📈 economics

Experimental Designs for Multi-Item Multi-Period Inventory Control

Questo articolo investiga i bias sistematici inerenti ai design standard di A/B testing per sistemi di inventario multi-articolo e multi-periodo dovuti al carryover temporale e alla cannibalizzazione, proponendo e validando un design sperimentale a coppie che mitiga efficacemente tali effetti di interferenza.

Autori originali: Xinqi Chen, Xingyu Bai, Zeyu Zheng, Nian Si

Pubblicato 2026-07-16

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Xinqi Chen, Xingyu Bai, Zeyu Zheng, Nian Si

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere il capitano di un enorme emporio galleggiante che naviga attraverso il tempo. Ogni giorno devi decidere quanto rifornire di ogni singolo articolo — dalle banane alle batterie. Se sbagli il colpo e rimani senza, i clienti se ne vanno a mani vuote (una "vendita persa"). Se invece esageri, sprechi denaro per conservare cose che potrebbero marcire. Ora, immagina di voler testare un nuovo modo più intelligente per fare queste stime. Non puoi provarlo su tutta la nave in una volta sola perché, se fallisce, perdi tutto. Così, decidi di fare una "prova su strada". Dividi la tua ciurma in due gruppi: un gruppo continua a usare il vecchio metodo di stima (il "controllo"), mentre l'altro prova il nuovo metodo (il "trattamento"). Questo è chiamato un test A/B, lo standard d'oro per capire se una nuova idea funziona davvero.

Ma ecco la parte complicata: la tua nave ha uno spazio limitato nella sua stiva. Se il gruppo del "nuovo metodo" ordina troppe banane, potrebbero occupare tutto lo spazio, lasciando nulla per le mele del gruppo del "vecchio metodo". O, se il nuovo metodo lascia un enorme mucchio di banane invendute oggi, quelle banane potrebbero essere ancora lì domani, rovinando il test per il giorno successivo. Nel mondo della scienza, questo è chiamato "interferenza" — ovvero quando il test di una cosa cambia accidentalmente i risultati dell'altra. La grande domanda è: come si esegue un test equo su una nave alimentare affollata e viaggiante nel tempo senza che i risultati vengano compromessi dai limiti della stiva o dai residui di frutta?

Questo articolo approfondisce esattamente quel problema, specificamente per i sistemi di inventario con vendite perse e limiti di capacità. Gli autori, Xinqi Chen e colleghi, agiscono come detective che indagano su tre diversi modi per eseguire questi test: lo Switchback (dove l'intera nave passa da un metodo all'altro ogni pochi giorni), la Randomizzazione a livello di articolo (dove articoli specifici sono assegnati permanentemente al vecchio o al nuovo metodo) e la Randomizzazione a coppie (un mix dove ogni singolo articolo, ogni singolo giorno, riceve il proprio lancio di moneta). Hanno scoperto che il modo "migliore" per testare dipende interamente da cosa c'è che non va nel vecchio metodo di stima.

Se il vecchio metodo sottostimava costantemente quanto la gente volesse comprare (un "bias della media"), il test Switchback è una trappola. Tende a far sembrare il nuovo metodo peggiore di quanto sia in realtà a causa dell'inventario residuo dei giorni "buoni" che si trascina nei giorni "cattivi". Nel frattempo, il test a Livello di articolo tende a far sembrare il nuovo metodo troppo bravo perché i nuovi articoli monopolizzano lo spazio limitato sugli scaffali, affamando i vecchi articoli e facendo apparire il nuovo metodo come un eroe. In questo caso, gli autori hanno scoperto che la Randomizzazione a coppie è il punto di equilibrio, bilanciando questi errori.

Tuttavia, se il vecchio metodo stava in realtà indovinando il numero medio di vendite ma era solo molto "nervoso" o imprevedibile (un problema di "dispersione"), la storia si ribalta. Ora, il test Switchback fa sembrare il nuovo metodo, più stabile, ancora migliore di quanto sia (perché il nuovo metodo lascia meno inventario disordinato in eccesso), mentre il test a Livello di articolo funziona perfettamente e fornisce una risposta imparziale. Il test A coppie, in questo scenario, inizia a soffrire dello stesso "bias dei residui" dello Switchback.

Gli autori non si sono limitati a indovinare questi esiti; hanno costruito complessi modelli matematici per dimostrare la direzione di questi bias e hanno eseguito migliaia di simulazioni al computer per verificarli. Hanno persino testato le loro teorie su dati reali provenienti da una rete di vendita al dettaglio di prodotti freschi (FreshRetailNet-50K), dove hanno simulato rotture di stock e scambi di articoli da parte dei clienti quando la loro prima scelta non era disponibile. I risultati hanno confermato le loro ipotesi: gli stessi meccanismi che causavano bias nei loro modelli matematici semplici causavano bias anche nel mondo reale e disordinato.

Quindi, qual è l'insegnamento per il capitano dell'emporio galleggiante? Non scegliere un metodo di test solo perché sembra interessante. Se stai cercando di correggere un metodo che sottostima costantemente la domanda, evita di cambiare l'intero approccio della nave avanti e indietro; invece, prova ad assegnare diversi articoli a diversi metodi, o usa il sapiente mix "A coppie". Ma se stai testando un metodo che è solo più costante e meno nervoso, puoi tranquillamente legare gli articoli ai loro metodi per il lungo periodo. L'articolo avverte che l'uso cieco del popolare metodo "Switchback" nei sistemi di inventario è rischioso e porta spesso a errori sistematici, dimostrando che nel caotico mondo dell'inventario, una soluzione unica non va bene per tutti.

Sintesi Tecnica: Disegni Sperimentali per il Controllo dell'Inventario Multi-Item e Multi-Periodo

Definizione del Problema
Sebbene gli esperimenti randomizzati (A/B testing) rappresentino il gold standard per la valutazione degli interventi nelle piattaforme digitali e nell'economia, essi rimangono sottoutilizzati nella gestione dell'inventario. La valutazione tradizionale in questo dominio si affida alla simulazione, che presenta tuttavia limitazioni significative: i dati sull'inventario sono censurati (la domanda non soddisfatta è inosservabile), i comportamenti dei clienti post-rottura di stock (sostituzione, abbandono) sono complessi da modellare e le simulazioni ad alta fedeltà sono computazionalmente costose. Questo articolo affronta il divario analizzando le strategie di A/B testing per la valutazione di politiche di controllo dell'inventario in sistemi multi-item, multi-periodo con vendite perse e vincoli di capacità di magazzino. La sfida principale è che i disegni sperimentali standard spesso violano l'Assunzione di Valore di Trattamento di Unità Stabile (SUTVA) a causa dell'interferenza: effetti di carryover temporale nei disegni basati sul tempo e effetti di cannibalizzazione tra gli item sotto vincoli di capacità condivisi.

Metodologia e Formulazione del Modello
Gli autori modellano un sistema di inventario a revisione periodica con $N$ item e una capacità condivisa $B$ su $T$ periodi. La domanda non soddisfatta è considerata persa. Il sistema impiega una Politica Miopica Chiaroveggente (Myopic Clairvoyant Policy), che ottimizza i premi attesi del singolo periodo date le stime della domanda, fungendo da euristica per ambienti non stazionari.

Lo studio confronta tre disegni sperimentali, mantenendo tutti una probabilità marginale di trattamento $p$ :

Switchback (SW): Tutti gli item condividono la stessa assegnazione di trattamento all'interno di un periodo, il che randomizza l'assegnazione nel tempo.
Randomizzazione a Livello di Item (IR): Ogni item è assegnato al trattamento o al controllo per l'intero orizzonte temporale.
Randomizzazione a Coppie (PR): Ogni cella item-periodo è randomizzata indipendentemente.

Gli autori analizzano il bias del stimatore IPW (Inverse Probability Weighting) per l'Effetto Globale del Trattamento (GTE) sotto due distinti scenari di miglioramento delle previsioni:

Scenario 1 (Bias della Media): Il trattamento corregge un bias sistematico verso il basso nelle medie delle previsioni della domanda (ad esempio, correggendo la censura), mentre la dispersione della previsione rimane costante.
Scenario 2 (Riduzione della Dispersione): Il trattamento riduce la dispersione (varianza) degli errori di previsione preservando la media.

L'analisi teorica è condotta utilizzando la rilassazione Lagrangiana per l'ottimizzazione con vincolo di capacità, derivando le condizioni sotto le quali il sistema rimane in specifici regimi strutturali (slack o interior). Per lo Scenario 2, gli autori impiegano un approccio di limite mean-field dove $N \to \infty$ e la capacità scala proporzionalmente, permettendo la caratterizzazione asintotica del bias.

Contributi Chiave e Risultati

Caratterizzazione del Bias nello Scenario 1 (Bias della Media):
- Switchback (SW): Sottostima sistematicamente il GTE (bias negativo). Ciò accade perché il miglioramento delle previsioni aumenta i livelli di riordino (order-up-to), generando più inventario residuo che si trascina nei periodi di controllo successivi, deprimendo artificialmente le prestazioni del gruppo di controllo nel stimatore.
- Livello di Item (IR): Sovrastima sistematicamente il GTE (bias positivo). Sotto capacità ristretta, gli item trattati con target più elevati mettono in competizione e "scacciano" gli item di controllo, riducendo l'inventario disponibile per il gruppo di controllo rispetto al controfattuale globale di controllo.
- Coppie (PR): Il bias è limitato superiormente dal bias IR. Combina la forza verso il basso del carryover temporale (come SW) e la forza verso l'alto della competizione cross-sezionale (come IR). A seconda della dominanza di queste forze, PR può essere meno distorto di IR, ma può comunque presentare un bias negativo se il carryover è forte.
Caratterizzazione del Bias nello Scenario 2 (Riduzione della Dispersione):
- Switchback (SW): Sovrastima sistematicamente il GTE (bias positivo). La minore dispersione del trattamento porta a meno inventario residuo atteso rispetto al controllo. In un disegno switchback, questo ridotto inventario residuo nei periodi di trattamento si trascina nei periodi successivi, gonfiando il contrasto trattamento-controllo.
- Livello di Item (IR): È asintoticamente non distorto (unbiased). Poiché gli item sono assegnati permanentemente, non c'è switching temporale. Nel limite mean-field, il moltiplicatore di capacità diventa deterministico e condiviso, eliminando le distorsioni da spillover.
- Coppie (PR): Presenta lo stesso bias positivo asintotico dello Switchback, ereditando il meccanismo intertemporale di carryover dell'inventario residuo.
Validazione Empirica:
- Simulazioni Controllate: Esperimenti sintetici utilizzando distribuzioni di domanda uniforme confermano la direzione teorica del bias attraverso regimi di capacità stretta, media e ampia.
- Esperimenti Basati su Tracce (Trace-Driven): Utilizzando il dataset FreshRetailNet-50K (50.000 serie temporali prodotto-negozio con annotazioni di stockout), gli autori hanno validato questi meccanismi in un ambiente realistico. Hanno incorporato il recupero latente della domanda e la sostituzione per stockout. I risultati hanno confermato che le direzioni del bias teorico persistono anche con il rumore del mondo reale e gli effetti di sostituzione.

Significatività e Implicazioni Pratiche
Il documento dimostra che la direzione e l'entità del bias sperimentale negli sistemi di inventario sono altamente sensibili al tipo di miglioramento della previsione (media vs. dispersione) e al disegno sperimentale scelto.

Sulla base di queste scoperte, gli autori offrono i seguenti consigli pratici:

Utilizzare la Randomizzazione a Livello di Item (IR) quando i vincoli di capacità sono ampi o quando il trattamento e il controllo differiscono principalmente nella dispersione dell'errore di previsione (Scenario 2). In questi regimi, l'IR mostra un basso bias e una bassa variabilità del campionamento.
Utilizzare la Randomizzazione a Coppie (PR) quando il trattamento e il controllo differiscono sostanzialmente nel bias di stima (Scenario 1) e la capacità è relativamente stretta. PR può ottenere un bias e una variabilità di campionamento inferiori rispetto a sia a IR che a Switchback in queste specifiche condizioni.
Prestare cautela con i Disegni Switchback (SW). Nei sistemi di inventario multi-periodo, gli esperimenti SW sono soggetti a bias sistematici a causa del carryover dell'inventario e presentano tipicamente un'alta variabilità di campionamento. Gli autori sconsigliano il loro uso in tali contesti, a meno che i meccanismi di interferenza specifici non siano ben compresi e presi in considerazione.

Conclusione
Questo studio fornisce un quadro rigoroso, sia teorico che empirico, per la progettazione di test A/B nella gestione dell'inventario. Evidenzia come i comuni disegni sperimentali, pur essendo efficaci in altri domini, possano fornire conclusioni fuorvianti nei sistemi di inventario a causa di strutture di interferenza uniche (carryover temporale e cannibalizzazione indotta dalla capacità). Caratterizzando questi bias, il lavoro permette ai professionisti di selezionare i disegni sperimentali che meglio si allineano ai loro specifici regimi operativi e alla natura delle politiche di inventario testate.

Articoli simili