3.大数据中的小数据——长尾品定价管理
4.决策质量V.S.决策速度——无人仓智能管理系统
编辑整理｜梁傲本田汽车
出品社区｜DataFun
01
引言：数据到管理决策
1.数据管理到决策
从数据到管理决策，分为数据、分析和决策三个层次，在数据层，利用IT/信息管理系统完成数据采集与管理；在分析层，利用统计/机器学习/深度学习/计量经济/行为经济等工具进行规律性分析；在决策层，通过运筹优化/博弈进行决策建模与求解。
2.运营管理中的数据及决策特征
运营管理中的数据及决策包含如图9大特征，这些特征是很多应用场景中智能算法应用的瓶颈所在。面对如此复杂的特征，当我们在遇到问题时，我们用什么数据或者用什么指标去分析这个问题呢？后面将通过具体案例说明。
--
02
用什么数据/指标？以促销分析为例
我们以促销分析为例，说明需要使用什么数据/指标。在促销时，零售商和品牌商的决策往往存在促销效费比低、达成效果差及促销分析和决策困难的痛点。那针对促销过程中产生的痛点，其根本原因在哪呢？我们看以下案例。
1.替代效应分析
某公司对其主打产品进行了促销，促销期内环比产品销售量增长57%，促销期减价15%，利润增长26%。通过对照分析，其竞争对手在此期间未做促销且销量基本不变，因此公司初步判断此次促销取得非常好的效果。但是基于产品特征，在回头看促销数据时，就会产生第一个问题：销售增长来自于哪部分顾客的需求？
这个产品是固定消耗品（例如电池），且市场被双寡头垄断（例如北美电池市场）。从产品特征分析，本次多卖的并未来自竞争对手少卖的，因为根据对照情况，竞争对手在此促销期间并没有少卖。进一步深入分析会发现比较严重的问题，就是促销期减价导致顾客进行了策略性购买，现在多卖的很可能是来自于与自身未来少卖的，因此促销效果并不理想。因此我们在做促销分析的时候，要小心的对产品特征和数据进行针对性分析。
通过对第一个问题的分析，又产生了第二个问题：促销效果如何？采用什么数据/评价标准？
进行替代效应分析时，模型需要考虑替代品定义、价格与销量、替代维度及推荐位影响等因素，下面看一下替代效应分析都有哪些模型。
①替代效应分析模型——线性回归与逻辑回归模型
在线性回归与逻辑回归模型中，替代参量是产品数量的平方级别，产品数量较多且数据量不足时过拟合问题较严重，此外线性模型容易出现比较极端的“最优”决策，因此仅适用于数据质量高、竞品少的部分产品的替代效应分析。
②竞品替代——选择模型
一个更加适合描述替代行为的模型是选择模型。用户对两个产品的预期价值分别是μ和μ，不同的客户还存在一个独立随机的偏好值ξ，那么客户选择两个产品时，会根据预期价值和偏好值进行选择，当ξ满足一定的分布假设时，客户选择产品1的概率就是μμμμ，其中μ为不选择两个产品的期望价值，这样就会产生自然的替代效应。
③未来与历史销量替代——前景理论及参考价格模型
④进阶选择模型
此外还有进阶选择模型，比如嵌套Logit模型、马尔可夫链模型及吸引力模型，都可以实现不同因素下的替代效应分析。
2.促销决策
但是从顾客构成分析，其实是促销期内大量新客户的涌入，造成顾客群体从忠诚度较高的老客户为主变化为对产品不太了解的新客户为主。两类顾客的转化率都因为减价促销大幅上升了，但由于新客户基础转化率显著地低，造成促销后的整体转化率反而降低。这个在统计理论中是经典的辛普森悖论。
在这种情况，就需要对顾客分群后进行转化率分析，同时拆分引流效果，除此之外还要考虑新老转化率，因为现在来的新客户未来可能会成为老客户，对企业来说也至关重要。
因此在促销决策，进行效果评估时需要考虑替代效应、指标及对比，进行决策时需要考虑选品、转化率及决策风险控制。在某宠物产品智能促销优化、某快消巨头智能促销优化、某鞋类品牌促销优化等多个实践项目中，采用上述促销决策，均取得了良好的促销效果。
03
大数据中的小数据——长尾品定价管理
为什么会面临大数据中的小数据？因为很多时候虽然数据量大，但是在真正决策时，取得的效果并不那么好，下面将以长尾品定价管理作为典型案例进行说明。
1.电商平台收益管理
下面我将讲解和某电商平台合作的一个定价项目，希望通过定价来实现促销来最大化，增加收益和利润。这个项目涉及千万级SKU，同时需要面对快速增长的业务和复杂的折扣结构。传统管理中管理者依靠手动调价管理非常多的SKU，只能专注于核心产品，对于长尾品对调价很少。所以项目希望通过半自动化的工具，可系统地为大多数SKU提供定价建议，并识别错误的价格。
①价格的定义
比如某电商产品，由于促销打折、满减优惠等活动的叠加，且不同订单可能参加不同的优惠活动，导致页面价格和最终成交价格存在巨大差异，这时产品的真实成交价格就很难判定，更无法精准判断竞品的价格。
③目标品类及产品
对于畅销商品，有较好的整体数据质量，但面临较低的平台定价权、较高的竞争水平、竞争对手数据不足、较复杂的消费者行为，因此作为自动定价的目标产品阻力重重。对于长尾商品，平台有较高的定价权较，产品面临较低的竞争水平、较简单的消费者行为，较高的单品利润率，因此产品管理团队对自动化定价的接受意愿较高，但也面临数据质量差、大量非标商品、替代关系不明的困难。
2.长尾商品的收益管理
长尾商品因为具备数据质量差、大量非标商品、替代关系不明等缺点，所以单个产品看不到任何规律，但对一些产品进行分组，会发现各类产品之间的有相近趋势性。因此我们首先按商品特征进行分组，对组内不可预测的共同因素，借鉴金融工具进行对冲，对不确定参数进行鲁棒优化模型，同时通过探索与学习，逐步提高决策范围，整个模型在此次项目的商品调价中取得了良好效果。
①覆盖率提升
前面的模型完成了一些容易处理商品的定价，为了进一步模型实现覆盖率提升，通过分组定价模型，来降低整体决策风险，对于新品或长尾品，引入了关联学习模型，对于无调价记录产品，通过随机调价模型去获取有用的价值信息。
②用户感知度
04
决策质量V.S.决策速度——无人仓智能管理系统
1.项目背景
2.解决方案
通过对数学模型分析发现，存在一个交叉约束条件，导致形成三元匹配问题，如果将此约束条件删除，就可以将三元匹配问题拆分为两个二元匹配问题，所以解提思路为将其转换成分离问题。我们采用拉格朗日乘子法把交叉约束拆分到目标函数上去，实现分离问题与降维。
通过问题拆，把原先复杂的三元问题拆分成两个问题：①固定y和z变量对x的简单匹配问题；②固定x变量对y和z匹配问题。问题①可采用线性规划或匈牙利算法求解，问题②的规模比原问题降低大约75%，结构也变的更加清晰，解题难度大大下降。
当原问题拆分成两个问题，如何保证拆分后的问题与原问题不存在差异，这就要求解Λ最优值，且不能单独求解问题①和②。我们通过线性松弛问题求解高质量的Λ，再求解问题②，最终求解带关联约束的问题①，满足了这两点要求。
实施效果：
何斯迈｜上海财经大学教授
何斯迈,杉数科技首席科学家,上海财经大学教授。香港中文大学运筹学博士，曾任香港城市大学助理教授，现任上海财经大学教授、博士生导师。任中国运筹协会理事，数学规划分会常务理事，上海市运筹协会常务理事。曾获第33届国际数学奥林匹克金牌，2014年度中国运筹协会青年科技奖，上海高校特聘教授（东方学者），教育部第八届高等学校科学研究优秀成果奖二等奖，上海市自然科学二等奖，INFORMS学会FranzEdelmanLaureates称号。主持国家杰出青年科学基金、国家自然科学基金重大项目子课题等科研项目。主要研究领域为运筹优化和运营管理，熟悉供应链管理、数学建模及优化算法。曾主持杉数科技的多个大型智能管理项目，包括京东定价项目、京东无人仓自动化项目、顺丰预测及选址项目、南航发动机维修管理项目等。