ОБЛАСТЬ ТЕХНИКИ

[0001] Настоящее техническое решение относится к области компьютерных технологий с применением технологий машинного обучения, в частности, к способу и системе расчета количества поставок продукции для пополнения запасов.

УРОВЕНЬ ТЕХНИКИ

[0002] Известные существующие решения основаны на использовании данных о текущих уровнях запасов соответствующей продукции, а также о характере/условиях будущего спроса. В частности, в классической постановке задачи управлением логистикой используется математическая модель Newsvendor (так же известная как проблема газетчика - Newsboy), предполагающая наличие информации об объемах запасов и стохастических свойствах спроса/потребления соответствующих продуктов.

[0003] Существующие решения в данной области техники как правило направлены на прогнозирование будущих поставок товаров, исходя из ранее известных сведений об их использовании, что позволяет спрогнозировать требуемое количество для пополнения запасов.

[0004] Примером такого решения является способ, описанный в патенте CN 104573840В (Second Military Medical University SMMU, 01.09.2017), который описывает систему пополнения запасов с применением машинного обучения, основанную на прогнозировании истощения запасов той или иной, исходя из сведений о поставках, совершенных ранее.

[0005] В патентной заявке CN111815244A (SHANGHAI SHANSHU NETWORK TECHNOLOGY Со. Ltd., 23.10.2020) описывается подход прогнозирования количества продукции для восполнения запасов, исходя из ретроспективных данных расхода продукции, применяемой для дальнейшего обучения модели машинного обучения.

[0006] Помимо этого, также представлен ряд решений задачи прогнозирования спроса/потребления на основе сегментации/кластеризации потребителей — см. «Forecasting Supply Chain Demand by Clustering Customers», «DYNAMIC CLUSTER BASED MARKOV MODEL FOR DEMAND FORECASTING» и др. В основе такого подхода используется выделение кластеров (сегментов) потребителей, которые в дальнейшем используются для прогнозирования. [0007] Представленные системы при этом используют информацию об остатках других потребителей, а классификация и кластеризация является промежуточным шагом для выработки предсказаний для точек потребления, в которых данные по остаткам или спросу отсутствуют.

[0008] Общим недостатком известных подходов из уровня техники является необходимость сведений о существующих запасах потребителя или места пополнения запасов, что необходимо для формирования ретроспективной модели для дальнейшего прогнозирования.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

[0009] Предлагаемый подход позволяет решить техническую проблему, заключающуюся в отсутствие возможности прогнозирования количества продукции для восполнения запасов без сведений о существующих запасах потребителя.

[0010] Технический результат заключается в повышении точности расчета данных, отображаемых количество продукции, необходимой для восполнения запасов в месте их потребления.

[ООП] Технический результат достигается за счет осуществления компьютерно- реализуемого способа расчета количества поставок продукции для пополнения запасов, выполняемого с помощью процессора и содержащего этапы, на которых: a) получают по меньшей мере данные, характеризующие место поставки запасов, включающие в себя по меньшей мере данные о произведенных операциях;

B) осуществляют векторизацию полученных данных; c) выполняют отбор признаков векторизованных данных, по которым осуществляют построение по меньшей мере одной модели машинного обучения с помощью технологии автоматического машинного обучения (AutoML); d) осуществляют прогнозирование расхода запасов в заданном временном диапазоне с помощью сформированной по меньшей мере одной модели машинного обучения, обученной на произведенных операциях для упомянутого места поставки; e) определяют количество запасов для пополнения в упомянутый временной период для упомянутого места поставки.

[0009] В одном из частных примеров реализации способа данные о произведенных операциях включают в себя по меньшей мере одно из: планы и факты продаж, аудит произведенных операций, данные из трекинг-систем, численность сотрудников места поставки запасов, ранее произведенные поставки товаров. [0010] В другом частном примере реализации способа трекинг-системы представляют собой автоматизированные системы учета товаров.

[ООП] В другом частном примере реализации способа на этапе а) дополнительно получают по меньшей мере одни данные, выбираемые из группы: режиме работы, геопозиция, ранее отправленные поставки, корректировки поставок, расходы или остатки запасов.

[0012] В другом частном примере реализации способа информацию по объемам поставки запасов передают в автоматизированную систему заказа товаров.

[0013] Заявленное решение также реализуется с помощью системы расчета количества поставок продукции для пополнения запасов, которая содержит по меньшей мере один процессор и по меньшей мере одну память, хранящую машиночитаемые инструкции, которые при их исполнении процессором реализуют вышеуказанный способ.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0014] Фиг. 1 иллюстрирует блок-схемы выполнения заявленного способа.

[0015] Фиг. 2 иллюстрирует общую схему вычислительного устройства.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

[0016] Недоступность данных по расходам или остаткам товаров в местах для прогнозирования их пополнения (например, магазины, офисы, точки продаж и т.п.) делает невозможным использование “классического” подхода, опирающегося на известность количественных данных ранее поставленного товара и факта его расходования, так как использование модели прогнозирования на урезанных данных позволяет лишь оценивать верхнюю (достаточную) границу товаров, необходимых для деятельности места поставки запасов.

[0017] На Фиг. 1 приведена блок схема заявленного способа (100) расчета количества поставок продукции для пополнения запасов, который может выполняться с помощью вычислительного устройства, обеспечивающего обработку команд программной логики. На первом этапе (101) собирается набор данных, характеризующих место поставки товаров для возобновления запасов. Как было указано выше, таким местом может выступать, например, офис, магазин, точка продаж, автоматизированный склад и т.п.

[0018] Под термином «товар» и «запасы» в настоящем решении следует понимать материальный объект любого вида, который имеет свойство расходования при осуществлении деятельности на месте поставки, например, канцелярские принадлежности, продукты, напитки, подарочные наборы и т.п.

[0019] На этапе (101) получаются данные, отражающие факторы, влияющие на спрос/потребление товаров на прогнозируемом месте потребления. В качестве таких факторов выступают две основные группы признаков:

- метаинформация по месту поставки товара (например, геопозиция, режим работы, информация по персоналу);

- информация о произведенных операциях (планы и факты продаж, аудит произведенных операций, данные из трекинг-систем учета товаров). [0020] Пример метаинформации о месте поставки приведена в Таблице 1.

Таблица 1. Метаинформация о месте поставки.

[0021] В таблице 2 приведены примеры признаков, характеризующих информацию о проведенных операциях на примере банковского отделения.

Таблица 2. Признаки информации о произведенных операциях.

[0022] Дополнительно может учитываться информация в части сведений об отправленных поставках и данных по корректировкам от поставок, которая может основываться на примере данных, приведенных в Таблице 1. [0023] Приведенный пример признаков показывает, что они не привязаны к определенному формату или источникам данных, так как на этапе автоматического отбора признаков используются подход итеративного отбора признаков (iterative feature selection), который позволяет урезать число признаков и понизить размерность пространства с сохранением предсказательной способности без задания целевого формата или количества признаков при их переводе в векторную форму на этапе (102). Векторизация данных происходит путем чтения исходных данных из файлов-источников и/или систем управления базами данных (СУБД), включая нереляционные базы данных и дальнейшей записи считанных данных в электронные форматированные таблицы - особые структуры данных (dataframe), специализированной библиотеки pandas в программной среде python, находящиеся в оперативной памяти вычислительного устройства, реализующего способ (100). Вышеуказанные данные могут поступать из различных источников, например, автоматизированных систем или базы данных, содержащей сведения о месте поставки. При этом часть данных может являться неизвестной и получаться в процессе предобработки данных и генерации признаков. [0024] После этапа генерации признаков выполняется этап (103), на котором происходит отбор признаков для последующего расчета. Метод отбора признаков основан на таких методах, как forward selection (прямой отбор), backward elimination (обратное исключение), stepwise section (последовательный отбор)

(https.//www.analvticsvidhya.com/blog/2016/12/introductio n-to-feature-selection-methods-with- an-example-or-how-to-select-the-right-variables/ ). В результате этой процедуры на выходе остается лучший набор переменных, с точки зрения значения выбранной метрики качества, пример которых приведен в Таблице 3.

Таблица 3. Отобранные признаки

[0025] Так как для разного типа поставляемых товаров значимость признаков, отобранных на этапе (103) и оптимальный алгоритм (и гиперпараметры) могут различаться, в заявленном решении используются методы автоматизированного машинного обучения (AutoML) для возможности автоматического подстроения моделей машинного обучения для нужных номенклатур признаков.

[0026] На этапе 104 посредством применения инструментария автоматической разработки моделей машинного обучения - AutoML

(https://m.wikipedia.org/wiki/ABTOMaTH4ecKoe_MaiHHHHoe_o6 y4eHHe), работающим на основе промышленных библиотек градиентного бустинга: lightgbm

(https://pythonru.com/biblioteki/lightgbm) и xgboost

(https://neerc.ifmo.ru/wiki/index.php ?title=XGBoost) генерируются модели прогноза потребления для каждого типа номенклатуры. В основе этих моделей лежат комбинации объектов таких классов как LGBMRegressor и XGBOOSTRegressor. Как пример, может формироваться предиктивная модель поставки бумаги. Здесь, в результате применения автоматизированного машинного обучения, AutoML, получается следующий набор значимых признаков:

• "Поставка за предыдущие месяцы, с учетом срочных заказов и сглаживания по пустым месяцам";

• "Реальный период поставки, вычисленный за предыдущие месяцы";

• "Тип места поставки";

• "Количество рабочих дней в неделю"; • "Работает ли места поставки в выходные";

• "Кол-во срочных поставок за предыдущий месяц";

• "Сумма срочных поставок за предыдущий месяц";

• "Количество сотрудников";

• "Время года";

• "Сумма поставляемой номенклатуры за год";

• "Сумма поставляемой номенклатуры за 3 месяца";

• "Сумма поставляемой номенклатуры за 6 месяцев";

• "Среднее поставляемое количество номенклатуры за год";

• "Среднее поставляемое количество номенклатуры за 3 месяца";

• "Среднее поставляемое количество номенклатуры за 6 месяцев";

• "Месяц поставки";

• "Sin месяца поставки"; "Cos месяца поставки".

[0027] При использовании инструментария автоматической разработки моделей машинного обучения - AutoML применяется классическая методология разделения имеющегося набора данных на три составляющие: тренировочный набор данных (train), отложенная выборка - проверочный набор данных (out-of-sample) и проверочная в смысле стабильности работы модели выборка - отложенный во времени набор данных (out-of-time). Ниже приведен пример размеров выборок для номенклатуры - бумаги.

[0028] При валидации использовались лишь валидационные тесты, информативные для конкретной рассматриваемой модели, теоретически позволяющие выявить какие-либо существенные недостатки. В качестве таких тестов могут применятся Статистические тесты, такие как:

• Качество разбиения на выборки

• Пропущенные и экстремальные значения факторов

• Репрезентативность выборок (PSI)

• Ключевая метрика • Доверительные интервалы метрики

• Сравнение факта и прогноза модели (коэффициент Спирмена)

• Значимость факторов (permutation)

• Стабильность ключевой метрики.

[0029] Переменные из Таблицы 3 + переменные из Таблицы 2 используются для формирования двух прогнозов: ограничивающей модели - предсказание количества на основе проведенных операций и основной модели - предсказание достаточного количества продуктов + трендов, характерных для отдельных мест поставок.

[0030] На этапе (104) основная модель прогнозирует количество номенклатуры, необходимой к поставке, исходя из тренда прошлых поставок, метаданных объекта поставок, таких как: площадь места поставки, численность сотрудников, режим работы, географическое расположение и другие. Ограничивающая модель также прогнозирует количество номенклатуры, но исходя из другой информации, необходимой к поставке, а именно: данных о клиентопотоке в месте поставки, данных об операциях, проведенных в месте поставки в разрезе многочисленных типов операций.

[0031] На этапе (105) полученные прогнозы для определения допустимого количества номенклатуры к поставке обрабатываются таким образом, чтобы снижать потенциальную перезатарку места поставки. Это реализовано в виде ансамбля моделей. Ансамбль моделей работает следующим образом. Если имеется прогноз как от основной модели, так и от ограничивающей модели, то итоговый прогноз рассчитывается следующим образом: если прогноз ограничивающей модели меньше прогноза основной модели, то итоговая поставка = среднему арифметическому от прогнозов ограничивающей и основной моделей, иначе итоговая поставка = прогнозу основной модели. Если есть прогноз только от основной модели, то он выбирается в качестве итогового. Если оба прогноза отсутствуют, то в качестве результата будет выбрано нормативное количество номенклатуры к поставке, исходя из численности сотрудников конкретного места поставки.

[0032] В зависимости от конкретных значений прогнозов по каждой из моделей определяется финальный прогноз, как результат работы ансамбля ограничивающей и основной модели. В результате для каждой прогнозируемой пары объект-номенклатура получается прогноз потребления на заданную отчетную дату.

[0033] Финальный прогноз отправки товаров приведен в Таблице 4.

Таблица 4. Финальный прогноз отправки товаров

[0034] В качестве примера работы модели при реализации заявленного решения можно привести пример с прогнозированием поставки бумаги для принтеров.

[0035] На этапе (101) поступает метаинформация об объектах-потребителях, например, отделениях банка и информация об операциях, производимых в этих отделениях. В качестве примера данных выступают таблицы 1 и 2.

[0036] На этапе (102) происходит векторизация данных, заключающаяся в чтении исходных данных из файлов-источников и дальнейшей записи считанных данных в электронные форматированные таблицы - особые структуры данных (dataframe), специализированной библиотеки pandas в программной среде python, находящиеся в оперативной памяти вычислительной системы (вычислительного/компьютерного устройства), реализующей данные действия. После того, как эти данные записаны в оперативную память вышеупомянутой вычислительной системы, они становятся пригодными для дальнейшей обработки программным кодом на языке python и, соответственно, к дальнейшим этапам реализации программного решения.

[0037] На этапе (103) происходит отбор признаков из таблиц 1 и 2, которые значимо влияют на потребление бумаги в отделениях банка. В результате получается набор самых влиятельных признаков, с точки зрения объяснения и описания характера потребления бумаги в отделениях, который по количеству признаков существенно меньше изначального набора признаков. Пример такого набора приведен в абзаце [0024].

[0038] На этапе (104) применяется инструментарий Auto ML к набору отобранных на этапе (103) признаков для автоматического формирования прогнозов основной и ограничивающей модели. Пример результирующего набора прогнозов для данного этапа приведен в таблице 4.

[0039] На этапе (105) происходит ансамблирование прогнозов, т.е. формирование финального значения поставки бумаги по алгоритму ансамблирования, описанному выше. На вход этот алгоритм принимает прогнозы основной и ограничивающей модели, а на выходе дает финальные значения поставки бумаги в каждое отделение банка. Финальный вид результата работы решения схож с таблицей 4 и может содержать в себе дополнительную полезную справочную информацию, характеризующую объекты- потребители, например, территориальная информация, количество сотрудников отделения и прошлые поставки бумаги в эти отделения.

[0040] На Фиг. 2 представлен общий вид вычислительного устройства (200), пригодного для выполнения способа (100). Устройство (200) может представлять собой, например, сервер, компьютер или иной тип пригодного вычислительного устройства. [0041] В общем случае вычислительное устройство (200) содержит объединенные общей шиной информационного обмена один или несколько процессоров (201), средства памяти, такие как ОЗУ (202) и ПЗУ (203), интерфейсы ввода/вывода (204), устройства ввода/вывода (205), и устройство для сетевого взаимодействия (206).

[0042] Процессор (201) (или несколько процессоров, многоядерный процессор) могут выбираться из ассортимента устройств, широко применяемых в текущее время, например, компаний Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™ и т.п. В качестве процессора (201) может также применяться графический процессор, например, Nvidia, AMD, Graphcore и пр.

[0043] ОЗУ (202) представляет собой оперативную память и предназначено для хранения исполняемых процессором (201) машиночитаемых инструкций для выполнение необходимых операций по логической обработке данных. ОЗУ (202), как правило, содержит исполняемые инструкции операционной системы и соответствующих программных компонент (приложения, программные модули и т.п.).

[0044] ПЗУ (203) представляет собой одно или более устройств постоянного хранения данных, например, жесткий диск (HDD), твердотельный накопитель данных (SSD), флэш- память (EEPROM, NAND и т.п.), оптические носители информации (CD-R/RW, DVD- R/RW, BlueRay Disc, MD) и др.

[0045] Для организации работы компонентов устройства (200) и организации работы внешних подключаемых устройств применяются различные виды интерфейсов В/В (404). Выбор соответствующих интерфейсов зависит от конкретного исполнения вычислительного устройства, которые могут представлять собой, не ограничиваясь: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232 и т.п. [0046] Для обеспечения взаимодействия пользователя с вычислительным устройством (200) применяются различные средства (205) В/В информации, например, клавиатура, дисплей (монитор), сенсорный дисплей, тач-пад, джойстик, манипулятор мышь, световое перо, стилус, сенсорная панель, трекбол, динамики, микрофон, средства дополненной реальности, оптические сенсоры, планшет, световые индикаторы, проектор, камера, средства биометрической идентификации (сканер сетчатки глаза, сканер отпечатков пальцев, модуль распознавания голоса) и т.п.

[0047] Средство сетевого взаимодействия (206) обеспечивает передачу данных устройством (200) посредством внутренней или внешней вычислительной сети, например, Интранет, Интернет, ЛВС и т.п. В качестве одного или более средств (206) может использоваться, но не ограничиваться: Ethernet карта, GSM модем, GPRS модем, LTE модем, 5G модем, модуль спутниковой связи, NFC модуль, Bluetooth и/или BLE модуль, Wi-Fi модуль и др.

[0048] Дополнительно могут применяться также средства спутниковой навигации в составе устройства (200), например, GPS, ГЛОНАСС, BeiDou, Galileo.

[0049] Представленные материалы заявки раскрывают предпочтительные примеры реализации технического решения и не должны трактоваться как ограничивающие иные, частные примеры его воплощения, не выходящие за пределы испрашиваемой правовой охраны, которые являются очевидными для специалистов соответствующей области техники.