“科 研”
ZJUSOM
“补货太少，容易供不应求，丢失一些本该到手的订单；补货太多，又怕供过于求，烂在仓库里。”
这是多年来始终困扰零售行业商家们的一道难题。尤其是在快节奏时代的当下，人们追求工作的“快”，也追求购买需求的“快速满足”，零售商供货稍慢一点，消费者就可能转向别家购买了。
更让商家们感到难上加难的是，易腐商品的库存管理，比如生鲜。如今消费者购买生鲜追求一个“鲜”字，还要健康、无污染。这就要求商家必须精准地进行供应链管理，比如精准补货、精准分配给各个门店，否则再好的保鲜技术也是徒劳。
图片来源：©千库网
但市场需求难以预测，要精准开展供应链管理谈何容易？那么这道难题是真的无解了吗？
供应链管理关乎企业发展与经济增长。为解决这道困扰零售企业已久、看似“无解”的供应链管理现实难题，浙江大学管理学院教授杨翼、周伟华与其博士生黄靖开联合杜克大学教授Kevin Shang，阿里巴巴李玉安，共同尝试通过数智管理研究探索“解决策略”。
最终，他们的研究成果——Taylor Approximation of Inventory Policies for One-Warehouse, Multi-Retailer Systems with Demand Feature Information于日前发表在国际顶级期刊Management Science（管理学UTD24期刊之一）上。
该研究为解决上述难题生成了一套简单且可行的数据驱动策略，可帮助企业更准确地预测市场需求，在提升供应链效率的同时，减少库存成本。
本期【科研】专题，一起来看这项面向经济主战场，以“数智创新与管理研究”帮助企业解决供应链管理现实难题的重要研究。
学者简介
杨翼，浙大管院副院长、数据科学与管理工程学系教授，博士生导师。研究方向：库存管理；收益管理；新零售；区块链；供应链管理；数据驱动决策
学者简介
周伟华，浙大管院数据科学与管理工程学系教授，博士生导师。浙江大学数据分析和管理国际研究中心主任。研究方向：物流和供应链管理、供应链金融
学者简介
黄靖开，浙大管院2019级管理科学与工程博士生。研究领域：数据驱动的决策，库存管理，统计学习
他们自主研发的“DDTA策略”，
可让商家的库存决策更精准
在零售行业中，存在很多类型的销售系统，如果不涉及分销，即便进行了错误的库存决策，损失相对也较小。
比如卖蔬菜的小商店，偶尔一次补货太多，大不了便宜处理，少赚点钱。
而若是涉及到多门店分销，尤其是由一个中心仓库和多个零售商（门店）组成的分销系统，一旦这个中心仓库的库存管理决策者对市场需求做了错误的预测，导致遍布在全国各地的多个零售商无法及时从仓库补充商品，进而因无法快速响应市场需求而丢失订单，那这个损失就大了。
特别是采用这类分销系统的大型企业，供应链出现问题会严重损害其外部品牌与形象，使得它们在激烈的市场竞争中失去原有地位，进而影响国家经济增长。
研究团队正是从解决这类“单仓库-多门店”商家的库存决策难题入手，通过构建数据驱动的库存决策模型，探索一个在不知道外部需求分布的情况下，依然能在每个时间段最小化企业平均库存成本的库存管理策略。
图1 单仓库-多门店库存模型示意图
“我们在研究中分两步走，第一步是假设已知需求特征和随机噪声的分布，通过泰勒展开（微积分中利用多项式近似原函数的一种方法）来近似零售商的库存成本，得到一个具有闭式解的、渐近最优的泰勒近似（Taylor Approximation，简称TA）策略。”
团队成员、博士生黄靖开进一步介绍称，“第二步，我们应用线性分位数回归和核密度方法估计TA策略中的位置参数，从而得到数据驱动的泰勒近似（Data-Driven Taylor Approximation ，简称DDTA）策略。”
图2 事件顺序示意图
其中，“需求特征”是指与外部市场需求相关的一些特征类信息，比如天气、温度、商品价格等，这类信息是库存管理者可提前观察到的信息，用于辅助决策。而“随机噪声”则是指市场需求中那些随机且不可预测的部分。
研究团队在计算过程中发现，DDTA策略可帮助“单仓库-多门店”企业在不知道外部需求分布的情况下，利用需求特征信息进行有效的库存补货和分配。
图片来源：©千库网
他们以真实数据验证策略有效性，
结果显示该策略可降低库存成本
通过数字模型搭建与计算，生成数据驱动的库存管理策略，只是这项研究中的一部分，更关键的是要验证该策略的可行性与效果。
为此，研究团队拿到了国内首家新零售商超——盒马鲜生的真实数据集，以该数据验证DDTA策略在降低该企业库存成本方面的表现。结果发现，相比盒马现用的库存管理策略，DDTA策略可降低其11.0%的平均库存成本。
这一结果令盒马的管理者们感到欣喜。因为这项研究正是源于盒马对“攻克易腐商品库存管理难题”的迫切需求。
“我们是在与盒马的合作过程中开启这项研究的。” 研究团队介绍道，作为国内领先的新零售平台，盒马的供应链网络具有典型的“单仓库-多门店”特征，其库存管理长期以来面临“补货-分配”难题，尤其是“日日鲜”这类易腐商品。
图片来源：扬子晚报
“他们希望我们能够结合数智创新与管理学科优势，针对其日日鲜商品，设计一套合理的、数据驱动的“库存补货-分配策略”，以帮助他们降低库存成本。”
如今，DDTA策略被证实“有效”，且效果极佳，这不仅有利于盒马鲜生快速响应市场需求，实现销售增长，也将为诸多有着“单仓库-多门店”特征的新零售商家带去启示。
该策略突破性实现“简单且可行”，
将大大赋能数智零售发展
这项研究主要解决的是一类考虑需求特征信息的“单仓库-多门店”零售系统的数据驱动“库存补货-分配”问题。
简单来说，就是在给到“商品在各门店的历史需求数据”和“商品需求特征数据（如当日天气，温度，价格等）”的情况下，决策者该如何制定商品的库存补货策略，及商品到达中心仓库后分配至下游门店的策略。
实际上，过去已有相关研究提出过解决这类问题的数据驱动策略，但那些策略要么无法为样本外的特征观察提供可行的解决方案，要么计算时间过长。
而研究团队研发的DDTA策略则突破性的实现了“简单且可行”。
图片来源：©千库网
研究中，他们不仅提供了一种在计算资源有限的情况下快速得到近似最优解的方法，还将这种方法应用于多阶段库存问题，并给出其理论表现分析，为解决具有需求特征信息的库存问题提供了新的研究视角与方法。
同时，他们的研究还扩展了模型，考虑了需求特征之间的相关性、一般交货提前期和截断需求数据的情况，增强了模型的实用性和普适性。
这也意味着，该研究成果将大大赋能数智零售与经济高质量发展。
众所周知，供应链是一个涵盖物流、采购、生产和销售等环节的复杂系统，它与企业的发展、经济的增长密不可分。尤其是在新一代数智技术加速融入并颠覆各行各业的当下，零售业企业之间的竞争，说到底，是供应链管理数智化转型之争。
谁能快速掌握“简单且可行”的数智化供应链管理策略，谁就能在激烈的市场竞争中赢得优势，企业增长之争如此，国家经济发展之争亦是如此。
图片来源：©千库网
当前，国际形势复杂多变、局部地区冲突频现，习近平总书记多次强调，要提升产业链供应链韧性和安全水平，“产业链、供应链在关键时刻不能掉链子，这是大国经济必须具备的重要特征”。
浙江大学管理学院的学者们近年来为解决各行各业的供应链管理难题开展了诸多数智创新与管理研究，为中国企业的供应链韧性与安全保驾护航。
面向未来，学者们将继续扎根中国大地，为提升国家产业链供应链的韧性与安全水平，助推国家现代化产业体系建设持续贡献“浙大智慧”。
聚焦“四个面向”，
以有贡献力、有影响力的
高水平科研与学科交叉会聚，
服务国家战略
与人类生活美好进步，
是每一位浙大管院学者的使命。
【科研】系列专题
将持续为你讲述
他们的最新科研进展。
附：论文摘要
We consider a distribution system in which retailers replenish perishable goods from a warehouse, which, in turn, replenishes from an outside source. Demand at each retailer depends on exogenous features and a random shock, and unfulfilled demand is lost. The objective is to obtain a data-driven replenishment and allocation policy that minimizes the average inventory cost per time period. The extant data-driven methods either cannot guarantee a feasible solution for out-of-sample feature observations or generate one with excessive computational time. We propose a policy that resolves these issues in two steps. In the first step, we assume that the distributions of features and random shocks are known. We develop an effective heuristic policy by using Taylor expansion to approximate the retailer’s inventory cost. The resulting solution is closed-form, referred to as Taylor Approximation (TA) policy. We show that the TA policy is asymptotically optimal in the number of retailers. In the second step, we apply the linear quantile regression and kernel density estimation to the TA solution to obtain the data-driven policy called Data-Driven Taylor Approximation (DDTA) policy. We prove that the DDTA policy is consistent with the TA policy. A numerical study shows that the DDTA policy is very effective. Using a real data set provided by Fresh Hema, we show that the DDTA policy reduces the average cost by 11.0% compared with Hema’s policy. Finally, we show that the main results still hold in the cases of correlated demand features, positive lead times, and censored demand.
编辑排版：段婷
审核：佟庆、杨翼、周伟华、黄靖开
热门跟贴