阿里巴巴於各門市通路整合需求預測、庫存與定價

阿里巴巴的業務橫跨數十種零售模式，從行動應用程式到實體生鮮雜貨，每種模式都有不同的需求型態、保存期限與庫存規則。

傳統的預測與庫存工具忽略了真正重要的交互作用：豬肉價格變動會影響牛肉銷售，洋芋片價格變動會影響莎莎醬銷售。阿里巴巴運用深度學習捕捉這些交互作用，以模擬最佳化來建模顧客如何挑選存貨，並以最佳化即時設定價格與推薦排序。

結果是預測準確度提高、損耗減少、缺貨品項變少，轉化為其零售業務每年超過 1 億美元的成本降低與服務改善。這項工作入圍 2022 年 INFORMS Franz Edelman 獎決選。

將每個通路的需求預測、庫存與價格視為單一系統

共享的需求模型讓採購、定價與陳列依據同一份預測做出反應，而非三種各自猜測。

模擬能捕捉會破壞封閉式庫存規則的先進先出（FIFO）與後進先出（LIFO）混合情況。

即時價格與推薦最佳化將短保存期限轉化為可運用的槓桿，而非損失。

更好的預測與更少的缺貨同時提升營收並減少浪費。

零售是一個決策問題，因此共享的需求模型勝過彼此脫節的預測、訂貨與降價工具。

這套件已推廣至阿里巴巴的全通路零售子公司，該公司表示損耗率與缺貨率均穩定下降。此案為 2022 年 Franz Edelman 獎決選入圍者，其底層方法已發表於《INFORMS Journal on Applied Analytics》。