京东通过数据驱动的商品规划与库存分配提高本地订单履行率0.62%

研究背景

京东作为全球最大的电商平台之一，致力于通过优化供应链和订单履约过程来提升客户满意度和业务增长。履约效率是确保客户满意的关键因素，而京东凭借其广泛的物流基础设施，承诺90%的订单在24小时内送达超过5.88亿活跃用户。然而，传统的商品规划和库存分配方法难以应对复杂的多层级分销网络、大规模SKU管理和高度动态的需求变化。

京东采用两级配送网络，包括区域配送中心（RDC）和前端配送中心（FDC）。每个RDC服务于多个FDC，并且需要协调自身的需求和向不同FDC的库存转移。此外，京东管理着数百万个SKU，涉及多种产品类别，需求预测变得非常复杂。为了应对这些挑战，本文提出了一种数据驱动的综合方法，旨在最大化FDC的订单履行率，同时减少销售损失和库存转移成本。

此前的研究主要集中在零售商品规划上，通常使用离散选择模型来建模需求。然而，仓库商品规划中的需求无法有效通过离散选择模型捕捉。此外，传统方法在处理大规模混合整数规划问题时计算复杂度极高，难以在实际中应用。因此，本文提出的新方法不仅解决了这些问题，还为供应链管理提供了新的视角。

京东的两级配送网络由八个RDC和多个FDC组成。RDC负责存储所有在线销售的SKU，并服务于广泛的区域。FDC则提供快速配送服务，但容量较小，依赖于每天从RDC的补货。当一个订单被下达时，如果FDC有足够的库存，则直接从FDC发货；否则，订单将由RDC履行，这会增加额外的成本并可能导致延迟交付。因此，选择合适的产品存储在FDC以及优化库存管理对于维持高效的履约至关重要。

此前的方法在处理大规模SKU管理和高度动态的需求变化时存在不足。例如，传统的启发式算法在处理高维稀疏数据时表现不佳，而基于历史数据的简单预测方法往往无法准确捕捉未来的需求模式。此外，现有的优化模型通常假设需求分布已知，但在实际电商环境中，需求具有高度不确定性，使得这些方法难以适用。因此，本文提出的数据驱动方法通过结合先进的机器学习技术和优化算法，能够更好地应对这些挑战。

京东的物流网络覆盖全国，每周处理数百万订单。在这种规模下，即使是微小的改进也能带来巨大的收益。例如，提高FDC的本地订单履行率不仅可以减少库存转移成本，还能提升客户满意度。具体来说，每提高1%的本地订单履行率，每年可以节省数百万元的物流成本，并减少数万次的延迟交付。这种改进对于京东这样的大型电商平台来说，意义重大。

核心发现解读

ML-Top-K算法：基于机器学习的商品选择

ML-Top-K算法利用机器学习技术预测每种产品的订单数量，并根据预测结果对产品进行排序，选择排名靠前的K个产品。该算法在数值实验中表现出色，提高了FDC的本地订单履行率。

ML-Top-K算法的核心原理是通过历史数据训练机器学习模型，预测未来一段时间内每种产品的订单数量。具体来说，算法首先收集过去一年的订单数据，然后使用深度学习模型（如LSTM或GRU）进行训练。模型预测的结果用于对产品进行排序，选择排名靠前的K个产品存储在FDC中。

实验设置方面，研究人员使用了京东的实际订单数据，涵盖了多个地区的RDC和FDC。数据显示，ML-Top-K算法在处理大规模数据集时表现出色，特别是在需求波动较大的情况下。具体而言，实验结果表明，ML-Top-K算法将FDC的本地订单履行率提高了0.54%。此外，该算法在处理高维稀疏数据时也表现出较高的稳定性，相比之前的启发式算法，ML-Top-K算法在处理大规模数据集时表现更为稳定。

与相关工作对比，ML-Top-K算法的优势在于其能够处理高维稀疏数据，并且具有较高的预测精度。例如，Li等人提出的边际选择索引算法虽然在已知需求分布的情况下表现良好，但在大规模电商环境中难以准确估计需求。相比之下，ML-Top-K算法通过深度学习模型有效解决了这一问题。此外，实验还显示，ML-Top-K算法在处理新产品引入和促销活动期间的需求预测时，表现尤为突出。

在实际应用中，ML-Top-K算法的性能得到了进一步验证。通过对京东多个地区的数据分析，研究人员发现，该算法在不同季节和市场环境下均表现出色。特别是在节假日和促销活动期间，ML-Top-K算法能够准确预测需求波动，从而提前调整库存分配，避免了大量订单的延迟交付。具体数据显示，在2024年的“双11”购物节期间，ML-Top-K算法帮助京东提高了1.5%的本地订单履行率，减少了20%的库存转移成本。

Reverse-Exclude算法：基于历史频率的产品排除

Reverse-Exclude算法通过迭代排除历史订单频率较低的产品，逐步筛选出适合存储在FDC的产品。该算法在处理稀疏和不规则需求时表现出色。

Reverse-Exclude算法的工作原理是从所有产品集合开始，逐步排除历史订单频率较低的产品。具体来说，算法首先计算每个产品在过去一段时间内的订单频率，然后按照频率从低到高排序。每次迭代中，排除一定比例的低频产品，直到剩余产品数量不超过FDC的容量限制。

实验设置方面，研究人员同样使用了京东的实际订单数据。数据显示，Reverse-Exclude算法在处理稀疏和不规则需求时表现优异。具体而言，实验结果表明，Reverse-Exclude算法将FDC的本地订单履行率提高了0.48%。与ML-Top-K算法相比，Reverse-Exclude算法在处理稀疏和不规则需求时表现更好，尤其是在新产品引入或促销活动期间。

与相关工作对比，Reverse-Exclude算法的优势在于其简单性和鲁棒性。例如，Wu等人提出的指数平滑和图论启发式算法虽然在某些情况下表现良好，但在处理大规模数据集时计算复杂度较高。相比之下，Reverse-Exclude算法通过简单的迭代排除机制，有效降低了计算复杂度。此外，实验还显示，Reverse-Exclude算法在处理新产品引入和促销活动期间的需求预测时，表现尤为突出。

在实际应用中，Reverse-Exclude算法也得到了广泛验证。通过对京东多个地区的数据分析，研究人员发现，该算法在不同季节和市场环境下均表现出色。特别是在新产品引入和促销活动期间，Reverse-Exclude算法能够准确识别高频产品，从而优化库存分配。具体数据显示，在2024年的“618”购物节期间，Reverse-Exclude算法帮助京东提高了1.2%的本地订单履行率，减少了15%的库存转移成本。

Hybrid-Selection算法：结合两种启发式方法的优势

Hybrid-Selection算法结合了ML-Top-K和Reverse-Exclude算法的优点，通过综合考虑预测结果和历史频率，选择最适合存储在FDC的产品。该算法在多种场景下均表现出色。

Hybrid-Selection算法的工作原理是首先使用ML-Top-K算法生成一个初步的产品列表，然后使用Reverse-Exclude算法进一步筛选。具体来说，算法首先通过ML-Top-K算法预测每个产品的订单数量，并选择排名靠前的K个产品。然后，使用Reverse-Exclude算法逐步排除历史订单频率较低的产品，直到剩余产品数量不超过FDC的容量限制。

实验设置方面，研究人员使用了京东的实际订单数据。数据显示，Hybrid-Selection算法在多种场景下均表现出色。具体而言，实验结果表明，Hybrid-Selection算法将FDC的本地订单履行率提高了0.62%。与单独使用ML-Top-K或Reverse-Exclude算法相比，Hybrid-Selection算法在多种场景下均表现出色，特别是在需求波动较大和新产品引入的情况下。

与相关工作对比，Hybrid-Selection算法的优势在于其灵活性和适应性。例如，Bai等人提出的协同库存存储和个性化商品规划方法虽然在某些情况下表现良好，但在处理大规模数据集时计算复杂度较高。相比之下，Hybrid-Selection算法通过结合两种启发式方法的优点，有效降低了计算复杂度，并提高了整体性能。此外，实验还显示，Hybrid-Selection算法在处理新产品引入和促销活动期间的需求预测时，表现尤为突出。

在实际应用中，Hybrid-Selection算法也得到了广泛验证。通过对京东多个地区的数据分析，研究人员发现，该算法在不同季节和市场环境下均表现出色。特别是在新产品引入和促销活动期间，Hybrid-Selection算法能够综合考虑预测结果和历史频率，从而优化库存分配。具体数据显示，在2024年的“双11”购物节期间，Hybrid-Selection算法帮助京东提高了1.8%的本地订单履行率，减少了25%的库存转移成本。

批评/局限

需求预测的准确性依赖于历史数据

尽管ML-Top-K算法在需求预测方面表现出色，但其准确性仍然依赖于历史数据的质量。如果历史数据存在偏差或缺失，预测结果可能会受到影响。

需求预测的准确性直接影响到商品选择和库存分配的效果。如果历史数据存在偏差或缺失，预测结果可能会出现较大误差，从而影响最终的决策效果。例如，在新产品引入或市场环境发生重大变化时，历史数据可能无法准确反映未来的需求情况。为了缓解这一问题，可以考虑引入更多的外部数据源，如市场趋势、竞争对手信息等，以提高预测的准确性。此外，还可以通过定期更新模型参数和调整预测模型，以适应不断变化的市场需求。

具体来说，可以通过以下措施来提高需求预测的准确性：

• 引入更多的外部数据源，如市场趋势、竞争对手信息等，丰富预测模型的输入。
• 定期评估预测模型的准确性，并根据实际情况进行调整和优化。
• 使用集成学习方法，结合多种预测模型，提高预测的鲁棒性。
• 引入专家知识，结合领域经验对预测结果进行校正。

算法的可扩展性有待验证

尽管实验结果表明三种算法在处理大规模数据集时表现良好，但其在更大规模的应用场景下的可扩展性仍有待验证。

随着业务规模的不断扩大，算法的可扩展性成为一个重要问题。目前的实验主要基于京东的实际订单数据，但这些数据集的规模仍然有限。在更大规模的应用场景下，算法的计算复杂度可能会急剧增加，导致运行时间过长或内存不足等问题。为了验证算法的可扩展性，可以考虑在更大规模的数据集上进行测试，并优化算法的实现细节，如并行计算、分布式存储等。此外，还可以通过引入更多的硬件资源和技术手段，如GPU加速、云计算平台等，以提高算法的处理能力。

具体来说，可以通过以下措施来提高算法的可扩展性：

• 优化算法的实现细节，如并行计算、分布式存储等。
• 引入更多的硬件资源和技术手段，如GPU加速、云计算平台等。
• 定期评估算法的性能，并根据实际情况进行调整和优化。
• 使用更高效的数据结构和算法，减少计算复杂度。

算法的解释性有待提高

尽管Hybrid-Selection算法在性能上表现出色，但其内部机制较为复杂，解释性较差。对于供应链管理者来说，理解算法的决策过程非常重要。

算法的解释性直接影响到其在实际应用中的接受程度。目前，Hybrid-Selection算法的内部机制较为复杂，难以直观地理解其决策过程。为了提高算法的解释性，可以考虑引入更多的可视化工具，如决策树、热力图等，帮助管理者更好地理解算法的工作原理。此外，还可以通过案例分析等方式，展示算法在实际场景中的应用效果，增强管理者的信心。另外，可以通过简化算法的设计和实现，使其更加透明和易于理解，从而提高其在实际应用中的接受度。

具体来说，可以通过以下措施来提高算法的解释性：

• 引入更多的可视化工具，如决策树、热力图等，帮助管理者更好地理解算法的工作原理。
• 通过案例分析等方式，展示算法在实际场景中的应用效果，增强管理者的信心。
• 简化算法的设计和实现，使其更加透明和易于理解。
• 提供详细的文档和培训材料，帮助管理者掌握算法的使用方法。

实操启示

精细化需求预测

供应链从业者应充分利用历史数据和外部数据源，构建精细化的需求预测模型，以提高商品选择和库存分配的准确性。

具体实施路径包括：

• 收集和整理历史订单数据，确保数据的质量和完整性。
• 引入外部数据源，如市场趋势、竞争对手信息等，丰富预测模型的输入。
• 使用先进的机器学习算法，如LSTM、GRU等，构建需求预测模型。
• 定期评估预测模型的准确性，并根据实际情况进行调整和优化。

灵活的商品选择策略

供应链从业者应根据不同的业务场景，灵活选择合适的商品选择策略，以应对需求波动和新产品引入等情况。

具体实施路径包括：

• 根据不同地区和时间段的需求特点，选择合适的需求预测方法。
• 结合历史订单频率和预测结果，选择适合存储在FDC的产品。
• 在新产品引入或促销活动期间，适当调整商品选择策略，以应对需求的变化。
• 定期评估商品选择策略的效果，并根据实际情况进行调整和优化。

优化库存分配策略

供应链从业者应通过优化库存分配策略，降低库存转移成本，提高FDC的需求满足率。

具体实施路径包括：

• 建立端到端的学习框架，结合预测和仿真系统，确定目标库存（TI）和安全库存（SS）水平。
• 通过多任务学习，实现FDC和RDC之间的信息共享和知识转移，提高库存管理的效率和准确性。
• 引入自学习机制，简化样本处理过程，提高库存分配决策的效率和准确性。
• 定期评估库存分配策略的效果，并根据实际情况进行调整和优化。

信息来源：https://arxiv.org/abs/2509.12183