商務(wù)智能在零售促銷優(yōu)化中的應(yīng)用

畢建濤，魏紅芹

（東華大學(xué)旭日工商管理學(xué)院，上海200051）

促銷在企業(yè)的市場(chǎng)營(yíng)銷戰(zhàn)略中扮演著非常重要的角色．隨著市場(chǎng)競(jìng)爭(zhēng)的日趨激烈，企業(yè)紛紛采取形式各樣的促銷手段以激發(fā)消費(fèi)者的購(gòu)買欲望．據(jù)權(quán)威部門統(tǒng)計(jì)，國(guó)內(nèi)零售企業(yè)的促銷活動(dòng)費(fèi)用在所有營(yíng)銷開支中占75%或更多的比例，每年的促銷開支都以12%的速度遞增［1]．促銷作為一種最直接同時(shí)也最有效的市場(chǎng)營(yíng)銷工具，被越來越多的零售企業(yè)廣泛采用．然而，很多零售商進(jìn)行促銷策劃時(shí)，存在很大的盲目性，缺乏深入有效的分析和論證，在促銷策略的選擇方面也很隨意，導(dǎo)致促銷投資回報(bào)率很低，這一定程度上加重了零售企業(yè)的負(fù)擔(dān)．

另一方面，商務(wù)智能得到了理論界以及IT界的普遍重視．商務(wù)智能（Business Intelligence，簡(jiǎn)稱BI）的概念最早是Gartner Group的Howard教授于1996年提出來的．Gartner Group將商務(wù)智能定義為一類由數(shù)據(jù)倉(cāng)庫(kù)（或數(shù)據(jù)集市）、查詢報(bào)表、數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)備份和恢復(fù)等部分組成的、以輔助企業(yè)決策為目的的技術(shù)及其應(yīng)用．如今，商務(wù)智能的概念已經(jīng)不僅僅只是軟件產(chǎn)品或工具，已經(jīng)升華為一種管理思想，體現(xiàn)的是一種理性的經(jīng)營(yíng)決策的能力．商業(yè)智能已經(jīng)成為繼ERP之后最重要的技術(shù)變革．越來越多的跨國(guó)零售巨頭紛紛引入商業(yè)智能軟件，用于解決復(fù)雜的決策問題．特別是在促銷優(yōu)化領(lǐng)域，商務(wù)智能技術(shù)得到了學(xué)術(shù)界和應(yīng)用界的廣泛關(guān)注，人們開始尋求利用先進(jìn)的商務(wù)智能技術(shù)追蹤客戶的購(gòu)買行為，優(yōu)化零售企業(yè)的促銷決策，以提高促銷決策的針對(duì)性以及有效性．

1 基于商務(wù)智能技術(shù)的促銷優(yōu)化研究

1．1 需求預(yù)測(cè)

1．1．1 促銷產(chǎn)品銷量預(yù)測(cè)

企業(yè)的銷售活動(dòng)是以研究綜合性市場(chǎng)營(yíng)銷活動(dòng)及其規(guī)律為目標(biāo)，通過識(shí)別客戶的需求以及消費(fèi)偏好，將其轉(zhuǎn)化為產(chǎn)品與服務(wù)，再通過有效的促銷手段、分銷渠道、價(jià)格策略等來最大限度地滿足顧客需求．由于現(xiàn)代企業(yè)的市場(chǎng)營(yíng)銷環(huán)境日益動(dòng)態(tài)復(fù)雜，一些隨機(jī)性因素例如季節(jié)性、消費(fèi)偏好、市場(chǎng)促銷活動(dòng)等，會(huì)很大程度地影響產(chǎn)品的需求，進(jìn)而影響企業(yè)的市場(chǎng)營(yíng)銷決策以及庫(kù)存控制策略等．如何及時(shí)、準(zhǔn)確的對(duì)促銷產(chǎn)品的需求進(jìn)行預(yù)測(cè)，是營(yíng)銷決策者們必須面對(duì)的一道難題．

傳統(tǒng)的基于統(tǒng)計(jì)分析的預(yù)測(cè)方法（如多元回歸、移動(dòng)平均、ARMA等），這些預(yù)測(cè)方法對(duì)于處理復(fù)雜的、具有隨機(jī)性的時(shí)間序列時(shí)，暴露出很大的局限性［2]．隨著機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的發(fā)展，許多更加有效的預(yù)測(cè)模型和算法被廣泛應(yīng)用到產(chǎn)品需求預(yù)測(cè)領(lǐng)域，包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遺傳算法以及其它一些元啟發(fā)式算法．這些預(yù)測(cè)方法在處理多維、模糊、非線性信息時(shí)，比傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法具有更好的預(yù)測(cè)效果．需求預(yù)測(cè)的常用方法及優(yōu)缺點(diǎn)比較見表1．

表1 常用的需求預(yù)測(cè)方法

1．1．2 庫(kù)存補(bǔ)貨優(yōu)化

需求的不確定性是現(xiàn)代企業(yè)供應(yīng)鏈管理中最具挑戰(zhàn)性同時(shí)又必須要去面對(duì)的一個(gè)問題．產(chǎn)品的季節(jié)性特征、購(gòu)物架的空間布局、企業(yè)的促銷活動(dòng)以及其它一些隨機(jī)因素等都會(huì)造成需求的較大波動(dòng)．特別是零售企業(yè)的促銷活動(dòng)，會(huì)使該類型產(chǎn)品的需求在短時(shí)間內(nèi)急劇上升，企業(yè)需要在庫(kù)存成本與因缺貨造成的機(jī)會(huì)損失之間權(quán)衡，如何有效管理庫(kù)存并最大化收益水平是企業(yè)必須面對(duì)的一個(gè)挑戰(zhàn)．

許多學(xué)者利用預(yù)測(cè)性建模技術(shù)以及啟發(fā)式算法，對(duì)零售企業(yè)的庫(kù)存補(bǔ)貨優(yōu)化問題進(jìn)行了研究．Chi等［3]基于機(jī)器學(xué)習(xí)及演化算法，建立智能的供應(yīng)商管理補(bǔ)貨系統(tǒng)，具有很高的自適應(yīng)能力和預(yù)測(cè)精度．Huang等［4]基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建CPFR優(yōu)化模型，支持SKU粒度級(jí)的需求預(yù)測(cè)以及庫(kù)存控制．此外，另外一些學(xué)者［5－6]利用遺傳算法對(duì)零售產(chǎn)品的庫(kù)存優(yōu)化問題進(jìn)行了研究．

1．2 促銷產(chǎn)品分析

1．2．1 產(chǎn)品分類管理

產(chǎn)品分類管理（Product assortment），是把所經(jīng)營(yíng)的商品分為不同的類別，并把每一類商品作為企業(yè)經(jīng)營(yíng)戰(zhàn)略的基本活動(dòng)單位進(jìn)行管理的一系列相關(guān)活動(dòng)．通過品類管理，零售企業(yè)的決策者可以很好的理解每一單品的營(yíng)銷情況，包括銷量情況、庫(kù)存周轉(zhuǎn)、凈利潤(rùn)水平、交叉銷售效益、客戶選擇傾向等，零售商可以據(jù)此決定門店的商品組合及空間布局從而制定更加有效的價(jià)格策略以及促銷策略．

對(duì)于產(chǎn)品分類的定量研究模型主要是引入的關(guān)聯(lián)系數(shù)和相互作用參數(shù)以及其它參數(shù)來度量不同產(chǎn)品之間的相互依存度（interdependency）．然而傳統(tǒng)基于統(tǒng)計(jì)分析的模型由于受到產(chǎn)品和品類數(shù)量的制約，在日益動(dòng)態(tài)復(fù)雜的市場(chǎng)營(yíng)銷環(huán)境中缺乏適用性和可擴(kuò)展性．關(guān)聯(lián)規(guī)則在搜索大型交易數(shù)數(shù)據(jù)庫(kù)以及分析客戶購(gòu)物籃時(shí)表現(xiàn)出很大的優(yōu)越性，被廣泛用于零售企業(yè)品類設(shè)計(jì)和交叉銷售挖掘等．同時(shí)由于遺傳算法強(qiáng)大的并行處理能力以及全局尋優(yōu)能力，文獻(xiàn)［7－9] 利用遺傳算法來優(yōu)化零售企業(yè)的產(chǎn)品分類問題．

1．2．2 產(chǎn)品生命周期管理

產(chǎn)品所處的不同生命周期會(huì)有力的影響著產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)能力以及盈利能力，進(jìn)而影響到企業(yè)的營(yíng)銷策略．產(chǎn)品生命周期理論（Product Life Cycle，PLC），是由美國(guó)哈佛大學(xué)教授雷蒙德·弗農(nóng)首次提出的．費(fèi)農(nóng)認(rèn)為：產(chǎn)品生命是指市場(chǎng)上的的營(yíng)銷生命，產(chǎn)品和人的生命一樣，要經(jīng)歷形成、成長(zhǎng)、成熟、衰退這樣的周期．美國(guó)的波茲（Booz）、阿?。ˋlen）等根據(jù)產(chǎn)品不同市場(chǎng)時(shí)期的銷售變化，將產(chǎn)品生命周期劃分為引入期、成長(zhǎng)期、成熟期和衰退期．

產(chǎn)品生命周期管理是商務(wù)智能技術(shù)的一個(gè)重要應(yīng)用領(lǐng)域．學(xué)術(shù)界的許多學(xué)者圍繞著該問題進(jìn)行了研究．郭國(guó)?。?0]，Kusiak等［11]對(duì)PLM的體系結(jié)構(gòu)及其數(shù)據(jù)挖掘技術(shù)在PLM中的應(yīng)用進(jìn)行了較完整的闡述．Philip等［8]利用GA－RBF模型對(duì)短生命周期產(chǎn)品的銷量進(jìn)行了預(yù)測(cè)．Seo［12]以及吳秀麗等［13]利用人工神經(jīng)網(wǎng)絡(luò)模型對(duì)產(chǎn)品生命周期成本進(jìn)行了研究，并且把該模型應(yīng)用到產(chǎn)品的概念設(shè)計(jì)．其中部分經(jīng)過驗(yàn)證的預(yù)測(cè)模型和算法，已被引入到ERP軟件（如Oracle、SAP等）的PLC設(shè)計(jì)中．

1．2．3 購(gòu)物架布局管理

超市購(gòu)物架對(duì)于零售門店來說是一種重要的資源，不同品類的眾多產(chǎn)品為有限的購(gòu)物架空間展開競(jìng)爭(zhēng)．零售商需要決定購(gòu)物架陳列哪些商品、為這些商品分配多少空間以及整個(gè)超市門店的空間布局．通過合理的購(gòu)物架布局分配，零售商可以有效降低企業(yè)的庫(kù)存水平，提高消費(fèi)者的滿意度，從而提高產(chǎn)品的銷售量及利潤(rùn)水平［14]．文獻(xiàn)［14] 有關(guān)于購(gòu)物架管理的詳細(xì)闡述．

超市購(gòu)物架布局問題引起了學(xué)術(shù)界以及零售商的廣泛興趣，啤酒和尿布就是一個(gè)很好的實(shí)例．關(guān)于購(gòu)物架布局優(yōu)化的模型研究，主要是引入購(gòu)物架空間靈敏度以及交叉彈性的概念，衡量購(gòu)物架空間的變化對(duì)于不同產(chǎn)品的銷售量以及利潤(rùn)水平的影響程度．購(gòu)物架布局優(yōu)化的常用算法包括關(guān)聯(lián)規(guī)則挖掘、神經(jīng)網(wǎng)絡(luò)、遺傳算法以及其它元啟發(fā)式算法（如粒子群算法、模擬退火算法、禁忌搜索算法等）．

1．3 客戶行為分析

1．3．1 客戶購(gòu)物籃分析

購(gòu)物籃分析就是通過對(duì)客戶的歷史購(gòu)買數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)顧客放入“購(gòu)物籃”中的不同商品之間的關(guān)聯(lián)，分析顧客的購(gòu)買習(xí)慣．這種關(guān)聯(lián)的發(fā)現(xiàn)可以幫助零售商了解哪些產(chǎn)品頻繁地被顧客同時(shí)購(gòu)買，從而幫助他們開發(fā)更加有效的營(yíng)銷策略．這些營(yíng)銷決策包括商品的選擇、優(yōu)惠券的設(shè)計(jì)以及購(gòu)物架的合理布局等．“啤酒”和“尿布”就是一個(gè)典型例子，看似完全無關(guān)的兩種商品，一起銷售則產(chǎn)生了令人意想不到的效果．

隨著Agrawal算法的提出，學(xué)術(shù)界對(duì)于關(guān)聯(lián)規(guī)則的研究非常活躍，許多學(xué)者圍繞著Agrawal算法進(jìn)行了擴(kuò)展和改進(jìn)，提出了一些改進(jìn)的關(guān)聯(lián)規(guī)則，包括：多層關(guān)聯(lián)規(guī)則、基于約束的關(guān)聯(lián)挖掘、模糊關(guān)聯(lián)挖掘以及可視化關(guān)聯(lián)挖掘等，這些算法被廣泛用于對(duì)客戶的購(gòu)物籃進(jìn)行分析．文獻(xiàn)［15] 有關(guān)于關(guān)聯(lián)規(guī)則較新的綜述．

1．3．2 目標(biāo)客戶分類

客戶細(xì)分是按照一定的標(biāo)準(zhǔn)將企業(yè)的現(xiàn)有客戶劃分為不同的客戶群．客戶分類是現(xiàn)代企業(yè)的一種重要的營(yíng)銷戰(zhàn)略，正確的客戶細(xì)分能夠有效地降低成本，同時(shí)獲得更強(qiáng)、更有利可圖的市場(chǎng)滲透．通過對(duì)目標(biāo)客戶進(jìn)行分類，零售企業(yè)可以更有針對(duì)性地進(jìn)行營(yíng)銷策劃以及開展促銷活動(dòng)，增強(qiáng)客戶響應(yīng)．

傳統(tǒng)的分類模型主要是基于客戶的統(tǒng)計(jì)學(xué)特征（如性別、年齡、收入、教育背景等），這樣的靜態(tài)分類模型不能很好的評(píng)估客戶的盈利能力以及未來發(fā)展?jié)摿Γ谌找鎰?dòng)態(tài)復(fù)雜的市場(chǎng)營(yíng)銷環(huán)境表現(xiàn)出一定的局限性．隨著機(jī)器學(xué)習(xí)以及數(shù)據(jù)挖掘技術(shù)的發(fā)展，許多分類模型和算法被提出用于對(duì)目標(biāo)客戶的購(gòu)買行為以及生命周期價(jià)值進(jìn)行分類．常用的客戶分類算法以及各種方法的優(yōu)缺點(diǎn)比較見表2．

1．3．3 客戶生命周期價(jià)值分析

當(dāng)評(píng)估客戶的盈利性時(shí)，我們首先會(huì)想到20／80法則：企業(yè)80%的收益來自于20%的盈利客戶；同時(shí)，企業(yè)80%的花費(fèi)是由20%的非盈利客戶所產(chǎn)生的，20／80法則是評(píng)估客戶的盈利性的一個(gè)非常重要的度量標(biāo)準(zhǔn)．先前的文獻(xiàn)研究可以把CLV歸納為：企業(yè)從客戶生命周期交易業(yè)務(wù)中獲取的收益總和減去包括客戶獲取、營(yíng)銷以及服務(wù)的所有成本的總和［16]．作為企業(yè)重要的戰(zhàn)略資源和最直接利潤(rùn)來源，客戶的生命周期價(jià)值引起了人們廣泛的重視．

表2 常用的客戶分類算法及優(yōu)缺點(diǎn)比較

在眾多的分析模型中，RFM模型被廣泛用于衡量客戶價(jià)值和客戶盈利能力．RFM模型是由美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷研究所Arthur Hughes提出的，該模型通過引入客戶的近期購(gòu)買行為、購(gòu)買的總體頻率以及消費(fèi)金額三項(xiàng)指標(biāo)來描述該客戶的價(jià)值狀況．當(dāng)前關(guān)于CLV的許多研究都是圍繞RFM模型及其一些擴(kuò)展的模型而展開，例如Rosset等［29]把擴(kuò)展的RFM模型同數(shù)據(jù)挖掘技術(shù)以及其它優(yōu)化算法相結(jié)合，對(duì)客戶的當(dāng)前價(jià)值以及未來潛力進(jìn)行評(píng)估，這些擴(kuò)展模型可以參考引用的文獻(xiàn)．

1．3．4 客戶保持／流失分析

大量的行業(yè)實(shí)踐表明客戶保持率提高5%，利潤(rùn)將會(huì)提高25%以上．同時(shí)，獲得一個(gè)新客戶的成本是保持一個(gè)老客戶的5倍以上．由此可見，客戶保持對(duì)公司的持續(xù)盈利能力有著非常重要的影響．客戶保持／流失分析的目的就是盡可能的留住現(xiàn)有客戶、吸引新客戶，減少低價(jià)值客戶的維護(hù)成本，從而更有針對(duì)性的進(jìn)行營(yíng)銷策劃以及開展定向客戶服務(wù)．

關(guān)于客戶保持／流失分析的模型很多，傳統(tǒng)的基于統(tǒng)計(jì)分析或者概率的方法（如樸素貝葉斯分類、主成分分析、判別分析、logistic回歸分析等），這些方法在處理大規(guī)模、高維度、含有非線性關(guān)系的客戶數(shù)據(jù)時(shí)，其效果不理想且不能保證所建模型的泛化能力［30]．因此許多學(xué)者尋求更加有效的預(yù)測(cè)模型和算法，對(duì)客戶保持／流失預(yù)警進(jìn)行研究．這主要包括決策樹、神經(jīng)網(wǎng)絡(luò)、自組織映射SOM、支持向量機(jī)等．這些算法在解決客戶流失預(yù)警問題時(shí)具有很好的非線性映射能力和泛化能力，同時(shí)也具有較高的預(yù)測(cè)精度．

1．4 促銷決策分析

1．4．1 促銷定價(jià)決策

麥肯錫咨詢公司對(duì)超過2400個(gè)公司調(diào)查發(fā)現(xiàn)：產(chǎn)品的價(jià)格優(yōu)化改進(jìn)1%，可以使公司的營(yíng)銷利潤(rùn)提高11．1%．由此可見，合理的產(chǎn)品定價(jià)對(duì)于企業(yè)的市場(chǎng)營(yíng)銷決策來說至關(guān)重要．價(jià)格折扣已成為零售行業(yè)最常用的促銷手段．一個(gè)正常的市場(chǎng)營(yíng)銷環(huán)境中影響產(chǎn)品定價(jià)的因素很多，如產(chǎn)品質(zhì)量、市場(chǎng)競(jìng)爭(zhēng)情況、產(chǎn)品的季節(jié)性波動(dòng)以及節(jié)假日等，這些內(nèi)在／外在的因素都會(huì)影響著企業(yè)的促銷定價(jià)策略．

傳統(tǒng)的基于計(jì)量統(tǒng)計(jì)的分析方法，由于受到變量及影響因素的限制，在動(dòng)態(tài)復(fù)雜的市場(chǎng)營(yíng)銷環(huán)境中日益暴露其局限性．隨著機(jī)器學(xué)習(xí)以及程序設(shè)計(jì)算法的進(jìn)步，許多更智能的算法和專家系統(tǒng)都被提出，用于優(yōu)化零售企業(yè)的促銷定價(jià)決策．例如王婧等［31]；王宏達(dá)等［32]建立基于改進(jìn)遺傳算法和粒子群算法的動(dòng)態(tài)定價(jià)模型，對(duì)季節(jié)性產(chǎn)品的促銷定價(jià)問題進(jìn)行了研究．Roy等［33]把遺傳算法與模糊理論相結(jié)合，對(duì)多門店多產(chǎn)品的差別促銷定價(jià)問題進(jìn)行了研究．

1．4．2 促銷手段選擇

常用的促銷手段包括廣告促銷、價(jià)格折扣、優(yōu)惠券促銷、禮品贈(zèng)送、樣品贈(zèng)送、特惠包裝促銷等．不同的促銷手段會(huì)導(dǎo)致不同的消費(fèi)感知，進(jìn)而影響到消費(fèi)者的購(gòu)買偏好和購(gòu)買行為．在進(jìn)行促銷方式選擇時(shí)，企業(yè)需要對(duì)自身的內(nèi)部情況以及外部的市場(chǎng)環(huán)境因素綜合的進(jìn)行考慮，這些因素可能包括企業(yè)的市場(chǎng)營(yíng)銷戰(zhàn)略、產(chǎn)品的庫(kù)存水平、目標(biāo)客戶、促銷時(shí)機(jī)以及競(jìng)爭(zhēng)對(duì)手的促銷活動(dòng)等［34]．

對(duì)于促銷組合優(yōu)化問題，以郭瑞哲（Kuo R J）為代表的國(guó)立臺(tái)灣科技大學(xué)幾位學(xué)者表現(xiàn)活躍．如文獻(xiàn)［35－37] 把模糊理論、神經(jīng)網(wǎng)絡(luò)以及遺傳算法三者相結(jié)合，構(gòu)建智能的預(yù)測(cè)模型，來衡量不同的價(jià)格折扣以及促銷手段對(duì)于促銷效果的影響程度．其他的一些學(xué)者也對(duì)該問題進(jìn)行了研究．Lertuthai等［38]構(gòu)建基于規(guī)則的預(yù)測(cè)模型RRBF，利用歷史促銷數(shù)據(jù)來預(yù)測(cè)不同的促銷方式和促銷媒介對(duì)于產(chǎn)品銷售量的影響程度．

2 零售促銷優(yōu)化軟件的企業(yè)應(yīng)用現(xiàn)狀

促銷優(yōu)化是零售行業(yè)商務(wù)智能應(yīng)用的一個(gè)重要領(lǐng)域．零售企業(yè)在日常的業(yè)務(wù)運(yùn)作中積累了大量的數(shù)據(jù)，這些數(shù)據(jù)包括訂單信息、庫(kù)存信息、銷售信息、歷史促銷數(shù)據(jù)以及客戶資料等，這些海量的數(shù)據(jù)中蘊(yùn)含著極具價(jià)值的信息．如果可以有效的加以利用，將會(huì)轉(zhuǎn)化為極具競(jìng)爭(zhēng)力的市場(chǎng)營(yíng)銷決策．世界著名的零售巨頭包括沃爾瑪、西爾斯（Sears）、麥德龍、家樂福、7－11等均已引進(jìn)了相應(yīng)的促銷優(yōu)化軟件，用于優(yōu)化企業(yè)的促銷決策，顯著的提高了企業(yè)的競(jìng)爭(zhēng)能力和成本優(yōu)勢(shì)．國(guó)內(nèi)零售企業(yè)的信息化建設(shè)以及商務(wù)智能應(yīng)用水平較低，還沒有開始廣泛引入促銷優(yōu)化的軟件，也沒有這方面的成功案例．

國(guó)外促銷優(yōu)化軟件市場(chǎng)的發(fā)展比較完善，一些大型的ERP軟件廠商（如Oracle、SAP、JDA Software、DemandTec、CAS等），都開發(fā)了面向零售行業(yè)促銷優(yōu)化的智能分析軟件，支持庫(kù)存優(yōu)化、品類管理、價(jià)格靈敏度分析以及促銷決策支持等豐富的功能，可以在各個(gè)產(chǎn)品和用戶級(jí)別上快速完成分析，實(shí)現(xiàn)促銷活動(dòng)分析流程的自動(dòng)化，滿足企業(yè)不同管理層次的決策要求．例如，Oracle公司推出的應(yīng)用集成架構(gòu)解決方案，通過把Oracle Siebel促銷管理軟件和Oracle Demantra預(yù)測(cè)性貿(mào)易計(jì)劃與促銷優(yōu)化軟件的相關(guān)功能有效集成，支持從促銷前模擬預(yù)測(cè)、促銷活動(dòng)的實(shí)時(shí)監(jiān)控到促銷效果評(píng)估等一系列強(qiáng)大功能，為企業(yè)的促銷策劃提供全方位的決策支持．軟件利用先進(jìn)完善的促銷建模引擎，可以對(duì)客戶的消費(fèi)行為和促銷歷史數(shù)據(jù)進(jìn)行深入分析，預(yù)測(cè)未來的促銷策略以及營(yíng)銷方案對(duì)于促銷效果的影響程度，提高整個(gè)促銷流程的可視性．國(guó)外軟件市場(chǎng)上其它的一些常用的促銷優(yōu)化軟件見表3．

表3 主要的零售促銷優(yōu)化軟件

3 結(jié)束語(yǔ)

本文回顧了國(guó)內(nèi)外對(duì)于零售行業(yè)促銷優(yōu)化的主要研究方向和最新研究進(jìn)展，分別從需求預(yù)測(cè)、客戶行為分析、促銷產(chǎn)品分析、促銷決策組合分析四個(gè)角度，對(duì)零售促銷優(yōu)化中常用的商務(wù)智能技術(shù)以及數(shù)據(jù)挖掘算法進(jìn)行了綜述，重點(diǎn)對(duì)促銷優(yōu)化中常用的商務(wù)智能技術(shù)及數(shù)據(jù)挖掘算法的應(yīng)用情況進(jìn)行分類和總結(jié)，最后對(duì)促銷優(yōu)化軟件的企業(yè)應(yīng)用現(xiàn)狀進(jìn)行了簡(jiǎn)要介紹．值得注意的是，現(xiàn)實(shí)中的市場(chǎng)營(yíng)銷環(huán)境動(dòng)態(tài)復(fù)雜，本文并沒有深入探討不同商務(wù)智能技術(shù)的實(shí)際適用性以及現(xiàn)實(shí)可操作性．同時(shí)，本文主要是針對(duì)傳統(tǒng)的終端銷售市場(chǎng)，并沒有對(duì)電子商務(wù)環(huán)境下網(wǎng)絡(luò)用戶的消費(fèi)行為以及促銷優(yōu)化進(jìn)行研究，這也可以作為未來的一個(gè)研究方向．

［1] 官亞雄，陳衛(wèi)東．基于數(shù)據(jù)挖掘的促銷決策支持系統(tǒng)［J] ．浙江工業(yè)大學(xué)學(xué)報(bào)，2006，34（2）：174－178．

［2] Kuo R J，Xue K C．Fuzzy neural networks with application to sales forecasting［J] ．Fuzzy Sets and Systems，1999，108（2）：123－143．

［3] Chi H M，Okan K E，Herbert M，et al．Modeling and optimizing a vendor managed replenishment system using machine learning and genetic algorithms［J] ．European Journal of Operational Research，2007，180（1）：174－193．

［4] Huang C F，Chen Y S，Chung Y K．An autonomous collaborative forecasting system implementation–the first step towards successful CPFR system［J] ．Int．J．Int．Syst Technol．，2008，3：117－126．

［5] Daniel J S R，Rajendran C．A simulation－based genetic algorithm for inventory optimization in a serial supply chain［J] ．International Transactions In Operational Research，2005，12（1）：101－127．

［6] Manas K M．A fuzzy genetic algorithm with varying population size to solve an inventory model with credit linked promotional demand in an imprecise planning horizon［J] ．European Journal of Operational Research，2011，213（1）：96－106．

［7] Balakrishnan P V，Jacob V S．Genetic algorithms for product design［J] ．Management Science，1996，42（8）：1 105－1 117．

［8] Philip D，Alex A，Panagiotis P，et al．Time series sales forecasting for short shelf－life food products based on artificial neural networks and evolutionary computing［J] ．Journal of Food Engineering，2006，（75）：196－204．

［9] Hwang H，Choi B，Lee G．A genetic algorithm approach to an integrated problem of shelf space design and item allocation［J] ．Computers＆Industrial Engineering，2009，56（3）：809－820．

［10] 郭國(guó)印．?dāng)?shù)據(jù)挖掘技術(shù)的研究及其在PLM中的應(yīng)用［D] ．西安：西北工業(yè)大學(xué)，2005．

［11] Andrew K，Smith M．Data mining in design of products and production systems［J] ．Annual Reviews in Control，2007，31（1）：147－156．

［12] Seo K K，Park J H，Jang D S，et al．Approximate estimation of the product life cycle cost using artificial neural networks in conceptual design［J] ．Advanced Manufacturing Technology，2002，19（6）：461－471．

［13] 吳秀麗，孫樹棟，司書賓，等．神經(jīng)網(wǎng)絡(luò)用于復(fù)雜產(chǎn)品成本估算方法的研究［J] ．計(jì)算機(jī)工程與應(yīng)用，2003，39（34）：20－40．

［14] Yang M H，Chen W C．A study on shelf space allocation and management［J] ．International Journal of Production Economics，1999（60／61）：309－317．

［15] Sotiris K，Dimitris K．Association rules mining：a recent overview［J] ．International Transactions on Computer Science and Engineering，2006，32（1）：71－82．

［16] Jain D，Singh S S．Customer lifetime value research in marketing：a review and future directions［J] ．Journal of Interactive Marketing，2002，16（2）：34－46．

［17] 王曉國(guó)，黃韶坤，朱煒，等．應(yīng)用C4．5算法構(gòu)造客戶分類決策樹的方法［J] ．計(jì)算機(jī)工程，2003，29（14）：89－91．

［18] Lee T S，Chiu C C，Chou Y C，et al．Mining the customer credit using classification and regression tree and multivariate adaptive regression splines［J] ．Computer Statistics and Data A－nalysis，2006，50：1 113－1 130．

［19] Kuo R J，Ho L M，Hu C M．Integration of self－organizing feature map and K－means algorithm for market segmentation［J] ．Computer and Operations Research，2002，29：1 475－1 493．

［20] Wang C H．Apply robust segmentation to the service industry using kernel induced fuzzy clustering techniques［J] ．Expert System with Applications，2010，37：8 395－8 400．

［21] 錢陽(yáng)峰．基于支持向量機(jī)的零售企業(yè)客戶消費(fèi)行為分析與研究［D] ，杭州：浙江工商大學(xué)，2007．

［22] Chen W M，Ma C Q，Ma L．Mining the customer credit using hybrid support vector machine technique［J] ．Expert Systems with Applications，2009，36：7 611－7 616．

［23] Kaefer F，Heilman C M，Ramenofsky S D．A neural network application to consumer classification to improve the timing of direct marketing activities［J] ．Computer and Operations Research，2005，32：2 595－2 615．

［24] 陳伯成，梁冰，周越博，等．自組織映射神經(jīng)網(wǎng)絡(luò)（SOM）在客戶分類中的一種應(yīng)用［J] ．系統(tǒng)工程理論與實(shí)踐，2004，24（3）：8－14．

［25] Tseng T L，Huang C C．Rough set－based approach to feature selection in customer relationship management［J] ．The International Journal of Management Science，2007，35：365－383．

［26] Cheng C H，Chen Y S．Classifying the segmentation of customer value via RFM model and RS theory［J] ．Expert Systems with Applications，2009，36：4 176－4 184．

［27] Chiu C C．A case－based customer classification approach for direct marketing［J] ．Expert Systems with Applications，2002，22：163－168．

［28] Ahn H，Kim K J，Han I．A case－based reasoning system with the two－dimensional reduction technique for customer classification［J] ．Expert Systems with Applications，2007，32：1 011－1 019．

［29] Rosset S，Neumann E，Uri E，et al．Customer lifetime value models for decision support［J] ．Data Mining and Knowledge Discovery，2003，7（3）：321－339．

［30] 夏國(guó)恩，金煒東．基于支持向量機(jī)的客戶流失預(yù)測(cè)模型［J] ．系統(tǒng)工程理論與實(shí)踐，2008（1）：71－77．

［31] 王婧，田澎，田志友．粒子群算法在季節(jié)性商品最優(yōu)定價(jià)中的應(yīng)用［J] ．計(jì)算機(jī)仿真，2006（2）：219－221．

［32] 王宏達(dá)，郝以閣，汪定偉．季節(jié)性商品的促銷定價(jià)模型與算法［J] ．東北大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，28（1）：23－25．

［33] Roy A，Kar S，Maiti M．Coordinated sale of differential units with promotional cost and units′price through different shops in Fuzzy Environment［J] ．Journal of Advanced Modeling and Optimization，2005，7（1）：39－56．

［34] 郝遼鋼．消費(fèi)者對(duì)促銷的反應(yīng)及促銷效果研究［D] ．成都：西南交通大學(xué)，2008．

［35] Kuo R J，Xue K C．A decision support system for sales forecasting through fuzzy neural networks with asymmetric fuzzy weights［J] ．Decision Support System，1998，24（2）：105－126．

［36] Kuo R J．A sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm［J] ．European Journal of Operational Research，2001，129（3）：496－517．

［37] Kuo R J，Wu P，Wang C P．An intelligent sales forecasting system through integration of artificial neural networks and fuzzy neural networks with fuzzy weight elimination［J] ．Neural Networks，2002，15（7）：909－925．

［38] Lertuthai M，Baramichai M，Laptaned U．Development of the adaptive forecasting model for retail commodities by using leading indicator：retailing rule based forecasting model（RRBF）［C] ／／Proceedings of the world congress on engineering and computer science 2009．San Francisco：WCECS，2009，2：1 128－1 133．