将高成本供应与不确定的客户需求相匹配，是零售商、制造商、农业生物技术公司、酒店和航空公司面临的核心挑战。供应过剩会导致unwanted inventory（滞销库存），而供应不足则会造成销售损失并削弱客户留存率。无论供过于求还是供不应求，都会损害利润，有时甚至造成显著影响。
MIT Sloan School of Management（麻省理工学院斯隆管理学院）客座教授 Amr Farahat 与其同事、韩国西江大学商学院助理教授 Joonkyum Lee，共同开发了一种名为“近似相似变换”（Approximate Similarity Transformation）的新方法。该方法允许企业在一般非参数客户购买行为模型下优化库存决策。
他们的研究论文《具有客户选择的多产品报童问题》（The Multi-Product Newsvendor Problem with Customer Choice）已发表于同行评审学术期刊《Operations Research》。
Farahat 指出：“创新之处在于，big data analytics（大数据分析）如今能提供更优的客户选择行为预测模型，这些模型量化了复杂的替代效应及其他行为模式。”
近似相似变换应用了新算法，以更简单且可处理的上界来近似零售商的销量预测。Farahat 和 Lee 的研究表明，以上界作为库存决策基础，比直接使用原始预测能取得更佳效果。
该方法最适合希望利用基于数据优化的消费者偏好知识的大型零售商。Farahat 表示，这类零售商可利用内部分析能力快速实施该方案。
Farahat 教授强调：“在假日季节为数千种商品备货的零售商，或在种植季为数千种种子变体进行种植的农业生物技术公司，每年只有一次做对的机会。”他补充道：“我们的研究贡献了一套规范性工具集，通过将复杂精细的客户行为预测与新的高级优化模型相结合，帮助零售商和其他企业管理大规模产品组合的供应决策。计算实验最终证明，所提出的方法通常优于现有基准。”
近似相似变换的代码已公开here（此处）。