鄧 超，劉 頌，王露笛，龔 強，高 林，左少燕，顧祖毅，梁海玲

1. 廣西中煙工業(yè)有限責任公司，南寧市北湖南路28 號 530001

2. 山東青島煙草有限公司，山東省青島市市北區(qū)南京路202 號 266034

3. 中國科學院計算機網(wǎng)絡信息中心，北京市海淀區(qū)中關(guān)村南四街四號 100190

卷煙產(chǎn)品投放是我國煙草商業(yè)公司的一項重要基礎性工作，由產(chǎn)品投放帶來的卷煙產(chǎn)品銷售訂單將直接影響商業(yè)公司的經(jīng)濟效益。為響應國家關(guān)于產(chǎn)業(yè)鏈的供給側(cè)改革號召，強化以市場為導向的產(chǎn)業(yè)布局，需要不斷調(diào)整和優(yōu)化卷煙產(chǎn)品銷售和生產(chǎn)制造結(jié)構(gòu)，以提供更加符合消費者需求的卷煙產(chǎn)品，同時保證稅利的持續(xù)穩(wěn)定增長［1］。煙草產(chǎn)業(yè)鏈發(fā)展的源頭在消費端，一套科學有效的卷煙產(chǎn)品投放策略將有利于引導市場消費需求和減少浪費，實現(xiàn)供給端與消費端之間“稍緊平衡”的基本態(tài)勢。因此，如何生成面向精準營銷的卷煙產(chǎn)品投放策略已成為各煙草企業(yè)關(guān)注的熱點。針對市場精準營銷目前已開展了大量研究，鄧超等［2-6］針對卷煙營銷大數(shù)據(jù)分析問題，設計實現(xiàn)了面向煙草市場數(shù)據(jù)的可視分析系統(tǒng)，提出GRIDEN、Gridwave、K-DBSCAN 等時空大數(shù)據(jù)聚類算法，以及基于時空網(wǎng)格的煙草市場大數(shù)據(jù)可視分析方法；肖迎賓等［7］為解決營銷移動辦公應用問題，設計實現(xiàn)了煙草移動營銷系統(tǒng)；許建等［8］針對傳統(tǒng)數(shù)據(jù)倉庫系統(tǒng)存在的問題，采用傳統(tǒng)數(shù)據(jù)倉庫與Hadoop 技術(shù)相融合的方式，設計了煙草海量數(shù)據(jù)分析系統(tǒng)；邢陽等［9］建立了卷煙市場運行狀態(tài)智能評價模型；侯杰華等［10］基于O2O設計了一體化卷煙商業(yè)運營平臺，用于為供應商、零售戶和消費者提供電商運營服務；朱衛(wèi)東等［11］根據(jù)零售戶基本屬性指標，采用自組織特征映射神經(jīng)網(wǎng)絡方法對零售戶進行分類和分析。此外，在煙草行業(yè)卷煙銷售系統(tǒng)中建立了“訂足面、訂足率、投放面、訂單滿足率、訂購率”等多維度綜合性評價指標［1］，可對投放效果歸納總結(jié)，具有較好的業(yè)務指導作用。

但是卷煙投放工作的本質(zhì)是對下一階段卷煙銷售工作進行銷量預判和策略性引導。傳統(tǒng)的卷煙投放策略主要由業(yè)務員根據(jù)不同卷煙規(guī)格和不同檔位零售戶的具體情況制定，投放策略數(shù)量達到幾千條，工作任務繁重，由于人工在情感、記憶、計算等方面存在局限性，難以實現(xiàn)大規(guī)模精確計算，導致卷煙產(chǎn)品實際投放效果與市場需求出現(xiàn)偏差，直接影響煙草商業(yè)公司和卷煙零售戶的經(jīng)濟效益。隨著以深度學習為代表的新一代人工智能技術(shù)的快速發(fā)展，基于歷史大數(shù)據(jù)計算的預測準確度得到大幅度提升，在自然語言處理、圖像識別、基因組學、生物醫(yī)藥、醫(yī)療診斷、信息技術(shù)產(chǎn)業(yè)、金融、農(nóng)業(yè)、工業(yè)制造等領(lǐng)域得到廣泛應用［12-13］。為此，提出了一種基于深度神經(jīng)網(wǎng)絡的卷煙智能投放模型構(gòu)建方法，以期實現(xiàn)卷煙產(chǎn)品投放策略的智能化生成，提高工作效率。

1 產(chǎn)品銷量預測模型

產(chǎn)品銷量預測是制定投放策略的先決條件，制定投放策略的目的是為了更好地匹配市場訂單需求。因此，為制定下一個周期的產(chǎn)品投放策略，首先要對下一個周期的產(chǎn)品銷量進行預測分析，這是典型的周期性時序預測問題。傳統(tǒng)的時序預測包括支持向量機［14］、人工神經(jīng)網(wǎng)絡［15］、隨機森林回歸［16］、貝葉斯網(wǎng)絡［17］、多元線性回歸［18］等方法。人工神經(jīng)網(wǎng)絡算法主要采用BP（Back Propagation）神經(jīng)網(wǎng)絡，包括信號的前向傳播和誤差的反向傳播兩個過程［15］，有效解決了多層神經(jīng)網(wǎng)絡隱含層連接權(quán)重學習問題［19］。

深度學習方法主要包括卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）、長短期記憶神經(jīng)網(wǎng)絡（LSTM）等［12，19］。CNN（Convolutional Neural Networks）廣泛應用于計算機視覺領(lǐng)域，用于識別發(fā)生位移、縮放、扭曲的特定圖形。 RNN（Recurrent Neural Network）是一種時間遞歸網(wǎng)絡，可以使用自身內(nèi)部狀態(tài)對輸入序列進行處理，從而使神經(jīng)網(wǎng)絡擁有“數(shù)據(jù)記憶”，常用于處理語音信號、生物信號和自然語言等領(lǐng)域［12］，當輸入的序列過長時，RNN 可能會出現(xiàn)梯度消失問題。LSTM（Long Short-Term Memory）是一種特殊的RNN，在每一個單元內(nèi)放置3 個門函數(shù)，分別被稱為輸入門、遺忘門和輸出門［20］，通過3 個門的相互協(xié)同作用，可以判斷當前信息是否有價值，符合要求的信息被留下，不符合的信息則通過遺忘門被舍棄，見圖1［21］。

本研究中采用一種多層神經(jīng)網(wǎng)絡構(gòu)建預測模型，并以選取的數(shù)據(jù)特征作為全連接BP 神經(jīng)網(wǎng)絡中的輸入神經(jīng)元，而輸出神經(jīng)元即為預測的銷量值。因此，特征提取是構(gòu)建神經(jīng)網(wǎng)絡模型的關(guān)鍵步驟，分為機器特征提取和專家特征提取兩大部分，見圖2。

1.1 機器特征提取部分

主要采用LSTM 深度神經(jīng)網(wǎng)絡提取銷售數(shù)據(jù)的時序特征，每次輸入8 周的歷史銷售數(shù)據(jù)，由LSTM 計算后輸出2 個時序特征值；然后將整個LSTM 網(wǎng)絡結(jié)構(gòu)視為BP 神經(jīng)網(wǎng)絡中的2 個神經(jīng)元，將這2 個時序特征值輸入到BP 神經(jīng)網(wǎng)絡進行推演計算。

1.2 專家特征提取部分

主要采用傳統(tǒng)的數(shù)據(jù)統(tǒng)計分析方法，包括銷量統(tǒng)計特征和非線性特征，以及與卷煙銷量相關(guān)的民生數(shù)據(jù)特征和節(jié)假日信息特征。其中，銷量統(tǒng)計特征含最大值、最小值、平均值、中間值、均方差、變異系數(shù)、均方根等；非線性特征含一階偏度、二階偏度、曲率、KL（Kullback-Leibler）散度等；民生數(shù)據(jù)特征是指從國家統(tǒng)計網(wǎng)站上下載的地區(qū)民生指數(shù)數(shù)據(jù)；節(jié)假日信息特征是將每周中存在的節(jié)假日及其類型［自然周（1～52）、法定節(jié)假日、特殊節(jié)日、傳統(tǒng)節(jié)日］作為一個特征。

1.3 預測模型工作原理

將每8 周設定為一個時序周期，再以1 周為時序滑動窗口，從歷史銷售數(shù)據(jù)中提取連續(xù)8 周（假設是第1～8 周）內(nèi)的機器提取特征及專家提取特征的所有參數(shù)值作為一個訓練樣本子集，輸入神經(jīng)網(wǎng)絡模型中對應的輸入神經(jīng)元中進行計算，并將誤差輸入神經(jīng)網(wǎng)絡模型中進行反向計算以修正模型中各個輸入神經(jīng)元的權(quán)重，然后再將與第2～9 周對應的機器提取特征及專家提取特征的所有參數(shù)值作為一個新的訓練樣本子集，對神經(jīng)網(wǎng)絡模型進行訓練和修正，以此類推，直到完成所有樣本的訓練。

由于卷煙產(chǎn)品的投放周期為每周，而卷煙產(chǎn)品的平均生命周期為幾年，且會經(jīng)歷一個由興起到衰落的過程，產(chǎn)品銷量并不能始終保持恒定。因此，用于單個產(chǎn)品銷量預測的歷史銷售數(shù)據(jù)樣本數(shù)量有限，在神經(jīng)網(wǎng)絡模型訓練時容易造成模型無法完全擬合，進而導致準確度偏低等問題。而本研究中所建立的模型訓練方式可以解決訓練樣本數(shù)量不充分的問題，有效提高神經(jīng)網(wǎng)絡模型的穩(wěn)定性和預測準確度。在進行預測時，只需要根據(jù)最近8 周內(nèi)的歷史數(shù)據(jù)分別計算機器提取特征及專家提取特征的所有參數(shù)值，再將這些參數(shù)值輸入神經(jīng)網(wǎng)絡模型中對應的神經(jīng)元，其輸出值就是下一周的銷量預測值，整個推算過程是一個“黑盒子”；之后再將下一周的實際銷量值輸入模型進行反向?qū)W習修正，使整個神經(jīng)網(wǎng)絡模型隨著時間的推移不斷進化，為下一次預測做好準備；最后針對每種卷煙規(guī)格分別訓練并建立產(chǎn)品銷量預測模型。

2 產(chǎn)品投放策略生成模型

該模型的作用是將目標銷量值轉(zhuǎn)化為不同類別零售戶的產(chǎn)品投放值。行業(yè)內(nèi)常規(guī)投放策略包括按“擋位”、按“擋位+星級”、按“擋位+地理位置”、按“營銷部+地理位置”投放等。例如，采用按“擋位”投放策略，假設產(chǎn)品A 在第1 擋中投放3條，第2 擋中投放4 條，……，那么第1 擋中零售戶的購買上限是3 條，第2 擋中零售戶的購買上限是4 條，以此類推，由此可得產(chǎn)品投放策略生成模型的輸入就是A 的下一周銷量預測值，輸出就是一個針對A 的所有檔位零售戶的下一周投放上限（即購買上限）的集合。在實際工作中可以對A 的計劃投放量進行適當調(diào)整，模型會根據(jù)計劃投放量生成相應投放策略。形成每個檔位投放上限的算法實際上是一個“白盒子”，其規(guī)則是根據(jù)前8周數(shù)據(jù)中不同檔位關(guān)于A 的訂購比例進行推算。

第1 步計算第N檔零售戶下一周關(guān)于A 的投放總量：

式中：SN訂購是第N檔零售戶在前8 周中關(guān)于A的訂購總量，條；S總訂購是所有檔位零售戶在前8 周中關(guān)于A 的總訂購量，條；S預測是下一周關(guān)于A 的預測總銷量，條。

第2 步計算第N檔零售戶中關(guān)于A 的重購戶數(shù)：

式中：SN總戶數(shù)是第N檔零售戶的總戶數(shù)，戶；RN訂購率是第N檔零售戶在前8周中的平均訂購率，%。

第3 步計算第N檔零售戶中關(guān)于A 的投放數(shù)值：

由于投放數(shù)值只能是整數(shù)，那么就會產(chǎn)生一個投放數(shù)值的上限TN上限和下限TN下限。假設TN=4.45 條，那么TN上限=5 條，TN下限=4 條。TN實際上是一個預測的市場平衡值，可以根據(jù)A 的市場狀態(tài)進一步確定是取上限值還是下限值。如果選擇上限值，那么A 在下一周的銷量會略高于S預測；反之，則略低于S預測。假如A 本周市場狀態(tài)處于“稍松”，那么下一周可以選擇采取“稍緊”的策略，即下一周關(guān)于A 的第N檔零售戶的投放數(shù)值是4 條；假如A 本周市場狀態(tài)處于“稍緊”，則可以選擇采取“稍松”的策略，投放數(shù)值是5 條。

關(guān)于A 的市場狀態(tài)，可以通過訂單滿足率、訂購率、訂足率、訂足面（簡稱“三率一面”）等銷售指標結(jié)合人工經(jīng)驗進行評估。“三率一面”的計算方法分別為：

訂單滿足率=（客戶訂購量÷客戶需求量）×100%

訂購率=（訂購戶數(shù)÷總戶數(shù)）×100%

訂足率=（訂購量÷投放量）×100%

訂足面=（訂足戶數(shù)÷訂購戶數(shù)）×100%

評價一個投放模型的好壞，其重要判斷依據(jù)是產(chǎn)品的實際訂購量與預測量之間的差值，差值越小則模型越優(yōu)。另外，也可以預先設定理想的“三率一面”目標值，再通過實際投放后的“三率一面”指標來評估和調(diào)整投放模型。

3 實驗驗證

以山東青島煙草有限公司為對象，結(jié)合實際工作對智能投放模型進行測試。將青島煙草2016年1 月1 日至2020 年5 月10 日的1.18 億 條 歷史銷售訂單數(shù)據(jù)、841 萬條訪銷數(shù)據(jù)、1 592 條萬年歷數(shù)據(jù)作為訓練數(shù)據(jù)集，經(jīng)訓練得到模型并進行參數(shù)調(diào)整，然后按照模型結(jié)果進行卷煙投放，以驗證模型的實際應用效果。

3.1 銷量預測驗證

首先對1.18 億條歷史銷售訂單數(shù)據(jù)進行數(shù)據(jù)清洗和標準化預處理，按照品種規(guī)格（以下簡稱“品規(guī)”）、時序（周）2 個維度將1.18 億條銷售數(shù)據(jù)進行統(tǒng)計聚合，形成189 個品規(guī)的銷量時序數(shù)據(jù)，然后將數(shù)據(jù)集的前70%數(shù)據(jù)用于模型訓練，將剩余的30%數(shù)據(jù)用于模型的模擬驗證，并根據(jù)驗證結(jié)果進行算法調(diào)整和優(yōu)化，避免神經(jīng)網(wǎng)絡出現(xiàn)過度擬合和局部最優(yōu)。同時，利用189 個品規(guī)的銷售數(shù)據(jù)，對提出的深度神經(jīng)網(wǎng)絡模型與線性回歸、支持向量回歸（SVR）［22］、Lasso 回歸［23］、L2 回歸、隨機森林［16］共5 種時序預測方法進行對比，計算每種方法的銷量預測準確率并取平均值，結(jié)果見表1。可見，深度神經(jīng)網(wǎng)絡模型效果最優(yōu)，平均預測準確率為95.67%。

表1 多種方法預測準確率對比Tab.1 Comparison of prediction accuracy among various methods

3.2 模型投放驗證

采用人工選擇的幾種投放方式，根據(jù)模型生成的智能化投放策略，2020 年5 月11 日至15 日對“泰山（華貴）”等25 種卷煙主銷規(guī)格進行實際模型投放驗證，計算產(chǎn)品投放準確率并取平均值，結(jié)果見表2?？梢姡度霚蚀_率最高達到100%，最低為77.74%，平均準確率為92.40%。

表2 投放模型實際驗證效果Tab.2 Actual verification effect of release model

表2（續(xù)）

4 結(jié)論

針對卷煙產(chǎn)品精準投放問題，提出了一種適用于煙草商業(yè)公司的卷煙智能投放模型構(gòu)建方法，分為產(chǎn)品銷量預測和產(chǎn)品投放策略生成兩個步驟。其中，產(chǎn)品銷量預測采用一種由LSTM 時序特征提取和專家特征提取共同構(gòu)成的BP 全連接神經(jīng)網(wǎng)絡模型；產(chǎn)品投放策略生成模型以產(chǎn)品銷量預測值為輸入，結(jié)合人工選擇的投放方式進行模型推算，生成實際產(chǎn)品投放策略。以青島煙草公司189 個品規(guī)的歷史銷售數(shù)據(jù)為對象對投放模型進行測試，結(jié)果顯示銷售預測準確率為95.67%；在25 種卷煙主銷規(guī)格實際模型投放驗證中，投放準確率為92.40%。

該智能投放模型的基本原理是基于卷煙消費市場的“需求守恒”規(guī)律，并依據(jù)銷售數(shù)據(jù)中的“歷史記憶”進行慣性推導，因此并不適用于新產(chǎn)品投放?？紤]到不同地市級商業(yè)公司投放策略的差異性，以及影響卷煙消費市場的綜合性因素較多，模型的構(gòu)建應該結(jié)合實際情況對輸入特征進行有針對性的選擇，采取因地制宜的模型構(gòu)建策略，制定適用于企業(yè)自身的卷煙產(chǎn)品市場狀態(tài)評估機制，最終生成滿足“一市一策”的產(chǎn)品投放策略。

致謝：本研究得到山東青島煙草有限公司的幫助與支持，在此表示衷心感謝！