煙草零售戶即時庫存預測模型構建研究

于偉強 孫元峰 姜茂林 王浩男 劉曉紅

摘要：煙草公司所擁有的零售戶庫存檢測，對于煙草投放量和后續市場營銷策略等相關決策的制定具有重要意義。煙草公司每個季度甚至每個月需要對下設煙草零售戶庫存進行統計，以便通過對各煙草零售戶庫存的掌握實時把握市場狀況，從而有效進行煙草品牌投放，提高投放效率，削減市場運營成本等。首先，文章對目前煙草公司在零售戶庫存檢測方面遇到的難題進行描述和分析，從而確定這些問題的關鍵環節；其次，對煙草公司零售戶的庫存檢測數據進行深入分析，確定能夠對庫存量產生影響的直接和間接變量；最后，在深入分析數據基礎上對各類模型構建類型和預測工具進行廣泛比較分析，最后確定使用BP神經網絡系統模型，對零售戶總庫存量和不同品牌庫存進行預測分析，通過使用MATLAB軟件工具導入數據后，在經歷了眾多次機器學習后，得到了較為理想的預測模型，通過設計代碼命令導入數據進行驗證后得到了較為理想的結果。

關鍵詞：BP神經網絡，零售戶庫存監測模型，品牌庫存監測模型

中圖分類號：F426.8；F274???文獻標識碼：A???文章編號：1005-6432（2024）011-0000-04

[DOI]10.13939/j.cnki.zgsc.2024.11.046

1???國內外研究現狀

1.1??國外研究狀況：

1.1.1???庫存控制的研究。

首先是關于確定性需求的庫存控制問題研究。的經典公式是在需求為常數的假設前提下得到的。該公式自誕生以來就在實際中得到了廣泛的應用，也取得了顯著的經濟效益但隨著應用的推廣和深入，人們逐漸發現在使用該模型時會受到很多實際因素的制約，因為該模型是在比較理想的假設下推導和發展的，它沒有考慮周圍環境變化所產生的影響。

其次，關于隨機性需求的庫存控制問題研究。在現實中，一般的庫存系統都具有隨機性，即訂貨提前期是隨機的，單位時間內的需求量也是隨機的。關于隨機庫存控制問題的研究主要分為，對單期隨機庫存控制模型的研究和對隨機定點訂貨模型的研究。

1.1.2???庫存控制信息系統的研究現狀。

國外在庫存控制的理論研究方面，無論是運籌學角度的研究還是管理方法角度的研究，都已經取得了優異的成果。作為這些理論、方法的實現載體，庫存控制信息系統也相應取得了很大的進展，出現了很多優秀的庫存控制軟件。庫存控制信息系統有些是作為獨立的軟件予以運作，但更多的是作為其它大型軟件如企業資源計劃即軟件、供應鏈管理軟件的一部分以實現其功能庫存控制子系統在這些軟件中，發揮著至關重要的作用。這些庫存控制軟件子系統的算法和模型相當豐富，針對不同的行業、不同的企業，可選擇不同的算法和模型此類軟件的使用大大優化了庫存管理水平，幫助企業更好的實現了企業管理和供應鏈管理。

1.2???國內研究狀況

圍繞煙草零售庫存方面的相關研究目前主要集中于以下方面：

1.2.1??零售客戶卷煙庫存決策與管理研究。

這一領域是目前對煙草零售庫存研究最為集中的一個議題，蔡萍萍，吳錚等（2012）為了“按客戶訂單組織貨源”，規范和優化企業內部流程，降低資源配置成本和經營風險，提高客戶服務水平，快速響應零售市場，提出了零售業庫存決策模型。李會景，彭甜，段靈芝（2011）分析了煙草商業卷煙庫存形成機制、存在問題，并提出了相應發展對策。認為，卷煙商品的特殊性使得對卷煙庫存的控制具有一定的難度，并嘗試使用?ABC?分類法、訂貨點法和?VMI?方法對卷煙庫存進行控制，舉例介紹訂貨點法的應用，卷煙商業企業可以根據實際采用其中一種或多種方法對庫存進行控制，以達到卷煙庫存優化的目的。黃昕竹（2018）對卷煙庫存管理現狀進行分析，從市場需求預測、卷煙采購協同、卷煙出入庫管理等方面提出解決對策，以進一步優化庫存管理模式，確保既能滿足日常銷售的流轉需求。1.2.2????零售客戶庫存識別方法分析研究。

盛劍，樊紅等（2017）為準確了解市場庫存和需求，減小商業庫存壓力，實現對零售客戶進行按需供貨，發現零售客戶群體共性特征，通過考察零售客戶的年銷售量和年庫存量，基于?Spark+MLlib?的?kmeans++?算法實現對零售客戶行為的聚類，并根據收集所得的卷煙銷售掃碼數據采用?KMeans+?進行聚類分析，將客戶分為三大類別，得到了較為合適的分類結果，給出了相應的銷售和庫存的管理策略，這為卷煙銷售和庫存管理策略的制定提供決策支持。唐彬（2022）建立了不允許缺貨的卷煙訂購存貯模型，通過案例分析證明了模型的有效性，并提供了一系列卷煙庫存控制措施，為零售客戶科學制定卷煙訂購策略提供了理論支撐。馮明亮（2021）基于神經網絡修正灰色殘差的建模方法，通過系統的收集零售客戶的庫存現狀，分析了庫存積壓的原因，并從提高零售客戶對卷煙品牌（規格）的需求預測準確度出發，構建以消費者需求為導向的組合預測模型。

通過對上述有關零售客戶庫存方面德研究可以看出，目前這方面的研究主要集中在對零售客戶庫存和煙草公司之間訂貨量方式，識別和銷量預測方面。考察煙草零售客戶在不同時期階段向煙草公司訂貨而產生的庫存，確實可以能夠一定程度上掌握零售客戶的銷售情況和銷售能力，但這種庫存并不是零售客戶的實際庫存或者即時庫存，甚至其實際銷量對于煙草公司來說也很難掌握。主要原因在于，由于煙草零售客戶千差萬別，比如商超里面的煙草零售客戶所使用的信息采集系統相對完善，銷售數據采集和存儲方式比較正規，軟硬件使用較為齊備。然而，還有很多煙草零售客戶規模較小，銷售數據采集手段比較落后甚至有些銷售數據有缺失現象，這種采集數據和人力方面的差異導致銷售數據和實際庫存煙草公司無法準確獲取，這就導致前述所說，無法有效掌握零售客戶即時庫存，從而對市場狀況把握不及時，降低了煙草投放效率，對整體業績產生負面影響。而本次研究項目主要集中于對煙草零售客戶即時庫存的估算，對實際庫存的監測更具有現實意義，可以真正掌握目前市場總體銷售狀況，據此進行有效市場投放。

2???相關理論

BP神經網絡最早是1986年由Rumelhart和McCelland為首的科學家小組提出的，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP神經網絡算法是在BP神經網絡現有算法的基礎上提出的，是通過任意選定一組權值，將給定的目標輸出直接作為線性方程的代數和來建立線性方程組，解得待求權，不存在傳統方法得局部極小及收斂速度慢的問題，且更容易理解。這種網絡能夠學習和存儲大量的輸入—輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和闕值，使網絡的誤差平法和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱含層（hide?layer）和輸出層（output?layer）。每一個神經元接收到其他神經元的信息，并由一個加權鏈路進行傳輸，神經元將所有信息相加獲得一個總的輸入量，再與神經元的闕值相比較（模擬闕值），再經過“激活函數”的處理，獲得最后的輸出（模擬闕值），并以此為基礎，層層向下傳遞。

3???煙草零售戶庫存監測模型構建

首先，運行MATLAB軟件，在工作界面中的“工作區”新建要素變量，即將決定零售戶庫存的七個要素導入工作區并命名為輸入變量“X”，因為我們要監測的是零售戶庫存，所以再新建一個輸出變量并命名為“Y”。顯然輸入“X”作為七個要素變量是原數據中選取25303個零售戶而來，輸出“Y”是原數據中是零售戶已經盤點過的庫存25303條，目的是使用這些數據進行神經網絡模型訓練。

其次，構建輸入和輸出變量以后，打開神經網絡擬合工具箱（Neural?Fitting?nfTool）其主要運行邏輯為，具有?sigmoid?隱藏神經元和線性輸出神經元?（fitnet）?的兩層前饋網絡可以很好地擬合多維映射問題，前提是隱藏層中存在一致的數據和足夠的神經元。網絡將使用?Levenberg-Marquardt?反向傳播算法?（trainlm）?進行訓練，除非內存不足，在這種情況下將使用縮放共軛梯度反向傳播?（trainscg）。在將輸入“X”和輸出“Y”導入神經網絡工具后，最終形成神經網絡邏輯。接下去就是針對這個模型進行訓練，其中選取貝葉斯模型算法進行計算訓練，該算法通常需要更多時間，但可以對困難、小型或嘈雜的數據集產生良好的泛化效果。訓練根據自適應權重直到最小化（正則化）就會停止。直到該模型訓練結束可以看到整體模型訓練效果，經過1000次迭代以后，模型訓練的結果無限接近于最優狀態，因此可以認為模型的效果是比較理想的，再觀察模型的擬合度可以看到其回歸擬合度比較理想，R值為1。在系統中保存該模型，同時在“工作區”新建一個驗證輸入變量為“newX”，其含義是在現有零售戶庫存數據中另外選取936個零售戶的數據（僅包含七個要素），使用訓練后的模型進行庫存監測驗證（前者25303條數據是為模型訓練而選取），而訓練好的模型則以?“net”文件名保存在工作區中。

最后，調出編輯器在編輯器中編寫一套語句，語句的作用就是將936條驗證數據輸入訓練好的模型，然后得出零售戶庫存量的預測結果，具體語句命令代碼如下所示：

predict_y?=?zeros（936，1）;?%?初始化predict_y

for?i?=?1：?936

result?=?sim（net，?newX（i，：）'）;

predict_y（i）?=?result;

end

disp（'預測值為：'）

disp（predict_y）

將上述編輯好的命令語句拷貝到“命令行窗口”中，此時已經得到了零售戶庫存的預測結果，可以將預測值拷貝到原數據文件EXCEL軟件中進行比較可以發現與原有庫存實際盤點數據誤差在接受范圍內，結果比較理想，如表1所示。

經過了多次模型訓練，最終得出的模型效果比較理想，庫存預測值與左側實際盤點庫存值差距不大。

4???煙草不同品牌庫存預測模型構建

首先，軟中華品牌預測模型的構建。可以首先選取軟中華庫存數據作為果變量，因變量的選取至關重要，因為在神經網絡模型構建訓練過程中會對最終模型的算法模式產生直接影響，從而影響最終預測結果的準確度。在這種情況下，需要對不同變量選取搭配進行不斷驗證，這一步驟顯得相對復雜和繁瑣。通過不斷的嘗試和驗證后，最終選取了五個變量加入模型進行計算，即總庫存、總銷量、單品銷量、總庫存比和單品存銷比。通過MATLAB軟件當中的神經網絡模型進行模型構建，經過多次模型訓練，最終得到預測結果模型。可以看到模型擬合度比較理想，檢測度達到R=0.97，最終模型總體擬合度達到R=0.96，使用剩余10%數據進行驗證比較可以看到預測值和真實值之間的差距在比較理想的范圍內，如表2所示。

其次，硬中華庫存預測模型。根據上述因變量和果變量的設定，選取五個變量在神經網絡模型進行訓練計算，得到模型以及回歸模型效果，從上圖的模型擬合度可以看到，通過使用貝葉斯算法10層神經網絡的模型訓練構建的模型擬合度R=0.973，將剩余數據使用模型進行驗證發現結果比較理想，如表3所示。

從上表可以看出，左側是實際盤點的硬中華庫存，左側為模型預測值，對比后發現實際差距在理想誤差范圍內，這說明使用神經網絡構建的模型能夠較為精準和有效預測庫存。

最后，紅旗渠等品牌庫存模型預測。根據上述因變量和果變量的設定，選取五個變量在神經網絡模型進行訓練計算，得到模型以及回歸模型效果，模型所得到的擬合以及最終訓練結果Validation?R?=0.995，綜合擬合度All：?R=0.988，最后使用剩余數據對該模型進行驗證，結果如表4所示。

從上表可以清楚看出，左邊為實際盤點庫存值，右邊為模型預測值，比較以后可以得到非常理想的預測結果。

5???庫存預測精準度和效率提升策略

首先，在對全市煙草零售戶庫存采集方法需要進一步加強。從目前來看使用云POS以及實際盤點的零售戶數量還是比較有限，這樣數據獲取的精準度就無法保證，因此在今后還需要加大網絡電子設備的普及度。

其次，在庫存數據的搜集整理要能符合MATLAN軟件神經網絡系統模型的需要。這樣做的好處是，從原始數據搜集就可以形成方便輸入模型當中的規范數據文件格式，這樣可以大大提升預測效率。即，數據文件的設置格式依據因變量和果變量的名稱順序排列，這樣分析人員可以方便的將數據輸入模型當中，從而快速得出預測結果。

最后，煙草公司可以安裝MATLAB軟件，通過該軟件不但可以對各零售戶的總庫存進行預測，還可以對任意某個品牌的香煙庫存進行預測。市場人員只需要將上述確定的變量輸入模型當中，經過數次模型訓練即可得出該品牌在不同零售戶中的相對準確庫存。

參考文獻：

[1]程杰.東營市煙草公司管理信息系統的設計與實現[D].成都：電子科技大學，?2014.

[2]MURRAY?J.Agency?Information?Collection?Activities：Proposed?eCollection?eComments?Requested;reinstatement?with?change?of?a?previously?approved?collection;?InfraGard?membership?application?and?profile[R].Tobacco?Inventory?Report?and?Direct?Sales?Report，2014.

[3]牛銳.山西煙草庫存管理平臺的設計與實現[D].大連：大連理工大學，?2014.

[4]張茜.遷安市煙草專賣局煙草采購庫存管理系統的設計實現[D].大連：東北大學，?2016.

[5]MURRAY?J.Agency?information?collection?activities：proposed?eCollection?eComments?Requested;federal?firearms?license?responsible?person?questionnaire[R].Tobacco?inventory?report?（ATF?Form?5200.25），2016.

[6]葉宗強.基于數據倉庫的煙草庫存決策支持系統[J].中國信息化，2022（7）：80-81.

[7]陳忠華，張凱，劉維昌，等.基于MES的煙草采購庫存信息綜合管理系統設計[J].微型電腦應用，2022，38（4）：135-138.

[8]WADMAN?M.CDC?director?resigns?after?report?on?tobacco?stock?purchase[J].?Science，2018.

[9]陳承貴，羅克露.?基于神經網絡庫存融合控制技術[J].信息化縱橫，2009（28）：?8-12.

[10]HE?W.An?inventory?controlled?supply?chain?model?based?on?improved?BP?neural?network[J].Discrete?dynamics?in?nature?and?society，2013（Pt.2）.

[11]戴超杰，劉媛華.基于改進的BP神經網絡庫存預測模型研究[J].物流科技，2015，?38（11）：?26-30.

[12]阮翔.基于改進的BP神經網絡庫存預測模型及其應用研究[D].南昌：南昌航空大學，?2016.

[13]DE?PAULA?V?G?H，CAIADO?R?G?G，SCAVARDA?L?F，et?al.Decision?support?framework?for?inventory?management?combining?fuzzy?multicriteria?methods，?genetic?algorithm，?and?artificial?neural?network[J].Computers?&?industrial?engineering.?2022（174）.

[14]GU?L，HAN?Y，WANG?C，et?al.Inventory?prediction?based?on?backpropagation?neural?network[J].Neuro?quantology，2018，16（6）.

[15]譚永杰，王現勛，段茗續，等.不同模態分解方法結合LSTM模型對日徑流預報的影響[J].?人民珠江，2023：?1-14.

[16]徐恒山，莫汝喬，薛飛，等.基于時間戳特征提取和CatBoost-LSTM模型的光伏短期發電功率預測[J].太陽能學報，2023：1-10.

[17]宋偉澤.?LSTM模型在無袖帶式異常血壓預測中的應用[J].計算機時代，2023（7）：?70-73.

[18]趙瑜，霍永華，黃偉，等.基于雙向LSTM模型的流量異常檢測方法[J].無線電工程，2023，?53（7）：?1712-1718.

[19]羅謝輝.基于WOA-LSTM模型的邊坡位移預測方法[J].?中國水運，2023，23（7）：?50-52.

[20]張開雯，何勇.基于EMD-SSA-LSTM模型的城市軌道交通站點客流預測[J].?武漢理工大學學報（交通科學與工程版），2023：1-9.

[21]RINA?S，JIACHENG?W，GAOMING?X，et?al.Attention?mechanism?based?bidirectional?LSTM?model?for?broadband?power?amplifier?linearization[J].?Electronics?letters.?2023，?59（14）.

[22]唐琳，李勇，唐羽鋒，等.基于深度學習的LSTM模型在X熒光光譜中的應用[J].核技術，2023，46（7）：?80-86.

[23]湯文強.基于LSTM模型的響洪甸水庫旱警水位預測與效果檢驗[J].?云南水力發電.?2023，?39（07）：?339-342.

[24]康俊鋒，符悅，方雷，等.基于最小二乘法賦權的ARIMA-LSTM模型預測入境旅游人數——以上海市為例[J].浙江大學學報（理學版）.?2023，50（4）：?508-520.