Coordinating Replenishment and Dynamic Pricing for Perishable Omnichannel Retail: A Fixed-Point Dynamic-Programming–Reinforcement-Learning Framework
本文提出了一种结合固定点动态规划与强化学习的混合框架，用于协调易腐性全渠道零售中的长期补货规划与实时动态定价，证明了这种集成主要增强了在约束性供应体制下的损耗控制，并揭示了针对在线客户的最优新鲜度保证即为运营层面的最小值。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代零售领域，销售生鲜食品的挑战已演变成一场在多个舞台上进行的走钢丝表演。购物者不再仅仅访问单一商店；他们通过一个复杂的选择网络进行购买，或是在当地小店取货，或是在家门口配送，亦或是通过在线下单后到店自提。这种全渠道方式提供了便利，但也为像水果和蔬菜这类具有严格、紧迫保质期的易腐商品带来了物流上的噩梦。核心难点在于平衡两个相互竞争的需求：既要保持价格足够灵活以匹配消费者的支付意愿，又要确保订购量恰到好处，以免任何商品在售出前腐烂。如果零售商订购过多，食物会变质造成浪费；如果订购过少，则会损失销售额并令顾客感到沮丧。几十年来，研究人员一直试图建立数学模型来解决这个难题，通常将“如何订购多少量”与“定价多少”这两个决策视为相互独立的两个问题。然而，生鲜果蔬区的现实是，这两个决策是深度交织在一起的，而且商店接收新货物的频率比以往认为的更为关键。
一组研究人员开发了一种处理这一问题的新方法，通过结合两种不同的计算机逻辑来管理易腐商品的流动。他们并没有试图一次性解决整个复杂的系统，而是将任务拆分为两个在不同时间尺度上运行的部分。其系统的第一部分使用一种称为“动态规划”的方法，这本质上是一个严谨的前瞻性规划者。该规划者会向前展望较长的一段时间，以决定确切需要订购多少单位的生鲜农产品，同时考虑到食物的保质期和浪费成本。第二部分使用一种称为“强化学习”的技术，它就像一个实时的交易员。这个智能体观察库存年龄的变化和需求的波动，实时调整价格，以便在库存过期前卖出较旧的库存。至关重要的是，研究人员并未让这两个部分孤立运行；他们强制要求两者进行沟通。长期规划者根据实时交易员实际设定的价格来调整其订购目标，而交易员则学会根据规划者创建的库存水平来进行定价。他们在模拟新鲜草莓（其可用保质期为四天）的详细零售商计算机模拟系统中测试了这一系统，模拟时长为一整年。
这项研究最显著的发现是，定价算法的复杂程度远不如送货卡车的调度计划重要。研究人员发现，一家商店是否面临食物浪费问题，完全取决于新货到货频率与库存保质期之间的比例。在他们的模拟中，当零售商每天都收到新鲜货品，而保质期为四天时，浪费率几乎为零，仅为0.04%。在这种情况下，无论多么巧妙的定价或复杂的规划都无法改善现状，因为食物被销售得太快，根本没有变质的机会。系统本身过于高效，以至于问题不存在。然而，当配送周期延长至三天时，情况发生了剧变。同一家商店，使用同样的产品，看到的浪费率跃升至近6.6%。这揭示了“易腐问题”并非总是存在；它是由配送日程创造的一种状态。如果两次配送之间的时间足够短，食物就不会变质，此时高级算法便无用武之地。只有当配送周期足够长，足以让食物发生老化时，复杂的定价机制才具有价值。
另一项重大发现涉及零售商向在线客户做出的关于食品新鲜度的承诺。许多商店都会保证在线订单将拥有一定天数的剩余保质期，以此吸引更多顾客。研究将这一保证视为一个可变的决策变量，而非固定的营销规则。结果显示，收紧这一承诺以保证更鲜活的食物实际上损害了业务。当研究人员将新鲜度保证从一天提高到两天时，虽然在线销售额增长了约10%，但利润下降了超过3%，且浪费的食物量增加了三倍。原因在于，更严格的保证将那些虽稍旧但仍完全可以食用的库存挡在了在线销售之外。这些库存随后被推向实体店，在那里更难售出，最终被降价处理或丢弃。研究得出结论，在这种特定环境下，最好的策略是提供尽可能低的新鲜度保证，因为试图承诺更高的新鲜度只会产生更多的浪费，而带来的额外利润不足以抵消其代价。
研究人员还将这种协调方法与其他几种方法进行了比较，包括一种订购和定价决策先后进行且互不反馈的系统，以及一个尝试同时学习订购和定价的单一计算机智能体系统。结果非常明确：试图从零开始学习所有内容的计算机智能体表现最差，其利润明显较低且表现出更大的不稳定性。这表明，试图让机器自主学习处理生鲜食品订购的复杂物流过于困难；它需要一个具有结构化逻辑框架的规划者来处理订购，而机器学习则最适合用于调整价格的任务。这种结合了两者的协调系统并不一定比简单的顺序法赚得更多，但它完成了一件更重要的事：它稳定了浪费。通过在订购和定价之间建立反馈闭环，该系统比顺序法减少了一半以上的浪费，防止了因两个决策未对齐而导致的偶尔出现的严重腐烂高峰。
最终，这项研究为零售商提供了一个冷静且实用的指南。它表明，在投资昂贵的高科技定价算法之前，商店必须首先审视其配送计划。如果商店每天接收新鲜库存，那么问题已由日历日程解决了，任何软件都无法进一步改善。如果配送周期较长，那么问题确实存在，此时如何管理它就变得至关重要。研究还强调，由供应商决定的食物本身成本，对商店底线的冲击远大于任何定价策略。向供应商支付的价格哪怕有微小的改善，也能改变数万美元的年利润，而即使是最优秀的定价算法，可能也只能带来几千美元的利润变动。研究总结道，减少浪费最有效的方法不是向顾客承诺最鲜活的食物，而是管理内部处置成本和配送时机，确保供应链的设计能够匹配产品的自然寿命。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。