OTPTO方法提升生鲜电商前端仓库订单满足率4.34%

研究背景

在中国竞争激烈的生鲜电商市场中，优化运营策略，特别是前端仓库的库存管理，是提高客户满意度并获得竞争优势的关键。前端仓库通常位于居民区附近，以确保生鲜商品的及时配送，但其规模较小，这带来了如何决定存储哪些商品以及存储数量的问题。传统的预测-优化（PTO）方法往往无法将预测结果与库存目标对齐，也未能优先考虑消费者满意度。

生鲜电商市场的快速增长导致了对高效库存管理的需求。特别是在新冠疫情期间，中国消费者的购物习惯发生了巨大变化，更多地依赖在线购买生鲜商品。这种转变不仅推动了生鲜电商市场的增长，也加剧了平台之间的竞争。为了在竞争中脱颖而出，生鲜电商平台必须不断改进其运营策略，以提高消费者满意度。其中，前端仓库的库存管理是一个关键环节。

传统的方法通常是先预测销售量，然后基于这些预测来决定库存商品种类和数量。然而，这种方法存在一些问题。首先，预测阶段的目标（销售量）与决策阶段的目标（库存商品和数量）不一致，最准确的需求预测并不一定能转化为最优的库存决策。其次，在决策阶段仅依赖预测结果可能会忽略原始数据中的重要信息，从而导致次优的优化结果。因此，需要一种新的方法来更有效地整合预测和优化过程。

本文提出的多任务优化-预测-再优化（OTPTO）方法旨在解决这些问题。通过联合优化产品选择和库存管理，该方法旨在通过最大化全订单满足率来提高消费者满意度。具体来说，该方法首先通过0-1混合整数规划模型OM1确定历史最优库存水平，然后使用产品选择模型PM1和库存模型PM2进行预测，最后通过后处理算法OM2进一步优化结果。

核心发现解读

多任务优化-预测-再优化（OTPTO）方法原理

OTPTO方法的核心在于通过三个阶段：首次优化、预测和再次优化，实现产品选择和库存管理的联合优化。

在首次优化阶段，我们构建了一个0-1混合整数规划模型OM1，该模型描述了产品选择、库存决策和订单履行的过程。OM1的目标是在实际库存约束下优化全订单满足率。我们使用商业求解器获得了历史上最优的产品选择和库存数量结果。具体来说，OM1模型包含多个约束条件，如不同SKU类型的最大数量限制、总存储容量限制、每种SKU的最小库存要求等。通过这些约束条件，OM1能够生成历史最优的产品选择和库存数量结果。

在预测阶段，我们将问题分解为两个平行子问题：产品选择预测模型PM1和库存数量预测模型PM2。PM1是一个二分类模型，采用LightGBM算法从OM1提供的历史最优产品选择中学习，并预测未来需要补货的商品。PM2则是一个回归模型，同样使用LightGBM算法预测每个在库商品的最优库存水平，基于OM1的历史最优结果。为了提高PM1和PM2的准确性，我们提出了有效的样本、标签和特征策略。

在第二次优化阶段，我们结合PM1和PM2的结果，并通过后处理算法OM2进行最终调整。这一过程产生了一个符合第3节所述容量约束的产品选择和库存计划。具体而言，OM2通过贪心搜索算法调整库存数量，确保总库存量不超过存储容量限制，同时保证库存策略的灵活性和适应性。

关键设计/算法逻辑

OTPTO方法的关键设计包括OM1模型、PM1和PM2模型以及后处理算法OM2。

OM1模型是一个0-1混合整数线性规划模型，旨在最大化前端仓库的全订单满足率。模型中包含多个约束条件，如不同SKU类型的最大数量限制、总存储容量限制、每种SKU的最小库存要求等。通过这些约束条件，OM1能够生成历史最优的产品选择和库存数量结果。例如，OM1模型通过以下公式最大化全订单满足率：

[
max frac{1}{n} sum_{o in O} p_o
]

其中，( p_o ) 表示订单 ( o ) 是否完全由当前仓库满足。此外，模型还包括以下约束条件：
– SKU类型的数量限制：(sum_{i in I} y_i leq K)
– 总存储容量限制：(sum_{i in I} x_i leq N)
– 每种SKU的最小库存要求：(x_i geq B y_i quad forall i in I)

PM1和PM2模型分别负责产品选择预测和库存数量预测。PM1采用LightGBM算法进行二分类，预测未来需要补货的商品。PM2则采用LightGBM算法进行回归，预测每个在库商品的最优库存水平。为了提高模型的准确性，我们采用了差异化的采样策略、标签生成和标签平滑策略，以及高质量的特征集。例如，PM1和PM2的参数设置如下表所示：

| 参数名称 | PM1 值 | PM2 值 |
| — | — | — |
| boosting_type | ‘gbdt’ | ‘gbdt’ |
| objective | ‘binary’ | ‘regression’ |
| metric | ‘auc’ | ‘rmse’ |
| reg_alpha | 0 | 0.1 |
| reg_lambda | 0 | 0.1 |
| subsample | 0.8 | 0.8 |
| subsample_freq | 1 | 1 |
| learning_rate | 0.05 | 0.1 |
| num_leaves | 31 | 31 |
| max_depth | 5 | 5 |
| min_child_samples | 5 | 5 |
| colsample_bytree | 0.8 | 0.8 |
| n_estimators | 600 | 600 |
| eval_metric | ‘auc’ | ‘rmse’ |
| early_stopping_rounds | 50 | 50 |

后处理算法OM2在第二次优化阶段发挥作用，它结合PM1和PM2的结果，进行最终调整，确保生成的库存计划符合所有约束条件。具体来说，OM2通过贪心搜索算法调整库存数量，确保总库存量不超过存储容量限制，同时保证库存策略的灵活性和适应性。

实验设置与证据

我们在京东7Fresh平台上进行了实验，验证了OTPTO方法的有效性。

实验结果显示，OTPTO方法相比传统的PTO方法，显著提高了全订单满足率。具体而言，OTPTO方法使全订单满足率提高了4.34%（相对提高了7.05%），并将与最优全订单满足率的差距缩小了5.27%。此外，我们还通过消融实验评估了不同样本、标签和特征策略的贡献，并在其他五个前端仓库的数据集上验证了方法的鲁棒性。

表5展示了OTPTO方法和PTO方法在库存资源分配方面的对比结果。例如，在2023年9月1日，OTPTO方法选择了347个SKU，而PTO方法选择了299个SKU。OTPTO方法的总库存量为8999.4，而PTO方法为8990.8。OTPTO方法的最小库存量为10，最大库存量为478.7，平均库存量为25.9，中位数库存量为15；而PTO方法的最小库存量为10，最大库存量为505.9，平均库存量为30.1，中位数库存量为16。

具体实验设置如下：
1. 数据集：我们使用了京东7Fresh平台的真实销售数据，涵盖了多个前端仓库的每日销售记录。
2. 训练集和测试集划分：我们将数据分为训练集和测试集，比例为7:3。
3. 评价指标：主要评价指标为全订单满足率，次要指标包括库存成本和计算时间。

通过实验，我们发现OTPTO方法在多个方面优于传统的PTO方法。例如，在2023年9月1日至2023年9月7日期间，OTPTO方法的全订单满足率分别为96.2%、96.3%、96.2%、96.1%、96.2%、96.3%、96.2%，而PTO方法的全订单满足率分别为91.9%、91.8%、91.9%、91.8%、91.9%、91.8%、91.9%。此外，OTPTO方法的库存成本也更低，计算时间也更为合理。

与相关工作的对比

与现有的PTO方法相比，OTPTO方法在多个方面具有优势。

首先，OTPTO方法通过联合优化产品选择和库存管理，解决了预测阶段和决策阶段目标不一致的问题。传统PTO方法通常先预测销售量，然后基于这些预测来决定库存商品种类和数量。然而，这种方法存在预测阶段的目标（销售量）与决策阶段的目标（库存商品和数量）不一致的问题，最准确的需求预测并不一定能转化为最优的库存决策。OTPTO方法通过联合优化，确保预测结果与库存目标对齐。

其次，OTPTO方法通过引入标签生成和平滑策略，有效缓解了由于优化问题约束导致的样本不一致性问题。在传统PTO方法中，由于优化问题的约束，可能导致样本不一致性，即相似特征值的样本可能被赋予不同的标签。OTPTO方法通过标签生成和平滑策略，减少了这种不一致性，提高了模型的准确性。

最后，OTPTO方法在真实数据集上的实验结果表明，其在提高全订单满足率方面具有显著优势，并且具有良好的鲁棒性和实用性。例如，在京东7Fresh平台的实验中，OTPTO方法使全订单满足率提高了4.34%（相对提高了7.05%），并将与最优全订单满足率的差距缩小了5.27%。此外，OTPTO方法在其他五个前端仓库的数据集上也表现出了良好的鲁棒性。

批评/局限

数据依赖性强

OTPTO方法高度依赖于历史数据的质量和完整性。

如果历史数据存在缺失或偏差，可能会影响模型的预测准确性。例如，如果某个SKU的历史销售数据不完整或存在异常值，那么OM1模型生成的最优库存结果可能会偏离实际情况。为缓解这一问题，可以引入更多的数据清洗和预处理步骤，确保输入数据的质量。例如，可以通过数据插补、异常值检测和修正等方法，提高数据的完整性和准确性。

计算复杂度高

OTPTO方法涉及多个复杂的优化和预测模型，计算复杂度较高。

在大规模应用场景中，这种方法可能会面临计算资源和时间成本的挑战。为缓解这一问题，可以通过优化算法实现、分布式计算等方式提高计算效率。例如，可以使用高性能计算集群进行并行计算，减少计算时间。此外，还可以考虑简化模型结构，降低计算复杂度。例如，可以通过降维技术减少特征数量，或者使用更简单的模型替代复杂的模型。

参数调优困难

OTPTO方法中涉及多个模型和参数，调优过程较为复杂。

不同的参数组合可能会对最终结果产生显著影响。为缓解这一问题，可以引入自动化调参工具，通过网格搜索、随机搜索等方法找到最优参数组合。同时，也可以通过领域专家的经验指导，减少不必要的参数调优工作。例如，可以使用AutoML工具自动寻找最佳参数组合，或者根据领域专家的经验设定合理的参数范围。

实操启示

精细化库存管理

生鲜电商平台应采用精细化的库存管理策略，定期更新库存数据，确保库存水平与需求预测相匹配。

具体实施路径包括：
1. 通过历史销售数据分析，确定每个SKU的最佳库存水平。例如，可以使用时间序列分析方法，预测未来一段时间内每个SKU的销售量，并据此调整库存水平。
2. 定期检查库存情况，及时调整库存数量，避免过度库存或缺货现象。例如，可以每周或每月进行一次库存盘点，根据实际销售情况进行调整。
3. 结合季节性因素和促销活动，动态调整库存策略，提高库存周转率。例如，在节假日或促销活动期间，可以适当增加库存量，以应对可能出现的销售高峰。

多维度特征工程

在构建预测模型时，应充分利用多维度特征，提高预测准确性。

具体实施路径包括：
1. 收集和整理多种特征数据，如价格、促销活动、节假日、天气等。例如，可以从气象部门获取天气数据，从营销部门获取促销活动信息。
2. 构建高质量的特征集，包括决策特征、销售预测特征、聚类特征和SKU-订单交叉特征。例如，可以使用聚类算法对SKU进行分组，提取每个组的特征。
3. 通过特征选择和特征工程，筛选出对预测结果影响最大的特征，提高模型性能。例如，可以使用特征重要性评分，选择最重要的特征进行建模。

后处理优化

在预测结果的基础上，通过后处理算法进一步优化库存计划。

具体实施路径包括：
1. 根据预测结果，选择排名靠前的SKU进行库存补充。例如，可以根据预测的销售量，选择销量最高的前几个SKU进行补充。
2. 通过贪心搜索算法，调整库存数量，确保总库存量不超过存储容量限制。例如，可以使用贪心算法逐步增加库存量，直到达到存储容量上限。
3. 定期评估库存计划的效果，根据实际情况进行调整，确保库存策略的灵活性和适应性。例如，可以每月进行一次效果评估，根据评估结果调整库存策略。

信息来源：https://arxiv.org/abs/2505.23421