Inventory and Pricing with AI Forecasting: Robust vs. Adaptive Policies
Notice bibliographique
Résumé
Background: AI-driven demand forecasting expands the signal space for inventory and pricing decisions, enabling faster reactions to market changes. However, forecast error, non-stationarity, and distribution shifts raise a governance question: should decisions be designed to be robust to uncertainty, or adaptive to feedback?Methods: This review integrates inventory control, probabilistic demand forecasting, dynamic pricing, and robust optimization into a unified decision architecture. We organize prior findings around a closed-loop cycle: data ingestion, forecasting (point and distribution), policy selection (robust/adaptive/hybrid), execution, monitoring, and recalibration.Results: Robust policies protect against tail risk by optimizing over uncertainty sets and worst-case scenarios, but may be conservative and costly in stable environments. Adaptive policies leverage frequent feedback to improve average performance, yet can become unstable under regime changes, delayed signals, or strategic customer responses. The synthesis supports a hybrid design: adaptive learning within robust guardrails (service constraints, pricing move limits, and inventory safety floors).Conclusions: The practical frontier is not “robust versus adaptive” as a binary choice. Best practice is layered: robust feasibility and risk limits at the outer layer, with adaptive learning tuned inside auditable constraints. Future research should prioritize regime-switching demand, decision-focused learning, and explainable pricing and replenishment rules.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».