滚动式备料处理系统以及滚动式备料处理方法

技术领域

本发明涉及一种数据处理技术，特别是一种滚动式备料处理系统以及滚动式备料处理方法。

背景技术

一般来说，当需要采购的物料属于海外的原料时，采购周期将长达3个月以上，甚至是一年以上。因此组装厂商或材料需求方需要进行滚动式需求预测，以达成长周期材料的准备。然而，现有的长周期材料准备依赖人为多年的经验，缺乏规划的流程以及缺乏需求预测的参考依据以及运算，导致需求预测不准确而无法准时交货，或是需求材料准备过多导致增加材料保存成本以及材料逾期的损失。

发明内容

本发明是针对一种滚动式备料处理系统以及滚动式备料处理方法，可准确且自动地产生多种成品以及材料的需求预测数据。

根据本发明的实施例，本发明的滚动式备料处理系统包括存储装置以及处理器。存储装置用以存储基础数据、发起预测模块以及多级预测模块。处理器耦接存储装置，并且用以执行发起预测模块以及多级预测模块。发起预测模块接收需求预测数据。发起预测模块根据基础数据以及需求预测数据执行预测需求材料操作，以产生初始材料预测数据。多级预测模块接收预测信心数据以及多组预测参数设置。多级预测模块根据初始材料预测数据以及对应的多组预测参数设置执行预测数据调整操作，以产生多笔预测数据。多级预测模块根据分组阈值将多笔预测数据分成多组预测数据，进而输出多组预测数据。

根据本发明的实施例，本发明的滚动式备料处理方法包括以下步骤：通过处理器执行发起预测模块以接收需求预测数据；通过发起预测模块根据基础数据以及需求预测数据执行预测需求材料操作，以产生初始材料预测数据；通过处理器执行多级预测模块以接收预测信心数据以及多组预测参数设置；通过多级预测模块根据初始材料预测数据以及对应的多组预测参数设置执行预测数据调整操作，以产生多笔预测数据；通过多级预测模块根据分组阈值将多笔预测数据分成多组预测数据，进而输出多组预测数据。

基于上述，本发明的滚动式备料处理系统以及滚动式备料处理方法可准确地根据设置参数以及历史数据产生需求预测数据，以有效且自动地发起预测以及产生材料需求数据。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。

附图说明

图1是本发明的一实施例的滚动式备料处理系统的示意图；

图2是本发明的一实施例的滚动式备料处理方法的流程图；

图3是本发明的一实施例的滚动式备料处理系统所执行的多个模块的示意图；

图4是本发明的另一实施例的滚动式备料处理方法的流程图。

附图标记说明

100：滚动式备料处理系统；

110：处理器；

120：存储装置；

101：需求预测数据；

102：预测数据；

121：发起预测模块；

122：多级预测模块；

123：决策调整模块；

124：偏差处理模块；

300：主要基础信息和参数；

S210～S250、S310～S390：步骤。

具体实施方式

现将详细地参考本发明的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同元件符号在图式和描述中用来表示相同或相似部分。

图1是本发明的一实施例的滚动式备料处理系统的示意图。参考图1，滚动式备料处理系统100包括处理器110以及存储装置120。处理器110耦接存储装置120。滚动式备料处理系统100还可包括具备实际电路组件的通信接口或数据传输接口，以使处理器110可与外部的服务器、终端装置、企业资源规划系统或是数据库进行通信或进行数据传输。在本实施例中，滚动式备料处理系统100可例如实现在云端服务器或企业内部的私有服务器，亦可整合在企业资源计划(Enterprise Resource Planning，ERP)系统中，并且可执行多个应用程序端口(Application Programming Interface，API)，以调用多个模块(例如业务程序模块以及运算模块)。在一实施例中，模块是指用于根据数据执行特务功能的程序模块，例如可用于根据初始材料预测数据以及预测参数设置执行预测需求材料操作的程序，或例如用于根据请购数据执行预测数据调整操作的程序，而本发明并不加以限制。

在本实施例中，滚动式备料处理系统100的处理器110可例如包括中央处理单元(Central Processing Unit，CPU)，或是其他可编程之一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(Digital Signal Processor，DSP)、特殊应用集成电路(Application Specific Integrated Circuits，ASIC)、可编程逻辑器件(ProgrammableLogic Device，PLD)、其他类似处理电路或这些装置的组合。

存储装置120也可以是实现一种远端的云存储服务或是本地的数据存储服务。存储装置120可包括存储器(Memory)及/或数据库(database)，其中存储器可例如非易失性存储器(Non-Volatile Memory，NVM)。存储装置120可存储有用于实现本发明各实施例的相关程序、模块、系统或算法，以供处理器110存取并执行而实现本发明各实施例所描述的相关功能及操作。存储装置120可缓存本发明各实施例所述的变化的预测数据102、需求预测数据101以及时间窗口(time window)(或称时间区间)的设定信息。另外，本发明各实施例所述的历史数据可由处理器110侦测数据库中的每次预测数据102以及每次的实际需求数据。

图2是本发明的一实施例的滚动式备料处理方法的流程图。先参考图1以及图2再参考图1至图2，滚动式备料处理系统100执行如以下步骤S210～S250。在步骤S210，处理器110可执行发起预测模块，以使发起预测模块接收需求预测数据101。在步骤S220，发起预测模块根据基础数据以及需求预测数据101执行预测需求材料操作，以产生初始材料预测数据。在一实施例中，使用者将客户提供的需求预测数据输入至滚动式备料处理系统100中，以使发起预测模块自动进行预测需求材料操作。在另一实施例中，客户未提供需求预测数据101，则处理器110侦测存储装置120中相关客户的历史需求预测数据，进而进行预测需求材料操作。在本实施例中，历史需求预测数据包括相关于同一成品或同一客户的历史需求数据、历史需求预测数据或是历史预测达标率，例如是前两年客户编号1的历史需求预测数据以及历史需求数据。

值得说明的是，基础数据包括历史参数设置、物料列表、历史预测数据、历史达成数据、历史出货数据、客户信息、客户等级、客户优先级、分配规则、处理规则、提醒规则、偏差数据、安全库存量、库存量、第一阈值、预测参数设置、第二阈值、达标阈值、调整阈值、个数阈值、偏差阈值、次数阈值、分组阈值、预测信心数据以及各类参数与设置。如此一来，发起预测模块可根据历史参数设置以及需求预测数据产生初始材料预测数据。具体来说，发起预测模块读取需求预测数据中的第一成品的需求量，并且根据历史参数设置中对应第一成品的历史参数设置(例如是过去三个月的平均出货量、增长百分比以及客户信用度)进而产生对应第一成品的初始材料预测数据(例如预测值为500个)。

在步骤S230，处理器110可执行多级预测模块，以使多级预测模块接收预测信心数据以及预测参数设置。在一实施例中，使用者查阅上述的初始材料预测数据后，用户输入预测信心数据(即把握度)以及预测参数设置至存储装置120中。接着，处理器110执行多级预测模块，并且多级预测模块接收预测信心数据以及预测参数设置。预测信心数据可以是针对第一客户的第一成品的预测需求量的把握度为百分之六十、针对第二客户的第一成品的预测需求量的把握度为百分之九十。

预测参数设置可以是使用者将原先的参数设置修改成新的参数设置，例如是使用者将针对包括过去三个月的平均出货量、增长百分比以及客户信用度的参数设置改为包括过去三个月的平均出货量、前一年总出货量、历史预测达标率以及客户信用度。参数设置可包括：过去三个月平均出货量、未来三个月预估的平均出货量、过去一年平均出货量、需求增长百分比、过滤六个月平均出货量、客户优先等级、现有库存量、预测出货达标率、客户信用度、预测增长百分比等与材料、成品以及客户相关的数据，本案不应以此为限。

在步骤S240，多级预测模块可根据初始材料预测数据以及对应的多组预测参数设置执行预测数据调整操作，以产生多笔预测数据。在本实施例中，多组预测参数设置中的每一组预测参数设置分别地对应每一种不同的成品。具体来说，多级预测模块根据步骤S220中所产生的初始材料预测数据以及步骤S230所接收到的预测参数设置执行预测数据调整操作，进而产生调整后的多笔预测数据102。值得说明的是，多组预测参数设置以及历史参数设置皆包括预测公式，如此处理器110可根据预设的预测公式计算出对应的预测数据102。举例而言，预测公式可以是成品销量乘以用量比乘以供货配额，预测公式也可例如是过去三个月平均出货量乘以历史出货达标率乘以增长百分比，本案不应以此为限。

在步骤S250，多级预测模块可根据分组阈值将多笔预测数据分成多组预测数据，进而输出多组预测数据。在一实施例中，分组阈值包括上一版本达标率介于0％～50％以及大于150％的预测数据分类为高风险组数据、上一版本达标率介于50％～90％以及介于110％～150％之间的预测数据分类为中风险组数据、以及上一版本达标率介于90％～110％之间的预测数据分类为低风险组数据。如此一来，多级预测模块可将多笔预测数据分类为对应的高风险组数据、中风险组数据以及低风险组数据(即多组预测数据)之中。接着，多级预测模块输出多组预测数据。

值得说明的是，每当滚动式备料处理系统100接收到新的预测参数设置或是新的分组阈值，则处理器110重复执行步骤S240以及步骤S250。具体来说，发起预测模块将初始材料预测数据输出给第一级承办人员(例如销售员)多后，第一级承办人员通过终端装置输入预测信心数据以及预测参数设置至滚动式备料处理系统100之中。接着，多级预测模块接收到预测信心数据以及预测参数设置，进而产生多笔预测数据以及多组预测数据。多级预测模块将多组预测数据输出给第二级承办人员(例如销售主管)，接着接收第二级承办人员所输入的预测信心数据以及预测参数设置(即经过第二级承办人员调整的参数设置)，以使多级预测模块重复地执行步骤S240以及步骤S250进而产生新的多组预测数据。

在一实施例中，基础数据存储有对应不同成品以及对应不同客户的承办人员信息，以令多级预测模块可根据基础数据将多组预测数据输出至对应的终端装置(即对应的承办人员)。

因此，本实施例的滚动式备料处理系统100可自动接收以及读取需求预测数据以及参数设置，以产生根据分组阈值的多组预测数据，进而提升预测数据的准确率以及调整效率。

图3是本发明的一实施例的滚动式备料处理系统所执行的多个模块的示意图。存储装置120可发起预测模块121、多级预测模块122、决策调整模块123以及偏差处理模块124。预测模块121、多级预测模块122、决策调整模块123以及偏差处理模块124可例如是以JSON(JavaScript Object Notation)、可延伸标记式语言(Extensible Markup Language，XML)或YAML等诸如此类的程序语言来实现的，而本发明并不限于此。发起预测模块121可设置用于侦测存储装置120中的需求预测数据101，并且定时地根据需求预测数据101执行预测需求材料操作(即进行需求材料的预测与计算)。

多级预测模块122可设置用以根据每笔成品的预测参数设置自动地计算出对于预测数据102的建议值，并且整合对应的预测信心数据(即把握度)以输出至下一级承办人员(例如主管、查核人员或是高管)的终端装置。决策调整模块123可设置用以根据历史数据(例如成品订单、客户需求订单、调整记录、预测达标率的历史数据)产生与当前预测数据相似的相似数据以及相似数据的参考参数设置。偏差处理模块124可设置用以根据优先分配规则分配库存材料给需求预测数据(即需求预测成品)。在一实施例中，优先分配规则包括第一优先序为交期/需求时间、第二优先序为成品预测需求偏差、第三优先序为偏差缺口从小到大分配。在本实施例中，存储装置120可指的或者是云端服务器或地端服务器中的存储装置或是通讯连接处理器110的数据库。

图4是本发明的另一实施例的滚动式备料处理方法的流程图。参考图3与图4，滚动式备料处理系统100执行如以下步骤S310～S390。在步骤S310，发起预测模块121侦测存储装置120中是否有客户提供的需求预测数据101，若否则执行步骤S320；若是则执行步骤S330。

在步骤S320，发起预测模块121根据存储装置120中的历史预测数据对对应的客户以及成品执行预测需求材料操作，以产生成品预测数据。接着，在步骤S340，发起预测模块121根据步骤S320中的成品预测数据以及物料列表获得对应的初始材料预测。在一实施例中，发起预测模块121根据历史出货数据、历史需求数据以及历史预测数据滚动式地产生新的需求预测数据，以作为初始材料预测数据。举例而言，历史需求数据为第一客户对于第一成品的历史需求数据为7,8,9月各100个，接着发起预测模块121根据历史需求数据产生第一客户对第一成品的需求量为每月100个，以及根据基础数据中的物料列表得知每个第一成品需要3个的第一材料，进而产生对应的初始材料预测数据(例如每月100的第一成品需求以及对应的每月300个第一材料需求)。

在步骤S330，发起预测模块121根据客户所输入的需求预测数据执行预测需求材料操作，进而产生成品需求量。接着，在步骤S340，发起预测模块121根据主要基础信息和参数300(即基础数据)从成品需求量转换获得材料需求量，进而获得对应的初始材料预测数据。并且，在步骤S340中，发起预测模块121将初始材料预测数据输出至对应的终端装置。具体来说，发起预测模块121根据客户所提供的需求预测数据(例如第二成品需求量为200个)以及物料清单(例如每个第二成品的材料需求量为第二材料五个以及第三材料3个)，进而产生初始材料预测数据(例如对应客户的第二成品需求量200个、第二材料需求量1000个以及第三材料需求量600个)。

在步骤S350，多级预测模块122接收新的多组预测参数执行预测数据101调整操作，以产生对应的多笔预测数据101。在一实施例中，第一级承办人员(例如销售员)将预测参数设置以及预测信心数据输入至多级预测模块122之中。如此，多级预测模块122根据新的预测参数设置执行预测数据101调整操作，以获得新的多笔预测数据101。接着，多级预测模块122根据存储装置120中的分组阈值以及预测信心数据(即把握度)将多笔预测数据101分成对应的多组预测数据101。举例而言，多组预测数据101包括高风险组预测数据、中风险组预测数据以及低风险组预测数据。举例而言，分组阈值分别为0％～60％以及大于160％为高风险组、60％～85％以及120％～135％为中风险组以及85～120％为低风险组。如此，多级预测模块122根据分组阈值以及存储装置120中的历史数据将多笔预测数据101分成对应的多组预测数据101。

在一实施例中，多级预测模块122输出所述多组预测数据101的步骤包括：多级预测模块122根据显示设置参数以及预测信心数据将多组预测数据101转换成多页签预测数据。预测信心数据可以是介于0％到100％的值，用以表示承办人员对于此笔预测数据的信心程度，进而提供给后续查核人员的参考。在一实施例中，多页签预测数据包括重点页签数据、变动页签数据以及不变动页签数据。显设置参数为当预测信心数据低于60％时将预测数据分类至重点关注数据(即重点页签数据)中；当预测数据101属于低风险组数据或是中风险组数据，并且对应的预测信心数据高于90％时，多级预测模块122将预测数据101分类至不变数据(即不变动页签数据)中。接着，剩余的预测数据101被分类至变动数据(即变动页签数据)。并且，多级预测模块122将多页签预测数据输出至对应的终端装置(即对应承办人员的电子装置)。显示设置参数可预先存储至存储装置120中，并且可根据使用者的修改而调整，因此本案不应以此为限。

如此一来，滚动式备料处理系统100以及滚动式备料处理方法可根据分组阈值以及显示设置参数，将多笔预测数据101分类成多组以及多页签数据，进而提高承办人员以及签核主管在审阅多笔数据时的效率。举例而言，由于不变动页签数据的预测信心数据高达90％以上，并且历史达标率也高于阈值，因此承办人员可一键审查批准。如此，承办人员以及签核主管可将时间重点查阅于重点页签数据，进而提高多笔预测数据101的管理效率以及精准度。

值得注意的是，决策调整模块123侦测变动页签数据之中N个(例如15个)预测数据101的被调整次数与被调整幅度低于一调整阈值(例如5次)，其中N为自然数，并且N大于个数阈值(例如10个)时，决策调整模块123根据N个预测数据101的历史达标率调整分组阈值。具体来说，当有15笔预测数据的历史被调整次数(例如两年内的被调整次数)加上当前被调整次数皆低于5次时，决策调整模块123从这些预测数据101的历史达标率中取最低的历史达标率，并且作为分组阈值中的低风险组的分组阈值。

在一实施例中，存储装置120存储有历史数据。在步骤S360中，决策调整模块123侦测多组预测数据101的一历史未达成次数大于一次数阈值(例如10次)时，决策调整模块123从历史数据获得具有相似波动趋势的参考预测数据101。并且，决策调整模块123输出参考预测数据的参考参数设置。具体来说，多组预测剧中有一笔预测数据101的未达成次数到达10次时，决策调整模块123从历史数据中找出与这笔预测数据101的需求量趋势相似的预测数据，并做为参考预测数据。接着，决策调整模块将参考预测数据的预测参数设置显示于显示器上，或是输出至对应的终端装置中。在本实施例中，滚动式备料处理系统100通讯连接于显示器。

在一实施例中，多组预测数据包括低风险组预测数据、中风险组预测数据以及高风险组预测数据。决策调整模块123侦测到中风险组预测数据的被调整次数与被调整幅度低于一第一阈值时，决策调整模块123将对应的中风险组预测数据分配到低风险组预测数据。也就是说，决策调整模块123透过调整分组阈值将对应的中风险组预测数据分配至低风险组预测数据中，例如将中风险组的分组阈值从50％～85％以及110％～150％调整为50％～60％以及130％～140％。

在一实施例中，决策调整模块123侦测到中风险组预测数据的被调整次数低于一第二阈值(例如8次)，并且对应的中风险组预测数据的达标率低于达标阈值(例如60％或10次)，则决策调整模块123将对应的中风险组预测数据分配到高风险组预测数据。也就是说，决策调整模块123透过调整分组阈值将对应的中风险组预测数据分配至高风险组预测数据中，例如将中风险组的分组阈值从50％～85％以及110％～150％调整为55％～60％以及130％～135％。在另一实施例中，决策调整模块123可接收使用者所输入的新的分组阈值，进而根据新的分组阈值将多笔预测数据再次分成对应的多组预测数据。

在步骤S370，处理器110执行偏差处理模块124，以使偏差处理模块124根据库存数据(例如第一成品有100个库存量、第二成品有10个库存量)以及多组预测数据(例如第一成品的需求量为150个、第二成品的需求量为100个)产生多笔成品偏差数据(例如第一成品的偏差数量为50个、第二成品的偏差数量为90个)。在一实施例中，偏差处理模块124根据库存数据以及多组预测数据产生多笔成品偏差数据的步骤包括：偏差处理模块124根据优先分配规则将库存数据分配至多组预测数据之中，并且产生多笔成品偏差数据。具体来说，当成品库存量有多个，并且有多笔需求数据皆需要相同的成品时，偏差处理模块124根据分配规则依序将库存量分配至多笔预测数据中。举例而言，分配规则可以是依照需求时间进行分配、先满足成品需求偏差后满足安全库存量、或是按照偏差大小进行分配(例如优先满足偏差小的需求数据)。

在步骤S380，偏差处理模块124根据提醒规则对应地输出多组偏差数据。在一实施例中，偏差处理模块124将供给溢出数据(即库存数量大于需求数据)输出至对应的终端装置。偏差处理模块124将供给溢出数据转换成基于材料的延后叫料清单，并输出延后叫料清单。举例而言，供给溢出数据为库存量减去需求数据为多出100个第三成品、每一个第三成品需要4个第四材料(物料清单)。如此，偏差处理模块124将供给溢出数据转换为包括400个第四材料的延后叫料清单。

在步骤S390，偏差处理模块124根据偏差阈值将多笔成品偏差数据分为多组偏差数据。举例而言，偏差阈值为50个，多组偏差数据中库存量大于需求量的数据被分配至供给溢出数据、偏差数量小于50的数据被分配至小偏差数据、以及偏差数量大于50的数据被分配至大偏差数据。在一实施例中，偏差处理模块124根据处理规则将多组偏差数据转换成多笔材料数据。在一实施例中，处理规则相关于库存量、成品在制量、预测需求以及安全库存量之间的关系。如此一来，多笔材料数据可包括材料库存量、需求缺口数据、安全库存缺口数据以及需求与安全缺口数据。

综上所述，本发明的滚动式备料处理系统以及滚动式备料处理方法可准确地根据设置参数以及历史数据产生需求预测数据，以有效且自动地发起预测以及产生材料需求数据。并且，可根据其他历史数据提供参考参数设置，以提高预测数据的准确性以及量化预测数据的运算。滚动式备料处理系统以及滚动式备料处理方法可根据分组阈值以及显示设置参数，将多笔预测数据分类成多组以及多页签数据，进而提高承办人员以及查核人员在审阅以及查看数据的效率。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。