促銷在企業的市場營銷戰略中扮演著非常重要的角色。隨著市場競爭的日趨激烈，企業紛紛采取形式各樣的促銷手段以激發消費者的購買欲望。據權威部門統計，國內零售企業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。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的負擔。
另一方面，商務智能得到了理論界以及IT界的普遍重視。商務智能(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將商務智能定義為一類由數據倉庫(或數據集市)、查詢報表、數據分析、數據挖掘、數據備份和恢復等部分組成的、以輔助企業決策為目的的技術及其應用。如今，商務智能的概念已經不僅僅只是軟件產品或工具，已經升華為一種管理思想，體現的是一種理性的經營決策的能力。商業智能已經成為繼ERP之后最重要的技術變革。越來越多的跨國零售巨頭紛紛引入商業智能軟件，用于解決復雜的決策問題。特別是在促銷優化領域，商務智能技術得到了學術界和應用界的廣泛關注，人們開始尋求利用先進的商務智能技術追蹤客戶的購買行為，優化零售企業的促銷決策，以提高促銷決策的針對性以及有效性。
1 基于商務智能技術的促銷優化研究
1.1 需求預測
1.1.1 促銷產品銷量預測
企業的銷售活動是以研究綜合性市場營銷活動及其規律為目標，通過識別客戶的需求以及消費偏好，將其轉化為產品與服務，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。由于現代企業的市場營銷環境日益動態復雜等，會很大程度地影響產品的需求，進而影響企業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。
傳統的基于統計分析的預測方法(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。隨著機器學習和數據挖掘技術的發展，許多更加有效的預測模型和算法被廣泛應用到產品需求預測領域，包括神經網絡、支持向量機、遺傳算法以及其它一些元啟發式算法。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缺點些隨機性因素例如季節性、消費偏好、市場促銷活動比較見表1。
表1 常用的需求預測方法
1.1.2 庫存補貨優化
需求的不確定性是現代企業供應鏈管理中最具挑戰性同時又必須要去面對的一個問題。產品的季節性特征、購物架的空間布局、企業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。特別是零售企業的促銷活動，會使該類型產品的需求在短時間內急劇上升，企業需要在庫存成本與因缺貨造成的機會損失之間權衡，如何有效管理庫存并最大化收益水平是企業必須面對的一個挑戰。
許多學者利用預測性建模技術以及啟發式算法，對零售企業的庫存補貨優化問題進行了研究。Chi等基于機器學習及演化算法，建立智能的供應商管理補貨系統，具有很高的自適應能力和預測精度。Huang等基于BP神經網絡構建CPFR優化模型，支持SKU 粒度級的需求預測以及庫存控制。此外，另外一些學者利用遺傳算法對零售產品的庫存優化問題進行了研究。
1.2 促銷產品分析
1.2.1 產品分類管理
產品分類管理(Product assortment)，是把所經營的商品分為不同的類別，并把每一類商品作為企業經營戰略的基本活動單位進行管理的一系列相關活動。通過品類管理，零售企業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、凈利潤水平、交叉銷售效益、客戶選擇傾向等，零售商可以據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。
對于產品分類的定量研究模型主要是引入的關聯系數和相互作用參數以及其它參數來度量不同產品之間的相互依存度(interdependency)。然而傳統基于統計分析的模型由于受到產品和品類數量的制約，在日益動態復雜的市場營銷環境中缺乏適用性和可擴展性。關聯規則在搜索大型交易數數據庫以及分析客戶購物籃時表現出很大的優越性，被廣泛用于零售企業品類設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能力，利用遺傳算法來優化零售企業的產品分類問題。
1.2.2 產品生命周期管理
產品所處的不同生命周期會有力的影響著產品的市場競爭能力以及盈利能力，進而影響到企業的營銷策略。產品生命周期理論(Product Life Cycle，PLC)，是由美國哈佛大學教授雷蒙德·弗農首次提出的。費農認為：產品生命是指市場上的的營銷生命，產品和人的生命一樣，要經歷形成、成長、成熟、衰退這樣的周期。美國的波茲(Booz)、阿隆(Alen)等根據產品不同市場時期的銷售變化，將產品生命周期劃分為引入期、成長期、成熟期和衰退期。
產品生命周期管理是商務智能技術的一個重要應用領域。學術界的許多學者圍繞著該問題進行了研究。郭國印，Kusiak等對PLM 的體系結構及其數據挖掘技術在PLM 中的應用進行了較完整的闡述。Philip等利用GA-RBF模型對短生命周期產品的銷量進行了預測。Seo以及吳秀麗等利用人工神經網絡模型對產品生命周期成本進行了研究，并且把該模型應用到產品的概念設計。其中部分經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的庫存水平，提高消費者的滿意度，從而提高產品的銷售量及利潤水平。
超市購物架布局問題引起了學術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。關于購物架布局優化的模型研究，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品的銷售量以及利潤水平的影響程度。購物架布局優化的常用算法包括關聯規則挖掘、神經網絡、遺傳算法以及其它元啟發式算法(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據進行分析，發現顧客放入“購物籃”中的不同商品之間的關聯，分析顧客的購買習慣。這種關聯的發現可以幫助零售商了解哪些產品頻繁地被顧客同時購買，從而幫助他們開發更加有效的營銷策略。這些營銷決策包括商品的選擇、優惠券的設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，看似完全無關的兩種商品，一起銷售則產生了令人意想不到的效果。
隨著Agrawal算法的提出，學術界對于關聯規則的研究非常活躍，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聯規則，包括：多層關聯規則、基于約束的關聯挖掘、模糊關聯挖掘以及可視化關聯挖掘等，這些算法被廣泛用于對客戶的購物籃進行分析。
1.3.2 目標客戶分類
客戶細分是按照一定的標準將企業的現有客戶劃分為不同的客戶群。客戶分類是現代企業的一種重要的營銷戰略，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。傳統的分類模型主要是基于客戶的統計學特征(如性別、年齡、收入、教育背景等)，這樣的靜態分類模型不能很好的評估客戶的盈利能力以及未來發展潛力，在日益動態復雜的市場營銷環境表現出一定的局限性。隨著機器學習以及數據挖掘技術的發展，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缺點比較見表2。
表2 常用的客戶分類算法及優缺點比較
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80%的收益來自于20%的盈利客戶；同時，企業80%的花費是由20%的非盈利客戶所產生的，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：企業從客戶生命周期交易業務中獲取的收益總和減去包括客戶獲取、營銷以及服務的所有成本的總和。作為企業重要的戰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。
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 模型是由美國數據庫營銷研究所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等把擴展的RFM 模型同數據挖掘技術以及其它優化算法相結合，對客戶的當前價值以及未來潛力進行評估。
1.3.4 客戶保持/流失分析
大量的行業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。
關于客戶保持/流失分析的模型很多，傳統的基于統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模、高維度、含有非線性關系的客戶數據時，其效果不理想且不能保證所建模型的泛化能力。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、神經網絡、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個公司調查發現：產品的價格優化改進1%，可以使公司的營銷利潤提高11.1%由此可見，合理的產品定價對于企業的市場營銷決策來說至關重要。價格折扣已成為零售行業最常用的促銷手段。一個正常的市場營銷環境中影響產品定價的因素很多，如產品質量、市場競爭情況、產品的季節性波動以及節假日等，這些內在/外在的因素都會影響著企業的促銷定價策略。
傳統的基于計量統計的分析方法，由于受到變量及影響因素的限制，在動態復雜的市場營銷環境中日益暴露其局限性。隨著機器學習以及程序設計算法的進步，許多更智能的算法和專家系統都被提出，用于優化零售企業的促銷定價決策。例如王婧等 ；王宏達等嘞 建立基于改進遺傳算法和粒子群算法的動態定價模型，對季節性產品的促銷定價問題進行了研究。Roy等把遺傳算法與模糊理論相結合，對多門店多產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，企業需要對自身的內部情況以及外部的市場環境因素綜合的進行考慮，這些因素可能包括企業的市場營銷戰略、產品的庫存水平、目標客戶、促銷時機以及競爭對手的促銷活動等。
對于促銷組合優化問題，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活躍。把模糊理論、神經網絡以及遺傳算法三者相結合，構建智能的預測模型，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等構建基于規則的預測模型RRBF，利用歷史促銷數據來預測不同的促銷方式和促銷媒介對于產品銷售量的影響程度。
2 零售促銷優化軟件的企業應用現狀
促銷優化是零售行業商務智能應用的一個重要領域。零售企業在日常的業務運作中積累了大量的數據，這些數據包括訂單信息、庫存信息、銷售信息、歷史促銷數據以及客戶資料等，這些海量的數據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等均已引進了相應的促銷優化軟件，用于優化企業的促銷決策，顯著的提高了企業的競爭能力和成本優勢。國內零售企業的信息化建設以及商務智能應用水平較低，還沒有開始廣泛引入促銷優化的軟件，也沒有這方面的成功案例。
國外促銷優化軟件市場的發展比較完善，一些大型的ERP軟件廠商(如Oracle、SAP、JDA Software、Demand Tec、CAS等)，都開發了面向零售行業促銷優化的智能分析軟件，支持庫存優化、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，可以在各個產品和用戶級別上快速完成分析，實現促銷活動分析流程的自動化，滿足企業不同管理層次的決策要求。例如，Oracle公司推出的應用集成架構解決方案，通過把Oracle Siebel促銷管理軟件和Oracle Demantra預測性貿易計劃與促銷優化軟件的相關功能有效集成，支持從促銷前模擬預測、促銷活動的實時監控到促銷效果評估等一系列強大功能，為企業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據進行深入分析，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化軟件見表3。
表3 主要的零售促銷優化軟件
本文回顧了國內外對于零售行業促銷優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、促銷產品分析、促銷決策組合分析四個角度，對零售促銷優化中常用的商務智能技術以及數據挖掘算法進行了綜述，重點對促銷優化中常用的商務智能技術及數據挖掘算法的應用情況進行分類和總結，最后對促銷優化軟件的企業應用現狀進行了簡要介紹。值得注意的是，現實中的市場營銷環境動態復雜，本文并沒有深入探討不同商務智能技術的實際適用性以及現實可操作性。同時，本文主要是針對傳統的終端銷售市場，并沒有對電子商務環境下網絡用戶的消費行為以及促銷優化進行研究，這也可以作為未來的一個研究方向。
轉載請注明出處：拓步ERP資訊網http://m.guhuozai8.cn/
本文標題：商務智能BI在零售促銷優化中的應用
相關文章
