ANN結合Petri法的市場營銷風險預警方案設計

袁桂英

（鄭州升達經貿管理學院 商學系，鄭州 450000）

0 引言

在市場經濟為中心的營銷體系中，企業的全部活動均以市場和客戶為主，在此基準上構建讓客戶滿意的商品和服務才是市場營銷的核心和關鍵。而市場營銷風險則是在企業運營過程中，基于內部和外部條件的改變引發不可預期的變化。使企業營銷的實際和預期帶來相應的偏離，并使得公司處在不尋常的遭受損失的狀況。此外，市場營銷為整個企業的運行主題部分，處在企業風險的高發模塊。本文采用ANN結合Petri法完成市場營銷風險預警方案設計，對有效地實現市場營銷的風險預警有重要的作用。

1 市場營銷風險預警體系構建

1.1 場營銷風險狀況劃分

針對各類市場營銷風險，采用相應的預警策略才能夠達到市場營銷的風險預警目標。企業的市場營銷風險主要源自于商品、定價、分銷以及促銷。商品風險包含設計風險、功能化質量風險、入市時段風險、市場定位以及品牌風險；定價風險則包括低價、高價以及價位變動風險；分銷則包含商業、存儲、借貸風險；促銷則包含廣告、推銷以及營銷風險。

1.2 傳統的市場營銷風險預警指標模型

市場營銷風險估測評判預警模式，即能夠及時反饋企業營銷狀況的統一體，因而構建市場營銷風險預警指標模型時，需滿足靈活、廣泛、測度、獨立以及預見標準。基于此，市場營銷風險預警子模型如下：

并假定各個風險自模型的預警參量如下：

（1）商品預警子系統：營銷利率（k1）；營銷開銷比值（k2）；營銷收益增長比（k3）；營銷數額增長比（k4）；營銷獲益金額（k5）；收獲賬目周轉度（k6）；股市獲益比（k7）。

（2）協作預警子系統:存款周轉比值（k8）；需付賬目比值（k9）。

（3）公共預警子系統:資本凈利益（k10）；資本增長比值（k11）；整體資本增長比值（k12）；現有財產比值（k13）；流動財產比值（k14）；整體資本周轉比值（k15）；股東權值比值（k16）；凈效益增長率（k17）；現金存量（k18）。

（4）競爭預警子系統:市場占有比值（k19）；整體利益位置（k20）；行業利益位置（k21）；行業相關人數比值（k22）；行業公司數目（k23）；行業虧損公司數目（k24）；行業銷售增長比重（k25）。

1.3 傳統市場營銷風險預警指標數學建模

傳統方法采用上文給出的假定，完成標準化操作，K1,K2,...,Kn轉換為g1,g2,...,gn（n≤25）去除標準間的差異，k’為假定參量均值，使標準間能夠實現量綱比：

測算標準化之后的各個初始標準的協方差陣列，O=(oij)n*n，則協方差的測算模型為：

基于標定參量之后的初始信息獲取相關參量陣列U=(uij)n*n，ki與 kj間的關聯參量uij為：

通過給出陣列U的特征值和，即v1,v2,...，vn之和為1，并選取p個主成分特征值可得(v1+v2+...+vp)/(v1+v2+...+vn)累計貢獻參量結果高于0.86，因而將高于1的vp和相關的特征參量設置為p個，則p個主成分為：

1.4 傳統市場營銷風險預警程度

傳統市場營銷風險預警重點在于市場營銷分類裝置設計，本文采用該分類裝置實現企業營銷風險程度判別，并根據風險種類給出相關營銷風險預警警示。數據擴散給出部分即所期待的風險水準，警示程度的分類組合為 R，R={r1,r2,r3,r4,r5}，其中的 r1、r2、r3、r4、r5表述尋常狀況、低風險模式、中風險模式、較高風險模式、高風險模式。

2 ANN結合Petri算法

2.1 ANN算法

2.1.1 ANN算法數學模型

人工神經網絡模型（ANN）即采用很多簡約的神經單元擬合人類大腦思考模式。該方法能夠充分應用各類數據并且選取非線性平臺實現給入、給出間的關聯，完成前向與后向數據傳播間的修正方案。

整體思想如下，即針對鍛煉樣本 M(m1，m2，...，mc，c是樣本數量)以及已獲取的給出樣本集合 U(U1，U2，...，Uc)，訓練目標即獲取網絡擬合給出H(H1，H2，...，Hc)。采用削減U和H簡的偏差實現擬合進程中的權重改變，并且采用網絡模擬的方式使得給出結果和實際結果間的偏差較小。

設定給入部分為O,給入層級的神經單元存在z個，并且隱含e1個神經單元，激活解析式是Q1。給出層則包含e2個神經單元，相關激活解析式是Q2，給出結果是I，目標參量為 X，D1、F1、D2、F2是權重與閾值參量，數據的正向傳送方式為：

（1）隱含層中第j個神經單元給出結果為：

（2）輸出層級中的第j個神經單元的給出結果為：

（3）給定偏差解析式為：

采用梯度降低方案獲取權重參量變換和偏差反向傳輸為：

（1）輸出模塊的權重變換如下，從第j到第n個輸出權重狀況為：

（2）隱含層級的權重變換從第j個給入到第n個給出間的權重結果為：

2.1.2 ANN算法網絡模型

由于人工神經網絡算法對大腦構造的擬合，本文給定神經網絡模型為一個五維構造單元：ANN=(S,W,α,β,θ)。式中的S為神經網絡給入數據組合；W為神經網絡給出數據組合；α為神經網絡隱含單元的組合；并且將模型的給入數據和給出數據依照某種方式組合，β為神經網絡的銜接權重組合，該值給定各個節點間關聯程度；θ為神經單元的閾值組合。如圖1所示。

圖1 ANN算法網絡模型

2.2 Petri網絡建模

Petri網絡即采用圖形化的組合方式應用在電腦系統中，實現表述和解析市場營銷模型的并發處理過程。整個模型劃分為六個單元：

式(12)中的pp為初始數據集合，設定為{pp1,pp2,...,ppn}，表述為標準、給入信息、給入數據、需要資源等部分，并用‘0’表述，若數據庫中能夠得到全部數據則表述為‘Φ’;tt為初始變遷組合，能夠表述為事件、測算步驟、數據操作、任務等因子，并選用‘δ’表述，式(13)則表述petri網絡的流關系：

ww為網絡的權值解析式；ww(x,y)表述從x到y的權值參量；kk為網絡容量解析式；kk(p)是數據集合這的p值最大容量；mm為給定標識，針對數據集合中的p可以獲取其中的Token數。

若設定某個Petri網絡中的(pp,tt,ff,ww,kk,mm)則給定了網絡中的靜態機制，整個Petri網絡首先采用模型遷移獲取演化參量，進而展現Petri網絡動態狀況。

2.3 ANN結合Petri算法

ANN方法實際為采用信息驅動下的黑盒訓練方式，完成給入信息和給出信息間的非線性關聯，并且從網絡訓練中獲取相關狀態結合在神經單元中。但ANN方法不能給出真實的物理定義，無法和人腦構造具有學習與記憶的功能，并且能夠補充推理模式相提并論。

Petri算法則從數學角度分析圖形，適宜整個體系的變化，其對體系的因果關聯能夠補充ANN方法的推理。將ANN方法和Petri算法相互綜合能夠補充兩種方法單獨處理市場營銷風險的不足。

將ANN方法與Petri算法結合即構建具有學習能力的Petri網絡，在整個模型這將pp權值和tt權重依據神經網絡偏差矯正，進行融合，整體模式如下頁圖2所示。

圖2 ANN結合Petri算法模型

3 ANN結合Petri算法的市場營銷風險預警方案

3.1 樣本選擇

本文選取《中國企業數據庫》《中國企業統籌年鑒》以及國家統計網站發布的各大上市企業的財務統計信息，基于此給出分析市場營銷風險的初始信息。本文根據28家上市企業的統計信息為案例，采用因子得分協方差陣列完成上文給出的商品預警子系統，協作預警子系統，公共預警子系統，競爭預警子系統下的25個指標分析。如表1所示。

表1 因子得分協方差

進一步獲取偏差貢獻率，獲得六個公共因子，其方差累積貢獻程度為0.91683。表2給出樣本數據的解釋整體偏差結果。

表2 本數據的解釋整體偏差結果 （單位：%）

3.2 ANN結合Petri算法的市場營銷預警指標量化

市場營銷預警標準能夠劃分為開銷類型、效益類型、適中類型和區間類型這四種。其中，UU1為開銷預警子集合；UU2為效益預警子集合；UU3為適中預警子集合；UU4為區間預警子集合。設置定義域區間為[ρ,τ]，代表預警標準的極小和極大結果，設置樣本pp的預警標準滿意度xxppi，區間為[0,1]。

（1）開銷類型即值越小越優，其預警標準下的映射解析式為：

（2）效益類型即值越大越優，解析式為：

（3）適中類型即值處于適宜的結果，解析式為：

（4）區間類型即結果處在某種范圍之內，解析式為：

3.3 ANN結合Petri算法的市場營銷預警模型

本文結合樣本信息和ANN結合Petri算法給出企業市場營銷的風險估測模型。整個模型給入部分的信息能夠輸入多元影響因素完成解析，同時規避了數據的交叉和重疊以及干擾狀況，此外，也會增快整個算法的訓練速度。如圖3所示。

圖3ANN結合Petri算法的市場營銷預警模型

3.4 ANN結合Petri算法的市場營銷預警步驟

假定某個企業完成市場營銷風險評測預警，按上文方法構建ANN結合Petri算法預警體系，解析市場營銷預警特點，并設置預警標準取值區間，給出的市場營銷風險評測方案為：

（1）設置給入預警向量區間：[ρ,τ]；

（2）給入ε個預警樣本屬性陣列λ以及期望輸出參量ξ；

（3）依照預警向量區間中的標準模式，完成預警樣本屬性陣列的線性轉換為μ；

（4）采用ANN結合Petri算法完成學習，關于∫和μ間實現非線性對應，整個模型為：

（5）進而采用鍛煉好的ANN結合Petri算法實現企業的市場營銷風險評估，完成風險預警時，僅需要設置預警判別標準權值屬性參量，即可獲取該企業的市場營銷風險預警綜合判定指數參量，進而給出相關預警數據，實現企業的市場營銷風險評判。

3.5 ANN結合Petri算法的市場營銷預警誤判與虛警程度解析

測算預警誤判與虛警程度需要針對繁雜的概率密度解析式實現多元積分，判定步驟如下：

（1）依據企業市場營銷風險信息獲取N個市場營銷的風險預判斷樣本，并基于此檢驗以上市場營銷預警模式。獲取誤判以及虛警的樣本數量是hh1與hh2，則誤判以及虛警的概率為：

（2）若前驗概率給定為kk(Ψ)，則能夠從預警類別Ψ中獲取N’個營銷模式的預警樣本，即:

進而可得誤判以及虛警的最優似然估測結果為：

4 結論

市場營銷的狀況繁雜多變，在市場營銷活動中的參與者的決策和行動均會對市場經濟帶來影響。而研究市場營銷的風險管理方案，預測在相關活動中會帶來的風險，能夠減少損失并且創造更大的收益。本文首先介紹了市場營銷風險預警體系構建，給出市場營銷風險狀況劃分，形成因素，構建了預警指標模型，進而設計了ANN結合Petri算法。基于此算法給出市場營銷風險預警方案，設定樣本選擇，完成指標量化，搭建預警模型并給出預警步驟，最后完成預警誤判與虛警程度解析。