Lagra för mycket av en produkt, eller inte tillräckligt, kostar återförsäljare hundratals miljarder dollar årligen. Om de lagrar för lite och tar slut, kunden kommer sannolikt att ta sina företag någon annanstans, kostar återförsäljaren pengar. Om de lagrar för mycket, fastän, återförsäljaren slutar med överskottslager.

En kommande tidning in Operationsforskning , medförfattare av MIT Sloan gästprofessor Amr Farahat, PhD '04, och Joonkyum Lee, en biträdande professor vid Sogang Business School i Sydkorea, presenterar ett nytt sätt att ta itu med detta problem. Deras datadrivna tillvägagångssätt kan hjälpa återförsäljare att fatta mer välgrundade beslut och öka vinsten.

Även om det kan verka rimligt att låta återförsäljare bara fylla på en vara när de tar slut, det tillvägagångssättet fungerar inte för många. "Shoppare kommer inte att vänta tills återförsäljaren fyller på med att göra ett köp, " sa Farahat.

Istället, återförsäljare måste förutsäga i förväg hur mycket de kommer att sälja av specifika varor. Det är inte lätt – särskilt för produkter vars påfyllningstider är långa jämfört med varaktigheten av deras högsäsong.

Effekten av substitution

Att hjälpa, Farahat och Lee har utvecklat vad de kallar den ungefärliga likhetstransformationen.

"Denna algoritm inser att det finns ett samband mellan hur mycket återförsäljare har i lager och deras vinster. Detta förhållande är komplicerat, så vi ersatte den med en enklare som ger en övre gräns för försäljningen, men det är en snäv övre gräns. Att hantera det enklare, ändå ungefärlig, säljfunktion leder så småningom till bättre beslut, " sa Farahat.

Återförsäljare baserar vanligtvis sina lagerbeslut på tidigare försäljningar samtidigt som de tar hänsyn till årstiden, hur ekonomin går, vad är på modet, och vilka nya produkter som har kommit ut som förväntas sälja, bland annat.

Enligt Farahat, om en återförsäljare har en enskild vara i lager, Det är enkelt att bestämma den optimala mängden lager att bära. När en säljare säljer många varor, detta blir mer komplicerat på grund av att kunder byter ut en vara med en annan. "Om jag vill köpa en randig blå skjorta i present, och jag hittar inte den storlek jag behöver i lager på Macy's, istället för att bestämma sig för att köpa presenten i en annan butik, Jag kanske tittar på en solid blå skjorta, en randig lila skjorta, eller ett annat märke. Komplexa substitutionseffekter pågår – det är konsumenternas val, " sa Farahat.

Eftersom konsumenter kan fatta hur många beslut som helst baserat på det lager som är tillgängligt, det är praktiskt taget omöjligt att fastställa optimala lagernivåer. "Matematiskt, detta är bland de mest utmanande problemen inom datavetenskap, " sa Farahat.

Ett datadrivet tillvägagångssätt

Att fastställa exakt optimala lagerbehov är ouppnåeligt, men den ungefärliga likhetstransformationen ger rekommendationer baserade på "bevisligt goda approximationer." Farahat och Lees forskning visar att genom att följa dessa rekommendationer, vissa återförsäljare kan förvänta sig vinstökningar på 2-3 procent.

Den uppnår detta genom att använda de uppgifter som återförsäljare redan har samlat in om sina kunder, som trafikförväntningar baserade på säsong och hur deras konsumenter gör val. Den approximerar sedan en försäljningsprognos som kan hjälpa till med lagerbeslut.

"Vi försöker komma med rekommendationer för återförsäljare som de kan använda som utgångspunkt för sina slutgiltiga beslut. För att vi ska kunna göra det måste vi bygga vidare på de prediktiva analysmöjligheter som många återförsäljare redan håller på att utveckla, " sa Farahat.

När företag finslipar sina datainsamlingsmöjligheter, kvaliteten på den datan kommer att förbättras – och Farahat och Lees algoritm kommer att bli mer användbar. "När dessa modeller och prognoser blir mer exakta, detta föreskrivande beslutsfattande blir mer relevant, sa Farahat.

Dela forskningen

Farahat och Lee har kört tusentals numeriska experiment baserade på återförsäljares erfarenheter för att testa deras algoritm. Dessa tester har alla indikerat att algoritmen fungerar lika bra eller bättre än tidigare metoder för att hjälpa återförsäljare att planera sitt lager eftersom den ger strängare övre gränser, eller mer exakta vinstförväntningar, i mer än 99 procent av testerna.

The researchers would still like to test the approximate similarity transformation with retailers. Tills vidare, fastän, 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."