機器學習方法在國際商務中的應用評述

陸仕超

（上海大學出版社，上海200444）

伴隨世界經濟一體化，國際商務活動日益繁榮。與此同時，互聯網的滲透和大數據技術的進步推動人工智能進入新的快速發(fā)展期。語音識別、圖像分類、機器翻譯、可穿戴設備、無人駕駛汽車等人工智能技術均取得了突破性進展。企業(yè)的未來在于智能化，而機器學習是人工智能的核心，研究機器學習在國際商務領域中的應用有助于企業(yè)緊跟智能化浪潮，抓住新的發(fā)展機遇。本文從國際商務活動的項目基本流程角度來梳理與評述機器學習方法在國際商務領域中的應用。

學界主流的觀點將國際商務定義為通過貿易或投資參與到國際活動中的企業(yè)[1]。然而這樣的定義局限了主體范圍，也將國際商務的活動范圍縮小，使其排除了諸如商務支持、資訊服務等其他類型的國際商務活動[2]，因此從跨境商務活動角度來研究國際商務更為合適。依據本文研究目的，將國際商務限定為企業(yè)或組織在跨境活動中發(fā)生的商業(yè)性的業(yè)務或行動。

國際商務的研究1958年發(fā)源于美國。經過近60年的發(fā)展，其理論基礎及實踐基礎也日益完善。前期研究主要集中于對外直接投資（FDI）、跨國公司企業(yè)（MNE）和國際化進程研究?，F在及今后一段時間，對國際商務的研究將集中于兼并與收購、知識管理及選址問題，包含企業(yè)的議價能力、客戶關系維護、供應鏈體系建設、差異化與合作等課題。從整體的研究脈絡來看，國際商務作為一門實踐性較強的學科，其理論的研究與發(fā)展大多來源于實務。而企業(yè)商務項目是國際商務活動產生的基本要素。因此，本文將從國際商務活動的項目基本流程角度來梳理與評述機器學習方法在國際商務領域中的應用。一個國際商務項目的基本流程包括準備階段、交易階段、履約階段和維護階段。

1 機器學習方法在國際商務項目中的具體應用

1.1 準備階段

在一個商業(yè)項目開始之前，企業(yè)需要進行大量的準備工作，包括細分市場與客戶、尋找潛在商業(yè)合作伙伴、制定合適的營銷策略、成本預算、進行商務決策等。國內外學者結合機器學習方法對此問題做了相應研究。

1.1.1 合作伙伴的選擇

在機器學習方法選擇上，HU和ZHANG（2008）[3]比較了前向神經網絡（BPNN）和支持向量機（SVM）在選擇合適供應商伙伴中的表現，實驗說明SVM方法更為有效。之后，JUNICHIRO等（2012）[4]利用支持向量機（SVM）來幫助企業(yè)尋找潛在的國際或國內的商業(yè)合作伙伴。作者從客戶與供應商是否有商業(yè)關系以及客戶與供應商是否有互惠關系，這兩個方面提取了關鍵影響因素。實驗表明，員工人數多、成立時間長、具有地理位置優(yōu)勢的企業(yè)較不具備這些要素的企業(yè)擁有更多的商業(yè)伙伴。而在是否存在商業(yè)互惠關系上，人際關系網絡是重要的影響因素。

1.1.2 市場細分

研究者大多從目標客戶細分這一角度進行研究。從客戶價值角度，HSIEH和CHU（2009）[5]使用自組織映射（SOM）神經網絡模型對客戶群進行分類，選擇出高價值客戶類別后，再用決策樹誘導算法提取此類客戶的特征屬性。市場營銷人員就能針對不同的目標客戶制定詳細的營銷策略，實現精準營銷。呂昱和程代杰（2005）[6]也使用SOM聚類技術解決市場細分問題，并將SOM聚類的市場細分結構結果可視地呈現給市場決策人員。作者提出的研究途徑成功發(fā)現了人工數據集中預設的聚類模式。在實際市場數據分析中，獲得了與事實相符的結論并提供了有價值的決策支持信息。從客戶忠誠度角度，HAMURO等（2002）[7]開發(fā)了一種基于決策樹的機器決策系統(tǒng)BONSAI。作者將客戶信息及歷史交易信息，包括客戶年齡、訪問次數、收益貢獻等數據輸入系統(tǒng)。系統(tǒng)通過歷史數據的學習，得出客戶忠誠度的高低。企業(yè)可以此為依據，制定有效的營銷策略。從客戶行為角度，陶楠（2016）[8]針對中國圖書營銷數據利用率低下問題，提議建立圖書營銷數據庫，借助聚類、分類、關聯等機器學習算法，通過客戶購買行為的數據處理與分析，構建潛在讀者細分體系，精準定位、細分圖書市場，從而選擇恰當的營銷方略，實現圖書精準營銷。

1.1.3 商務決策

商務決策需要管理者在多樣的可行方案中作出擇優(yōu)判斷，需要考慮預算、客戶關系等更多方面，而機器學習方法也被應用到此類問題研究中。ALDAHAWI和ALLEN（2015）[9]利用文本挖掘方法將石油公司客戶所發(fā)的推特（Twitter）信息進行分析，使用機器學習分類客戶的推特信息，提取關鍵特征，提取的文本特征可為石油公司商務決策提供有價值的信息。COOK等（2015）[10]基于咨詢企業(yè)的客戶關系管理數據庫的數據，將決策樹算法應用到咨詢業(yè)務的項目內部成本預測中。進一步，將預測結果進行具體的可視化說明，開發(fā)了一個交互式決策支持系統(tǒng)。該算法還可進一步使用隨機森林、神經網絡、支持向量機等方法進行擴展優(yōu)化。

1.2 交易階段

企業(yè)在完成某國際商務項目的準備階段后，就可以進入項目的交易階段。在此階段，企業(yè)要與客戶進行反復磋商與談判、確定交易條款、訂立合同等事項。關于此階段，學者研究的重點主要集中在自動磋商與合同文本上。

1.2.1 自動磋商

眾多學者對此問題做了針對性研究，強化學習和有監(jiān)督學習這兩類算法均有涉及。其中，使用有監(jiān)督學習算法的文獻較多。YUAN和CHEN（2001）[11]構建了一個具有學習能力的多智能體（Agent）基礎架構。在這個架構中，作者使用遺傳算法構建神經網絡，設計了具有自動磋商能力的智能體。該智能體能夠對磋商內容進行自動評估，返回結果，提升合同訂立的效率。這一基礎架構也能被用于供應鏈和客戶行為模型的構建中。LI和CAO（2004）[12]提出了一種貝葉斯學習算法。經過學習和訓練的Agent被引入一個多智能體系統(tǒng)，輔助用戶在電子商務環(huán)境下進行雙邊多議題協(xié)商，幫助談判主體在談判過程中能更好地調整談判策略，提高談判效率。MACH和SCHIKUTA（2012）[13]基于決策樹算法設計了一個電子合同協(xié)商架構，此架構可以為網絡客戶和供應商在線首次磋商與合同條款變更提供服務。使用此架構的企業(yè)與客戶可以就服務的水準、品質等方面達成雙方共同認可的協(xié)議或契約。針對智能體（Agent）處理市場中不完全信息效率不高的問題，陳培友等（2014）[14]將馬爾科夫鏈方法應用于對談判對方各輪報價的預測當中，并與改進的遺傳算法相結合，構建了面向Agent的馬爾科夫多議題自動談判模型。通過仿真計算試驗表明，模型能很好地對談判過程進行仿真和推理，客觀地為談判各方合理決策提供有效依據。應用強化學習方法來研究自動談判的文獻較少，仍處于起步階段。何波（2011）[15]重點研究了基于Agent的電子商務自動談判模型、談判策略和學習機制，并根據綜合談判策略和基于強化學習的學習機制提出了改進的自動談判模型。實驗結果表明，基于強化學習的學習機制能大幅提高自動談判的效率。

1.2.2 商務合同解析

MOLINA-JIMENEZ等（2004）[16]使用有限狀態(tài)機（FSM）來刻畫傳統(tǒng)的商務合同，FSM表達的合同文本可以消除自然語言書寫合同中的模糊表示，確保交易履行過程中合同條款不被錯誤執(zhí)行。

1.2.3 業(yè)務流程建模

計算機難以理解日常的商務條款和業(yè)務流程文本。LI和FENG（2008）[17]使用統(tǒng)計機器學習方法來解析自然語言書寫的商務條款和業(yè)務流程，并將其轉化為機器能讀懂的對象約束語言（OCL），再進行業(yè)務流程建模。文章使用了統(tǒng)計機器模型翻譯模型來實現算法，在北美航空貨物裝卸業(yè)務流程的實際算例中該方法體現了極高的精確性。然而該模型僅針對OCL，在其他語言機器翻譯中未驗證有效性，在其他商業(yè)場景中的有效性也需要驗證。

1.3 履行階段

在交易履行的過程中，主要涉及企業(yè)的采購管理、庫存管理等一系列與供應鏈管理相關的事項以及如何防范交易過程中的欺詐風險。

1.3.1 采購物流規(guī)劃

做好采購物流是企業(yè)按規(guī)定履行合同的重要保障。KNOLL等（2016）[18]對企業(yè)的采購物流規(guī)劃（Inbound logistics planning）進行了研究。作者主要使用數據挖掘方法對歷史采購物流數據和業(yè)務流程進行數據挖掘。從數據中提取能夠用于采購物流計劃的關鍵特征，從而為未來的相關規(guī)劃任務提供參照。

1.3.2 庫存管理

庫存管理在供應鏈管理中占有重要地位。JIANG和SHENG（2009）[19]將增強學習方法運用到動態(tài)庫存管理中，在試驗中取得了較好的效果。此外，文章闡釋了增強學習方法在供應鏈管理中具有廣闊的應用空間。于春云等（2009）[20]提出了通過集成庫存管理使庫存系統(tǒng)整體收益期望值最大化的優(yōu)化模型。根據遺傳算法理論和計算機模擬技術設計了求解模型的智能算法，并通過仿真分析證明了模型的有效性。KARTAL等（2016）[21]將機器學習算法與ABC分類法（Activity Based Classification）相結合解決多屬性存貨分類問題。文中分別使用了樸素貝葉斯方法（Na?ve Bayes）、貝葉斯網絡（Bayesian network）、人工神經網絡（ANN）和支持向量機對各種存貨進行分類，并得出支持向量機方法分類精度最高的結論。但總體而言，文章證實了機器學習算法對解決多屬性庫存分類問題效果頗佳。

1.3.3 交易管理

在交易履行的過程中，交易欺詐風險管理也是一個很重要的方面。CHEN等（2015）[22]介紹了阿里巴巴如何使用大數據挖掘技術來控制交易欺詐風險。阿里巴巴通過機器學習算法直接從海量的實時用戶行為數據中捕捉潛在欺詐行為的信號，精確預測可能存在的劣質客戶及風險交易。由此，阿里巴巴開發(fā)了一個防欺詐系統(tǒng)，來識別和阻止在線客戶惡意交易行為的發(fā)生。

1.4 維護階段

合同履行完畢后，國際商務項目進入維護階段。企業(yè)關注的重點轉為客戶服務、客戶維護和客戶流失預測。

1.4.1 客戶服務

HUI和JHA（2000）[23]關注跨國制造企業(yè)的客戶服務支持問題，將收集到的非結構化客戶服務數據轉化為結構化數據，從而為機械故障診斷和商務決策支持提供幫助。作者使用整合了神經網絡、案例推理（case-based reasoning）和規(guī)則推理（rule-based reasoning）的數據挖掘技術，取得了較好的效果。

1.4.2 客戶分類與維護

HUANG等（2009）[24]使用3種不同的分類方法針對消費戶外運動裝備的客戶進行價值分類。在K-means聚類算法、模糊C值均值算法、裝袋聚類算法中，作者實驗證明裝袋聚類算法具有最佳的分類效果。該算法根據單次平均消費金額、光顧商店頻次、總平均消費金額將客戶分為六類，并根據這六類客戶給出具體的銷售策略。AHMAD和LAROCHE（2017）[25]使用潛在語義分析法對取自亞馬遜購物網站的用戶評論進行了分析。文章發(fā)現正面評論內容主要集中于產品本身，而負面評論主要集中于售后服務。與這一發(fā)現相對應的是潛在客戶對于產品本身大多關注正面評價，例如核心功能、性能指標、外形構造等方面，對于售后服務大多關注負面評價。

1.4.3 客戶流失預測

對于此問題，不少國內外學者使用了機器學習算法對其進行了研究。CHEN等（2012）[26]應用多種機器學習方法對電信通訊業(yè)的客戶流失問題進行了預測。經過交叉驗證與比較研究，證明結合支持向量機與Adaboost算法的方法預測效果最好。XIE等（2009）[27]和丁君美等（2015）[28]均對隨機森林算法進行了改進用于客戶流失預測，其中丁君美提出的方法有效處理不平衡分類，提高了電信業(yè)客戶流失預測中高價值客戶流失預測的準確率。張瑋等（2014）[29]利用分類回歸樹算法和自適應Boosting算法生成相應的強分類器模型，對預測流失客戶問題進行了研究?？傮w而言，該問題的精度達到了較高水準。

2 應用評述

對機器學習方法在國際商務各個環(huán)節(jié)中的具體應用做一個小結，結果如表1所示。從文獻來源數量上看，市場細分、自動磋商、庫存管理、客戶流失預測這四個方面的文獻量較多，這些方面也是國際商務項目各階段中的重要內容。這說明對于國際商務的研究始終被學界所關注。

表1 機器學習在國際商務中應用研究匯總

從機器學習方法上看，神經網絡與決策樹出現次數較多。決策樹方法易于理解和實現，對于小規(guī)模數據計算速度快、準確性高，因而決策人員容易掌握和理解，從而作出決策判斷。神經網絡方法容錯容差性好，具有很強的自學習和自適應能力[30]，對于非線性預測問題，神經網絡方法可以提高精度[31]。然而，決策樹對于大規(guī)模數據計算資源要求高，難以得到全局最優(yōu)解；神經網絡各項指標理解難度大，體系結構通用性差。這部分限制了它們的使用，但這兩種方法均較為成熟且有許多改進算法，因此相較其他機器學習算法使用范圍也更廣。

從行業(yè)應用上看，機器學習在制造業(yè)、運輸業(yè)、通訊業(yè)、零售業(yè)的商務活動中均有應用。從功能應用上看，機器學習在電子商務的自動磋商、商務合同處理以及供應鏈管理中的采購規(guī)劃、庫存管理中機器學習方法應用廣泛。

3 結語與展望

本文對機器學習方法在國際商務領域中的應用進行了匯總與梳理。目前在國際商務領域，成熟的、擴展性好的機器學習算法已滲透到各個環(huán)節(jié)，理論研究也隨之不斷進展。但隨著人工智能的發(fā)展，將會有更多更好的機器學習算法逐漸誕生，其應用也需要不斷推陳出新。

本文對機器學習方法在國際商務中的應用做出三點展望：①算法設計層面，研究者需要不斷地提高機器學習算法的魯棒性。國際商務環(huán)境瞬息萬變，機器學習算法不僅需要滿足日常國際商務活動的需要，更要保證在突發(fā)環(huán)境下的性能表現。②理論研究層面，研究者需要鞏固與深化機器學習的理論基礎。目前應用中，管理決策人員更多地將機器學習看作一個“黑箱”，解釋性不佳也成為了推廣機器學習應用的掣肘。因此研究者要不斷提高機器學習結果的可解釋性，提升決策效率。③應用層面，機器學習需要從企業(yè)決策層向基層滲透，例如機器學習與企業(yè)資源管理軟件的結合、與大數據及物聯網的結合，使機器學習在實際應用中發(fā)揮更大作用。