社會化媒體營銷下的生鮮電商庫存決策研究*

□ 喬梓鈺，蘭洪杰

(北京交通大學 經濟管理學院，北京 100044)

隨著互聯網的快速發展，越來越多的傳統生鮮零售企業轉向線上發展新零售，電商之間競爭日益激烈。為了增加銷量提高利潤，電商需要采取不同的營銷手段為商品引流，流量是衡量電商生意的重要指標之一。

社會化媒體營銷作為現代營銷工具，可以顯著提升商品流量。它是指運用社會化媒體如博客、微博、社交工具、社會化書簽、共享論壇，來提升企業、品牌、產品、個人或組織的知名度、認可度，以達到直接或間接營銷的目的[1]；其因具有全民性、互動性、精準性等顯著特點被各個行業廣泛使用，但因營銷的時效性問題，社會化媒體營銷帶來的預估銷量無法具體量化，導致零售商備貨時可能面臨著備貨不合理現象的發生：具體表現為營銷效果較差而產生的庫存剩余和營銷效果較好產生的備貨不足，特別是對于以乳制品為例的生鮮品類來說，低溫乳品生命周期短，溫控要求高，庫存周轉要求快速，這就需要對客戶訂單有精準的預估，預判越是精準其庫存越接近零庫存，從而越能夠降低成本。不合理的庫存管理會產生巨大的庫存持有成本和缺貨成本，直接影響電商的整體利潤，因此，如何在社會化媒體營銷方式下優化庫存決策對生鮮電商有很強的現實意義。

1 文獻綜述

現有學者對社會化媒體營銷的研究多是對消費者購買意愿及產品銷量的影響，與庫存管理結合的較少。然而在現代交易環境中，研究營銷方式對庫存策略和需求的影響是有必要的，因為營銷方式會直接影響消費者購買決策，從而影響需求分布，而庫存決策往往是基于一定的需求預測做出的。在考慮營銷因素的庫存研究中，李富昌(2016)在考慮營銷成本條件下，建立庫存與運輸聯合優化(ITIO)三階段決策模型，根據求解的模型性質對庫存、成本進行決策[2]；張廷龍(2010)在由一個供應商和一個銷售商構成的兩級分布式供應鏈結構中，考慮廣告投入影響需求時渠道回扣契約與供應鏈協調[3]；田進鳳(2016)將訂貨提前期及顧客需求考慮為不確定的正態分布，通過模糊理論確定模型中的不定值，最終建立三級供應鏈的多目標庫存模型，從而計算出最優解[4]；葉善文(2019)結合近年來雙渠道供應鏈庫存策略的研究，分析如何在雙渠道營銷模式下做好制造商庫存管理工作，以此改善整體供應鏈的庫存管理水平[5]；夏海洋和黃培清(2010)通過算法建模分析了需求對營銷投入敏感性的變化以及商品退化率對系統最優策略和利潤的影響。針對退化性商品聯合制定庫存決策及營銷決策以使供應鏈效率達到最優[6]。

縱觀以上研究，未有社會化媒體營銷與庫存結合的文獻。社會化媒體營銷作為現代營銷的重要方式，Cheung ML等(2020)使用偏最小二乘結構方程模型(PLS-SEM)測試社交媒體營銷元素，消費者品牌參與度和品牌知識之間的聯系[7]；Yao B等(2019)利用二元logit模型和區間截尾回歸來檢驗社交媒體營銷在綠色產業中的用途和影響。結果表明社交媒體營銷能夠使公司獲得較高的銷售回報[8]；李鋒等(2017)在WS模型的基礎上構建了具有小世界網絡特性的社交網絡，運用報童模型分析網絡營銷情景下迭代產品的需求變化、風險控制和庫存管理問題[9]。

本文在原有研究的基礎上，選取乳業電商為研究對象，構建社會化媒體營銷和庫存聯合決策的多周期動態規劃模型，并利用K-Means聚類輔助數值實驗進行求解；同時，為采購成本較高、對零售商利潤影響明顯的商品建立基于長短時記憶網絡(Long Short Term Memory，LSTM)神經網絡的需求預測模型，輸入歷史銷售量數據，利用Leaky ReLu作為非線性激活函數，使用Adam算法作為監督學習的訓練優化器，進而更精準的提供庫存優化建議。

2 問題描述與模型建立

本文以奶類生鮮電商為主要研究對象，探究其在現代網絡環境中，采用短視頻、微博、社區論壇等社交媒體進行宣傳和推廣，增加商品流量，從而使“潛在客戶”轉化為實際購買商品的客戶這一營銷行為及其庫存決策問題。采用社會化媒體營銷可以有效提高轉化率，即零售商可通過社會化媒體營銷這一方式，提高用戶對于低溫液體奶的需求量。故在每個銷售周期開始時，零售商需要針對社交媒體營銷投入量及庫存持有量進行優化研究，使本銷售期所獲利潤最大。低溫液體奶保質期短、溫控嚴格、庫存周轉率高，對此類商品進行營銷及庫存聯合決策十分必要。但基于市場不確定性，社交媒體營銷投入量及庫存持有水平的決策一直是一大難點，很容易因為庫存決策不準導致乳品變質，造成大量浪費和利潤損失。本文通過建立數學模型描述這一實際問題，利用K-means聚類對不同種商品進行聚類實現對不同類商品的參數確定，進而得出在特定情況下應投入社會化媒體營銷的相對量及庫存持有量。對于生產成本較高的商品，使用歷史數據訓練LSTM模型，進而達到更為精準的預測量級，為商家提供更加合理的聯合決策建議。

2.1 符號與假設

本文在后續建立模型及求解模型部分使用的符號及其對應含義如下。

表1 文中所用符號及其含義

本文在考慮實際中企業經營狀況、庫存及進貨情況的同時，盡量簡化模型，算例分析時考慮僅涉及一種商品，一家零售商，而零售商也僅向一個供應商采購商品，故做出以下合理假設：

①在T期內，商品的采購成本、銷售單價及社交媒體營銷成本保持不變；

②在本文t期內，缺貨不補。即當顧客需求量大于總庫存量時，零售商不進行補貨。

③在T期顧客總需求保持不變；

④各項單位成本以及固定成本不隨時間發生變化；

⑤庫存產品的價值不折損，即t期庫存大于0時，t+1期商品價值不變；

⑥每次從供應商進貨的等待期為0，即不考慮特殊情況如極端天氣等不穩定因素的影響；

⑦顧客需求的期望在一定范圍內與社交媒體營銷的投入成正相關。

2.2 模型建立

由假設部分③可知研究期內顧客對商品的總需求不變。在本文中，將研究期T劃分為3個子研究期t1、t2、t3，即t1+t2+t3=T。根據實際情況，各個子研究期的需求分布為隨機分布。考慮到研究初期且不失一般性，故將隨機需求函數定為加式需求，計算式如下：

上式中，a為加式需求的系數，ε為均值為0的隨機變量，使需求具有隨機性。社交媒體營銷的投入越大，產生的網絡曝光量越大，故每個子研究期的顧客需求隨之增加，即每個子研究期的需求均值會受社會化媒體營銷影響，如下式所示：

上式中明顯可見，每個子研究期需求均值不會高于研究期的市場總需求。α(g)體現為研究期內社會化媒體營銷對需求的影響因子，在一定范圍內，社會化媒體營銷投入量越大，其對顧客需求的影響越大。

根據上述推導與符號含義，可得如購進充足商品時，t1、t2、t33個子研究期所獲的利潤如下：

P1=(w-c)r1-k1-s(x-r1)
P2=(w-c)r2-k2-s[x-(r1+r2)]
P3=(w-c)r3-k3-s[x-(r1+r2+r3)]

即購進充足商品時，總利潤表達如下：

由上述推導可知，總利潤可用下式計算：

P=(w-c)[μ1+α(g)(r1-μ1)+aε]-k1-s[x-μ1-α(g)(r1-μ1)-aε]+(w-c)[μ2+α(g)(r2-μ2)+aε]-k2-s[x-μ1-α(g)(r1-μ1)-aε-μ2-α(g)(r2-μ2)-aε]+(w-c)[μ3+α(g)(r3-μ3)+aε]-k3-s[x-μ1-α(g)(r1-μ1)-aε-μ2-α(g)(r2-μ2)-aε-μ3-α(g)(r3-μ3)-aε]

2.3 算例分析

根據上文所述，使用K-means算法對商品進行聚類便于針對商品不同現狀進行定制化營銷。由于其簇值K較難確定，故使用肘部算法依據簇內誤方差進行確定。將顧客在商品宣傳界面平均停留時長及商品成交轉化率作為聚類依據，肘部算法結果圖如圖1所示。

圖1 肘部算法確定K值

根據上述聚類結果圖，可見聚為3類更加合理。可理解為對應3種情況：①營銷較好且銷售情況較好；②營銷較好但銷售情況欠佳；③營銷欠佳且銷售情況欠佳。針對①②中情況，α(g)影響因子曲線應更加平緩，針對③中情況，α(g)影響因子曲線應更加陡峭，表現為具備營銷潛力。

為了說明此模型的實際應用效果，本文在單研究周期內以某款低溫乳品商品進行數值實驗。其每單位進價為15元，售價19.9元，根據聚類可知其營銷狀況欠佳且銷售情況欠佳，具備營銷潛質。在此基礎上對此商品投入社會化營銷，影響因子α(g)按上述規則設置，初始庫存水平設置為2100、2300、2500。按如上模型進行數值實驗，結果如下表2所示。

表2 數值實驗結果表

由表2可見，某一研究期的利潤為庫存及社交媒體營銷投入量的凹函數，利潤先隨著社交媒體營銷投入量及庫存水平升高而增加，經過極值點后便開始減小。由于社交媒體營銷及庫存存在成本，當二者量過大時，因二者所產生的利潤無法彌補二者的固定成本。

由表2可知，當投入3單位社交媒體營銷且初始庫存為2300單位時，獲得利潤最大。該數值實驗為實際中的一種可能情況，即投入社交媒體營銷帶來的凈利潤為正數，可在一定程度內投入社交媒體營銷。當實際中選用不同貨物時，即按情況修改售價、進價等超參數即可。

在模型實際應用中，通常會采用與本文數值實驗不同的參數。為了驗證以上模型對不同參數的適應情況，在此部分進行模型對各參數的靈敏度分析實驗。大幅度改變售價及社交媒體營銷因子驗證模型性能，得到結果如圖2所示。

圖2 模型對商品售價及營銷影響因子的靈敏度

由圖2可見，當改變售價及社交媒體營銷因子時，模型求解曲線整體形狀不變，說明本文提出模型對售價、社交媒體營銷影響因子具有較強的魯棒性，對不同場景下不同數據均具有較好的適應能力。

3 LSTM預測

根據算例分析部分可見，上述模型對方程參數具有魯棒性。但仍會存在隱含小范圍誤差的風險。針對高成本商品，即使小范圍的誤差也會對利潤產生較大影響，故此類商品在庫存決策方面應盡可能減少誤差。針對于此類商品，利用歷史數據訓練銷量預測模型，使其達到精準預測。循環神經網絡(Recurrent Neural Network，RNN)將當前時刻的輸出作為輸入流入下一步，可捕捉時間序列內部的關聯性，對信號具有一定的記憶能力，因此，在時序相關數據預測方面取得了優異效果。但在傳統RNN結構中，反向傳播計算梯度時采用鏈式求導法則，即總梯度的計算公式為許多梯度值連乘的形式，一旦出現小于1的梯度值，累乘結果會越來越小直至消失，導致參數更新停止，致使網絡喪失記憶能力，即梯度消失現象。為解決這一問題，本文采用LSTM對銷量進行預測，其通過引入門結構，對網絡中記憶狀態進行保護，克服傳統RNN劣勢。典型LSTM結構圖如圖3所示。

圖3 典型LSTM結構

3.1 數據標準化

通過對訓練數據分析可知，由于促銷活動等因素，數據存在較大波動。如直接輸入LSTM訓練時會導致反向傳播時變化幅度過大從而影響訓練效果。故在訓練前需對數據進行預處理，本文對Max-Min標準化及Z-Score標準化進行實驗，二者計算公式如下。

由上可見，前者對原數據采用減最小值并除最大差值的方式，使新數據值域為[0，1]，后者對原始數據采用減均值并除標準差的方式，降低原始數據波動程度。

3.2實驗過程

此部分實驗環境基于Python3.7，Tensorflow2.0框架，訓練數據與測試數據比例為8：2，其中LSTM隱藏層結點設為40，訓練優化器采用Adam，損失函數采用均方誤差(MSE)，設置學習率為0.01，循環迭代訓練400epoch。針對3.1部分數據預處理方式及非線性激活函數選擇，本文依據測試集MSE為依據進行選擇，實驗結果如表3所示。

表3 LSTM實驗

由表3可知，對數據進行Z-Score標準化并選用Leaky ReLu作為非線性激活函數對應誤差最小。其在測試集上預測結果如圖4所示。

圖4 LSTM銷量預測結果圖

由圖4可見，訓練所得模型對大幅度波動數據預測效果優異，可實現對銷量的小誤差預測，具有實際應用價值。

4 研究結論

本文研究對象為生鮮乳品，良好的需求預測能夠精簡庫存，保證社會化媒體營銷下的銷售情況穩定。本文運用K-means聚類分析和改進報童模型，確定了所需研究商品類的最優訂貨量和社會化媒體營銷投入量；同時，針對高價值商品采用長短時記憶網絡精準預測需求量。根據算例分析部分數值實驗及實驗過程部分LSTM結果預測可知，商家在進行社會化媒體營銷和庫存聯合決策時，要根據商品的屬性、成本、售價等因素決定其臨界點，從而保證電商總體利潤最優，對于生鮮電商的庫存和營銷聯合決策有較強的參考意義。