ABC分类作为基于新颖销售分割与特征提取方案的业务智能方法

《Applied System Innovation》：ABC Classification as Business Intelligence Method Based on a Novel Sales Segmentation and Feature Extraction Proposal Roberto Baeza-Serrato and Jorge Manuel Barrios-Sánchez

　　

每日、每月和每年的多产品销售记录存储在数据库中，但由于数据量巨大，这些记录在更新产品目录时并未用于决策。与此同时，人工智能在商业中的应用正遍及所有经济部门。大规模数据处理可通过人工智能技术实现。具体而言，当前ABC库存分类采用了人工智能技术，包括神经网络（Neural Networks）、模糊系统（Fuzzy Systems）和遗传算法（Genetic Algorithms）。然而，对现有文献的综述并未发现任何使用视觉技术进行ABC库存分类的研究。为填补这一空白，本研究提出了一种基于ABC对企业的多种产品进行智能分类的新方法。近期视觉系统研究常使用Otsu方法或其变体来确定二元图像分割的最优阈值。与该方法不同，本研究不使用单一阈值，而是将整个二元频率直方图（Binary Frequency Histogram, BFH）作为图像表示。由此，研究人员提取了八个对平移、旋转和尺度不变的特征。结果表明，该分类作为决策工具准确、清晰且简单。所提出的方法具有通用性，可用于任何生产部门和任何规模的企业。

论文解读文章

研究背景、问题与意义：
在当今数据驱动的商业环境中，企业每日、每月和每年的多产品销售记录被大量存储于数据库中，然而由于数据量庞大，这些信息通常仅用于生成报告，而未能在更新产品目录时辅助决策。许多企业仍难以将运营数据转化为战略性商业决策。人工智能（Artificial Intelligence, AI）的进步推动了数据驱动决策、运营自动化和个性化客户参与，但大规模数据的有效处理仍面临挑战。传统ABC库存分类方法通常基于年度销售额和单价的总和进行主观区间划分，缺乏对销售动态行为的精准捕捉。现有研究已利用神经网络、模糊系统和遗传算法进行ABC分类，但尚无研究将视觉技术应用于此。视觉系统领域常采用Otsu方法或其变体进行二元图像分割，通过单一阈值实现分类。为突破这一局限，本研究提出一种基于二元频率直方图（Binary Frequency Histogram, BFH）分割与特征提取的新方法，将图像处理理论迁移至产品销售分类，旨在实现客观、智能且通用的ABC分类，为各行业企业提供业务智能（Business Intelligence, BI）支持。该论文发表在《Applied System Innovation》。

关键技术方法：
研究人员采用了一种基于图像处理理论的五步方法论。首先，将每个产品的年度销售记录以矩阵形式存储（52周×7天）。其次，构建每个销售矩阵的频率直方图（40个类别）。第三，提出一种新颖的二元分割技术：将频率直方图转换为二元频率直方图（BFH），其中每个柱状图的频率值以1表示，从而将直方图视为二元图像。第四，利用Hu矩（Hu's moments）从该二元图像中提取八个对平移、旋转和尺度不变的几何特征。具体而言，研究人员在计算标准几何矩和中心矩时，创新性地将频率向量与每个类别的上边界向量的点积（dot product）融入原始公式，从而增强直方图对销售值尺度变化的敏感性。最后，采用k-means聚类算法基于八个Hu矩特征对产品进行智能ABC分类。

研究结果：
1. Binary Frequency Histogram Segmentation: 研究表明，通过将销售矩阵转化为40类别的频率直方图，再将其视为二元图像（每个频率值对应像素值1），可形成对销售行为的直观表示。与传统Otsu方法使用单一阈值不同，该方法利用整个直方图作为分割基础，避免了信息损失。

2. Geometric Moments Invariant to Translation: 通过构建Y轴网格（范围-11到11）和X轴网格（范围-19到20），计算几何矩M₀₁和M₁₀。结果证实这些矩基于BFH与网格的逐点乘积，可有效捕获销售分布的质心位置，且对平移不变。

3. Normalized Central Geometric Moments Invariant to Scale: 通过将X和Y网格归一化（减去各自均值），计算七个中心矩（μ₂₀、μ₀₂、μ₁₁、μ₂₁、μ₁₂、μ₃₀、μ₀₃）。这些矩在去除平移影响后，进一步通过零阶矩归一化，实现尺度不变性。研究人员在计算中融入了频率向量与上边界向量的点积，使得不同销售幅度的产品直方图在矩值上产生显著差异。

4. Hu's Moments Invariant to Rotation: 从归一化中心矩导出七个Hu矩（φ₁至φ₇），并额外引入第八个矩（基于点积修正）。研究表明，前两个Hu矩（φ₁和φ₂）在不同产品类别间差异最为显著，为分类提供了核心判别依据。

5. Simulation Validation with Overlapping Ranges: 通过模拟90个产品（A类：10~150；B类：40~250；C类：150~500），各区间存在重叠以验证算法鲁棒性。结果显示：A类产品分类准确率96.6%，B类96.6%，C类100%。与传统ABC方法（基于年度销售总和）相比，后者在B类中出现57%的正确分类率，且存在47%的误标率（将B类误判为A或C）。所提方法在全部类别中均表现出更高准确性和一致性。

讨论与结论：
本研究提出的智能ABC分类方法通过将图像处理中的二元分割与Hu矩特征提取技术迁移至销售数据分析，克服了传统ABC方法依赖主观区间设定、无法处理大规模动态数据的缺陷。讨论指出，该方法无需专家经验，可自动化处理大量产品数据，适用于中小企业的快速部署。结论部分翻译如下：
“ABC分类根据产品总销售额或月/年需求对产品进行排序。传统方法从高到低排序，计算销售百分比，并主观定义分类区间。所提出的库存ABC分类方法应用图像处理技术，特别是分割技术，通过对高维矩阵的简单运算处理多产品的大规模销售数据。与传统ABC技术使用总和不同，新方法采用二元频率直方图，将先进的模式识别技术应用于库存管理与分类，为更强有力的决策提供基础，并与人工智能和深度学习算法形成类比。该方法不依赖专家经验，可自动化处理大量产品数据，适合在中小企业中快速部署。本研究引入了一种基于视觉技术的智能ABC分类方法。数据以52×7矩阵存储（52周，每周7天），矩阵转换为频率直方图，与设置二值化阈值的Otsu方法及其变体不同，该直方图直接作为二值化图像使用。一个关键贡献在于将频率直方图之和与频率向量和每类上边界向量逐点乘积之和相关联，这种区分使得能够根据产品销售值区分频率直方图。这些频率直方图值随后用于中心矩计算，并提取Hu矩，分别对每个类别实现了100%、96.6%和96%的效率。该智能分类方法可应用于任何生产部门和公司规模。”