零售4.0時代先行發貨問題的大數據分析

馬麗娜，萬美妤，杜玉申

(吉林大學 商學院，吉林 長春 130012)

隨著信息技術的發展，購物渠道越來越多，促使許多零售商實施多渠道戰略。但是，由于數字化的不斷發展，線上和線下購買渠道之間的區別正在消失。在這種情況下，傳統的分銷渠道正在發生變化，全渠道零售成為整個零售業發展的關鍵路徑[1]，多渠道零售正在轉向全渠道零售，迎來了第四代零售革命，即零售4.0時代。

全渠道零售是為顧客提供的一種無縫連接購買渠道，讓顧客通過所有可行渠道體驗購物，如線下渠道、線上渠道和移動渠道[2]。同時，購買渠道的多樣化使數據源越來越多，產品數據和顧客數據的數量呈爆炸式增長，使數據聚合更困難。由于顧客個體不斷飛速地產生數據，因此需要利用大數據分析來從數據中提取隱含信息，從而為商業決策提供幫助[3]。大數據分析在零售業雖然已經廣泛應用，但由于零售業本身數據種類和來源過于繁雜，使得大數據在零售行業的切實應用存在一定的困難。本文通過基于遺傳算法優化的模型，完善了大數據分析在零售業中的應用和能產生的相關指導作用。

大數據的應用主要包括云計算、關系數據庫以及數據挖掘技術等[4]。大數據分析在零售4.0時代中的重要性表現在以下兩個方面。其一，在全渠道零售商業中，零售商必須以顧客為導向，與顧客緊密聯系。例如，他們需要將所有可行的購買渠道與相匹配的顧客和產品信息連接起來，并匯總所有數據進行分析，以便與顧客進行個性化交流。大數據挖掘可以完成購物籃分析，從而幫助企業預測顧客購買趨勢并設計營銷促銷策略。大數據分析可以洞察顧客的需求，預測顧客的行為，有效幫助企業做出滿足顧客個性化需求的決策[5]。其二，無論訂單是在線上還是在線下完成，零售商提供全套發貨和提貨方式非常重要。顧客希望在下單后快速交付，所以交付績效是影響全渠道零售交易中顧客購物體驗的關鍵因素之一。例如，亞馬遜申請了先行發貨專利，用于預測顧客何時進行購買并在顧客在線下訂單之前將產品運送到最近的配送中心[6]。

通常，衡量交付績效的兩個一般因素是成本和時間。近期的相關研究中，學者們考慮用成本和時間來改善配送網絡，但是較成熟的模型通常假設已知顧客的需求，它不適用于先行發貨，因為不同產品的顧客需求完全是根據顧客行為預測的結果。因此，應該考慮預測結果的置信度，因為它決定是否應該在收到任何訂單之前把產品預先運送到特定配送中心(DC)，而且它可以有效解決當優化一個因素時導致其他因素改變產生的問題。例如，當將某類產品運送到配送中心A所需的成本低于配送中心B時，但預計在配送中心B附近的購買置信度比配送中A附近的購買置信度更大時，零售商不得不面對交易成本與預測置信度之間的權衡。如果產品運送到購買置信度更高的地點，預計投資回報率可能會更好。

本文的目的是分析預測顧客的購買行為，并根據多種因素，包括運輸成本、運輸時間和預測結果置信度，提出一種用來確定將產品分配至不同配送中心的優化模型。

一、文獻綜述

(一)全渠道零售及大數據分析研究

互聯網的出現和發展及其在供應鏈管理中的重要性，打開了電子物流發展新機會的大門，由于電子商務的拓展，除傳統零售外，顧客能夠通過多種渠道進行產品購買[7]，例如商店、產品目錄、網絡、移動終端等包括在內的所有渠道[8]。顧客無論是親自購物，還是通過目錄、手機、在線等其他方式購物，都會對如何購買產品做出決定[9]。隨著一些電商分銷商對產品不同程度的主導，對傳統零售商產生了不同的影響，甚至會導致其退出銷售渠道[10]。這種情況下，傳統零售商將面臨復雜的電子物流帶來的挑戰，他們在制定零售策略時不得不考慮技術問題，因為一項新技術會為零售業創造新渠道，零售商開始采用多渠道零售策略，學者們已將線上和線下渠道融入零售業視為零售商較有前景的策略。然而，近幾十年來信息技術的發展為全渠道零售提供了動力，而全渠道零售業逐漸成為零售業4.0時代的主流戰略。

零售業4.0依托于工業4.0，利用大數據進行計算和建模，進行針對性的有效營銷，并結合全渠道服務模式，為消費者提供了全新購物體驗[11]。中國的零售業在經歷了計劃經濟下的傳統零售1.0時代，市場經濟下客戶主導的終端零售2.0時代，以及電商線上零售的3.0時代后，逐步進入零售業4.0時代[12]。零售業4.0推崇各零售渠道以及物流之間協作，通過形成全渠道新零售模式，為消費者提供跨渠道無差別服務[11]。零售渠道發展的高級階段是全渠道零售，它是“以消費者為中心”為主要特征，實現各渠道之間的無縫鏈接，為顧客提供更高的消費體驗價值[13]。

盡管全渠道零售商業模式可以讓企業通過較多的渠道向顧客銷售商品或提供服務，但它也存在潛在的消極因素。一個主要的現象是“展廳現象”，即顧客在商店中打量商品，但同時在網上搜索更多信息并以更具吸引力的價格在競爭對手的網站上購買[14]。同樣，“反展廳現象”與“展廳現象”相反，出現了顧客在網上尋求信息但在線下購買商品的現象。因此，多渠道的快速擴散，可能會造成顧客跨渠道搭便車的問題。我們鼓勵零售商投入資金來分析顧客的購買行為，顧客大數據分析是從大數據中提取關于顧客行為的隱含信息，并用有效的解釋來剖析該隱含信息[15]。

(二)關聯規則挖掘相關研究

數據挖掘技術，如聚類和關聯，可以從大數據中提取隱含信息來實現目標[16]。聚類是基于對象的相似點將其分成多個類的非監督分類過程，由于聚類所要劃分的類是未知的，僅憑數據自然分類，故聚類分析又稱作非監督分類，例如高聚類內相似性和低聚類間相似性，物體之間的相似性通常通過距離來衡量，而顧客可以通過具有相似的特征，如興趣、收入水平和支出相似，組合為一個集群。聚類算法通常采用層次聚類方法[17]和K-means聚類方法，例如采用K-means聚類方法對游客分布分類、對消費者客戶分類等[18-20]。此外，關聯規則挖掘有助于找出所有項集之間的相關性，并用關聯規則來表達它們。關聯規則以P→Q的形式表示，其中P和Q分別定義為表示規則的“如果”部分和“那么”部分的項集。Agrawal et al.提出了Apriori算法，一種挖掘關聯規則的頻繁項集算法，Chung et al.在研究中指出該算法可以用于發現數據集中所有項集之間的關聯規則[21]。戴穩勝等使用數據挖掘技術發現交叉銷售機會，即研究顧客購買某公司的一種產品后，又購買該公司另一件產品的關聯性，通過數據挖掘構建顧客需求預測模型[22]。張德鵬等利用企業數據資源，提出利用關聯規則技術制定商品的營銷組合，為商品提供外在推動力[23]。何黎等利用相關性分析和關聯規則分析對平臺用戶進行分析，實現個性化營銷[24]。郭燕等認為數據挖掘為零售業創新提供了新工具，對于傳統零售業而言，充分運用大數據成為創新制勝的必由之路[25]，范生萬等采用Apriori算法對通過聚類分析的企業客戶和商品進行關聯規則分析，從而指導商品精準營銷[18]。

(三)遺傳算法相關研究

顧客在下訂單后希望快速收到產品，一些新型交付方式，諸如多峰性和時窗方式等越來越重要[9]。另外，改善配送網絡也成為提高物流績效的關鍵，配送網絡通過不同的配送中心把來自不同來源點(供應商)的產品配送到不同的需求點(顧客)。物流的兩種主要屬性是交付速度和交付可靠性，前者是指縮短訂單接收和顧客交付之間時間的能力，而后者則指準確報價或預期交付日期和數量的能力。遺傳算法(GA)是啟發式方法之一，廣泛使用于配送網絡問題。相比于其他算法，遺傳算法對所要優化目標函數的連續性和是否可微沒有嚴格的要求，并且在一定時間內能夠從大規模優化問題中做出選擇[26]。在遺傳算法中，每個單獨的解決方案都用染色體的形式表示，染色體通過使用遺傳算子進行修改，如交叉和變異。遺傳算法的目標是創建新一代可行的解決方案，使其趨于函數的最優解。Lin et al.開發了一個遺傳算法模型來確定交付和回收商品的最佳提貨策略[27]；Ko et al.采用遺傳算法優化了新型電動汽車充電基礎設施的分配，他們考慮了電力變送器成本這一非線性成本[28]；Dib et al.結合了遺傳算法和可變鄰域搜索算法，解決道路網中的最短路徑問題[29]；趙泉午等在優化大型零售企業城市配送網絡的研究中，運用遺傳算法時，考慮了配送中心到需求點的配送距離[30]。

本文創新性地將遺傳算法和基于聚類的關聯規則挖掘相結合，研究了多因素對配送網絡的影響，并提出了先行發貨的優化方法。

二、基于遺傳算法的優化模型

圖1是先行發貨的遺傳算法優化模型。圖1構建了基于遺傳算法優化模型的基本框架，以此分析顧客行為和先行發貨，它由3個模塊組成：(1) 大數據管理模塊；(2) 顧客預測分析模塊；(3) 先行發貨優化模塊。大數據中的有些數據更能顯著地體現出顧客在全渠道零售中的購買行為，為了篩選出這些數據，需要把各個顧客的數據集遠程存儲在大數據管理模塊的云端中，零售商能夠從云端獲取大數據分析的數據。在利用云端管理數據的模式下，大數據管理模塊為全渠道零售供應鏈各方共享信息提供了一個公共平臺。顧客預測分析模塊嵌入了大數據挖掘技術，以確保所有信息源均有效滿足挖掘目標。換言之，模型中完成的大數據挖掘技術的功能包括聚類和關聯。在預先發貨優化模塊中，遺傳算法用于為先行發貨生成近似最優配送解決方案，以下介紹各個模塊的詳細信息。

(一)大數據管理模塊

云計算是管理大數據的新興技術之一，是減少運營和資本成本較有前景的工具，云計算系統的體系結構要求的細節可以參考Rimal et al.的研究[31]。云計算是基于互聯網的計算，通過計算機或其他設備之間提供共享資源、軟件和信息，在大數據管理模塊中，把從物理渠道、商品目錄渠道、手機移動渠道和電腦在線渠道收集的數據整合并存儲在云中。由于現收現付成本結構，其資源成本取決于使用量，可減慢新渠道的增加，為零售商提供更靈活多變的渠道整合技能。

(二)顧客預測分析模塊

把多種渠道中的數據匯總到云端之后，進行顧客預測分析，進而從數據中發現信息，以利于提取顧客隱含的行為模式并預測未來的購買行為。在顧客預測分析模塊中，數據分為兩個級別：網絡層級和集群層級。在網絡層級，應用關聯規則挖掘探究整個配送網絡中顧客與已購物品之間的關系。雖然在某些情況下，不同地理位置的顧客可能會有不同的購買行為，但在網絡層級的應用關聯規則挖掘，能同時考慮到一些適用于整個網絡的規則。在集群層級，顧客購買的需求點進一步分為不同的集群，同一集群內的需求將由同一個配送中心實現。因此，配送中心的需求是同一集群內所有需求點的總需求，關聯規則挖掘應用于研究每個集群中顧客與已購物品之間的關系。在這個模塊中，Apriori算法為預測目標生成一組關聯規則，輸出則采用“如果-那么”的形式，預測當某商品被購買時顧客對其他商品的購買行為。利用規則置信度衡量已生成規則的有效性，規則置信度也可以作為預測結果置信度的指標，如果相應的預測規則具有較高的置信度，則購買預測產品的置信度更高。每條規則的置信度是包含P和Q的百分比。它可以表示如下

Confidence(P→Q) =P(P|Q)

(1)

式中：P為關聯規則的“如果”部分的項集；Q為關聯規則的“那么”部分項集。置信度臨界值是用戶預先定義的值，只有大于或等于臨界值的規則才會被視為有用的規則。在先行發貨優化模塊中，當優化總體規則置信度時，通過遺傳算法生成預期運輸計劃，并最大限度地提高對所考慮規則的整體置信度。

(三)預先發貨優化模塊

1.問題描述

表1 參數和決策變量的符號

表1中的符號描述了與先行發貨相關的問題，圖2中，配送網絡由所有需求點D及其包含的各類產品N組成。在先行發貨期間，不同類型產品將從一組源點S運送到一組配送中心H，當收到顧客訂單時，每個配送中心只會將產品分配到集群內的需求點。因此，本文不研究產品如何從總部向需求點交付，產品i運送到配送中心k是否會受到相關預測規則置信度rik的影響。如果某類產品運送到一個配送中心，則發貨數量將能夠滿足服務水平Lr，并且從每個源點Qijk運出的每種產品i的數量不超過源點中可發出數量zij，每個配送中心k具有容量限度Pk。把產品從一個點運送到另一個點時，將會產生單位運輸成本cijk和運輸時間tijk。

f(x)=min[α(C)+β(T)-γ(R)]

(2)

式中：α為運輸成本；β為運輸時間；γ為預測規則置信度的權重。式(2)是考慮多因素的目標函數，其目的是使運輸成本和運輸時間最小化，并使預測規則置信度最大化。

(3)

(4)

(5)

式中：C為總運輸成本；T為總運輸時間；R為預測規則置信度，C′和T′分別表示運輸成本、運輸時間的適應度值。雖然R總是介于0和1之間，但C和T可以處于不同的等級。C和T在式(3)和式(4)中分別在0和1之間分別歸一化，這可以使它們的聚合在相同維度下進行，消除了對目標結果的不合理影響。

另一方面，這個問題受到以下限制

(6)

式(6)確保滿足每個配送中心的容量。

(7)

式(7)保證了運送到配送中心k的數量可以達到與預測規則置信度相對應的服務水平。如果預測規則的置信度大于或等于“高置信度”的最小臨界值，則認為服務水平較高(如80%)。例如，在配送中心k的產品i的預測需求是1 000單位，并且根據預定臨界值將預測規則置信度視為高置信度，那么從所有源點到配送中心k的產品i的發貨量應當是至少80%×1 000=800個單位。

2,…,s

(8)

式(8)確保配送中心中來自各源點的每類產品數量不會超過該類產品的可發貨數量。

為了簡化模型，有兩個假設：所有計劃產品一次發貨；無論數量如何，每次運輸都有固定時間。

在這樣的假設下，T與Qijk獨立，T既不影響顧客也不影響總運輸成本。因此，T在模型中的重要性較低，因此預期在目標函數中β應該不大。另外，R在目標函數中與Qijk獨立，但是R會影響zij，從而影響Qijk的最小值。

2.引入遺傳算法

在這個模塊中，使用遺傳算法確定一個近似最優的方案，解決如何從不同的源點將不同類型的產品分配到不同的配送中心進行先行發貨。遺傳算法的最終目標是確保當顧客在線下單時，該產品已經在顧客附近的配送中心有可發貨的庫存。

(1)染色體編碼。染色體中有兩個區域：分配區域和產品數量區域。分配區域是運載μijk值的二進制區域，而產品數量區域是運載Qijk的值。根據基因數，染色體的長度是2×n×s×h。圖3顯示了染色體的一個例子。父代的染色體是隨機產生的，輪盤輪法用于染色體選擇，父代與子代的大小相等。根據適應值，在子代中，最差的染色體被進化成最優的染色體取代。在每對染色體中，隨機選擇預定數量的基因進行交叉和突變，如果違反編碼方案，染色體將被修復。

(2)適應度評估。為了研究不同因素對先行發貨分配網絡的影響，先用遺傳算法優化單一因素。該模型考慮了3個因素，即運輸成本、運輸時間和預測規則置信度，式(9)～式(11)分別計算遺傳算法優化運輸成本、運輸時間和預測規則置信度的適應度值，根據結果得到C'、T'和R'；然后用遺傳算法時要同時考慮所有的因素，式(2)用來計算遺傳算法的適應度值。

(9)

(10)

(11)

三、優化模型驗證和討論

實驗有3個目的：驗證關聯規則挖掘在分析顧客購買模式方面的效果；驗證遺傳算法在考慮配送網絡中多重因素時的效果；權衡先行發貨因素。案例研究中把收集的數據輸入到XLMiner(Excel表格數據挖掘插件，能有效對表中數據進行分析挖掘)中以生成一組關聯規則，使用Evolver(Excel 表格的高級最優化插件，適用于Microsoft Excel 的創新性遺傳算法最優化)執行遺傳算法進行優化。

(一)基于集群的關聯規則挖掘

為了驗證以預測為目的基于集群的關聯規則挖掘的可行性，選擇一家公司進行案例研究。該公司是國內小型家電制造企業，總部位于廣東省，在中國多個城市有分銷中心，擁有線上線下銷售平臺，為消費者提供全渠道銷售服務。在案例中，我們選取該公司華南地區某市的分銷供應鏈，該市有兩個分銷中心，即配送網絡中的發貨源點，有5個分布在不同位置的直銷門店，即配送網絡中的配送中心。顧客可以通過線上和線下渠道進行購買，供顧客在產品抵達時提貨，每個位置都作為一個集群提供并收集每個集群的交易記錄，應用關聯規則挖掘來發現隱含模式以預測顧客未來的購買。

Apriori算法涉及兩個主要階段：從數據中找到高頻項目組；使用高頻項目組生成關聯規則。同時，為了識別高頻項目組，先設置最小支持度，并關注高頻項目組。在實踐中，最小支持度的定義是很嚴格的，直接從其他相關實證中采用這些值顯然不可行。如果閾值設置得太低，可能會挖掘出許多無足輕重或無法解釋的規則，從而不能為實踐者提供建議；相反，如果閾值設置得太高，則可能難以獲得任何規則。因此，閾值的最終選擇在很大程度上要使用試錯法，直到可以挖掘出一些有用的關聯規則為止。

在這個案例研究中，從每個地點總共收集500筆交易。小家電產品與超市中的日常必需品不同，它并非必需品，因此不會像超市中出售的產品那樣頻繁地被購買，鑒于此，為了生成關聯規則，最小支持度可以更低。經過試錯法后，每種產品類型的最低支持值設為10，如果500筆交易中某種類型產品有10筆以上的交易，則案例公司認為該類型產品很受歡迎。考慮到最小支持度的決策較嚴格并且依賴于一系列試錯程序，所以應對選擇的值進行定期評估以保證獲得決策的質量[32]。通過關聯規則挖掘找出流行產品之間的關系，最小規則置信度設置為75%，表2列出了從其中一個集群中獲得的關聯規則。如果顧客購買了某件產品(設為條件產品)，則以置信度為比例購買另一件產品(設為結果產品)，根據顧客對條件產品的需求，案例公司可以更好地估計對結果產品的需求。考慮到顧客希望在產品下單后能夠快速交貨，需要在顧客下訂單之前將相關產品運送到最近的分配中心，可以建立更有效的預期運輸計劃。

在下一部分中，使用遺傳算法生成先行發貨的配送解決方案，同時考慮預測規則的置信度，該解決方案可以確定從特定源點到特定集群應該裝運產品的數量。

(二)先行發貨的修正遺傳算法

根據參數范圍隨機生成10組數據，如表3所示，每組將由遺傳算法分別確定運輸成本、運輸距離和預測規則置信度的近似最優值，之后，每組將同時考慮α= 0.5，β= 0.1和γ= 0.4權重的所有3個因素。如上文所述，因為T既不會影響顧客，也不會影響總運輸成本，在總體目標中不那么重要，所以β很小。將每個因子下每一組運行10次，其中：種群大小= 50，交叉率= 0.7，突變率= 0.02。 記錄每10次運行的平均結果，并總結在表4中。例如，在第2～4欄中，應用遺傳算法來使運輸成本最小化，而記錄運輸成本CC、運輸距離TC和預測規則置信度RC，并作比較。

表2 關聯規則

表3 模擬配送網絡中的參數

表4 優化結果摘要

圖4～圖6是比較結果，證明了優化一個單一因素會犧牲其他因素。如圖4所示，運輸時間的最小化導致配送網絡中的運輸成本增高。如圖6所示，其他因素的最小化可能會產生相對較低的置信度值。因此，如果根據先行發貨的預測結果提供產品，則配送計劃將與基于其他因素(例如運輸成本和運輸時間)的計劃大不相同。然而，考慮到所有因素的重要性，C-O，T-O和R-O的值表明每個因素的效能越來越接近最優值C'、T'和R'。在圖4中，這種改進更為明顯，C-O線更接近C-C線，并且比C-T和C-R線好得多，這是由于賦予C較大的權重(α= 0.5)。另外，線T-O是圖5中最靠近線T-T的線，線R-O是圖6中最靠近線R-R的線，證明了提出用遺傳算法在處理先行發貨多種因素時的優化可靠性。

四、結語

本文是基于以下3種現象而產生思考的。第一，電子商務的增長使顧客可以通過不同渠道購物，每秒產生大量數據，那些未能設置分析大數據業務部門的企業將面臨大數據革命中的生存挑戰。第二，在全渠道零售商業中，競爭越來越激烈。由于網上提供了很多產品信息，顧客在商店中定位商品，但同時在線搜索更多信息，并有可能在競爭對手的網站上購買，這種現象越來越普遍，因此了解顧客購買行為并積極響應市場非常重要。第三，顧客在下訂單后希望快速交付產品，因此企業需要通過先行發貨以增強顧客購物體驗，也要求企業預測顧客的購買情況。

本文基于以上問題，提出遺傳算法和基于聚類的關聯規則挖掘相結合的優化模型。首先利用云計算來管理從所有有效渠道生成的大數據，應用基于集群的關聯規則挖掘來分析大數據并發現顧客隱含的購買模式，求出規則，幫助預測未來購買趨勢。然后根據這些規則，考慮多種因素，利用遺傳算法選擇先行發貨的近似最優解決方案。本文貢獻主要表現在兩方面，一方面在研究配送網絡時，不僅考慮運輸成本、時間等運輸自身存在的影響因素，還考慮到顧客購買產品的情況，通過對顧客購買產品的預測，提高了先行發貨的準確性；另一方面，通過對遺傳算法的引入，豐富了大數據分析在營銷渠道領域的應用，解決了快速交付產品帶來的問題。實驗結果給了實踐者一個啟示，即在處理先行發貨問題時，優化單一因素將會犧牲其他因素。因此，我們應該同時考慮所有因素，這樣才能控制配送網絡多方面的整體效能，使得其接近最優狀態。

本文也有一些局限。一個局限在于文中的聚類是根據地理標準預先定義的，即需求點是根據它們的距離聚類。另一個局限在于模型中做出的假設。文中假設所有計劃物品都立即發貨，而且無論數量多少，每次運輸都有固定的時間。這種假設使得模型變得相對簡單，并使運輸時間與發貨數量獨立。因此，需要在未來的研究中建立沒有上述假設的模型，使得運輸時間與數量相關，這可以更好地模擬實際情況。