千千小屋grow

千千小屋grow

关注
发信
关注(28)粉丝(399)

【完整代码】2023数学建模国赛C题代码--蔬菜类商品的自动定价与补货决策

C 题 蔬菜类商品的自动定价与补货决策
在生鲜商超中，一般蔬菜类商品的保鲜期都比较短，且品相随销售时间的增加而变差，
大部分品种如当日未售出，隔日就无法再售。因此，商超通常会根据各商品的历史销售和需
求情况每天进行补货。
由于商超销售的蔬菜品种众多、产地不尽相同，而蔬菜的进货交易时间通常在凌晨 3:00-
4:00，为此商家须在不确切知道具体单品和进货价格的情况下，做出当日各蔬菜品类的补货
决策。蔬菜的定价一般采用“成本加成定价”方法，商超对运损和品相变差的商品通常进行
打折销售。可靠的市场需求分析，对补货决策和定价决策尤为重要。从需求侧来看，蔬菜类
商品的销售量与时间往往存在一定的关联关系；从供给侧来看，蔬菜的供应品种在 4 月至 10
月较为丰富，商超销售空间的限制使得合理的销售组合变得极为重要。
附件 1 给出了某商超经销的 6 个蔬菜品类的商品信息；附件 2 和附件 3 分别给出了该
商超 2020 年 7 月 1 日至 2023 年 6 月 30 日各商品的销售流水明细与批发价格的相关数据；
附件 4 给出了各商品近期的损耗率数据。请根据附件和实际情况建立数学模型解决以下问
题：

裙号：882663918
完整代码：https://www.jdmm.cc/file/2709542/

问题一代码：

#!/usr/bin/env python
# coding: utf-8

# In[34]:


import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import os
import warnings
warnings.filterwarnings('ignore')
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score,confusion_matrix,classification_report
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
import matplotlib.font_manager as fm


# In[35]:


# 设置全局字体
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文字体为黑体

# 加载字体文件
font = fm.FontProperties(fname='C:\Windows\Fonts\simhei.ttf', size=16)


# In[ ]:


#千千数模 q群：790539996
#代码购买链接：https://www.jdmm.cc/file/2709542/
#倒卖欢迎举报 举报有奖


# # 1.1 蔬菜类商品不同品类或不同单品之间可能存在一定的关联关系，请分析蔬菜各品类及单品销售量的分布规律及相互关系。

# In[36]:


# Read the data
'''
# data_1: 6 个蔬菜品类的商品信息
# data_2: 销售流水明细数据
# data_3: 蔬菜类商品的批发价格
# data_4: 蔬菜类商品的近期损耗率
附件 1 中，部分单品名称包含的数字编号表示不同的供应来源。
附件 4 中的损耗率反映了近期商品的损耗情况，通过近期盘点周期的数据计算得到。

'''
data_1 = pd.read_excel('../data/附件1.xlsx')
data_2 = pd.read_excel('../data/附件2.xlsx')
data_3 = pd.read_excel('../data/附件3.xlsx')
data_4 = pd.read_excel('../data/附件4.xlsx')


# In[37]:


data_1.head()


# In[38]:


data_2.head()


# In[39]:


data_3.head()
#将data_3中的列重命名为销售日期、单品编码和批发价格
data_3.columns = ['销售日期','单品编码','批发价格(元/千克)']
data_3.head()
#data_3.shape


# In[40]:


#将data_4中的列重命名为分类编码、分类名称、平均损耗率
data_4.columns = ['分类编码','分类名称','平均损耗率']
data_4.head()
#data_4.shape


# In[41]:


data_2.shape


# # 1.1.1 蔬菜各品类销售量的分布规律

# In[42]:


# 合并data_1和data_2
merged_data = pd.merge(data_1, data_2, on='单品编码')
# 按照分类名称进行分组，计算每个品类的销售量
sales_by_category = merged_data[merged_data['销售类型'] == '销售'].groupby('分类名称')['销量(千克)'].sum() - merged_data[merged_data['销售类型'] == '退货'].groupby('分类名称')['销量(千克)'].sum()


# In[43]:


sales_by_category.index[0:6]


# In[44]:


# plot the sales distribution
plt.figure(figsize=(10, 6)) # set the figure size to 10x6 inches
plt.bar(sales_by_category.index, sales_by_category.values)
plt.xticks(rotation=45, fontproperties = font, size = 16) # set the font for x-axis labels
plt.xlabel('分类名称', fontproperties = font) # set the font for x-axis label
plt.ylabel('销售量（千克）', fontproperties = font) # set the font for y-axis label
plt.title('蔬菜各品类销售量分布', fontproperties = font) # set the font for title
plt.savefig('../results/sales_distribution.png', dpi=300, bbox_inches='tight') # set dpi to 300 for higher resolution and save the entire figure


# In[45]:


# 以季度为周期，可视化不同蔬菜品类销售量的变化趋势
# 将销售数据按照季度进行重采样
quarterly_sales = merged_data.resample('Q', on='销售日期')['销量(千克)'].sum()
# 将销售数据按照分类名称和季度进行分组，计算每个品类在每个季度的销售量
# sales_by_category = merged_data[merged_data['销售类型'] == '销售'].groupby(['分类名称', pd.Grouper(key='销售日期', freq='Q')])['销量(千克)'].sum() - merged_data[merged_data['销售类型'] == '退货'].groupby(['分类名称', pd.Grouper(key='销售日期', freq='Q')])['销量(千克)'].sum()
sales_by_category = merged_data[merged_data['销售类型'] == '销售'].groupby(['分类名称', pd.Grouper(key='销售日期', freq='Q')])['销量(千克)'].sum()
# 可视化销售量变化趋势
fig, ax = plt.subplots(figsize=(10, 6))
for category in sales_by_category.index.levels[0]:
    ax.plot(sales_by_category.loc[category].index, sales_by_category.loc[category].values, label=category)
ax.legend()
ax.set_xlabel('季度')
ax.set_ylabel('销售量（千克）')
ax.set_title('蔬菜各品类销售量变化趋势')
plt.savefig('../results/sales_num_trend.png', dpi=300, bbox_inches='tight')

【完整代码】2023数学建模国赛C题代码--蔬菜类商品的自动定价与补货决策-LMLPHP
【完整代码】2023数学建模国赛C题代码--蔬菜类商品的自动定价与补货决策-LMLPHP
【完整代码】2023数学建模国赛C题代码--蔬菜类商品的自动定价与补货决策-LMLPHP

问题 1 蔬菜类商品不同品类或不同单品之间可能存在一定的关联关系，请分析蔬菜各
品类及单品销售量的分布规律及相互关系。

问题一要求分析蔬菜各品类及单品销售量的分布规律及相互关系。下

  1. 数据预处理 首先，我们需要对附件2中的销售流水明细数据进行预处理，以便于后续的分析和建模。具体地，我们可以按照以下步骤进行：
  • 对销售流水明细数据进行汇总，得到各蔬菜品类和单品的销售总量。
  • 对销售总量进行归一化处理，以便于后续的分析和比较。
  1. 分析销售量的分布规律 接下来，我们需要分析各蔬菜品类和单品的销售量的分布规律。具体地，我们可以按照以下步骤进行：
  • 绘制销售量的直方图和箱线图，观察它们的分布情况和异常值情况。
  • 计算销售量的均值、方差、偏度和峰度等统计量，以便于后续的分析和比较。
  • 进行聚类分析，将蔬菜品类和单品划分为若干个类别，以便于后续的分析和建模。
  1. 分析销售量的相互关系 在分析了销售量的分布规律之后，我们可以进一步分析各蔬菜品类和单品之间的销售量的相互关系。具体地，我们可以按照以下步骤进行：
  • 绘制销售量的散点图，观察它们之间的关系。
  • 计算销售量之间的相关系数，判断它们之间的线性关系的强度和方向。
  • 进行因子分析

问题 2 考虑商超以品类为单位做补货计划，请分析各蔬菜品类的销售总量与成本加成
定价的关系，并给出各蔬菜品类未来一周(2023 年 7 月 1-7 日)的日补货总量和定价策略，
使得商超收益最大。

问题 2要求分析各蔬菜品类的销售总量与成本加成定价的关系，并给出各蔬菜品类未来一周(2023年7月1-7日)的日补货总量和定价策略，使得商超收益最大。

  1. 数据预处理 首先，我们需要对附件2和附件3中的数据进行预处理，以便于后续的分析和建模。具体地，我们可以按照以下步骤进行：
  • 对销售流水明细数据进行汇总，得到各蔬菜品类的销售总量。
  • 对批发价格数据进行处理，计算各蔬菜品类的成本加成定价。
  1. 分析销售总量与成本加成定价的关系 接下来，我们需要分析各蔬菜品类的销售总量与成本加成定价的关系。具体地，我们可以按照以下步骤进行：
  • 绘制销售总量与成本加成定价的散点图，观察它们之间的关系。
  • 计算销售总量与成本加成定价之间的相关系数，判断它们之间的线性关系的强度和方向。
  • 进行回归分析，得到销售总量与成本加成定价之间的线性回归方程，以便于后续的建模和优化。
  1. 建立数学模型 在分析了销售总量与成本加成定价的关系之后，我们可以建立数学模型，以最大化商超的收益。具体地，我们可以按照以下步骤进行： - 定义决策变量：对于每个蔬菜品类，我们定义一个补货量和一个定价变量，分别表示商超在未来一周内每天补货的数量和每个蔬菜品类的定价。
  • 定义目标函数：商超的收益可以定义为销售收入减去成本。因此，我们可以将目标函数定义为： max Σ(销售收入 - 成本) 其中，Σ表示对所有蔬菜品类求和，销售收入可以通过补货量和定价计算得到，成本可以通过批发价格和补货量计算得到。
  • 定义约束条件：为了保证补货量和定价的合理性，我们需要定义一些约束条件。具体地，我们可以按照以下方式定义约束条件：
  • 补货量约束：商超每天补货的数量不能超过该蔬菜品类的销售总量。
  • 定价约束：商超的定价必须在一定的范围内，以保证价格的合理性和市场竞争力。
  • 收益约束：商超的收益必须大于等于一个给定的阈值，以保证商超的盈利能力。
  1. 求解数学模型 在建立了数学模型之后，我们可以使用数学优化方法，如线性规划或整数规划，来求解模型，得到最优的补货计划和定价策略。具体地，我们可以使用求解器或其他数学优化软件，将模型输入其中，然后运行求解器，得到最优的补货量和定价。最后，我们可以根据模型的结果，给出各蔬菜品类未来一周的日补货总量和定价策略，以实现商超收益最大化。 总之，通过以上的步骤，我们可以分析各蔬菜品类的销售总量与成本加成定价的关系，建立数学模型，求解模型，得到最优的补货计划和定价策略，以实现商超收益最大化。需要注意的是，在实际应用中，我们还需要考虑一些其他的因素，如市场需求、供应链管理、损耗率等，以保证模型的准确性和可行性。

问题 3 因蔬菜类商品的销售空间有限，商超希望进一步制定单品的补货计划，要求可
售单品总数控制在 27-33 个，且各单品订购量满足最小陈列量 2.5 千克的要求。根据 2023
年 6 月 24-30 日的可售品种，给出 7 月 1 日的单品补货量和定价策略，在尽量满足市场对各
品类蔬菜商品需求的前提下，使得商超收益最大。

问题三要求制定单品的补货计划，要求可售单品总数控制在27-33个，且各单品订购量满足最小陈列量2.5千克的要求。根据2023年6月24-30日的可售品种，给出7月1日的单品补货量和定价策略，在尽量满足市场对各品类蔬菜商品需求的前提下，使得商超收益最大。

  1. 数据预处理 首先，我们需要对附件2中的销售流水明细数据进行预处理，以便于后续的分析和建模。具体地，我们可以按照以下步骤进行：
  • 对销售流水明细数据进行汇总，得到各蔬菜品类和单品的销售总量。
  • 对销售总量进行归一化处理，以便于后续的分析和比较。
  1. 制定补货计划和定价策略 接下来，我们需要制定单品的补货计划和定价策略。具体地，我们可以按照以下步骤进行：
  • 根据可售品种和市场需求，确定需要补货的单品种类和数量。
  • 根据各单品的销售量和成本加成定价的关系，计算出各单品的售价。
  • 根据各单品的售价和损耗率，计算出各单品的净收益。
  • 根据各单品的净收益和补货量，计算出商超的总收益。
  • 利用数学优化方法，求解最优的补货计划和定价策略，使得商超收益最大化。
  1. 控制单品的数量和订购量 根据问题三的要求，商超希望制定单品的补货计划，要求可售单品总数控制在27-33个，且各单品订购量满足最小陈列量2.5千克的要求。因此，在制定补货计划和定价策略时，需要考虑这些限制条件，以确保计的可行性和有效性。具体地，我们可以按照以下步骤进行：
  • 根据可售品种和市场需求，确定需要补货的单品种类和数量。
  • 对于每个单品，计算出其最小陈列量，以确保其能够满足市场需求。
  • 根据可售单品总数的限制，对各单品的补货量进行调整，以确保总数控制在27-33个之间。
  • 根据各单品的补货量和最小陈列量，计算出各单品的订购量，以确保其能够满足市场需求和陈列要求。 需要注意的是，这些限制条件可能会相互制约，因此需要进行综合考虑和优化，以达到最优的补货计划和定价策略。

问题 4 为了更好地制定蔬菜商品的补货和定价决策，商超还需要采集哪些相关数据，
这些数据对解决上述问题有何帮助，请给出你们的意见和理由。
对于问题四，商超需要采集哪些相关数据，这些数据对解决上述问题有何帮助，请给出你们的意见和理由。 为了更好地制定蔬菜商品的补货和定价决策，商超需要采集以下相关数据：

  1. 市场需求数据：商超需要了解市场对各品类蔬菜商品的需求情况，以便于制定最优的补货计划和定价策略。这些数据可以通过市场调研、销售数据分析等方式获得。
  2. 成本数据：商超需要了解各单品的成本情况，以便于计算出各单品的售价和净收益。这些数据可以通过采购记录、供应商报价等方式获得。
  3. 损耗率数据：商超需要了解各单品的损耗率情况，以便于计算出各单品的净收益。这些数据可以通过库存管理系统、盘点记录等方式获得。
  4. 供应商数据：商超需要了解各单品的供应商情况，以便于进行供应商评估和管理。这些数据可以通过采购记录、供应商合同等方式获得。
    这些数据对解决上述问题非常有帮助。例如，市场需求数据可以帮助商超了解市场对各品类蔬菜商品的需求情况，从而制定最优的补货计划和定价策略；成本数据和损耗率数据可以帮助商超计算出各单品的售价和净收益，从而实现商超收益最大化；供应商数据可以帮助商超进行供应商评估和管理，从而确保商品的质量和供应.
    附件1给出了6个蔬菜品类的商品信息，包括品类、单品名称、供应商、规格、单位和成本加成等信息。附件2和附件3分别给出了该商2020年7月1日至2023年6月30日各商品的销售流水明细与批发价格的相关数据。附件4给出了各商品近期的损耗率数据。这些数据对制定蔬菜类商品的补货和定价决策非常有帮助，可以帮助商超了解市场需求、商品成本、损耗情况等，从而制定最优的补货计划和定价策略，实现商超收益最大化。

附件 1 6 个蔬菜品类的商品信息
附件 2 销售流水明细数据
附件 3 蔬菜类商品的批发价格
附件 4 蔬菜类商品的近期损耗率

09-08 12:35
Powered by LMLPHP ©2024 千千小屋grow 0.007058