开发适配多元偏好的时尚产品供应模型

在线零售商持续面临的核心挑战在于：如何在销售季开始前最优选择时尚产品子集并确定采购库存量。从庞大产品目录中选定待售产品子集被称为组合优化问题。时尚产品的组合优化与库存规划之所以复杂，不仅因为需要提前数月预测新品需求，还因为当首选商品缺货时顾客可能在不同产品间进行替代选择。在线环境中更增加了复杂性——顾客与网站的交互方式完全不同于实体店购物。

“将组合与库存规划协同处理是个难题，现有公开文献有限，行业应用方案也较少，“某中心供应链优化技术组织的高级首席科学家表示。

目前，通过前实习生的灵感启发，某中心与哥伦比亚大学的科学家团队针对这一高度复杂问题开发出了实用解决方案。“我们希望用科学方法解决这个实际可落地、可扩展的难题，“负责开发供应链规划决策优化模型的科学家解释道。

研究成果体现于2021年5月发表的论文《重尾需求下的联合组合与库存规划》。论文提出了一种"通过识别能汇聚全品类产品需求的产品子集，在平衡预期收益与库存成本的同时，避免因顾客替代行为导致收入过度侵蚀"的方法。作者还提出了"多阶段选择模型，以捕捉在线零售环境中具有海量产品和重尾需求分布特征的复杂选择过程”。

该项目起源于哥伦比亚大学研究生完成两次实习后，与工业工程与运筹系教授共同提出的研究计划。该教授同时担任某中心学者，专注于不确定性下的序列决策问题研究。

核心挑战与创新方案

需求预测的复杂性
当产品具有可替代性时，单个产品的需求实际取决于所提供的产品组合。在某中心的规模下，选择组合的可能性极为庞大。即使已知需求模型，库存规划仍因动态替代行为而复杂化。例如三种不同可可含量的巧克力：90%含量售罄后，顾客会转向80%含量，继而转向70%含量，形成动态需求过程。

马尔可夫链选择模型
研究团队在客户选择过程与优化问题之间建立了抽象层——通过替代矩阵定义首选缺货时转向其他产品的概率。尽管选择过程本身复杂，但通过该抽象层使优化算法不受选择过程复杂性影响。即使未来引入更精确的新选择模型，原有算法仍可适用。

模型优势与局限突破

与传统方法相比，本研究的独特性在于：既往研究依赖于选择过程的结构形式，一旦选择模型微调原有算法即失效。而抽象化方法使算法具备鲁棒性。这项研究为解决更复杂的序列决策问题奠定了基石，使每个推进步骤都能基于既往工作而非推倒重来。

尽管这是解决实际组合与库存规划问题的初步尝试，但指明了正确的研究方向。团队强调，该领域仍有大量工作待完成，但本研究首次展示了隧道尽头的曙光。

论文摘要
本研究探讨在线零售商在销售季开始前决定N种可替代产品的组合与库存，以实现预期利润最大化的联合优化问题。该问题同时带来算法与建模挑战，核心难点在于如何有效建模基于动态缺货的替代行为。

[下载论文]