运营管理中的数据分析：综述

（2013）考虑为等待名单上的已故捐赠者肾脏设计动态分配政策。在分配政策的设计中，一个关键目标是效率，即为患者分配（移植）肾脏的好处。然而，另一个目标是公平，即确保具有某些特征的患者不会被分配政策系统地低估。作者建议将问题表述为线性优化问题，其目标是在公平约束下最大化效率（聚合匹配质量），并使用线性回归（linearregresion）从线性优化问题的解中推导出评分规则，以使用患者和供肾的属性预测匹配的公平调整质量。本文表明，与当时的现有分配政策相比，拟议的政策能够满足相同的公平标准，同时导致总质量调整寿命年增加8%。Gupta等人（2017年）考虑了针对个体进行治疗或干预的问题。临床研究研究经常指出，一种治疗方法在大量人群中具有某种聚集效应。然而，在该人群的不同亚群中，治疗效果可能存在显著的异质性。例如，一个病得很重的人从治疗中得到的好处可能比一个病得不严重的人少。

那么，一个自然的问题是，如何将干预措施分配给人群中的个体，以最大限度地提高聚集效应，并限制可以治疗的个体数量（即，不可能简单地治疗每个人），以及缺乏对个体水平治疗效果的了解？本文将该问题描述为一类稳健优化问题，其中不确定性集表示所有异质性处理效应，这些效应与研究的聚集特征一致。本文使用了案例管理干预的数据，以减少成人医疗补助患者对急诊科的利用率，并展示了支持的稳健优化方法提供了优于医生通常使用的评分规则的设置。Bertsima s et al.（2016）的论文从不同的方向考虑了胃癌联合化疗临床试验的设计。本文作者构建了一个大型胃癌临床试验数据库，并利用该数据库构建了两个预测模型：一个模型根据试验患者的特点和不同药物的剂量预测试验患者的中晚期生存率，和另一个模型来预测该试验是否会显示出严重毒性患者的不可接受的高分数。然后，利用这些预测模型，本文制定了一个混合整数优化模型，用于决定下一个药物组合，以测试给定队列的患者，从而根据预测毒性的限制，最大化预测的总体生存中位数。

该方法采用基于模拟的方法进行评估，并将拟定的临床试验与数据中最相似的试验进行匹配；两种评估方法都表明，所提出的方法可以提高III期临床试验中所选方案的总体疗效。4.2医院层面的问题在医院层面，Rath等人（2017）的论文研究了美国最大医疗中心之一加利福尼亚大学洛杉矶分校罗纳德·里根医疗中心（RRMC）的手术安排问题。在RRMC接受手术的患者需要三种不同类型的资源：麻醉师、外科医生和手术室。在这项研究之前，RRMC的麻醉师会手动安排手术，从而导致高手术成本。本文提出了一种基于两阶段鲁棒混合整数优化问题的方法，该方法考虑了手术持续时间的不确定性。所提出的方法已经实施，目前正在使用，通过减少麻醉师加班，每年可节省RRMC约220万美元。Rath和Rajaram的后续文件（20-18）特别关注RRMC的员工计划（决定正常工作需要多少名感觉学家，加班需要多少名）。虽然这些决定涉及有形的、明确的成本（例如，要求一名待命麻醉师介入需要付费），但它们也涉及隐性成本（例如，让一名待命麻醉师，但不给他们打电话）。

本文提出了一种从先前决策数据中提取隐含成本的方法，然后在两阶段整数随机动态规划中使用这些估计值来做出导致总（隐式加显式）成本改善的决策。Zenteno等人（2016）的论文是将优化应用于医院运营的另一个例子。本文描述了Mas sachusetts综合医院（MGH）o fa大规模优化模型的成功实施，以减少围手术期环境中的手术患者流量拥挤，而无需额外资源。本文研究了一个n优化模型，该模型通过减少一周内的最大平均入住率来重新安排选择性分组时间表，以平滑平均住院人数普查。该模式由MGH医院实施，提高了MGH手术室的有效容量。受网络收入管理（network revenuemanagement）的启发，布拉沃（thepaper of Bravo）等人（2019）开发了一个基于线性优化的框架，用于在医院网络中进行资源分配和病例组合决策。利用阿曼学术医疗中心的数据，本文展示了该方法如何比当前的做法更好地做出病例组合决策，而当前的做法依赖于基于传统成本核算方法的服务优先级排序。除了优化之外，Ang等人（2015）的论文侧重于预测建模，特别是预测医院急诊室（ED）等待时间的问题。人们提出了许多方法来预测E D等待时间，例如滚动平均估计量、基于流体模型的指标和分位数回归。

本文提出了一种将统计学习的LASSO方法（Tibshirani 1996）与从队列的广义流体模型导出的预测变量相结合的方法。本文使用真实的医院数据展示了推荐的方法在预测等待时间方面如何优于其他方法，从而使均方误差比目前医院常用的滚动平均法降低了30%。4.3患者层面的问题最终，电子健康记录数据的可用性不断增加，导致分析方法应用于医疗性质的患者层面问题。例如，Bastani和Bayati（2015）考虑了一个多武装匪徒问题，在每个时期，决策者可以从众多决策中选择一个，每个决策的回报是高维协变量向量的函数。问题是要找到一个后悔最少的政策。为此，本文提出了一种基于LASSO方法的新算法。本文研究的特殊替代应用是学习最佳剂量：医生遇到各种特征描述的患者（例如，患者的性别、年龄、患者是否有其他先前存在的情况、患者是否正在服用其他药物等），并且必须为每个患者开药，但必须了解不同剂量水平对fly的影响。利用华法林剂量数据集，本文展示了如何有效地使用该方法为开始华法林治疗的患者处方初始剂量。另一个例子是Bertsimas等人（2017年）。

本文考虑的问题是，根据糖尿病患者的医疗属性，为其提供个性化的药物治疗方案，以尽量减少患者的糖化血红蛋白A1C（糖化血红蛋白A1C；衡量患者前2-3个月的基线血糖水平）。本文提出了一种利用k-最近邻算法来确定给定患者在人口统计学（如年龄和性别）、病史（如首次糖尿病诊断后的天数）和治疗史（如之前尝试的方案数量）方面与该患者最相似的患者的方法。通过关注与患者相似的患者，可以估计出患者在每种可能的药物方案下的HbA1C水平，然后推荐一种好的药物方案。利用博斯顿医学中心的数据，本文展示了该方法如何导致HbA1C相对于当前护理标准的临床显著降低。5结论和未来方向在本文中，我们重点介绍了运营管理方面的最新工作，利用机器学习和优化方面的方法优势，允许将大规模数据用于复杂决策。我们通过讨论一些方法学方向来结束我们的审查，我们预计这些方向在未来将变得越来越重要。5.1因果推理机器学习通常涉及使用独立变量集合预测因变量。在许多OM应用中，决策作为独立变量进入机器学习模型。对于这种情况，更相关的观点是理解决策对因变量的因果影响。

这种对决策有效性的关注推动了因果关系方法的研究，这是统计学和计量经济学的一个主要关注领域。因果推理与经验OM的相关性之前已被强调（Ho et al.2017），但Less r e search强调了在规范建模中考虑因果关系的重要性。我们已经讨论了一个例子，B aardman et al.（2018a），它开发了一种使用工具变量方法检测客户对客户趋势的专门估计方法。另一个例子是Bertsimas和Kallus（2016）的pape r，它考虑了从观测数据定价的问题。本文表明，当存在影响历史价格和需求的混杂因素时，数据驱动定价的标准方法实际上是高度次优的，该方法包括建立价格回归模型，然后将收入优化为价格乘以预测价格。本文开发了一个统计假设检验，用于确定预测模型中的价格处方是否最优，并将此方法应用于汽车贷款数据集。除收入管理外，Fisher等人（2016）、Bandi等人（2018）和Chaurasia等人（2019）研究了供应链管理中的因果推断和规定性建模问题，尤其是与在线订单交付速度和后续产品退货相关的问题。Fisher et al.（2016）美国ea准自然实验，以证明在线零售商更快交货的经济价值。Chaurasia等人（2019年）更进一步，通过分析一家大型时尚电子零售商的交易数据集，建立供应链中产品交付差距与产品退货之间的因果关系。

此外，pap er将此因果模型嵌入到数据驱动的优化框架中，以便通过优化产品交付服务来减少产品退货。利用电子零售商的数据，本文表明，2天交货期，即当所有订单都试图在下订单的2天内交货时，通过减少产品退货，每年可节省890万美元的成本。Bandi等人（2018年）还调查了产品退货的原因，重点是动态定价如何在在线零售行业带来更多的产品退货。特别是，他们利用来自同一在线零售商的数据，开发了一个逻辑回归模型，该模型允许他们发现，APAST购买价格下降是回报的另一个原因，因为它会带来机会主义回报。最近，将机器学习与规范分析相结合以处理异质性问题的新方法不断出现。Alley等人（2019年）提供了一个在二级市场定价时估计价格敏感性的框架。由于门票的三元性，每张门票上市时的独特市场条件，以及可用门票的稀缺性，需要在单个门票层面进行需求描述。本文介绍了一种用于分类的双正交机器学习方法，该方法通过消除门票和市场特征的条件影响来区分定价对结果的因果影响。此外，本文还展示了如何将这种价格敏感性估计过程嵌入到二级市场门票销售的优化模型中。

这种双重正交化程序也可以应用于其他设置，如个性化定价和估计医疗干预效果。5.2可解释性另一个令人兴奋的未来方向是运营管理中可解释模型的开发。在机器学习中，n可解释模型是一种人类可以轻松看到和理解模型如何将观察映射到预测的模型（Freitas 2014）。解释性是机器学习的一个主要研究领域，原因有二。首先，可解释模型可以深入了解黑箱模型（如随机森林和神经网络）无法解决的预测问题。第二，也是更重要的一点，机器学习模式ls通常不会直接影响决策，而是向人类决策者做出预测或建议；在许多情况下（例如医学），决策者不太可能接受机器学习模型提出的建议，因为他们没有能力理解建议是如何提出的。此外，还有越来越多的法律，如欧盟的《通用数据保护规则》（GDPR）（Doshi Velez和Kim，2017），要求影响算法的用户必须能够对其决策作出解释。虽然可解释机器学习对OM来说还是一个新概念，但最近的一些论文在动态决策的背景下考虑了可解释性。Bravo和Shaposhnik（2018）开发了一种称为DMINOP（挖掘最优策略）的方法，其中一种方法使用可解释的机器学习方法分析随机动态程序的精确解；这种方法使建模者能够深入了解一系列问题的最优策略的结构。

Ciocan和Miˇsi'c（2018）提出了一种算法，以二叉树的形式查找最优停止问题的策略，类似于机器学习中常用的树；本文展示了在期权定价问题中，提出的树策略如何优于近似动态规划得出的（不可解释的）策略，同时更易于理解。随着基于机器学习的决策支持系统在现代商业中的不断发展，我们期望可解释决策成为OM的一个主要研究领域。5.3“小数据”方法随着数据可用性的增加，人们认识到的一个挑战是，这些数据通常是“小”的。这种自相矛盾的说法指的是这样一个事实：虽然人们可能获得的观测值数量很大，但人们必须估计的参数数量也很大。例如，想象一家在线零售商在某一特定类别中提供大量可供选择的公关产品；零售商可能对估计每种产品的需求率感兴趣，但一年内可能只会看到少量的每种产品的采购。Gupta和Rusmevichienton（2017）的论文考虑了如何在这种“小数据”情况下解决线性优化问题，并表明随机优化中的标准方法，如样本平均近似，在这种情况下是次优的。本文基于经验贝叶斯方法和正则化，开发了两种不同的解决方法，随着不确定参数数量的增加，这两种方法可以获得理想的理论保证，以及如何在在线广告组合应用中体现这些方法的好处。Farias和Li（2017）的研究中发现了一种不同的方法，具体考虑了s mall数据体系中的预测，该方法研究了以下问题。