关于这个两阶段订货的优化问题，我给大家详细说说吧。鲁家琦教授在香港中文大学（深圳）经管学院的团队，跟哥伦比亚大学的Awi Federgruen、帝国理工学院的Zhe Liu合作了一篇论文，把行业里大家都头疼的问题给破解了。他们的研究成果最近发表在国际管理学顶刊《Management Science》上。 咱们先聊聊零售企业面临的两难处境。要是订太早，市场需求还没看清楚就定货，很容易库存积压亏损；要是订太晚，虽然能拿到更准的市场信号，但成本高不说，供货周期也会被拖短。传统的报童模型在这种动态变化的需求面前完全没法用，因为它假设订货时需求信息已经确定了，没法随着时间更新。 香港中文大学（深圳）经管学院的鲁家琦教授，和他的合作者们写了一篇叫“Sourcing with Demand Updates”的论文，专门针对这一行的痛点进行研究。他们想要解决的是：企业怎么根据动态变化的市场需求，制定出最优的两阶段订货策略？说白了就是要告诉大家：到底是分两次补货更划算，还是直接一次搞定就行？这篇论文用了真实的零售数据做验证，证明了这套方法确实管用。 咱们再说说这个研究是怎么解决问题的。论文从经典报童模型的局限性出发，给大家展示了一个更现实的情况：很多零售商会在销售季前先下一个低成本、长提前期的订单（也就是第一批货），这时候他们对平均需求其实心里没底；等快到销售季了，有了试销数据、经济指标或者消费者调研这些新的市场信号后，再补一个高成本、短提前期的订单。这种两阶段采购的模式在快时尚（像Zara）还有大型零售企业（像Five Below）里特别常见。 为了处理这种动态变化的需求预测，论文提出了一套通用的机制。假设一开始预测的平均需求是μ₀，拿到信号X后更新成μ = μ₀ + μ₀^α X，这里的α就是不确定性系数；同时最后实际需求还会有随机波动，它的标准差σ = bμ₀^β也会随初始预测规模变化。基于这个框架，论文系统研究了企业在两个阶段该订多少货。 他们构建的模型用了一条关于α的一阶常微分方程（ODE）来刻画第一阶段的最优订货量；第二阶段的订货量直接解析就出来了。通过对ODE的分析发现：如果α比β大（也就是信号更新的作用更显著），那么安全库存应该跟√(τ²μ₀^{2α})成正比；如果α比β小（条件波动占主导），那经典的单阶段策略就已经接近最优了；如果两者相等，就得用一套复杂的隐式方程来计算。 基于这些结论，他们还提出了一种不需要数值求解ODE的启发式策略OPT -。结果显示：只有当α不小于β时，两阶段采购才会产生显著效益；如果α小于β，直接用单阶段报童模型就好了。 为了验证这个模型的效果，他们还用了美国连锁商店Five Below的真实数据做了校准和验证。结果表明：论文里的通用预测演化模型比传统的加法或乘法MMFE基准模型好得多，用这套策略能帮企业提升利润。 这个研究在理论和实践上都有很高的价值。理论上它统一了经典模型；实践上它提供了一套数据驱动的优化工具。企业只要把历史预测和销售数据拿来拟合一下，就能算出自己的α和β参数，判断要不要花大价钱去搞中期预测更新了。