An Optimistic-Robust Approach for Dynamic Positioning of Omnichannel Inventories

要約

新しいクラスのデータ駆動型で流通のない楽観的なロビーバストバイモーダルインベントリオプティメーション(BIO)戦略を導入して、時代の不確実なオムニチャネル需要を満たすために、小売チェーン全体に在庫を効果的に割り当てます。
バイオのバイモーダルの性質は、最悪の敵対的な需要に焦点を当てた従来の堅牢な最適化(RO)のように、マウガンサイドリスクのバランスをとる能力に由来し、平均ケースのパフォーマンスを向上させる可能性があります。
これにより、内因性の外れ値のために失われる利点をキャプチャしながら、BioはROと同じくらい回復力があり続けることができます。
オムニチャネル在庫計画は、店舗での販売の損失とクロスチャネルeコマースフルフィルメントコストの間のトレードオフを管理する際のバイオのバイモーダル戦略の有効性を分析するための適切な問題設定を提供します。
バイオソリューションと、堅牢性と平均ケースのパフォーマンスの間の優先トレードオフを達成するためにそれを調整する方法についての構造的洞察を提供します。
アメリカの大規模なオムニチャネル小売チェーンからの実際のデータセットを使用して、ピーク期間中のビジネス価値評価は、バイオが実現された平均収益性の点で純粋なROを27%上回り、不完全な分布情報の下で他の競合ベースラインを10%以上上回ることを示しています。
これは、Bioが堅牢性のバランスをとりながら、強力な平均パフォーマンスを達成する伝統的なROに代わる、斬新でデータ駆動型の分布のない代替品を提供することを示しています。

要約(オリジナル)

We introduce a new class of data-driven and distribution-free optimistic-robust bimodal inventory optimization (BIO) strategy to effectively allocate inventory across a retail chain to meet time-varying, uncertain omnichannel demand. The bimodal nature of BIO stems from its ability to balance downside risk, as in traditional Robust Optimization (RO), which focuses on worst-case adversarial demand, with upside potential to enhance average-case performance. This enables BIO to remain as resilient as RO while capturing benefits that would otherwise be lost due to endogenous outliers. Omnichannel inventory planning provides a suitable problem setting for analyzing the effectiveness of BIO’s bimodal strategy in managing the tradeoff between lost sales at stores and cross-channel e-commerce fulfillment costs, factors that are inherently asymmetric due to channel-specific behaviors. We provide structural insights about the BIO solution and how it can be tuned to achieve a preferred tradeoff between robustness and the average-case performance. Using a real-world dataset from a large American omnichannel retail chain, a business value assessment during a peak period indicates that BIO outperforms pure RO by 27% in terms of realized average profitability and surpasses other competitive baselines under imperfect distributional information by over 10%. This demonstrates that BIO provides a novel, data-driven, and distribution-free alternative to traditional RO that achieves strong average performance while carefully balancing robustness.

arxiv情報

著者 Pavithra Harsha,Shivaram Subramanian,Ali Koc,Mahesh Ramakrishna,Brian Quanz,Dhruv Shah,Chandra Narayanaswami
発行日 2025-04-01 15:59:59+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, math.OC パーマリンク