郭鵬

貴陽(yáng)學(xué)院經(jīng)濟(jì)管理學(xué)院，貴州 貴陽(yáng) 550005

收益管理中基于大數(shù)據(jù)倉(cāng)庫(kù)的需求無(wú)約束估計(jì)：框架與挑戰(zhàn)

郭鵬

貴陽(yáng)學(xué)院經(jīng)濟(jì)管理學(xué)院，貴州 貴陽(yáng) 550005

現(xiàn)有需求無(wú)約束估計(jì)方法均為基于公司內(nèi)部數(shù)據(jù)倉(cāng)庫(kù)中所獲需求信息而開(kāi)發(fā)，在當(dāng)前基于大數(shù)據(jù)分析的激烈競(jìng)爭(zhēng)市場(chǎng)環(huán)境中，無(wú)法滿足收益管理系統(tǒng)日益增長(zhǎng)的實(shí)時(shí)需求預(yù)測(cè)和優(yōu)化決策分析需要。為了實(shí)時(shí)、動(dòng)態(tài)地同時(shí)獲取并分析內(nèi)部和外部數(shù)據(jù)資源中有關(guān)每位顧客的無(wú)約束需求數(shù)據(jù)，包括結(jié)構(gòu)化和非結(jié)構(gòu)化的信息，提出了以面向收益管理需求無(wú)約束估計(jì)為主題的大數(shù)據(jù)倉(cāng)庫(kù)框架，并據(jù)此討論了無(wú)約束需求知識(shí)挖掘以及需求無(wú)約束估計(jì)商務(wù)智能分析工具開(kāi)發(fā)應(yīng)用過(guò)程中面臨的各項(xiàng)挑戰(zhàn)。

revenue management, demand forecasting, unconstraining estimation, data warehouse, big data, business intelligence, sentiment analysis

1 引言

收益管理（revenue management，RM）理論誕生至今，研究者對(duì)其進(jìn)行了多種定義，其中被引用最多的是：“以最佳的顧客和經(jīng)營(yíng)者滿意度，在正確的時(shí)間以正確的價(jià)格將正確的產(chǎn)品銷售給正確的顧客[1]?！盧M的目標(biāo)是通過(guò)對(duì)易逝性產(chǎn)品存量的優(yōu)化控制和管理來(lái)最大化公司的盈利能力，其整個(gè)決策過(guò)程依賴于顧客需求數(shù)據(jù)。但是，在RM優(yōu)化策略實(shí)施過(guò)程中，未能成功預(yù)訂到偏好產(chǎn)品的顧客的需求會(huì)帶來(lái)“溢出（spill）”和“再現(xiàn)（recapture）”效應(yīng)。因此，在對(duì)未來(lái)需求進(jìn)行預(yù)測(cè)之前，需要對(duì)歷史顧客真實(shí)需求進(jìn)行無(wú)約束估計(jì)（unconstraining estimation）[2-4]。事實(shí)上，需求無(wú)約束估計(jì)不僅是RM需求預(yù)測(cè)的核心問(wèn)題之一[5]，在大數(shù)據(jù)背景下的企業(yè)競(jìng)爭(zhēng)情報(bào)深度學(xué)習(xí)過(guò)程中，它更是一項(xiàng)充滿挑戰(zhàn)的基礎(chǔ)性工作，其對(duì)顧客歷史真實(shí)需求的準(zhǔn)確估計(jì)決定著預(yù)測(cè)效果的好壞，并直接影響整個(gè)收益管理系統(tǒng)（revenue management system，RMS）商務(wù)智能（business intelligence，BI）實(shí)施的成敗。

商務(wù)分析的開(kāi)展需要基于大數(shù)據(jù)集合的高級(jí)分析技術(shù)，為使RMS能夠更好地與如今急速發(fā)展的基于機(jī)器學(xué)習(xí)的BI相結(jié)合，RM智能商務(wù)分析應(yīng)該包含如下3方面的內(nèi)容：大數(shù)據(jù)的收集與管理、基于數(shù)據(jù)描述和預(yù)測(cè)的規(guī)律性分析以及智能決策[6,7]。同時(shí)，數(shù)量本身并不能代表大數(shù)據(jù)，還應(yīng)具有其他一些特點(diǎn)，比如產(chǎn)生數(shù)據(jù)的高速性、多樣性和復(fù)雜性等[8]。與大數(shù)據(jù)相關(guān)的各種概念被描述為一類技術(shù)，它們能夠完成信息系統(tǒng)科學(xué)研究中一條最基本的原則：在正確的時(shí)間以正確的數(shù)量、質(zhì)量將正確的信息提供給正確的接收方。因此，基于大數(shù)據(jù)的BI有助于提高RMS中的需求預(yù)測(cè)效果，并為RM需求無(wú)約束估計(jì)方法創(chuàng)新和方式轉(zhuǎn)變提供了一次前所未有的機(jī)會(huì)[9-11]。

除了收集關(guān)于顧客需求的數(shù)據(jù)外，RMS中的需求無(wú)約束估計(jì)引擎還需采集市場(chǎng)份額、銷售渠道、代理費(fèi)、價(jià)格、客座/入住/租車率等維度的數(shù)據(jù)。張建城等人[12]對(duì)適合我國(guó)國(guó)情和市場(chǎng)特色的RM預(yù)測(cè)系統(tǒng)的總體設(shè)計(jì)進(jìn)行了探討；馮興杰[13]、王紅[14]、李麗娟等人[15]根據(jù)我國(guó)民航RM的實(shí)際應(yīng)用分析，分別對(duì)RMS數(shù)據(jù)倉(cāng)庫(kù)（data warehouse，DW）的設(shè)計(jì)和構(gòu)建進(jìn)行了研究；滿青珊等人[16]設(shè)計(jì)了我國(guó)區(qū)域航空公司RM的DW總體架構(gòu)，以艙位銷售和成本管理為主題建立了RM決策支持系統(tǒng)。

但是，在移動(dòng)互聯(lián)網(wǎng)爆發(fā)式增長(zhǎng)、在線旅行社（online travel agency，OTA）帶來(lái)的巨大沖擊并造成自身生存空間岌岌可危的新形勢(shì)下，開(kāi)發(fā)和使用內(nèi)部數(shù)據(jù)資源不足以保證RMS應(yīng)用企業(yè)在市場(chǎng)中的競(jìng)爭(zhēng)優(yōu)勢(shì)。上述RM研究中的DW主要是由發(fā)生在組織內(nèi)部的交易和查詢信息組成；同時(shí)，現(xiàn)有的需求無(wú)約束估計(jì)方法均是基于公司內(nèi)部DW中的需求信息而開(kāi)發(fā)的[2-4]，在描述、計(jì)算和分析過(guò)程中并未考慮來(lái)自于外部數(shù)據(jù)源中的數(shù)據(jù)，這造成了現(xiàn)有方法在大數(shù)據(jù)背景下的應(yīng)用局限，無(wú)法滿足RMS實(shí)時(shí)預(yù)測(cè)、機(jī)器學(xué)習(xí)、智能優(yōu)化決策和可視化分析的需要。因此，在RM實(shí)踐中有必要轉(zhuǎn)向考慮大數(shù)據(jù)倉(cāng)庫(kù)（big data warehouse，BDW）的開(kāi)發(fā)和應(yīng)用，它是由內(nèi)部和外部數(shù)據(jù)集合共同構(gòu)成的[17]。本文首先提出了一種以面向RM需求無(wú)約束估計(jì)為主題的BDW框架，然后據(jù)此對(duì)RM需求知識(shí)挖掘以及需求無(wú)約束估計(jì)BI開(kāi)發(fā)應(yīng)用過(guò)程中所面臨的挑戰(zhàn)進(jìn)行了探討。需要指出的是，本文所提RM需求無(wú)約束估計(jì)BDW框架是一般化的，可適用于其他行業(yè)和研究領(lǐng)域，本文僅以航空客運(yùn)、酒店和汽車租賃等RM應(yīng)用行業(yè)為例展開(kāi)具體說(shuō)明。

2 問(wèn)題描述

2.1 收益管理中的需求無(wú)約束估計(jì)問(wèn)題

（1）歷史顧客真實(shí)需求信息的缺失

在航空客運(yùn)、酒店、汽車租賃和體育娛樂(lè)等RM應(yīng)用行業(yè)中，為了在RM實(shí)踐中引導(dǎo)顧客購(gòu)買具有高利潤(rùn)率的產(chǎn)品，公司通常會(huì)對(duì)產(chǎn)品的可用性進(jìn)行控制，并在整個(gè)優(yōu)化決策過(guò)程中始終平衡好以下兩方面的工作：一方面，在產(chǎn)品資源豐富的情況下對(duì)低價(jià)格產(chǎn)品的銷售；另一方面，在預(yù)售期結(jié)束以前對(duì)高價(jià)格產(chǎn)品的預(yù)留保護(hù)。任何上述類似的策略都高度依賴于需求預(yù)測(cè)，而且必然會(huì)面臨由“受截尾需求（censored demand）”引起的歷史顧客真實(shí)需求信息缺失現(xiàn)象：當(dāng)產(chǎn)品預(yù)訂總量達(dá)到了“預(yù)訂限制（booking limit） ”數(shù)量后，隨后到來(lái)的歷史真實(shí)需求被系統(tǒng)“駁回”，并受到了拒絕。這部分被拒絕的歷史顧客可能最終會(huì)放棄購(gòu)買，并成為“溢出需求（spilled demand）”；也可能繼續(xù)選擇購(gòu)買價(jià)格更高（buy-up）或更便宜（buy-down）的可預(yù)訂產(chǎn)品，并成為“再現(xiàn)需求（recaptured demand）”“升艙需求（upgrading demand）”或“子艙位變更需求（upselling demand）”。

在上述任何一種情況下，預(yù)售系統(tǒng)記錄和剩余可用替代產(chǎn)品的可觀察需求都不能反映歷史顧客的第一選擇（first choice），系統(tǒng)內(nèi)的需求信息具有不完備性。觀察到的“受截尾需求”是由歷史顧客重新預(yù)訂（re-book）、重復(fù)問(wèn)詢（duplicate）、潛在的取消預(yù)訂（wouldbe cancellation）和已預(yù)定而未登機(jī)/到店（no-shows）行為共同造成的，不能代表顧客的“初始需求（primary demand）”。基于“受截尾需求”進(jìn)行預(yù)測(cè)必將導(dǎo)致錯(cuò)誤的動(dòng)態(tài)定價(jià)、存量控制和超售等決策結(jié)果，直接造成公司總收入的“螺旋式下降（spiral-down）”現(xiàn)象[18]。

（2）需求無(wú)約束估計(jì)和無(wú)約束需求預(yù)測(cè)

為避免上述情況的發(fā)生，可將在預(yù)測(cè)未來(lái)顧客需求以前，對(duì)歷史乘客“初始需求”分布參數(shù)的估計(jì)過(guò)程稱為“需求無(wú)約束估計(jì)（demand unconstraining estimation）”，也可稱為需求的非限化估計(jì)（detruncating estimation）、溢出分析（spill analysis）和截尾數(shù)據(jù)分析（censored data analysis），整個(gè)過(guò)程使用的方法被稱為“無(wú)約束估計(jì)方法（unconstraining method）”[2-4,19,20]。

一般來(lái)講，可將通過(guò)無(wú)約束估計(jì)得到的需求數(shù)據(jù)稱為“無(wú)約束需求數(shù)據(jù)（unconstrained demand data）”，而基于它的預(yù)測(cè)過(guò)程被稱為“無(wú)約束需求預(yù)測(cè)（demand forecasting based on unconstraining）”[21]。已有研究表明，即使在需求水平很低的情況下，“無(wú)約束需求數(shù)據(jù)”對(duì)公司收入的影響也達(dá)到了3.5%[22]，同時(shí)，無(wú)約束估計(jì)過(guò)程對(duì)公司收入的改進(jìn)率為2%～12%[23]。RM需求無(wú)約束估計(jì)方法的發(fā)展和應(yīng)用已有近40年的歷史（1977—2017年），按照采用的技術(shù)手段可將其分為3類：基礎(chǔ)法（basic method）、數(shù)理統(tǒng)計(jì)法（statistical method）和選擇模型（choice-based model）法，參考文獻(xiàn)[2-4]分別對(duì)現(xiàn)有方法的研究進(jìn)行了綜述。在考慮競(jìng)爭(zhēng)和顧客選擇行為的情況下，不同無(wú)約束估計(jì)方法對(duì)公司收入貢獻(xiàn)率的差別可達(dá)到2%～15%[24]。

P?lt S[25]在其研究中提到，在將預(yù)訂系統(tǒng)中可觀察到的歷史預(yù)訂數(shù)據(jù)輸入RMS以前，應(yīng)該做“無(wú)約束化”處理，如圖11所示。無(wú)約束估計(jì)可以縮小RMS需要的“無(wú)約束需求數(shù)據(jù)”和系統(tǒng)觀察到的“受截尾需求數(shù)據(jù)”之間的差距，其主要功能是為優(yōu)化決策順序?qū)嵤┻^(guò)程中的預(yù)測(cè)模型提供能反映真實(shí)情況的需求信息，它可被看作對(duì)歷史顧客真實(shí)需求的“預(yù)測(cè)”。Weatherford L R[26]對(duì)RMS優(yōu)化策略順序?qū)嵤┻^(guò)程中一個(gè)完整的預(yù)測(cè)系統(tǒng)應(yīng)包括的具體步驟進(jìn)行了描述，如圖22所示，對(duì)截尾需求數(shù)據(jù)的無(wú)約束估計(jì)是無(wú)約束需求預(yù)測(cè)過(guò)程的關(guān)鍵。

2.2 基于大數(shù)據(jù)倉(cāng)庫(kù)的收益管理需求無(wú)約束估計(jì)

（1）大數(shù)據(jù)背景下的收益管理商務(wù)智能

數(shù)據(jù)收集的維度、規(guī)模和活性是傳統(tǒng)RM決策平臺(tái)與大數(shù)據(jù)平臺(tái)成功融合的重要戰(zhàn)略資產(chǎn)和創(chuàng)新驅(qū)動(dòng)力，而獲取、轉(zhuǎn)化處理以及挖掘需求數(shù)據(jù)價(jià)值的能力也是大數(shù)據(jù)時(shí)代RM實(shí)踐企業(yè)面臨的戰(zhàn)略性重大課題。正是意識(shí)到了上述機(jī)會(huì)，越來(lái)越多的RMS實(shí)踐企業(yè)都將大數(shù)據(jù)作為“數(shù)據(jù)基因重組”的基礎(chǔ)。

BI是通過(guò)對(duì)新機(jī)會(huì)的識(shí)別，并基于深刻學(xué)習(xí)實(shí)施有效戰(zhàn)略的一種方法，它為業(yè)務(wù)提供能帶來(lái)市場(chǎng)優(yōu)勢(shì)和長(zhǎng)期穩(wěn)定性的競(jìng)爭(zhēng)情報(bào)[27]，是將企業(yè)中現(xiàn)有數(shù)據(jù)轉(zhuǎn)化為知識(shí)，并據(jù)此為業(yè)務(wù)經(jīng)營(yíng)決策的制定提供支撐的系統(tǒng)架構(gòu)[28]。一般來(lái)講，BI系統(tǒng)由如下一系列技術(shù)、概念和階段構(gòu)成：數(shù)據(jù)集成、DW、在線聯(lián)機(jī)分析處理（online analytical processing，OLAP）多維數(shù)據(jù)集、數(shù)據(jù)挖掘方法和分析工具。

為了商業(yè)分析的目的，公司依靠將數(shù)據(jù)轉(zhuǎn)化為有意義可用知識(shí)的一系列大數(shù)據(jù)技術(shù)和工具，基于競(jìng)爭(zhēng)情報(bào)的BI便可被開(kāi)發(fā)和獲取，這些技術(shù)和工具包括推薦系統(tǒng)、社交網(wǎng)絡(luò)分析、新產(chǎn)品分析、定價(jià)策略分析和情感分析等[29]。在大數(shù)據(jù)時(shí)代，RMS實(shí)踐企業(yè)需要通過(guò)交流、購(gòu)買等方式，從同行業(yè)其他公司或大數(shù)據(jù)提供商等渠道掌握行業(yè)內(nèi)或不同行業(yè)的直接或跨界需求數(shù)據(jù)，進(jìn)行相互補(bǔ)充、印證、后驗(yàn)和預(yù)測(cè)，并在此過(guò)程中強(qiáng)化淡旺季營(yíng)銷，形成新的商業(yè)模式和盈利增長(zhǎng)點(diǎn)[30]。

圖1 收益管理系統(tǒng)動(dòng)態(tài)決策過(guò)程[25]

圖2 收益管理“無(wú)約束需求預(yù)測(cè)”過(guò)程[26]

（2）大數(shù)據(jù)倉(cāng)庫(kù)與實(shí)時(shí)需求無(wú)約束估計(jì)

BDW的概念主要是指抽取、整合以及存儲(chǔ)來(lái)自于各種數(shù)據(jù)源的大量數(shù)據(jù)的行為，其可能同時(shí)包括結(jié)構(gòu)化（structured）和非結(jié)構(gòu)化（unstructured）的數(shù)據(jù)[31,32]。傳統(tǒng)的RMS站在目標(biāo)市場(chǎng)細(xì)分的角度比較產(chǎn)品剩余存量和需求預(yù)測(cè)值，并依靠預(yù)測(cè)和估計(jì)得到的需求概率值進(jìn)行決策。而基于BDW的RMS需求無(wú)約束估計(jì)BI能夠?qū)崟r(shí)和動(dòng)態(tài)地訪問(wèn)有關(guān)每位顧客的信息，它們是伴隨與預(yù)訂直接或間接相關(guān)的在線活動(dòng)而動(dòng)態(tài)產(chǎn)生的，通過(guò)與其他潛在的未來(lái)顧客預(yù)訂請(qǐng)求信息結(jié)合，BDW就有可能支持實(shí)時(shí)需求無(wú)約束估計(jì)和預(yù)測(cè)。當(dāng)具有對(duì)每位顧客的真實(shí)需求、偏好和支付意愿進(jìn)行即時(shí)評(píng)估的能力時(shí)，真實(shí)的目標(biāo)和最有效的優(yōu)化決策就能夠達(dá)成。

上述機(jī)會(huì)可用經(jīng)濟(jì)理論來(lái)解釋，即BDW將支持淘汰目前行業(yè)中得到普遍應(yīng)用、低效率的三級(jí)價(jià)格歧視模型（thirddegree price discrimination model），并轉(zhuǎn)變到使用一級(jí)價(jià)格歧視模型（firstdegree price discrimination model）或完全價(jià)格歧視模型，公司能夠依靠后者獲取絕大部分的消費(fèi)者剩余[11]。因此，本文所提基于BDW的RM需求無(wú)約束估計(jì)框架將有助于提高企業(yè)在大數(shù)據(jù)環(huán)境中的BI實(shí)時(shí)決策競(jìng)爭(zhēng)力。

3 框架的設(shè)計(jì)

當(dāng)今社會(huì)，信息、創(chuàng)造力和知識(shí)在任何決策的制定和執(zhí)行過(guò)程中都扮演著重要角色。為了應(yīng)對(duì)全球化競(jìng)爭(zhēng)，設(shè)計(jì)和制定允許收集、組織和處理內(nèi)部與外部需求信息的機(jī)制顯得尤其重要。出于對(duì)大數(shù)據(jù)時(shí)代下RM實(shí)時(shí)需求預(yù)測(cè)與優(yōu)化決策的考慮，以差異化的方式對(duì)收集到的需求信息進(jìn)行無(wú)約束估計(jì)，這在RMS實(shí)踐中的所有層面都是十分重要的。這樣做的目的在于減少RM決策制定過(guò)程中的不確定性，并跟蹤優(yōu)化模型順序?qū)嵤┻^(guò)程中涉及的那些最為敏感的參數(shù)。圖33是本文所提面向以RM需求無(wú)約束估計(jì)為主題的BDW框架設(shè)計(jì)，對(duì)其設(shè)計(jì)機(jī)理和實(shí)施階段的描述可分為以下6個(gè)方面。

（1）需求數(shù)據(jù)抽取設(shè)計(jì)

這一階段主要是指自動(dòng)地從數(shù)據(jù)源中收集需求相關(guān)信息，這些需求數(shù)據(jù)既包括內(nèi)部計(jì)算機(jī)預(yù)售系統(tǒng)、離港系統(tǒng)、?？拖到y(tǒng)、全球分銷系統(tǒng)（global distribution system，GDS）和中央預(yù)訂系統(tǒng)（central reservation system，CRS）中的旅客實(shí)名記錄（passenger name records，PNR）、用戶查詢?nèi)罩居涗洝㈩櫩蛡€(gè)人資料、消費(fèi)者心理資料和忠誠(chéng)度類型等信息，還包括從外部網(wǎng)絡(luò)環(huán)境中獲取的數(shù)據(jù)。本文設(shè)計(jì)的大數(shù)據(jù)倉(cāng)庫(kù)框架不將論述重點(diǎn)放在如何從公司內(nèi)部數(shù)據(jù)庫(kù)中獲取需求數(shù)據(jù)（具體可參見(jiàn)參考文獻(xiàn)[12-16]的研究），而僅針對(duì)從外部網(wǎng)絡(luò)資源中提取需求相關(guān)信息的工作進(jìn)行探討。

自從互聯(lián)網(wǎng)被發(fā)明以來(lái)，服務(wù)行業(yè)中的大部分交易都可通過(guò)電子化手段完成，比如，如今的旅客在進(jìn)行與旅行相關(guān)的所有活動(dòng)時(shí)，都會(huì)留下電子化的“足跡”。圍繞顧客預(yù)訂選擇行為和享受服務(wù)的整個(gè)過(guò)程，可將RM應(yīng)用行業(yè)的需求數(shù)據(jù)分為預(yù)訂數(shù)據(jù)、過(guò)程數(shù)據(jù)和反饋數(shù)據(jù)。其中，預(yù)訂數(shù)據(jù)包括顧客“初始需求”在企業(yè)官網(wǎng)、OTA網(wǎng)站和搜索引擎上的選擇行為數(shù)據(jù)，反映了整個(gè)市場(chǎng)的需求狀況和顧客偏好信息；過(guò)程數(shù)據(jù)包括顧客登機(jī)、入住、駕駛租賃車輛時(shí)產(chǎn)生的常規(guī)和個(gè)性化數(shù)據(jù)；反饋數(shù)據(jù)包括顧客通過(guò)各種渠道的點(diǎn)評(píng)和反饋信息。

（2）需求數(shù)據(jù)存儲(chǔ)設(shè)計(jì)

在完成上一階段的工作后，需要高速存儲(chǔ)大量且多樣的數(shù)據(jù)。本文將用于存儲(chǔ)來(lái)自于內(nèi)部和外部數(shù)據(jù)源需求信息的數(shù)據(jù)庫(kù)稱為主數(shù)據(jù)庫(kù)（primary database，PDB），它可被用于同時(shí)存儲(chǔ)結(jié)構(gòu)化和非結(jié)構(gòu)化的信息。為了分析歷史顧客的需求表現(xiàn)或預(yù)測(cè)未來(lái)需求的趨勢(shì)，需求數(shù)據(jù)可以從PDB中獲取，并聚集成一些單元化的信息。同時(shí)，該P(yáng)DB也是用來(lái)創(chuàng)建和進(jìn)行時(shí)間序列分析的基礎(chǔ)。

圖3 基于大數(shù)據(jù)倉(cāng)庫(kù)的收益管理需求無(wú)約束估計(jì)框架

（3）需求數(shù)據(jù)集成設(shè)計(jì)

由于不同數(shù)據(jù)源中數(shù)據(jù)格式上的差異，需要采用不同的技術(shù)從PDB中提?。╡xtraction）、轉(zhuǎn)換（transformation）和加載（load）相關(guān)信息，完成數(shù)據(jù)的ETL階段。通過(guò)對(duì)數(shù)據(jù)源的識(shí)別，在提取過(guò)程中選擇和獲取相關(guān)數(shù)據(jù)。在需求數(shù)據(jù)轉(zhuǎn)換過(guò)程中，需考慮PDB中所有相關(guān)數(shù)據(jù)的清理、標(biāo)準(zhǔn)化以及集成等任務(wù)，以支持分析工具。數(shù)據(jù)加載過(guò)程主要是指對(duì)需求數(shù)據(jù)進(jìn)行存儲(chǔ)和更新。需求數(shù)據(jù)集成中的關(guān)鍵任務(wù)是異構(gòu)數(shù)據(jù)源需求信息的提取，結(jié)構(gòu)化和半結(jié)構(gòu)化的需求信息通常通過(guò)語(yǔ)言、語(yǔ)義或基于約束的信息集成技術(shù)提取，而非結(jié)構(gòu)化需求信息則由基于統(tǒng)計(jì)語(yǔ)言模型或自然語(yǔ)言處理的包裝類以及文本挖掘方法獲取[33,34]。

（4）大數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)

在以上階段完成后，PDB中不同數(shù)據(jù)源的異構(gòu)需求數(shù)據(jù)被映射到統(tǒng)一的數(shù)據(jù)格式，并被存儲(chǔ)到一個(gè)二級(jí)數(shù)據(jù)庫(kù)（secondary database，SDB）中，它包含了與顧客需求相關(guān)的所有數(shù)據(jù)，本文將該SDB稱為BDW。為了能夠精確支持RM需求無(wú)約束估計(jì)BI分析，該BDW允許大數(shù)據(jù)分析工具的開(kāi)發(fā)和應(yīng)用，其中包括數(shù)據(jù)挖掘、OLAP、情感分析（sentiment analysis）以及意見(jiàn)挖掘（opinion mining）。在考慮適合存儲(chǔ)、分析和信息處理的數(shù)據(jù)模型基礎(chǔ)上，選擇與RM需求無(wú)約束估計(jì)工作最相關(guān)的顧客需求信息進(jìn)行描述、預(yù)測(cè)和優(yōu)化。在某些情況下，企業(yè)決策者也可考慮使用與某個(gè)部門(mén)或某項(xiàng)活動(dòng)普遍相關(guān)的數(shù)據(jù)子集，其所構(gòu)成的數(shù)據(jù)庫(kù)被稱為數(shù)據(jù)集市（data mart，DM），它既可依賴于BDW，也可獨(dú)立于其之外。這樣，企業(yè)便可通過(guò)考慮信息結(jié)構(gòu)多維模型，并使用DM來(lái)滿足RM需求無(wú)約束估計(jì)BI分析的需要。

（5）無(wú)約束需求知識(shí)的生成

如前所述，RM預(yù)測(cè)和優(yōu)化決策所需的無(wú)約束需求知識(shí)可主要通過(guò)數(shù)據(jù)挖掘、OLAP和情感分析等方法獲取。數(shù)據(jù)挖掘方法包括人工智能算法在歷史數(shù)據(jù)中發(fā)現(xiàn)需求知識(shí)的各種應(yīng)用，同時(shí)對(duì)RMS實(shí)踐中的不同策略實(shí)施結(jié)果進(jìn)行預(yù)測(cè)[35]。數(shù)據(jù)挖掘任務(wù)可分為如下兩個(gè)部分：描述和預(yù)測(cè)。一方面，描述任務(wù)被認(rèn)為是規(guī)則的識(shí)別，這些規(guī)則被用來(lái)特征化歷史需求數(shù)據(jù)，它同樣包含一些技術(shù)，比如聚類和匯總。另一方面，預(yù)測(cè)任務(wù)則是指恰當(dāng)?shù)卮_定能夠定義一個(gè)變量行為的新模型，它可被用來(lái)估計(jì)未來(lái)的變量值。需要指出的是，這里的預(yù)測(cè)任務(wù)是為RM需求無(wú)約束估計(jì)BI分析服務(wù)的，并且可與OLAP多維數(shù)據(jù)集一同用來(lái)探索BDW或者DM中的信息，它可站在不同的商業(yè)角度進(jìn)行無(wú)約束需求信息挖掘。另外，還需對(duì)顧客情感方面的內(nèi)容進(jìn)行檢測(cè)和處理，而情感分析也可被用來(lái)幫助解決由數(shù)據(jù)到知識(shí)的轉(zhuǎn)換問(wèn)題[36-38]。

數(shù)據(jù)挖掘、OLAP和情感分析層面上由淺至深的轉(zhuǎn)換、描述和分析等工作的順利開(kāi)展，為基于BDW的RM需求無(wú)約束估計(jì)、預(yù)測(cè)和優(yōu)化決策分析體系的建立提供了依據(jù)和保障。這同時(shí)也涉及從注重?cái)?shù)據(jù)的“精確化”到承認(rèn)“不精確”、從追溯因果關(guān)系到依靠相關(guān)關(guān)系的大數(shù)據(jù)應(yīng)用理念的轉(zhuǎn)變，以求需求無(wú)約束估計(jì)結(jié)果更加接近RM實(shí)踐中的真實(shí)情況。

（6）無(wú)約束需求知識(shí)的應(yīng)用

從以上各階段獲得的無(wú)約束需求數(shù)據(jù)、信息和知識(shí)形成了體量巨大的大數(shù)據(jù)鏈條。同時(shí)，將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，使文本、圖片、視頻及其他媒介數(shù)據(jù)有效地流動(dòng)、歸類和整合，并最終形成顧客行為的畫(huà)像數(shù)據(jù)庫(kù)，包括不同粒度下的顧客無(wú)約束需求量、選擇性概率和產(chǎn)品忠誠(chéng)度等量化指標(biāo)，實(shí)現(xiàn)信息呈現(xiàn)方式的可視化[39]，提高操作、分析和決策效率，規(guī)避運(yùn)作風(fēng)險(xiǎn)，這些始終是大數(shù)據(jù)應(yīng)用的技術(shù)重點(diǎn)[40]。這些需求分析工具允許對(duì)那些生成企業(yè)管理報(bào)告或儀表板的無(wú)約束需求數(shù)據(jù)進(jìn)行分析調(diào)查，這些報(bào)告和儀表板可能以圖形、文字和表格的形式來(lái)呈現(xiàn)，其中可包括從數(shù)據(jù)挖掘任務(wù)、交互式查詢、關(guān)鍵績(jī)效指標(biāo)、多維數(shù)據(jù)集、平衡記分卡、需求無(wú)約束估計(jì)和預(yù)測(cè)方法等方面得到的各種結(jié)果。

4 面臨的挑戰(zhàn)

為實(shí)現(xiàn)大數(shù)據(jù)背景下RM需求無(wú)約束估計(jì)BI系統(tǒng)的應(yīng)用要求，在上述所有階段中采用適當(dāng)?shù)姆椒ㄊ欠浅Ｖ匾?，基于本文所提BDW框架，對(duì)需求數(shù)據(jù)進(jìn)行提取、存儲(chǔ)、集成和應(yīng)用時(shí)，還面臨著如下3個(gè)方面的挑戰(zhàn)。

4.1 外部網(wǎng)絡(luò)資源中需求信息的提取

如前所述，提取外部網(wǎng)絡(luò)資源的顧客需求數(shù)據(jù)對(duì)RM需求無(wú)約束估計(jì)具有重要意義，包括顧客的搜索方式、對(duì)各種營(yíng)銷策略的反應(yīng)、購(gòu)買競(jìng)爭(zhēng)對(duì)手產(chǎn)品所支付的價(jià)格、預(yù)訂或購(gòu)買后對(duì)產(chǎn)品的評(píng)價(jià)等數(shù)據(jù)。同時(shí)，可將外部數(shù)據(jù)源分為結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，前者包括交易數(shù)據(jù)、問(wèn)卷和評(píng)分?jǐn)?shù)據(jù)等，而后者則可能是自由文本形式的網(wǎng)絡(luò)評(píng)論以及包括網(wǎng)絡(luò)視頻數(shù)據(jù)在內(nèi)的Web 2.0時(shí)代的各種豐富信息內(nèi)容。RM應(yīng)用行業(yè)市場(chǎng)營(yíng)銷人員需要獲取大量的此類外部需求信息進(jìn)行無(wú)約束估計(jì)、預(yù)測(cè)和制定優(yōu)化決策，并通過(guò)使用BI分析技術(shù)促進(jìn)自身產(chǎn)品以最優(yōu)的價(jià)格賣給正確的顧客。

在基于網(wǎng)絡(luò)的RM應(yīng)用行業(yè)商業(yè)模式發(fā)展早期，外部的行業(yè)需求數(shù)據(jù)是可以從公司官方網(wǎng)站和OTA網(wǎng)站上直接獲取的，為了促進(jìn)產(chǎn)品銷售，開(kāi)放和公開(kāi)這些數(shù)據(jù)是符合數(shù)據(jù)提供方利益的。但現(xiàn)如今，這一情況卻迅速地發(fā)生著變化，基于互聯(lián)網(wǎng)的外部資源信息不再免費(fèi)，并且不再容易收集。一方面，電商網(wǎng)站不愿承擔(dān)由于數(shù)據(jù)開(kāi)放而使其服務(wù)器過(guò)載的后果，這將導(dǎo)致其正常的在線預(yù)售功能受到影響，它們?cè)噲D通過(guò)簽訂基于應(yīng)用程序編程接口（application programming interface，API）的商業(yè)合同來(lái)確保自身的利益，這些API能使客戶訪問(wèn)其網(wǎng)站引擎，并獲取規(guī)定的數(shù)據(jù)，但通常情況下，此類API商業(yè)合同并不便宜。另一方面，僅靠人工作業(yè)方式實(shí)時(shí)地從外部網(wǎng)絡(luò)資源中提取大量數(shù)據(jù)幾乎是不可能完成的任務(wù)。因此，上述兩方面的因素為自動(dòng)化信息提取技術(shù)的誕生創(chuàng)造了條件[41]。

當(dāng)網(wǎng)頁(yè)的HTML結(jié)構(gòu)保持不變時(shí)，開(kāi)發(fā)能夠從特定網(wǎng)站中自動(dòng)分析語(yǔ)法和提取數(shù)據(jù)的機(jī)理并不困難。目前，已有針對(duì)利用Web爬蟲(chóng)（Web crawler）從外部網(wǎng)絡(luò)信息系統(tǒng)中提取數(shù)據(jù)的一系列研究，F(xiàn)errara E等人[42]對(duì)其應(yīng)用和技術(shù)做了文獻(xiàn)綜述，其中僅有一小部分文獻(xiàn)以B2C為主題進(jìn)行了研究（可參見(jiàn)Ghobadi A等人[43]的研究）。另外，如果網(wǎng)站管理員或程序員決定改變文檔對(duì)象模型（document object model，DOM）樹(shù)結(jié)構(gòu)或標(biāo)簽屬性，比如在開(kāi)發(fā)過(guò)程中使用JavaScript①https://www. javascript.com/和Ajax②http://api. jquery.com/ category/ajax/技術(shù)來(lái)執(zhí)行與電子商務(wù)有關(guān)的交互活動(dòng)，以方便人們交流，并可根據(jù)以往的輸入將信息展示給顧客，在此情況下，就必須對(duì)數(shù)據(jù)的提取機(jī)理進(jìn)行重新定義或調(diào)整，而該情況經(jīng)常會(huì)發(fā)生在需要從中獲取RM顧客需求信息的電商網(wǎng)站上。國(guó)內(nèi)外已有針對(duì)上述問(wèn)題的一系列研究成果（如Martins D等人[41]、Baumgartner R等人[44]、周岳騫等人③http://www. paper.edu.cn/ releasepaper/ content/ 201601-181、時(shí)永坤[45]的研究），采用的Web爬蟲(chóng)工具包括WebDriver④http://www. w3.org/TR/ webdriver、Xpath⑤http://www. w3.org/TR/ xpath等。盡管如此，基于上述工具的數(shù)據(jù)提取不是一個(gè)完全無(wú)監(jiān)督的過(guò)程，如果頁(yè)面布局發(fā)生變化，還需要依靠人工監(jiān)督協(xié)助完成。在未來(lái)，有必要結(jié)合RMS實(shí)施實(shí)踐，開(kāi)發(fā)適用于RM需求無(wú)約束估計(jì)的改進(jìn)版Web爬蟲(chóng)，以便實(shí)現(xiàn)對(duì)頁(yè)面布局修改的自動(dòng)檢測(cè)和“理解”以及在網(wǎng)絡(luò)需求大數(shù)據(jù)提取的自動(dòng)化、精確度和速度等方面的平衡[46,47]。

4.2 結(jié)構(gòu)化和非結(jié)構(gòu)化需求信息的集成和存儲(chǔ)

本文所提BDW框架的第一階段主要針對(duì)使用Web爬蟲(chóng)工具從特定網(wǎng)頁(yè)中進(jìn)行數(shù)據(jù)提取，雖然不是所有被提取到的需求數(shù)據(jù)都能被用到RM需求無(wú)約束估計(jì)模型中，但這一過(guò)程卻容易產(chǎn)生用于被存儲(chǔ)的大量非結(jié)構(gòu)化原始動(dòng)態(tài)需求數(shù)據(jù)。本文所提框架的目標(biāo)是使用多個(gè)Web爬蟲(chóng)工具從多個(gè)電子商務(wù)網(wǎng)站中同時(shí)提取數(shù)據(jù)，由于電商網(wǎng)站經(jīng)常會(huì)添加和刪除新字段，且每個(gè)網(wǎng)站提供者會(huì)使用不同的方式對(duì)相同的產(chǎn)品進(jìn)行描述，提取過(guò)程針對(duì)不同網(wǎng)站的相同產(chǎn)品可能會(huì)得到不同的信息，因此，幾乎不可能針對(duì)一系列的電商網(wǎng)站專門(mén)設(shè)計(jì)并維持一種具有合理結(jié)構(gòu)的關(guān)系數(shù)據(jù)庫(kù)（relational database，RDB）架構(gòu)[43]。為了存儲(chǔ)這些信息，需要依靠動(dòng)態(tài)存儲(chǔ)數(shù)據(jù)庫(kù)技術(shù)來(lái)實(shí)現(xiàn)，NoSQL數(shù)據(jù)庫(kù)就是選擇之一[48]。由于從不同網(wǎng)站中提取到的數(shù)據(jù)不具有相同的設(shè)計(jì)，其所具有的非模式化屬性在非結(jié)構(gòu)化動(dòng)態(tài)需求數(shù)據(jù)存儲(chǔ)時(shí)就顯得非常重要[49]。

一旦搜集到來(lái)自于不同網(wǎng)絡(luò)渠道中的非結(jié)構(gòu)化數(shù)據(jù)，RM需求無(wú)約束估計(jì)BDW框架中的ETL過(guò)程就具有更高規(guī)模的復(fù)雜性。相同含義的數(shù)據(jù)會(huì)基于不同的名稱被分類，這增加了整理提取需求信息的必要性，以保證存儲(chǔ)在BDW中的信息對(duì)于需求無(wú)約束估計(jì)工作的一致性和可靠性。因此，有必要對(duì)PDB中的需求數(shù)據(jù)進(jìn)行清理和轉(zhuǎn)化，并在這之后將經(jīng)過(guò)整理的需求數(shù)據(jù)加載到BDW中。這是BDW框架設(shè)計(jì)過(guò)程中面臨的另一項(xiàng)挑戰(zhàn)。

為了建立BDW，首先需要獲取數(shù)據(jù)在PDB中的具體存儲(chǔ)位置，以適當(dāng)?shù)姆绞郊虞d到整理程序的內(nèi)存中。其次，如果需求信息是字符串格式，比如名稱、日期、全球定位系統(tǒng)（global positioning system，GPS）坐標(biāo)和價(jià)格等，有必要做一些轉(zhuǎn)換工作，使來(lái)自于不同數(shù)據(jù)源需求信息的存儲(chǔ)格式具有一致性。同時(shí)，還應(yīng)設(shè)計(jì)一種算法將對(duì)使用Web爬蟲(chóng)從不同渠道中提取到的需求信息進(jìn)行匹配，以避免由于PDB文件中ID信息分配機(jī)制而造成的對(duì)相同需求信息的重復(fù)存儲(chǔ)和沖突問(wèn)題。在對(duì)來(lái)自于不同渠道的信息進(jìn)行取舍時(shí)，應(yīng)事先確定各種渠道的優(yōu)先級(jí)。如果是顧客評(píng)論類的自由文本需求信息，則需要借助不斷更新的數(shù)據(jù)詞典（data dictionary）、詞匯數(shù)據(jù)庫(kù)（lexical database）和語(yǔ)義網(wǎng)（semantic Web），根據(jù)上下文的語(yǔ)境解釋其具體含義[50-52]。由于每則評(píng)論代表一個(gè)不同的觀點(diǎn)，并可能來(lái)自于不同的個(gè)體，因此，對(duì)評(píng)論類的需求信息不應(yīng)進(jìn)行配對(duì)與合并，而僅將其進(jìn)行格式轉(zhuǎn)換后存儲(chǔ)[17]。在不可能將出現(xiàn)在NoSQL數(shù)據(jù)庫(kù)中的信息轉(zhuǎn)化為結(jié)構(gòu)化信息的情況下，在BDW中有必要考慮語(yǔ)義的概念，比如可以借助WordNet⑥http://wordnet. princeton.edu工具對(duì)文本或語(yǔ)料庫(kù)進(jìn)行語(yǔ)義分析，以便進(jìn)行一個(gè)適當(dāng)?shù)臄?shù)據(jù)處理和轉(zhuǎn)換過(guò)程，并且在之后將信息以一種適當(dāng)?shù)慕Y(jié)構(gòu)進(jìn)行存儲(chǔ)。

在完成上述工作后，為了建立需求信息之間的邏輯關(guān)系，需要建立它們之間的實(shí)體關(guān)系（entity-relationship，E-R）模型，將非結(jié)構(gòu)化信息轉(zhuǎn)化為結(jié)構(gòu)化信息。比如，可轉(zhuǎn)化為關(guān)系數(shù)據(jù)庫(kù)模型（relational database model，RDBM），并遵守一定的數(shù)據(jù)存儲(chǔ)順序和路由規(guī)則，將PDB中的數(shù)據(jù)以“多對(duì)多”以及類似的關(guān)系存儲(chǔ)到BDW的表格中。因此，為了便于RM需求無(wú)約束估計(jì)BI系統(tǒng)的最后使用，BDW應(yīng)該被設(shè)計(jì)為具有規(guī)范格式和存儲(chǔ)規(guī)則的關(guān)系數(shù)據(jù)庫(kù)。最后，除了整合從不同數(shù)據(jù)源中收集到的信息以外，一旦與RM需求無(wú)約束估計(jì)相關(guān)的歷史數(shù)據(jù)和信息發(fā)生變化，有必要對(duì)它們進(jìn)行實(shí)時(shí)的更新與維護(hù)。

4.3 收益管理需求無(wú)約束估計(jì)商務(wù)智能應(yīng)用

作為大數(shù)據(jù)背景下需求競(jìng)爭(zhēng)情報(bào)評(píng)估的一項(xiàng)基礎(chǔ)性工作，在能夠獲取外部數(shù)據(jù)源需求信息的基礎(chǔ)上，RM需求無(wú)約束估計(jì)BI應(yīng)用分析面臨著如下新的挑戰(zhàn)。

（1）基于網(wǎng)絡(luò)搜索數(shù)據(jù)的需求無(wú)約束估計(jì)

隨著大數(shù)據(jù)相關(guān)領(lǐng)域的發(fā)展，針對(duì)網(wǎng)絡(luò)搜索數(shù)據(jù)與社會(huì)經(jīng)濟(jì)活動(dòng)之間相關(guān)性的研究也隨之廣泛開(kāi)展。其中，來(lái)自國(guó)內(nèi)外的一系列研究均驗(yàn)證了網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)旅游需求量的時(shí)空動(dòng)態(tài)變化的解釋能力，比如基于谷歌和百度指數(shù)等建立旅游需求的預(yù)測(cè)模型[53-61]。但是，現(xiàn)有研究?jī)H證明了網(wǎng)絡(luò)搜索數(shù)據(jù)與歷史可觀察旅客需求量之間的相關(guān)性，并未涉及旅客網(wǎng)絡(luò)搜索數(shù)據(jù)與歷史無(wú)約束需求量之間的相關(guān)關(guān)系，即未從RM需求無(wú)約束估計(jì)的角度進(jìn)行研究，而無(wú)約束需求數(shù)據(jù)是任何形式需求預(yù)測(cè)的數(shù)據(jù)基礎(chǔ)。因此，為了提高基于此類方法進(jìn)行預(yù)測(cè)的準(zhǔn)確性和有效性，有必要對(duì)基于網(wǎng)絡(luò)搜索數(shù)據(jù)的需求無(wú)約束估計(jì)進(jìn)行研究，并建立相應(yīng)的計(jì)量經(jīng)濟(jì)無(wú)約束估計(jì)模型。

（2）基于顧客查詢數(shù)據(jù)的需求無(wú)約束估計(jì)

由本文所提BDW框架可知，從外部數(shù)據(jù)源獲取的需求信息既可以是Web爬蟲(chóng)或網(wǎng)絡(luò)機(jī)器人從網(wǎng)頁(yè)中提取的顧客網(wǎng)絡(luò)查詢記錄，也可以是從第三方大數(shù)據(jù)提供商（比如GDS和CRS）獲取的顧客查詢?nèi)罩?。相較于從內(nèi)部數(shù)據(jù)源獲取的實(shí)時(shí)客流數(shù)據(jù)，上述兩類顧客查詢數(shù)據(jù)更具預(yù)知性。周岳騫[62]對(duì)航空客運(yùn)行業(yè)的研究表明，相較于傳統(tǒng)的基于歷史客運(yùn)量需求模型，在對(duì)突發(fā)性事件需求預(yù)測(cè)方面，基于GDS查詢?nèi)罩緮?shù)據(jù)的需求指數(shù)模型在準(zhǔn)確性和敏感性方面都表現(xiàn)出很大優(yōu)勢(shì)。今后的發(fā)展趨勢(shì)應(yīng)在充分考慮顧客選擇行為的基礎(chǔ)上，結(jié)合顧客選擇模型探索基于顧客查詢數(shù)據(jù)的需求無(wú)約束估計(jì)方法，在提高精度的基礎(chǔ)上進(jìn)行實(shí)時(shí)的RM需求無(wú)約束估計(jì)和預(yù)測(cè)。

（3）基于顧客情感分析的需求無(wú)約束估計(jì)

如前所述，情感分析或意見(jiàn)挖掘技術(shù)可能是本文設(shè)計(jì)框架中最大的挑戰(zhàn)之一，它包括自然語(yǔ)言處理、計(jì)算語(yǔ)言學(xué)和文本挖掘，是一組處理意見(jiàn)數(shù)據(jù)，并試圖從中獲取有價(jià)值信息的一類技術(shù)[63]。語(yǔ)義是PDB文本字段內(nèi)容信息挖掘的關(guān)鍵之一，同時(shí)，還需考慮顧客的評(píng)價(jià)數(shù)據(jù)以及怎樣將情感分析應(yīng)用到與組織相關(guān)的產(chǎn)品情報(bào)中。這些都是意見(jiàn)挖掘過(guò)程中具有挑戰(zhàn)性的主題，也是很難實(shí)現(xiàn)的部分，在所設(shè)計(jì)的框架中主要體現(xiàn)在將PDB中的信息存儲(chǔ)到BDW的階段，而后者對(duì)基于顧客情感分析的RM需求無(wú)約束估計(jì)的影響會(huì)更大。如何通過(guò)電商平臺(tái)和社交網(wǎng)絡(luò)顧客評(píng)價(jià)中的情感信息與真實(shí)的歷史顧客需求建立聯(lián)系，即如何判斷顧客的積極和消極觀點(diǎn)對(duì)最終顧客預(yù)定行為的影響，并在此基礎(chǔ)上，結(jié)合機(jī)器學(xué)習(xí)和人工智能算法進(jìn)行實(shí)時(shí)的需求無(wú)約束估計(jì)，是大數(shù)據(jù)RM今后的研究趨勢(shì)之一。

5 結(jié)束語(yǔ)

隨著信息技術(shù)的發(fā)展和成功應(yīng)用，如今的互聯(lián)網(wǎng)時(shí)代被稱作大數(shù)據(jù)時(shí)代，其應(yīng)用核心是大數(shù)據(jù)分析，這是一個(gè)令人激動(dòng)的新研究領(lǐng)域。管理學(xué)領(lǐng)域在大數(shù)據(jù)背景下的變革主要體現(xiàn)在公共管理、工商管理和管理工程3個(gè)方面[64]。運(yùn)籌與決策科學(xué)是大數(shù)據(jù)BI的一個(gè)核心概念，作為運(yùn)籌學(xué)（Operations Research，OR）中快速發(fā)展的重要分支之一，同時(shí)也是管理科學(xué)、計(jì)算機(jī)技術(shù)等在實(shí)際應(yīng)用中最為成功的學(xué)科之一，RM基于對(duì)市場(chǎng)動(dòng)態(tài)的理解，建立相應(yīng)的策略，預(yù)測(cè)和引導(dǎo)顧客的行為，并從固定的資源中獲取最大化的收入和利潤(rùn)。實(shí)施RM需求無(wú)約束估計(jì)、預(yù)測(cè)和最優(yōu)決策所需的數(shù)據(jù)量是巨大的，并且具有實(shí)時(shí)、高速、多樣和復(fù)雜等特性，這恰恰說(shuō)明了采用目前被稱為BDW概念的必要性。

大數(shù)據(jù)分析能夠幫助航空、酒店和汽車租賃等RM應(yīng)用行業(yè)更好地了解自身在競(jìng)爭(zhēng)市場(chǎng)中的優(yōu)勢(shì)和劣勢(shì)，考慮到基于網(wǎng)絡(luò)的現(xiàn)代服務(wù)市場(chǎng)環(huán)境變化迅速，公司所有者需要實(shí)時(shí)的可視化業(yè)務(wù)信息來(lái)檢測(cè)競(jìng)爭(zhēng)者情況，并需要對(duì)遇到的問(wèn)題進(jìn)行自動(dòng)化的實(shí)時(shí)解答，在此情況下，BDW就是一個(gè)必要的信息系統(tǒng)。本文針對(duì)RM需求無(wú)約束估計(jì)問(wèn)題提出了相應(yīng)的BDW框架，從不同外部數(shù)據(jù)源中高速搜集到大量信息，連同組織內(nèi)部的數(shù)據(jù)一起構(gòu)成了BDW。本文的研究能幫助RM應(yīng)用行業(yè)在精細(xì)化地洞察顧客歷史真實(shí)購(gòu)買行為的基礎(chǔ)上，對(duì)市場(chǎng)需求情況進(jìn)行實(shí)時(shí)無(wú)約束估計(jì)和預(yù)測(cè)，發(fā)現(xiàn)細(xì)微的模式和關(guān)聯(lián)，據(jù)此匹配顧客需求，優(yōu)化產(chǎn)品的設(shè)計(jì)、成本結(jié)構(gòu)和維護(hù)監(jiān)控，并提供個(gè)性化、差異化服務(wù)，快速地響應(yīng)市場(chǎng)，開(kāi)展精準(zhǔn)營(yíng)銷，形成大數(shù)據(jù)生產(chǎn)力。

與開(kāi)發(fā)一個(gè)信息系統(tǒng)所需要的概念類似，如今開(kāi)發(fā)和應(yīng)用一個(gè)BDW也已成為了可能，但是這需要傳統(tǒng)數(shù)據(jù)庫(kù)與外部數(shù)據(jù)資源的融合，因此有必要考慮一些新技術(shù)，比如Web爬蟲(chóng)、NoSQL數(shù)據(jù)庫(kù)、數(shù)據(jù)詞典、詞匯數(shù)據(jù)庫(kù)、語(yǔ)義網(wǎng)絡(luò)和情感分析等。另一方面，由于需求無(wú)約束估計(jì)問(wèn)題在RM理論與實(shí)踐中扮演著重要角色，在大數(shù)據(jù)背景下面臨著如何基于網(wǎng)絡(luò)搜索和查詢數(shù)據(jù)以及情感分析等信息對(duì)顧客歷史“初始需求”進(jìn)行實(shí)時(shí)精細(xì)化估計(jì)的挑戰(zhàn)。基于這些挑戰(zhàn)而開(kāi)發(fā)的RM大數(shù)據(jù)分析工具，其對(duì)BI的成功實(shí)施和應(yīng)用具有重要的支撐作用，符合當(dāng)今企業(yè)和社會(huì)的發(fā)展趨勢(shì)。

在有缺貨情況的庫(kù)存管理、存在替代產(chǎn)品的零售業(yè)生產(chǎn)規(guī)劃、無(wú)線通信行業(yè)顧客需求估計(jì)與存量計(jì)劃以及基于需求預(yù)測(cè)的現(xiàn)代旅游服務(wù)供應(yīng)鏈管理等情形的研究領(lǐng)域中，如何準(zhǔn)確估計(jì)顧客需求“溢出”和“再現(xiàn)”效應(yīng)的問(wèn)題同樣受到了普遍關(guān)注[40,61,65-67]。因此，本文所提基于BDW的RM需求無(wú)約束估計(jì)框架不僅適用于傳統(tǒng)RM應(yīng)用行業(yè)，其運(yùn)行機(jī)理還可被一般化到上述其他行業(yè)中。另外，由于RM需求無(wú)約束估計(jì)在本質(zhì)上屬于壽命數(shù)據(jù)（lifetime data）問(wèn)題處理的范疇[68-70]，本文所提框架在未來(lái)衍生出的新方法也可被應(yīng)用于需要廣泛收集數(shù)據(jù)的生命可靠性測(cè)試、醫(yī)學(xué)臨床實(shí)驗(yàn)、疾病預(yù)測(cè)和醫(yī)療保健等領(lǐng)域。

[1] CROSS R G. Revenue management: hardcore tactics for market domination [M]. New York: The Broadway Books, 1997.

[2] GUO P, XIAO B C, LI J. Unconstraining methods in revenue management systems: research overview and prospects[J]. Advances in Operations Research, 2012, 2012(270910): 1-23.

[3] AZADEH S S, MARCOTTE P, SAVARD G. A taxonomy of demand uncensoring methods in revenue management[J]. Journal of Revenue and Pricing Management, 2014, 13(6): 440-456.

[4] WEATHERFORD L. The history of unconstraining models in revenue management[J]. Journal of Revenue and Pricing Management, 2016, 15(3): 222-228.

[5] WEATHERFORD L. The history of forecasting models in revenue management[J]. Journal of Revenue and Pricing Management, 2016, 15(3): 212-221.

[6] 黃宜華. 大數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)研究進(jìn)展[J]. 大數(shù)據(jù), 2015,1(1): 2015004. HUANG Y H. Research progress on big data machine learning system [J]. Big Data Research, 2015, 1(1): 2015004.

[7] 孟小峰, 慈祥. 大數(shù)據(jù)管理: 概念、技術(shù)與挑戰(zhàn)[J]. 計(jì)算機(jī)研究與發(fā)展, 2013, 50(1): 146-169. MENG X F, CI X. Big data management: concepts, techniques and challenges[J]. Journal of Computer Research and Development, 2013, 50(1): 146-169.

[8] 李國(guó)杰, 程學(xué)旗. 大數(shù)據(jù)研究:未來(lái)科技及經(jīng)濟(jì)社會(huì)發(fā)展的重大戰(zhàn)略領(lǐng)域——大數(shù)據(jù)的研究現(xiàn)狀與科學(xué)思考[J]. 中國(guó)科學(xué)院院刊, 2012, 27(6): 5-15. LI G J, CHENG X Q. Research status and scientific thinking of big data[J]. Bulletin of Chinese Academy of Sciences, 2012, 27(6): 5-15.

[9] SCHERMANN M, KRCMAR H, HEMSEN H, et al. Big data - an interdisciplinary opportunity for information systems research[J]. Business & Information Systems Engineering, 2014, 6(5): 261-266.

[10] 徐宗本, 馮芷艷, 郭迅華, 等. 大數(shù)據(jù)驅(qū)動(dòng)的管理與決策前沿課題[J]. 管理世界, 2014, 30(11): 158-163. XU Z B, FENG Z Y, GUO X H, et al. Leading issues in the big data driven management and decision making[J]. Management World, 2014, 30(11): 158-163.

[11] XUAN L W, HEO C Y, SCHWARTZ Z, et al. Revenue management: progress, challenges, and research prospects[J]. Journal of Travel & Tourism Marketing, 2015, 32(7): 797-811.

[12] 張建城, 朱金福. 航空公司收益管理預(yù)測(cè)系統(tǒng)的總體設(shè)計(jì)[J]. 中國(guó)科技信息, 2004, 15(24): 107. ZHANG J C, ZHU J F. The overall design of airline revenue management forecasting system[J]. China Science and Technology Information, 2004, 15(24): 107.

[13] 馮興杰. 基于數(shù)據(jù)倉(cāng)庫(kù)的收益管理系統(tǒng)結(jié)構(gòu)設(shè)計(jì)[J]. 中國(guó)民航學(xué)院學(xué)報(bào), 2003, 21(S2): 122-126. FENG X J. Structure design of revenue management system based on data warehouse[J]. Journal of Civil Aviation University of China, 2003, 21(S2): 122-126.

[14] 王紅. 航空公司客運(yùn)收益管理系統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)的設(shè)計(jì)[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2004, 21(6): 49-50. WANG H. The design of data warehousing of the civil aviation revenue manage system[J]. Computer Applications and Software, 2004, 21(6): 49-50.

[15] 李麗娟, 夏洪山. 收益管理系統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)模型建立研究[J]. 江蘇航空, 2007, 26(3): 5-7. LI L J, XIA H S. The data warehousing modeling of revenue management system[J]. Jiangsu Aviation, 2007, 26(3): 5-7.

[16] 滿青珊, 張金隆, 韋司瀅, 等. 區(qū)域航空收益管理數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)與實(shí)現(xiàn)[J]. 情報(bào)雜志, 2009, 28(12): 122-126. MAN Q S, ZHANG J L, WEI S Y, et al. Design and implement of regional airline revenue management data warehouse[J]. Journal of Intelligence, 2009, 28(12): 122-126.

[17] RAMOS C, CORREIA M, RODRIGUES J, et al. Big data warehouse framework for smart revenue management[C]// Naun International Conference on Management, Marketing, Tourism, Retail, Finance and Computer Applications, June 10, 2015, Tenerife, Canary Islands, Spain. [S.l.:s.n.], 2015: 13-22.

[18] COOPER W L, HOMEM-DE-MELLO T, KLEYWEGT A J. Models of the spiraldown effect in revenue management[J]. Operations Research, 2006, 54(5): 968-987.

[19] VULCANO G, RYZIN G V, RATLIFF R. Estimating primary demand for substitutable products from sales transaction data[J]. Operations Research, 2012, 60(2): 313-334.

[20] RYZIN G V, VULCANO G. A market discovery algorithm to estimate a general class of nonparametric choice models[J]. Management Science, 2015, 61(2): 281-300.

[21] 羅利, 蕭柏春. 收入管理理論的研究現(xiàn)狀及發(fā)展前景[J]. 管理科學(xué)學(xué)報(bào), 2004, 7(5): 75-83. LUO L, XIAO B C. Revenue management: state-of-the-art and future prospects [J]. Journal of Management Sciences in China, 2004, 7(5): 75-83.

[22] SKWAREK D K. Revenue and traffic impacts of alternative detruncation methods[C]// AGIFORS Reservations and Yield Management Study Group, October 11, 1996, Zurich, Switzerland. [S.l.:s.n.], 1996.

[23] WEATHERFORD L R, P?LT S. Better unconstraining of airline demand data in revenue management systems for improved forecast accuracy and greater revenues[J]. Journal of Revenue and Pricing Management, 2002, 1(3): 234-254.

[24] WEATHERFORD L R. Improved revenues from various unconstraining methods in a passenger origin-destination simulator (PODS) environment with semi-restricted fares [J]. Journal of Revenue and Pricing Management, 2013, 12(1): 60-82.

[25] P?LT S. From bookings to demand: the process of unconstraining [C]// AGIFORS Reservations and Yield Management Study Group, October 5, 2000, New York, NY, USA. [S.l.:s.n.], 2000.

[26] WEATHERFORD L R. Unconstraining methods [C]// AGIFORS Reservations and Yield Management Study Group, October 5, 2000, New York, NY, USA. [S.l.:s.n.], 2000.

[27] RUD O P. Business intelligence success factors tools for aligning your business in the global economy[M]. Hoboken N J: Wiley & Sons, 2009.

[28] 喬向杰, 張凌云. 知識(shí)型旅游目的地管理平臺(tái)框架及其構(gòu)建[J]. 人文地理, 2014, 138(4): 104-110. QIAO X J, ZHANG L Y. Framework and construction of a knowledgeable destination[J]. Human Geography, 2014, 138(4): 104-110.

[29] 程學(xué)旗, 靳小龍, 王元卓, 等. 大數(shù)據(jù)系統(tǒng)和分析技術(shù)綜述[J]. 軟件學(xué)報(bào), 2014, 25(9): 1889-1908. CHENG X Q, JIN X L, WANG Y Z, et al. Survey on big data system and analytic technology[J]. Journal of Software, 2014, 25(9): 1889-1908.

[30] 馮芷艷, 郭迅華, 曾大軍, 等. 大數(shù)據(jù)背景下商務(wù)管理研究若干前沿課題[J]. 管理科學(xué)學(xué)報(bào), 2013, 16(1): 1-9. FENG Z Y, GUO X H, ZENG D J, et al. On the research frontiers of business management in the context of big data[J]. Journal of Management Sciences in China, 2013, 16(1): 1-9.

[31] MOHANTY S, JAGADEESH M, SRIVATSA H. Big data imperatives: enterprise ‘big data’ warehouse, ‘BI’ implementations and analytics[M]. California: Apress, 2013.

[32] TRIA F D, LEFONS E, TANGORRA F. Big data warehouse automatic design methodology[J]. Big Data Management, Technologies, and Applications, 2014(2): 115-149.

[33] FUCHS M, ABADZHIEV A, SVENSSON B, et al. A knowledge destination framework for tourism sustainability: a business intelligence application from Sweden [J]. Tourism, 2013, 6(2): 121-148.

[34] FUCHS M, H?PKEN W, LEXHAGEN M. Big data analytics for knowledge generation in tourism destinations - a case from Sweden[J]. Journal of Destination Marketing & Management, 2014, 3(4): 198-209.

[35] 李濤, 曾春秋, 周武柏, 等. 大數(shù)據(jù)時(shí)代的數(shù)據(jù)挖掘——從應(yīng)用的角度看大數(shù)據(jù)挖掘[J].大數(shù)據(jù), 2015, 1(1): 2015041. LI T, ZENG C Q, ZHOU W B, et al. Data mining in the era of big data: from the application perspective [J]. Big Data Research, 2015, 1(1): 2015041.

[36] 張紫瓊, 葉強(qiáng), 李一軍. 互聯(lián)網(wǎng)商品評(píng)論情感分析研究綜述[J]. 管理科學(xué)學(xué)報(bào), 2010, 13(6): 84-96. ZHANG Z Q, YE Q, LI Y J. Literaturereview on sentiment analysis of online product reviews [J]. Journal of Management Sciences in China, 2010, 13(6): 84-96.

[37] 徐健. 基于網(wǎng)絡(luò)用戶情感分析的預(yù)測(cè)方法研究[J]. 中國(guó)圖書(shū)館學(xué)報(bào), 2013, 39(3): 96-107. XU J. Research on predicting methods based on network user sentiment analysis[J]. Journal of Library Science in China, 2013, 39(3): 96-107.

[38] 涂海麗, 唐曉波. 基于在線評(píng)論的游客情感分析模型構(gòu)建[J]. 現(xiàn)代情報(bào), 2016, 36(4): 70-77. TU H L, TANG X B. Tourist sentiment analysis model building based on online reviews [J]. Journal of Modern Information, 2016, 36(4): 70-77.

[39] 任磊, 杜一, 馬帥, 等. 大數(shù)據(jù)可視分析綜述[J]. 軟件學(xué)報(bào), 2014, 25(9): 1909-1936. REN L, DU Y, MA S, et al. Visual analytics towards big data [J]. Journal of Software, 2014, 25(9): 1909-1936.

[40] 陳濤, 李佼. 基于大數(shù)據(jù)的旅游服務(wù)供應(yīng)鏈管理研究[J]. 電子政務(wù), 2013, 132(12): 32-40. CHEN T, LI J. Study on the tourism service supply chain management based on big data [J]. E-Government, 2013, 132(12): 32-40.

[41] MARTINS D, LAM R, RODRIGUES J, et al. A Web crawler framework for revenue management[C]//The 14th Int. Conf. on Artificial Intelligence, Knowledge Engineering and Data Bases (AIKED '15), January 10, 2015, Tenerife, Canary Islands, Spain. [S.l.:s.n.], 2015: 88-97.

[42] FERRARA E, DE MEO P, FIUMARA G, et al. Web data extraction, applications and techniques: a survey [J]. Knowledge-Based Systems, 2014, 70(C): 301-323.

[43] GHOBADI A, RAHGOZAR M. An ontology based semantic extraction approach for B2C e-commerce [J]. The International Arab Journal of Information Technology, 2011, 8(2): 163-170.

[44] BAUMGARTNER R, CERESNA M, LEDERMULLER G. Deep web navigation in web data extraction [C]// International Conference on Computational Intelligence for Modelling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce, November 28-30, 2005, Vienna, Austria. New Jersey: IEEE Press, 2005: 698-703.

[45] 時(shí)永坤. 基于WebDriver的定向網(wǎng)絡(luò)爬蟲(chóng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 軟件, 2016, 37(9): 94-97. SHI Y K. Design and implement of WebDriver based crawler [J]. Computer Engineering & Software, 2016, 37(9): 94-97.

[46] 王元卓, 靳小龍, 程學(xué)旗. 網(wǎng)絡(luò)大數(shù)據(jù): 現(xiàn)狀與展望[J]. 計(jì)算機(jī)學(xué)報(bào), 2013, 36(6): 1125-1138. WANG Y Z, JIN X L, CHENG X Q. Network big data: present and future[J]. Chinese Journal of Computers, 2013, 36(6): 1125-1138.

[47] QIU T, YANG T. Automatic information extraction from e-commerce web sites [C]//The International Conference on E-Business and E-Government, ICEE 2010, May 7-9, 2010, Guangzhou, China. New Jersey: IEEE Press, 2010: 1399-1402.

[48] 申德榮, 于戈, 王習(xí)特, 等. 支持大數(shù)據(jù)管理的NoSQL 系統(tǒng)研究綜述[J]. 軟件學(xué)報(bào), 2013, 24(8): 1786-1803. SHEN D R, YU G, WANG X T, et al. Survey on NoSQL for management of big data[J]. Journal of Software, 2013, 24(8): 1786-1803.

[49] REDMOND E, WILSON J R. Seven databases in seven weeks: a guide to modern databases and the NoSQL movement [M]. Dallas: Pragmatic Bookshelf, 2012.

[50] 程學(xué)旗, 蘭艷艷. 網(wǎng)絡(luò)大數(shù)據(jù)的文本內(nèi)容分析[J]. 大數(shù)據(jù), 2015, 1(1): 2015029. CHENG X Q, LAN Y Y. Text content analysis for web big data [J]. Big Data Research, 2015, 1(1): 2015029.

[51] 袁書(shū)寒, 向陽(yáng), 鄂世嘉. 基于特征學(xué)習(xí)的文本大數(shù)據(jù)內(nèi)容理解及其發(fā)展趨勢(shì)[J]. 大數(shù)據(jù), 2015, 1(1): 2015030. YUAN S H, XIANG Y, E S J. Text big data content understanding and developmenttrend based on feature learning [J]. Big Data Research, 2015, 1(1): 2015030.

[52] ZHENG X, SCHWARTZ Z, GERDES J H, et al. What can big data and text analytics tell us about hotel guest experience and satisfaction [J]. International Journal of Hospitality Management, 2015, 44(44): 120-130.

[53] PAN B, WU D C G, SONG H. Forecasting hotel room demand using search engine data[J]. Journal of Hospitality and Tourism Technology, 2012, 3(3): 196-210.

[54] YANG Y, PAN B, SONG H. Predicting hotel demand using destination marketing organization’s web traffic data [J]. Journal of Travel Research, 2014, 53(4): 433-447.

[55] YANG X, PAN B, EVANS J A, et al. Forecasting Chinese tourist volume with search engine data [J]. Tourism Management, 2015, 46: 386-397.

[56] BANGWAYO-SKEETE P F, SKEETE R W. Can Google data improve the forecasting performance of tourist arrivals? mixeddata sampling approach[J]. Tourism Management, 2015, 46: 454-464.

[57] 馬麗君, 孫根年, 黃云瑪, 等. 城市國(guó)內(nèi)客流量與游客網(wǎng)絡(luò)關(guān)注度時(shí)空相關(guān)分析[J]. 經(jīng)濟(jì)地理, 2011, 31(4): 680-685. MA L J, SUN G N, HUANG Y M, et al. A correlative analysis on the relationship between domestic tourists and network attention [J]. Economic Geography, 2011, 31(4): 680-685.

[58] 龍茂興, 孫根年, 馬麗君, 等. 區(qū)域旅游網(wǎng)絡(luò)關(guān)注度與客流量時(shí)空動(dòng)態(tài)比較分析——以四川為例[J]. 地域研究與開(kāi)發(fā), 2011, 30(3): 93-97. LONG M X, SUN G N, MA L J, et al. An analysis on the variation between the degree of consumer attention of travel network and tourist flow in regional tourism: a case of Sichuan province [J]. Areal Research and Development, 2011, 30(3): 93-97.

[59] 黃先開(kāi), 張麗峰, 丁于思. 百度指數(shù)與景區(qū)游客量的關(guān)系及預(yù)測(cè)研究——以北京故宮為例[J].旅游學(xué)刊, 2013, 28(11): 93-100. HUANG X K, ZHANG L F, DING Y S. Study on the predictive and relationship between tourist attractions and the Baidu index: a case study of the forbidden city [J]. Tourism Tribune, 2013, 28(11): 93-100.

[60] 王煉, 賈建民. 基于網(wǎng)絡(luò)信息搜索的旅游需求預(yù)測(cè)——來(lái)自黃金周的證據(jù)[J]. 系統(tǒng)管理學(xué)報(bào), 2014, 23(3): 362-368. WANG L, JIA J M. Forecasting of tourism demand in the golden week with online information search [J]. Journal of Systems & Management, 2014, 23(3): 362-368.

[61] 陳濤, 劉慶龍. 智慧旅游背景下的大數(shù)據(jù)應(yīng)用研究: 以旅游需求預(yù)測(cè)為例 [J]. 電子政務(wù), 2015, 153(9): 6-13. CHEN T, LIU Q L. Research on the application of big data in the context of intelligent tourism: a case study of tourism demand forecasting [J]. E-Government, 2015, 153(9): 6-13.

[62] 周岳騫. 面向民航需求建模的用戶查詢?nèi)罩敬髷?shù)據(jù)分析方法研究與實(shí)現(xiàn)[D]. 北京: 北京交通大學(xué), 2016. ZHOU Y Q. Research on query log data of civil aviation for passenger demand modeling[D]. Beijing: Beijing Jiaotong University, 2016.

[63] MARRESE-TAYLOR E, VELáSQUEZ J D, BRAVO-MARQUEZ F. A novel deterministic approach for aspectbased opinion mining in tourism products reviews [J]. Expert Systems with Applications, 2014, 41(17): 7764-7775.

[64] 吳啟迪. 大數(shù)據(jù)環(huán)境下管理科學(xué)領(lǐng)域相關(guān)問(wèn)題探討[J]. 科技促進(jìn)發(fā)展, 2014, 10(1): 9-14. WU Q D. A discussion on management science issues under the big data environment [J]. Science & Technology for Development, 2014, 10(1): 9-14.

[65] JAIN A, RUDI N, WANG T. Demand estimation and ordering under censoring: stock-out timing is almost all you need [J]. Operations Research, 2015, 63(1): 134-150.

[66] FISHER M, VAIDYANATHAN R. Ademand estimation procedure for retail assortment optimization with results from implementations [J]. Management Science, 2014, 60(10): 2401-2415.

[67] MA X, DENG T, LAN B. Demand estimation and assortment planning in wireless communications [J]. Journal of Systems Science and Systems Engineering, 2016, 25(4): 398-423.

[68] LIU P H, SMITH S, ORKIN E B, et al. Estimating unconstrained hotel demand based on censored booking data[J]. Journal of Revenue and Pricing Management, 2002, 1(2): 121-138.

[69] LAWLESS J F. Statistical models and methods for lifetime data [M]. New York: John Wiley & Sons, 2003.

[70] KLEIN J P, MOESCHBERGER M L. Survival analysis [M]. New York: Springer, 2005.

Demand unconstraining estimation based on big data warehouse in revenue management systems: framework and challenges

GUO Peng
School of Economics and Management, Guiyang University, Guiyang 550005, China

In order to achieve and exam the unconstrained demand data related to each customer in real time and dynamically from both internal and external data resources, including structured and unstructured information, a big data warehouse framework for demand unconstraining estimation in revenue management was proposed. After that, the challenges in unconstrained demand knowledge mining, as well as the process of development and application of business intelligence analysis tools for demand unconstraining estimation were discussed.

s: The National Social Science Foundation of China (No.15BGL198), The Colleges & Universities Humanities and Social Sciences Research Project of Educational Commission of Guizhou Province of China (No.2016ZC021), Soft Science Research Project of Guiyang Association of Science and Technology (No.2016A01)

N945.23, N945.24

A

10.11959/j.issn.2096-0271.2017031

郭鵬（1984-），男，博士，貴陽(yáng)學(xué)院經(jīng)濟(jì)管理學(xué)院講師，主要研究方向?yàn)槭找婀芾砝碚撆c方法、需求無(wú)約束估計(jì)和預(yù)測(cè)、系統(tǒng)仿真優(yōu)化、大數(shù)據(jù)分析。2006年起至今，從事有關(guān)收益管理、系統(tǒng)仿真優(yōu)化方面的研究，作為第一作者在《Advances in Operations Research》《系統(tǒng)工程理論與實(shí)踐》《系統(tǒng)科學(xué)與數(shù)學(xué)》《數(shù)理統(tǒng)計(jì)與管理》《計(jì)算機(jī)仿真》等期刊上發(fā)表十余篇論文，主持和參與了多項(xiàng)課題：2010—2014年參與完成了國(guó)家自然科學(xué)基金委員會(huì)重大項(xiàng)目（No.71090402）；2015年主持并完成了貴陽(yáng)市科協(xié)軟科學(xué)研究項(xiàng)目（No. 2015B23），同年主持了國(guó)家社會(huì)科學(xué)基金一般項(xiàng)目（No. 15BGL198）；2016年主持了貴州省教育廳高校人文社會(huì)科學(xué)研究自籌項(xiàng)目（No. 2016ZC021）、貴陽(yáng)市科學(xué)技術(shù)協(xié)會(huì)軟科學(xué)研究項(xiàng)目（No. 2016A01）和貴陽(yáng)學(xué)院院級(jí)科研項(xiàng)目（No. GYXY[2016]24）。

2016-11-29

國(guó)家社會(huì)科學(xué)基金資助項(xiàng)目（No.15BGL198）；貴州省教育廳高校人文社會(huì)科學(xué)研究基金資助項(xiàng)目（No.2016ZC021）；貴陽(yáng)市科學(xué)技術(shù)協(xié)會(huì)軟科學(xué)研究基金資助項(xiàng)目（No.2016A01）

收益管理；需求預(yù)測(cè)；無(wú)約束估計(jì)；數(shù)據(jù)倉(cāng)庫(kù)；大數(shù)據(jù)；商務(wù)智能；情感分析