基于NPV的OIH，运筹学在供应链清滞的应用案例

目前供应链技术的两大热点，

一是机器学习对于供应链“不确定性”的应对方面，比如，销量预测、弹性定价，

另一类是运筹学对于供应链中“多重变量制约下的最优解”的推进，比如，需求和供应能力之间在仓网布局、物流规划上的最优解、动态环境下库存处置决策（持有 or 大促or 清仓）的最优解。

就是这里说的基于NPV的OIH。

NPV就是净现值，OIH就是optimized inventory health。

电商的经营，最日常的决策动作就是，product, place, promotion；什么地点、多少数量，这个依赖预测； 多少promotion合适，就是以GMV、profit为目标的求最优解。

NPV，净现值，用来度量，各种库存处置决策的优劣。

比如，清滞销的问题，就是库存处置决策一种。

表面问题：商品是否滞销？

对于手头的库存，我们可以做哪些选择

• 持货待售

• 退供应商

• 清仓

• Markdown，即降价促销

• 报废

从机会成本的角度重新描述问题

• 收益最大（成本最小）的决策是什么？

• 持货待售的价值如何计算？

• 是否有更好的选择？

从这种角度看待库存处置举措,和业界常见的使用"库存周转天数/周数"看待库存健康情况,这两种角度 / 计算方式, 既有区别,也有联系.

最直观的看，基于NPV的库存决策和以下一些因素相关：

• 持货待售的收益NPV：仓储成本、资金占用成本；

• 降价促销收益NPV：促销价格，促销后销量

• 退回供应商NPV：退货价格，再补货的采购成本

比如，涉及的变量有：

举例,某洗衣机

如果,无任何干预,完全按照销量预测的数量,正价自然销售的话,12周得到的收益的净现值是:

而用GORUBI平台,基于(选项1:继续持有商品,按照正价自然销售, 选项2:可以退回供应商收回部分货款,并且节约仓储持有成本) 这两种选项可能, 允许每周做一次库存处置决策,这种情况下的, 12周每周的动作,和净现值如下: 

两图比较,二者净现值相差一万多,也就是36万的库存成本中取得了一万多的收益.

优化的逻辑如下:

更多细化、深入优化的点：

• 产品生命周期（比如退市阶段的商品，rebuy肯定是受限制的）

• markdown不同商品，有的降价后销售剧烈上升，有的变化不大