供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见供应链｜POMS： 库存管理的进展——来自 INFORMS Franz Edelman 奖入围者的洞见这篇文章回顾了 1985–2023 年间 Franz Edelman 奖入围案例中涉及的库存管理研究，总结了运筹学与管理科学在该领域的主要进展。文章强调：

　　OR/MS 技术（如仿真优化、深度学习、动态定价、随机建模等）在现实库存管理中的应用；

　　运筹学（Operations Research, OR）和管理科学（Management Science, MS）的研究领域已经远远超越其理论框架，在不同组织环境中解决复杂问题的务实实践中发挥着关键作用。《INFORMS Journal on Applied Analytics》始终站在这一努力的前沿，为具有影响力的研究成果的传播提供了平台，这些研究弥合了先进的 OR/MS 理论与现实应用之间的鸿沟。这本享有盛誉的期刊涵盖了广泛的主题，从运营管理（operations management）和信息系统（information systems）到金融、市场营销等多个方向，体现了应用分析（applied analytics）的跨学科性质。

　　具体而言，解读的文章展示了在多个行业的库存管理研究——平衡供需、优化成本、并尽量减少潜在损失。文章剖析各行业所采用的问题与方法，并阐明这些战略性实施所带来的切实收益。此外，还探讨了其中的重要管理洞见，并提出未来在该领域开展研究的方向。

　　本节中，文章记录了企业为高效、有效地管理库存而实施的库存流程优化实践，涵盖的行业包括零售、交通运输与物流、计算机硬件、以及其他行业。

　　Zhang X 等人 (2014) 的研究，作为 2014 年 Franz Edelman 奖入围成果，解决了 Kroger 公司在药品库存管理中的问题。在美国，Kroger 是一家领先的杂货零售商，其便利的一站式购物策略包括店内药房。如何管理门店中大量药品成为 Kroger 药房面临的挑战。过度备货会导致药品过期或因新药推出而淘汰；而库存不足则会造成处方药断货，从而降低客户忠诚度。管理层使用启发式规则和人工判断来决定每种药品在每家门店的库存策略，如再订购点和订购上限。然而，人工决策往往缺乏知识、技能和时间，导致库存过剩或药品断货。为应对这一问题，Kroger 药房与 Wright State University 合作，采用科学方法开展药品库存管理。

　　传统模型假设需求分布为单峰（unimodal），而药品需求分布往往为多峰（multi-modal），与实际不符；

　　药品库存问题包含多重成本结构，如持有成本、订购成本、部分或完全断货成本。

　　为此，团队开发了一种仿真优化（simulation-optimization）解决方案，能够捕捉需求分布的经验数据，并生成直观的结果。第一阶段，团队建立了一个 Excel 仿真模型，利用历史需求模式计算最优方案，并通过可视化结果缓解管理层对 OR 方法的抵触。但由于 Excel 模型不具备全国规模推广的可行性，团队随后使用 R 语言开发了采样路径仿真模型。实施该方法后，Kroger 获得了显著收益：

　　断货处方药数量下降，相关收入增加，每年带来约 8000 万美元额外收益；

　　平均库存天数由 45–38 天缩短，减少超过 1.2 亿美元的一次性库存投资；

　　该案例启示企业在引入新技术时，应逐步推进，从易用、直观的工具入手，降低员工和管理层的抵触，逐步培养其使用复杂技术的能力。Kroger 的方法也适用于其他销售易腐产品的行业，如肉类和海鲜业、时令商品（圣诞树、水果、报纸等）以及耐用品（手机、电脑、时尚商品等），帮助企业提升收入、降低成本，并改善客户满意度。

　　Caro F 等人 (2010) 的研究，作为 2010 年 Franz Edelman 奖入围成果，探讨了 Zara 在全球范围内的库存分配优化。Zara 以其快速且频繁的新品上新而闻名，每周两次从西班牙主要仓库向全球 1500 多家门店发货。关键问题在于如何决定每家门店应配送的每种尺码数量（多达 3000 个款式）。

　　该问题的复杂性在于：门店经理只能基于当前库存和历史销售做出有限的订货请求，而分销决策必须在极短时间内完成。Caro 团队与 Zara 合作开发了预测模型和优化模型，利用历史销售数据回归预测未来需求，再结合库存水平推导最优配送方案。模型使用 AMPL、ILOG CPLEX 等工具开发，用户界面采用 Visual FoxPro 实现。

　　实施结果表明，该方法提升了 Zara 的销售额 3–4%，每年额外贡献约 2.8 亿美元收入，并在 2007–2008 年分别增加 2.33 亿与 3.53 亿美元的利润。该项目显著提升了 Zara 员工对 OR 方法的认知与接受度，说明新技术导入需要配套的培训与沟通。

　　Deng Y 等人 (2023) 的研究，作为 2023 年 Franz Edelman 奖入围成果，探讨了阿里巴巴在电商供应链中采用技术驱动的数字化创新，解决预测、库存管理与价格优化问题。不同于传统方法，阿里巴巴开发了基于深度学习和仿真优化的 Falcon 算法，提升需求预测准确率 2–10%，并在 2014–2022 年间全面应用于平台。

　　库存管理：电商平台需针对易腐与非易腐产品、线上与线下渠道，设计差异化的库存策略；

　　阿里巴巴的 OR 团队通过 SOPT（simulation-based optimization for price and inventory）算法，将需求模式、存货寿命、消费行为等输入模型，进行多轮仿真与优化，获得最优解。实施结果显示：单级库存降低 37.4%，服务水平提高 1.3%；双级库存减少 33%，保持相同服务水平；促销模拟实现销售额提升 7%。最终，阿里巴巴每年节省 4200 万美元成本，并增加 3.7 亿美元收入。

　　该案例的管理启示是：现代 OR 模型与 AI 技术结合可广泛应用于电商、物流和制造业，推动实时决策与智能化管理。

　　Chen Y 等 (2021) 的研究，作为 2021 年 Franz Edelman 奖入围成果，研究了沃尔玛的多目标降价与库存优化问题。沃尔玛在美国 5000 多家门店，每年要处理约 1 万种商品的促销降价，挑战在于如何确定降价时机与幅度，保证销售完成率并提升收入。

　　沃尔玛数据科学团队提出价格–销量–时间的多目标优化模型，目标包括：（1）减少降价次数；（2）降低滞销品比例；（3）提高销售完成率（STR）。新系统将商品聚类，利用实验与预测模块估计最优降价策略。实施后，沃尔玛 STR 提升 21%，降价损耗率降低 7%，净收入提升 1.5–2.5%，并显著改善客户保留率。

　　该案例的启示是：在零售与电商环境下，OR 技术可通过聚类、实验与预测方法，优化库存与降价策略，帮助企业在保持低成本的同时提升客户满意度。

　　Beck J 等 (2021) 的研究，作为 2021 年 Franz Edelman 奖入围成果，研究了嘉年华邮轮公司 (Carnival Corporation) 的收益管理。嘉年华运营超过 100 艘邮轮，年接待约 26.5 万旅客。核心问题是如何通过票价与舱位分配优化来应对需求波动。嘉年华团队开发了 YODA（Yield Optimization and Demand Analytics）系统，基于二次规划和机器学习方法预测需求、票价与购买时机，再输入优化模块确定最优票价与库存分配。实施结果表明，该系统提升了净收入 1.5–2.5%，客户留存率提升约 1.5%。该案例表明，机器学习与优化结合的定价与库存模型可广泛应用于旅游、酒店与航空等易腐服务行业。

　　Smith 等（1992）的研究，探讨了美国航空的收益管理系统。该系统与制造业的库存控制类似，目标是在固定航班与价格结构下最大化收益。其功能包括：超售管理、折扣分配、流量管理。AA 的收益管理系统自 1960s 的初步模型发展至 1988 年的动态优化器（DINAMO），期间不断改进。研究指出该系统每年为 AA 带来约 14 亿美元收入提升，且损耗率仅为 3%。该案例说明决策技术和收益管理对航空、铁路等行业的存续至关重要。

　　Epstein 等（2012）的研究，作为 2012 年 Franz Edelman 奖入围成果，分析了智利南美轮船公司（CSAV）的空集装箱优化问题（Empty Container Problem）。CSAV 作为拉美最大的航运公司，需要协调全球 40 多条航线 多名员工。其挑战在于：区域间需求不平衡、不确定性多、信息传递复杂。研究团队提出 ECO（Empty Container Optimization）模型，分为两阶段：首先用库存模型确定安全库存水平；其次用多期网络流模型优化集装箱再配置。实施结果表明，该模型帮助 CSAV 节省约 8100 万美元，并提升数据实时处理和决策质量。该案例表明，OR 技术在物流与供应链优化中能有效解决复杂问题，并可推广至电商与制造业，用于快速响应市场变化。

　　Manary 等（2019）的研究讨论了 Intel 在 2000 年代中期应对客户投诉增加与业务规模扩大的库存管理举措。2005 年，Intel 的供应链设计与分析团队实施了一种基于保障服务水平的库存优化工具，用于有效管理安全库存。

　　该举措使 Intel 在盒装 CPU 渠道业务线%，订单履约率提升，II 类服务水平达到 90%。由于试点项目成功，SCDA 将该方法扩展至 Intel 其他业务线。然而，项目在产品层面遇到预测偏差与需求波动的挑战，这促使 SCDA 从启发式的目标设定转向自动化、集成化的周度库存规划。

　　团队推出的多级库存优化方法，着重调整预测偏差和增强需求方差估计。2005–2012 年间，该方法在 CPU 业务中应用，显著提高了服务水平并降低了库存周转天数。2011 年，MEIO 被进一步扩展到 Intel 的供应商管理库存中心，实现每日补货。2013–2014 年间，Intel 成品库存减少 6 亿美元，两年内库存成本下降 9000 万美元。2014–2017 年间，MEIO 管理了约 70% 的成品库存，累计贡献超过 13 亿美元毛利润。

　　该研究表明，Intel 的 MEIO 方法区别于传统学术模型，不仅仅追求成本最小化，而是重点降低预测误差和方差。它展示了先进分析与运筹学在供应链管理中的深远影响，强调了企业需采用数据驱动方法应对复杂供应链挑战，同时培养供应计划人员的数据意识和战略思维。

　　Lin 等（2000）的研究考察了 IBM 开发与实施资产管理工具（AMT, Asset Management Tool）的战略举措。其目标是在维持低库存水平的同时，提升 IBM 对客户需求的响应能力。AMT 是 IBM 在 20 世纪 90 年代中期对供应链进行全面改造的一部分，旨在优化业务流程并增强物料与信息流动。重点在于通过提高运营速度、可靠性与效率，改善客户满意度与市场竞争力。AMT 被设计为一个多功能解决方案，包括图形化流程建模、绩效优化、仿真、基于作业的成本计算和企业数据库集成。其用途涵盖预算、客户服务基准和新产品导入等。实施 AMT 后，IBM 在 1998 年减少了 7.5 亿美元的物料与价格保护成本，同时帮助业务伙伴以更低库存满足客户需求，并促进与合作伙伴的协同。研究显示，AMT 显著提升了 IBM 的供应链响应速度与效率，展示了此类系统在零售、制造和电商中的可扩展性与价值。

　　Cohen 等（1990）的研究介绍了 IBM 在其美国服务支持网络中实施的 Optimizer 系统，用于多级库存管理，目标是提升售后服务质量。此前，IBM 使用国家服务部门的遗留系统进行库存管理，效率低下。Optimizer 系统整合了预测、规划和补货，显著提升了库存投资回报率与服务响应能力。其成果包括：库存投资减少 20–25%，运营节省 20 亿美元，客户满意度和组织协调性提升。研究表明，该系统的价值不仅限于 IBM 内部，也为其他面对快速技术演化与客户期望增长的企业提供了借鉴。

　　Ward 等（2010）的研究讨论了 HP 在其多样化产品组合中面临的库存管理挑战。HP 经营超过 2000 种打印机 SKU 和数百万配置订单的笔记本及台式机。产品种类的庞大复杂性导致运营成本增加、预测准确性下降、客户满意度受损。HP 引入 ROI（return on investment）与 RCO（Revenue Coverage Optimization）工具来管理新品发布与产品组合优化。通过这些工具，HP 成功减少了 SKU 数量（2006–2009 年间减少 40%）、降低 2004–2008 年间 1100 万美元的管理成本，并提升了每年约 1.8 亿美元的收益。研究表明，采用 OR 方法优化产品组合和库存政策，不仅能改善运营效率，还能提高客户满意度，并帮助企业在复杂市场中保持竞争力。

　　Kleutghen 和 McGee（1985）的研究分析了辉瑞（Pfizer）在应对高利率与快速扩张压力时，实施综合库存管理系统的经验。辉瑞在 65 个国家的五个主要业务板块中运营，包括制药业务。研究指出，辉瑞通过集中化库存功能，改进库存预测与分类，大幅度降低库存波动。结果显示，库存减少 7.93 百万美元，积压订单减少 95%，客户服务水平提高至 99.98%。研究启示：集成化库存模型具有高度灵活性，可推广到制药以外的行业，尤其适用于多业务单元企业。

　　Jones 等（2003）的研究讨论了先正达（Syngenta）在玉米种子生产中的挑战，主要涉及长生长周期带来的需求预测不确定性。研究提出了两阶段动态规划模型，分别应对北美与南美的生产决策，目标是最大化毛利率。该模型使用历史销售数据、种植与收割成本、需求概率分布等信息进行预测与决策。实施结果显示，Syngenta 通过减少预测偏差提高了预测准确性，并采用更灵活的生产策略来应对市场波动，额外增加了 9500 万美元利润。该案例展示了农业行业在面对高度不确定性时，如何通过 OR 模型优化决策。

　　Chao 等（1989）的研究探讨了电力研究院（EPRI, Electric Power Research Institute）开发的燃料库存管理模型。该模型用于帮助电力行业在波动需求与供应中，平衡库存成本与短缺风险。该模型由三个子模型组成：策略开发、应急管理、仿真与成本分析。其方法被超过 79 家电力公司采用，每年为行业节省 50–500 百万美元。研究表明，UFIM 不仅帮助电力行业节约燃料库存成本，还为油气等其他受供应不确定性影响的行业提供了借鉴。研究强调：在自然灾害、极端天气、政治动荡和疫情（如 COVID-19）等情况下，企业必须平衡库存成本与风险。采用 OR 与仿真方法能帮助管理者确定最优订货量，从而降低成本并提升利润。

　　解读的文章全面回顾了 1985–2023 年间被提名为 Franz Edelman 奖入围者并发表在 INFORMS Journal on Applied Analytics 上的研究。这些研究展示了 OR/MS 方法在库存管理中的变革性作用，覆盖多个行业，突出了理论模型的实践应用，并表明不同企业通过这些方法获得了显著的财务与运营收益。

　　上表中，文章总结了各公司在财务影响、改进指标及所采用方法上的情况。其中，方法论部分尤其揭示了多样化的 OR/MS 技术，从仿真优化、多级库存优化，到深度学习、高级预测。财务影响则以节省金额、收入增加或百分比提升的形式呈现，以便于跨行业与不同时间段的比较。

　　这些入围案例所发展的创新型库存管理与风险控制方法，展示了将先进分析与 OR/MS 方法论融入战略决策过程的重要性。例如，Kroger 与 Alibaba 的自适应库存管理方案凸显了库存政策与动态市场条件和客户需求模式对齐的必要性，以提升运营效率和客户满意度。Zara 与 Walmart 的案例则强调了优化库存分配与降价策略在改善财务表现与市场响应速度上的价值。American Airlines 与 Carnival Corporation 的案例展示了数据分析在需求预测与定价中的成功应用，为具有动态需求结构的易腐服务提供了有力支持。这些例子表明，不同行业的管理者可以借鉴多样化解决方案，以持续改进库存管理实践。

　　本研究总结的多种先进建模方法——包括仿真优化、深度学习与高级预测、动态定价与收益管理、随机建模——代表了库存管理领域的重要方法论进展。它们在实际中的成功应用，为进一步创新提供了催化剂。这些进展的影响体现在企业所实现的大量运营和财务效益之中。

　　四类突出的技术中，随机建模最早出现，IBM 在 1990 年用其开发 Optimizer 系统来管理备件库存。Intel 在 2019 年将随机建模应用于多级库存优化，继续体现其重要性。动态定价与收益管理可追溯到 1990 年代初，如 American Airlines 在 1992 年通过收益管理提升航班收益，Zara 在 2010 年通过预测优化货运分配。这些方法虽在当下相对少见，但在特定应用中依然有用。相比之下，仿真优化和深度学习/高级预测则是近年来的新兴主流，代表性案例包括 Kroger 在 2014 年的药房库存优化、Alibaba 在 2023 年的 Falcon 算法，以及 Carnival Corporation 在 2021 年的 YODA 系统。这些案例凸显了技术与方法论创新在提升效率与竞争力中的核心作用。

　　近期解决方案正逐步迈向前沿方法，如深度学习与高级预测。展望未来，OR/MS 与前沿技术的交叉——如物联网、区块链、人工智能——为提升库存管理实践提供了新的机遇。例如，物联网通过实时跟踪与自动化流程改善仓储管理效率；生成式 AI则被视为可用于增强预测分析和决策过程，从而构建更动态、响应性更强的库存系统。

　　此外，混合方法论应用值得关注。例如，将物联网用于实时数据采集，将 AI 用于预测，将区块链用于安全透明的交易。已有企业采用 IoT 传感器与区块链相结合，确保供应链中的数据完整性与可追溯性。案例如 IBM Food Trust，利用物联网传感器采集食品运输过程中的实时温湿度数据，并存储于区块链上，从而验证食品的真实性与安全性。这类方法能构建稳健框架，使库存管理更高效、更具韧性。

　　最后，未来研究还应更加关注可持续性维度，例如废弃物减少、资源优化和供应链环境足迹的最小化。这些研究方向与全球可持续实践的趋势一致，有助于构建兼顾经济、运营与环境的全面库存管理模式。

　　「运筹OR帷幄」原创的《鲁棒优化入门》电子书正在GitHub更新中，欢迎复制链接阅读

　　电子书：免费获取平台小编独家创作的优化理论、运筹实践和数据科学电子书，持续更新中ing...

　　特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

　　4-0！欧冠头号夺冠热门诞生：开局12战全胜进44球！改写125年历史

　　2人切割小区23部电梯钢绳，业内人士：打开门需三角钥匙，需对电梯有一定了解，律师：行为人已涉嫌构成“以危险方法危害公共安全罪”

　　四川一老板回应10元1克收了小孩72克黄金：怕孩子找不正规渠道卖掉，已还给家长

　　99%将卫冕！梅西入选MVP候选名单+独造45球 场均8.53分美职联最高

　　独家｜对话北京人形机器人创新中心CTO唐剑：世界模型有望带来具身智能的“DeepSeek时刻”