劉 源

（重慶電子工程職業(yè)學(xué)院 管理學(xué)院，重慶 401331）

1 引言

隨著信息技術(shù)及電子商務(wù)的廣泛應(yīng)用，傳統(tǒng)的實體零售店正面臨越來越困難的局面，一方面他們要對供應(yīng)商送來的大量商品進(jìn)行分類、庫存等業(yè)務(wù)的處理，以滿足顧客多樣化的需求，另一方面又不得不考慮商品采購數(shù)量以確保企業(yè)利潤的最大化。這些零售店的競爭對手不僅限于同一地區(qū)的其他實體零售店，還包括越來越多蓬勃發(fā)展的網(wǎng)上商店，這些網(wǎng)上商店提供的商品價格更加便宜。此外，實體零售店還得應(yīng)付那些精明的消費者—通過強(qiáng)大的互聯(lián)網(wǎng)，這些消費者不僅可以掌握相關(guān)的商品知識，而且可以迅速獲得其他零售店相同商品的價格，這對零售企業(yè)來說更是雪上加霜。面對這種情況，零售企業(yè)通常采取兩種措施，一是盡可能利用存儲空間，以提供更多的商品。但是由于經(jīng)營場地空間的限制，能夠擺放的商品始終有限，這些實體店不得不仔細(xì)挑選能吸引顧客的商品以保證利潤。另一種方法是識別忠誠顧客，并加強(qiáng)與他們的聯(lián)系，為其提供更優(yōu)良的服務(wù)及價格優(yōu)惠，以保證盈利。營銷界有句名言：企業(yè)80%的收入是來自于20%的忠實客戶，可以說，如何有效地針對這些客戶執(zhí)行一對一營銷是成功的關(guān)鍵。實體零售店面臨的挑戰(zhàn)是學(xué)習(xí)如何識別每一位光臨的顧客，將其與那些貨比三家、只買便宜貨的普通客戶區(qū)分開來，并與他們建立良好的合作關(guān)系，以實現(xiàn)利潤的穩(wěn)定增長。為實現(xiàn)這一目標(biāo)，許多零售商正在推出會員計劃（Frequent Shoppers Program，F(xiàn)SP，也稱頻繁購物者計劃），為其忠實的客戶提供會員優(yōu)惠價格、禮品券和廉價商品信息等，以最大限度留住老顧客。

這兩項措施，一是通過合理定價及調(diào)整庫存水平來提高商品的周轉(zhuǎn)率，二是對忠誠度的客戶進(jìn)行獎勵，都有一定的效果，但是如果把它們進(jìn)行結(jié)合，比如以FSP為基礎(chǔ)對不同忠誠度的客戶提供不同的折扣，則可以給實體零售點帶來更多的好處。然而，在客戶選購商品時要判斷其是否為忠誠客戶是很難的，這使得零售商難以有效地執(zhí)行FSP。此外，針對不同忠誠度的客戶展示不同的價格也比較困難，因為貨架上的價格標(biāo)簽通常是靜態(tài)的。因為這些限制，實體店零售商很難在區(qū)分忠實客戶的同時執(zhí)行合理定價。

然而，隨著無線射頻識別（RFID）技術(shù)的發(fā)展，不管是內(nèi)嵌RF標(biāo)簽的客戶卡還是RFID識別器以及用于這些硬件設(shè)備的RFID軟件系統(tǒng)，都在商業(yè)領(lǐng)域得到廣泛應(yīng)用，這些技術(shù)使得上述應(yīng)用變?yōu)榭赡?。目前需要提出一套機(jī)制，針對不同忠誠度的客戶可以計算出不同的價格，同時還可以控制存貨周轉(zhuǎn)率，或者說，可以實現(xiàn)客戶關(guān)系管理（CRM）和供應(yīng)鏈管理（SCM）的有效結(jié)合。本文提出了一種RFID應(yīng)用系統(tǒng)及對應(yīng)的兩種算法，以有效解決此問題。

此外，該應(yīng)用也可以解決另一個問題：實體店零售商如何針對顧客提供適當(dāng)?shù)男畔?，以提高客戶滿意度，促進(jìn)銷售。如前所述，一對一營銷是零售企業(yè)獲得成功的關(guān)鍵，但當(dāng)顧客購物時，實體店零售商很難知道他們是誰，因為如果他們是零售商的會員，通常只有在收銀臺結(jié)賬時才會表明身份。而本系統(tǒng)則可以在會員顧客購物時對其進(jìn)行有效識別，使零售商可以對其進(jìn)行一對一營銷。本文提出的賣場推薦系統(tǒng)，一方面可以向客戶提供商品推薦，另一方面可以讓零售商獲取顧客相關(guān)的購物行為信息。

2 相關(guān)理論

2.1 會員計劃（FrequentShoppers Program，F(xiàn)SP）

FSP是一種商業(yè)慣用手段，是為回報客戶而對其提供各種激勵措施，如產(chǎn)品/服務(wù)折扣、提供免費的產(chǎn)品/服務(wù)、用于最新產(chǎn)品/服務(wù)的優(yōu)惠券等。FSP最初應(yīng)用于航空業(yè)，在取得成功后其他的一些行業(yè)如零售、酒店、金融服務(wù)等，也逐步引入這一方法。對于這些行業(yè)來說，回報客戶是非常重要的，其一是因為這些行業(yè)“大部分的收入來自少數(shù)高度忠誠的客戶”，其二是因為“留住客戶的成本一般都低于獲得客戶的成本”。通常情況下，會員購買公司的產(chǎn)品/服務(wù)越多，其從公司獲得的獎勵就越多。但是，如果想得到回報，必須遵循的一個基本規(guī)則是：在使用/購買零售商的產(chǎn)品/服務(wù)時表明身份，這樣才能獲得消費記錄的累積信息，然后以積分申請自己想要的東西。而目前的實際情況是，由于客戶通常是在結(jié)賬時才展示自己的客戶卡，在他們選購商品時不大可能及時地獲取顧客信息從而回報客戶，這在一定程度上會影響顧客的購買決策。

2.2 動態(tài)定價（Dynamic Pricing，DP）

研究在給定的約束條件（如到期日）下，如何利用給定的資源（如產(chǎn)品/服務(wù)）實現(xiàn)收益最大化，也稱為收益管理。動態(tài)定價被認(rèn)為是收益管理的一部分，其重點是以合理定價（如何設(shè)定價格、何時打折等）實現(xiàn)收益優(yōu)化。

本文將DP作為一種調(diào)整存貨周轉(zhuǎn)率的手段，以提高盈利能力。如前所述，由于保持高存貨周轉(zhuǎn)率是增加收益的一個條件，假設(shè)所有貨架上的商品在滿足盈利目標(biāo)上都有一定的時間限制，即使其沒有過期或不斷得到補(bǔ)充（考慮到產(chǎn)品生命周期越來越短以及大多數(shù)零售商店的產(chǎn)品都有季節(jié)性，認(rèn)為這個假設(shè)是成立的）?；谶@一假設(shè)，用式（1）來表示商品在無補(bǔ)充條件下的動態(tài)定價方法，其中d(t)是在時間點t的需求，C是初始庫存水平，r(t,d(t))是在時間點t的收入，T是銷售周期。

2.3 顧客推薦系統(tǒng)（Recommender System，RS）

顧客推薦系統(tǒng)是一種基于產(chǎn)品/服務(wù)的屬性和消費者偏好向顧客推薦產(chǎn)品或服務(wù)的系統(tǒng)。該系統(tǒng)目前在電子商務(wù)網(wǎng)站（如Amazon、淘寶等）非常流行。根據(jù)推薦方法的不同，可以將顧客推薦系統(tǒng)分為三類：基于內(nèi)容的推薦、協(xié)同過濾推薦及兩者混合。這些方法的一個共同特點是：其通常會根據(jù)某個客戶的購物歷史及與其行為相似的其他客戶的購物歷史，使用某種算法來發(fā)現(xiàn)顧客最有可能購買的產(chǎn)品/服務(wù)。

顧客推薦系統(tǒng)的使用并不局限于網(wǎng)上零售店，但其在網(wǎng)上商店比實體零售店更流行，主要有兩方面的原因：首先，顧客推薦系統(tǒng)通常會使用大量的數(shù)據(jù)來尋找適合某個客戶的產(chǎn)品/服務(wù)，而對電子商務(wù)網(wǎng)站而言，通過收集顧客的點擊信息可以很容易獲得這些數(shù)據(jù)；其次，從技術(shù)角度來說，針對登錄電子商務(wù)網(wǎng)站的不同顧客顯示不同的商品信息也很容易。因此，顧客推薦系統(tǒng)被越來越多的網(wǎng)上零售商使用，但目前也有一些實體零售店正在嘗試將這種流行于電子商務(wù)網(wǎng)站的方法引用過來。

3 系統(tǒng)架構(gòu)

3.1 系統(tǒng)基本結(jié)構(gòu)

本系統(tǒng)基本結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)基本架構(gòu)

內(nèi)嵌射頻標(biāo)簽的客戶卡：用來識別每個會員顧客。

數(shù)顯RFID讀寫器：通過掃描客戶卡，向會員顧客提供相應(yīng)的有用信息（如折扣價）。

動態(tài)定價引擎（DPE）：根據(jù)顧客的忠誠度、當(dāng)前和未來的庫存水平和相關(guān)產(chǎn)品信息計算適當(dāng)?shù)膬r格，并將結(jié)果輸出到RFID讀寫器。如果系統(tǒng)需要向會員顧客提供推薦，會向動態(tài)定價引擎發(fā)送一個查詢，獲取建議，并將信息與價格信息進(jìn)行整合。

顧客數(shù)據(jù)庫：負(fù)責(zé)管理會員顧客，依據(jù)其購物歷史及零售店的權(quán)重配置來確定顧客的忠誠度水平。

庫存管理系統(tǒng)（IMS）：負(fù)責(zé)管理庫存，包括依據(jù)銷售趨勢和初始庫存水平進(jìn)行庫存預(yù)測。

推薦引擎（RE）：負(fù)責(zé)收集客戶ID、檢索商品信息，并以此為基礎(chǔ)計算建議結(jié)果。

系統(tǒng)的工作流程如下：

（1）在會員顧客想要購買商品時，由數(shù)顯RFID讀寫器掃描其客戶卡；

（2）RFID讀寫器將顧客ID信息發(fā)送至動態(tài)定價引擎，并開始計算銷售價格；

（3）動態(tài)定價引擎從客戶數(shù)據(jù)庫獲得顧客的忠誠度水平；

（4a）動態(tài)定價引擎從庫存管理系統(tǒng)中獲取庫存信息；

（5）動態(tài)定價引擎通過步驟（3）和（4a）獲取的信息，計算該顧客的會員價格；

（6）動態(tài)定價引擎將計算出的價格返回給數(shù)顯RFID讀寫器，向顧客顯示其對應(yīng)的會員價格。

如果在運(yùn)行過程中要加入顧客推薦系統(tǒng)，則需要添加步驟（4b），式（5）及式（6）也需要進(jìn)行修改：

（4b）動態(tài)定價引擎將客戶ID和掃描的商品信息發(fā)送至顧客推薦系統(tǒng)，獲得相應(yīng)推薦信息；

（5）動態(tài)定價引擎通過步驟（3）和（4a）獲取的信息計算該顧客的會員價格，并將價格和步驟（4b）中獲取的推薦信息進(jìn)行整合；

（6）動態(tài)定價引擎將計算出的價格及相應(yīng)推薦信息返回給數(shù)顯RFID讀寫器，并向顧客顯示這些信息。

3.2 動態(tài)定價引擎的算法

在此提出應(yīng)用程序使用的兩種算法：基本目標(biāo)折扣價算法（BTDP算法）和會員類型目標(biāo)折扣價格算法（MTDP算法）。3.2.1 基本目標(biāo)折扣價算法（BTDP算法）。該算法用來計算要達(dá)到目標(biāo)存貨周轉(zhuǎn)率所對應(yīng)的價格，不考慮顧客的不同忠誠度水平。該算法基于式（1）進(jìn)行計算，力圖得到一個適當(dāng)?shù)膬r格，使得在銷售期結(jié)束時庫存水平為零。圖2描述了該算法的計算過程，用該算法計算的價格記為PBTDP。

圖2 BTDP算法流程

3.2.2 會員類型目標(biāo)折扣價格算法（MTDP算法）。該算法是在考慮顧客不同忠誠度水平的基礎(chǔ)上計算適當(dāng)?shù)膬r格。該算法在BTDP算法的基礎(chǔ)上，考慮了不同忠誠度水平對應(yīng)的BTDP價格（記為PMTDP）、每一類會員的百分比、每類會員之間的價格折扣差以及商品標(biāo)示價格等信息。圖3描述了該算法的流程。

需要說明的是，以上兩種算法并不是實現(xiàn)利潤最大化，而是實現(xiàn)規(guī)定的目標(biāo)存貨周轉(zhuǎn)率以及對不同忠誠度的顧客實現(xiàn)不同回報。因此，如果希望使用這種基于顧客忠誠度的動態(tài)定價方法來實現(xiàn)利潤最大化，必須對以上算法進(jìn)行一些改進(jìn)。

另外，對于零售商而言，要應(yīng)用以上系統(tǒng)，應(yīng)具備幾個基本條件：（1）零售商實施了會員計劃（FSP），并向其顧客分發(fā)了內(nèi)嵌RF芯片的客戶卡；（2）購置了可用于顯示信息及收集數(shù)據(jù)的數(shù)顯RFID讀寫器；（3）店內(nèi)陳列的各類型商品都有相應(yīng)的RFID識別器；（4）有足夠的庫存。從技術(shù)角度來說，這些條件都易于實現(xiàn)。

圖3 MTDP算法流程

4 結(jié)語

實體店零售商面臨的形勢越來越嚴(yán)峻，其不僅要與同一地理區(qū)域的其他實體店零售商競爭，還要與眾多的網(wǎng)上零售商進(jìn)行競爭。為了應(yīng)對這一嚴(yán)峻形勢，有效地控制店內(nèi)庫存和與忠實客戶建立良好的關(guān)系是成功的關(guān)鍵。如果零售商可以結(jié)合這兩種做法，利用庫存控制目標(biāo)及客戶忠誠度來實現(xiàn)顧客的區(qū)別銷售，則可以使其銷售行為更加經(jīng)濟(jì)合理。

另外，通過本系統(tǒng)，實體零售商可以獲得顧客的相關(guān)購物行為信息，這對買賣雙方來說都有巨大的好處。對消費者來說，其不僅可以獲得優(yōu)惠的價格，還能獲得有參考價值的銷售推薦，通過購物次數(shù)的積累還可以獲得某種形式的回報；對零售商來說，其可以獲得以前沒有獲得過的兩類信息：一是諸如顧客如何挑選商品、顧客選擇商品要用多長時間等信息；二是某個時刻店里哪些地方出現(xiàn)擁擠？有多擁擠？這些信息一方面可以使零售商能對顧客提供更細(xì)致的服務(wù)，另一方面也可以使其對銷售方式及手段進(jìn)行改進(jìn)。

[1]王凱,侯著榮,程麗.RFID技術(shù)在智能物流中的應(yīng)用研究[J].河北省科學(xué)院學(xué)報,2011,28(4):57-60.

[2]董鳳鳴.RFID在商場顧客自助服務(wù)中的創(chuàng)新應(yīng)用研究[J].商場現(xiàn)代化,2012,(32):41-42.

[3]章文燕.網(wǎng)絡(luò)與信息化中的RFID技術(shù)應(yīng)用研究[J].金融與經(jīng)濟(jì),2011,(5):40-43.

[4]K Lin.Dynamic pricing with real-time demand learning[J].European Journal of Operetional Research,2005,174(1):522-538.

[5]G Adomavicius,A Tuzhilin.Toward the next generation of recommender systems:A survey of the state-of-the-art and possible extensions[J].IEEE Transactions on Knowledge and Data Engineering,2005,17(6):734-749.

[6]J L Herlocker,J A Konstan,L G Terveen,J T Riedl.Evaluating collaborative filtering recommender systems[J].ACM Transactions Information Systems,2004,22(1):5-13.