【摘要】随着高质量数据的日益丰富、机器学习技术的持续进步以及计算能力的显著提升，数据驱动库存管理正迎来前所未有的发展机遇。然而，目前学术界对于这一新兴领域的研究进展尚缺乏全面系统的综述。本研究运用文献计量方法，深入分析了183篇学术论文，并通过科学知识图谱的可视化方式，全面展示了该领域的研究现状。从大数据和运营管理的双重视角出发，总结归纳了数据驱动库存管理在需求信息、基本模型和基本方法 3个方面的研究结果。重点从需求不确定性和特征数据的角度介绍了4种库存管理模型：单变量数据驱动报童模型、单变量数据驱动动态库存模型、多特征数据驱动报童模型和多特征数据驱动动态库存模型。在此基础上，梳理了6种主要的数据驱动决策方法，包括贝叶斯方法、鲁棒优化方法、样本均值近似方法、分位数回归方法、操作统计方法和机器学习方法。最后，本研究从数据驱动库存管理方法与工具层面，以及面临的难点与应用热点层面，提出了未来研究的方向与建议，旨在为相关领域的研究者和实践者提供有益的参考和启示，推动数据驱动库存管理领域不断发展。