商務(wù)智能在零售促銷優(yōu)化中的應(yīng)用

畢建濤，魏紅芹

（東華大學旭日工商管理學院，上海200051）

促銷在企業(yè)的市場營銷戰(zhàn)略中扮演著非常重要的角色．隨著市場競爭的日趨激烈，企業(yè)紛紛采取形式各樣的促銷手段以激發(fā)消費者的購買欲望．據(jù)權(quán)威部門統(tǒng)計，國內(nèi)零售企業(yè)的促銷活動費用在所有營銷開支中占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也最有效的市場營銷工具，被越來越多的零售企業(yè)廣泛采用．然而，很多零售商進行促銷策劃時，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，導致促銷投資回報率很低，這一定程度上加重了零售企業(yè)的負擔．

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)倉庫（或數(shù)據(jù)集市）、查詢報表、數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)備份和恢復等部分組成的、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．越來越多的跨國零售巨頭紛紛引入商業(yè)智能軟件，用于解決復雜的決策問題．特別是在促銷優(yōu)化領(lǐng)域，商務(wù)智能技術(shù)得到了學術(shù)界和應(yīng)用界的廣泛關(guān)注，人們開始尋求利用先進的商務(wù)智能技術(shù)追蹤客戶的購買行為，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 需求預測

1．1．1 促銷產(chǎn)品銷量預測

企業(yè)的銷售活動是以研究綜合性市場營銷活動及其規(guī)律為目標，通過識別客戶的需求以及消費偏好，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)的市場營銷環(huán)境日益動態(tài)復雜，一些隨機性因素例如季節(jié)性、消費偏好、市場促銷活動等，會很大程度地影響產(chǎn)品的需求，進而影響企業(yè)的市場營銷決策以及庫存控制策略等．如何及時、準確的對促銷產(chǎn)品的需求進行預測，是營銷決策者們必須面對的一道難題．

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

表1 常用的需求預測方法

1．1．2 庫存補貨優(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)性同時又必須要去面對的一個問題．產(chǎn)品的季節(jié)性特征、購物架的空間布局、企業(yè)的促銷活動以及其它一些隨機因素等都會造成需求的較大波動．特別是零售企業(yè)的促銷活動，會使該類型產(chǎn)品的需求在短時間內(nèi)急劇上升，企業(yè)需要在庫存成本與因缺貨造成的機會損失之間權(quán)衡，如何有效管理庫存并最大化收益水平是企業(yè)必須面對的一個挑戰(zhàn)．

許多學者利用預測性建模技術(shù)以及啟發(fā)式算法，對零售企業(yè)的庫存補貨優(yōu)化問題進行了研究．Chi等［3]基于機器學習及演化算法，建立智能的供應(yīng)商管理補貨系統(tǒng)，具有很高的自適應(yīng)能力和預測精度．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粒度級的需求預測以及庫存控制．此外，另外一些學者［5－6]利用遺傳算法對零售產(chǎn)品的庫存優(yōu)化問題進行了研究．

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)營戰(zhàn)略的基本活動單位進行管理的一系列相關(guān)活動．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銷情況，包括銷量情況、庫存周轉(zhuǎn)、凈利潤水平、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格策略以及促銷策略．

對于產(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，在日益動態(tài)復雜的市場營銷環(huán)境中缺乏適用性和可擴展性．關(guān)聯(lián)規(guī)則在搜索大型交易數(shù)數(shù)據(jù)庫以及分析客戶購物籃時表現(xiàn)出很大的優(yōu)越性，被廣泛用于零售企業(yè)品類設(shè)計和交叉銷售挖掘等．同時由于遺傳算法強大的并行處理能力以及全局尋優(yōu)能力，文獻［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有力的影響著產(chǎn)品的市場競爭能力以及盈利能力，進而影響到企業(yè)的營銷策略．產(chǎn)品生命周期理論（Product Life Cycle，PLC），是由美國哈佛大學教授雷蒙德·弗農(nóng)首次提出的．費農(nóng)認為：產(chǎn)品生命是指市場上的的營銷生命，產(chǎn)品和人的生命一樣，要經(jīng)歷形成、成長、成熟、衰退這樣的周期．美國的波茲（Booz）、阿隆（Alen）等根據(jù)產(chǎn)品不同市場時期的銷售變化，將產(chǎn)品生命周期劃分為引入期、成長期、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)的一個重要應(yīng)用領(lǐng)域．學術(shù)界的許多學者圍繞著該問題進行了研究．郭國印［10]，Kusiak等［11]對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)用進行了較完整的闡述．Philip等［8]利用GA－RBF模型對短生命周期產(chǎn)品的銷量進行了預測．Seo［12]以及吳秀麗等［13]利用人工神經(jīng)網(wǎng)絡(luò)模型對產(chǎn)品生命周期成本進行了研究，并且把該模型應(yīng)用到產(chǎn)品的概念設(shè)計．其中部分經(jīng)過驗證的預測模型和算法，已被引入到ERP軟件（如Oracle、SAP等）的PLC設(shè)計中．

1．2．3 購物架布局管理

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

超市購物架布局問題引起了學術(shù)界以及零售商的廣泛興趣，啤酒和尿布就是一個很好的實例．關(guān)于購物架布局優(yōu)化的模型研究，主要是引入購物架空間靈敏度以及交叉彈性的概念，衡量購物架空間的變化對于不同產(chǎn)品的銷售量以及利潤水平的影響程度．購物架布局優(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 客戶購物籃分析

購物籃分析就是通過對客戶的歷史購買數(shù)據(jù)進行分析，發(fā)現(xiàn)顧客放入“購物籃”中的不同商品之間的關(guān)聯(lián)，分析顧客的購買習慣．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購買，從而幫助他們開發(fā)更加有效的營銷策略．這些營銷決策包括商品的選擇、優(yōu)惠券的設(shè)計以及購物架的合理布局等．“啤酒”和“尿布”就是一個典型例子，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，學術(shù)界對于關(guān)聯(lián)規(guī)則的研究非常活躍，許多學者圍繞著Agrawal算法進行了擴展和改進，提出了一些改進的關(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客戶的購物籃進行分析．文獻［15] 有關(guān)于關(guān)聯(lián)規(guī)則較新的綜述．

1．3．2 目標客戶分類

客戶細分是按照一定的標準將企業(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)的一種重要的營銷戰(zhàn)略，正確的客戶細分能夠有效地降低成本，同時獲得更強、更有利可圖的市場滲透．通過對目標客戶進行分類，零售企業(yè)可以更有針對性地進行營銷策劃以及開展促銷活動，增強客戶響應(yīng)．

傳統(tǒng)的分類模型主要是基于客戶的統(tǒng)計學特征（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估客戶的盈利能力以及未來發(fā)展?jié)摿Γ谌找鎰討B(tài)復雜的市場營銷環(huán)境表現(xiàn)出一定的局限性．隨著機器學習以及數(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目標客戶的購買行為以及生命周期價值進行分類．常用的客戶分類算法以及各種方法的優(yōu)缺點比較見表2．

1．3．3 客戶生命周期價值分析

當評估客戶的盈利性時，我們首先會想到20／80法則：企業(yè)80%的收益來自于20%的盈利客戶；同時，企業(yè)80%的花費是由20%的非盈利客戶所產(chǎn)生的，20／80法則是評估客戶的盈利性的一個非常重要的度量標準．先前的文獻研究可以把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來源，客戶的生命周期價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)缺點比較

在眾多的分析模型中，RFM模型被廣泛用于衡量客戶價值和客戶盈利能力．RFM模型是由美國數(shù)據(jù)庫營銷研究所Arthur Hughes提出的，該模型通過引入客戶的近期購買行為、購買的總體頻率以及消費金額三項指標來描述該客戶的價值狀況．當前關(guān)于CLV的許多研究都是圍繞RFM模型及其一些擴展的模型而展開，例如Rosset等［29]把擴展的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，對客戶的當前價值以及未來潛力進行評估，這些擴展模型可以參考引用的文獻．

1．3．4 客戶保持／流失分析

大量的行業(yè)實踐表明客戶保持率提高5%，利潤將會提高25%以上．同時，獲得一個新客戶的成本是保持一個老客戶的5倍以上．由此可見，客戶保持對公司的持續(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，減少低價值客戶的維護成本，從而更有針對性的進行營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，其效果不理想且不能保證所建模型的泛化能力［30]．因此許多學者尋求更加有效的預測模型和算法，對客戶保持／流失預警進行研究．這主要包括決策樹、神經(jīng)網(wǎng)絡(luò)、自組織映射SOM、支持向量機等．這些算法在解決客戶流失預警問題時具有很好的非線性映射能力和泛化能力，同時也具有較高的預測精度．

1．4 促銷決策分析

1．4．1 促銷定價決策

麥肯錫咨詢公司對超過2400個公司調(diào)查發(fā)現(xiàn)：產(chǎn)品的價格優(yōu)化改進1%，可以使公司的營銷利潤提高11．1%．由此可見，合理的產(chǎn)品定價對于企業(yè)的市場營銷決策來說至關(guān)重要．價格折扣已成為零售行業(yè)最常用的促銷手段．一個正常的市場營銷環(huán)境中影響產(chǎn)品定價的因素很多，如產(chǎn)品質(zhì)量、市場競爭情況、產(chǎn)品的季節(jié)性波動以及節(jié)假日等，這些內(nèi)在／外在的因素都會影響著企業(yè)的促銷定價策略．

傳統(tǒng)的基于計量統(tǒng)計的分析方法，由于受到變量及影響因素的限制，在動態(tài)復雜的市場營銷環(huán)境中日益暴露其局限性．隨著機器學習以及程序設(shè)計算法的進步，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)的促銷定價決策．例如王婧等［31]；王宏達等［32]建立基于改進遺傳算法和粒子群算法的動態(tài)定價模型，對季節(jié)性產(chǎn)品的促銷定價問題進行了研究．Roy等［33]把遺傳算法與模糊理論相結(jié)合，對多門店多產(chǎn)品的差別促銷定價問題進行了研究．

1．4．2 促銷手段選擇

常用的促銷手段包括廣告促銷、價格折扣、優(yōu)惠券促銷、禮品贈送、樣品贈送、特惠包裝促銷等．不同的促銷手段會導致不同的消費感知，進而影響到消費者的購買偏好和購買行為．在進行促銷方式選擇時，企業(yè)需要對自身的內(nèi)部情況以及外部的市場環(huán)境因素綜合的進行考慮，這些因素可能包括企業(yè)的市場營銷戰(zhàn)略、產(chǎn)品的庫存水平、目標客戶、促銷時機以及競爭對手的促銷活動等［34]．

對于促銷組合優(yōu)化問題，以郭瑞哲（Kuo R J）為代表的國立臺灣科技大學幾位學者表現(xiàn)活躍．如文獻［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)建智能的預測模型，來衡量不同的價格折扣以及促銷手段對于促銷效果的影響程度．其他的一些學者也對該問題進行了研究．Lertuthai等［38]構(gòu)建基于規(guī)則的預測模型RRBF，利用歷史促銷數(shù)據(jù)來預測不同的促銷方式和促銷媒介對于產(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)用的一個重要領(lǐng)域．零售企業(yè)在日常的業(yè)務(wù)運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)中蘊含著極具價值的信息．如果可以有效的加以利用，將會轉(zhuǎn)化為極具競爭力的市場營銷決策．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)的競爭能力和成本優(yōu)勢．國內(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．

國外促銷優(yōu)化軟件市場的發(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，支持庫存優(yōu)化、品類管理、價格靈敏度分析以及促銷決策支持等豐富的功能，可以在各個產(chǎn)品和用戶級別上快速完成分析，實現(xiàn)促銷活動分析流程的自動化，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預測性貿(mào)易計劃與促銷優(yōu)化軟件的相關(guān)功能有效集成，支持從促銷前模擬預測、促銷活動的實時監(jiān)控到促銷效果評估等一系列強大功能，為企業(yè)的促銷策劃提供全方位的決策支持．軟件利用先進完善的促銷建模引擎，可以對客戶的消費行為和促銷歷史數(shù)據(jù)進行深入分析，預測未來的促銷策略以及營銷方案對于促銷效果的影響程度，提高整個促銷流程的可視性．國外軟件市場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

本文回顧了國內(nèi)外對于零售行業(yè)促銷優(yōu)化的主要研究方向和最新研究進展，分別從需求預測、客戶行為分析、促銷產(chǎn)品分析、促銷決策組合分析四個角度，對零售促銷優(yōu)化中常用的商務(wù)智能技術(shù)以及數(shù)據(jù)挖掘算法進行了綜述，重點對促銷優(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)用情況進行分類和總結(jié)，最后對促銷優(yōu)化軟件的企業(yè)應(yīng)用現(xiàn)狀進行了簡要介紹．值得注意的是，現(xiàn)實中的市場營銷環(huán)境動態(tài)復雜，本文并沒有深入探討不同商務(wù)智能技術(shù)的實際適用性以及現(xiàn)實可操作性．同時，本文主要是針對傳統(tǒng)的終端銷售市場，并沒有對電子商務(wù)環(huán)境下網(wǎng)絡(luò)用戶的消費行為以及促銷優(yōu)化進行研究，這也可以作為未來的一個研究方向．

［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)大學學報，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] 郭國印．數(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，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)用于復雜產(chǎn)品成本估算方法的研究［J] ．計算機工程與應(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，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] ．計算機工程，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] 錢陽峰．基于支持向量機的零售企業(yè)客戶消費行為分析與研究［D] ，杭州：浙江工商大學，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] 夏國恩，金煒東．基于支持向量機的客戶流失預測模型［J] ．系統(tǒng)工程理論與實踐，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)定價中的應(yīng)用［J] ．計算機仿真，2006（2）：219－221．

［32] 王宏達，郝以閣，汪定偉．季節(jié)性商品的促銷定價模型與算法［J] ．東北大學學報：自然科學版，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．消費者對促銷的反應(yīng)及促銷效果研究［D] ．成都：西南交通大學，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．