実際の取引データで学習した発注の方策を、補充点方式・固定発注と並べて走らせます。
読み込んでいます…
2つの方式に同じ日の同じ需要を流しています。強化学習の発注は、139日中123日が「100個（割引）」か「なし」のどちらかです。
読み込んでいます…
既定の重みでは補充点方式より利益が7.1%多い結果でしたが、139日という1本の実績です。 モデルから作った需要で種を変えて10回走らせると、差は +3.8%（7,156円 対 6,893円）でした。
灰色の棒がその日の需要。線が各方式の在庫。
売り逃し1個あたり、粗利のほかにどれだけ損と見なすか
廃棄1個あたり、仕入値のほかにどれだけ損と見なすか
つまみを動かすと、補充点方式と固定発注も同じ重みで調整し直した設定に切り替わります。
英国のオンライン卸売（贈答品）の実取引 106万件から、ランチバッグ1商品の日次の売れ方を使っています。 日平均65個、中央値44個で、ときどき1日500個を超える大口が入ります。
3方式に同じ情報を渡し、選べる発注量も同じ20通りにしています。 100個以上で仕入値が8%下がるまとめ買い割引があり、既定の設定で割引を使った日は補充点方式31%、強化学習63%です。
学習には、実取引から分布・曜日変動・季節変動を推定した需要のシミュレータを使っています。 採点には実際の需要をそのまま流しています。当てはまりは次のとおりです（学習期間）。
| 平均 | 中央値 | 90%点 | 最大 | ゼロの日 | |
|---|---|---|---|---|---|
| 実データ | 64 | 41 | 153 | 548 | 8% |
| モデル | 63 | 38 | 149 | 477 | 8% |
売価は実データの単価中央値（1.65ポンド ≒ 313円）です。 仕入値・保管費・欠品や廃棄の損は想定値で、元データには原価がありません。