电子商务中商品交叉销售效果分析及其在促销决策中的应用研究，本文主要内容关键词为：效果论文,电子商务论文,商品论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
引言
本文研究电子商务网页中促销商品的优化配置问题。商品促销是对既有和潜在的顾客运用各种积极的营销方式，吸引他们，进而刺激其购买需求，以提高商品的销售业绩。Antony等在上世纪60年代的实验结果就表明：提高商品展示(display)水平是一种非常有效的促销手段[1]。在电子商务中，网站首页、商品类别中排序靠前的网页、搜索列表排序在前的网页等更容易被客户关注，因而具有更高的营销价值。本文统称这些具有高度展示水平的网页为促销网页。一个电子商务零售网站中，促销网页非常有限，为了充分利用这些网页的促销能力，零售商需要了解各种商品的收益能力，将收益能力高的商品配置在这些网页中。
由于商品间存在功能互补关系，一种商品的畅销往往会提升其它商品的销售业绩。所谓商品的交叉销售效果是指一种商品的销售在多大程度上促进了其它商品的销售。商品的收益能力既表现为商品本身的销售所带来的直接收益，也体现在该商品通过交叉销售而获得的间接收益。为制定科学的促销策略，零售商必须全面了解商品的直接收益能力和间接收益能力[2]。
目前还没有关于电子商务网页中促销商品配置决策的专门研究，但是，传统零售业中有关产品配置计划(Products Assortment Plan，PAP)问题的研究成果对本文具有一定的借鉴意义。PAP问题也需要综合分析商品的直接收益能力和间接收益能力，从而为自动售货机或零售货架确定最优的产品集合。Brijs等最早从交叉销售效果分析的角度对商品配置问题进行了研究，并提出了PROFSET模型[3，4]。PROFSET模型利用频繁项目集来分析商品间的交叉销售效果，并通过求解0-1规划模型来解决商品选择问题。但正如Wang等所指出的那样：“PROFSET模型仅仅适用于类似自动售货机那样商品种类比较少的零售环境”[5]。对此，Wang等用Web页间的关联强度来类比商品间的交叉销售效果，提出用“hub-authority”算法(一种网络搜索引擎中解决Web页排序问题的算法)来分析商品间的交叉销售效果，但是，这种方法局限于商品间一对一的关联关系。Wong等提出利用关联规则技术来测量商品间的交叉销售效果[6]，但是，Wong对两组商品间关联关系的信任度进行了简化处理，从而忽略了商品间关联关系的复杂性，当商品种类比较多时，Wong的方法不能准确计算出两组商品间的交叉销售效果。Yang将PAP问题映射为背包问题，并在优化模型中综合考察了交叉销售效果，由于背包问题所具有的高度计算复杂性难题，Yang仅仅给出了启发式求解算法[7]。Chen和Lin扩展了Brijs所提出的 PROFSET模型，提出用多层关联规则技术来进一步发现不同类别商品间的交叉销售效果[8]，Maryam等则在 PAP问题中考察了商品价格与交叉销售效果之间相互作用的关系[9]，但他们的算法仍然不能适应商品种类很多的零售环境。综合来看，目前的研究还存在以下不足：(1)交叉销售效果有时体现为客户一次购买行为中，即交叉销售的即时效果；有时体现在多次采购活动中，即交叉销售的延时效果。目前的研究仅仅考察了商品间交叉销售的即时效果，没有对延时效果提出分析方法；(2)目前商品交叉销售效果的分析方法往往强调商品间一对一的促销关系，还缺乏对多种商品间复杂的交叉促销效果进行分析的手段；(3)目前的研究没有将价格促销和非价格促销策略综合起来考察促销商品的优化配置。
在电子商务环境下，系统自动记载了每个客户的历史交易记录，这为交叉销售效果分析提供了便利。对此，本文首先提出了商品交叉销售即时效果和延时效果的计算方法，在此基础上，提出用遗传算法来求解促销网页中的产品配置问题，最后，本文提出了一种基于交易模拟的实验方法来验证方法的科学性。实验结果表明，本文设计的方法能够充分发挥商品间的交叉销售效果，从而为促销网页确定合理的商品组合，充分发挥这些网页的促销能力。
问题的描述
当经营的商品种类很多时，各种商品间的交叉销售效果构成非常复杂的关系网络，这决定了本文所研究的商品集划分问题是个NP难题[6]。
交叉销售效果分析
商品间之所以存在交叉销售效果，是因为不同商品间存在功能互补关系。但商品间的功能互补关系不仅存在强度上的差别，也存在时间上的差异性：(1)有些商品具有即时性功能互补关系，例如，一些客户需要在咖啡中添加咖啡伴侣；(2)有些商品间存在基于序列关系的延时性功能互补，即只有当客户购买并使用了某一商品后才能逐渐感知到其对另一种商品的需求。这种功能互补的时间差异性导致商品的交叉销售效果也具有时间差异性。为了更好地发挥促销网页的营销作用，不仅要分析商品间的交叉销售即时效果，还要从时间差异性的角度分析商品间的交叉销售延时效果。电子商务系统不仅记载了客户在一次采购中购买了哪些商品，也能够记载同一客户在不同的采购活动中购买了哪些商品，利用数据挖掘技术可以分析商品被一次采购的关联模式和不同采购中的序列模式，利用这些模式可以综合分析出商品间的交叉销售效果。在本文中，我们不针对每一种商品分析其交叉销售效果，而是综合考察集合D对集合V的交叉销售效果。不失一般性，我们假设所有商品为单件购买的商品。
1、交叉销售即时效果分析
为了分析交叉销售的即时效果，我们需要从交易数据库中分析多种商品被客户同时购买的关联模式。交易数据库中的每一笔交易数据记录了客户一次采购的所有商品，每一交易数据又称为项目集数据。利用数据挖掘技术可以从交易数据库中发现对决策有帮助的关联规则。一条关联规则可以表示为：X
Y(s％)(c％)，规则中X被称为规则的前件，Y被称为规则的后件，且有X∩Y=
。规则的含义是：如果在某个交易中出现商品集X，那么该交易也会包含商品集Y。关联规则是否成立需要用支持度(s％)和信任度(c％)两个指标进行判断。支持度s％是指所有包含X和Y的交易记录数占总交易数的比例，它反映了规则在交易中的普遍程度或重要程度；信任度c％是指客户在一次采购活动中，如果购买了商品集X，那么他还会购买商品集Y的概率[10]。
促销网页中的商品候选集
根据零售商的先验知识，很多商品根本不可能被放置在促销网页中。对此，本文提出：首先根据零售商的先验知识从商品集I中挑选出有可能进入产品集D的候选商品，构成候选商品集合L，执行决策分析任务的智能代理只能从集合L中挑选出若干商品构成集合D。我们采用以下两类先验知识：(1)价格折扣水平越高的商品对客户的价格印象贡献度也越大；(2)购买强度和边际收益越高的商品对零售商的整体收益贡献也越大。根据上述先验知识，候选集L可以按如下步骤确定：
(1)令
(x)(0＜(x)＜1，x∈I)表示商品x的价格印象贡献系数。通常，电子商务零售商品的价格会低于商品的市场价，为提高电子商务网站在客户中的价格印象，许多零售商在商品信息中明确标识出商品原价以及电子商务零售价，例如，当当网在商品信息中同时给出商品的市场价和当当价。令p(x)表示商品x在网站的出售价格，p′(x)表示商品x的市场价，
求解促销网页商品选择问题的遗传算法
为充分利用促销网页的营销潜力，本文需要将集合I划分为子集D和V，显然这是一个集合的最优划分问题，当商品集的规模很大时，该划分问题的计算复杂度非常高。对此，我们利用遗传算法对问题求解，遗传算法中初始解群的确定、基于交叉销售效果分析的适应度计算、以及交叉变异操作原理等如后文所示。
1、初始解群
(1)交叉继承操作：比较两个双亲染色体的基因编码，将两个染色体中相同的基因片段直接遗传给子代染色体。这时子代染色体上还有一些基因的值为空，为了保证子代染色体中刚好有m个值为1的基因，算法随机地从基因值为空的位置号中挑选出若干位，将其基因值置为1，确保有m令值为1的基因，同时将其它基因值为空的位的值置为0。
(2)变异操作：通过交叉继承操作，从前代染色体中遗传出了一些子代染色体。以一个较小的概率(例如0.5％)从子代染色体中随机选择一个染色体进行变异操作，对该染色体，以等概率从值为0的基因中挑选出一个基因，将其值变为1，同时，以等概率从值为1的基因中挑选出一个基因，将其值变为0。
模拟实验结果
1、实验设计
本文设计了一个交易数据生成器，通过改变交易数据生成器的各种参数可以模拟出各种市场状态，从而检验本文方法在各种市场状态下的应用效果。交易数据生成器中的相关市场参数由以下几个方面组成：
(1)在交易数据生成器中，我们假设电子商务零售经营500种商品；在时间T中有1000个客户至少登录网站一次；
(2)每种商品在交易期内不存在缺货现象；客户每次最多购买5种商品。。
在进行模拟前，我们需要确定如下参数：
(1)客户到达强度：我们将时间T划分为N个足够小的单位时间段，确保每个单位时间段内最多有一位客户到达。通常零售商可以预测出未来时间段T中有客户登录网站的数量μ，那么，单位时间段内第i类客户到达的概率为：
。
(2)产品间关联关系对保留价格的影响：产品间的关联关系往往会提高客户对商品组合的保留价格，从而提高客户购买这些商品组合的概率。令α为一个经验数值，表示关联关系对保留价格的影响程度，在本文的实验中，我们令α=0.01。产品间的关联关系对保留价格的影响会通过两种方式体现出来：延时影响和即时影响。
从图中我们可以发现：当规则数量很少时，集合的间接收益占列表产品总收益的比例很低，但是，随着规则数量的增加，间接收益占列表产品总收益的比例急剧增加，这说明利用本文的方法可以有效地挑选出交叉销售效果大的商品。
图3 收益分析图
图4反映了规则数量不同时，决策的适应度函数值和促销商品集合的价格印象贡献度。从中可以发现：随着规则数量的增加，促销商品集合的价格印象贡献度也同时变大，这说明本文的方法可以充分发挥产品的交叉销售效果，挑选出收益贡献大且价格印象贡献度也大的商品进入促销商品集合。图5反映了促销商品集合中商品数量不同时本文方法所需要的计算量，从中可以看出：计算量的递增曲线并不是指数型增长曲线，本文所设计的算法可以在合理的计算花销下优化促销商品的类别配置。
结论
本文将交叉销售效果细分为即时效果和延时效果，这不仅符合电子商务零售的实际情况，也弥补了目前相关研究的不足。在所提出的遗传算法中综合考察了商品的收益能力和价格折扣水平，可以使零售商在商品促销实践中同时发挥价格促销和非价格促销策略的各自优势。在实验论证环节，本文提出在需求预测的基础上，通过对未来客户交易行为的模拟来确定集合中商品的优化配置，因此，这种方法适用于需求状态经常出现变化的市场。目前有大量关于需求预测、客户细分、客户行为模拟方面的研究，在此基础上，对未来客户的交易行为进行模拟是现实可行的。
当然，电子商务网站各个促销网页的展示格式也是多种多样的，例如，网站首页需要按商品类别对各种促销商品进行区间划分，而某一类别的商品促销网页仅仅列出该类别的促销商品，受篇幅所限，本文没有从商品类别属性的角度对促销商品的选择决策做更细致的讨论。