考慮商品促銷關(guān)聯(lián)效應(yīng)的網(wǎng)絡(luò)零售商動態(tài)定價模型

高峻峻, 郭鵬

(上海大學(xué)悉尼工商學(xué)院, 上海 201800)

伴隨我國電子商務(wù)的高速發(fā)展, 網(wǎng)購逐漸取代了傳統(tǒng)線下購物, 成為消費產(chǎn)業(yè)的中堅力量. 在此背景下, 越來越多的零售企業(yè)將自己的業(yè)務(wù)拓展到線上平臺. 然而, 網(wǎng)絡(luò)零售與線下實體零售存在著諸多差異, 如產(chǎn)品類別較線下更為豐富、產(chǎn)品間的替代性較強、需求存在相互影響. 與此同時, 線上平臺的促銷活動越來越頻繁, 網(wǎng)絡(luò)零售商需要根據(jù)每日銷售動態(tài)和平臺促銷活動的類型及折扣力度, 動態(tài)調(diào)整自身的促銷努力和商品價格, 以最大化自身利潤, 提升線上零售業(yè)務(wù)的獲利能力. 因此, 網(wǎng)絡(luò)零售商在考慮商品促銷關(guān)聯(lián)效應(yīng)的前提下, 制定最優(yōu)的動態(tài)定價策略具有重要的現(xiàn)實意義.

已有大量研究表明, 商品間存在促銷關(guān)聯(lián)效應(yīng)[1-3], 即一種商品的需求通常會受到另一種商品促銷活動的影響. 關(guān)聯(lián)商品間的主要關(guān)系表現(xiàn)為積極的互補效應(yīng)和消極的替代效應(yīng)[4]. 基于現(xiàn)有的品類內(nèi)和品類間促銷關(guān)聯(lián)效應(yīng)的研究可以發(fā)現(xiàn), 促銷關(guān)聯(lián)效應(yīng)帶來的影響不僅是不對稱的, 并且是跨品類的, 其中95%來自品類內(nèi)商品的影響, 只有5%受其他品類商品的影響[5]. 因此, 在進行商品定價決策時, 有必要將關(guān)聯(lián)商品的促銷信息帶來的影響考慮在內(nèi), 實現(xiàn)網(wǎng)絡(luò)零售商的總利潤最大化.

在網(wǎng)絡(luò)零售商動態(tài)定價研究方面, Leloup 等[6]首次使用動態(tài)定價模型來匹配網(wǎng)絡(luò)零售商的定價問題, 同時考慮客戶行為在促銷活動期間的不確定性, 結(jié)果顯示最優(yōu)的動態(tài)定價策略在很大程度上取決于他們在活動期間可以觀察到的購買行為; Cope[7]使用了非參數(shù)貝葉斯模型對電商數(shù)據(jù)進行了動態(tài)定價, 該模型可隨時獲得促銷活動期間每個價格水平需求的后驗邊際分布; 王道平等[8]研究了網(wǎng)絡(luò)零售商在多個電商平臺開設(shè)網(wǎng)店的動態(tài)定價策略, 結(jié)果表明促銷活動可以提高零售商和電商平臺的期望利潤. 雖然上述研究均將促銷策略合并進了動態(tài)定價決策, 但沒有考慮商品促銷關(guān)聯(lián)效應(yīng).

在需求預(yù)測模型研究方面, 已有學(xué)者將促銷作為變量整合到預(yù)測模型中. 一部分學(xué)者根據(jù)未來的促銷活動對時間序列模型生成的基線預(yù)測進行專家調(diào)整[9-10], 盡管這類經(jīng)驗性判斷在具體實踐中非常常見, 但很可能產(chǎn)生經(jīng)驗性和系統(tǒng)性錯誤[11]; 而另一部分學(xué)者直接考慮促銷信息, 并基于模型進行商品需求預(yù)測. 這類預(yù)測方法通?；诙嘣貧w模型或數(shù)據(jù)挖掘技術(shù),其外部輸入變量主要包含了商品自身的促銷特征[12-13]. Huang 等[14]提出了一個包含價格和促銷等競爭信息的2 階段預(yù)測模型, 結(jié)果顯示該模型可以橫跨多個品類間達到更為精準(zhǔn)的預(yù)測效果; Ma 等[5]基于LASSO(least absolute shrinkage and selection operator)算法, 提出了一個適用于高維數(shù)據(jù)的需求預(yù)測模型, 該模型考慮品類內(nèi)和品類間商品促銷影響, 以提高銷售預(yù)測的準(zhǔn)確性. 但上述研究還沒有將需求預(yù)測模型應(yīng)用于動態(tài)定價策略中.

本工作嘗試將商品促銷關(guān)聯(lián)效應(yīng)引入網(wǎng)絡(luò)零售商動態(tài)定價決策, 并將構(gòu)建的需求預(yù)測模型作為商品需求函數(shù), 利用包含商品促銷信息的需求預(yù)測框架, 以刻畫品類內(nèi)和品類間的促銷關(guān)聯(lián)效應(yīng)及其影響路徑; 再基于企業(yè)實際數(shù)據(jù)訓(xùn)練需求預(yù)測模型; 最后構(gòu)建商品離散價格集,將訓(xùn)練后的需求預(yù)測模型與動態(tài)定價模型結(jié)合, 以利潤最大化為目標(biāo), 尋找最優(yōu)促銷折扣和商品價格, 構(gòu)建出一種可實際應(yīng)用于網(wǎng)絡(luò)零售企業(yè)經(jīng)營決策的動態(tài)定價模型, 并將該模型應(yīng)用于某快消品電商品牌U. 本工作提出的動態(tài)定價模型能幫助網(wǎng)絡(luò)零售商實現(xiàn)自動商品定價、優(yōu)化企業(yè)收益的目標(biāo), 是解決網(wǎng)絡(luò)零售商動態(tài)定價的有效方案. 本模型框架如圖1 所示.

圖1 模型框架Fig.1 Modeling framework

1 考慮促銷關(guān)聯(lián)效應(yīng)的動態(tài)定價模型建立

1.1 動態(tài)定價模型

網(wǎng)絡(luò)零售商的利潤受到商品價格和銷量的影響. 對于某一特定線上店鋪而言, 假設(shè)其共銷售I個商品, 在一定的銷售時間段T內(nèi), 商品i在某一時間段t的需求量為γi,t, 其價格為pi,t,成本為ci,t; 同時, 品類內(nèi)相關(guān)聯(lián)商品價格為pj,t, 品類間相關(guān)聯(lián)商品價格為pq,t, 商品i的其他影響因素為Fi,t, 其中γi,t=f1(pi,t,pj,t,pq,t,Fi,t). 因此, 動態(tài)定價模型的目標(biāo)函數(shù)為銷售周期內(nèi)整個店鋪的利潤額π最大化, 即求解式(1), 決策變量為商品價格pi,t,pj,t和pq,t:

電商店鋪售賣的某商品的促銷價格的變化, 不僅會影響該商品本身的銷量, 而且還會影響其他商品的銷量, 這說明商品促銷帶來的銷售量的變化與其他商品在某一段時間范圍內(nèi)的銷售量會有一定的關(guān)聯(lián)關(guān)系. 本工作將這一關(guān)聯(lián)關(guān)系納入到需求函數(shù)中. 本工作使用自相關(guān)分布滯后(autoregressive distributed lag, ADL)模型對商品需求進行模擬. Huang 等[14]證明了ADL 模型在考慮了競爭效應(yīng)與促銷關(guān)聯(lián)效應(yīng)的情況下, 對需求預(yù)測的準(zhǔn)確度有所提升. 考慮到商品銷量較大, 對其進行取對數(shù)處理. 由此, 初步構(gòu)建出商品需求函數(shù)模型:

式中:γi,t表示為品類k中的商品i在t時刻的需求量;ηk,i為模型常數(shù);為目標(biāo)商品的價格促銷信息, 取L1期滯后值來反映其變化, 價格促銷信息可以由商品價格表示,=f2(pk,i,t);nk為品類k中的商品集合, 商品集合為使用Granger-LASSO 檢驗得出的品類內(nèi)關(guān)聯(lián)商品集合; 商品j代表在品類k中除商品i以外的商品;為品類k中的商品j在t時刻的價格促銷信息,=f3(pk,j,t);m為使用Granger-LASSO 檢驗選出的與k品類關(guān)聯(lián)的其他品類內(nèi)商品q的集合;為商品q在t時刻的價格促銷信息,=f4(pq,t);εk,i,t為干擾項, 假設(shè)其服從正態(tài)分布, 均值為0.

對商品需求進行預(yù)測時, 除考慮上述解釋變量外, 還需考慮網(wǎng)絡(luò)零售商的促銷努力和電商平臺活動等線上銷售特征的影響[15], 電商平臺每年會固定推出相應(yīng)的促銷活動, 網(wǎng)絡(luò)零售商會根據(jù)促銷活動安排制定自己的營銷策略, 同時也會根據(jù)日常經(jīng)營情況調(diào)整促銷努力. 通常電商平臺的工作人員會提前對促銷活動進行宣傳, 消費者往往會因此調(diào)整其消費需求, 到促銷活動當(dāng)天購買需要的商品, 在這種情況下商品當(dāng)期的銷量可能與其提前期或滯后期的銷量存在替代關(guān)系. 本工作以U 品牌商在天貓平臺的官方旗艦店為例進行研究. 該品牌商在天貓平臺共包括10 種促銷活動, 分別為雙十一、雙十二、6·18 年中促銷、99 大促、國慶節(jié)、女生節(jié)、五一勞動節(jié)、端午節(jié)、美妝節(jié)以及天貓年貨節(jié). 因此, 將模型修正為

式中:Eet為促銷活動(虛擬變量),e代表10 類促銷節(jié)日中的一種;L2代表促銷活動提前或滯后期(當(dāng)l ＜0 時,L2為促銷活動提前期, 表示因促銷節(jié)日所帶來的減少消費的行為; 當(dāng)l= 0時,L2為促銷活動當(dāng)期; 當(dāng)l ＞0 時,L2為促銷活動滯后期, 反映促銷活動后一定程度上減少消費的行為);Si,t為網(wǎng)絡(luò)零售商對商品i的促銷努力;Mm為月度因子(虛擬變量).

本工作的目標(biāo)是使多個品類、多個商品在每個時期的整體利潤最優(yōu), 以制定每個時期最優(yōu)的商品定價策略. 在定價問題上, 為商品建立一個離散的價格集合Ω. 設(shè)Ωi為商品i的離散價格集合,Ni=|Ωi|為潛在的價格數(shù)量. 設(shè)定集合中的離散價格點, 以9 為結(jié)尾的小數(shù)點后數(shù)字, 例如{9.9, 14.9, 19.9, 24.9, 29.9}. 研究表明, 零售商制定這樣的價格能夠在一定程度上刺激消費者的購買行為[16], 并且符合實際業(yè)務(wù)場景. 繼而將需求函數(shù)與利潤函數(shù)結(jié)合構(gòu)造動態(tài)定價模型, 貪婪搜索每組商品價格以獲得最大利潤, 相應(yīng)的商品價格即為該時期商品的最優(yōu)價格. 基于以上分析, 構(gòu)建動態(tài)定價的最優(yōu)利潤函數(shù)并求解:

式中: 目標(biāo)函數(shù)為銷售利潤, 即每件商品在任意時刻的定價減去銷售成本并乘以該時刻的需求數(shù)量求和所得. 約束條件(5)、(6)和(7)分別對商品、品類內(nèi)相關(guān)聯(lián)商品以及品類間相關(guān)聯(lián)商品的價格分配進行約束, 表示必須使每件商品在任意時刻都有唯一價格, 且商品價格只能在對應(yīng)離散價格集內(nèi)選擇.

1.2 商品促銷關(guān)聯(lián)效應(yīng)識別

通常商品促銷關(guān)聯(lián)效應(yīng)由專家意見法識別, 即直接由有經(jīng)驗的人士去判斷哪些商品是互相關(guān)聯(lián)的, 但是該方法太過于主觀, 并且不適用于海量商品的判斷. 而本工作采用的Granger-LASSO 檢驗方法可以基于數(shù)據(jù)計算價格促銷和商品銷量的因果度量, 快速識別存在促銷關(guān)聯(lián)效應(yīng)的商品. 因此, 先依據(jù)Granger 因果檢驗方法, 假設(shè)Yt和Xt是2 個時間變量序列, 若聯(lián)合Yt和Xt過去的信息對Yt預(yù)測比僅使用Yt過去的信息更加準(zhǔn)確, 則稱Xt對Yt具有Granger 因果關(guān)系. 具體步驟如下, 先建立Xt和Yt的自回歸模型:

式中:Xt為待檢驗外生變量;Yt為待檢驗內(nèi)生變量;al和βl分別為各階滯后項系數(shù);μt為回歸估計殘差;α0表示常數(shù)項, 對式(8)和(9)進行估計, 構(gòu)建F統(tǒng)計量檢驗的聯(lián)合假設(shè)

如果在選定的顯著性水平α上計算的F值大于臨界值Fα, 則拒絕零假設(shè), 即Xt為Yt的Granger 原因.

由于促銷的關(guān)聯(lián)因素較多, 故為避免出現(xiàn)偽回歸的情況, 本工作在求解回歸模型時引入LASSO 算法[5]. 該算法通過構(gòu)造一個懲罰函數(shù)獲得一個更為精煉的模型, 最終讓一些解釋變量的系數(shù)為0, 也就是略去一些并不重要的因子. 該算法自動選擇一部分變量來構(gòu)造模型, 并剔除對因變量影響較小的自變量, 最終實現(xiàn)變量的可選擇性, 提高模型的準(zhǔn)確度和解釋能力.

假設(shè)在T時間段內(nèi), 對于一組時間序列Xi構(gòu)建損失函數(shù):

式中:Xi,t為一組延遲時間序列, 為商品i的促銷折扣集合;YO,t為商品O 在t時間的銷量, 該商品O 是N個商品中除了i之外的某一商品;N為商品總數(shù);T為檢驗所用的時間跨度;為時間序列Xi,t對時間序列YO,t的影響因子;λ(1)為非負的懲罰系數(shù), 決定a(1)的稀疏性. 對于懲罰系數(shù)λ(1)的選取, 在實證研究中本工作選擇使用交叉驗證進行計算. 交叉驗證是用隨機抽取的方法, 自動將數(shù)據(jù)劃分為訓(xùn)練集和測試集, 使用訓(xùn)練集數(shù)據(jù)檢驗測試集并計算誤差, 使用誤差最小情況下的λ(1). 最終, 在使得總體最小的情況下, 對a(1)進行求解. 如果a(1)i是一個非零向量, 則商品i的促銷將對商品O 的銷量產(chǎn)生影響.

1.3 模型系數(shù)計算

本工作使用網(wǎng)絡(luò)零售商實際在線銷售數(shù)據(jù)對需求函數(shù)進行擬合, 以確定模型系數(shù). 考慮到促銷期商品間具有關(guān)聯(lián)性, 如果對所有解釋變量的系數(shù)同時進行擬合, 可能會使一些不重要的解釋變量的系數(shù)遠大于一些重要的解釋變量, 出現(xiàn)過擬合現(xiàn)象. 因此, 基于商品的特性, 即商品自身因素的影響＞品類內(nèi)其他商品的影響＞品類間商品的影響[16], 本工作采用三階段LASSO回歸法對需求函數(shù)進行擬合.

首先, 對商品自身影響因素系數(shù)進行擬合:

再對品類內(nèi)關(guān)聯(lián)商品的影響因素系數(shù)進行擬合:

最后, 對品類間關(guān)聯(lián)商品的影響因素系數(shù)進行擬合:

通過正則化范數(shù)Ll懲罰對變量進行限制, 以此獲得一個較之前更為稀疏的模型, 這樣就能有效降低模型的維度, 提升模型解釋力度[17], 最終確定模型系數(shù).

2 實驗及結(jié)果分析

2.1 數(shù)據(jù)來源及參數(shù)描述

本工作采用U 品牌提供的天貓官方旗艦店的銷售數(shù)據(jù)進行實證研究. U 品牌為國際化品牌, 主要銷售洗發(fā)水、洗面奶等洗護用品. 本工作首先對數(shù)據(jù)進行了預(yù)處理, 選取數(shù)據(jù)的時間跨度是2018 年1 月到2019 年12 月, 將同一商品的不同商品名稱進行了統(tǒng)一, 并剔除了原始數(shù)據(jù)中的贈品、優(yōu)惠券及缺失數(shù)據(jù), 以確保數(shù)據(jù)的可靠性. 由于U 品牌屬于快消品類, 其商品銷量差異顯著, 商品銷量服從帕累托效應(yīng), 且銷量大的商品間促銷關(guān)聯(lián)效應(yīng)明顯[5]. 因此, 本工作選取了銷售量排名前10 的商品進行模擬動態(tài)定價, 這些商品的銷售額排名也均位于前10 位(見圖2), 共包含10 個商品和7 個品類, 分別占據(jù)了74.86% 的銷售量和69.53% 的銷售額.

圖2 商品累計銷量和銷售額占比Fig.2 Proportion of accumulated sales and sales revenues

在構(gòu)建ADL 需求函數(shù)模型階段, 本工作提取的模型特征包括商品本身的歷史影響因素(商品歷史需求、商品促銷信息、電商平臺活動以及網(wǎng)絡(luò)零售商促銷努力)和存在促銷關(guān)聯(lián)效應(yīng)商品的商品促銷信息等, 并預(yù)測下一日需求情況, 以驗證模型對商品需求的模擬情況. 需求函數(shù)模型的評價指標(biāo)采用常用的平均絕對百分誤差(mean absolute percentage error,MAPE)和擬合優(yōu)度R2.

2.2 實驗結(jié)果分析

2.2.1 商品促銷關(guān)聯(lián)效應(yīng)刻畫

針對所選的10 種商品, 使用Granger-LASSO 檢驗刻畫商品間的促銷關(guān)聯(lián)效應(yīng). 分別對商品的促銷影響因子和銷量的時間序列做單位根(augmented dickey-fuller, ADF)檢驗, 采用赤池信息量準(zhǔn)則(akaike information criterion, AIC) 判斷滯后期, 結(jié)果表明所有時間序列均通過平穩(wěn)性檢驗. 在進行Granger-LASSO 檢驗時, 使用向量自回歸(vecter autoregression, VAR) 模型尋找最優(yōu)滯后階數(shù). 在5% 的顯著性水平下, 商品促銷關(guān)聯(lián)效應(yīng)的因果流向圖如圖3 所示. 從圖中可以發(fā)現(xiàn), 非熱銷商品的價格促銷會影響到熱銷商品的銷量, 表明當(dāng)網(wǎng)絡(luò)零售商策劃促銷活動時, 用戶在購買非熱銷商品時可能會對熱銷商品產(chǎn)生一些連帶消費, 由此帶來較高的客單價; 同時, 洗面奶、套裝和面膜這3 個品類內(nèi)商品間都存在促銷關(guān)聯(lián), 且p 值均小于0.01, 促銷關(guān)聯(lián)效應(yīng)較明顯.

圖3 商品促銷關(guān)聯(lián)效應(yīng)的因果流向圖Fig.3 Interactions flow chart of promotional correlation effects

2.2.2 需求函數(shù)模型評價

本工作通過預(yù)測2019 年3 月商品銷量來評價需求函數(shù)模型的預(yù)測性能, 其中包含一個女生節(jié)促銷活動. 對比預(yù)測模型為指數(shù)平滑(exponential smoothing, ETS)模型、不考慮促銷關(guān)聯(lián)效應(yīng)的預(yù)測模型ADL.N 和考慮促銷關(guān)聯(lián)效應(yīng)的預(yù)測模型ADL.P, 預(yù)測結(jié)果如表1 所示. 從表1 可以發(fā)現(xiàn), ADL.N 預(yù)測值在MAPE 上相較ETS 預(yù)測值平均減小了40.27%, 擬合優(yōu)度R2值平均提高了0.36, 因此預(yù)測效果提升明顯; 考慮促銷關(guān)聯(lián)效應(yīng)后, ADL.P 的預(yù)測精度相較ADL.N 在MAPE 上平均降低了1.23%,R2進一步提升了0.08. 因此, 本工作提出的ADL.P模型在預(yù)測精度上具有顯著優(yōu)勢.

表1 MAPE 和R2 的預(yù)測誤差結(jié)果Table 1 Forecast error results of MAPE and R2

以銷售額最高的洗面奶A 為例, 圖4 展示了其需求預(yù)測的趨勢結(jié)果. 從圖中可以看出, 本工作提出的ADL.P 的預(yù)測結(jié)果能夠基本追隨商品需求變化趨勢, 說明ADL.P 預(yù)測模型可以較為準(zhǔn)確地模擬商品需求. 圖5 進一步展示了洗面奶A 的關(guān)聯(lián)商品的促銷對其影響情況. 從圖中可以看出, 套裝S 的促銷會很大程度地增加洗面奶A 的銷量, 且爽膚水D、發(fā)泥A、面膜E 和噴霧發(fā)泥套裝A 的促銷都會對洗面奶A 的銷售產(chǎn)生正向影響; 而面膜F 的促銷則有可能降低洗面奶A 的銷量.

圖4 洗面奶A 預(yù)測趨勢圖Fig.4 Forecast trend of Facial Cleanser A

圖5 洗面奶A 關(guān)聯(lián)商品促銷影響因子Fig.5 Promotion correlation factors related to Facial Cleanser A

2.2.3 動態(tài)定價結(jié)果

設(shè)置商品離散價格集, 其中最大價格為原始價格, 最小價格為歷史最低價格, 中間按等差數(shù)列選取3 種價格, 這樣5 種價格構(gòu)成離散價格集; 再將其轉(zhuǎn)換為對應(yīng)的商品促銷信息; 最后將其代入到動態(tài)定價模型中, 求解模擬期間每日網(wǎng)絡(luò)零售商的最大利潤值和相應(yīng)商品的最優(yōu)價格, 并與實際價格預(yù)測得到的利潤、電商平臺未進行促銷活動時網(wǎng)絡(luò)零售商的最優(yōu)利潤以及真實利潤進行對比, 以驗證模型合理性. 利潤對比如圖6 和表2 所示. 結(jié)果顯示相較真實利潤,使用實際價格預(yù)測得到的利潤減少了5.10%, 主要原因在于女生節(jié)期間預(yù)測銷量略小于實際銷量, 說明本動態(tài)定價模型能夠較好地模擬實際商品銷售情況; 使用動態(tài)定價模型可以使總利潤比真實利潤提高13.46%, 比實際價格預(yù)測得到的利潤提高19.55%, 從而驗證了模型的合理性. 另外, 電商平臺不進行促銷活動時的利潤相較真實利潤減少了6.10%, 說明適當(dāng)?shù)拇黉N活動可以增加網(wǎng)絡(luò)零售商的總利潤.

圖6 動態(tài)定價結(jié)果Fig.6 Dynamic pricing results

商品的動態(tài)定價折扣與利潤率調(diào)整結(jié)果如表3 所示. 從表中可以看出, 本模型提高了部分商品的平均折扣力度(洗面奶A、套裝S、爽膚水D、面膜E、發(fā)泥A、噴霧發(fā)泥套裝A), 而降低了另一部分商品的平均折扣力度(套裝T、洗面奶C、面膜F、面霜A). 以洗面奶A 和面霜A 為例, 對價格折扣(見圖7)、最優(yōu)定價預(yù)測銷量及利潤額(見圖8)的變化進行進一步分析, 并結(jié)合表2 可以發(fā)現(xiàn): ①對于洗面奶A 而言, 本模型提高了洗面奶A 所有時間段的折扣力度,雖然該定價策略使得洗面奶A 的最優(yōu)平均折扣降低, 單品的平均利潤率降低, 但同時使得洗面奶A 的總銷量增大, 并最終使其總利潤得到提高; ②對于面霜A 而言, 本模型提高了其部分時間段(7～14 d)內(nèi)的折扣力度, 而降低了在其他時間段(1～6 d 和15～31 d)內(nèi)的折扣力度, 該定價策略使得面霜A 的最優(yōu)平均折扣增大的同時, 也使其單品的平均利潤率得以提高, 平均折扣的增大雖然會導(dǎo)致面霜A 在其他時間段(1～6 d 和15～31 d)內(nèi)的銷量減少, 但也提高了該商品在該時間段內(nèi)的總利潤. 因此, 網(wǎng)絡(luò)零售商不應(yīng)僅通過加大促銷力度來獲得更高利潤, 而應(yīng)將商品促銷關(guān)聯(lián)效應(yīng)考慮在內(nèi). 采用本模型針對不同商品在不同時段設(shè)置最優(yōu)商品定價, 可以獲得銷售周期內(nèi)整體的最優(yōu)利潤.

圖7 洗面奶A 和面霜A 的動態(tài)定價折扣Fig.7 Dynamic pricing discounts on Facial Cleanser A and Cream A

圖8 洗面奶A 和面霜A 最優(yōu)定價預(yù)測趨勢和利潤結(jié)果Fig.8 Optimal pricing forecast trend and profits of Facial Cleanser A and Cream A

表2 商品動態(tài)定價利潤結(jié)果Table 2 Profit results of dynamic pricing

表3 商品動態(tài)定價折扣與單品利潤率Table 3 Discounts and profit margin of dynamic pricing

3 結(jié)束語

本工作以U 品牌商提供的天貓旗艦店數(shù)據(jù)為例, 對考慮商品促銷關(guān)聯(lián)效應(yīng)的網(wǎng)絡(luò)零售商動態(tài)定價問題進行了研究. 采用Granger-LASSO 法檢驗識別存在關(guān)聯(lián)效應(yīng)商品的促銷因果流向, 并基于此建立需求函數(shù)模型, 將其與利潤函數(shù)結(jié)合, 以各商品在各時刻的價格作為決策變量, 以利潤最大化為目標(biāo), 構(gòu)建了動態(tài)定價模型. 該方法解決了傳統(tǒng)商品定價決策受人為經(jīng)驗因素干擾的問題, 通過模型訓(xùn)練得到最優(yōu)商品折扣和最優(yōu)定價, 以實現(xiàn)網(wǎng)絡(luò)零售企業(yè)利潤的最大化. 實驗結(jié)果表明: ①電商平臺的促銷活動可以增加網(wǎng)絡(luò)零售商收益; ②部分非熱銷商品的促銷活動會影響熱銷商品的需求; ③動態(tài)定價模型考慮商品促銷關(guān)聯(lián)效應(yīng), 可以提高網(wǎng)絡(luò)零售商的總利潤. 此外, 由于網(wǎng)絡(luò)零售商銷售商品的品類和種類數(shù)以萬計, 無法由銷售人員的專業(yè)經(jīng)驗直接對品類內(nèi)和品類間的促銷關(guān)聯(lián)效應(yīng)進行判斷, 因此本工作采用數(shù)據(jù)挖掘技術(shù), 為網(wǎng)絡(luò)零售企業(yè)的動態(tài)定價提供了一個科學(xué)有效的決策工具. 未來可進一步將品類管理和庫存控制納入本模型, 進行品類規(guī)劃和補貨計劃的聯(lián)合決策.