超详解析零售业中的那些数据挖掘问题（二）(5)_电竞之家

响应模型广泛用于整个营销过程，从零售到推广活动 [EP13]。经常有报道称，与随机投放相比，响应模型可以将推广活动的收益率提高 20-30％，而提升模型可以带来 15％左右的实质性提升或在其他方法都不起作用的困难的情况下实现盈利 [PS08]。

在 RueLaLa 的实践中对 [JH14] 中提出的营销活动优化进行了全面评估，得出的一般结论是，综合优化模型比之前使用的启发式算法能提高约 10％的收入。 [CA12] 中提出的并经 Zara 验证过的事件优化模型声称可提供 5.8％的收入增长。

类目管理框架已在 Albert Heijn 进行了验证，以优化 37 个商店中 25 个子类别的分类。发现在这 25×37 = 1295 个情况中，使用传统方法有 701 个不理想，在使用了新的类目管理方法进行优化后可以提高约 6.2％的毛利率。

最后，值得注意的是，大多数这里讨论的优化方法不会显著的影响零售商的成本，因此收入的提升大概率的直接带来净利润的提升。

结论

在前面的章节中我们概述了一些零售相关的计量经济学问题，给出了其应用和用例，并且阐述了可以应用到这些问题上的数据分析方法和优化模型。在最后的一节中，我们将把上述这些模型联系起来以提供一个全景式的总结。

1.由点到面

本文的主要目的是描绘完全依赖于数据挖掘和数值优化的决策自动化框架。因此，将这个框架可视化为一个消费数据并产生可执行动作和决策的管道是合理的。

首先，我们可以将数据探索和知识发现流程放入一个单独的层级中，该层级主要使用无监督学习算法，并且主要依靠人为因素来评估数据挖掘结果，例如客户群或者是购买产品的频繁项集。

虽然这些过程在实践中非常重要，但它们很难集成到自动优化过程中来，因为模式的发掘通常依赖于手工流程而且通常相比于增量式优化它对战略决策更有用。不过这一层的输出可以配置到下游的过程中，例如，新发现的客户群可用于定义新的倾向模型或引入并优化专属折扣。

接下来的两层分别与建模和优化有关。广义而言，建模层的基本目标是提供一个全面的消费者模型，定量描述他或她的价格敏感性，对活动和折扣的响应倾向，用一种产品替代另一种产品的意愿，对推荐的接受度，等等。

但是在实践中建立这样一个全面的模型是非常困难的，所以我们使用多种专用模型来处理不同的问题。然而，需要指出的是，这种想象中的消费者模型涉及到所有类型的优化问题，因此获取有关客户行为各个方面的全面数据至关重要。

优化层的主要挑战是多目标的联合优化。联合优化对计算来说是一个严重的挑战，而且最重要的是联合优化受到底层预测模型能力的限制，所以几乎所有的优化技术都只能处理一个或两个目标。

我们把这些层都放到下图中。组件之间存在许多可能的依赖关系和相互作用，因此我们仅展示了一个与响应建模相关的样例程流，以免图变得过于混乱。

超详解析零售业中的那些数据挖掘问题（二）

2.定价的重要性

在这些不同的问题和目标中，我们需要非常重视定价决策以及所有于定价有着直接或间接关系的的优化问题。让我们用一个经典例子来说明定价决策的重要性。会议一下企业利润的基本公式：

G = Q · （P – V）- C

其中 Q 是销售量，P 是价格，V 是可变成本，而 C 表示固定成本。假设一个服装零售商每月以 40 美元的单价销售 10 万件服装，假设每件服装的批发价是 25 美元而固定成本为一个月 50 万美元。我们可以计算销售量、价格、可变成本和固定成本在变化百分之一的情况下是如何影响利润的：

超详解析零售业中的那些数据挖掘问题（二）

在这个例子中，我们可以看到定价对利润的影响比其他变量大得多。尽管这是一个过于简单和任意的例子，这一模式在众多不同行业的不同企业中存在。这使我们得到如下结论：零售商应特别关注与定价（折扣、个性化价格、动态定价等）有关的优化方法以及支持这些方法的数据挖掘流程。

我们也注意到全渠道零售可以给自动定价优化带来新的机会。既然价格差异是最有力的定价技术之一，则定价优化的理想环境是为每一个客户提供显示或隐式（折扣）的个性化价格，而且所有的价格是可以动态调整的。数字渠道恰好提供了这些条件，其中每个客户都有自己独立和动态的对零售商的视图。

3.隐含维度的重要性

如我们已经提到的，许多零售业中的优化问题与用户的行为模型是内在相关的。在个人客户层面建立这种模型的能力是数据挖掘技术带来的最重要的好处之一，也是一对一营销的关键推动力。

客户建模的最复杂的例子可以在推荐系统中找到，这些系统通常使用隐式维度的概念来捕捉客户和产品的心理特征。这一概念非常的重要，它可能远远超出推荐系统的范围，但据我们所知，它并没有如期望的那样在其他应用中被广泛应用。

这使我们得出这样一个结论，即整体的优化系统可以将推荐领域的最先进的技术应用到那些不常见的应用中而受益。

4.展望

在零售业中实现完全的自动化决策是极具雄心的，甚至可以说，在实践中想要衡量这些优化方法的表现几乎是不可能的，因为观察到的收益提升可能与市场趋势，竞争对手的行动，顾客品味的变化以及其他因素相关。

这个问题在经济学教科书中被称为内生性问题，这对于数据驱动优化技术的研发者和用户来说都是一个巨大的挑战，而且即使看起来成功的案例也会受到该问题的挑战而显得其结果没那么可靠。

尽管如此，在过去的十年中，主要的零售商一直在寻求将数据挖掘与数值优化技术结合在一起的技术的整体解决方案。这种先进的系统将是企业数据管理演进的下一个阶段，它将遵循对数据仓库的共识并大量采用数据学科学方法。

— 全文终 —