陸仕超

（上海大學(xué)出版社，上海200444）

伴隨世界經(jīng)濟一體化，國際商務(wù)活動日益繁榮。與此同時，互聯(lián)網(wǎng)的滲透和大數(shù)據(jù)技術(shù)的進步推動人工智能進入新的快速發(fā)展期。語音識別、圖像分類、機器翻譯、可穿戴設(shè)備、無人駕駛汽車等人工智能技術(shù)均取得了突破性進展。企業(yè)的未來在于智能化，而機器學(xué)習(xí)是人工智能的核心，研究機器學(xué)習(xí)在國際商務(wù)領(lǐng)域中的應(yīng)用有助于企業(yè)緊跟智能化浪潮，抓住新的發(fā)展機遇。本文從國際商務(wù)活動的項目基本流程角度來梳理與評述機器學(xué)習(xí)方法在國際商務(wù)領(lǐng)域中的應(yīng)用。

學(xué)界主流的觀點將國際商務(wù)定義為通過貿(mào)易或投資參與到國際活動中的企業(yè)[1]。然而這樣的定義局限了主體范圍，也將國際商務(wù)的活動范圍縮小，使其排除了諸如商務(wù)支持、資訊服務(wù)等其他類型的國際商務(wù)活動[2]，因此從跨境商務(wù)活動角度來研究國際商務(wù)更為合適。依據(jù)本文研究目的，將國際商務(wù)限定為企業(yè)或組織在跨境活動中發(fā)生的商業(yè)性的業(yè)務(wù)或行動。

國際商務(wù)的研究1958年發(fā)源于美國。經(jīng)過近60年的發(fā)展，其理論基礎(chǔ)及實踐基礎(chǔ)也日益完善。前期研究主要集中于對外直接投資（FDI）、跨國公司企業(yè)（MNE）和國際化進程研究?，F(xiàn)在及今后一段時間，對國際商務(wù)的研究將集中于兼并與收購、知識管理及選址問題，包含企業(yè)的議價能力、客戶關(guān)系維護、供應(yīng)鏈體系建設(shè)、差異化與合作等課題。從整體的研究脈絡(luò)來看，國際商務(wù)作為一門實踐性較強的學(xué)科，其理論的研究與發(fā)展大多來源于實務(wù)。而企業(yè)商務(wù)項目是國際商務(wù)活動產(chǎn)生的基本要素。因此，本文將從國際商務(wù)活動的項目基本流程角度來梳理與評述機器學(xué)習(xí)方法在國際商務(wù)領(lǐng)域中的應(yīng)用。一個國際商務(wù)項目的基本流程包括準備階段、交易階段、履約階段和維護階段。

1 機器學(xué)習(xí)方法在國際商務(wù)項目中的具體應(yīng)用

1.1 準備階段

在一個商業(yè)項目開始之前，企業(yè)需要進行大量的準備工作，包括細分市場與客戶、尋找潛在商業(yè)合作伙伴、制定合適的營銷策略、成本預(yù)算、進行商務(wù)決策等。國內(nèi)外學(xué)者結(jié)合機器學(xué)習(xí)方法對此問題做了相應(yīng)研究。

1.1.1 合作伙伴的選擇

在機器學(xué)習(xí)方法選擇上，HU和ZHANG（2008）[3]比較了前向神經(jīng)網(wǎng)絡(luò)（BPNN）和支持向量機（SVM）在選擇合適供應(yīng)商伙伴中的表現(xiàn)，實驗說明SVM方法更為有效。之后，JUNICHIRO等（2012）[4]利用支持向量機（SVM）來幫助企業(yè)尋找潛在的國際或國內(nèi)的商業(yè)合作伙伴。作者從客戶與供應(yīng)商是否有商業(yè)關(guān)系以及客戶與供應(yīng)商是否有互惠關(guān)系，這兩個方面提取了關(guān)鍵影響因素。實驗表明，員工人數(shù)多、成立時間長、具有地理位置優(yōu)勢的企業(yè)較不具備這些要素的企業(yè)擁有更多的商業(yè)伙伴。而在是否存在商業(yè)互惠關(guān)系上，人際關(guān)系網(wǎng)絡(luò)是重要的影響因素。

1.1.2 市場細分

研究者大多從目標客戶細分這一角度進行研究。從客戶價值角度，HSIEH和CHU（2009）[5]使用自組織映射（SOM）神經(jīng)網(wǎng)絡(luò)模型對客戶群進行分類，選擇出高價值客戶類別后，再用決策樹誘導(dǎo)算法提取此類客戶的特征屬性。市場營銷人員就能針對不同的目標客戶制定詳細的營銷策略，實現(xiàn)精準營銷。呂昱和程代杰（2005）[6]也使用SOM聚類技術(shù)解決市場細分問題，并將SOM聚類的市場細分結(jié)構(gòu)結(jié)果可視地呈現(xiàn)給市場決策人員。作者提出的研究途徑成功發(fā)現(xiàn)了人工數(shù)據(jù)集中預(yù)設(shè)的聚類模式。在實際市場數(shù)據(jù)分析中，獲得了與事實相符的結(jié)論并提供了有價值的決策支持信息。從客戶忠誠度角度，HAMURO等（2002）[7]開發(fā)了一種基于決策樹的機器決策系統(tǒng)BONSAI。作者將客戶信息及歷史交易信息，包括客戶年齡、訪問次數(shù)、收益貢獻等數(shù)據(jù)輸入系統(tǒng)。系統(tǒng)通過歷史數(shù)據(jù)的學(xué)習(xí)，得出客戶忠誠度的高低。企業(yè)可以此為依據(jù)，制定有效的營銷策略。從客戶行為角度，陶楠（2016）[8]針對中國圖書營銷數(shù)據(jù)利用率低下問題，提議建立圖書營銷數(shù)據(jù)庫，借助聚類、分類、關(guān)聯(lián)等機器學(xué)習(xí)算法，通過客戶購買行為的數(shù)據(jù)處理與分析，構(gòu)建潛在讀者細分體系，精準定位、細分圖書市場，從而選擇恰當(dāng)?shù)臓I銷方略，實現(xiàn)圖書精準營銷。

1.1.3 商務(wù)決策

商務(wù)決策需要管理者在多樣的可行方案中作出擇優(yōu)判斷，需要考慮預(yù)算、客戶關(guān)系等更多方面，而機器學(xué)習(xí)方法也被應(yīng)用到此類問題研究中。ALDAHAWI和ALLEN（2015）[9]利用文本挖掘方法將石油公司客戶所發(fā)的推特（Twitter）信息進行分析，使用機器學(xué)習(xí)分類客戶的推特信息，提取關(guān)鍵特征，提取的文本特征可為石油公司商務(wù)決策提供有價值的信息。COOK等（2015）[10]基于咨詢企業(yè)的客戶關(guān)系管理數(shù)據(jù)庫的數(shù)據(jù)，將決策樹算法應(yīng)用到咨詢業(yè)務(wù)的項目內(nèi)部成本預(yù)測中。進一步，將預(yù)測結(jié)果進行具體的可視化說明，開發(fā)了一個交互式?jīng)Q策支持系統(tǒng)。該算法還可進一步使用隨機森林、神經(jīng)網(wǎng)絡(luò)、支持向量機等方法進行擴展優(yōu)化。

1.2 交易階段

企業(yè)在完成某國際商務(wù)項目的準備階段后，就可以進入項目的交易階段。在此階段，企業(yè)要與客戶進行反復(fù)磋商與談判、確定交易條款、訂立合同等事項。關(guān)于此階段，學(xué)者研究的重點主要集中在自動磋商與合同文本上。

1.2.1 自動磋商

眾多學(xué)者對此問題做了針對性研究，強化學(xué)習(xí)和有監(jiān)督學(xué)習(xí)這兩類算法均有涉及。其中，使用有監(jiān)督學(xué)習(xí)算法的文獻較多。YUAN和CHEN（2001）[11]構(gòu)建了一個具有學(xué)習(xí)能力的多智能體（Agent）基礎(chǔ)架構(gòu)。在這個架構(gòu)中，作者使用遺傳算法構(gòu)建神經(jīng)網(wǎng)絡(luò)，設(shè)計了具有自動磋商能力的智能體。該智能體能夠?qū)Υ枭虄?nèi)容進行自動評估，返回結(jié)果，提升合同訂立的效率。這一基礎(chǔ)架構(gòu)也能被用于供應(yīng)鏈和客戶行為模型的構(gòu)建中。LI和CAO（2004）[12]提出了一種貝葉斯學(xué)習(xí)算法。經(jīng)過學(xué)習(xí)和訓(xùn)練的Agent被引入一個多智能體系統(tǒng)，輔助用戶在電子商務(wù)環(huán)境下進行雙邊多議題協(xié)商，幫助談判主體在談判過程中能更好地調(diào)整談判策略，提高談判效率。MACH和SCHIKUTA（2012）[13]基于決策樹算法設(shè)計了一個電子合同協(xié)商架構(gòu)，此架構(gòu)可以為網(wǎng)絡(luò)客戶和供應(yīng)商在線首次磋商與合同條款變更提供服務(wù)。使用此架構(gòu)的企業(yè)與客戶可以就服務(wù)的水準、品質(zhì)等方面達成雙方共同認可的協(xié)議或契約。針對智能體（Agent）處理市場中不完全信息效率不高的問題，陳培友等（2014）[14]將馬爾科夫鏈方法應(yīng)用于對談判對方各輪報價的預(yù)測當(dāng)中，并與改進的遺傳算法相結(jié)合，構(gòu)建了面向Agent的馬爾科夫多議題自動談判模型。通過仿真計算試驗表明，模型能很好地對談判過程進行仿真和推理，客觀地為談判各方合理決策提供有效依據(jù)。應(yīng)用強化學(xué)習(xí)方法來研究自動談判的文獻較少，仍處于起步階段。何波（2011）[15]重點研究了基于Agent的電子商務(wù)自動談判模型、談判策略和學(xué)習(xí)機制，并根據(jù)綜合談判策略和基于強化學(xué)習(xí)的學(xué)習(xí)機制提出了改進的自動談判模型。實驗結(jié)果表明，基于強化學(xué)習(xí)的學(xué)習(xí)機制能大幅提高自動談判的效率。

1.2.2 商務(wù)合同解析

MOLINA-JIMENEZ等（2004）[16]使用有限狀態(tài)機（FSM）來刻畫傳統(tǒng)的商務(wù)合同，F(xiàn)SM表達的合同文本可以消除自然語言書寫合同中的模糊表示，確保交易履行過程中合同條款不被錯誤執(zhí)行。

1.2.3 業(yè)務(wù)流程建模

計算機難以理解日常的商務(wù)條款和業(yè)務(wù)流程文本。LI和FENG（2008）[17]使用統(tǒng)計機器學(xué)習(xí)方法來解析自然語言書寫的商務(wù)條款和業(yè)務(wù)流程，并將其轉(zhuǎn)化為機器能讀懂的對象約束語言（OCL），再進行業(yè)務(wù)流程建模。文章使用了統(tǒng)計機器模型翻譯模型來實現(xiàn)算法，在北美航空貨物裝卸業(yè)務(wù)流程的實際算例中該方法體現(xiàn)了極高的精確性。然而該模型僅針對OCL，在其他語言機器翻譯中未驗證有效性，在其他商業(yè)場景中的有效性也需要驗證。

1.3 履行階段

在交易履行的過程中，主要涉及企業(yè)的采購管理、庫存管理等一系列與供應(yīng)鏈管理相關(guān)的事項以及如何防范交易過程中的欺詐風(fēng)險。

1.3.1 采購物流規(guī)劃

做好采購物流是企業(yè)按規(guī)定履行合同的重要保障。KNOLL等（2016）[18]對企業(yè)的采購物流規(guī)劃（Inbound logistics planning）進行了研究。作者主要使用數(shù)據(jù)挖掘方法對歷史采購物流數(shù)據(jù)和業(yè)務(wù)流程進行數(shù)據(jù)挖掘。從數(shù)據(jù)中提取能夠用于采購物流計劃的關(guān)鍵特征，從而為未來的相關(guān)規(guī)劃任務(wù)提供參照。

1.3.2 庫存管理

庫存管理在供應(yīng)鏈管理中占有重要地位。JIANG和SHENG（2009）[19]將增強學(xué)習(xí)方法運用到動態(tài)庫存管理中，在試驗中取得了較好的效果。此外，文章闡釋了增強學(xué)習(xí)方法在供應(yīng)鏈管理中具有廣闊的應(yīng)用空間。于春云等（2009）[20]提出了通過集成庫存管理使庫存系統(tǒng)整體收益期望值最大化的優(yōu)化模型。根據(jù)遺傳算法理論和計算機模擬技術(shù)設(shè)計了求解模型的智能算法，并通過仿真分析證明了模型的有效性。KARTAL等（2016）[21]將機器學(xué)習(xí)算法與ABC分類法（Activity Based Classification）相結(jié)合解決多屬性存貨分類問題。文中分別使用了樸素貝葉斯方法（Na?ve Bayes）、貝葉斯網(wǎng)絡(luò)（Bayesian network）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機對各種存貨進行分類，并得出支持向量機方法分類精度最高的結(jié)論。但總體而言，文章證實了機器學(xué)習(xí)算法對解決多屬性庫存分類問題效果頗佳。

1.3.3 交易管理

在交易履行的過程中，交易欺詐風(fēng)險管理也是一個很重要的方面。CHEN等（2015）[22]介紹了阿里巴巴如何使用大數(shù)據(jù)挖掘技術(shù)來控制交易欺詐風(fēng)險。阿里巴巴通過機器學(xué)習(xí)算法直接從海量的實時用戶行為數(shù)據(jù)中捕捉潛在欺詐行為的信號，精確預(yù)測可能存在的劣質(zhì)客戶及風(fēng)險交易。由此，阿里巴巴開發(fā)了一個防欺詐系統(tǒng)，來識別和阻止在線客戶惡意交易行為的發(fā)生。

1.4 維護階段

合同履行完畢后，國際商務(wù)項目進入維護階段。企業(yè)關(guān)注的重點轉(zhuǎn)為客戶服務(wù)、客戶維護和客戶流失預(yù)測。

1.4.1 客戶服務(wù)

HUI和JHA（2000）[23]關(guān)注跨國制造企業(yè)的客戶服務(wù)支持問題，將收集到的非結(jié)構(gòu)化客戶服務(wù)數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，從而為機械故障診斷和商務(wù)決策支持提供幫助。作者使用整合了神經(jīng)網(wǎng)絡(luò)、案例推理（case-based reasoning）和規(guī)則推理（rule-based reasoning）的數(shù)據(jù)挖掘技術(shù)，取得了較好的效果。

1.4.2 客戶分類與維護

HUANG等（2009）[24]使用3種不同的分類方法針對消費戶外運動裝備的客戶進行價值分類。在K-means聚類算法、模糊C值均值算法、裝袋聚類算法中，作者實驗證明裝袋聚類算法具有最佳的分類效果。該算法根據(jù)單次平均消費金額、光顧商店頻次、總平均消費金額將客戶分為六類，并根據(jù)這六類客戶給出具體的銷售策略。AHMAD和LAROCHE（2017）[25]使用潛在語義分析法對取自亞馬遜購物網(wǎng)站的用戶評論進行了分析。文章發(fā)現(xiàn)正面評論內(nèi)容主要集中于產(chǎn)品本身，而負面評論主要集中于售后服務(wù)。與這一發(fā)現(xiàn)相對應(yīng)的是潛在客戶對于產(chǎn)品本身大多關(guān)注正面評價，例如核心功能、性能指標、外形構(gòu)造等方面，對于售后服務(wù)大多關(guān)注負面評價。

1.4.3 客戶流失預(yù)測

對于此問題，不少國內(nèi)外學(xué)者使用了機器學(xué)習(xí)算法對其進行了研究。CHEN等（2012）[26]應(yīng)用多種機器學(xué)習(xí)方法對電信通訊業(yè)的客戶流失問題進行了預(yù)測。經(jīng)過交叉驗證與比較研究，證明結(jié)合支持向量機與Adaboost算法的方法預(yù)測效果最好。XIE等（2009）[27]和丁君美等（2015）[28]均對隨機森林算法進行了改進用于客戶流失預(yù)測，其中丁君美提出的方法有效處理不平衡分類，提高了電信業(yè)客戶流失預(yù)測中高價值客戶流失預(yù)測的準確率。張瑋等（2014）[29]利用分類回歸樹算法和自適應(yīng)Boosting算法生成相應(yīng)的強分類器模型，對預(yù)測流失客戶問題進行了研究?？傮w而言，該問題的精度達到了較高水準。

2 應(yīng)用評述

對機器學(xué)習(xí)方法在國際商務(wù)各個環(huán)節(jié)中的具體應(yīng)用做一個小結(jié)，結(jié)果如表1所示。從文獻來源數(shù)量上看，市場細分、自動磋商、庫存管理、客戶流失預(yù)測這四個方面的文獻量較多，這些方面也是國際商務(wù)項目各階段中的重要內(nèi)容。這說明對于國際商務(wù)的研究始終被學(xué)界所關(guān)注。

表1 機器學(xué)習(xí)在國際商務(wù)中應(yīng)用研究匯總

從機器學(xué)習(xí)方法上看，神經(jīng)網(wǎng)絡(luò)與決策樹出現(xiàn)次數(shù)較多。決策樹方法易于理解和實現(xiàn)，對于小規(guī)模數(shù)據(jù)計算速度快、準確性高，因而決策人員容易掌握和理解，從而作出決策判斷。神經(jīng)網(wǎng)絡(luò)方法容錯容差性好，具有很強的自學(xué)習(xí)和自適應(yīng)能力[30]，對于非線性預(yù)測問題，神經(jīng)網(wǎng)絡(luò)方法可以提高精度[31]。然而，決策樹對于大規(guī)模數(shù)據(jù)計算資源要求高，難以得到全局最優(yōu)解；神經(jīng)網(wǎng)絡(luò)各項指標理解難度大，體系結(jié)構(gòu)通用性差。這部分限制了它們的使用，但這兩種方法均較為成熟且有許多改進算法，因此相較其他機器學(xué)習(xí)算法使用范圍也更廣。

從行業(yè)應(yīng)用上看，機器學(xué)習(xí)在制造業(yè)、運輸業(yè)、通訊業(yè)、零售業(yè)的商務(wù)活動中均有應(yīng)用。從功能應(yīng)用上看，機器學(xué)習(xí)在電子商務(wù)的自動磋商、商務(wù)合同處理以及供應(yīng)鏈管理中的采購規(guī)劃、庫存管理中機器學(xué)習(xí)方法應(yīng)用廣泛。

3 結(jié)語與展望

本文對機器學(xué)習(xí)方法在國際商務(wù)領(lǐng)域中的應(yīng)用進行了匯總與梳理。目前在國際商務(wù)領(lǐng)域，成熟的、擴展性好的機器學(xué)習(xí)算法已滲透到各個環(huán)節(jié)，理論研究也隨之不斷進展。但隨著人工智能的發(fā)展，將會有更多更好的機器學(xué)習(xí)算法逐漸誕生，其應(yīng)用也需要不斷推陳出新。

本文對機器學(xué)習(xí)方法在國際商務(wù)中的應(yīng)用做出三點展望：①算法設(shè)計層面，研究者需要不斷地提高機器學(xué)習(xí)算法的魯棒性。國際商務(wù)環(huán)境瞬息萬變，機器學(xué)習(xí)算法不僅需要滿足日常國際商務(wù)活動的需要，更要保證在突發(fā)環(huán)境下的性能表現(xiàn)。②理論研究層面，研究者需要鞏固與深化機器學(xué)習(xí)的理論基礎(chǔ)。目前應(yīng)用中，管理決策人員更多地將機器學(xué)習(xí)看作一個“黑箱”，解釋性不佳也成為了推廣機器學(xué)習(xí)應(yīng)用的掣肘。因此研究者要不斷提高機器學(xué)習(xí)結(jié)果的可解釋性，提升決策效率。③應(yīng)用層面，機器學(xué)習(xí)需要從企業(yè)決策層向基層滲透，例如機器學(xué)習(xí)與企業(yè)資源管理軟件的結(jié)合、與大數(shù)據(jù)及物聯(lián)網(wǎng)的結(jié)合，使機器學(xué)習(xí)在實際應(yīng)用中發(fā)揮更大作用。