近年来，有关客户购买习惯的数据收集越来越普遍，这使得许多公司使用这些信息来做出运营决策，但如果没有适当的分析方法来处理这些洞察，决策就会出错。
宾夕法尼亚州立大学哈罗德和英吉马库斯工业与制造工程系工业工程助理教授张华南从美国最大的物料搬运、物流和供应链协会MHI获得了 22,500 美元的启动资金，以帮助改善基于收集的数据做出的运营决策。
张教授的研究将侧重于创建一种数据驱动算法，帮助企业通过改善仓库库存预测来提高利润，仓库库存预测是企业决定如何储存产品类型和数量的方式。“目前基于历史数据做出的运营决策就像一个循环：数据、决策、实施和效果，”张教授说。“在管理仓库等高维库存系统时，基于未改变的历史数据实施错误的运营政策会导致‘螺旋式下降效应’，即收集的数据质量和运营决策都会随着时间的推移而恶化。由于可用数据量和可能结果的数量，这是一个难以分析的领域。”
张教授将结合其在运筹学方面的专业知识以及对数据驱动算法和供应链问题的兴趣，致力于创建一种专注于使用客户交易数据来探索客户购买行为的算法。该算法旨在自动改进决策，以有效平衡学习和收入。
张先生对城市仓库尤其感兴趣，因为空间分配问题，不太理想的算法会 加纳电子邮件列表 变得更加成问题。城市仓库通常比传统仓库更小、更昂贵，通常位于空间稀疏、战略性备货至关重要的大都市。
张先生表示，城市仓库之所以受欢迎，是因为零售商提供当日送达服务。“如果一家公司在城市仓库储存了一款商品，并且销量很高，那可能只是因为地理位置优越和送货速度快，”他说。“没有办法证明消费者喜欢或想要这款特定商品。我们需要更好的算法来探索产品选项，以便公司在空间有限的城市仓库中做出更好的选择。”
张先生解释说，一家公司可能会因为某件商品在当地很受欢迎而将其放在城市仓库。很可能，城市里的顾客会因为从城市仓库快速发货的便利而购买该商品，而不是在更远的仓库等待另一件商品。随后，这会导致算法偏向于偏向该商品的数据。
该公司查看了这段时间内收集的数据，可能会根据消费者需求继续在城市仓库中储存该产品。
“数据是供应链行业的新石油，但就像石油一样，未经提炼的数据通常不能直接使用，”张说。“相关性不等于因果关系。这种算法将能够在任何条件下证明它是准确的，不会被数据欺骗。这种‘聪明学习’的策略将有助于减少产品浪费并增加公司收入。