基于数据驱动的网络零售商动态批量库存模型研究

In the competitive online market, online retailers need to lower their operational costs to gain profit margin. Meanwhile, the arrival of big data era provides opportunities for them to make an accurate demand forecasting. But it is remain to be thoroughly investigated that how to use this process to further improve the inventory replenishment and outbound shipping decisions, which largely contributes to total operational costs. Integrating data-driven approaches to conduct demand forecasting, this project constructs customized dynamic lot-sizing models for different kinds of products. This project includes three research themes. Firstly, we develop a demand forecasting approach driven by clickstream data for mature products under the background of "anticipatory shipping". Based on the predicted demand, we formulate a dual-mode dynamic lot-sizing model with two-echelon inventory. Secondly, as for those upgrade new products, we propose a Bayesian demand forecasting approach using demand data of similar products. With the updated demand, we construct a stochastic lot-sizing model in an environment of rolling horizon. Finally, for radical new products, we design a demand forecasting approach driven by sample demand. We also formulate a stochastic lot-sizing model without knowing demand distribution, and use the sample average approximation technique to solve such model. This project enriches the theory of modeling and algorithm for those dynamic lot-sizing models integrated with updated demand forecasting, and provides guidelines for online retailers to take advantage of data in the process of optimizing inventory replenishment and outbound shipping.

竞争激烈的在线市场下，网络零售商需通过降低运营成本来拓展利润空间。与此同时，大数据时代的到来为其实现精准的需求预测创造了条件，但如何进一步优化占据主要运营成本的库存补货与发货过程尚待深入研究。本项目集成数据驱动的需求预测方法，为网络零售的不同类型产品构建定制化的动态批量库存决策模型，主要包括三方面研究内容。首先，在“预判发货”背景下，为成熟产品设计了点击流数据驱动的需求预测方法，并构建了两级库存下的双模式动态批量发货模型。然后，针对换代新产品，提出了相似产品需求信息驱动的贝叶斯更新预测方法，进而构建了滚动周期环境下的随机动态批量补货模型。最后，考虑全新产品，提出了样本需求驱动的需求预测方法，构建了基于样本平均近似方法的随机动态批量补货模型。本项目丰富了集成需求预测更新的动态批量模型与算法理论，也为网络零售商利用数据优势来优化库存补货与发货决策提供了帮助。

数字经济时代的到来使得线上消费市场蓬勃发展，但也创造了激烈的竞争环境。作为受影响的关键企业，网络零售商在利润低薄的现状下，不得不寻求精益的管理优化手段来降低运营成本。与此同时，网络零售商发达的信息系统能够获取多维度的海量数据，但如何充分利用这些信息来优化占据主要运营成本的库存补货与发货过程尚待深入研究。本项目综合考虑不同产品特征和多种网络零售模式的特点，研究了利用各类数据来驱动获取不同层面的需求信息，进而构建合适的批量模型，以解决网络零售环境中复杂的库存决策问题。围绕网络零售的订单履行全过程，项目研究了四方面内容。其一，针对订单履行中心内部产品的库存补货环节，结合产品特征，分别研究了相似产品需求信息驱动的预售新产品批量补货模型，以及产品需求信息驱动的易变质品联合批量补货模型。其二，针对订单履行中心到配送站的发货环节，既为传统B2C网络零售商构建了订单配送时间窗信息驱动的动态批量弹性发货模型，也在新兴的社区团购模式下研究了订单提前信息驱动的动态库存转运发货模型。其三，针对“预判发货”这种全新的模式，研究了基于点击流数据驱动的动态批量发货模型。最后，针对订单履行末端的配送环节，研究了基于订单地址信息驱动的“最后一公里”发货配送优化模型。项目组对提出的所有模型均进行了详尽的分析与求解方法设计，并基于实际或模拟的数据进行了应用实验，从多个角度验证了提出的各类模型与相应方法的有效性和实用性。本项目基于实际问题提出了多个动态批量新模型，在理论上丰富了相关研究领域，同时设计的方法也能在实践上为各类网络零售商提供决策优化指导。