出到尺码颗粒度的首单结果，为业务部分的首单切分提供了可靠的建议有利于企业进行销售目标管理和供应规划，对于降低断货风险和库存风险具有重要作用。

技术领域

本发明属于信息技术领域，具体涉及一种基于商品静态属性和铺货情况的首单计算方法。

背景技术

随着计算机技术的发展，计算机网络和管理系统几乎应用到零售业各个方面，人工智能技术在服装企业中也发挥了很大的作用。首单是指服装企业首次排产量，对于传统的订货型服装企业来说，完全按照订货量来计算首单会存在很大的问题。如果订货商对商品的受欢迎程度预估失误，可能会带来库存积压或断码断货的风险。所以在订货会后，首单需要根据预估销售情况和铺货情况进一步计算并分配。

在对商品的受欢迎程度进行判断时，由于静态属性复杂繁多，业务人员很难综合考虑到所有属性的影响。除了商品本身属性，铺货情况也会直接影响商品的销售。目前，人工仅使用简单的线性关系来描述铺货门店和销售之间的关系且无法同时考虑商品本身众多属性。因此，本发明针对这一情况，提出一种基于随机森林的综合考量商品静态属性和铺货情况的首单计算方法，实现企业对供应链的管理。

发明内容

本发明的目的在于现有首单计算方法的不足，提出一种基于商品静态属性和铺货情况的首单计算方法，具体包括以下步骤：

步骤1：首先获取商品静态属性表{o_i}，铺货门店配置表{D_i},门店商品订货表{R_i},历史门店商品每日销售表{S_i}；

步骤2：根据不同品牌的供应链情况和品牌方商定首单需要满足的销售时长L；

所述的首单是指首批订单的生产量；

步骤3：基于历史同季门店商品每日销售表{o_i}，计算得到历史各商品销售前L天的销量信息S_L；基于门店商品订货表{R_i},，计算得到各商品i的总订量R_i；

步骤4：基于历史同季商品的静态属性信息、铺货门店配置信息、订货信息和销售信息S_L，使用随机森林训练出一个模型，随后输入新一年预测商品的静态属性信息、铺货门店配置信息、订货信息，获取新一年预测商品在销售时长L的预测销量P_L；

所述的静态属性信息、铺货门店配置信息分别来源于商品静态属性表{o_i}，铺货门店配置表{D_i}；

步骤5：根据品牌方给定规则，计算每件商品销售时长L之内的首单安全库存I_safe；所述的商品首单安全库存的含义是在销售前L天后需要满足的最小库存量；

步骤6：基于首单安全库存I_safe和预测销量P_L计算出该商品建议首单量H，计算公式如下：

H＝P_L+I_safe

步骤7：基于门店商品订货表{R_i}计算出每件商品的订货尺码比R_size；计算公式如下：