En ny algoritme hjælper detailhandlere med at træffe bedre lagerbeslutninger

Lager for meget af et produkt, eller ikke nok, koster detailhandlere hundredvis af milliarder af dollars årligt. Hvis de fylder for lidt og løber tør, kunden vil sandsynligvis tage deres forretninger andre steder hen, koster forhandleren penge. Hvis de har for meget på lager, selvom, forhandleren ender med overskydende lagerbeholdning.

Et kommende papir i Operationsforskning , medforfatter af MIT Sloan gæsteprofessor Amr Farahat, PhD '04, og Joonkyum Lee, en adjunkt ved Sogang Business School i Sydkorea, præsenterer en ny måde at tackle dette problem på. Deres datadrevne tilgang kan hjælpe detailhandlere med at træffe mere velinformerede beslutninger og øge overskuddet.

Selvom det kan virke rimeligt at få forhandlere til blot at genopbygge en vare, når de løber tør for den, den tilgang virker ikke for mange. "Shoppere vil ikke vente, indtil forhandleren fylder op med at foretage et køb, " sagde Farahat.

I stedet, detailhandlere skal forudsige på forhånd, hvor meget de kommer til at sælge af specifikke varer. Det er ikke let – især for produkter, hvis genopfyldningstider er lange sammenlignet med varigheden af ​​deres høje salgssæson.

Effekten af ​​substitution

At hjælpe, Farahat og Lee har udviklet, hvad de kalder den omtrentlige lighedstransformation.

"Denne algoritme anerkender, at der er en sammenhæng mellem, hvor meget detailhandlere lagerfører og deres overskud. Dette forhold er kompliceret, så vi erstattede den med en enklere, der giver en øvre grænse for salg, men det er en stram øvre grænse. At håndtere det nemmere, dog omtrentlig, salgsfunktion fører til sidst til bedre beslutninger, "Sagde Farahat.

Detailhandlere baserer typisk deres lagerbeslutninger på tidligere salg, mens de tager hensyn til årstiden, hvordan går det med økonomien, hvad er på mode, og hvilke nye produkter der er kommet ud, som forventes at sælge, blandt andet.

Ifølge Farahat, hvis en forhandler har en enkelt vare på lager, at bestemme den optimale mængde lager, der skal transporteres, er enkel. Når en sælger sælger mange varer, dette bliver mere kompliceret, fordi kunderne erstatter en vare med en anden. "Hvis jeg vil købe en stribet blå skjorte til en gave, og jeg kan ikke finde den størrelse jeg skal bruge på lager hos Macy's, i stedet for at beslutte at købe gaven i en anden butik, Jeg ser måske på en solid blå skjorte, en stribet lilla skjorte, eller et andet mærke. Komplekse substitutionseffekter foregår - det er karakteren af ​​forbrugernes valg, " sagde Farahat.

Da forbrugerne kunne træffe et hvilket som helst antal beslutninger baseret på den tilgængelige beholdning, det er praktisk talt umuligt at bestemme optimale lagerniveauer. "Matematisk, dette er blandt de mest udfordrende problemer inden for datalogi, " sagde Farahat.

En datadrevet tilgang

At bestemme præcist optimale lagerbehov er uopnåeligt, men den omtrentlige lighedstransformation producerer anbefalinger baseret på "påviselig gode tilnærmelser." Farahat og Lees forskning viser, at ved at følge disse anbefalinger, nogle forhandlere kan forvente profitstigninger på 2-3 procent.

Det opnås ved at bruge de data, som detailhandlere allerede har indsamlet om deres kunder, såsom trafikforventninger baseret på årstiden og hvordan deres forbrugere træffer valg. Det tilnærmer derefter en salgsprognose, der kan hjælpe med lagerbeslutninger.

"Vi forsøger at komme med anbefalinger til detailhandlere, som de kan bruge som udgangspunkt for deres endelige beslutninger. For at vi skal kunne gøre det, er vi nødt til at bygge videre på de forudsigelige analysemuligheder, som mange forhandlere allerede er ved at udvikle, " sagde Farahat.

Efterhånden som virksomheder forbedrer deres dataindsamlingskapacitet, kvaliteten af ​​disse data vil forbedres – og Farahat og Lees algoritme vil blive mere nyttig. "Efterhånden som disse modeller og prognoser bliver mere nøjagtige, denne foreskrivende beslutningstagning bliver mere relevant, " sagde Farahat.

Deling af forskningen

Farahat og Lee har kørt tusindvis af numeriske eksperimenter baseret på forhandleroplevelser for at teste deres algoritme. Disse test har alle vist, at algoritmen fungerer lige så godt eller bedre end tidligere metoder til at hjælpe detailhandlere med at planlægge deres lager, da den giver strengere øvre grænser, eller mere præcise resultatforventninger, in more than 99 percent of the tests.

The researchers would still like to test the approximate similarity transformation with retailers. For nu, selvom, they have made it available on GitHub for two reasons:They want colleagues who could build on their work to be able to do so without having to start from scratch; and "if a company has some in-house capabilities that they can take this and test it they are welcome to do so."