除此之外，参数名称与ISPO的公式相同（问题3）。对于每一对测试控制分支，比较A中所有文章的目标函数值之和。这尤其意味着，与廉价商品相比，高价商品对结果的影响更大。这一观点与我们合作伙伴的观点一致。出于可比较性的原因，我们考虑用ISPO的目标值之和除以最大收入（用市场价值之和衡量）来衡量收入。这意味着对于初始库存Iab，对于考虑的分支b、规模s和物品a，以及起始价格πawe，计算独立非预期决策的相对实现目标sx=xb，l,Mab∈Bl∈五十、 m∈Mas（36）RRO（x）=通过x最大可能目标实现的目标=-Xa∈斧头l∈LXm∈Mxab，l,m·cab，l,M-κXi=1δi·zai+Xk∈Kexp(-ρk）Xa∈AXs∈S^rak，b，S- ~nuak^nak-帕∈美联社l∈LPm∈Mxab，l,m·cab，l,M-Pκi=1△i·zai+Pa∈APs∈SIab，s·πa。根据a条，实体ZAI表明使用了第i批类型。在销售过程中，我们观察到a和^nak的^rak，b，s（k期的br anch b和siz es的实现收益率）（k期的减价–是或否）。由于我们只考虑分支机构的一个子集，因此我们必须考虑挑选成本、额外批次类型的成本以及固定的mar k-down成本，这些成本必须根据合并分支机构的数量进行调整。通过这种方式，我们得到了第i个选定批次类型的边际成本ΔIf，以及周期k的减记成本uAk。

（完整的符号参考见第3节）。表4显示了第二列和第三列中每一对的相对实现收入。我们发现，与旧方法相比，新方法的使用平均提高了近两个百分点。在下文中，我们使用现场研究的受控设置，以确定结果在统计学上具有显著性，规定的显著性水平为5%，且不对误差分布进行假设（有关假设检验的一般信息，请参见[10]）。我们应用统计学中的Wilcoxon符号秩检验[19]。该检验适用于两个相关序数样本的统计实验，其中不能假设基础分布。这是学生t检验的另一种选择，t检验适用于两个相关或二分样本，假设观测值为正态分布。程序如下：观察结果的差异，他进行了误差测试-RROcontrol–在表4的第四列中，越来越多地按照其绝对值排序。排序意味着testcontrol对的相应秩。此外，这是一个测试的迹象- 他被分配到了军衔。20 M.基斯林、S.库尔兹和J。

RambaTest控制对RROtestRROcontrolRROtest- 该公司的管理层的工作范围为0.5919 0.5919 0.5919 0.5919 0.5819 0.5819 0.5819 0.587-0.5919 0.6072-0.0154-0 0.0154-0 0.055 5 5 0.585 5 5 5 0.5854-0.54-0 0.54-0 0 0.055 5 5 5 5 5 5 5 5 0.585 5 5 5 5 5 5 0 0 0 0 0 0.5898 0 0 0 0 0 0 0 0 0 0 0.5898 0 0 0 0 0 0 0 0.5898 0 0 0 0 0 0 0 0.5898 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5898 0 0 0 0 0 0 0 0 0 0 0 0.5898 0.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5898 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.58914 0.6381 0.4940 0.1441 2815 0.5054 0.5845-0.0791 -2116 0.5927 0.4993 0.0934 2517 0.5872 0.4943 0.0929 2418 0.6078 0.5691 0.0388 1619 0.5762 0.6476 -0.0714 -2020 0.5682 0.5323 0.0359 1421 0.5133 0.4250 0.0883 2222 0.5272 0.5547 -0.0275 -1223 0.4015 0.5942 -0.1926 -3024 0.4628 0.4860 -0.0232 -1025 0.5168 0.4646 0.0522 1726 0.5843 0.4621 0.1222 2727 0.5658 0.4137 0.1521 2928 0.4989 0.4608 0.0380 1529 0.5466 0.5607 -0.0141 -430 0.5593 0.5272 0.0320 13 0.5692 0.5499 0.0193 5.7表4。测试控制对的错误——如果测试分支获胜，则排名为正，否则为负，见表4第五列。秩和是所有带正号的秩和。为了检查测试分支更好的性能方面的重要性，我们计算了纯粹偶然观察到这一或更高秩和的概率。我们的无效假设是：使用新方法不会系统地改进操作。

也就是说，它不会增加在实践中获得更好的客观函数值的概率。这个测试的动机是：如果零假设为真，有符号秩和将导致秩和接近（n+1），没有系统的正偏差。更具体地说：当我们观察秩和k和Pn（X）时，我们可以通过预先定义的显著水平α来拒绝我们的零假设“测试分支在系统上并不优于控制分支”≥ k） <α，其中n是测试控制对的数量。对于表4中的数据，我们得到了318的秩和。获得等式或更高秩和的概率为P（X≥ 318) ≈ 4.02%.n（n+1）是根据高斯和的所有秩的和。综合规模和价格优化问题21因此，我们可以以5%的显著水平拒绝零假设。因此，在81篇文章的整个测试中，测试分支的表现明显优于对照分支。然而，我们可以观察到，在控制分支机构中存在一些操作异常，比如价格下调。为了以最保守的方式估计新方法的影响，我们删除了所有可能受到系统性操作干扰影响的文章。这导致了第二组文章a′，只剩下23篇。表5列出了具体的错误。我们看到，在高循环清理数据的情况下，测试分支的RRO仍然比控制分支高出1.5个百分点以上。我们对这个较小的测试集重复了Wilcoxon符号秩tes TF。Wilcoxon符号秩检验现在产生271的秩和，这导致P（X）的概率≥ 271）=22%的人认为测试分支的性能更好纯粹是偶然观察到的。

因此，对于严重依赖c的更新，我们仍然观察到相关影响（1.5个百分点的改善），这些影响不再被证明是显著的。这主要是因为，对于如此小（但相关）的影响，样本集a′的大小不足以证明其重要性。尽管如此，系统性改善的可能性远远大于观察到的影响纯粹是偶然造成的可能性。到目前为止，我们根据与合作伙伴一起精心设计的目标函数，评估了各种方法的决策质量。然而，有趣的是，新的两阶段方法同时在一些非常重要的标准上优于旧方法。在表6中。2我们列出了所有试验对照对的平均RRO、相对总产量和相对销售额。对于收入和总收益，我们都看到了新方法的改进。与此形成对比的是，新方法的销售额仅略小。现在，新方法做出了哪些不同的决定？在由23篇文章组成的高度清理的数据集上，新的价格优化建议测试分支总共降低14个价格，而控制分支的年度策略导致同一数据集降低18个价格。这种差异可能是因为新方法试图更彻底地平衡销量的增长和单件产量的下降。表7显示了剩余23件物品的新旧方法批次类型设计的差异。最明显的影响是，新方法使用的不同批次类型的数量通常小于旧方法。

由于旧方法试图通过bas上的供应分布尽可能接近部分需求，并且具有合适的地块类型，因此通常会使用尽可能多的地块类型，即使新地块类型的改进很小。新方法的目标不是尽可能地满足需求，而是尽可能地赚取更多的钱。显然，ISPO中的高预测利润并不总是能调整额外的地块类型。因此，ISPO不建议使用这种新的地块类型。在表中，我们清楚地看到，通常使用批次类型（1，…，1）。这是每个分支机构必须至少接收每种尺寸的一件物品这一规则的结果——这一事实降低了控制分支机构的批次类型设计的可能性，因为在这方面，必须根据不完整的交易数据重建控制分支机构的批次类型设计，控制分支机构的多样性总和并不总是达到30。不过，这些地段类型是可靠的。22 M.KIESSLING、S.KURZ和J.RAMBAUtest控制对测试- 5.280 0.587 0.416 1830.6572 0.480 0.486 1830 0.6572 0.480 0.486 0 0.657 0.487 0.486 0 0 0.657 0.486 0 0.780.780.480 0.480 0.480 0.487 0.480 0 0.280.480 0 0 0.480 0 0 0 0 0.487 0 0 0 0 0 0 0 0 0.487 7 0 0 0 0 0 0 0 0 0 0 0.487 7 0 0 0 0 0 0 0 0 0 0 0.487 7 7 7 7 7 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.487 7 7 7 7 7 7 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.487 7 7 7 7 7 7 7 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0607 1114 0.7046 0.2860 0.4186 3015 0.45470.5281 -0.0734 -1416 0.5146 0.3846 0.1300 2217 0.5285 0.4247 0.1038 1718 0.4802 0.5081 -0.0279 -319 0.3562 0.4865 -0.1303 -2320 0.4119 0.4496 -0.0377 -521 0.2195 0.2577 -0.0382 -622 0.4274 0.5437 -0.1163 -2023 0.2262 0.6415 -0.4153 -2924 0.4006 0.3252 0.0754 1625 0.3779 0.4244 -0.0465 -826 0.4759 0.4008 0.0750 1527 0.5926 0.3971 0.1955 2628 0.4458 0.4116 0.0342 429 0.4540 0.4985 -0.0445 -730 0.5278 0.3050 0.2228 27 0.4761 0.4604 0.0157 2.57表5。

测试控制对的RRO–重度清洁更新，23条样本相对实现目标总产量测试0.4761 0.6829 0.7951控制0.4604 0.6744 0.8021表6。替代性能指标，大量收集数据。在评估使用新方法的效果（1.5%到2%的改善）时，应考虑到改进。在表8和表9中，我们展示了ISPO对预期功能值和预期销售额的预测。虽然预期函数值的预测质量似乎不令人满意，但我们发现销售预测相当好。销售可以很好地预测，这更多地表明了一个事实，即基本上所有的东西都已经售出。更重要的是这些销售能赚多少钱。这反过来表明，在决定供应分配时，估算回报是至关重要的。尽管综合规模和价格优化问题并不存在。