运营管理中的数据分析：综述

2022-6-14 15:49:56

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。

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

kedemingshi

2022-6-14 15:49:59

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。

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

kedemingshi

2022-6-14 15:50:02

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。

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

点击查看更多内容…

2022-6-14 15:50:05

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。

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

大多数88

2022-6-14 15:50:10

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。

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

nandehutu2022

2022-6-14 15:50:13

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。

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

2022-6-14 15:50:18

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。

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

2022-6-14 15:50:21

（2018）后来提供了一种具有改进保证的近似算法。对于特定类别的基于排名的模型，Aouad et al.（2015）开发了基于动态规划的高效方法，以精确解决辅助优化问题。在不同的方向上，Bertsimas和Miˇsi'c（2018）的论文针对该问题提出了一种新的混合整数优化公式，以及一种基于Benders分解的专门解决方法，用于高效地解决大规模实例。本文以一个基于真实联合分析数据集的产品线设计问题为例，说明了在早期工作中需要一周计算时间才能解决的大规模产品线设计问题是如何在十分钟内用所提出的方法轻松解决的。除了基于排名的模型外，Blanchet et al.（2016）的论文最近引入了基于马尔可夫链的选择模型。在该模型中，从一种产品到另一种产品的替代被建模为马尔可夫链中的状态转移。本文表明，在一些合理的假设下，基于马尔可夫链的模型计算出的选择概率是任何基于随机效用的选择模型的真实选择概率的良好近似，并且如果基础模型是广义吸引模型（GAM），而MNL模式l是其特例，则选择概率是精确的。除了理论界限之外，作者还进行了数值实验，并观察到他们的模型的选择概率相对于任何不同集合的真实概率的平均最大相对误差小于3%，其中平均值取不同集合。3.2定价和促销计划Ferreira et al.（2015）的论文是关于如何将分析应用于定价的一个令人兴奋的例子，该论文研究了Rue La的每周销售额定价。

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

2022-6-14 15:50:28

Rue La La是一家在线时尚零售商，以每周限时销售（称为活动）的显著折扣价格销售designerapparel商品（称为款式）。本文提出了一种在结合机器学习和优化的活动中优化定价方式的策略。该方法的机器学习部分涉及开发一个袋装回归树模型（Breiman 1996），用于根据该款式的价格和其他款式的平均价格预测该款式的需求。优化部分涉及制定一个整数优化问题，其中的目标是找到使所有样式的总收入最大化的样式的价格，这只是样式价格和袋装回归树模型预测的需求的乘积。一般来说，这个优化问题非常困难。然而，如果将所有样式的平均价格固定到给定值，那么问题就会简化，并且可以解决少量较小的整数优化问题，以找到最佳价格集合。本文报道了在Rue La La进行的现场试点试验，以测试该方法，从而使收入增加了约10%。另一个例子是，Analytics在定价领域的差异与促销计划有关。Cohen et al.（2017b）、Cohen et al.（2017a）a s以及Cohen Hillel et al.（2019a）、Cohen Hillel et al.（2019b）考虑分析如何首先适用于单个项目，然后适用于多个项目的价格促销计划。价格促销计划关注的是在一段时间内何时以及以多大的深度促销每个项目。表m很有挑战性，因为在给定的时间段内，一件物品的销售不仅受该时期该物品价格的影响，而且还受该物品之前的价格以及其他物品价格的影响。

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

2022-6-14 15:50:31

例如，如果最近没有促销，今天对一个公司SKU（库存单位）的促销可能会导致销售额大幅增长，但如果公司SKU在前几周大力促销，可能只会导致轻微的变化（例如，客户可能在早期促销期间囤积了该商品）。Cohen等人（2017b）的论文考虑了单项问题，并介绍了该问题的一般混合整数非线性优化公式，其中首先从可用数据中学习需求模型，然后在优化模型的目标中使用该需求模型。本系列工作的目标与零售商在实践中实施的常见商业规则相对应（例如，限制任何固定窗口上的连续促销数量）。虽然优化问题通常在理论上很难解决，但Cohen等人（2017b）展示了基于非线性目标线性化的近似公式如何导致一个有效可解的混合整数线性问题。本文展示了如何在不同类别的需求函数中确定由近似推导出的促销价格表的次优差距。Cohen等人（2017a）后来将该方法推广到多项目价格促销规划问题。最近，Cohen Hillel et al.（2019a）和Cohen Hillel et al.（2019b）考虑了一种只考虑有限定价特征集的需求模型；特别是r，我们考虑了当前时间段内项目的价格、前一时间段内的价格以及过去时间段范围内的最低价格。本文考虑了该模型下的定价问题，即有界内存峰值终端需求模型。

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

2022-6-14 15:50:39

这些论文探讨了如何利用这些价格特征产生的结构，引入定价问题的紧凑动态规划公式，从而有效地解决问题。在该问题的多项目版本中，本文证明该问题在强se nse中是NP难的，但建立了多项式时间近似格式（PTAS）。此外，C ohen Hillel等人（2019b）表明，即使真正的潜在需求模型不遵循有界内存峰值终端需求模型，但其他模型遵循文献中一些更传统的模型，有界内存峰值终端需求模型仍表现良好；本文给出了这一结果的理论界，并用数据进行了检验。利用一家杂货店的数据，这些论文展示了引入的优化方法如何使利润增长3-10%。之前的论文涉及价格促销，价格促销是促销的一种类型。零售商可以使用许多其他促销方法（称为促销工具），例如在社交媒体网站（如Facebook）上发布的折扣、优惠券和公告。Baardma n等人（2018b）的论文认为，应该安排此类促销车辆，以最大限度地提高利润。该论文表明，问题是APX困难的，随后引入了一个非线性整数优化公式，用于在各种业务约束下（例如限制促销车辆使用每个时间段等）的s chedulingpromotion车辆。本文考虑了一种贪心方法以及一种比贪心方法更精确的线性混合整数优化近似。

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

2022-6-14 15:50:42

使用实际数据，pa per展示了两种近似方法的质量以及潜在的改进，约为2-9%。在全渠道零售环境中，消费者可以将门店价格与在线价格进行比较，从而引发具有挑战性的定价问题。Harsha等人（2019年）研究了全渠道运营的价格优化方面。由于需求和供应中存在cr-oss渠道互动，本文提出了两种基于门店库存“分区”思想的定价策略，这两种策略近似于两种不同渠道的使用方式。这两个策略分别基于解决确定性或鲁棒混合整数优化问题，该问题包含多个业务规则约束。通过对美国大型零售商试点实施的分析，本文估计，该方法将使清关期收入增加13.7%。3.3个性化收入管理另一个主要研究领域是个性化收入管理。零售商对个性化产品和服务越来越感兴趣，包括促销活动。个性化是指能够根据个人水平调整决策的能力：在收入管理中，这需要提供不同的价格，改变产品的排序，以及其他决策，如促销和产品捆绑。最近，许多论文都在考虑个性化定价问题。Chen等人。

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

大多数88

2022-6-14 15:50:50

（2015）考虑到公司向客户群体销售单一产品的情况，其中每个客户根据基于客户协变量和价格的logit模型选择购买产品，并且公司可以访问历史交易记录，其中每个记录包含客户的协变量，即产品的价格，以及客户是否购买产品的二元指标。本文提出了一种简单的个性化定价方法：使用正则化的最大似然估计来估计逻辑回归模型的参数，然后为未来客户设定价格，以便在估计的参数下使预测的预期收入（价格乘以购买概率）最大化。本文界定了该政策的预期收入与oracle定价政策的预期收入之间的次优差距，oracle定价政策完全了解客户选择模型。利用航空销售数据，本文展示了所提出的方法如何使收入比为所有客户提供相同价格的定价政策提高3%以上。Ban和Keskin（2017）开发了单个产品的动态定价算法，其中Arriving Customers由特征向量描述，每个时期的需求由一个模型给出，该模型依赖于价格和特征的子集；需求模型允许特性相关的价格敏感性。在这种情况下，pape r根据相关特征的数量对任何动态定价算法的后悔下限进行预测，并开发出具有近似最优后悔的算法。

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

2022-6-14 15:50:53

本文使用一家在线汽车贷款公司的数据，演示了所提出的算法如何比该公司目前的做法以及最近提出的其他动态定价算法带来更多的收入。产品功能的个性化也导致需要开发新的个性化设计和模型。不幸的是，在实践中（尤其是在零售领域），可用的数据不一定处于在个性化水平上开发有意义的需求模型所需的总体水平。开发个性化需求模型的潜在途径是使用社交媒体上的客户数据，这可以直接告知零售商一个客户的购买行为如何影响不同客户的购买行为。然而，对于大多数零售商来说，获取这些数据的成本很高，并且由于隐私问题带来了挑战。Baardman et a l.（2018a）专注于从交易数据中检测客户关系的能力，并将其用于在适当的时间向适当的客户进行有针对性的价格促销。本文开发了一个新的需求模型，该模型区分了基本购买概率（捕获价格和季节性等因素）和客户趋势概率（捕获客户对客户的趋势影响）。估计程序基于正则化有界变量最小平方和工具变量方法，这是计量经济学/因果推理中常用的方法（Angrist和Pischke，2008）。由此产生的customertrend估计随后会反馈到一个动态促销目标优化问题中，该问题是一个非线性混合整数优化问题。虽然该问题是NP难问题，但本文还提出了一种自适应贪婪算法，证明了客户对客户的趋势估计在统计上是一致的，同时也证明了自适应g reedy算法是很好的。

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

2022-6-14 15:50:56

使用Oracle客户端的实际时尚数据，本文表明，需求模型平均将预测误差降低了11%，相应的最优策略将利润提高了3-11%。除了上面讨论的论文外，最近在动态定价与学习领域也有其他研究。Javanmard和Nazerz adeh（2016）考虑了一种单一的产品设置，即在每个时期，只有一个客户在价格低于其估值的情况下购买产品，并提出了一种正则化的最大似然政策，以实现接近最优的预期出口。Cohen等人（2016年）考虑一家公司销售一系列到达的产品，每个产品都由一个特征向量描述。如果每种产品的价格低于产品的市场价值，即假定其与产品的特性成线性关系，则出售该产品。随着越来越多的产品上市，企业观察到市场对产品的反应（购买/不购买决策），企业可以重新定义一个多面体，表示市场估值模型参数的不确定性。本文提出了一种基于n椭球近似多面体的策略，并以一种平衡收入和不确定性减少的方式设定价格，并表明该策略实现了最坏情况下的后悔，在特征数量和时间上具有良好的扩展性。也有很多人对个性化的分拣计划感兴趣。除了个性化定价外，Chen等人（2015年）还根据有限的数据样本，针对上述的顾问个性化问题，提出了类似的理论保证。Golrezaei等人（20 14）在产品库存有限的情况下，考虑每个民族的动态分类。

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

2022-6-14 15:50:59

问题a的困难源于有限的产品库存——如果现在有客户，我们可以选择向他们提供特定产品作为产品组合的一部分，但如果他们选择购买该产品，该产品的库存将完成，我们可能会用完该产品供以后的客户使用。本文提出了一种称为库存平衡的启发式方法，与简单的基准相比，该方法可以显著提高收入。与此同时，也有越来越多的文献研究在动态环境中的产品组合个性化，人们必须在做出销售决策时了解潜在的选择模型。例如，Bernstein等人（2018年）考虑一种基于动态聚类的产品组合个性化的bandit方法。这种方法假设存在客户“pro-files”（属性向量）聚类；然而，集群的数量和集群（从文件到集群的映射）是未知的。该方法涉及使用Dirichlet过程混合模型对集群上的分布进行建模，该模型在Bayesianfashion中随每个事务进行更新。个性化也适用于其他类型的收入管理决策。Ettl et al.（2018）考虑在有限的时间范围内为个人客户提供个性化价格和产品捆绑建议的问题，以便在库存有限的情况下实现收入最大化。本文发展了一系列与库存平衡启发式算法（Go-lrezaei et al.2014）和弱耦合随机动态规划的Lagra-ngian松弛方法（Hawkins 2003）相关的近似算法。

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

2022-6-14 15:51:02

本文使用两个不同的数据集，一个是机票销售数据集，另一个是在线零售商数据集，展示了所提出的方法如何比实际使用的定价和捆绑策略提高收入2-7%。4医疗运营分析机器学习和大数据方法也开始对医疗运营产生重大影响。我们将本文这一部分的讨论分为政策层面（第4.1节）、医院层面（第4.2节）和患者层面（第4.3节）的问题。4.1政策层面的问题许多论文考虑了分析在医疗政策问题中的应用。帕普·奥法斯瓦尼等人（2018年）研究了医疗保险共享储蓄计划（MSSP）。医疗保险引入MSSP是为了应对不断上涨的医疗成本：加入MSSP并将成本降低到某个财务基准以下的医疗保险提供商可以从医疗保险中获得奖金。然而，由于所需的投资，很少有Medicar eproviders能够成功降低成本以获得奖金。Aswani et al.（2018）的论文将医疗保险和每个提供者之间的互动建模为一个委托代理问题，其中医疗保险为每个提供者设置财务基准，每个提供者决定进行何种投资以降低成本。作者使用来自医疗保险的数据，以及基于逆优化的估计方法（Ahuja和Orlin 20 01），学习他们的委托代理模型的参数。利用这一估计模型，他们提出了一个替代合同，其中付款取决于将成本降低到低于财务基准的水平和投资金额，并表明该替代合同可以将医疗费用节省高达40%。Bertsimas等人。

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

能者818

2022-6-14 15:51:05

（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。

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

2022-6-14 15:51:08

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。

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

2022-6-14 15:51:17

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）。

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

2022-6-14 15:51:25

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。

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

2022-6-14 15:51:28

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）。

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

2022-6-14 15:51:31

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。

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

能者818

2022-6-14 15:51:39

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。

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

2022-6-14 15:51:42

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。

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