阿里在每条零售渠道上实现预测、库存与定价的协同

阿里巴巴的业务涵盖多种零售模式，从手机应用到实体杂货店，每种模式都有不同的需求模式、保质期和库存规则。

传统的预测和库存工具忽略了重要的交互作用：猪肉价格上涨影响牛肉销售，薯片影响莎莎酱。阿里巴巴使用深度学习捕捉这些交互，用仿真优化模拟顾客如何选择库存，并用优化来实时设定价格和推荐排名。

结果是预测精度更高、损耗更少、缺货更少，转化为其零售业务每年超过1亿美元的成本降低和更好的服务。这项工作入围2022年INFORMS Franz Edelman奖。

把每条渠道的预测、库存和价格当作一个系统

共享的需求模型让采购、定价和陈列响应同一个预测，而不是三种猜测。

仿真捕捉了打破封闭式库存规则的先进先出（FIFO）和后进先出（LIFO）混合。

实时价格和推荐优化将短短保质期变成杠杆而非损失。

更好的预测和更少的缺货同时提高收入和减少浪费。

零售是一个决策问题，因此共享需求模型胜过相互脱节的预测、订购和降价工具。

该套件已部署到阿里巴巴的全渠道零售子公司，公司表示损耗率和缺货率均稳步下降。它是2022年Franz Edelman奖决赛入围者，其底层方法发表在《INFORMS应用分析杂志》上。