基于深度學(xué)習(xí)的連鎖超市銷售預(yù)測(cè)研究

王志剛，馮云超，江勇

（湖南師范大學(xué)信息科學(xué)與工程學(xué)院，長(zhǎng)沙410081）

0 引言

連鎖超市零售業(yè)是一個(gè)競(jìng)爭(zhēng)非常激烈的市場(chǎng)，庫(kù)存控制能力是公司盈利的關(guān)鍵。因此，準(zhǔn)確的銷售預(yù)測(cè)是取得成功的基礎(chǔ)。否則可能會(huì)出現(xiàn)缺貨或庫(kù)存過剩等情況，直接影響公司的盈利[1]。這種影響并不局限于盈利性業(yè)績(jī)，服務(wù)客戶的質(zhì)量也會(huì)受到低效預(yù)測(cè)系統(tǒng)的影響。例如，缺貨將導(dǎo)致客戶去其他零售商購(gòu)物。此外，連鎖超市行業(yè)的供應(yīng)鏈很長(zhǎng)，涉及大量參與者（如原材料供應(yīng)商、制造商、分銷商和零售商），這導(dǎo)致在對(duì)產(chǎn)品的需求水平有一個(gè)準(zhǔn)確的了解之前就下了訂單。

盡管有相關(guān)性，但銷售預(yù)測(cè)是一個(gè)復(fù)雜的過程，因?yàn)楫a(chǎn)品的銷售高度依賴消費(fèi)者的個(gè)人品味，而消費(fèi)者的品味差異很大[2]。商品也是由大量不同尺寸的不同產(chǎn)品組成，對(duì)應(yīng)許多不同的庫(kù)存單位（SKUs）。此外，天氣條件、節(jié)假日、市場(chǎng)活動(dòng)、促銷和當(dāng)前的經(jīng)濟(jì)環(huán)境等外部因素也會(huì)對(duì)銷售產(chǎn)生直接影響[3]。

本案例研究旨在通過以下方式改善銷售預(yù)測(cè)問題：

（1）考慮新產(chǎn)品銷量和因素的大量變化，可以對(duì)未來的銷售產(chǎn)生很大的影響。而過往研究的模型通常只包含影響銷售的有限因素；

（2）評(píng)估深度神經(jīng)網(wǎng)絡(luò)（DNN）的性能，以在連鎖超市銷售預(yù)測(cè)上下文中執(zhí)行預(yù)測(cè)。雖然深度學(xué)習(xí)的應(yīng)用還處于起步階段，但值得進(jìn)一步探索。另外將DNN模型與淺層數(shù)據(jù)挖掘回歸技術(shù)的性能進(jìn)行比較，以便了解使用更先進(jìn)的方法是否可以顯著提高模型精度，或者更簡(jiǎn)單的方法是否可以獲得類似的結(jié)果；

（3）將領(lǐng)域?qū)＜业囊庖姾彤a(chǎn)品的特性結(jié)合起來，作為預(yù)測(cè)變量的一部分。

1 相關(guān)研究

為了探討連鎖超市零售額預(yù)測(cè)的問題，研究人員開發(fā)了幾種分析模型。在統(tǒng)計(jì)技術(shù)中，最常用的是基于時(shí)間序列的預(yù)測(cè)方法，如ARIMA、SARIMA、指數(shù)平滑、回歸等。

盡管統(tǒng)計(jì)方法很受歡迎，但仍存在一些局限性，例如需要將定性數(shù)據(jù)轉(zhuǎn)換為定量數(shù)據(jù)、需要匯總信息或時(shí)間序列數(shù)據(jù)，而這在連鎖超市行業(yè)通常是不可用的，因?yàn)槠鋷?kù)存單位經(jīng)常被更換，銷售模式可能不規(guī)則[4]。模糊系統(tǒng)或數(shù)據(jù)挖掘模型已經(jīng)優(yōu)于統(tǒng)計(jì)方法。這些方法能夠處理大型數(shù)據(jù)集，并且可以處理數(shù)值和標(biāo)稱數(shù)據(jù)[5]?？梢阅M銷售和歷史商品變量之間復(fù)雜的非線性關(guān)系，再將這些關(guān)系推廣到未來商品的銷售預(yù)測(cè)中[6]。在各種研究中都有令人滿意的結(jié)果，例如文獻(xiàn)[7]將神經(jīng)網(wǎng)絡(luò)與進(jìn)化計(jì)算相結(jié)合來支持一個(gè)預(yù)測(cè)系統(tǒng)，其模型的性能優(yōu)于SARIMA模型，且適用于需求不確定性低、季節(jié)性趨勢(shì)較弱的短期零售預(yù)測(cè)。然而，很難在精確的結(jié)果和計(jì)算時(shí)間之間取得良好的折衷。

近年來，深度學(xué)習(xí)技術(shù)受到了廣泛關(guān)注?；谄潇`活性和顯著優(yōu)于其他數(shù)據(jù)挖掘方法的能力[8]，該技術(shù)已被用于解決不同研究領(lǐng)域的實(shí)際問題，如圖像分類、語(yǔ)音識(shí)別和生物信息學(xué)[9]。深度學(xué)習(xí)技術(shù)在需求預(yù)測(cè)中的應(yīng)用也越來越多，諸如交通系統(tǒng)[10]、醫(yī)院管理和電力負(fù)荷等。然而，深度學(xué)習(xí)算法在零售業(yè)銷售預(yù)測(cè)中的應(yīng)用還處于起步階段。

盡管數(shù)據(jù)分析技術(shù)為改進(jìn)預(yù)測(cè)做出了不可否認(rèn)的貢獻(xiàn)，基于其更高的客觀性和推理能力，來自領(lǐng)域?qū)＜业囊庖姂?yīng)得到特別關(guān)注。一些研究將專家意見納入預(yù)測(cè)模型，強(qiáng)調(diào)了在預(yù)測(cè)需要調(diào)整的情況下，領(lǐng)域?qū)＜移痍P(guān)鍵作用。這些調(diào)整可能是源于獲得的額外信息或存在特殊事件[11]。這些研究的一個(gè)共同點(diǎn)是，將專家的知識(shí)與數(shù)據(jù)分析工具相結(jié)合，而不是僅僅依賴其中一個(gè)工具，預(yù)測(cè)模型的性能會(huì)更好。然而，在連鎖超市零售的背景下，還沒有研究將產(chǎn)品特性和領(lǐng)域?qū)＜业囊庖娮鳛轭A(yù)測(cè)變量來預(yù)測(cè)銷售額。

國(guó)內(nèi)對(duì)零售采購(gòu)決策做的研究工作不多，主要集中在供貨渠道、價(jià)格和盈利管理方面的研究。文獻(xiàn)[13]構(gòu)建了一個(gè)由平臺(tái)商和電商平臺(tái)構(gòu)成的混合銷售渠道決策模型，分析了不同權(quán)利結(jié)構(gòu)下制造商入駐的質(zhì)量條件、入駐前后對(duì)雙方的決策影響。文獻(xiàn)[14]研究了一個(gè)初入行業(yè)的生產(chǎn)型零售商，和一條由上下游競(jìng)爭(zhēng)零售商組成的成熟型供應(yīng)鏈，將市場(chǎng)需求不確定性進(jìn)行量化，將自制和外購(gòu)策略的定義具體化。探討了在兩種策略下，零售商的生產(chǎn)/訂貨量、供應(yīng)商的批發(fā)價(jià)和參與者的期望收益。

關(guān)于連鎖超市行業(yè)的預(yù)測(cè)研究一般是按產(chǎn)品類別進(jìn)行的，對(duì)單個(gè)庫(kù)存單位進(jìn)行銷售預(yù)測(cè)的研究也很少。這些研究工作的一個(gè)共同特點(diǎn)是考慮很少的變量來預(yù)測(cè)銷售額（通常不超過4個(gè)），并且都沒有考慮領(lǐng)域知識(shí)。

本文通過評(píng)估DNN在連鎖超市零售行業(yè)中進(jìn)行銷售預(yù)測(cè)的效率，同時(shí)考慮不同性質(zhì)的特性，如產(chǎn)品的物理特性、價(jià)格和代表領(lǐng)域知識(shí)的特性。

2 案例研究和數(shù)據(jù)

以一個(gè)在各地有近百家分店的連鎖超市公司作為研究案例。盡管這家公司的產(chǎn)品種類繁多，如雨傘、手表、帽子和箱包，但本研究分析的數(shù)據(jù)與2017年春夏（S17）和2018年春夏（S18）期間三百多種箱包的銷售有關(guān)。

數(shù)據(jù)有每個(gè)產(chǎn)品的歷史銷售數(shù)據(jù)及其物理特性、公司的物流和內(nèi)部組織方面，還包括領(lǐng)域?qū)＜业囊庖姟Ｋ羞@些因素都被用來了解哪些特性使產(chǎn)品對(duì)客戶更有吸引力，從而幫助采購(gòu)部門更好地確定要訂購(gòu)的產(chǎn)品數(shù)量。

目前，公司訂購(gòu)的箱包數(shù)量依據(jù)三個(gè)因素：上一季和同一季節(jié)同類產(chǎn)品的銷售情況、采購(gòu)部人員的經(jīng)驗(yàn)，以及開發(fā)人員和市場(chǎng)部從不同來源收集的未來趨勢(shì)信息。表1列出了收集的信息類型，對(duì)于每個(gè)變量，都指定了名稱、類型、含義以及可以采用的類別總數(shù)。

表1 變量及說明

變量分為產(chǎn)品特征（PC）、公司后勤與內(nèi)部組織（LIO）和領(lǐng)域?qū)＜遥―E）三個(gè)類別。共10個(gè)變量描述產(chǎn)品的特性，價(jià)格和銷量是數(shù)值變量，其他是定性變量。

按規(guī)模及其銷售潛力將公司的門店分為四種類型（A、B、C或D），A類是指展示面積大、銷售潛力大的店，將接收為該季節(jié)采購(gòu)的全部產(chǎn)品。而銷售潛力較低的小型門店，可供選擇的產(chǎn)品種類將比較有限，分類為D。門店的這種分類用于定義每個(gè)商品的總訂購(gòu)量。為了推斷這一數(shù)量，根據(jù)以下方法創(chuàng)建了門店類型的聚集區(qū)：D類門店將只提供可以在公司的所有門店展示的商品，而A類可以接收更特殊的產(chǎn)品，因?yàn)檫@些門店已經(jīng)證明了銷售這些產(chǎn)品的能力。因此，分類為DCBA的產(chǎn)品將在公司所有門店銷售，分類為A的產(chǎn)品僅在A類門店中銷售。預(yù)期水平變量與產(chǎn)品的銷售期望水平有關(guān)，有四個(gè)可能的值：SB、M1、M2和M3，分別對(duì)應(yīng)銷售預(yù)期的最高值、正常、平均、較低，這種分類由市場(chǎng)、開發(fā)和采購(gòu)部門定義。因?yàn)轭悇e名稱不能傳達(dá)每個(gè)類別之間的差異，款型變量則可以根據(jù)季節(jié)趨勢(shì)將產(chǎn)品分為四類：時(shí)新、基本時(shí)新、普通和集中分發(fā)；其中時(shí)新產(chǎn)品更接近當(dāng)季潮流；集中分發(fā)與普通類似，只是在所采用的分發(fā)策略上有所不同。這種分類還與產(chǎn)品在店內(nèi)銷售的周數(shù)有關(guān)，時(shí)新產(chǎn)品在商店可以銷售4周，基本時(shí)新產(chǎn)品在6周內(nèi)可以買到，普通和集中分發(fā)類則可達(dá)8周。產(chǎn)品也根據(jù)其設(shè)計(jì)的目標(biāo)受眾進(jìn)行區(qū)分。例如被歸類為“青少年”的產(chǎn)品是為青少年設(shè)計(jì)的，而打算銷售給女性的產(chǎn)品則被歸類為“女性”。這種分類是市場(chǎng)部工作人員對(duì)年齡或性別的看法，目標(biāo)受眾會(huì)對(duì)特定產(chǎn)品表現(xiàn)出更大興趣。

期望水平、門店、款型和區(qū)分這四個(gè)分類都是由公司的專業(yè)人員生成，它們代表了領(lǐng)域知識(shí)。這些變量被作為附加值整合到預(yù)測(cè)模型中。

3 模型設(shè)計(jì)

雖然沒有每個(gè)季節(jié)新推出產(chǎn)品的歷史銷售數(shù)據(jù)，但公司擁有以前產(chǎn)品的銷售信息，并完全了解歷史和新產(chǎn)品的特點(diǎn)。因此，可以根據(jù)歷史商品的銷售情況和新舊商品的特點(diǎn)，探索兩者的相似性，從而實(shí)現(xiàn)對(duì)未來商品銷售的預(yù)測(cè)。為此，提出探索不同的回歸數(shù)據(jù)挖掘技術(shù)來開發(fā)新產(chǎn)品銷售預(yù)測(cè)模型。

在模型的學(xué)習(xí)過程中，使用了同一季節(jié)產(chǎn)品的歷史銷售數(shù)據(jù)。如圖1所示，在數(shù)據(jù)預(yù)處理步驟之后，根據(jù)觀測(cè)所屬季節(jié)將初始數(shù)據(jù)集分成兩個(gè)子集。有關(guān)S17季節(jié)的信息是訓(xùn)練過程的基礎(chǔ)，該過程對(duì)應(yīng)一個(gè)由300多個(gè)商品組成的數(shù)據(jù)集，其中有可用的歷史數(shù)據(jù)。S18季節(jié)對(duì)應(yīng)的數(shù)據(jù)用于對(duì)模型進(jìn)行性能評(píng)估，即總共300來個(gè)未來商品。必須強(qiáng)調(diào)的是，產(chǎn)品不會(huì)從一個(gè)季節(jié)過渡到下一個(gè)相應(yīng)的季節(jié)，這意味著兩個(gè)不同季節(jié)之間的產(chǎn)品沒有重疊。

在S17和S18記錄的庫(kù)存單位銷售總量中，大部分產(chǎn)品的銷售記錄在2000至6000件之間，大約相當(dāng)于構(gòu)成各自收集的庫(kù)存單位總數(shù)的80%左右。也可以得出這樣的結(jié)論，少數(shù)庫(kù)存單位的銷量超過了剩余產(chǎn)品的銷量。銷量超過14000件的可以被認(rèn)為是優(yōu)秀產(chǎn)品。

圖1 流程示意圖

預(yù)測(cè)模型的構(gòu)建有三個(gè)相互聯(lián)系的重要步驟，即改進(jìn)模型的學(xué)習(xí)過程和創(chuàng)建更精確的預(yù)測(cè)工具。這些步驟是：應(yīng)用貪婪方法選擇模型中的預(yù)測(cè)變量，對(duì)所涉及的參數(shù)進(jìn)行優(yōu)化，并對(duì)模型進(jìn)行測(cè)試。圖2描述了算法的結(jié)構(gòu)，下面將介紹這些步驟以及在模型開發(fā)過程中的鏈接方式。

圖2 算法結(jié)構(gòu)

該過程的目的是首先確定變量和參數(shù)的選擇，它們僅使用歷史數(shù)據(jù)就可以得到更好的模型，然后，在對(duì)未來和未知信息進(jìn)行測(cè)試時(shí)，評(píng)估所獲得的最佳模型的性能。

為此，應(yīng)用K=10的K-fold交叉驗(yàn)證將初始訓(xùn)練數(shù)據(jù)集劃分為K個(gè)折。通過多次重復(fù)訓(xùn)練與驗(yàn)證過程(與定義的折數(shù)相同)來找到最佳的參數(shù)和預(yù)測(cè)器組合。

為了選擇模型中預(yù)測(cè)變量的最佳組合，采用貪婪特征選擇方法在每個(gè)階段進(jìn)行局部最優(yōu)選擇。這一過程將因變量分別與每個(gè)自變量相關(guān)聯(lián)，也就是說，開始考慮僅用一個(gè)獨(dú)立變量獲得的所有可能的組合（總共有10種可能性）。對(duì)于每一個(gè)組合參數(shù)都進(jìn)行優(yōu)化，其中包括在驗(yàn)證數(shù)據(jù)集上的模型測(cè)試過程。對(duì)所分析的參數(shù)定義值進(jìn)行暴力網(wǎng)格搜索。每一參數(shù)組合的決定系數(shù)R是模型評(píng)估過程中獲得的10個(gè)R值的平均值。每個(gè)變量組合的最佳參數(shù)組合被選為使R平均值最大化的參數(shù)組合。類似地，在所有可能的變量組合中，選擇能使平均R達(dá)到最高值的組合。

然后將能夠達(dá)到最高平均值R的單個(gè)預(yù)測(cè)值與其余預(yù)測(cè)值相結(jié)合。重復(fù)這個(gè)過程，直到平均R值沒有改善，這意味著加入一個(gè)額外的預(yù)測(cè)值（不管是哪個(gè)預(yù)測(cè)值）并不能改善模型估計(jì)的預(yù)測(cè)值和觀察到的銷售值之間的R。然后，將預(yù)測(cè)因子和一組參數(shù)組合起來，得到最佳的績(jī)效模型，用于構(gòu)建預(yù)測(cè)未來銷售的模型。

最終模型的性能評(píng)估過程遵循自舉方法，并由以下步驟重復(fù)十次組成：通過重新定位原始S17和S18數(shù)據(jù)集，創(chuàng)建訓(xùn)練和測(cè)試數(shù)據(jù)集（與原始數(shù)據(jù)集大小相同），開發(fā)預(yù)測(cè)模型、測(cè)試數(shù)據(jù)集預(yù)測(cè)值的確定、R的計(jì)算以及預(yù)測(cè)值和測(cè)試數(shù)據(jù)集之間的剩余性能度量值。

由于在預(yù)測(cè)模型的構(gòu)建和測(cè)試中采用了這種重復(fù)采樣過程，模型的魯棒性提高了，并避免了過度擬合。計(jì)算均方根和均方根誤差等評(píng)價(jià)指標(biāo)來衡量最終預(yù)測(cè)模型的性能。模型性能指標(biāo)的最終值被確定為十次迭代的平均值。

此外，為了比較深度學(xué)習(xí)技術(shù)與淺層技術(shù)的性能，還采用了線性回歸方法。所采用的一些數(shù)據(jù)挖掘技術(shù)需要定義一組可以調(diào)整的參數(shù)，以便確定每個(gè)參數(shù)的值，從而提高預(yù)測(cè)模型的效率。

總的來說，結(jié)果表明模型可以作為有效的工具來預(yù)測(cè)銷售，并幫助定義連鎖超市行業(yè)的訂貨和營(yíng)銷策略，但管理者必須充分意識(shí)到與使用這些模型相關(guān)的一些特殊之處。

另外，管理者需要了解與可用的不同類型模型相關(guān)的復(fù)雜性，以及所需的不同資源。例如，DNN可以在大型和小型數(shù)據(jù)集上成功運(yùn)行，但在實(shí)踐中，由于需要復(fù)雜的訓(xùn)練過程，這種技術(shù)可能難以實(shí)現(xiàn)。在許多情況下，更簡(jiǎn)單的技術(shù)如RF也能取得良好的結(jié)果，也是最具成本效益的方法。

基于專家在確定潛在銷售方面所起的重要作用，管理者必須確保其員工充分了解市場(chǎng)及其需求，并在決策過程中整合他們的知識(shí)。值得注意的是，連鎖超市零售市場(chǎng)的一個(gè)公認(rèn)特征是高度依賴顧客的偏好，這種偏好非常不穩(wěn)定。因此，決定使用這類模型來協(xié)助其決策過程時(shí)，管理者必須每年用新信息對(duì)模型進(jìn)行再培訓(xùn)，因?yàn)檫@一步驟能使模型捕捉客戶的最新偏好。

4 結(jié)語(yǔ)

本文論述了一個(gè)預(yù)測(cè)模型的研發(fā)，以估計(jì)未來的產(chǎn)品銷售。探討了使用深度學(xué)習(xí)方法實(shí)現(xiàn)這一目標(biāo)的潛力。使用了一家在連鎖超市零售市場(chǎng)經(jīng)營(yíng)的公司提供的銷售數(shù)據(jù)。數(shù)據(jù)集包括以前收集的產(chǎn)品銷售信息，以及描述以前和未來產(chǎn)品的預(yù)測(cè)變量。

雖然這項(xiàng)工作的重點(diǎn)是連鎖超市零售業(yè)，但所提出的模型也可應(yīng)用于其他零售業(yè)領(lǐng)域，因?yàn)閱栴}的特點(diǎn)通常是相似的。