Inventory Allocation Under the Greedy Fulfillment Policy: The (Potential) Perils of the Hindsight Approach
Notice bibliographique
Résumé
We study the inventory allocation problem for an online retailer with multiple warehouses and geographically dispersed demand. The retailer fulfills customer orders using a greedy policy (i.e., ship from the cheapest available warehouse), and determines inventory allocation using the widely adopted hindsight or stochastic programming approach. While this approach is popular in both academia and practice, its limitations remain poorly understood. We show that the hindsight solution coincides with the optimal allocation under the greedy policy, but for a misspecified demand sequence that assumes an overly optimistic realization. This optimism can sometimes be harmless, but it can also lead to substantial inefficiencies. In particular, we identify three conditions under which the hindsight solution is asymptotically optimal as the lost-sales cost becomes large: (i) identical ordering costs across warehouses, (ii) unbounded warehouse capacities, and (iii) independence of demand across locations. Violating any of these may cause the hindsight solution to perform arbitrarily worse than the true optimum under the greedy policy. Surprisingly, we further show that even if the retailer were to pair the hindsight-based allocation with the best-possible fulfillment policy (not necessarily greedy), the resulting total cost can still be arbitrarily suboptimal. The significant sub-optimality extends beyond the asymptotic limiting regime. These findings reveal fundamental limitations of the hindsight approach and highlight the need for more robust allocation strategies in practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».