王雪蓉++萬年紅

通過大數(shù)據(jù)技術(shù)挖掘“互聯(lián)網(wǎng)+外貿(mào)”環(huán)境下浙江省跨境電商產(chǎn)品消費記錄，歸納關(guān)鍵因子，設計了產(chǎn)品銷量預測與庫存優(yōu)化策略、算法和綜合模型。實證研究結(jié)果顯示，該模型實現(xiàn)了預測值、期望值、實際值基本走勢同步，預測效果良好，提高了最佳庫存均衡效率，優(yōu)化升級了浙江省產(chǎn)能，具有一定的應用推廣價值。

互聯(lián)網(wǎng)+外貿(mào)跨境電商大數(shù)據(jù)產(chǎn)品銷量預測庫存優(yōu)化

“互聯(lián)網(wǎng)+外貿(mào)”的實質(zhì)是跨境電商，其更進一步促進了跨境電商在線化、數(shù)據(jù)化。對于“互聯(lián)網(wǎng)+外貿(mào)”跨境電商未來產(chǎn)品銷量需進行科學預測，并據(jù)此優(yōu)化產(chǎn)品庫存。關(guān)于該問題的研究，目前有多種方法可以應用，例如專家定量預測、主觀概率預測、回歸分析預測、定性灰色模型、定性時間序列預測、BP神經(jīng)網(wǎng)絡、大數(shù)據(jù)分析以及基于經(jīng)驗模態(tài)分解預測、庫存層次分析法等相關(guān)研究方法。其中，大數(shù)據(jù)分析法是通過消費者在“互聯(lián)網(wǎng)+外貿(mào)”環(huán)境中實施跨境電商活動時留下的產(chǎn)品消費痕跡，實現(xiàn)個性化的產(chǎn)品銷量數(shù)據(jù)定量定性預測，在網(wǎng)絡數(shù)據(jù)搜索計算量、可靠性、穩(wěn)定性、預測誤差、魯棒性等方面相比其他方法更具有良好的銷量預測效率和庫存優(yōu)化效果。

因此本文綜合運用相關(guān)文獻已提出的研究方法，從銷量大數(shù)據(jù)挖掘方法、銷量預測方法以及基于銷量預測結(jié)果的產(chǎn)品庫存優(yōu)化方法三個角度，設計一個“互聯(lián)網(wǎng)+外貿(mào)”背景下基于跨境電商大數(shù)據(jù)的浙江省出口產(chǎn)品銷量預測與庫存優(yōu)化綜合模型。

1“互聯(lián)網(wǎng)+外貿(mào)”背景下跨境電商產(chǎn)品銷量大數(shù)據(jù)挖掘方法

Step1：采用Web頁機器人程序和檢索程序，搜索最大數(shù)量的品牌、型號、類別、產(chǎn)品名、價格、性能、副標題、簡單描述、庫存數(shù)量、銷量統(tǒng)計、產(chǎn)品參數(shù)及詳細參數(shù)等關(guān)鍵詞屬性記錄的采樣數(shù)據(jù)。

Step2：直接從原始數(shù)據(jù)庫中調(diào)用搜索結(jié)果，采用行為模式識別監(jiān)控程序和軌跡追蹤控制函數(shù)GZK（x）對引起消費者注意、興趣、喚起欲望、留下記憶、實施購買行動的諸如商家廣告詞、精致目錄、商品有關(guān)圖片、產(chǎn)品詳細比較說明、效用水平以及趨勢等影響數(shù)據(jù)進行識別、分析、評價，計算數(shù)據(jù)擬合度SJND（i），從而得到影響產(chǎn)品銷量的數(shù)據(jù)庫。

2產(chǎn)品銷量預測與庫存優(yōu)化策略、方法

2.1銷量預測策略、方法

根據(jù)產(chǎn)品銷量大數(shù)據(jù)挖掘結(jié)果，設計“互聯(lián)網(wǎng)+外貿(mào)”背景下基于跨境電商大數(shù)據(jù)的產(chǎn)品銷量預測算法。步驟如下：

Step1：通過采用連乘層次分析和支持向量機聚類方法，線上線下劃分“潛在、初始、經(jīng)常、頻繁、忠誠”五個層次的消費者等級集合XFD，挖掘包括數(shù)據(jù)序列的趨勢特征、外部環(huán)境信息和內(nèi)部經(jīng)營信息等數(shù)據(jù)間的類屬關(guān)系LSi，j。通過建立專家評估偏好矩陣計算五個層次消費者的分類置信值FZXi、影響權(quán)重ηi及整體滿意度ZMDi，進而計算各影響因素對五個層次客戶的影響效用YXYi。

Step2：采用分布式定量預測策略的輪盤賭選擇法從線上數(shù)據(jù)庫中抽取產(chǎn)品內(nèi)容特征NAT、結(jié)構(gòu)特性GAT、拓撲特征TAT、時序特征SAT、用戶回復關(guān)系UHR等元信息特征組成集合QYAT={NATi，GATi，TATi，SATi，UHRi}。

Step3：采用集中式定性預測策略的綜合賦權(quán)法從QYAT中提取關(guān)鍵因子，通過可定制、高擴展性的消費者信息指數(shù)XXIi、情緒指數(shù)XQIi、信心指數(shù)XIIi、工作搜索指數(shù)GSIi及零售信息指數(shù)LXIi等關(guān)鍵詞搜索數(shù)據(jù)，分析在線搜索數(shù)據(jù)與產(chǎn)品銷量間的相關(guān)演化關(guān)系函數(shù)WSXL（x）。

根據(jù)式（1），平滑調(diào)整指數(shù)系數(shù)或?qū)W習累積概率，使函數(shù)WSXL（x）疊代運算多次，使相關(guān)演化關(guān)系調(diào)整量達到指定收斂精度。

Step4：采用多元非線性回歸分析法建立條件集屬性TJS、決策集屬性JCS上的適應度SMD和相應隸屬函數(shù)LSH（x），建立時間間隔區(qū)間上實值預測變量或?qū)傩院瘮?shù)間的依賴關(guān)系RR（x，y），產(chǎn)生問題識別、信息搜索、評價選擇、決策購買、購后評價的規(guī)則知識集GZS以及結(jié)構(gòu)特性鏈接密度和平均密度及意外規(guī)則等，設計如式（2）所示的并行綜合銷量值回歸預測目標函數(shù)：

根據(jù)式（2），通過歐幾里德范數(shù)下的最速下降法，移動平均、分時段地估計消費者可能購買人數(shù)，從而根據(jù)不同的密度屬性預測未來產(chǎn)品銷量。

2.2基于銷量預測結(jié)果的庫存優(yōu)化策略、方法

產(chǎn)品銷量預測是影響庫存的關(guān)鍵因素。

根據(jù)銷量預測策略、方法和回歸預測函數(shù)，收集浙江省供求信息，假設預測的產(chǎn)品總需求量為GRN，生產(chǎn)制造、銷售成本分別為MP和SP，物流成本為WP，均衡庫存量為JHK，采購單價為PRICE，采購成本固定為COST，倉儲費率為RATE，庫存直接、間接總成本為TOTAL。

首先，使ZXLY（x）為單調(diào)函數(shù)，在線獲取銷量預測原始數(shù)據(jù)（訂單數(shù)據(jù)及其處理成本數(shù)據(jù)、倉儲中心及供應商地理位置數(shù)據(jù)、物流配送數(shù)據(jù)），并采用交叉算子計算時間區(qū)間內(nèi)的所有極大值、極小值點。計算COST及RATE值。

其次，通過德爾菲法反復征集、歸納、修改專家的經(jīng)驗值，通過n次樣本插值函數(shù)對所有極大值點進行插值，通過變異算子求解原始庫存上下兩包網(wǎng)絡線波峰值、均衡值及非線性頻率信號，得到最佳采購訂貨批量成本與年倉儲成本之和，最終計算出比較精準的TOTAL值。

最后，根據(jù)“空間聚類”思想，通過過濾函數(shù)篩選過濾極大值、極小值兩端點污染數(shù)據(jù)和誤差，計算庫存安全水平KAL、訂貨提前期內(nèi)需求變動的標準方差BZFC、訂貨提前期天數(shù)N，從而得到如下在線化的庫存效率最優(yōu)解公式ZYJ：

根據(jù)式（3），輸入相關(guān)參數(shù)值，即可定量定性優(yōu)化庫存量、庫存成本與平衡采購數(shù)，實現(xiàn)浙江省供應商選擇、庫存盤點、資金的充分使用，供應商、制造商和零售商根據(jù)預測模型得到預測結(jié)果，共同制定庫存計劃，建立基于大數(shù)據(jù)分析的在線銷售網(wǎng)絡管理系統(tǒng)和在線庫存響應系統(tǒng)，確定庫存優(yōu)化參數(shù)等，將需求量、預測結(jié)果在線集成反饋到庫存信息系統(tǒng)管理部門，從而驅(qū)動智能、高效的庫存均衡與調(diào)撥，提升庫存效率，升級庫存策略和安全水平，消除庫存危機，保障企業(yè)經(jīng)營活動的順利進行。

最后，根據(jù)銷量預測及庫存優(yōu)化策略、方法，構(gòu)建如圖1所示的浙江省出口產(chǎn)品銷量預測與庫存優(yōu)化綜合模型。

3應用實證

3.1實證數(shù)據(jù)分析

本文實證樣本數(shù)據(jù)主要通過各大網(wǎng)絡搜索引擎，根據(jù)浙江省出口產(chǎn)品歷史痕跡挖掘200天之前的引起消費者注意、興趣、喚起欲望、留下記憶、實施購買行動的諸如商家廣告詞、精致目錄、商品有關(guān)圖片、產(chǎn)品詳細比較說明、效用水平以及趨勢等影響外貿(mào)跨境電商銷售量的關(guān)鍵詞搜索指數(shù)。通過數(shù)理統(tǒng)計處理分析產(chǎn)品內(nèi)容特征、結(jié)構(gòu)特性、拓撲特征、時序特征、趨勢特征、用戶回復關(guān)系等元信息特征以及消費者信息指數(shù)、情緒指數(shù)、信心指數(shù)、工作搜索指數(shù)、零售信息指數(shù)及庫存優(yōu)化等關(guān)鍵詞搜索數(shù)據(jù)，劃分消費者等級。

因數(shù)據(jù)的數(shù)量級、殘差和時空范圍不同，因此，需要通過Z-score標準化協(xié)方差矩陣對原始數(shù)據(jù)進行標準化。

3.2實證過程及性能分析

首先，驗證第1章銷量大數(shù)據(jù)挖掘方法是否充分、科學，是否能得到穩(wěn)定的關(guān)鍵因子數(shù)據(jù)挖掘結(jié)果集。實證步驟如下：

Step1：通過對關(guān)鍵詞屬性記錄的采樣數(shù)據(jù)可靠性分析，將任何一個樣本輸入投影到元信息特征空間中，得到一個降維子空間，獲得一組坐標向量。

Step2：根據(jù)向量主成分選擇標準，第一特征值取SJND（i）的最小值，對失效數(shù)據(jù)的總方差取GZK（x）的最大值，多個指標變量可投影到二維平面。

Step3：負梯度定向迭代，分析期望挖掘結(jié)果與實際挖掘結(jié)果的變化和偏差。

該實證結(jié)果表明：經(jīng)多次迭代，當失效影響因素數(shù)據(jù)分布差異較大時，期望挖掘結(jié)果與實際挖掘結(jié)果有較大偏差；反之，當失效影響因素數(shù)據(jù)分布差異較小時，產(chǎn)品歷史銷量關(guān)鍵詞搜索數(shù)據(jù)集拒絕接受非影響數(shù)據(jù)，實際挖掘結(jié)果近似服從標準正態(tài)分布，其銷量預測適應度限定在93.1%的范圍內(nèi)，總方差在可允許的10%以內(nèi)，說明關(guān)鍵數(shù)據(jù)挖掘序列是平穩(wěn)的，得到的關(guān)鍵因子數(shù)據(jù)挖掘結(jié)果集是穩(wěn)定可靠的。

其次，取標準化后的前150組樣本數(shù)據(jù)作為訓練數(shù)據(jù)，剩余205組作為檢驗數(shù)據(jù)。運用訓練回歸手段，驗證產(chǎn)品銷量預測與庫存優(yōu)化策略、方法、綜合模型的實用性。步驟如下：

Step1：模擬預測過程中，可用指數(shù)平滑手段解決150組樣本數(shù)據(jù)的噪音，根據(jù)式（1）-（3）計算具體的實驗結(jié)果，計算可定制、高擴展性的權(quán)重系數(shù)ηi、相關(guān)演化關(guān)系WSXL（x），根據(jù)最近一期的觀察值、期望值、實際值的特征矩陣值、特征向量及貢獻率，采用綜合賦權(quán)法得到預測值。

Step2：將需求量、預測結(jié)果在線集成反饋到庫存信息系統(tǒng)管理部門，改善庫存健康度。

實證效果評價指數(shù)如下：

適應度（可信區(qū)間為[14-18]）、總體方差（可信區(qū)間為[0.0-0.12]）、耦合系數(shù)（可信區(qū)間為[20-26]）、緊致歸屬度（可信區(qū)間為[0.88-1.0]、最佳庫存均衡率（可信區(qū)間為[0.9-1.0]））。這些指數(shù)通過如下均方偏差公式來獲得：

模型綜合效果如表1所示。

從表1來看，模擬預測過程中，剔除了一些極值點污染數(shù)據(jù)和偏差，模型得到了較為充分的擬合，可定制的耦合系數(shù)、適應度、緊致歸屬度、最佳庫存均衡率得到了有效提升，總體方差、誤差得到了有效控制。這說明通過產(chǎn)品內(nèi)容、結(jié)構(gòu)、拓撲、時序、趨勢、用戶回復關(guān)系等元信息特征以及消費者信息、情緒、信心、工作搜索、零售信息指數(shù)及庫存優(yōu)化等關(guān)鍵詞搜索特征矩陣值、特征向量及貢獻率得到的最近一期的觀察值、期望值、實際值的基本走勢是同步的，可以據(jù)此求得相應的與實際值偏差不大的之后各期的預測值，并篩選過濾極大值、極小值兩端點污染數(shù)據(jù)和誤差，計算庫存安全水平KAL、訂貨提前期內(nèi)需求變動的標準方差BZFC、訂貨提前期天數(shù)N，具有出最佳庫存均衡效率。

因此，實驗證明了“互聯(lián)網(wǎng)+外貿(mào)”背景下基于跨境電商大數(shù)據(jù)的浙江省出口產(chǎn)品銷量預測與庫存優(yōu)化策略、方法、綜合模型具有一定的實用價值。

4結(jié)論

產(chǎn)品銷量預測是影響庫存優(yōu)化的關(guān)鍵因素。通過挖掘、分析產(chǎn)品銷量大數(shù)據(jù)并預測未來銷量已成為“互聯(lián)網(wǎng)+外貿(mào)”跨境電商的重要研究領(lǐng)域。本文通過各大網(wǎng)絡搜索引擎，挖掘浙江省消費者購買產(chǎn)品的歷史痕跡關(guān)鍵詞搜索指數(shù)，劃分消費者等級，構(gòu)建穩(wěn)定可靠的關(guān)鍵因子數(shù)據(jù)庫，從而設計了“互聯(lián)網(wǎng)+外貿(mào)”背景下基于跨境電商大數(shù)據(jù)的浙江省出口產(chǎn)品銷量預測與庫存優(yōu)化策略、方法、綜合模型，實驗顯示相關(guān)指數(shù)均達到了要求。但由于“互聯(lián)網(wǎng)+”的完全開放性以及大數(shù)據(jù)內(nèi)容包羅萬象，本文將它們應用到跨境電商產(chǎn)品銷量預測與庫存優(yōu)化的方法和手段實際是抽象、不夠全面的，因此，論文作者今后還需要掌握更全面更具體的研究方法，進一步解決本論文研究的不足。

參考文獻：

[1]王翀.跨境電商是有出有進的“互聯(lián)網(wǎng)+外貿(mào)”[J].國際貿(mào)易問題， 2016，31（1）：65-73.

[2]崔東佳.大數(shù)據(jù)時代背景下的品牌汽車銷量預測的實證研究[D].河南大學， 2014.5-44.

[3]王碧宏.大數(shù)據(jù)時代下跨境電商發(fā)展的影響因素研究[J].佳木斯職業(yè)學院學報， 2014（12）：188-189.

[4]肖俊峰.外貿(mào)企業(yè)市場銷量影響因素及預測統(tǒng)計分析[J].國際商貿(mào)， 2016（2）：217-218.

[5]慕檸嚀.零售進銷存管理優(yōu)化研究[D].河北工程大學， 2013.5-56.

[6]鮑祥霖.一個新的銷量預測模型[J].系統(tǒng)工程理論方法應用， 2014，9（1）：83-88.

課題資助：浙江省社會科學界聯(lián)合會研究課題成果（2017Z03）。