运营管理中的数据分析：综述

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Data Analytics in Operations Management: A Review》
---
作者：
Velibor V. Mi\\v{s}i\\\'c, Georgia Perakis
---
最新提交年份：
2019
---
英文摘要：
  Research in operations management has traditionally focused on models for understanding, mostly at a strategic level, how firms should operate. Spurred by the growing availability of data and recent advances in machine learning and optimization methodologies, there has been an increasing application of data analytics to problems in operations management. In this paper, we review recent applications of data analytics to operations management, in three major areas -- supply chain management, revenue management and healthcare operations -- and highlight some exciting directions for the future.
---
中文摘要：
运营管理的研究传统上侧重于理解企业应该如何运营的模型，主要是在战略层面。由于数据可用性的不断提高以及机器学习和优化方法的最新进展，数据分析在运营管理问题上的应用越来越多。在本文中，我们回顾了数据分析在三个主要领域（供应链管理、收入管理和医疗保健运营）在运营管理中的最新应用，并强调了未来一些令人兴奋的方向。
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Data_Analytics_in_Operations_Management:_A_Review.pdf (235.8 KB)

2022-6-14 15:49:43 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：数据分析 运营管理 Quantitative Availability Contribution

运营管理中的数据分析：ReviewVelibor V.Miˇsi'c*乔治亚州佩拉基斯+2019年3月29日摘要运营管理研究传统上侧重于了解企业应该如何运营的模型，最重要的是从战略层面。随着数据可用性的不断提高以及机器学习和优化方法的不断发展，数据分析在运营管理问题上的应用越来越多。在本文中，我们回顾了数据分析在三个主要领域（供应链管理、收入管理和医疗保健运营）的运营管理中的最新应用，并强调了一些令人兴奋的未来方向。1简介从历史上看，运营管理的研究主要集中在模型上。这些模型以微观经济理论、博弈论、优化和随机模型为基础，主要用于制定企业应如何运营的战略愿景。过去这种基于模型的方法盛行的原因之一是数据相对稀缺，加上计算能力有限。今天，运营管理研究发生了转变。这一转变主要是由数据可用性的提高推动的。在各个领域，如reta-il、医疗保健和更多领域，比以往任何时候都更丰富、更全面的数据正在变得可用。与此同时，数据的日益丰富伴随着许多领域的方法学进步。机器学习领域位于计算机科学和统计学的交叉点，它创造了一些方法，使人们能够获得高维数据的高质量预测模型，如L1正则化回归（也称为LASSO回归；Tibshirani 1996）和随机森林（Breiman2001）。

优化领域也取得了类似的进步：优化建模领域的众多科学创新，如稳健优化（Bertsimas et al.2011）、逆优化（Ahuja和Orlin 2001）和改进的d整数优化公式技术（Vielma 2015），扩大了优化可应用的范围和可应用的规模。在机器学习和优化方面，研究人员已经从高质量软件的可用性中受益匪浅，这些软件可用于优化机器学习模型和解决大规模线性、二次曲线和混合整数优化问题。这些进步导致了数据分析（或短期分析）这一新兴领域的发展。分析学领域可以最简洁地描述为使用数据创建模型，从而做出创造价值的决策。在本文中，为了纪念制造与服务运营管理（Manufacturing&ServicesOperations Management）20周年，我们重点介绍了将分析方法应用于运营管理问题的最新工作。我们将审查分为三个主要应用领域：供应链管理（第2节），其中包括位置、全渠道和库存决策；收入管理（第3节），其中我们介绍了选择建模和产品组合优化、定价和促销计划以及个性化收入管理；以及医疗保健（第4节），其中我们涵盖了政策、医院和患者层面的应用程序。

在第5节中，我们讨论了一些未来的方向，如因果关系、可解释性和“小数据”方法，我们认为这些方法在运营管理分析的未来将越来越重要。*加利福尼亚大学洛杉矶分校安德森管理学院，110 Westwood Plaza，Los Angeles，CA，90095；velibor。misic@anderson.ucla.edu+麻省理工学院斯隆管理学院，马萨诸塞州剑桥市马萨诸塞大道77号，邮编02139；georgiap@mit.eduDue由于本周年纪念版的页面限制，我们的评论必须简短，并且只覆盖了每个应用领域的一小部分代表性示例。因此，有许多其他优秀的论文将分析应用于OM，但我们无法将其包括在本综述中；我们向那些我们没有引用其论文的作者致敬。2供应链管理中的分析供应链管理中的许多主要问题正在分析的视角下重新审视；在本小节中，我们重点讨论位置和全渠道决策（第2.1节）以及库存决策（第2.2节）。2.1位置和全渠道运营在本小节中，我们讨论分析在全渠道和更一般的位置问题中的应用。“全渠道”一词是指电子商务渠道与实体店网络的整合。这种整合允许零售商进行跨渠道的全方位零售，即在线全方位零售或在任何门店进行全方位零售，从而导致有趣的选址和库存管理问题。Glaeser等人（2018年）认为，一个真正的“在线购买，店内取货”零售商会通过停在交通便利的地点（如学校或停车场）的送货卡车完成在线订单，从而引发一个定位问题。

零售商需要决定在什么位置和时间放置卡车，以最大限度地提高效益。为了解决这一问题，本文首先构建了一个rando m森林模型（Breiman 2001），以预测给定时间agiven位置的需求，使用一组不同的自变量，如地点的人口统计属性（总人口、大专学历人口、收入中值等）、零售商的经营属性（如零售商是否在该地点提供送货上门服务）和其他地点属性（如附近竞争企业的数量）。然后，本文使用优势效应回归来解释同类相食效应。利用零售商的数据，本文展示了一种基于贪婪构建和交换思想的启发式方法，以及组合随机森林和固定效应模型，如何将收入提高36%。Acimovic和Graves（2014）研究如何管理大型在线零售商的全渠道运营。它们解决了以下基本问题：如何最好地完成每个客户的订单，以最大限度地降低平均出境运输成本。本文提出了一种启发式方法，通过最小化即时出站运输成本加上对未来预期出站运输成本的估计，做出全面决策。这些估计值来自运输线性规划的对偶值。通过对行业数据的实验，他们的模型捕捉到了36%的机会缺口（假设有洞察力），从而将出境运输成本降低了1%。本着同样的精神，Avrahami等人（2014年）讨论了他们与以色列Yedioth集团内部发行组织的合作，以改进Yedioth发行印刷杂志和报纸的方式。

本文使用不同零售网点报纸销售的实时信息，以实现分销网络中的库存汇集。所开发的方法在Yedioth实施，由于杂志生产水平的降低和回报水平的降低，产生了巨大的成本节约。在不同领域，他等人（2017）考虑了如何为电动汽车共享服务设计服务区域的问题。许多汽车共享公司，如Car2Go、DriveNow和Autolib，为客户提供电动汽车。在城市地区提供此类服务需要企业决定提供服务的地区，即允许客户在城市地区的哪些地区上下车；这反过来又会影响重大投资决策（需要多大的流量以及充电站应位于何处）。此设置中的主要挑战来自客户采用的不确定性，这取决于服务覆盖的地区。为了解决这个问题，本文提出了一个n整数规划问题，其中顾客采用的是一个效用模型；由于可以校准此类实用新型的数据有限，本文使用分布式稳健优化（见Delage和Ye 2010）来解释客户采用的不确定性。利用Car2Go的数据，本文将该方法应用于圣地亚哥的服务区域设计，并展示了该方法如何比几种简单的、以管理为动机的启发式服务区域设计方法带来更高的收入。2.2库存管理Ban和Rudin（2019）考虑采用数据驱动的库存管理方法。

本文研究的背景是当人们观察到需求时，以及可能预测需求的特征，如天气预报或消费价格指数等经济指标。要在这种情况下做出库存决策，可以考虑构建一个依赖于特征的需求分布，然后根据给定的实现特征为分布找到最佳订单数量。相反，Ban和Rudin（2019）的论文提出了两种备选方法。第一，基于经验风险最小化，通过解决单个问题来确定订单数量，其中决策变量是将特征映射到订单质量的决策规则，目标是最小化基于样本的成本估计。第二种方法涉及使用核回归对条件需求分布进行建模，并应用排序算法确定最佳订购量。本文推导了两种方法的样本外性能的界限，并使用英国一家大型教学医院的数据，将这些方法应用于医院急诊室的护士工作问题。本文发现，拟议的方法在样本外成本方面优于最佳实践基准高达24%。同样，Bertsima s和Kallus（2018）开发了一个解决样本平均近似（SAA）问题集合的一般框架，其中每个SAA问题都有一些上下文信息。例如，在库存设置中，一家公司可能在销售不同的产品，这些产品由属性向量描述，该公司对这些产品的需求有历史观察；然后，公司希望确定（潜在的新）产品的订单数量。

解决这个问题的一种简单方法是将所有数据简单地组合在一起，而忽略上下文信息。相反，Bertsimas和Kallus（2018）建议首先构建一个机器学习模型，以预测作为上下文信息函数的不确定量；在我们的库存示例中，这相当于根据productattributes预测需求。然后，与使用所有不确定参数的数据来解决SAA问题不同，我们使用机器学习模型来获得上下文特定的条件分布，然后解决与此条件分布相关的SAA问题。在库存设置中，考虑CART树（Breiman et al.1984），用于预测给定产品属性向量的需求。如果将产品属性向量沿CART树向下运行，将获得一个点预测，但通过考虑该叶子中包含的历史需求观察，还可以获得条件分布的估计值。本文为特定类型的机器学习模型的这一一般过程提供了理论保证，证明了该过程随着观测值数量的增长而渐近最优性。本文还将该方法应用于一家媒体公司的实际分销问题，该公司需要管理跨不同零售地点的不同产品（特别是电影CD、DVD和Blur ay光盘）的库存。本文建立了需求的机器学习模型，并将其作为商店位置、电影属性（如电影类型、烂番茄评级、票房收入等）和其他大规模信息（如电影的本地化谷歌搜索查询）的函数。

本文展示了该方法如何将朴素方法（不考虑上下文数据）和有效预见方法（在实现之前k已知要求）之间的成本差距缩小88%。Ban等人（2018年）考虑了动态采购问题。在这个问题中，我们必须决定在有限的时间范围内，从不同的货源订购多少产品，这些货源具有不同的交付周期和不同的成本，以满足水平线上的不确定需求。本文研究的问题背景是世界上最大的快速时尚零售商之一Zara面临的一个实际问题。本文提出了一种利用线性和正则化线性回归，利用其他产品的历史轨迹，对给定产品的需求进行预测的方法。然后，本文公式化了一个多阶段随机规划问题，其中场景树是使用先前估计的预测模型生成的。利用Zara的实际数据，本文展示了现有方法（忽略协变量信息）如何降低成本，其成本比建议的方法高出6-15%。许多库存问题和运营管理问题的核心是需求估计问题。然后，可以将此估计的结果用于其他方面，以解决定价、分销和库存管理问题。Baa rdman等人（2017年）开发了一种数据驱动的方法，用于预测新产品的需求。本文开发了一种识别可比产品的机器学习算法，以预测新产品的需求。

本文通过与强生公司的合作，从分析和实证两方面论证了这种方法的好处。3收入管理分析对企业如何决定如何向客户销售产品具有重大影响；在本节中，我们将讨论在选择建模和评估优化（第3.1节）、定价和促销计划（第3.2节）以及个人收入管理（第3.3节）中的应用。3.1选择建模和产品组合优化产品组合优化指的是决定向客户提供哪些产品的公关问题，以便最大限度地提高客户从提供的产品中做出购买决策所获得的收入。产品组合优化中的一个主要复杂因素是替代行为的存在，此时客户可能会带着特定的产品到达，但如果第一个产品不可用，则会购买不同的产品。Farias et al.（201 3）的论文提出了一个非参数模型，通过将客户群体建模为产品排名的概率分布来表示客户选择行为。这种模型能够表示基于随机效用最大化的任何选择模型，其中包括大多数流行的选择模型（如MNL模型、嵌套logit模型和潜在类别MNL模型）。本文利用一家大型汽车制造商的数据，展示了所提出的方法如何比传统的参数模型（如MNL模型）提供更精确的预测。在以后的工作中，许多论文考虑了如何高效地找到在这种模型下最大化预期收入的产品组合。从可处理性的角度来看，Aouad et al.（2018）表明，分类问题是NPHard-even-to-approxing（APX-Hard），并开发了一种近似算法；Feldman等人。