NS中公司间交易中的退货流程

本篇文章属于整理知识点类型的笔记,主要是最近在项目中用到的系统知识,这样记录下来也能够强化自己对于一些偏流程性东西的理解。之前的项目中,自己其实对于“公司间交易”这几个字丝毫不敏感,但是目前的一个项目中,主要交易就会牵涉到公司间交易,所以对于“公司间交易”相关功能了解的进度条又往前加载了一点点。

正向的流程我在之前一篇文章提到过,那么从反向来看,假设公司间交易中作为采购方我们想要退货,那在系统中业务人员应该如何处理呢?财务人员又应该如何处理呢?让我们一点一点来看,整个过程还是需要很多步骤参与的:

前提:已经创建公司间交易PO1234-SO1234

Step 1:

假如我们从PO上发起退货,就需要在PO1234上点击“Authorize Return”,也就是“退货申请”的Button,这时界面将跳转至填写退货申请的界面;

Step 2:

此时,我们需要在退货申请的界面确认退货的物料名称/数量/批次等信息,保存该信息后,就完成了供应商退货申请VRMAF1234,它创建自先前的PO1234,并且这张单据目前的状态是“Pending Return”,即“等待退货”

但是,我们需要注意,在公司间管理信息的显示位置,Intercompany Status的位置显示的是“Pending”,也就是说我们的采购端退货还没有正式与交易中的另一方建立起相关的联系。

Step 3:

在这一步有点像正向的管理公司间交易,这里也需要按照路径进入“管理公司间退货”流程;

Step 4:

这里,我们需要选择对应的Customer,勾选先前的相应的退货申请VRMAF1234,点击箭头处“生成公司间退货”申请;

Step 5:

当我们不断点击Refresh刷新后可以看到,公司间的退货申请已经建立起关联关系,也就是VRMAF1234也对应生成了RMA1234;

Step 6:

再次回到供应商退货界面,点击“Return”生成退货单,紧接着填写相应的IF,将需要退回的物料进行发货,可在相关记录下看到相应的IF单据;

Step 7:

这个时候,我们再回到公司间退货界面,可以看到当前RMA1234的状态已经是“Pending Receive”的状态了,这时点击“Receive”来填写相应的IR,表示接收退回的物料,也可以在相关记录下看到相应的IR收货单据;

Step 8:

回到原始的PO1234,可以看到相关记录中绑定了VRMAF1234,到这里之后的后续将由财务进行进一步的退款处理;

Step 9:

回到原始的SO1234,可以看到相关记录中绑定了RMA1234,后续的退款步骤也将由财务进行操作处理。

那到了Step 9这里,其实业务人员已经完成了公司间的退货流程了,对应的PO/SO上都会挂有相关的记录,当然也可以查到对应的退货发货与收货的单据,另外剩下的步骤具体将由财务人员来完成。

Step 10:

在公司间交易中作为销售方的一端,财务人员还需要完成对于Customer的Credit Memo和Customer Refund,这两步完成后才算对于客户完成了最终的退款。

Step 11:

而对于采购端来说,财务人员需要完成Bill Credit

当以上所有内容全部完成后,我们会发现RMA的状态会变为Refunded,而对应VRMAF的状态会变成Credited,这才表明我们完成了公司间从退货到退款的全部流程。对比原来的单方面退货的操作,公司间的步骤确实会稍稍多一些,所以大家在操作的时候还是要多加注意,根据具体情况具体处理哦。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值