考虑数据驱动与披露策略的在线零售商运作管理问题研究

发布时间：2020-11-09 06:46

　　 截止2018年,我国网购消费者数量达到6.1亿,占总网民数量的76.06%,在线购物交易额达到6.6万亿,占社会消费品零售总额的22.7%,在线零售行业飞速发展。为了获取在线零售的红利,大量的在线零售商出现加剧了行业的竞争,迫使在线零售商寻求更加有效的市场与运作策略。并且,随着数据挖掘、分析技术的发展,在线零售商积累的数据作为理解消费者、优化自身运作模式的基础得到越来越多的重视。因此,进行以数据为基础的研究以解决当前在线零售商面临的运作问题具有重要的现实意义,成为当下研究的热点。传统的关于在线零售商的研究大多采用模型优化的方法,忽视了数据的作用。然而,在实践当中,数据记录了消费者在购买产品过程中的相关信息,对在线零售商理解消费者购物规律、分析产品销售特征,并以此为基础优化自身运作模式具有重要作用。现实中,数据的利用、披露在在线零售行业中得到了广泛应用。但是,不同的在线零售商面临的问题各不相同,并且目前并没有针对性的、完善的理论体系。因此,本文在结合国内在线零售商运作实践的基础上,将研究聚焦于通过数据的利用、披露,解决在线零售商在运营过程中面临的问题。具体研究内容如下:(1)针对我国限时特卖型在线零售商,以唯品会实际的销售模式为背景,对在线零售商面临的促销预算与流量分配问题进行研究。本文首先通过机器学习的方法,建立促销预算、流量与最终销售额之间的关系,并创新性地以预测模型准确性为标准对所有品牌进行品牌组划分,解决了部分品牌由于历史销售数据较少而不能进行有效的销售额预测的问题。其次,分别以总销售额、总销售利润最大化建立了促销预算与流量的优化分配模型。结果显示优化模型与算法具有较高的稳定性,并且优化后的促销预算与流量分配模式对总销售额与总销售利润有较大幅度的提升,平均能够提升20.6%的销售额以及30.08%的销售利润。(2)基于唯品会积累的消费者购买数据,研究了在线零售商服饰类产品尺码推荐模式与算法。本文首次将汤普森抽样应用在尺码推荐问题当中,提出了不需要消费者进行参数输入的尺码推荐算法。研究首先将消费者的统计尺码特征与个体尺码特征相结合,增加了尺码预测算法的准确性;其次,以强化学习理论为基础,提出了两种不同的尺码推荐方式,并分别对其适用的场景进行说明;第三,通过基于真实数据的仿真实验得出本文提出的新型尺码预测与推荐算法的准确性达到95.86%,使得因尺码问题产生的退货率下降62%,销售利润上升8.6%。(3)针对我国传统型在线零售商,以淘宝、京东为例,考虑向消费者披露产品历史销售数据的行为以及消费者的产品信息搜集成本,研究在线零售商的产品定价模式与是否披露产品的历史销量数据的选择问题。本文首次将产品的历史销售量与消费者购买效用结合,体现出产品历史销售量对消费者购买决策的影响。结果表明,首先,是否向消费者公开产品的历史销量数据取决于消费者搜集产品相关信息的成本以及对产品历史销量数据的敏感性,只有当消费者的信息搜集成本较低,并且对历史销量数据的敏感性较高时,才会选择公开产品的历史销量数据;第二,当在线零售商公开产品历史销量数据时,在固定定价模式下,应采用低价销售策略,而在动态定价模式下,应先采用低价后采用高价销售策略。(4)在研究问题(3)的基础上,针对向消费者披露产品历史销售数据的在线零售商,在其通过第三方购物网站销售产品的场景中,考虑产品销售过程中的参考价格效应,对该在线零售商是否应该对产品价格进行调整以及是否应该向消费者披露产品的历史销售数据进行研究。研究指出,首先,向消费者披露产品的历史销售数据或进行价格调整的销售策略总是优于隐瞒相关信息的策略;第二,如果在线零售商仅对产品价格进行调整,应采用先高价后低价策略,仅公开产品的历史销售数据时,应采用低价策略;第三,当在线零售商选择公开产品的历史销售数据时,应同时对产品的价格进行调整,以获取更好的销售表现;第四,参考价格效应与公开产品历史销售数据的影响存在冲突,因此混合策略并不会一直优于单一销售策略,而是取决于消费者的相关特性。
【学位单位】：华南理工大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：F724.6;F274
【部分图文】：

第一章 绪 论量分配以及折扣设定成为了唯品会关心的重点。除此之外，唯品会另一个与其他在线零售商的重要区别在于唯品会主要从事服饰类产品销售，并且采用“只退不换、免费退货”的售后策略。由于服饰类产品在不同品牌之间存在款式不统一、尺码不统一的现象，唯品会面临的服饰类产品因为尺码问题产生的退货尤为严重（行业平均值为 10%，唯品会为 25%），这为唯品会造成了每年约 200亿的退货成本，极大地增加了其运作成本，降低了盈利能力。如何科学的降低服饰类产品因为尺码问题产生的退货，也成为唯品会亟需解决的问题。

图 1-5 淘宝展示产品历史销售数据(来源:www.taobao.com)消费者的购买效用对产品的销售量产生影响，当产品的历史销售量较高时，消费者会产生该产品质量较好、被大量消费者接受的意识，从而提高对该产品质量的评估，增大购买意愿；而当产品的历史销售量较低时，消费者往往会对该产品产生质量低下的负面印象，从而降低购买意愿。理论研究给出了产品的历史销售量对消费者的购买决策过程的作用机理，但是并没有在不同在线零售商之间达成共识。与淘宝不同，京东作为国内第二大在线零售商并没有向消费者披露产品的历史销售数据。当前的研究并没有给出相应的理论，对在线零售商在不同销售情形下产品历史销售数据的披露策略选择进行指导数据对在线零售商的作用在实践当中，在线零售商积累的数据记录了消费者在购买产品过程中以及产品销售的相关信息，对在线零售商理解消费者购物规律、分析产品销售特征，并以此为基础优

本文研究的技术路线图
【相似文献】

相关期刊论文 前10条

1 程梦瑶;;达索系统：数据驱动 助力城市复兴之路[J];软件和集成电路;2019年11期

2 张椿琳;;数据驱动用户洞察[J];经营者(汽车商业评论);2019年11期

3 吕煜航;;探究大数据驱动的社会科学研究转型[J];科学技术创新;2019年14期

4 王学勇;费廷伟;史旭升;王文琦;;数据驱动的智慧企业管理新模式探索[J];军民两用技术与产品;2019年05期

5 李平;蒋君毅;;基于大数据驱动的高校学生就业服务效能提升研究[J];科技经济导刊;2019年17期

6 周德立;;浅论基于数据驱动的智能舞台技术研究[J];传播力研究;2018年20期

7 方璐;;语料库数据驱动的外语学习:思想、方法和技术[J];课程教育研究;2017年29期

8 冯艳艳;;从判断性评价到专业化诊断[J];中小学信息技术教育;2017年10期

9 李睿;;基于语料库的数据驱动学习在外语教学中的前景[J];甘肃教育;2007年14期

10 姚琥;;数据驱动,智慧风控[J];金融电子化;2017年02期

相关博士学位论文 前10条

1 赵汉青;基于数据驱动的中医精准诊疗模型研究[D];中国中医科学院;2019年

2 姜文颢;抑郁症快感缺失多元数据驱动的遗传影像学研究[D];东南大学;2018年

3 韩汐;基于数据驱动的复杂体系光谱检测新方法及应用研究[D];天津大学;2017年

4 魏翔;基于数据驱动的人群分析与多尺度仿真研究[D];北京交通大学;2019年

5 陈传营;考虑数据驱动与披露策略的在线零售商运作管理问题研究[D];华南理工大学;2019年

6 杨承铭;基于数据驱动的心房颤动检测方法研究[D];哈尔滨工业大学;2019年

7 李会超;数据驱动的日冕行星际背景太阳风模拟及其结果评估[D];中国科学院大学(中国科学院国家空间科学中心);2018年

8 李敏;光刻机超精密工件台数据驱动运动控制研究[D];清华大学;2017年

9 刘姝;二维到三维人脸美丽预测研究[D];西北工业大学;2017年

10 张旭;数据驱动的云资源高效部署[D];清华大学;2017年

相关硕士学位论文 前10条

1 张艺镨;基于数据驱动的含大规模新能源并网的电力系统两阶段鲁棒运行研究[D];华中科技大学;2019年

2 李海波;基于数据驱动的宁夏地区回族与汉族人脸局部器官的异同分析与研究[D];西北大学;2019年

3 田琪林;基于数据驱动的火电机组过热蒸汽温度控制系统PID参数优化[D];华北电力大学;2019年

4 胡吉昌;支持动态标签分发的命名数据实验网的设计与实现[D];重庆邮电大学;2018年

5 陈鎏凯;面向数据驱动方法的大规模潮流样本生成方法研究[D];华南理工大学;2019年

6 宋雪;数据驱动过程监测系统设计及其在线优化方法研究[D];哈尔滨工业大学;2019年

7 曹道帆;数据驱动的多尺度建模及其在催化裂化过程中的应用[D];中国石油大学(北京);2018年

8 李代鹏;数据驱动学习视角下的汉语学习效果研究[D];厦门大学;2018年

9 宋文太;改进的数据驱动网络化预测控制方法研究[D];北方工业大学;2019年

10 李良敏;基于数据驱动的融合媒体播控新产品开发管理研究[D];浙江工业大学;2018年

本文编号：2876051