CN101777147B - 预测建模 - Google Patents

Abstract

本公开涉及预测建模，其中根据表示数据集的模式和第一策略的第一操作变量，确定仿真用于管理数据集的第一策略的第一仿真模型。优化第一仿真模型，并且使用已优化的第一仿真模型计算第一预测数据，该第一预测数据估算用于第一策略的性能。根据第二策略的模式和第二操作变量，确定仿真用于管理数据集的第二策略的第二仿真模型。优化第二仿真模型，并且使用已优化的第二仿真模型计算第二预测数据，其估算第二策略的性能。比较第一预测数据和第二预测数据，并确定第一策略是否优于第二策略。

Description

预测建模

技术领域

本说明书总体上涉及管理数据集的建模策略。

背景技术

在处理中，根据管理处理中使用的策略和决策可以影响性能。虽然可以在已经选择策略或者决策之后优化处理，但是详细数据可能不能用于支持策略或者决策所通知的选择，以便在初始选择以前在管理处理中使用。

发明内容

根据一个一般的实施例，预测建模系统包括至少一个电子数据存储器和至少一个处理器。该至少一个电子数据存储器配置用于存储：数据集、估算用于管理数据集的策略的性能的仿真模型、以及与使用仿真模型计算的策略的估算性能相关的确定结果。该至少一个处理器配置用于从至少一个电子数据存储器访问数据集并标识表示数据集的模式。该至少一个处理器还配置用于访问与用于管理数据集的第一策略对应的第一操作变量，并确定第一仿真模型，其根据表示数据集的标识模式和所访问的第一操作变量，估算用于管理数据集的第一策略的性能。该至少一个处理器进一步配置用于优化第一仿真模型，从而估算执行管理数据集的第一策略的最优化的操作变量，并且使用已优化的第一仿真模型计算第一预测数据，其估算用于管理数据集的第一策略的性能。

另外，该至少一个处理器配置用于访问第二操作变量，该第二操作变量对应于管理数据集的第二策略，并且确定第二仿真模型，第二仿真模型根据表示数据集的所标识模式和所访问的第二操作变量，来估算用于管理数据集的第二策略的性能。该至少一个处理器还配置用于优化第二仿真模型，以便估算执行管理数据集的第二策略的最优操作变量，并使用已优化的第二仿真模型来计算估算用于管理数据集的第二策略性能的第二预测数据。

更进一步地，该至少一个处理器配置用于比较第一预测数据和第二预测数据，并根据第一预测数据和第二预测数据的比较，确定用于管理数据集的第一策略的估算性能是否优于管理数据集的第二策略的估算性能。该至少一个处理器还配置用于在至少一个电子数据存储器中存储确定的用于管理数据集的第一策略估算性能是否优于用于管理数据集的第二策略估算性能的结果。

根据另一个一般的实现，从电子存储器访问数据集，并且标识表示数据集的模式。访问对应于管理数据集的第一策略的第一操作变量，并根据表示数据集的所标识模式和所访问的第一操作变量，确定估算管理数据集的第一策略的性能的第一仿真模型。优化第一仿真模型，以便估算用于执行管理数据集的第一策略的最优操作变量，并且使用已优化的第一仿真模型计算第一预测数据，该第一预测数据估算用于管理数据集的第一策略的性能。

另外，访问对应于管理数据集的第二策略的第二操作变量，并且根据表示数据集的已标识模式和已访问的第二操作变量，确定第二仿真模型，该第二仿真模型估算用于管理数据集的第二策略的性能。优化第二仿真模型，以便估算用于执行管理数据集的第二策略最优操作变量，并且使用已优化的第二仿真模型计算第二预测数据，该第二预测数据估算用于管理数据集的第二策略的性能。

更进一步地，比较第一预测数据与第二预测数据。根据第一预测数据和第二预测数据的比较，确定管理数据集的第一策略的估算性能是否优于管理数据集的第二策略的估算性能。管理数据集的第一策略的估算性能是否优于管理数据集的第二策略的估算性能的确定结果保存在电子存储器中。

实现可以包括一个或多个以下的特征。作为示例，可以执行随机过程来标识复制数据集的随机概率分布。可以从可能的操作变量组合中标识用于可能的操作变量的组合的每一范围的操作变量组合，可以使用第一仿真模型计算预测数据，该预测数据根据已标识的操作变量组合估算管理数据集的第一策略的性能。为可能的操作变量组合的每一范围计算的预测数据可以被分析。根据该分析，可以从可能的操作变量组合中选择出最优操作变量组合，该最优操作变量组合最大化用于管理数据集的第一策略的估算性能。

在一些实现中，可以从电子存储器中访问产品历史的销售数据，并且可以使用随机过程标识产品的需求模式。可以访问使用预测决策管理产品库存的第一操作变量，而且可以确定估算预测决策的性能的第一仿真模型。第一仿真模型可以被优化，来估算用于执行预测决策的最优操作变量，而且可以使用已优化的第一仿真模型计算第一费用数据，该第一费用数据估算执行预测决策的费用。

在这些实现中，可以访问使用再定购决策管理产品库存的第二操作变量，并且可以确定第二仿真模型，该第二仿真模型估算再定购策略的性能。可以优化第二仿真模型，来估算用于执行再定购决策的最优操作变量，而且可以使用优化的第二仿真模型计算第二费用数据，该第二费用数据估算执行再定购决策的费用。

更进一步地，在这些实现中，第一费用数据可以与第二费用数据相比较，该第一费用估算执行预测决策的费用，该第二费用数据估算执行再定购决策的费用。根据第一费用数据与第二费用数据的比较，可以确定执行预测决策的估算费用是否少于执行再定购决策的估算费用。

在一些例子中，可以根据确定的执行预测决策的估算费用是否少于执行再定购决策的估算费用产生输出。在这些示例中，可以计算执行预测决策的估算费用和执行再定购决策的估算费用之间的差，并且产生图表来示出执行预测决策的估算费用和执行再定购决策的估算费用之间的差。利用执行预测决策的估算费用是否少于执行再定购决策的估算费用的指示，可以显示示出执行预测决策的估算费用和执行再定购决策的估算费用之间的差的图表。可以访问如下至少一个：产品的初始存货、产品的交付时间、产品库存储存费用、产品库存装卸费用、平均预测误差、资金的加权平均费用、产品的边界收益以及滞销产品的费用。

在更进一步的实现中，可以标识用于管理数据集的多个约束，而且可以从至少用于管理数据集的第一和第二策略中为多个约束中的每一个确定用于管理数据集的最优策略。在这些实现中，可以计算性能数据，该性能数据使用为多个约束中的每一个确定的最优策略估算多个约束的每一个的性能，可以比较为多个约束的每一个所计算的性能数据，以及根据比较可以产生输出。

更进一步地，可以标识提供产品的多个服务水平，并且对于多个服务水平的每一个，可以从至少一个管理产品库存的预测决策和再定购决策中确定管理产品库存的最优决策。可以使用为多个服务水平的每一个确定的最优策略计算费用数据，该费用数据估算达到多个服务水平的每一个的费用，可以比较计算达到多个服务水平的每一个的费用所计算的费用数据，然后可以在显示设备上显示达到多个服务水平的每一个的费用和边际收益的表示。

在另一个一般实现中，标识感兴趣的多个数据集，并且将所述多个数据集聚集到一个或多个具有类似属性的族中。从数据聚集族中选择一个或多个采样数据集，并且标识表示每一所选采样数据集的模型。访问至少两个用于管理每一所选采样数据集的策略的操作变量，并且确定仿真模型，该仿真模型估算至少两个用于管理每一所选采样数据集的策略的性能。优化每一仿真模型，以便估算用于执行至少两个策略中的每一个的最优操作变量，使用每一已优化仿真模型，执行用于每一所选采样数据集的仿真。针对至少两个策略中的每一个，使用用于每一所选采样数据集的优化的仿真结果执行回归分析，并且根据回归分析，使用回归方程计算性能数据，其估算用于管理所聚集的数据族的至少两个策略中的每一个的性能。根据所计算的性能数据，确定至少两个策略中的哪一个根据所计算的性能数据对于管理所聚集的数据族更好，而且将确定至少两个策略中的哪一个对于管理所聚集的数据族更好的结果保存在电子存储器中。

实现可以包括一个或多个以下特征。例如，可以为每一所选采样数据集执行随机过程，以便标识复制每一所选采样数据集的随机概率分布。多个数据集可以聚集到一个或多个具有类似值的类似操作变量的族中。可以选择包括在所聚集的数据族中的数据集的子集，并且不需要分析所选子集以外的包括在所聚集的数据族中的数据集，可以确定最少两个策略中的哪一个对管理所聚集的数据族更好。

在一些实施例中，可以标识感兴趣的多个低价产品，而且多个低价产品可以聚集到包括具有类似的操作变量的产品的一个或多个产品族中。可以从聚集的产品族中的一个或多个产品中选择采样数据，而且可以使用随机过程确定每一个所选产品的需求模式。对于每个所选产品，可以访问使用预测决策管理产品库存的第一操作变量和使用再定购决策管理产品库存的第二操作变量，针对每一个所选产品确定仿真模型，该仿真模型估算预测决策和再定购决策的性能。可以优化每一仿真模型来估算用于执行每一预测决策和再定购决策的最优操作变量，而且可以使用每一优化的仿真模型执行每一所选产品的仿真。对于每一个预测决策和再定购决策，可以使用每一所选产品的优化的仿真结果执行回归分析，而且可以根据回归分析，使用回归方程计算性能数据，其估算用于管理聚集的产品族的库存的每一预测决策和再定购决策的性能。根据所计算的性能数据，可以确定预测决策和再定购决策中的哪个更适于管理聚集的产品族的库存，而且确定预测决策和再定购决策中的哪个更适于管理聚集的产品族的库存的结果可以保存在电子存储器中。

在这些实现中，可以确定预测决策和再定购决策中的哪个更适于管理聚集的产品族的库存，而不需要分析聚集的产品族中的所有低价产品。另外，可以确定预测决策和再定购决策中的哪个更适于管理聚集的产品族的库存，而不需要分析聚集的产品族中的所有数据。

在另外的一般的实现中，预测建模系统包括至少一个电子数据存储器和至少一个处理器。该至少一个电子数据存储器配置用于存储多个数据集，估算用于管理数据集的策略的性能的仿真模型，以及确定使用仿真模型计算的策略的相关估算性能的结果。该至少一个处理器配置用于标识多个感兴趣的数据集，并且将多个数据集聚集到一个或多个具有类似属性的族中。该至少一个处理器还配置以便从数据聚集族中选择一个或多个采样数据集，而且标识表示每一所选采样数据集的模型。该至少一个处理器还配置用于访问用于管理所选采样数据集的至少两个策略的操作变量，并且确定仿真模型，该仿真模型估算用于管理每一所选采样数据集的至少两个策略的性能。

另外，该至少一个处理器配置用于优化每一仿真模型，以估算执行至少两个策略的每一个最优操作变量，而且使用每一个以优化的仿真模型执行用于每一所选采样数据集的仿真。该至少一个处理器还配置用于使用每一所选采样数据集的已优化的仿真结果，为至少两个策略的每一个执行回归分析，然后根据回归分析，使用回归方程计算性能数据，该性能数据估算用于管理所聚集的数据族的至少两个策略的每一个的性能。该至少一个处理器还配置用于根据计算的性能数据确定至少两个策略中的哪一个能更好地管理数据聚集族，并且在至少一个电子数据存储器中存储确定至少两个策略中的哪一个能更好管理数据的聚集族的结果。

整个公开所描述的任何技术的实现可以包括方法或者过程、系统或者存储在计算机可读存储设备上的指令，下文将结合附图和描述阐明具体实施例的详细内容。根据包括附图和权利要求的以下描述将使其他的特征变得显而易见。

附图说明

图1是示例的处理的环境示意图。

图2是示例的系统的方框图。

图3到图6、图8和图9是示例的处理的流程图。

图7是示例的输出，其示出用于管理数据集的多策略的性能的比较。

图10是示例的系统的示意图。

具体实施方式

根据一个一般的实施例，用于管理数据集的多策略(例如决策)被建模，以及运行用于执行多个策略中每一个的仿真。比较仿真的结果，从所建模的多策略中标识所预测的最优策略。可以将预测的最优策略标识为策略，其中仿真结果表示最佳性能(例如，仿真结果表示最小的费用或者最大收益的策略)。标识所预测的最优策略的数据可以存储起来并显示给用户。用户可以选择是否实现所预测的最优策略，或者企业信息技术系统可以根据预测最优策略自动地更新配置而不需要用户干涉。

用于管理数据集的策略(例如，决策)广泛地涉及影响数据的策略。例如，用于管理数据集的策略(例如，决策)可以是用于管理或者实现产生数据的处理(例如，导致数据生成的处理)的策略(例如，决策)。策略(例如，决策)可以影响通过处理产生的未来数据，而且与处理相关的过去数据的各个方面可以用于建模和仿真策略(例如，决策)。数据集可以是在某些方面相关的数据(例如，由特定处理产生的数据或者涉及类似的或者相同项目的数据)可以是任何数量的数据(例如，单个条目或者多个条目)，并且可以是任何格式的。

在一个示例中，管理数据集的策略可以是公司用来管理特定产品库存的库存管理策略。在这个示例中，特定产品过去销售的数据可以用来对特定产品的顾客需求进行建模，而且顾客需求可以用于仿真管理特定产品库存的多个不同的库存管理策略。多个不同的库存管理策略产生与特定产品相关的期货交易和/或库存量数据。多个不同的库存管理策略可以被建模、仿真并且进行比较，来标识特定产品的最优存货管理策略。

图1示出了示例的处理100，其用于建立模型以及比较多个用于管理数据集的策略。处理100通常描述为通过处理器执行。在一些实施例中，处理器可以包括在电子器件或者系统中。处理100可以由包括在一个或者多个电子器件或者系统中的多处理机来执行。

处理器使用数据存储器110来电子地存储数据(例如，数据集)。如所示，存储在数据存储器110中的数据聚集在具有类似属性的多个数据的聚集或者族112、114中。例如，多个不同的数据集可以基于数据的属性(或者产生数据的处理的属性)具有相似性而聚集在一起。数据聚集族112、114可以显示类似的模式，或者可以由具有类似的操作变量的处理产生。处理器可以使用自动化处理将数据集聚集起来，该自动化处理比较数据集的相关属性，并且根据比较将具有类似属性的数据集聚集在一起。

对数据集进行聚集可以降低分析和比较用于管理数据集的不同策略的费用。特别地，聚集使系统能够分析并比较用于管理所聚集的族的采样(例如，子集)的不同的策略，而不是分别分析和比较用于管理每个数据集的不同策略。处理器将分析和比较用于管理采样的不同策略的结果应用于整个所聚集的数据族。因为包括在所聚集族中的数据集具有类似的属性，分析和比较用于每一个数据集的不同的策略的结果很可能相同或者类似。因此仅仅对聚集的数据族的采样(例如，子集)执行不同的策略的分析和比较，并将结果应用到全部的族，这可以减少执行所聚集数据族的分析需要的费用和/或计算资源(可以是实质上的)，因为不需要分别地分析每个数据集。另外，聚集可以提高最优决策的预测的准确度。

例如，为了分析低价产品的多个不同的库存管理策略，低价产品(例如，低利润率的产品)可以聚集在一起。因为出于产品的低利润率和/或存在的低价产品的数量很大的原因，执行分析每一个低价产品(例如，口香糖的包装、糖果条、单瓶装苏打水、小包装电池等等)的多个不同的库存管理策略的费用或许并不合理，所以将低价产品聚集在一起，并且根据所聚集的与分析有关的保存费用，来分析采样并在为全部的低价聚集提供合理的库存管理分析。因此，将低价产品聚集在一起可以允许低价产品来获得对低价产品分析多个不同库存管理策略的收益(或者大部分收益)，否则执行对任何一个低价产品的分析则并无意义。

在数据存储器110中的数据已经聚集起来之后，处理器从至少一个所聚集的族112中获取数据的采样116、118。采样116、118可以是包括在至少一个所聚集的族112中数据的普通采样(例如，来自包括在所聚集的族中的所有数据集的数据采样)或者可以是一个或多个包括在所聚集的族中数据的特定的集(例如，整个数据集，但少于所有集)。采样数据116、118可以随机选择或者使用表示整个族的标识数据的采样的技术来选择。虽然图1示出了选中数据的多个采样，也可以选择单个数据采样，并且分析数据的单个采样来表示整个所聚集的数据族。

对于每个采样116、118，处理器标识表示相应采样116、118的模式120、122。通过如随机过程分析数据采样116、118并且确定仿真数据的采样116、118的随机模型或者概率分布，处理器可以标识模式120、122。模式120、122可以是模型或者方程，其表示数据的采样116、118，并且可以用于估算参数(例如操作策略)。

在系统100建模并且比较所聚集的产品数据族的多个库存管理策略的实现中，每一采样116、118可以对应于特定产品的过去的销售数据，而且每一模式120、122可以是如下模型，该模型仿真特定产品的需求模式。需求模式可以使用随机过程来确定，并且可以是特定处理遵循的概率分布。需求模式可以使用随机数方程来建模，该随机数方程按照费用数据最接近地复制需求量。

处理器还访问该处理器建模并且比较的用于管理数据集的多个不同策略(例如，决策)的每一个的操作变量131、132。操作变量131、132是有关管理数据集的多个不同策略的变量或者约束。操作变量131其自身和/或特定操作变量值可以等于操作变量132，或者可以不同于操作变量132。操作变量131、132可以由处理器接收作为用户输入(例如，通过用户输入到电子数据表中)，或者可以从电子存储器中访问。

在处理器建模并且比较所聚集的产品数据族的多个库存管理策略的实现中，操作变量131、132可以涉及有关销售该特定产品和该特定产品补充存货的约束。例如，操作变量131、132可以提供交付时间，定购费用、装卸费用(handling cost)、零售价格、最小/最大库存、要保持的库存、订货量等等。在零售商之间操作变量131、132可以是不同的，因此操作变量131、132可以针对具体产品的具体的零售环境而定制。操作变量131、132可以是恒定的值或者可以是一定范围的可能值。当操作变量131、132是一定范围的可能值时，在优化仿真模型时，可以在所述范围内分配和考虑对应于每一价格的费用。

处理器使用模式120、122和操作变量131、132，来确定管理数据集的多个不同的策略(例如，决策)的每一个的仿真模型141、142，其中处理器对该数据集进行建模和比较。可以为每个数据采样(例如，从所聚集的产品数据族中选择出来的每个产品)确定每个决策的仿真模型。要确定仿真模型141、142，可以为管理数据集的每一个策略预先确定基准仿真模型。然后基准仿真模型可以根据模式120、122和操作变量131、132调整和定制。

例如，仿真模型141、142可以为两种不同类型的库存管理策略建立模型。即，仿真模型141可以为预测库存管理策略而建模，并且仿真模型142为再定购库存管理策略而建模。根据预期的需求和当前的库存，预测库存管理策略预估特定产品的需求，并且定购特定产品的追加库存。当特定产品低于最小阈值时(例如，当产品的全部库存已经耗尽或者只有少数单位产品剩余时)，再定购库存管理策略定购特定产品的追加库存。

当仿真模型141对预测库存管理策略进行建模时，预测库存管理策略的基准模型可以针对具体零售环境中的具体产品而定制。预测库存管理策略的基准模型可以对在实现预测库存管理策略时出现的处理进行建模，并且可以作为输入而接受产品的需求模式和控制零售环境操作的操作变量(例如零售价格，交付时间等等)。基准模型可以根据需求模式和操作变量调整，以便确定为特定零售环境中的特定产品而定制的仿真模型。已更新的仿真模型可以包括用于实现预测决策的变量(例如，待定购库存的数量以及定购新的库存的频繁程度)，并输出与为实现预测决策的变量所选择的特定价格有关的费用/毛利(contribution)(例如，利润)。

当仿真模型142对再定购库存管理策略建模时，再定购库存管理策略的基准模型可以为具体零售环境中的具体产品而定制。再定购库存管理策略的基准模型可以建模处理模型，其出现在实现再定购库存管理策略时，并且可以当作输入接收产品的需求模式和控制零售环境操作的操作变量(例如，零售价格、交付时间，等等)。基准模型可以根据需求模式和操作变量而调整，以便确定为特定零售环境中的特定产品定制的仿真模型。已更新的仿真模型可以包括用于实现再定购决策的变量(例如，待定购库存的数量以及触发定购的库存的最小阈值)，并输出与为实现再定购决策的变量所选择的特定价格有关的费用/毛利(例如，利润)。

在确定仿真模型141、142之后，处理器优化每一个仿真模型，并且使用已优化的模型151、152来仿真用于管理数据集的多个不同的策略中的每一个。为优化仿真模型，处理器使用不同的操作变量组合(例如，不同操作变量值的组合)执行多个仿真，并且标识操作变量的组合，其根据仿真结果来产生最佳性能。在优化期间，处理器可以将操作变量131、132的值改变为如下程度，其中操作变量131、132定义一定范围的可接受值。另外，处理器可以改变实现用于管理数据集的相应策略的操作变量131、132的值，来标识实现策略的最优操作值。例如，当管理数据集的策略是预测库存管理策略时，处理器改变要定购库存的数量和定购新的库存频繁程度的值，来标识库存要定购库存的数量和定购新的库存频繁程度的最优值。

使用优化的操作变量，处理器仿真多个管理数据集的不同策略的每一个。仿真的结果可以包括性能数据，例如实现优化策略的预期费用/毛利度量(例如，利润)。结果可以是概率分布，其包括各种仿真后的结果和与每一结果有关的概率。

根据优化的仿真结果151、152和最优操作变量131、132，处理器执行用于管理数据集的多个不同的策略(例如，决策)的每一个的回归分析。回归分析产生一个或多个方程，其可以用作为整个所聚集的数据族的性能建模的最适合方法。在执行回归分析过程中，操作参数可以是独立变量，而且费用/利润可以是依赖变量。

在采样116、118对应于从使聚集到产品族中的一组产品中选择出来的产品的子集(例如，低价产品)的实现中，优化的仿真结果包括每个所选择产品的费用/收益值和优化的操作变量。处理器使用作为依赖变量的费用/收益和作为独立变量的优化的操作变量来执行回归分析。将回归方程中的依赖变量(例如，费用/收益)建模为独立变量(例如，操作变量)、对应参数和误差项的函数。误差项可以作为随机变量，并表示依赖变量中的未解释的变化。处理器估算参数，来产生通过对每一个所选产品执行的仿真产生的费用/收益以及优化的操作变量数据的最佳拟合。

在产生一个或多个回归方程之后(该回归方程为用于管理所聚集的族112的数据集171、172的多个不同策略的每一个建立模型)，处理器使用回归方程为多个不同策略的每一个产生预测结果181、182。预测结果181、182通常适用于所聚集的数据族112，而不用于任意包括在所聚集的数据族112中的具体的数据集。与优化的仿真结果类似，预测结果181、182可以包括用于相应策略的性能数据，例如实现策略的预期费用/毛利量度(例如，利润)。该结果可以是概率分布，其包括各种预测结果和与每一结果有关的概率。

处理器为每个策略比较预测结果181、182(190)，并产生输出的195。输出195可以表示对所聚集的数据族112执行更好的策略，而且可以提供每一预测结果181、182的显示。例如，处理器可以在电子存储器中存储比较(190)的结果，并且在显示设备上向用户显示输出，其表示在仿真过程中执行哪个用于管理数据族的可能的策略更好。

输出195可以指示在仿真过程中每一更好执行的决策的程度，并且可以指示策略执行在最优等级的概率(例如，风险程度)。例如，输出195可以指示对于第一策略，最优结果优于第二策略，然而第一策略与第二策略相比较对于实现和达到一致结果存在更大的风险。在这个示例中，第一策略的平均预测性能可以小于第二策略的平均预测性能，尽管第一策略的最优性能高于第二策略的最优性能。输出195可以反映实现每一可能策略过程中相对的风险程度，并且因此为用户提供机会来在策略选择决定中考虑风险程度因素。

用户可以考虑输出195来选择是否实现预测的最优策略。在一些实施例中，处理器可以根据预测的最优策略在不需要用户干涉的情况下自动地修改配置。在这些实施例中，当管理数据集的策略是库存管理策略时，处理器可以自动地配置库存管理系统，来利用预测的最优存货管理策略进行定购和/或产生提示或者报告。处理器还可以在库存管理系统中自动地将变量设置为最优操作变量并且改变设置，来实现最优策略(例如，当确定再定购策略是最优时，改变来自预测的策略的设置为再定购策略)。

在更进一步的实现中，处理器可以使用预测最优策略跟踪将来的数据。处理器可以使用跟踪数据来确定是否在处理100中确定的预测是正确的(例如，利润数据符合预测利润)。如果处理器确定预测最优策略的性能是错误的，处理器可以根据新建数据重复处理100，而且更新最优策略的标识。处理器还可以调整(例如微调)要实现的策略的仿真模型，以便更好地预测实际执行的策略的性能如何的结果。

虽然在处理100过程中建模并且比较管理数据集的两个策略，也可以建模以及比较管理数据集的多个(而且假定很多的)策略。另外，可以为多个不同的服务水平的每一个确定最优策略和预测结果，以便能够比较多个不同服务水平的费用。而且，虽然处理100从数据存储器110中将数据聚集到族中，可以为特定的数据集直接建模并进行比较，而不需要聚集。

参考图2，示出了预测建模系统205的方框图200。系统205包括：输入模块210、数据存储器220、仿真模型230、处理器240、输入/输出设备250、控制器260和存储器270。预测建模系统205可以用于确定用于管理数据集的多个策略(例如，决策)的策略比较(例如，多个策略的费用/毛利预测)。预测建模系统205可以在硬件或者软件中实现。

输入模块210导入与处理有关的数据。数据可以包括由特定的处理产生的数据(例如，与过去的产品销售和/或当前产品库存相关的产品数据)。数据还可以包括在用于管理数据集(例如，用于一个或多个库存管理决策中的操作变量)的一个或多个策略中使用的操作变量。例如，输入模块210可以在电子数据表中接收特定产品的库存管理决策相关的数据。

数据还可以包括从处理外部获得的数据。在一些实现中，输入模块210从系统205以外的源接收数据。输入模块210也可以从系统205内部的源接收数据，并且进一步地可以从系统205内部或者从系统205以外的源访问数据。在一些实现中，输入模块210重订格式和/或转换数据，以便该数据可以由系统205内部的其他组件处理并存储。

预测建模系统205还包括数据存储器220。在一些实现中，来自输入模块210的数据存储在数据存储器220中。数据存储器220可以例如是关系数据库，其逻辑上将数据组成一系列的数据库表。数据存储器220中包括的数据可以是例如由特定处理(例如，与过去销售相关的产品数据、需求量和/或产品库存)产生的数据。每个数据库表将数据设置在一系列的列(其中每列表示存储在数据库中的数据属性)和行(其中每一行表示属性值)中。数据存储器220可以例如是面向对象的数据库，其逻辑上或者物理上将数据组成一系列对象。每个对象可以与一系列属性值关联。数据存储器220还可以是一类数据库管理系统，其并不必须是关系数据库或者面向对象的数据库。例如，可以使用一系列XML(可扩展标记语言)文件或者文档，其中每一XML文件或者文档包括属性和属性值。数据存储器220中的数据可以通过唯一的标识符来标识，以便与特定处理相关的数据可以从数据存储器220中获取。

预测建模系统205还包括仿真模型230。仿真模型230可以表示如下模型，其仿真用于管理数据集的多个不同的策略(例如，决策)。例如，仿真模型230可以包括：第一仿真模型，用于管理预测的库存管理决策；和第二仿真模型，用于管理再定购库存管理决策。在一些实现中，仿真模型230从数据存储器220接收基于产品数据的数据(例如，过去销售数据)，并且仿真相应库存管理决策的费用和毛利。在其他的实现中，仿真模型230可以从数据存储器220，或者预测建模系统205以外的源访问上述数据。根据仿真结果(例如，费用和毛利数据)，可以比较多个不同的库存管理决策，并且可以标识最优存货管理策略。

仿真模型230可以是专用硬件或者软件模块，其是预先编程或者预先配置来调用专用的或者有权限的功能。在另一个方面，仿真模型230可以是更普通的硬件或者软件模块，其能够实现一般的和专用的功能。

预测建模系统205还包括处理器240。处理器240可以是适于计算机程序执行的处理器，例如通用或者专用微处理器，以及任意种类数字计算机的任何一个或多个的处理器。通常，处理器从只读存储器或者随机访问存储器或者两者接收指令和数据。处理器240从预测建模系统205的组件接收指令和数据，以便例如输出并存储用于管理数据集的多个策略(例如，决策)的决策比较。在一些实现中，预测建模系统205包括一个以上处理器。

预测建模系统205还包括输入/输出设备250，所述输入/输出设备250被配置来允许用户选择。例如，输入/输出设备250可以是鼠标、键盘、触针或者任意其他设备，其允许用户输入数据到预测建模系统205中，或者与预测建模系统205进行通信。在一些实现中，用户可以是机器，而用户输入可以从机器上运行的自动化处理接收。在其他的实现中，用户可以是个人。I/O设备250还可以包括配置来输出决策比较数据的设备。

预测建模系统205还包括控制器260。控制器260是处理的接口。控制器260可以从处理接收反馈，例如实现库存管理决策的费用和销售数据。响应于该反馈，控制器260还可以引起系统方面的变化，例如示例的，根据该反馈更新仿真模型或者建议备选策略。

预测建模系统205还包括存储器270。存储器270可以是任何种类的机器可读的存储介质。存储器270可以例如存储数据存储器220中包括的数据。在一些实现中，存储器270可以存储指令，其在执行时，使仿真模型230确定用于管理数据集的策略的性能预测(例如，管理产生数据集的处理)。

虽然示例的预测建模系统205显示为单个集成器件，包括在预测建模系统205中的一个或多个模块和应用可以与系统205分离，但是与系统205通信的实现。例如，数据存储器220可以实现在集中式服务器上，其与预测建模系统205通信并交换数据。

参考图3，示出了示例的处理300。示例的处理300根据确定为用于管理数据集的最优策略的策略来产生输出。处理300可以由包括在参考图2上面所述的预测建模系统205中的处理器240来执行。

处理器240标识表示数据集的模式(310)。例如，处理器240可以通过执行随机过程而标识表示数据集的模式，以便标识复制数据集的随机概率分布。模式可以是模型或者方程，其表示数据集并且可以用于估算对应于数据集的前景数据。

处理器240还访问至少两个用于管理数据集的策略的操作变量(320)。操作变量可以是有关至少两个用于管理数据集的策略的变量或者约束，并且影响至少两个用于管理数据集的策略的性能。例如，操作变量可以包括操作量度(例如时间和费用或者执行实现策略过程中的某些操作)以及金融/交易量度(例如在实现策略过程中各种输出产生的费用和利润)。

对于不同的策略，操作变量本身和/或特定的操作变量值可以相同或者可以不同。通过接收(例如，用户输入到电子数据表的)指定操作变量的用户输入，经由网络从另一个设备(例如，客户的计算机系统)接收操作变量，或者从电子存储器中获取操作变量，处理器240可以访问操作变量。

根据标识的模式和访问的操作变量，处理器240确定估算至少两个用于管理数据集策略的性能的仿真模型(330)。处理器240可以从电子存储器中访问预先确定的仿真模型(例如，模板模型)，其能够计算策略的费用和毛利。处理器240然后使用所标识的模式和所访问的操作变量来针对特定于顾客的操作修改预先确定的仿真模型。修改可以包括改变输入变量(例如，假定)和预先确定的模型内部的某些关系。修改预先确定的仿真模型能够对处理器240尝试优化和比较的具体策略定制仿真模型。处理器240还可以根据所标识的模式和所访问的操作变量，来创建仿真模型而不必在之前访问预先确定的仿真模型。可以为每个策略确定单独的仿真模型，以便每个仿真模型与单个策略对应。在一些实例中，当为不同的策略建模时，至少一些仿真模型的一部分可以共享。

处理器240优化仿真模型来估算最优操作变量，其用于执行相应管理数据集的策略(340)。例如，处理器240执行重复的仿真，以尝试找到操作变量的最优组合(例如，操作变量值)，其最小化或者最大化目标变量或者输出。在这个示例中，处理器240可以尝试最小化费用，执行为每个可能的操作变量组合估算费用的仿真，并标识产生最低估算费用的操作变量组合。在优化仿真模型过程中，操作变量可以在定义范围内改变(例如，顾客定义的，由有效操作策略或者满足特殊服务水平的约束定义的，等等)，而且可以具有与改变操作变量有关的相应费用/收益值(例如，提供两天交付时间，十美元费用，以及提供一天交付时间，二十美元费用)。示例的优化程序如图4所示。

参考图4，示出了优化仿真模型的示例处理400。处理400可以由处理器240执行，该处理器240包括在上文针对图2讨论到的预测建模系统205中。

处理器240标识新的操作变量组合(410)。新的操作变量组合是过去没有仿真的可能的操作变量组合。可能的操作变量组合可以根据每个变量在仿真过程中波动的范围来确定(例如，价格变量可以在$1.50和$2.75之间波动)。范围可以由顾客(例如，销售产品的商户)来设置，或者可以根据实现策略的约束(例如，价格变量值不能等于或者低于零)来设置。

在标识新的操作变量组合过程中，可以使用预先确定的增量改变特定的操作变量(例如，$0.05为价格变量)，而不是测试范围内全部可能的数值。预先确定的增量可以由顾客设置(例如，销售产品的商户)或者可以根据实现策略的约束(例如，价格变量不能增加零点几分)来设置。

处理器240还可以根据之前的仿真结果选择新的操作变量组合。例如，处理器240可以改变特定变量，同时保持所有其他的操作变量固定不变。如果处理器240标识出变量值增加对应于性能下降的趋势(例如，费用增加)，处理器240可以放弃在整个范围内改变特别的变量，这是因为过去仿真结果表示进一步的增加不能产生最优性能。

处理器240使用新的操作变量组合来运行仿真模型(420)。例如，处理器240使用新的操作变量组合，仿真对应管理数据集的策略来产生输出。仿真的输出可以包括性能数据，例如实现策略的预期费用/毛利量度(例如，利润)。输出可以是概率分布，其包括多种仿真结果和与每一结果有关的概率。

处理器240确定输出是否更优于使用仿真模型和至少一个先前操作变量组合计算的当前最优输出(430)。在一些实现中，处理器240从电子存储器中访问存储的数据，其包括当前最优输出，而处理器240比较使用新的操作变量组合产生的输出和所访问的当前最优输出。

如果输出多于当前最优输出，处理器240存储输出为当前最优输出(440)，并且存储新的操作变量组合作为当前最优操作变量组合(450)。例如，处理器240在电子存储器中利用使用新的操作变量组合运行仿真模型生成的输出，来替换当前最优输出的先前数据(例如，一个或者多个值)，并且在电子存储器中，利用新的操作变量组合，来代替当前最优操作变量组合的先前数据(例如，一个或者多个值)。如果输出不好于(例如，输出等于或少于)当前最优输出，处理器240使用于当前最优输出和当前最优操作变量组合先前的数据(例如，一个或者多个值)保持不变。

在存储输出(440)和操作变量组合(450)或者确定输出不好于当前最优输出之后，处理器240确定是否存在尚未被测试的更多操作变量组合(460)。处理器240可以参考操作变量组合的日志，其已经尝试优化仿真模型并确定是否已经尝试所有可能组合。

如果存在更多潜在的操作变量组合，处理器240返回与标号410有关的一个或多个操作，并且仿真附加的操作变量组合。如果不存在更多潜在的操作变量组合，处理器240确定最优输出和最优的操作变量组合作为当前存储的最优输出和操作变量组合(470)。在比较仿真的策略和其他的策略时，可以使用最优输出和最优的操作变量组合。

再次参考图3，处理器240使用已优化的仿真模型计算预测数据，其估算相应管理数据集的策略的性能(350)。例如，处理器240使用最优的操作变量组合仿真管理数据集的相应策略。预测数据可以是仿真的结果或者一个或多个使用多个仿真的结果计算的输出(例如，平均结果、中间结果、标准差或者指示估算性能或者结果质量的任意其他的统计量度)。性能数据可以是实现策略的预期费用/毛利量度(例如，利润)，而且可以包括概率分布，其包括多种仿真结果和与每一结果有关的概率。在一些实现中，处理器240使用在优化仿真模型期间计算的最优输出作为预测数据。处理器240为考虑中的每一个管理数据集的策略计算预测数据。

处理器240比较计算的预测数据(360)，并且根据该比较确定用于管理数据集的最优的策略(370)。例如，处理器240比较对每一个仿真策略计算的预测数据，并且标识具有最佳估算性能的策略。在这个示例中，处理器240可以选择具有最小估算费用的策略或者具有最大估算利润的策略。

处理器240还可以为每一个策略比较多种预测结果，并且选择相对于多种预测结果的执行最好的策略。例如，处理器240可以确定客户服务量度和与提供客户服务量度相关的费用的比例，并且选择客户服务相对费用具有最佳比例的策略。在这个示例中，该比例可以是产品交货时间相对客户运输和装卸费用的比值。处理器240可以选择第一策略，而不是第二策略，其具有较低运输和装卸费用，但是具有相对较慢的交货时间。用户可以选择输出(或者输出组合)来用作标识策略达到最佳性能的标准。

处理器240根据用于管理数据集的最优策略产生输出(380)。例如，处理器240提供比较结果的显示。该显示可以包括指示达到最优估算性能的用于管理数据集的策略的消息。该显示还可以包括图表、曲线图、表、或者多个策略的每一个的估算性能的其他直观表示。

参考图5，示出了示例的处理500。示例处理500对至少两个用于管理所聚集的数据族的策略中的每一个的性能进行建模。处理500可以由处理器240来执行，该处理器240包括在上述参考图2描述的预测建模系统205中。

处理器240标识感兴趣的多个数据集(510)。如以上所述，数据集可以包括在某些方面相关的数据(例如，由特定处理产生的数据或者涉及类似的或者相同项目的数据)，可以是任何数量的数据(例如，单个条目或者多个条目)，并且可以是任意格式。处理器240可以标识用户有兴趣管理的多个数据集。例如，处理器240可以接收用户输入，其标识用户有兴趣管理的包括多个数据集的数据库。在这个示例中，处理器240可以接收另外的用户输入，其标识包括在数据库中的具体数据集，或者可以自动地通过标识相关数据项目来确定包括在数据库中的数据集。每个数据集可以由不同的处理产生，或者可以与不同的项目相关。

处理器240将多个数据集聚集到一个或多个族中(520)。处理器240可以将数据集聚集到具有共有模式和/或属性的族中。因为数据集的特征(或者产生数据集的处理)相似，族可以包括可以继承公共管理策略的数据集。处理器可以比较与数据集相关的属性，并且根据该比较将具有类似属性的数据集聚集在一起。

处理器240从聚集的数据族中选择一个或多个采样数据集(530)。采样数据集可以是包括在聚集族中的一个或多个特定的数据集。采样可以随机选择或者使用标识代表整个数据族的数据采样的技术来选择。如在下更详细地描述，处理器240将采样数据集的仿真结果适用于整个数据族，而不必分别分析族中的每个数据集。

处理器240标识表示每一所选采样数据集的模式(540)。处理器可以通过如下方式来标识模式，通过例如随机过程来分析每一采样数据集，并且确定每一采样数据集的随机模型或者概率分布，其仿真相应采样数据集。例如，处理器240可以使用类似于如上所述图3所示参考标号310的方法来标识表示每一所选采样数据集的模式。

处理器240获得用于管理每一所选采样数据集的至少两个策略的操作变量(550)。处理器240可以使用类似于如图3所示参考标号320的技术访问操作变量。

处理器240确定仿真模型，其估算至少两个用于管理每一所选采样数据集的策略的性能(560)。处理器240可以创建仿真模型(或者访问先前创建的仿真模型)，其能够预测至少两个策略的每一个的费用和毛利，并且针对每一所选采样数据集定制每一仿真模型。在这方面，处理器240可以将仿真模型修改为特定于每一采样数据集的操作或者属性。处理器240可以使用与上述根据图3所示标号330类似的方法来确定仿真模型。

处理器240优化所述仿真模型，然后为所选采样数据集的每一个执行仿真(570)。例如，处理器240可以优化每一仿真模型，并且使用类似于上面参考图3所示标号为340和350所述的技术，来为所选采样数据集的每一个产生仿真结果。在使用优化的仿真模型执行仿真之后，处理器240可以针对所选择采样数据集的每一个来标识参数列表以及最优的策略变量。对于所选采样数据集的每一个，该列表可以包括考虑中的至少两个策略的每一个的最佳性能数据和最优的操作变量。

处理器240使用用于至少两个策略中的每一个的优化的仿真结果执行回归分析(580)。回归分析产生一个或者多个方程，其可以用作对整个聚集的数据集的性能进行建模的最佳拟合。在执行回归分析过程中，操作变量可以是独立变量，而性能数据可以是依赖变量。在一些实现中，处理器240访问列表，其包括用于每一个所选采样的最佳性能数据和用于考虑中的至少两个策略中的每一个的最优操作变量，并且针对每一个不同的策略，对列表中的数据执行回归分析。在这些实现中，处理器240确定用于每一个策略的一个或多个回归方程(或者回归系数)，其表示所采集数据的最佳拟合，所述采集的数据定义用于所选采样数据集的最优操作变量和最佳性能。因此，处理器240为特定的策略而确定回归方程(或者多个方程/系数)，其对用于整个数据族的特定策略性能建立模型。

处理器240使用回归方程来对用于聚集的数据族的至少两个策略中每一个进行建模(590)。例如，对于特定的策略，处理器240使用确定的特定策略的回归方程，来对通常用于整个数据族的特定策略的性能(例如，计算性能数据)进行建模。然后，可以将用于特定策略的回归方程的结果和为其他策略确定的回归方程的结果进行比较。根据比较，处理器240标识用于管理整个数据族的最优策略和用于所标识策略的最优的操作变量。因此，处理器240对聚集族的性能进行建模，而不必执行聚集族中包括的每个数据集的仿真。因而，处理器240能够确定至少两个策略中的哪一个更适于管理数据的聚集族，而不必分析所选采样数据集之外的所聚集的数据族中包括的数据集(例如，聚集数据族的子集)。

参考图6，示出了示例的处理600。处理600是处理300的例子，其根据确定为用于管理数据集的最优策略的策略来产生输出。处理600可以由处理器240来执行，该处理器包括参考图2在上面所述的预测建模系统205中。通常，处理600提供数学方案来标识用于特定产品的最优存货策略(例如，在预测和再定购之间)以及用于所标识存货策略的最优变量。

更具体地，处理器240使用随机过程标识产品的需求模式(610)。例如，处理器240标识最适合的随机概率分布，其复制产品的库存消耗。在这个例子中，处理器240从电子存储器中访问产品的历史销售数据，并使用随机过程标识产品的需求模式。在评定优选的库存管理策略时，可以使用需求模式来仿真产品需求。

在一些实现中，处理器240可以以周为时间段，来访问(或者分组)过去几年中的产品历史销售数据。历史销售数据作为一周又一周的一组随机数，并且处理器240尝试将历史销售数据适配到随机数方程中，该方程按照费用复制历史需求。处理器240可以使用随机仿真来将历史的销售数据拟合到最佳的随机数方程。

处理器240访问使用预测策略管理产品库存的第一操作变量和使用再定购策略管理产品库存的第二操作变量(620)。例如，用户可以标识、量化、并且键入与实现每一个预测库存管理策略和再定购库存管理策略有关的操作和财务的变量。处理器240可以通过接收由用户键入操作和财务的变量产生的用户输入，来访问操作和财务的变量，或者可以通过检索来自电子存储器的操作和财务的变量来访问操作和财务的变量。

操作变量可以包括操作量度和财务/交易量度。操作量度可以包括产品需求模式，原始库存和产品的库存位置、产品交付时间、产品定购费用、产品库存储备费用、产品库存装卸费用、产品平均预测误差及其他操作费用和属性。财务/交易量度可以包括加权平均资金费用(WACC)、产品价格、单位产品的边界收益、滞销产品的费用、及与涉及产品的交易(例如，销售)有关的其他财务/交易费用。操作变量使处理器240能够计算与涉及产品的某些事件(例如，对于一段时间，存储特定数量的产品、滞销、进行销售、增加库存等等)有关的费用和利润(例如，损失和收益)，然后预测是否存在特别的销售业务(例如，在潜在错过销售以前重新补充库存，等等)。

当操作变量中没有可能变化时(例如，顾客不愿意改变或者不可能改变)，一些操作变量可以定义为常量，而其他操作变量可以定义为一定范围的潜在值(例如，顾客愿意并有可能在一定范围值内改变操作变量)。当操作变量定义为一范围，可以在优化仿真模型时确定范围内的最佳值。

另外，操作变量可以定义为其他操作变量的功能。例如，公司可以有多个可能的产品交付时间。在这个例子中，每一交付时间可以具有相应运输和装卸费用，其随着交付时间减少而增加。因此，优化交付时间和运输以及装卸费操作变量可以包括标识交付时间/运输和装卸费用对，其产生与提供服务水平相比产生最小费用。

预测库存管理策略的操作变量可以不同于再定购库存管理策略的操作变量(例如，再定购策略不具有预测再补充库存(例如确定定购多少库存以及定购的频繁程度)的增加费用)。与用于再定购库存管理策略的操作变量相比，用于预测库存管理策略的操作变量可以具有不同的值或者不同的范围。例如，与再定购策略相比，因为预测策略在达到最小阈值之前再补充库存，所以预测策略可以具有更高的产品平均存货值。

处理器240确定估算预测决策和再定购决策的性能的仿真模型(630)。可以存在预先确定的仿真模型，用于预测两个库存管理决策(再定购和预测)的每一个的费用和毛利，处理器240可以访问预先确定的仿真模型，并且使仿真模型适用于特定商户以及特定产品。自适应仿真模型可以包括将产品的已标识模式和已访问的操作变量输入到预先确定的仿真模型。自适应还可以包括调整模型内部的某些关系，来负责特定产品的特定商户的操作。将来，仿真模型可以根据在实现用于特定商户(或者类似的商户)和特定产品(或者类似的产品)的相应库存管理决策过程中得到的反馈和实际结果来进行调整。第一仿真模型可以被确定用于预测库存管理决策，而且第二仿真模型可以被确定用于再定购库存管理决策。

处理器240优化仿真模型来估算用于执行预测决策和再定购决策的最优操作变量(640)。特别地，处理器240确定用于预测仿真模型的第一最优操作变量(例如，用于操作变量的最佳值)以及用于再定购仿真模型的第二最优操作变量(例如，用于操作变量的最佳值)。对于每一个预测和再定购决策，处理器240可以执行具有多个可能的操作变量组合的多个仿真来标识最佳库存策略变量。处理器240可以利用与上述涉及图3所示参考标号340类似的技术。

处理器240使用优化的仿真模型计算费用数据，该费用数据估算执行预测决策和再定购决策的费用(650)。例如，处理器240通过使用预测决策的预测仿真模型和最佳存货策略变量执行仿真，来计算用于预测决策的费用数据。处理器240还通过使用再定购决策的再定购仿真模型和最佳存货策略变量，使用执行仿真来计算再定购决策的费用数据。计算的费用数据可以反映与实现相应库存管理决策有关的费用和/或利润。计算的费用数据可以是单个估算值或者估算值的概率分布。处理器240还可以执行对仿真结果的统计分析，并且使用该统计分析作为所计算的费用数据。

处理器240比较所计算的费用数据(660)，并且根据该比较确定用于管理产品库存的最优策略(670)。例如，处理器240比较为预测决策计算的费用数据和为再定购决策计算的费用数据，并且确定哪个库存管理决策提供最小的费用(或者产生最大的利润)。

处理器240根据用于管理产品库存的最优策略来产生输出(680)。处理器240提供预测决策和再定购决策比较结果的显示。显示可以包括指示哪个决策达到较佳估算性能(例如，最低费用或者最高利润)的消息。输出可以包括用于每一个库存管理决策的所计算费用数据的图表、曲线图、表格或者其他直观表示。

图7示出比较多个用于管理数据集的策略性能示例的输出700。输出700是基于管理产品库存的最优策略的输出的例子，其可以根据如上文参考标号680所述的处理来产生。

输出700包括指示哪个决策达到较佳估算性能的消息705。特别地，消息705指示预测决策费用超过再定购决策费用。

输出还包括图表710，示出为执行预测库存管理决策估算的总费用的统计分布716。图表710具有X轴上的估算费用714，和相应Y轴上的概率712。因此，图表710示出与实现预测库存管理决策有关的估算费用和与估算的费用有关的概率。

输出更进一步包括图表720，其示出执行再定购库存管理决策所估算的整个费用的统计分布726。图表720具有X轴上的估算费用724和Y轴上的相应概率722。因此，图表720示出有关实现再定购库存管理决策的估算费用和与估算费用有关的概率。

最后，输出700包括图表730，其示出执行预测库存管理决策所估算的总费用和执行再定购库存管理决策所估算的总费用之间差异的统计分布736。图表730具有X轴上的估算费用差值和Y轴上的相应概率。因此，图表730示出实现预测库存管理决策和再定购库存管理决策之间的估算费用差异和有关该估算费用差值的概率。

关于图8，示出示例处理800。处理800是处理500的例子，其对至少两个用于聚集数据族的策略中的每一个进行建模。处理800可以由处理器240来执行，该处理器240包括在根据图2在上面介绍的预测建模系统205中。

处理器240标识多个感兴趣的低价产品(810)。例如，处理器240接收用户输入，其标识用户有兴趣管理的产品。所标识产品可以是所有低价产品，或者处理器240可以分析所标识产品，并且标识具有低价而且将得益于聚集的那些产品。

处理器240将多个低价产品聚集到一个或多个产品族中(820)。如果包括低价产品，处理器240将低价产品聚集到具有接近的操作和财务变量值的族中。聚集产品可以具有类似的需求量和库存特征，而且，因此处理器240可以确定公共库存管理决策对于优化包括在聚集产品族中的所有低价产品的性能是适当的。处理器240可以比较每一低价产品的属性，并将低价产品分组到具有类似属性的族中。

处理器240从聚集产品族中的一个或多个产品中选择采样数据(830)。一个或多个产品的采样数据可以随机选取，或者使用标识表示整个产品族的产品的技术来选取。采样数据可以包括与从产品族中选择出来的每一个产品子集有关的一些或者所有产品数据。如以下更详细的描述，处理器240将采样产品的仿真结果应用到整个产品族，而不必逐一分析族内的每个产品。不分析族中所有产品可以节约用于分析低价产品的库存管理政策的费用和处理。

处理器240使用随机过程来标识每一个所选产品的需求模式(840)。例如，处理器240标识最佳拟合的随机概率分布，其复制每一个选择产品的库存消耗。在这个例子中，处理器240从电子存储器范围每一个选择产品的历史销售数据，并且使用随机过程来标识每一个所选产品的需求模式。需求模式可以用于在评定更喜欢哪种库存管理决策的条件下仿真产品需要。

处理器240为每个所选产品访问使用预测决策管理产品库存的第一操作变量和使用再定购决策管理产品库存的第二操作变量(850)。对于每个所选产品，处理器240可以使用上面根据图6所示参考标记620所述的技术，来访问第一操作变量和第二操作变量，其中该第一操作变量用于使用预测决策管理相应产品的库存，而第二操作变量用于使用再定购决策管理相应产品库存。

处理器240确定估算每个所选产品的预测决策和再定购决策的性能的仿真模型(860)。例如，对于每个所选产品，处理器240确定估算预测决策性能的第一仿真模型和估算每个所选产品的再定购决策性能的第二仿真模型。处理器240可以使用类似于根据如上所述图6所示参考标记630的技术，来确定估算预测决策和再定购决策性能的仿真模型。

处理器240优化仿真模型，并且执行每个所选产品的仿真(870)。处理器240优化并运行每个所选产品的用于预测决策的第一仿真模型和用于再定购决策的第二仿真模型。针对每个所选产品，仿真结果包括：用于预测决策和再定购决策中每一个的已优化仿真模型以及执行每一最优化仿真模型的费用和毛利估算。表格或者列表可以用来存储所选产品、所选产品的最优预测操作变量、所选产品的最优预测费用、所选产品的最优再定购操作变量以及所选产品的最优再定购费用。处理器240可以优化仿真模型，并且使用类似于上文根据图6所示参考标记640和650所述的技术来执行仿真。

处理器240使用用于预测决策和再定购决策中每个的优化的仿真结果执行回归分析(880)。例如，处理器240访问之前标识的最优操作变量和最优费用，并将最优操作变量和最优费用输入到回归模型中，以便标识与执行预测和再定购决策所需费用和毛利相关的独立变量(操作和财务的变量)和依赖变量之间的关系。结果是一组回归方程，其能够用于族中的每个产品(虽然并未分析每个产品)以便预测执行预测和再定购驱动的库存管理所需费用和毛利。这组回归方程包括：用来计算执行预测决策所需费用和毛利的一个或多个方程以及用来计算执行再定购决策所需费用和毛利的一个或多个方程。

处理器240使用回归方程对聚集的产品族的每个预测决策和再定购决策的性能进行建模(890)。尤其是，处理器240使用回归方程计算与执行预测库存管理决策所需费用和毛利相关的第一预测数据和与执行再定购库存管理决策所需费用和毛利相关的第二预测数据。第一预测数据和第二预测数据两者都适用于全部聚集的产品族，并且可以经比较来确定聚集的产品族的预测库存管理决策是否优于再定购库存管理决策。

参考图9，示出示例处理900。处理900根据管理数据集的多个可能的服务水平之间的比较来产生输出。处理900可以由包括在上文参考图2所述预测建模系统205中的处理器240来执行。

处理器240标识管理数据集的建议的服务水平(910)。建议的服务水平可以是特定商户考虑对特定产品出价的不同的服务水平。服务水平涉及商户对产品或服务提供的客户服务种类。例如，服务水平可以是从商户接收定购开始到商户履行定购需要花费的时间。在这个例子中，第一服务水平可以是在接受起二十四小时内百分之95的订单装运，而第二服务水平可以是在接受起二十四个小时内百分之90的订单装运。服务水平可以具有与其相关的不同费用，当而顾客决定要提供的服务水平时评定费用差异。

处理器240从多个管理数据集的决策中确定每个服务水平的最优决策(920)。例如，对每个服务水平，处理器240确定预测库存管理决策还是再定购库存管理决策具有满足相应服务水平的较低费用。在这个例子中，在确定哪个决策具有较低费用过程中，处理器240还确定预测库存管理决策和再定购库存管理决策中每一个的最优操作变量。处理器240可以使用任意如上所述处理300、500、600、和800来确定特定服务水平的最优策略。

处理器240计算性能数据，其使用为服务水平确定的最优决策来估算每个服务水平的性能(930)。例如，处理器240使用最优策略和最优操作变量组合来仿真服务水平的性能。预测数据可以是仿真的结果或者一个或多个使用多个仿真结果计算的输出(例如，平均值结果、中值结果、标准偏差、或者任何其他的表示结果的估算性能或者品质的统计度量)。性能数据可以是实现决策预期的费用/毛利量度(例如，利润)，并且可以包括概率分布，其包括各种仿真结果和与每个结果相关的概率。通过使用最优策略计算估算每个服务水平性能的性能数据，处理器240针对每一个所建议的服务水平设置费用水平，该费用水平可以用来比较所建议服务水平。

处理器240比较为每个服务水平计算的性能数据(940)。例如，处理器240标识提供最少费用或者最佳性能(例如，最大利润)的服务水平。在比较不同的服务水平的费用/毛利过程中，处理器240可以考虑增加的需求或者顾客满意。在一些实施例中，处理器240可以以如下方式设置所计算的性能数据，该方式支持用户评定与不同服务水平有关的不同费用，而不必将服务水平标识为优选的。在这些实现中，处理器240可以产生列出不同服务水平和与其相关费用的列表。处理器240还确定从第一服务水平改变为第二服务水平增加特定数量的费用。

处理器240根据该比较产生输出(950)。例如，处理器240可以显示指示哪个所建议的服务水平提供最佳性能的消息，或者可以提供一列所建议服务水平的性能。处理器240还可以以支持用户比较不同的服务水平的形式，显示针对每个所建议服务水平所计算的性能数据。例如，处理器240可以显示列出不同服务水平及其相关费用的列表，或者提供从第一服务水平改变为第二服务水平增加的特定数量的费用。

处理器240可以进一步在电子存储器中存储比较的结果和针对每一服务水平所计算的性能数据。另外，在其中处理器240标示最优或者优选服务水平的实现中，处理器240可以根据预测的最优服务水平，在不需要用户介入的情况下自动更新系统205的配置。在这些实现中，处理器240可以自动配置库存管理系统，以便使用所标识的服务水平的最优库存管理决策和最优操作变量来进行定购和/或产生提醒或报告。

图10是普通计算机系统1000的框图。系统1000可以用于结合之前描述的任意计算机可实现方法所介绍的操作。系统1000包括：处理器1010、存储器1020、存储设备1030以及输入/输出设备1040。每个组件1010、1020、1030和1040使用系统总线1050互连。处理器1010能够处理在系统1000内部执行的指令。在一个实现中，处理器1010是单线程处理器。在另一个实现中，处理器1010是多线程处理器。处理器1010能够处理存储在存储器1020或者存储设备1030中的指令，以便在输入/输出设备1040上显示用户接口的图像信息。

存储器1020在系统1000内部存储信息。在一些实现中，存储器1020是计算机可读存储介质。在一个实现中，存储器1020是易失性存储单元。在另一个实现中，存储器1020是非易失性存储单元。

存储设备1030能够为系统1000提供大容量存储器。在一些实现中，存储设备1030是计算机可读存储器介质。在多个不同的实现中，存储设备1030可以是软盘设备、硬盘设备、光盘设备或者磁带设备。

输入/输出设备1040为系统1000提供输入/输出操作。在一个实现中，输入/输出设备1040包括键盘和/或指示设备。在另一个实现中，输入/输出设备1040包括用于显示图形用户接口的显示器单元。

所述特征可以实现于数字电子电路中、或者在计算机硬件、固件、软件、或者在它们的组合中。设备可以在有形地实现于机器可读存储设备中的程序处理器执行的计算机程序产品中实现；而方法步骤可以由执行程序指令的可编程处理器执行，以便执行所述实施例功能，通过基于输入数据的操作并产生输出。所述特征可以在可编程系统上执行的一个或多个计算机程序中实现，该可编程系统包括耦合的至少一个可编程处理机，以便从数据存储系统、至少一个输入设备以及至少一个输出设备接收数据和指令，以及向其发送数据和指令。计算机程序是一组指令，其可以在计算机中直接或者间接地使用，以便执行某种活动或者产生某一结果。计算机程序可以用包括编译语言或者解释语言的任意形式的编程语言来编写，并且可以以任意形式部署，包括作为独立程序或者模块、组件、子例程、或者在计算环境中适用的其他单元。

通过举例，适于执行程序结构的处理器包括，通用和专用微处理器两者、以及单独的处理器或者多处理机之一、或者任意种类的计算机。通常，处理器接收来自只读存储器或者随机访问存储器、或两者的指令和数据。计算机的元件是用于执行指令的处理器和用于存储指令和数据一个或多个存储器。通常，计算机还包括，或者可操作地耦合，以便与一个或多个储存数据的大容量存储设备通信，此类设备包括磁盘，例如内部硬盘和移动硬盘；磁光盘；和光学磁盘。存储设备适于有形地实现计算机程序指令和数据，其包括所有形式的非易失性存储器，该存储器例如包括半导体存储设备，例如EPROM、EEPROM和闪速存储器设备；诸如内部硬盘和移动磁盘的磁盘；磁光盘和CD-ROM和DVD-ROM磁盘。处理器和存储器可以通过ASIC(专用集成电路)来增补，或者合并到ASIC(专用集成电路)中。

提供与用户的交互，该特征可以在计算机上实现，该计算机具有：用于显示信息给用户的显示设备，例如CRT(阴极射线管)或者LCD(液晶显示)监视器；键盘和指示设备，例如鼠标或者轨迹球，由此用户可以提供到计算机的输入。

该特征可以在计算机系统中实现，该计算机系统包括：后端组件，例如数据服务器；或者包括中间件组件，例如应用服务器或者因特网服务器；或者包括前端组件，例如具有图形用户界面或者因特网浏览器的客户计算机，或者任何它们的组合。系统组件可以通过数字数据通信(例如通信网络)的任何组成或者介质连接。通信网络的例子包括，例如，LAN、WAN以及形成因特网的计算机和网络。

计算机系统可以包括客户和服务器。客户机和服务器通常彼此远离，而且一般通过例如上述网络来交互。通过计算机程序产生客户机和服务器之间的联系，该计算机程序运行在各自计算机上并且彼此具有客户端-服务器关系。

已经描述了多个实施例。然而应该理解，在不脱离本公开精神和范围的情况下可以产生各种各样的修改。因此，其他的实施方式也是处于以下权利要求书范围内。

Claims (20)

1.一种预测建模系统，包括：

至少一个电子数据存储器，被配置来存储：数据集、估算用于管理数据集的策略的性能的仿真模型、以及与使用所述仿真模型计算的策略的估算性能相关的确定结果；以及

至少一个处理器，被配置来执行操作，包括：

从所述至少一个电子数据存储器访问所述数据集；

标识表示所述数据集的模式；

访问与用于管理所述数据集的第一策略对应的第一操作变量；

确定第一仿真模型，所述第一仿真模型根据表示所述数据集的标识模式和所访问的所述第一操作变量来估算用于管理所述数据集的所述第一策略的性能；

优化所述第一仿真模型，以便估算执行用于管理所述数据集的所述第一策略的最优操作变量；

使用已优化的第一仿真模型计算第一预测数据，所述第一预测数据估算用于管理所述数据集的所述第一策略的性能；

访问第二操作变量，所述第二操作变量对应于用于管理所述数据集的第二策略；

确定第二仿真模型，所述第二仿真模型根据表示所述数据集的标识模式和所访问的第二操作变量，来估算用于管理所述数据集的第二策略的性能；

优化所述第二仿真模型，以便估算执行用于管理所述数据集的所述第二策略的最优操作变量；

使用已优化的第二仿真模型来计算第二预测数据，所述第二预测数据估算用于管理所述数据集的所述第二策略的性能；

比较所述第一预测数据和所述第二预测数据；

根据所述第一预测数据和所述第二预测数据的比较，确定用于管理所述数据集的所述第一策略的估算性能是否优于用于管理所述数据集的所述第二策略的估算性能；以及

在所述至少一个电子数据存储器中，存储用于管理所述数据集的所述第一策略的估算性能是否优于用于管理所述数据集的所述第二策略的估算性能的确定的结果。

2.一种预测建模的计算机实现方法，包括：

从电子存储器访问数据集；

标识表示所述数据集的模式；

访问对应于用于管理所述数据集的第一策略的第一操作变量；

根据表示所述数据集的所标识模式和所访问的所述第一操作变量来确定第一仿真模型，所述第一仿真模型估算用于管理所述数据集的所述第一策略的性能；

优化所述第一仿真模型以便估算用于执行用于管理所述数据集的所述第一策略的最优操作变量；

使用已优化的所述第一仿真模型计算第一预测数据，所述第一预测数据估算用于管理所述数据集的所述第一策略的性能；

访问对应于管理所述数据集的第二策略的第二操作变量；

根据表示所述数据集的所标识模式和所访问的所述第二操作变量来确定第二仿真模型，所述第二仿真模型估算用于管理所述数据集的所述第二策略的性能；

优化所述第二仿真模型，以便估算用于执行用于管理所述数据集的所述第二策略的最优操作变量；

使用以优化的所述第二仿真模型计算第二预测数据，所述第二预测数据估算用于管理所述数据集的所述第二策略的性能；

比较所述第一预测数据与所述第二预测数据；

根据所述第一预测数据和所述第二预测数据的比较，确定用于管理所述数据集的所述第一策略的估算性能是否优于用于管理所述数据集的所述第二策略的估算性能；

在电子存储器中存储用于管理所述数据集的所述第一策略的估算性能是否优于用于管理所述数据集的所述第二策略的估算性能的确定的结果。

3.根据权利要求2的方法，其中标识表示所述数据集的所述模式包括：执行随机过程来标识复制所述数据集的随机概率分布。

4.根据权利要求2的方法，其中优化所述第一仿真模型来估算执行用于管理所述数据集的所述第一策略的最优操作变量，包括：

对于过去没有仿真的可能的操作变量组合的每个范围：

从可能的操作变量组合中标识操作变量组合；

使用所述第一仿真模型计算预测数据，所述预测数据根据所识别的操作变量组合来估算用于管理所述数据集的所述第一策略的性能；

分析针对可能操作变量组合的每个范围而计算的所述预测数据；以及

根据所述分析，从可能的操作变量组合中选择最优操作变量组合，所述最优操作变量组合将用于管理所述数据集的所述第一策略的估算性能最大化。

5.根据权利要求2的方法，其中：

从电子存储器中访问所述数据集，包括：从电子存储器中访问产品的历史销售数据；

标识表示所述数据集的模式包括：使用随机过程标识所述产品的需求模式；

访问对应于管理所述数据集的所述第一策略的第一操作变量包括：访问使用预测决策用于管理产品库存的第一操作变量；

根据表示所述数据集的所标识模式和所访问的第一操作变量来确定第一仿真模型，其中所述第一仿真模型估算用于管理所述数据集的所述第一策略的性能包括：确定估算预测决策的性能的第一仿真模型；

优化所述第一仿真模型，以便估算用于执行用于管理所述数据集的所述第一策略的最优操作变量，包括：优化所述第一仿真模型来估算用于执行所述预测决策的最优操作变量；

使用已优化的第一仿真模型计算第一预测数据，所述第一预测数据估算用于管理所述数据集的所述第一策略的性能包括：使用已优化的第一仿真模型计算第一费用数据，所述第一费用数据估算执行所述预测决策的费用；

访问对应于用于管理所述数据集的所述第二策略的第二操作变量包括：访问使用再定购决策管理产品库存的第二操作变量；

根据表示所述数据集的所标识模式和所访问的第二操作变量确定所述第二仿真模型，所述第二仿真模型估算用于管理所述数据集的所述第二策略的性能包括：确定第二仿真模型，所述第二仿真模型估算再定购策略的性能；

优化所述第二仿真模型，以便估算用于执行用于管理所述数据集的所述第二策略的最优操作变量包括：优化所述第二仿真模型来估算用于执行再定购决策的最优操作变量；

使用已优化的第二仿真模型计算第二预测数据，所述第二预测数据估算用于管理所述数据集的所述第二策略的性能包括：使用已优化的第二仿真模型计算第二费用数据，所述第二费用数据计算执行再定购决策的费用；

比较所述第一预测数据与所述第二预测数据包括：比较所述第一费用数据和所述第二费用数据，所述第一费用估算执行预测决策的费用，所述第二费用数据计算执行再定购决策的费用；

根据所述第一预测数据和所述第二预测数据的比较，确定用于管理所述数据集的所述第一策略的估算性能是否优于用于管理所述数据集的所述第二策略的估算性能包括：根据所述第一费用数据与所述第二费用数据的比较，可以确定执行预测决策的估算费用是否少于执行再定购决策的估算费用。

6.根据权利要求5的方法，进一步包括：

根据确定的执行预测决策的估算费用是否少于执行再定购决策的估算费用产生输出。

7.根据权利要求6的方法，其中根据确定的执行预测决策的估算费用是否少于执行再定购决策的估算费用产生输出包括：

计算执行预测决策的估算费用和执行再定购决策的估算费用之间的差；

产生图，所述图示出执行预测决策的估算费用和执行再定购决策的估算费用之间的差；以及

利用执行预测决策的估算费用是否少于执行再定购决策的估算费用的指示，显示示出执行预测决策的估算费用和执行再定购决策的估算费用之间的差的图表。

8.根据权利要求5的方法，其中访问第一操作变量和第二操作变量包括，访问以下至少一个：产品的初始存货、产品的交付时间、产品库存储存费用、产品库存装卸费用、平均预测误差、资金的加权平均费用、产品的边界收益以及滞销产品的费用。

9.根据权利要求2的方法，进一步包括：

标识用于管理数据集的多个约束；

从至少用于管理所述数据集的至少所述策略第一和所述第二策略中，为多个约束中的每一个确定用于管理所述数据集的最优策略；

计算性能数据，所述性能数据使用为所述多个约束中的每一个确定的最优策略估算所述多个约束的每一个的性能；

比较为所述多个约束的每一个所计算的性能数据；以及

根据所述比较产生输出。

10.根据权利要求9的方法，其中：

标识用于管理所述数据集的多个约束包括：标识提供产品的多个服务水平；

从用于管理所述数据集的至少所述第一和第二策略中，为所述多个约束中的每一个确定用于管理所述数据集的最优策略包括：对于所述多个服务水平中的每一个，从用于管理所述产品库存的至少预测决策和再定购决策中确定用于管理产品库存的最优决策；

计算性能数据，所述性能数据使用为所述多个约束中的每一个确定的最优策略估算所述多个约束的每一个的性能包括：使用为所述多个服务水平的每一个确定的最优策略计算费用数据，所述费用数据估算达到多个服务水平的每一个的费用；

比较为所述多个约束的每一个所计算的性能数据包括：比较所计算的费用数据，所述所计算的费用数据估算达到所述多个服务水平的每一个的费用；以及

根据所述比较产生输出包括：在显示设备上显示达到所述多个服务水平的每一个的费用和毛利的表示。

11.一种预测建模的计算机实现方法，包括：

标识感兴趣的多个数据集；

将所述多个数据集聚集到一个或多个具有类似属性的族中；

从数据聚集族中选择一个或多个采样数据集；

标识表示每一所选采样数据集的模型；

访问至少两个用于管理每一所选采样数据集的策略的操作变量；

确定仿真模型，所述仿真模型估算至少两个用于管理每一所选采样数据集的策略的性能；

优化每一仿真模型，以便估算用于执行至少两个策略中的每一个的最优操作变量；

使用每一已优化仿真模型，执行用于每一所选采样数据集的仿真；

针对至少两个策略中的每一个，使用用于每一所选采样数据集的优化的仿真结果执行回归分析；

根据所述回归分析，使用回归方程计算性能数据，所述性能数据估算用于管理所聚集的数据族的至少两个策略中的每一个的性能；

根据所计算的性能数据，确定至少两个策略中的哪一个更适于管理数据聚集族；以及

将确定至少两个策略中的哪一个更适于管理数据聚集族的结果保存在电子存储器中。

12.根据权利要求11的方法，其中标识表示每一所选采样数据集的模型包括：为每一个所选采样数据集执行随机过程，来标识复制每一所选采样数据集的随机概率分布。

13.根据权利要求11的方法，其中将所述多个数据集聚集到一个或多个具有类似属性的族中包括：将所述多个数据集聚集到一个或多个具有类似值的类似操作变量的族中。

14.根据权利要求11的方法，其中：

从所聚集的数据族中选择一个或多个采样数据集包括：选择所聚集的数据族中包括的数据集的子集；以及

根据所计算的性能数据确定至少两个策略中的哪一个更适于管理数据聚集族包括：确定最少两个策略中的哪一个更适于管理所聚集的数据族，而不需要分析所选子集以外的包括在所聚集的数据族中的数据集。

15.根据权利要求11的方法，其中：

标识感兴趣的多个数据集包括：标识感兴趣的多个低价产品；

将所述多个数据集聚集到一个或多个具有类似属性的族中包括：将所述多个低价产品聚集到包括具有类似操作变量的产品的一个或多个产品族中；

从数据聚集族中选择一个或多个采样数据集包括：从聚集的产品族中的一个或多个产品中选择采样数据；

标识表示每一所选采样数据集的模型包括：使用随机过程标识每一个所选产品的需求模式；

访问至少两个用于管理每一所选采样数据集的策略的操作变量包括：针对每个所选产品访问第一操作变量和第二操作变量，所述第一操作变量使用预测决策管理产品库存，而所述第二操作变量使用再定购决策管理产品库存；

确定仿真模型，其中所述仿真模型估算至少两个用于管理每一所选采样数据集的策略的性能，包括：确定为每一个所选产品估算预测决策和再定购决策的性能的仿真模型；

优化每一仿真模型，以便估算用于执行至少两个策略中的每一个的最优操作变量，包括：优化每一仿真模型来估算用于执行预测决策和再定购决策中每一个的最优操作变量；

使用每一已优化仿真模型，执行针对每一所选采样数据集的仿真，包括：使用每一优化的仿真模型执行针对每一所选产品的仿真；

针对至少两个策略中的每一个，使用用于每一所选采样数据集的已优化的仿真结果执行回归分析包括：对于每一个预测决策和再定购决策，使用每一所选产品的已优化的仿真结果执行回归分析；

根据回归分析，使用回归方程计算性能数据，所述性能数据估算用于管理所聚集的数据族的至少两个策略中的每一个的性能，包括：根据回归分析，使用回归方程计算性能数据，所述性能数据估算用于管理聚集的产品族的库存的预测决策和再定购决策中每一个的性能；

根据所计算的性能数据，确定至少两个策略中的哪一个更适于管理数据聚集族，包括：根据所计算的性能数据，确定预测决策和再定购决策中的哪一个更适于管理聚集的产品族的库存；以及

将确定至少两个策略中的哪一个更适于管理数据聚集族的结果保存在电子存储器中，包括：在电子存储器中存储确定预测决策和再定购决策中的哪个更适于管理聚集的产品族的库存的结果。

16.根据权利要求15的方法，其中根据所计算的性能数据，确定预测决策和再定购决策中的哪一个更适于管理聚集的产品族的库存包括：确定预测决策和再定购决策中的哪个更适于管理聚集的产品族的库存，而不需要分析聚集的产品族中的所有低价产品。

17.根据权利要求15的方法，其中根据所计算的性能数据，确定预测决策和再定购决策中的哪一个更适于管理聚集的产品族的库存包括：确定预测决策和再定购决策中的哪一个更适于管理聚集的产品族的库存，而不需要分析聚集的产品族中的所有数据。

18.一种预测建模系统包括：

至少一个电子数据存储器，被配置来存储多个数据集，估算用于管理所述数据集的策略的性能的仿真模型，以及确定使用所述仿真模型计算的策略的相关估算性能的结果；以及

至少一个处理器，被配置来执行操作，包括：

标识感兴趣的多个数据集；

将所述多个数据集聚集到一个或多个具有类似属性的族中；

从所聚集的数据族中选择一个或多个采样数据集；

标识表示每一所选采样数据集的模型；

访问至少两个用于管理每一所选采样数据集的策略的操作变量；

确定仿真模型，所述仿真模型估算至少两个用于管理每一所选采样数据集的策略的性能；

优化每一仿真模型，以便估算用于执行至少两个策略中的每一个的最优操作变量；

使用每一已优化仿真模型，执行对于每一所选采样数据集的仿真；

针对至少两个策略中的每一个，使用用于每一所选采样数据集的已优化的仿真结果执行回归分析；

根据所述回归分析，使用回归方程计算性能数据，所述性能数据估算用于管理所聚集的数据族的至少两个策略中的每一个的性能；

根据所计算的性能数据，确定至少两个策略中的哪一个更适于管理数据聚集族；以及

将确定至少两个策略中的哪一个更适于管理数据聚集族的结果保存在所述至少一个电子存储器中。

19.根据权利要求18的预测建模系统，其中：

标识感兴趣的多个数据集包括：标识感兴趣的多个低价产品；

将所述多个数据集聚集到一个或多个具有类似属性的族中，包括：将所述多个低价产品聚集到包括具有类似操作变量的产品的一个或多个产品族中；

从数据聚集族中选择一个或多个采样数据集，包括：从聚集的产品族中的一个或多个产品中选择采样数据；

标识表示每一所选采样数据集的模型，包括：使用随机过程标识每一个所选产品的需求模式；

访问至少两个用于管理每一所选采样数据集的策略的操作变量，包括：对于每个所选产品，访问使用预测决策管理产品库存的第一操作变量和使用再定购决策管理产品库存的第二操作变量；

确定仿真模型，所述仿真模型估算至少两个用于管理每一所选采样数据集的策略的性能，包括：为每一个所选产品确定仿真模型，其估算预测决策和再定购决策的性能；

优化每一仿真模型，以便估算用于执行至少两个策略中的每一个的最优操作变量，包括：优化每一仿真模型来估算用于执行每一预测决策和再定购决策的最优操作变量；

使用每一已优化仿真模型，执行用于每一所选采样数据集的仿真，包括：使用每一已优化的仿真模型执行每一所选产品的仿真；

针对至少两个策略中的每一个，使用用于每一所选采样数据集的已优化的仿真结果执行回归分析，包括：针对预测决策和再定购决策中的每一个，使用每一所选产品的已优化的仿真结果执行回归分析；

根据回归分析，使用回归方程计算性能数据，所述性能数据估算用于管理所聚集的数据族的至少两个策略中的每一个的性能，包括：根据回归分析，使用回归方程计算性能数据，所述性能数据估算用于管理所聚集的产品族的库存的预测决策和再定购决策中的每一个的性能；

根据所计算的性能数据，确定至少两个策略中的哪一个更适于管理数据聚集族，包括：根据所计算的性能数据，确定预测决策和再定购决策中的哪一个更适于管理聚集的产品族的库存；以及

将确定至少两个策略中的哪一个更适于管理数据聚集族的结果存储在电子存储器中，包括：在电子存储器中存储确定预测决策和再定购决策中的哪一个更适于管理聚集的产品族的库存的结果。

20.根据权利要求19的预测建模系统，其中根据所计算的性能数据，确定预测决策和再定购决策中的哪一个更适于管理聚集的产品族的库存，包括：确定预测决策和再定购决策中的哪一个更适于管理聚集的产品族的库存，而不需要分析聚集的产品族中的所有低价产品。