电子商务行业不断蓬勃发展、行业势头强劲，然而在繁华的背后不少电商平台与商家都遭遇着电商商业模式带来的挑战。在电商销售的过程中，确定订单履行时间是让很多商家“头痛”的难题。如果发货太慢，往往会引起消费者的不满与投诉，会对店铺整体好评度和复购率产生影响。如果发货太快，可能会造成商家利润率下降，因为一些消费者可能会在短时间内连续下单，如果商家能够将这些订单合并可以有效减少物流成本。
日前，浙江大学管理学院数据科学与管理工程学系“百人计划”研究员陈寿长联合南洋理工大学严珍珍教授、新加坡管理大学林云峰教授共同开发了一种新型订单履行模型，帮助卖家确定最优订单发货时间，从而降低成本。
刊发截图
他们的这项研究成果“Managing The Personalized Order-Holding Problem in Online Retailing”于国际顶刊Manufacturing & Service Operations Management 成功刊发，并获得“The Finalist of the 2021 MSOM Data Driven Challenge”奖项。
赚的钱都给了物流公司？他们发现“订单履行”对利润率的巨大影响
当线上购物行为产生时，整个“订单履行”过程除消费者下单外，还包括订单仓库分配、订单分拣、包装，并最终交付给消费者等过程。
2018年，亚马逊在运输成本上就花费了约300亿美元，然而其净收入仅约100亿美元；2017年到2019年之间，京东的订单履行成本约占京东净收入的7%。
仓库订单分配、执行订单分拣和包装，合并或拆分货物......这些电商行业的难题受到了业界与学术界的广泛关注。陈寿长与其团队也关注到了这一问题。在观察了大量案例过后，陈寿长团队发现“订单履行”过程的效率对商家的利润率有着巨大的影响，降低订单履行成本对电商平台起着至关重要的作用。他们由此提出了一个设想，“是否能够确定一个最优的订单策略，以帮助电商商家选择最合适的订单履行时间呢？”
自2020年5月起，历时3年的深入调研，陈寿长团队成功开发了一种新型订单履行模型，构建了一套优化算法，以帮助在线零售商通过使用该模型从而得到“降低成本”和发货“响应能力”的平衡。
预测客户下单后续行为、解析不同用户画像，研究包含四大模型与算法
陈寿长团队表示：“我们的目标是创建一个既准确又易于解释的预测工具。通过使用智能订单履行系统，在线零售商既能够满足客户的需求，又能够降低自身履行成本。”
那么，这项研究到底包含内容？在这一新型订单履行模型中，包含哪些优化程序？它们是如何帮助商家做出正确的订单持有决策的？
01搭建了“顺序决策模型”
陈寿长团队在研究中提出了“顺序决策模型” 来预测分属不同用户画像顾客的下单后续选择行为——即重新下单、继续搜索与离开。
“顺序决策模型”有助于量化延迟订单问题中的权衡（trade-off）问题，在线零售平台可以使用该模型为客户制定个性化的订单延迟政策。
02构建了高维马尔可夫决策模型
在利用“顺序决策模型”量化、权衡延迟订单问题的前提下，研究团队将延迟订单问题建模为高维马尔可夫决策模型，并利用该模型的特殊结构解决该维马尔可夫决策模型具有的“维数灾难”难题。
03推测了最优订单延迟策略的结构
此外，本项研究刻画了最优订单延迟策略的结构，即个性化阈值策略。在电商订单过程中，分属不同用户画像的顾客也分别具有不同的个性化延迟时间阈值。这一阈值可以用来估算顾客延迟订单时间，也就是说，当顾客在该阈值时间内，没有再下新订单时，则不再进行订单延迟。
从下方图片中可以观察到，分属不同画像的用户其个性化阈值也存在着较大的差异。大多数用户的个性化阈值均在10分钟以下，这也就意味着很多顾客下单后的订单延迟过程可以控制在10分钟以内。
个性化阈值分布
04提出了个性化阈值的解析表达式及其可视化表征
团队在本项研究中提出了个性化阈值关于用户画像的解析表达式，使用这一表达式可以对个性化阈值进行更高效的计算。
此外，研究团队进一步以个性化阈值的分段线性逼近方法，实现了对个性化阈值的可视化，并总结出了管理启示。研究表明，对于更有可能在短时间内连续下单的消费者来说，其个性化阈值更高。例如，商家应该为商业用户、会员用户、女性用户以及一线城市用户等制定更长的延迟订单时间。
创新采用“小而美”研究模型，有效为电商平台与商家节约成本
学术贡献
不同于以往的研究，陈寿长团队采用不同的模型，并“贴心”地为从业者、其他领域研究者预留出选择不同理论算法的“可能性”。
首先，为了提高模型与优化算法的可解释性，本研究并没有采用深度学习方法等机器学习中的前沿预测算法，而是创新采用收益管理领域中“小而美”的“顺序选择行为模型”。
其次，基于数据驱动的延迟订单模型也为其它的预测方法留了“接口”，为研究的多维度使用性奠定基础。这一接口的作用在于，工程人员在实际应用中依然可以自由选择自己信赖或习惯的预测方法。
实践价值
1）对多数电商商家具有参考性
研究采用了来自于京东的大数据，对个性化阈值订单延迟策略进行了全面的测试与评估。数据包含了约3万个库存进出计量单位（SKU）、45万位顾客、48万个订单以及两千万条点击记录。其中，海量的点击记录对研究估计顾客在平台上的停留时长发挥了关键的作用。
研究充分体现了大数据对模型优化的助力，海量数据的采用意味着本项研究对大多数商家进行订单持有预测适用且有效。
数据简介
2）帮助电商平台减少订单满足成本
据测算，与其他策略相比，研究团队所提出的个性订单延迟策略，订单在延迟12分钟的情况下，可以帮助电商平台节约1.2%左右的订单满足成本（以2016年京东的年订单量测算，个性化阈值策略可以节约两千万笔订单履行成本）。针对下单频繁的用户数据显示，个性化延迟订单策略能够为商家和平台节约的成本更为显著。
个性化延迟订单策略的性能
电子商务作为互联网时代的重要产业，正以前所未有的速度和规模改变着经济社会中的商业生态。
陈寿长团队的研究密切结合电商企业发展现状，从行业实际痛点出发，以科学研究为商家提供订单决策新方案，有效助力商家节约订单成本以获得更高的利润。为电商平台企业的订单管理难题贡献了管理智慧，极具学术与应用价值，
立足于数智情境，以数智创新与管理赋能行业的创新与突破，促进经济社会发展，浙江大学管理学院一直在行动。
论文摘要
A significant percentage of online consumers place consecutive orders within a short duration. To reduce the total order arrangement cost, an online retailer may consolidate consecutive orders from the same consumer. We investigate how long the retailer should hold the consumer’s orders before sending them to a third-party logistics provider (3PL) for processing. In this order-holding problem, we optimize the holding time to balance the total order arrangement cost and the potential delay in delivery. Methodology/results: We model the order-holding problem as a Markov decision process. We show that the optimal order-holding decisions follow a threshold-type policy that is straightforward to implement: Hold any pending orders if the holding time is within a threshold or send them to the 3PL otherwise. Whenever the consumer places a new order, the holding time is reset, and the threshold is updated based on a cumulative set of the past consecutive orders in the consumer’s shopping journey. Using a consumer’s sequential decision model, we personalize the threshold by finding its closed-form expression in the consumer’s order features. We determine the model’s coefficients and evaluate the threshold-type policy using the data of the 2020 MSOM Data Driven Research Challenge. Extensive numerical experiments suggest that the personalized threshold-type policy outperforms two commonly used benchmarks by having fewer order arrangements or shorter holding times. Furthermore, personalizing the order-holding decisions is significantly more valuable for “enterprise” customers. Managerial implications: Our research suggests a higher threshold for consumers who are more likely to place consecutive orders within a short duration. The consumers’ demographic information has a significant effect on the threshold. Specifically, the threshold is higher for “plus” consumers, female consumers, and consumers in the age group of 16–25 years. The threshold for tier 1 cities is lower than that for tier 2 to tier 4 cities but higher than that for tier 5 cities.
