周楷竣 張宇

摘 要： 在這個全球化時代，大數(shù)據(jù)正日益成為各行各業(yè)都需要考慮的重要企業(yè)組織力量。數(shù)據(jù)分析的存在為獲取、存儲和分析各種來源產(chǎn)生的海量數(shù)據(jù)以獲得增值提供了更多的功能。隨著數(shù)據(jù)可用性的增加，以及機器學(xué)習(xí)和優(yōu)化方法的最新進展，數(shù)據(jù)分析在運營管理問題上的應(yīng)用越來越多。在本文中，我們回顧了數(shù)據(jù)分析在運營管理中的最新應(yīng)用，試圖深入研究“大數(shù)據(jù)”在運營管理中的應(yīng)用和分析，以及該研究領(lǐng)域的趨勢和前景。

關(guān)鍵詞： 數(shù)據(jù)分析;運營管理;機器學(xué)習(xí)

中圖分類號： F 062.5

文獻標(biāo)志碼： A

A Review of Researches on the Application of Data Analysisin Operation Management

ZHOU Kaijun ZHANG Yu

（School of International Business Administration， Shanghai International Studies University， Shanghai 201600）

Abstract： In this era of globalization， big data is increasingly becoming an important corporate organization force that all walks of life need to consider. The existence of data analysis provides more functions for obtaining， storing and analyzing the massive data generated from various sources to obtain value-added. With the increase in data availability， as well as the latest developments in machine learning and optimization methods， data analysis is increasingly used in operational management issues. In this article， we reviewed the latest applications of data analysis in operation management， and tried to deeply study the application and analysis of “big data” in operation management， as well as the trends and prospects of this research field.

Key words： data analysis; operation management; machine learning

1 全渠道零售和地理位置的優(yōu)化

1.1 全渠道零售

全渠道零售是企業(yè)為了滿足消費者任何時候、任何地點、任何方式購買的需求，采取實體渠道、電子商務(wù)渠道和移動電子商務(wù)渠道整合的方式銷售商品或服務(wù)，提供給顧客無差別的購買體驗（李飛，2013）。但是全渠道零售也對企業(yè)的地理位置以及庫存管理提出了更高的要求。Glaeser等人（2018）考慮了一個真正的“在線購買，實體店取貨”零售商所面臨的位置問題，這些零售商通過停放在容易到達(dá)的地點（如學(xué)?；蛲＼噲觯┑乃拓浛ㄜ噥硗瓿稍诰€訂單。零售商需要決定在什么地點和時間擺放卡車，以實現(xiàn)利潤最大化。為了解決這個問題，文章首先構(gòu)建了一個隨機森林模型需求預(yù)測在給定的位置在一個給定的時間，使用一組不同的獨立變量，如人口屬性的位置（總?cè)丝?、人口與高等學(xué)歷，中等收入，等等），零售商的業(yè)務(wù)屬性（如零售商提供送貨到家服務(wù)，是否在這個位置），和其他位置屬性（例如，附近競爭企業(yè)的數(shù)量）。然后采用固定效應(yīng)回歸來解釋同類相食效應(yīng)。利用該零售商的數(shù)據(jù)，文章展示了基于貪心構(gòu)造和交換思想的啟發(fā)式方法，以及結(jié)合隨機森林和固定效應(yīng)模型，最終使收益提高36%。

計國君等人（2016）構(gòu)建了大數(shù)據(jù)驅(qū)動下的全渠道運營服務(wù)創(chuàng)新決策框架。全渠道運營會加劇產(chǎn)品供給與需求間的不匹配性，所以數(shù)據(jù)信息就變得非常重要。作者從大數(shù)據(jù)中獲得全渠道運營的服務(wù)創(chuàng)新相關(guān)因素，基于戰(zhàn)略顧客行為的普遍性與全渠道競爭的現(xiàn)實性，構(gòu)建基于大數(shù)據(jù)驅(qū)動下全渠道運營服務(wù)創(chuàng)新的決策框架。由于貝葉斯網(wǎng)絡(luò)可以有效利用所有可用的數(shù)據(jù)，診斷出導(dǎo)致高消費者偏好的原因， 并將專家知識表示成一組變量間的關(guān)系。鑒于此，文章借助貝葉斯網(wǎng)絡(luò)連接各種數(shù)據(jù)流的數(shù)據(jù)，在全渠道鏈中預(yù)測市場服務(wù)需求，建立基于大數(shù)據(jù)的全渠道運營服務(wù)創(chuàng)新決策框架。Acimovic和Graves（2014）研究了如何管理大型在線零售商的全渠道運營。文章主要內(nèi)容是解決如何以最小化的出港運輸成本來滿足每個顧客訂單需求的這個問題。作者提出了一種啟發(fā)式的實現(xiàn)決策方法，通過最小化當(dāng)前的出境運輸成本，加上對未來出境運輸預(yù)期成本的估計來實現(xiàn)。這些估計是從一個運輸線性規(guī)劃的對偶值得到的。通過對行業(yè)數(shù)據(jù)的實驗，該模型在透視的前提下捕獲了36%的機會缺口，從而使出港運輸成本降低了約1%。

1.2 地理位置路徑優(yōu)化

除了全渠道零售外，地理位置的路徑優(yōu)化也是運營管理的研究重點。He等人（2017）研究了如何為電動汽車共享服務(wù)設(shè)計服務(wù)區(qū)域的問題。文章主要內(nèi)容是研究Car2Go、DriveNow和Autolib這類汽車共享公司如何規(guī)劃顧客的服務(wù)區(qū)域問題，即在哪些地區(qū)允許顧客取車和還車;同時服務(wù)區(qū)域反過來又決定了公司的投資決策，比如車隊需要多大，充電站應(yīng)該設(shè)在哪里等。這種地理設(shè)置的主要難點在于顧客用車方面存在不確定性，這取決于服務(wù)覆蓋了哪些地區(qū)。為了解決這一問題，作者提出了一個整數(shù)規(guī)劃問題，其中客戶的用車通過效用模型表示;由于對這種效用模型進行校準(zhǔn)的數(shù)據(jù)有限，文章使用分布魯棒優(yōu)化方法（Delage and Ye，2010）來計算客戶用車過程中的不確定性。利用來自Car2Go的數(shù)據(jù)，作者將這種方法應(yīng)用于圣地亞哥的服務(wù)區(qū)設(shè)計，并將這種方法與其他方法相對比，證明了該方法確實可以為公司帶來更多的回報。

2 庫存管理

Ban和Rudin（2019）考慮了一種數(shù)據(jù)驅(qū)動的庫存管理方法。這篇論文研究的背景是當(dāng)一個人觀察到需求，同時有可能預(yù)測需求的特征，如天氣預(yù)報或經(jīng)濟指標(biāo)，消費者價格指數(shù)等。為了在這種情況下做出最優(yōu)庫存決策，通常情況下人們可能會考慮建立一個依賴于特性的需求分布，然后為該分布找到與給定特性實現(xiàn)相對應(yīng)的最優(yōu)訂單數(shù)量。然而Ban和Rudin（2019）的論文提出了兩種替代方法。第一種，基于經(jīng)驗風(fēng)險最小化，涉及通過解決單個問題來找到訂單數(shù)量，其中決策變量是將特征映射到訂單數(shù)量的決策規(guī)則，目標(biāo)是最小化基于樣本的成本估計。第二種方法是利用核回歸建模條件需求分布，并應(yīng)用排序算法確定最優(yōu)訂貨數(shù)量。文章利用英國一家大型教學(xué)醫(yī)院的數(shù)據(jù)，并將這兩種方法應(yīng)用于醫(yī)院急診室的護士人員配備問題。研究發(fā)現(xiàn)在樣本外成本方面，所提出的方法比最佳實踐基準(zhǔn)測試高出24%。

類似的，Bertsimas和Kallus（2019）研究了如何根據(jù)以往的銷售數(shù)據(jù)更好的預(yù)測新產(chǎn)品銷量的一種方法，進而更好的進行商品的庫存管理。作者首先建立一個機器學(xué)習(xí)模型來預(yù)測不確定量作為上下文信息的函數(shù)，即在文章研究的庫存示例中將需求預(yù)測為產(chǎn)品屬性的函數(shù)。然后使用機器學(xué)習(xí)模型來獲得一個特定環(huán)境的條件分布，就這個條件分布來解決庫存樣本均值近似問題。在庫存設(shè)置中，文章考慮使用回歸樹預(yù)測給定產(chǎn)品屬性向量的需求。如果沿著回歸樹運行產(chǎn)品的屬性向量，將得到一個點預(yù)測，但是通過考慮歷史需求，還可以得到條件分布的估計。針對特定類型的機器學(xué)習(xí)模型，作者給出了這個過程的理論保證，證明了該過程隨著觀察量的增長而漸近最優(yōu)性。文章最終將該方法應(yīng)用于一個真正的分銷問題，即需要在不同零售地點管理不同產(chǎn)品的庫存的媒體公司。作者構(gòu)建了需求的機器學(xué)習(xí)模型，將其作為商店位置、電影屬性（如類型、爛番茄評分、票房收入等）和其他大規(guī)模信息（如對電影的本地化搜索查詢）的函數(shù)。最終結(jié)論展示了該方法如何能夠?qū)闼胤椒ǎú豢紤]上下文數(shù)據(jù)）和完美預(yù)見方法（在實現(xiàn)需求之前就知道需求）之間的成本差距縮小88%。

周思雨（2019）等人在研究庫存管理策略時還考慮了不確定性的影響?？蛻粜枨蟛淮_定性會導(dǎo)致需求信息偏差逐級放大進而產(chǎn)生“牛鞭效應(yīng)”，這種不確定性會嚴(yán)重影響庫存管理策略。為實現(xiàn)需求不確定情況下兩級運營系統(tǒng)成本最優(yōu)，作者提出使用魯棒優(yōu)化方法的聯(lián)合補貨策略，將魯棒優(yōu)化理論運用到求解運營系統(tǒng)補貨的過程中，構(gòu)建一個非線性混合整數(shù)規(guī)劃模型以計算兩級運營的總成本。通過總成本的變化來反映運營系統(tǒng)的性能，采用魯棒優(yōu)化法求解運營系統(tǒng)的最小總成本，并使用外部和內(nèi)部兩層迭代算法獲得供應(yīng)商和零售商的補貨周期及補貨數(shù)目。實驗結(jié)果表明，該方法可以有效降低需求不確定性對運營系統(tǒng)的影響，減少運營系統(tǒng)的總成本。與傳統(tǒng)的運營策略ERI和AR相比，該策略也可有效降低運營系統(tǒng)的總成本。

3 結(jié)論與展望

3.1 結(jié)論

本文主要對于數(shù)據(jù)分析近幾年在運籌學(xué)中的運用做了一定總結(jié)，主要內(nèi)容是關(guān)于運營管理優(yōu)化。利用機器學(xué)習(xí)和優(yōu)化方法，我們可以使用大規(guī)模數(shù)據(jù)用于復(fù)雜的決策制定。從文中的回顧我們可以看出在機器學(xué)習(xí)以及數(shù)據(jù)分析的介入下，運營管理的成本與之前相比均有了明顯提升。在如今萬物互聯(lián)的時代，海量的數(shù)據(jù)會為我們提供巨大的隱藏信息，數(shù)據(jù)分析為我們獲取這些信息提供了可能。與數(shù)據(jù)分析相結(jié)合是運營管理未來發(fā)展的一個重要方向，希望本文可以為學(xué)者今后研究這方面的內(nèi)容提供一些幫助。

3.2 未來研究展望

由于機器學(xué)習(xí)模型大多數(shù)都是“黑盒”，因此可解釋性就是未來研究運營管理模型的一個重要研究方向?？山忉屝允侵敢粋€可解釋的模型是一個人可以很容易地看到和理解模型如何將觀察映射到預(yù)測的模型（Freitas，2014）?？山忉屝允菣C器學(xué)習(xí)的一個主要研究領(lǐng)域，可解釋模型可以提供黑盒模型（如隨機森林和神經(jīng)網(wǎng)絡(luò)）無法提供的對預(yù)測問題的洞察。由于機器學(xué)習(xí)模型通常不會直接影響決策，而是向決策者做出預(yù)測或建議，因此在許多情況下，決策者不太可能接受機器學(xué)習(xí)模型提出的建議，因為他們沒有能力理解建議是如何提出的，例如在醫(yī)學(xué)領(lǐng)域。此外，也有越來越多的立法要求影響用戶的算法必須能夠?qū)λ麄兊臎Q定提供解釋。隨著基于機器學(xué)習(xí)的不斷發(fā)展，可解釋的決策將成為運營管理的一個重要研究領(lǐng)域。

另一個可能的研究方向是“預(yù)測優(yōu)化”的新思路。前人的研究大多數(shù)依賴于“預(yù)測然后優(yōu)化”的范式，即首先使用數(shù)據(jù)構(gòu)建預(yù)測模型，然后將該模型嵌入優(yōu)化問題的目標(biāo)函數(shù)中。然而，這樣的模型不一定會導(dǎo)致好的樣本外決策。Elmachtoub和Grigas （2017）的論文提出，與其估算模型，不如將測量預(yù)測性能的損失函數(shù)最小化，該論文建議將與模型產(chǎn)生的決策的目標(biāo)值相關(guān)的損失函數(shù)最小化。文章展示了這種新的估計方法如何導(dǎo)致在基本問題上優(yōu)于傳統(tǒng)方法的決策，如最短路徑、分配和投資組合選擇問題。考慮到運營管理的說明性焦點，這項工作強調(diào)了重新審視機器學(xué)習(xí)模型是如何為運營管理中的說明性應(yīng)用程序構(gòu)建的潛在機會。

參考文獻：

[1]計國君， 余木紅， Tan K H. 大數(shù)據(jù)驅(qū)動下的全渠道運營服務(wù)創(chuàng)新決策框架. 商業(yè)研究， 2016（8）：152-162.

[2]李飛. 全渠道零售的含義、成因及對策——再論迎接中國多渠道零售革命風(fēng)暴. 北京工商大學(xué)學(xué)報（社會科學(xué)版）， 2013，28（2）： 1-11.

[3]周思雨， 李學(xué)俊， 徐佳， 等. 基于魯棒優(yōu)化的運營聯(lián)合補貨策略. 計算機工程， 2019，45（11）： 309-314，320.

[4]ACIMOVIC J， GRAVES S C. Making better fulfillment decisions on the fly in an online retail environment. Manufacturing & Service Operations Management， 2014，17（1）： 34-51.

[5]BAN G Y， RUDIN C. The big data newsvendor： Practical insights from machine learning. Operations Research， 2018，67（1）： 90-108.

[6]BERTSIMAS D， BROWN D B， CARAMANIS C. Theory and applications of robust optimization. SIAM Review， 2011，53（3）： 464-501.

[7]BERTSIMAS D， KALLUS N. From predictive to prescriptive analytics. Management Science， 2019，66（3）： 1025-1044.

[8]DELAGE E， YE Y. Distributionally robust optimization under moment uncertainty with application to data-driven problems. Operations Research， 2010，58（3）： 595-612.

[9]DAVENPORT T， HARRIS J， MORISON R. Analytics at work： Smarter decisions better results. Boston： Harvard Business School Press，2010.

[10]ELMACHTOUB A N， GRIGAS P. Smart “predict， then optimize.” Working Paper， Columbia University， New York， 2017.

收稿日期：2021-07-28

基金項目：上海外國語大學(xué)第四屆導(dǎo)師學(xué)術(shù)引領(lǐng)計劃項目“董事會異質(zhì)性對逆向跨國并購結(jié)果影響研究——基于大數(shù)據(jù)分析技術(shù)

作者簡介：周楷竣（1994—），男，遼寧遼陽人，上海外國語大學(xué)碩士研究生，研究方向商業(yè)分析，E-mail： zhoukaijun12@126.com。