促銷(xiāo)在企業(yè)的市場(chǎng)營(yíng)銷(xiāo)戰(zhàn)略中扮演著非常重要的角色。隨著市場(chǎng)競(jìng)爭(zhēng)的日趨激烈，企業(yè)紛紛采取形式各樣的促銷(xiāo)手段以激發(fā)消費(fèi)者的購(gòu)買(mǎi)欲望。據(jù)權(quán)威部門(mén)統(tǒng)計(jì)，國(guó)內(nèi)零售企業(yè)的促銷(xiāo)活動(dòng)費(fèi)用在所有營(yíng)銷(xiāo)開(kāi)支中占75%或更多的比例，每年的促銷(xiāo)開(kāi)支都以12%的速度遞增。促銷(xiāo)作為一種最直接同時(shí)也最有效的市場(chǎng)營(yíng)銷(xiāo)工具，被越來(lái)越多的零售企業(yè)廣泛采用。然而，很多零售商進(jìn)行促銷(xiāo)策劃時(shí)，存在很大的盲目性，缺乏深入有效的分析和論證，在促銷(xiāo)策略的選擇方面也很隨意，導(dǎo)致促銷(xiāo)投資回報(bào)率很低，這一定程度上加重了零售企業(yè)的負(fù)擔(dān)。
另一方面，商務(wù)智能得到了理論界以及IT界的普遍重視。商務(wù)智能(Business Intelligence，簡(jiǎn)稱(chēng)BI)的概念最早是Gartner Group的Howard教授于1996年提出來(lái)的。Gartner Group將商務(wù)智能定義為一類(lèi)由數(shù)據(jù)倉(cāng)庫(kù)(或數(shù)據(jù)集市)、查詢(xún)報(bào)表、數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)備份和恢復(fù)等部分組成的、以輔助企業(yè)決策為目的的技術(shù)及其應(yīng)用。如今，商務(wù)智能的概念已經(jīng)不僅僅只是軟件產(chǎn)品或工具，已經(jīng)升華為一種管理思想，體現(xiàn)的是一種理性的經(jīng)營(yíng)決策的能力。商業(yè)智能已經(jīng)成為繼ERP之后最重要的技術(shù)變革。越來(lái)越多的跨國(guó)零售巨頭紛紛引入商業(yè)智能軟件，用于解決復(fù)雜的決策問(wèn)題。特別是在促銷(xiāo)優(yōu)化領(lǐng)域，商務(wù)智能技術(shù)得到了學(xué)術(shù)界和應(yīng)用界的廣泛關(guān)注，人們開(kāi)始尋求利用先進(jìn)的商務(wù)智能技術(shù)追蹤客戶(hù)的購(gòu)買(mǎi)行為，優(yōu)化零售企業(yè)的促銷(xiāo)決策，以提高促銷(xiāo)決策的針對(duì)性以及有效性。
1 基于商務(wù)智能技術(shù)的促銷(xiāo)優(yōu)化研究
1.1 需求預(yù)測(cè)
1.1.1 促銷(xiāo)產(chǎn)品銷(xiāo)量預(yù)測(cè)
企業(yè)的銷(xiāo)售活動(dòng)是以研究綜合性市場(chǎng)營(yíng)銷(xiāo)活動(dòng)及其規(guī)律為目標(biāo)，通過(guò)識(shí)別客戶(hù)的需求以及消費(fèi)偏好，將其轉(zhuǎn)化為產(chǎn)品與服務(wù)，再通過(guò)有效的促銷(xiāo)手段、分銷(xiāo)渠道、價(jià)格策略等來(lái)最大限度地滿(mǎn)足顧客需求。由于現(xiàn)代企業(yè)的市場(chǎng)營(yíng)銷(xiāo)環(huán)境日益動(dòng)態(tài)復(fù)雜等，會(huì)很大程度地影響產(chǎn)品的需求，進(jìn)而影響企業(yè)的市場(chǎng)營(yíng)銷(xiāo)決策以及庫(kù)存控制策略等。如何及時(shí)、準(zhǔn)確的對(duì)促銷(xiāo)產(chǎn)品的需求進(jìn)行預(yù)測(cè)，是營(yíng)銷(xiāo)決策者們必須面對(duì)的一道難題。
傳統(tǒng)的基于統(tǒng)計(jì)分析的預(yù)測(cè)方法(如多元回歸、移動(dòng)平均、ARMA等)，這些預(yù)測(cè)方法對(duì)于處理復(fù)雜的、具有隨機(jī)性的時(shí)間序列時(shí)，暴露出很大的局限性。隨著機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的發(fā)展，許多更加有效的預(yù)測(cè)模型和算法被廣泛應(yīng)用到產(chǎn)品需求預(yù)測(cè)領(lǐng)域，包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遺傳算法以及其它一些元啟發(fā)式算法。這些預(yù)測(cè)方法在處理多維、模糊、非線性信息時(shí)，比傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法具有更好的預(yù)測(cè)效果。需求預(yù)測(cè)的常用方法及優(yōu)缺點(diǎn)些隨機(jī)性因素例如季節(jié)性、消費(fèi)偏好、市場(chǎng)促銷(xiāo)活動(dòng)比較見(jiàn)表1。
表1 常用的需求預(yù)測(cè)方法
1.1.2 庫(kù)存補(bǔ)貨優(yōu)化
需求的不確定性是現(xiàn)代企業(yè)供應(yīng)鏈管理中最具挑戰(zhàn)性同時(shí)又必須要去面對(duì)的一個(gè)問(wèn)題。產(chǎn)品的季節(jié)性特征、購(gòu)物架的空間布局、企業(yè)的促銷(xiāo)活動(dòng)以及其它一些隨機(jī)因素等都會(huì)造成需求的較大波動(dòng)。特別是零售企業(yè)的促銷(xiāo)活動(dòng)，會(huì)使該類(lèi)型產(chǎn)品的需求在短時(shí)間內(nèi)急劇上升，企業(yè)需要在庫(kù)存成本與因缺貨造成的機(jī)會(huì)損失之間權(quán)衡，如何有效管理庫(kù)存并最大化收益水平是企業(yè)必須面對(duì)的一個(gè)挑戰(zhàn)。
許多學(xué)者利用預(yù)測(cè)性建模技術(shù)以及啟發(fā)式算法，對(duì)零售企業(yè)的庫(kù)存補(bǔ)貨優(yōu)化問(wèn)題進(jìn)行了研究。Chi等基于機(jī)器學(xué)習(xí)及演化算法，建立智能的供應(yīng)商管理補(bǔ)貨系統(tǒng)，具有很高的自適應(yīng)能力和預(yù)測(cè)精度。Huang等基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建CPFR優(yōu)化模型，支持SKU 粒度級(jí)的需求預(yù)測(cè)以及庫(kù)存控制。此外，另外一些學(xué)者利用遺傳算法對(duì)零售產(chǎn)品的庫(kù)存優(yōu)化問(wèn)題進(jìn)行了研究。
1.2 促銷(xiāo)產(chǎn)品分析
1.2.1 產(chǎn)品分類(lèi)管理
產(chǎn)品分類(lèi)管理(Product assortment)，是把所經(jīng)營(yíng)的商品分為不同的類(lèi)別，并把每一類(lèi)商品作為企業(yè)經(jīng)營(yíng)戰(zhàn)略的基本活動(dòng)單位進(jìn)行管理的一系列相關(guān)活動(dòng)。通過(guò)品類(lèi)管理，零售企業(yè)的決策者可以很好的理解每一單品的營(yíng)銷(xiāo)情況，包括銷(xiāo)量情況、庫(kù)存周轉(zhuǎn)、凈利潤(rùn)水平、交叉銷(xiāo)售效益、客戶(hù)選擇傾向等，零售商可以據(jù)此決定門(mén)店的商品組合及空間布局從而制定更加有效的價(jià)格策略以及促銷(xiāo)策略。
對(duì)于產(chǎn)品分類(lèi)的定量研究模型主要是引入的關(guān)聯(lián)系數(shù)和相互作用參數(shù)以及其它參數(shù)來(lái)度量不同產(chǎn)品之間的相互依存度(interdependency)。然而傳統(tǒng)基于統(tǒng)計(jì)分析的模型由于受到產(chǎn)品和品類(lèi)數(shù)量的制約，在日益動(dòng)態(tài)復(fù)雜的市場(chǎng)營(yíng)銷(xiāo)環(huán)境中缺乏適用性和可擴(kuò)展性。關(guān)聯(lián)規(guī)則在搜索大型交易數(shù)數(shù)據(jù)庫(kù)以及分析客戶(hù)購(gòu)物籃時(shí)表現(xiàn)出很大的優(yōu)越性，被廣泛用于零售企業(yè)品類(lèi)設(shè)計(jì)和交叉銷(xiāo)售挖掘等。同時(shí)由于遺傳算法強(qiáng)大的并行處理能力以及全局尋優(yōu)能力，利用遺傳算法來(lái)優(yōu)化零售企業(yè)的產(chǎn)品分類(lèi)問(wèn)題。
1.2.2 產(chǎn)品生命周期管理
產(chǎn)品所處的不同生命周期會(huì)有力的影響著產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)能力以及盈利能力，進(jìn)而影響到企業(yè)的營(yíng)銷(xiāo)策略。產(chǎn)品生命周期理論(Product Life Cycle，PLC)，是由美國(guó)哈佛大學(xué)教授雷蒙德·弗農(nóng)首次提出的。費(fèi)農(nóng)認(rèn)為：產(chǎn)品生命是指市場(chǎng)上的的營(yíng)銷(xiāo)生命，產(chǎn)品和人的生命一樣，要經(jīng)歷形成、成長(zhǎng)、成熟、衰退這樣的周期。美國(guó)的波茲(Booz)、阿隆(Alen)等根據(jù)產(chǎn)品不同市場(chǎng)時(shí)期的銷(xiāo)售變化，將產(chǎn)品生命周期劃分為引入期、成長(zhǎng)期、成熟期和衰退期。
產(chǎn)品生命周期管理是商務(wù)智能技術(shù)的一個(gè)重要應(yīng)用領(lǐng)域。學(xué)術(shù)界的許多學(xué)者圍繞著該問(wèn)題進(jìn)行了研究。郭國(guó)印，Kusiak等對(duì)PLM 的體系結(jié)構(gòu)及其數(shù)據(jù)挖掘技術(shù)在PLM 中的應(yīng)用進(jìn)行了較完整的闡述。Philip等利用GA-RBF模型對(duì)短生命周期產(chǎn)品的銷(xiāo)量進(jìn)行了預(yù)測(cè)。Seo以及吳秀麗等利用人工神經(jīng)網(wǎng)絡(luò)模型對(duì)產(chǎn)品生命周期成本進(jìn)行了研究，并且把該模型應(yīng)用到產(chǎn)品的概念設(shè)計(jì)。其中部分經(jīng)過(guò)驗(yàn)證的預(yù)測(cè)模型和算法，已被引入到ERP軟件(如Oracle、SAP等)的PLC設(shè)計(jì)中。
1.2.3 購(gòu)物架布局管理
超市購(gòu)物架對(duì)于零售門(mén)店來(lái)說(shuō)是一種重要的資源，不同品類(lèi)的眾多產(chǎn)品為有限的購(gòu)物架空間展開(kāi)競(jìng)爭(zhēng)。零售商需要決定購(gòu)物架陳列哪些商品、為這些商品分配多少空間以及整個(gè)超市門(mén)店的空間布局。通過(guò)合理的購(gòu)物架布局分配，零售商可以有效降低企業(yè)的庫(kù)存水平，提高消費(fèi)者的滿(mǎn)意度，從而提高產(chǎn)品的銷(xiāo)售量及利潤(rùn)水平。
超市購(gòu)物架布局問(wèn)題引起了學(xué)術(shù)界以及零售商的廣泛興趣，啤酒和尿布就是一個(gè)很好的實(shí)例。關(guān)于購(gòu)物架布局優(yōu)化的模型研究，主要是引入購(gòu)物架空間靈敏度以及交叉彈性的概念，衡量購(gòu)物架空間的變化對(duì)于不同產(chǎn)品的銷(xiāo)售量以及利潤(rùn)水平的影響程度。購(gòu)物架布局優(yōu)化的常用算法包括關(guān)聯(lián)規(guī)則挖掘、神經(jīng)網(wǎng)絡(luò)、遺傳算法以及其它元啟發(fā)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(hù)行為分析
1.3.1 客戶(hù)購(gòu)物籃分析
購(gòu)物籃分析就是通過(guò)對(duì)客戶(hù)的歷史購(gòu)買(mǎi)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)顧客放入“購(gòu)物籃”中的不同商品之間的關(guān)聯(lián)，分析顧客的購(gòu)買(mǎi)習(xí)慣。這種關(guān)聯(lián)的發(fā)現(xiàn)可以幫助零售商了解哪些產(chǎn)品頻繁地被顧客同時(shí)購(gòu)買(mǎi)，從而幫助他們開(kāi)發(fā)更加有效的營(yíng)銷(xiāo)策略。這些營(yíng)銷(xiāo)決策包括商品的選擇、優(yōu)惠券的設(shè)計(jì)以及購(gòu)物架的合理布局等�！捌【啤焙汀澳虿肌本褪且粋�(gè)典型例子，看似完全無(wú)關(guān)的兩種商品，一起銷(xiāo)售則產(chǎn)生了令人意想不到的效果。
隨著Agrawal算法的提出，學(xué)術(shù)界對(duì)于關(guān)聯(lián)規(guī)則的研究非�；钴S，許多學(xué)者圍繞著Agrawal算法進(jìn)行了擴(kuò)展和改進(jìn)，提出了一些改進(jìn)的關(guān)聯(lián)規(guī)則，包括：多層關(guān)聯(lián)規(guī)則、基于約束的關(guān)聯(lián)挖掘、模糊關(guān)聯(lián)挖掘以及可視化關(guān)聯(lián)挖掘等，這些算法被廣泛用于對(duì)客戶(hù)的購(gòu)物籃進(jìn)行分析。
1.3.2 目標(biāo)客戶(hù)分類(lèi)
客戶(hù)細(xì)分是按照一定的標(biāo)準(zhǔn)將企業(yè)的現(xiàn)有客戶(hù)劃分為不同的客戶(hù)群。客戶(hù)分類(lèi)是現(xiàn)代企業(yè)的一種重要的營(yíng)銷(xiāo)戰(zhàn)略，正確的客戶(hù)細(xì)分能夠有效地降低成本，同時(shí)獲得更強(qiáng)、更有利可圖的市場(chǎng)滲透。通過(guò)對(duì)目標(biāo)客戶(hù)進(jìn)行分類(lèi)，零售企業(yè)可以更有針對(duì)性地進(jìn)行營(yíng)銷(xiāo)策劃以及開(kāi)展促銷(xiāo)活動(dòng)，增強(qiáng)客戶(hù)響應(yīng)。傳統(tǒng)的分類(lèi)模型主要是基于客戶(hù)的統(tǒng)計(jì)學(xué)特征(如性別、年齡、收入、教育背景等)，這樣的靜態(tài)分類(lèi)模型不能很好的評(píng)估客戶(hù)的盈利能力以及未來(lái)發(fā)展?jié)摿�，在日益�?dòng)態(tài)復(fù)雜的市場(chǎng)營(yíng)銷(xiāo)環(huán)境表現(xiàn)出一定的局限性。隨著機(jī)器學(xué)習(xí)以及數(shù)據(jù)挖掘技術(shù)的發(fā)展，許多分類(lèi)模型和算法被提出用于對(duì)目標(biāo)客戶(hù)的購(gòu)買(mǎi)行為以及生命周期價(jià)值進(jìn)行分類(lèi)。常用的客戶(hù)分類(lèi)算法以及各種方法的優(yōu)缺點(diǎn)比較見(jiàn)表2。
表2 常用的客戶(hù)分類(lèi)算法及優(yōu)缺點(diǎn)比較
1.3.3 客戶(hù)生命周期價(jià)值分析
當(dāng)評(píng)估客戶(hù)的盈利性時(shí)，我們首先會(huì)想到20/80法則：企業(yè)80%的收益來(lái)自于20%的盈利客戶(hù)；同時(shí)，企業(yè)80%的花費(fèi)是由20%的非盈利客戶(hù)所產(chǎn)生的，20/80法則是評(píng)估客戶(hù)的盈利性的一個(gè)非常重要的度量標(biāo)準(zhǔn)。先前的文獻(xiàn)研究可以把CLV 歸納為：企業(yè)從客戶(hù)生命周期交易業(yè)務(wù)中獲取的收益總和減去包括客戶(hù)獲取、營(yíng)銷(xiāo)以及服務(wù)的所有成本的總和。作為企業(yè)重要的戰(zhàn)略資源和最直接利潤(rùn)來(lái)源，客戶(hù)的生命周期價(jià)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(hù)價(jià)值和客戶(hù)盈利能力。RFM 模型是由美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)研究所Arthur Hughes提出的，該模型通過(guò)引入客戶(hù)的近期購(gòu)買(mǎi)行為、購(gòu)買(mǎi)的總體頻率以及消費(fèi)金額三項(xiàng)指標(biāo)來(lái)描述該客戶(hù)的價(jià)值狀況。當(dāng)前關(guān)于CLV的許多研究都是圍繞RFM 模型及其一些擴(kuò)展的模型而展開(kāi)，例如Rosset等把擴(kuò)展的RFM 模型同數(shù)據(jù)挖掘技術(shù)以及其它優(yōu)化算法相結(jié)合，對(duì)客戶(hù)的當(dāng)前價(jià)值以及未來(lái)潛力進(jìn)行評(píng)估。
1.3.4 客戶(hù)保持/流失分析
大量的行業(yè)實(shí)踐表明客戶(hù)保持率提高5 ，利潤(rùn)將會(huì)提高25％ 以上。同時(shí)，獲得一個(gè)新客戶(hù)的成本是保持一個(gè)老客戶(hù)的5倍以上。由此可見(jiàn)，客戶(hù)保持對(duì)公司的持續(xù)盈利能力有著非常重要的影響。客戶(hù)保持/流失分析的目的就是盡可能的留住現(xiàn)有客戶(hù)、吸引新客戶(hù)，減少低價(jià)值客戶(hù)的維護(hù)成本，從而更有針對(duì)性的進(jìn)行營(yíng)銷(xiāo)策劃以及開(kāi)展定向客戶(hù)服務(wù)。
關(guān)于客戶(hù)保持/流失分析的模型很多，傳統(tǒng)的基于統(tǒng)計(jì)分析或者概率的方法(如樸素貝葉斯分類(lèi)、主成分分析、判別分析、logistic回歸分析等)，這些方法在處理大規(guī)模、高維度、含有非線性關(guān)系的客戶(hù)數(shù)據(jù)時(shí)，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(xué)者尋求更加有效的預(yù)測(cè)模型和算法，對(duì)客戶(hù)保持/流失預(yù)警進(jìn)行研究。這主要包括決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、自組織映射SOM、支持向量機(jī)等。這些算法在解決客戶(hù)流失預(yù)警問(wèn)題時(shí)具有很好的非線性映射能力和泛化能力，同時(shí)也具有較高的預(yù)測(cè)精度。
1.4 促銷(xiāo)決策分析
1.4.1 促銷(xiāo)定價(jià)決策
麥肯錫咨詢(xún)公司對(duì)超過(guò)2400個(gè)公司調(diào)查發(fā)現(xiàn)：產(chǎn)品的價(jià)格優(yōu)化改進(jìn)1%，可以使公司的營(yíng)銷(xiāo)利潤(rùn)提高11.1%由此可見(jiàn)，合理的產(chǎn)品定價(jià)對(duì)于企業(yè)的市場(chǎng)營(yíng)銷(xiāo)決策來(lái)說(shuō)至關(guān)重要。價(jià)格折扣已成為零售行業(yè)最常用的促銷(xiāo)手段。一個(gè)正常的市場(chǎng)營(yíng)銷(xiāo)環(huán)境中影響產(chǎn)品定價(jià)的因素很多，如產(chǎn)品質(zhì)量、市場(chǎng)競(jìng)爭(zhēng)情況、產(chǎn)品的季節(jié)性波動(dòng)以及節(jié)假日等，這些內(nèi)在/外在的因素都會(huì)影響著企業(yè)的促銷(xiāo)定價(jià)策略。
傳統(tǒng)的基于計(jì)量統(tǒng)計(jì)的分析方法，由于受到變量及影響因素的限制，在動(dòng)態(tài)復(fù)雜的市場(chǎng)營(yíng)銷(xiāo)環(huán)境中日益暴露其局限性。隨著機(jī)器學(xué)習(xí)以及程序設(shè)計(jì)算法的進(jìn)步，許多更智能的算法和專(zhuān)家系統(tǒng)都被提出，用于優(yōu)化零售企業(yè)的促銷(xiāo)定價(jià)決策。例如王婧等 ；王宏達(dá)等嘞 建立基于改進(jìn)遺傳算法和粒子群算法的動(dòng)態(tài)定價(jià)模型，對(duì)季節(jié)性產(chǎn)品的促銷(xiāo)定價(jià)問(wèn)題進(jìn)行了研究。Roy等把遺傳算法與模糊理論相結(jié)合，對(duì)多門(mén)店多產(chǎn)品的差別促銷(xiāo)定價(jià)問(wèn)題進(jìn)行了研究。
1.4.2 促銷(xiāo)手段選擇
常用的促銷(xiāo)手段包括廣告促銷(xiāo)、價(jià)格折扣、優(yōu)惠券促銷(xiāo)、禮品贈(zèng)送、樣品贈(zèng)送、特惠包裝促銷(xiāo)等。不同的促銷(xiāo)手段會(huì)導(dǎo)致不同的消費(fèi)感知，進(jìn)而影響到消費(fèi)者的購(gòu)買(mǎi)偏好和購(gòu)買(mǎi)行為。在進(jìn)行促銷(xiāo)方式選擇時(shí)，企業(yè)需要對(duì)自身的內(nèi)部情況以及外部的市場(chǎng)環(huán)境因素綜合的進(jìn)行考慮，這些因素可能包括企業(yè)的市場(chǎng)營(yíng)銷(xiāo)戰(zhàn)略、產(chǎn)品的庫(kù)存水平、目標(biāo)客戶(hù)、促銷(xiāo)時(shí)機(jī)以及競(jìng)爭(zhēng)對(duì)手的促銷(xiāo)活動(dòng)等。
對(duì)于促銷(xiāo)組合優(yōu)化問(wèn)題，以郭瑞哲(Kuo R J)為代表的國(guó)立臺(tái)灣科技大學(xué)幾位學(xué)者表現(xiàn)活躍。把模糊理論、神經(jīng)網(wǎng)絡(luò)以及遺傳算法三者相結(jié)合，構(gòu)建智能的預(yù)測(cè)模型，來(lái)衡量不同的價(jià)格折扣以及促銷(xiāo)手段對(duì)于促銷(xiāo)效果的影響程度。其他的一些學(xué)者也對(duì)該問(wèn)題進(jìn)行了研究。Lertuthai等構(gòu)建基于規(guī)則的預(yù)測(cè)模型RRBF，利用歷史促銷(xiāo)數(shù)據(jù)來(lái)預(yù)測(cè)不同的促銷(xiāo)方式和促銷(xiāo)媒介對(duì)于產(chǎn)品銷(xiāo)售量的影響程度。
2 零售促銷(xiāo)優(yōu)化軟件的企業(yè)應(yīng)用現(xiàn)狀
促銷(xiāo)優(yōu)化是零售行業(yè)商務(wù)智能應(yīng)用的一個(gè)重要領(lǐng)域。零售企業(yè)在日常的業(yè)務(wù)運(yùn)作中積累了大量的數(shù)據(jù)，這些數(shù)據(jù)包括訂單信息、庫(kù)存信息、銷(xiāo)售信息、歷史促銷(xiāo)數(shù)據(jù)以及客戶(hù)資料等，這些海量的數(shù)據(jù)中蘊(yùn)含著極具價(jià)值的信息。如果可以有效的加以利用，將會(huì)轉(zhuǎn)化為極具競(jìng)爭(zhēng)力的市場(chǎng)營(yíng)銷(xiāo)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(lè)福、7—11等均已引進(jìn)了相應(yīng)的促銷(xiāo)優(yōu)化軟件，用于優(yōu)化企業(yè)的促銷(xiāo)決策，顯著的提高了企業(yè)的競(jìng)爭(zhēng)能力和成本優(yōu)勢(shì)。國(guó)內(nèi)零售企業(yè)的信息化建設(shè)以及商務(wù)智能應(yīng)用水平較低，還沒(méi)有開(kāi)始廣泛引入促銷(xiāo)優(yōu)化的軟件，也沒(méi)有這方面的成功案例。
國(guó)外促銷(xiāo)優(yōu)化軟件市場(chǎng)的發(fā)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(kāi)發(fā)了面向零售行業(yè)促銷(xiāo)優(yōu)化的智能分析軟件，支持庫(kù)存優(yōu)化、品類(lèi)管理、價(jià)格靈敏度分析以及促銷(xiāo)決策支持等豐富的功能，可以在各個(gè)產(chǎn)品和用戶(hù)級(jí)別上快速完成分析，實(shí)現(xiàn)促銷(xiāo)活動(dòng)分析流程的自動(dòng)化，滿(mǎn)足企業(yè)不同管理層次的決策要求。例如，Oracle公司推出的應(yīng)用集成架構(gòu)解決方案，通過(guò)把Oracle Siebel促銷(xiāo)管理軟件和Oracle Demantra預(yù)測(cè)性貿(mào)易計(jì)劃與促銷(xiāo)優(yōu)化軟件的相關(guān)功能有效集成，支持從促銷(xiāo)前模擬預(yù)測(cè)、促銷(xiāo)活動(dòng)的實(shí)時(shí)監(jiān)控到促銷(xiāo)效果評(píng)估等一系列強(qiáng)大功能，為企業(yè)的促銷(xiāo)策劃提供全方位的決策支持。軟件利用先進(jìn)完善的促銷(xiāo)建模引擎，可以對(duì)客戶(hù)的消費(fèi)行為和促銷(xiāo)歷史數(shù)據(jù)進(jìn)行深入分析，預(yù)測(cè)未來(lái)的促銷(xiāo)策略以及營(yíng)銷(xiāo)方案對(duì)于促銷(xiāo)效果的影響程度，提高整個(gè)促銷(xiāo)流程的可視性。國(guó)外軟件市場(chǎng)上其它的一些常用的促銷(xiāo)優(yōu)化軟件見(jiàn)表3。
表3 主要的零售促銷(xiāo)優(yōu)化軟件
本文回顧了國(guó)內(nèi)外對(duì)于零售行業(yè)促銷(xiāo)優(yōu)化的主要研究方向和最新研究進(jìn)展，分別從需求預(yù)測(cè)、客戶(hù)行為分析、促銷(xiāo)產(chǎn)品分析、促銷(xiāo)決策組合分析四個(gè)角度，對(duì)零售促銷(xiāo)優(yōu)化中常用的商務(wù)智能技術(shù)以及數(shù)據(jù)挖掘算法進(jìn)行了綜述，重點(diǎn)對(duì)促銷(xiāo)優(yōu)化中常用的商務(wù)智能技術(shù)及數(shù)據(jù)挖掘算法的應(yīng)用情況進(jìn)行分類(lèi)和總結(jié)，最后對(duì)促銷(xiāo)優(yōu)化軟件的企業(yè)應(yīng)用現(xiàn)狀進(jìn)行了簡(jiǎn)要介紹。值得注意的是，現(xiàn)實(shí)中的市場(chǎng)營(yíng)銷(xiāo)環(huán)境動(dòng)態(tài)復(fù)雜，本文并沒(méi)有深入探討不同商務(wù)智能技術(shù)的實(shí)際適用性以及現(xiàn)實(shí)可操作性。同時(shí)，本文主要是針對(duì)傳統(tǒng)的終端銷(xiāo)售市場(chǎng)，并沒(méi)有對(duì)電子商務(wù)環(huán)境下網(wǎng)絡(luò)用戶(hù)的消費(fèi)行為以及促銷(xiāo)優(yōu)化進(jìn)行研究，這也可以作為未來(lái)的一個(gè)研究方向。
轉(zhuǎn)載請(qǐng)注明出處：拓步ERP資訊網(wǎng)http://www.oesoe.com/
本文標(biāo)題：商務(wù)智能BI在零售促銷(xiāo)優(yōu)化中的應(yīng)用
相關(guān)文章
