教授用智能算法改进供应链系统

近年来，关于客户购买习惯的数据收集越来越普遍，导致许多公司将这些信息用于运营决策，但如果没有适当的分析方法来处理这些洞察，决策可能会出错。

张焕南，宾夕法尼亚州立大学哈罗德和英格马库斯工业和制造工程系的工业工程助理教授，获得了22500美元的启动资助据三菱重工是美国最大的材料处理、物流和供应链协会，以帮助改进基于收集数据做出的运营决策。

Zhang的研究重点是为公司创建一个数据驱动的算法，通过改善仓库库存预测来提高利润，仓库库存预测是公司决定如何储存产品的类型和数量的方式。张说:“当前基于历史数据做出的运营决策就像一个圆圈:数据、决策、实施和效果。”“当管理像仓库这样的高维库存系统时，基于不变的历史数据实施错误的操作策略可能会导致‘螺旋式下降效应’，即收集的数据质量和操作决策都会随着时间的推移而恶化。由于可用的数据量和可能的结果量，这是一个很难分析的领域。”

通过将他在运筹学方面的专业知识与他对数据驱动算法和供应链问题的兴趣相结合，张将致力于创建一个专注于使用客户交易数据来探索客户购买行为的算法。该算法旨在自动改进决策，以有效地平衡学习和学习。

张对城市仓库特别感兴趣，由于空间的分配，不太理想的算法变得更有问题。城市仓库通常比传统仓库更小，更昂贵，通常位于空间稀少的大城市，战略库存至关重要。

张说，由于零售商的当日送达服务，城市仓库越来越受欢迎。他说:“如果一家公司在城市仓库里存放了一件商品，销量很高，可能只是因为地点和运输速度快。”“没有办法证明消费者喜欢或想要这种特定的产品。由于空间有限，我们需要更好的算法来探索产品选择，以便公司在城市仓库中做出更好的选择。”

张解释说，公司可能会把一件商品放在城市仓库里，因为它在当地很受欢迎。很可能，城市里的顾客会因为从城市仓库快速发货的便利而购买商品，而不是在更远的仓库等待不同的商品。随后，这会导致一个算法使数据偏向于这个项目。

该公司在查看了这段时间内收集的数据后，可能会根据消费者的需求继续在城市仓库中储存商品。
“数据是供应链行业的新石油，但像石油一样，未经提炼的数据通常不能直接使用，”张说。“相关性不是因果关系。这个算法将能够证明，在任何条件下，它是准确的，不被数据愚弄。这种‘聪明地学习’的策略将有助于减少产品浪费，增加公司收入。”