鄧 超，劉 頌，王露笛，龔 強(qiáng)，高 林，左少燕，顧祖毅，梁海玲

1. 廣西中煙工業(yè)有限責(zé)任公司，南寧市北湖南路28 號(hào) 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(hào) 266034

3. 中國(guó)科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心，北京市海淀區(qū)中關(guān)村南四街四號(hào) 100190

卷煙產(chǎn)品投放是我國(guó)煙草商業(yè)公司的一項(xiàng)重要基礎(chǔ)性工作，由產(chǎn)品投放帶來(lái)的卷煙產(chǎn)品銷(xiāo)售訂單將直接影響商業(yè)公司的經(jīng)濟(jì)效益。為響應(yīng)國(guó)家關(guān)于產(chǎn)業(yè)鏈的供給側(cè)改革號(hào)召，強(qiáng)化以市場(chǎng)為導(dǎo)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(xiāo)售和生產(chǎn)制造結(jié)構(gòu)，以提供更加符合消費(fèi)者需求的卷煙產(chǎn)品，同時(shí)保證稅利的持續(xù)穩(wěn)定增長(zhǎng)［1］。煙草產(chǎn)業(yè)鏈發(fā)展的源頭在消費(fèi)端，一套科學(xué)有效的卷煙產(chǎn)品投放策略將有利于引導(dǎo)市場(chǎng)消費(fèi)需求和減少浪費(fèi)，實(shí)現(xiàn)供給端與消費(fèi)端之間“稍緊平衡”的基本態(tài)勢(shì)。因此，如何生成面向精準(zhǔn)營(yíng)銷(xiāo)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(diǎn)。針對(duì)市場(chǎng)精準(zhǔn)營(yíng)銷(xiāo)目前已開(kāi)展了大量研究，鄧超等［2-6］針對(duì)卷煙營(yíng)銷(xiāo)大數(shù)據(jù)分析問(wèn)題，設(shè)計(jì)實(shí)現(xiàn)了面向煙草市場(chǎng)數(shù)據(jù)的可視分析系統(tǒng)，提出GRIDEN、Gridwave、K-DBSCAN 等時(shí)空大數(shù)據(jù)聚類(lèi)算法，以及基于時(shí)空網(wǎng)格的煙草市場(chǎng)大數(shù)據(jù)可視分析方法；肖迎賓等［7］為解決營(yíng)銷(xiāo)移動(dòng)辦公應(yīng)用問(wèn)題，設(shè)計(jì)實(shí)現(xiàn)了煙草移動(dòng)營(yíng)銷(xiāo)系統(tǒng)；許建等［8］針對(duì)傳統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)存在的問(wèn)題，采用傳統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)與Hadoop 技術(shù)相融合的方式，設(shè)計(jì)了煙草海量數(shù)據(jù)分析系統(tǒng)；邢陽(yáng)等［9］建立了卷煙市場(chǎng)運(yùn)行狀態(tài)智能評(píng)價(jià)模型；侯杰華等［10］基于O2O設(shè)計(jì)了一體化卷煙商業(yè)運(yùn)營(yíng)平臺(tái)，用于為供應(yīng)商、零售戶和消費(fèi)者提供電商運(yùn)營(yíng)服務(wù)；朱衛(wèi)東等［11］根據(jù)零售戶基本屬性指標(biāo)，采用自組織特征映射神經(jīng)網(wǎng)絡(luò)方法對(duì)零售戶進(jìn)行分類(lèi)和分析。此外，在煙草行業(yè)卷煙銷(xiāo)售系統(tǒng)中建立了“訂足面、訂足率、投放面、訂單滿足率、訂購(gòu)率”等多維度綜合性評(píng)價(jià)指標(biāo)［1］，可對(duì)投放效果歸納總結(jié)，具有較好的業(yè)務(wù)指導(dǎo)作用。

但是卷煙投放工作的本質(zhì)是對(duì)下一階段卷煙銷(xiāo)售工作進(jìn)行銷(xiāo)量預(yù)判和策略性引導(dǎo)。傳統(tǒng)的卷煙投放策略主要由業(yè)務(wù)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(dá)到幾千條，工作任務(wù)繁重，由于人工在情感、記憶、計(jì)算等方面存在局限性，難以實(shí)現(xiàn)大規(guī)模精確計(jì)算，導(dǎo)致卷煙產(chǎn)品實(shí)際投放效果與市場(chǎng)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(jì)效益。隨著以深度學(xué)習(xí)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(jì)算的預(yù)測(cè)準(zhǔn)確度得到大幅度提升，在自然語(yǔ)言處理、圖像識(shí)別、基因組學(xué)、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(yīng)用［12-13］。為此，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的卷煙智能投放模型構(gòu)建方法，以期實(shí)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(xiāo)量預(yù)測(cè)模型

產(chǎn)品銷(xiāo)量預(yù)測(cè)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(chǎng)訂單需求。因此，為制定下一個(gè)周期的產(chǎn)品投放策略，首先要對(duì)下一個(gè)周期的產(chǎn)品銷(xiāo)量進(jìn)行預(yù)測(cè)分析，這是典型的周期性時(shí)序預(yù)測(cè)問(wèn)題。傳統(tǒng)的時(shí)序預(yù)測(cè)包括支持向量機(jī)［14］、人工神經(jīng)網(wǎng)絡(luò)［15］、隨機(jī)森林回歸［16］、貝葉斯網(wǎng)絡(luò)［17］、多元線性回歸［18］等方法。人工神經(jīng)網(wǎng)絡(luò)算法主要采用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，包括信號(hào)的前向傳播和誤差的反向傳播兩個(gè)過(guò)程［15］，有效解決了多層神經(jīng)網(wǎng)絡(luò)隱含層連接權(quán)重學(xué)習(xí)問(wèn)題［19］。

深度學(xué)習(xí)方法主要包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）等［12，19］。CNN（Convolutional Neural Networks）廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域，用于識(shí)別發(fā)生位移、縮放、扭曲的特定圖形。 RNN（Recurrent Neural Network）是一種時(shí)間遞歸網(wǎng)絡(luò)，可以使用自身內(nèi)部狀態(tài)對(duì)輸入序列進(jìn)行處理，從而使神經(jīng)網(wǎng)絡(luò)擁有“數(shù)據(jù)記憶”，常用于處理語(yǔ)音信號(hào)、生物信號(hào)和自然語(yǔ)言等領(lǐng)域［12］，當(dāng)輸入的序列過(guò)長(zhǎng)時(shí)，RNN 可能會(huì)出現(xiàn)梯度消失問(wèn)題。LSTM（Long Short-Term Memory）是一種特殊的RNN，在每一個(gè)單元內(nèi)放置3 個(gè)門(mén)函數(shù)，分別被稱(chēng)為輸入門(mén)、遺忘門(mén)和輸出門(mén)［20］，通過(guò)3 個(gè)門(mén)的相互協(xié)同作用，可以判斷當(dāng)前信息是否有價(jià)值，符合要求的信息被留下，不符合的信息則通過(guò)遺忘門(mén)被舍棄，見(jiàn)圖1［21］。

本研究中采用一種多層神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)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(luò)中的輸入神經(jīng)元，而輸出神經(jīng)元即為預(yù)測(cè)的銷(xiāo)量值。因此，特征提取是構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵步驟，分為機(jī)器特征提取和專(zhuān)家特征提取兩大部分，見(jiàn)圖2。

1.1 機(jī)器特征提取部分

主要采用LSTM 深度神經(jīng)網(wǎng)絡(luò)提取銷(xiāo)售數(shù)據(jù)的時(shí)序特征，每次輸入8 周的歷史銷(xiāo)售數(shù)據(jù)，由LSTM 計(jì)算后輸出2 個(gè)時(shí)序特征值；然后將整個(gè)LSTM 網(wǎng)絡(luò)結(jié)構(gòu)視為BP 神經(jīng)網(wǎng)絡(luò)中的2 個(gè)神經(jīng)元，將這2 個(gè)時(shí)序特征值輸入到BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行推演計(jì)算。

1.2 專(zhuān)家特征提取部分

主要采用傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)分析方法，包括銷(xiāo)量統(tǒng)計(jì)特征和非線性特征，以及與卷煙銷(xiāo)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(xiāo)量統(tǒng)計(jì)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(guó)家統(tǒng)計(jì)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(lèi)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(gè)特征。

1.3 預(yù)測(cè)模型工作原理

將每8 周設(shè)定為一個(gè)時(shí)序周期，再以1 周為時(shí)序滑動(dòng)窗口，從歷史銷(xiāo)售數(shù)據(jù)中提取連續(xù)8 周（假設(shè)是第1～8 周）內(nèi)的機(jī)器提取特征及專(zhuān)家提取特征的所有參數(shù)值作為一個(gè)訓(xùn)練樣本子集，輸入神經(jīng)網(wǎng)絡(luò)模型中對(duì)應(yīng)的輸入神經(jīng)元中進(jìn)行計(jì)算，并將誤差輸入神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行反向計(jì)算以修正模型中各個(gè)輸入神經(jīng)元的權(quán)重，然后再將與第2～9 周對(duì)應(yīng)的機(jī)器提取特征及專(zhuān)家提取特征的所有參數(shù)值作為一個(gè)新的訓(xùn)練樣本子集，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和修正，以此類(lèi)推，直到完成所有樣本的訓(xùn)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(huì)經(jīng)歷一個(gè)由興起到衰落的過(guò)程，產(chǎn)品銷(xiāo)量并不能始終保持恒定。因此，用于單個(gè)產(chǎn)品銷(xiāo)量預(yù)測(cè)的歷史銷(xiāo)售數(shù)據(jù)樣本數(shù)量有限，在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)容易造成模型無(wú)法完全擬合，進(jìn)而導(dǎo)致準(zhǔn)確度偏低等問(wèn)題。而本研究中所建立的模型訓(xùn)練方式可以解決訓(xùn)練樣本數(shù)量不充分的問(wèn)題，有效提高神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性和預(yù)測(cè)準(zhǔn)確度。在進(jìn)行預(yù)測(cè)時(shí)，只需要根據(jù)最近8 周內(nèi)的歷史數(shù)據(jù)分別計(jì)算機(jī)器提取特征及專(zhuān)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(luò)模型中對(duì)應(yīng)的神經(jīng)元，其輸出值就是下一周的銷(xiāo)量預(yù)測(cè)值，整個(gè)推算過(guò)程是一個(gè)“黑盒子”；之后再將下一周的實(shí)際銷(xiāo)量值輸入模型進(jìn)行反向?qū)W習(xí)修正，使整個(gè)神經(jīng)網(wǎng)絡(luò)模型隨著時(shí)間的推移不斷進(jìn)化，為下一次預(yù)測(cè)做好準(zhǔn)備；最后針對(duì)每種卷煙規(guī)格分別訓(xùn)練并建立產(chǎn)品銷(xiāo)量預(yù)測(cè)模型。

2 產(chǎn)品投放策略生成模型

該模型的作用是將目標(biāo)銷(xiāo)量值轉(zhuǎn)化為不同類(lèi)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(jí)”、按“擋位+地理位置”、按“營(yíng)銷(xiāo)部+地理位置”投放等。例如，采用按“擋位”投放策略，假設(shè)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(gòu)買(mǎi)上限是3 條，第2 擋中零售戶的購(gòu)買(mǎi)上限是4 條，以此類(lèi)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(xiāo)量預(yù)測(cè)值，輸出就是一個(gè)針對(duì)A 的所有檔位零售戶的下一周投放上限（即購(gòu)買(mǎi)上限）的集合。在實(shí)際工作中可以對(duì)A 的計(jì)劃投放量進(jìn)行適當(dāng)調(diào)整，模型會(huì)根據(jù)計(jì)劃投放量生成相應(yīng)投放策略。形成每個(gè)檔位投放上限的算法實(shí)際上是一個(gè)“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(gòu)比例進(jìn)行推算。

第1 步計(jì)算第N檔零售戶下一周關(guān)于A 的投放總量：

式中：SN訂購(gòu)是第N檔零售戶在前8 周中關(guān)于A的訂購(gòu)總量，條；S總訂購(gòu)是所有檔位零售戶在前8 周中關(guān)于A 的總訂購(gòu)量，條；S預(yù)測(cè)是下一周關(guān)于A 的預(yù)測(cè)總銷(xiāo)量，條。

第2 步計(jì)算第N檔零售戶中關(guān)于A 的重購(gòu)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(gòu)率是第N檔零售戶在前8周中的平均訂購(gòu)率，%。

第3 步計(jì)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(huì)產(chǎn)生一個(gè)投放數(shù)值的上限TN上限和下限TN下限。假設(shè)TN=4.45 條，那么TN上限=5 條，TN下限=4 條。TN實(shí)際上是一個(gè)預(yù)測(cè)的市場(chǎng)平衡值，可以根據(jù)A 的市場(chǎng)狀態(tài)進(jìn)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(xiāo)量會(huì)略高于S預(yù)測(cè)；反之，則略低于S預(yù)測(cè)。假如A 本周市場(chǎng)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(chǎng)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(chǎng)狀態(tài)，可以通過(guò)訂單滿足率、訂購(gòu)率、訂足率、訂足面（簡(jiǎn)稱(chēng)“三率一面”）等銷(xiāo)售指標(biāo)結(jié)合人工經(jīng)驗(yàn)進(jìn)行評(píng)估。“三率一面”的計(jì)算方法分別為：

訂單滿足率=（客戶訂購(gòu)量÷客戶需求量）×100%

訂購(gòu)率=（訂購(gòu)戶數(shù)÷總戶數(shù)）×100%

訂足率=（訂購(gòu)量÷投放量）×100%

訂足面=（訂足戶數(shù)÷訂購(gòu)戶數(shù)）×100%

評(píng)價(jià)一個(gè)投放模型的好壞，其重要判斷依據(jù)是產(chǎn)品的實(shí)際訂購(gòu)量與預(yù)測(cè)量之間的差值，差值越小則模型越優(yōu)。另外，也可以預(yù)先設(shè)定理想的“三率一面”目標(biāo)值，再通過(guò)實(shí)際投放后的“三率一面”指標(biāo)來(lái)評(píng)估和調(diào)整投放模型。

3 實(shí)驗(yàn)驗(yàn)證

以山東青島煙草有限公司為對(duì)象，結(jié)合實(shí)際工作對(duì)智能投放模型進(jìn)行測(cè)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(xiāo)售訂單數(shù)據(jù)、841 萬(wàn)條訪銷(xiāo)數(shù)據(jù)、1 592 條萬(wàn)年歷數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，經(jīng)訓(xùn)練得到模型并進(jìn)行參數(shù)調(diào)整，然后按照模型結(jié)果進(jìn)行卷煙投放，以驗(yàn)證模型的實(shí)際應(yīng)用效果。

3.1 銷(xiāo)量預(yù)測(cè)驗(yàn)證

首先對(duì)1.18 億條歷史銷(xiāo)售訂單數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和標(biāo)準(zhǔn)化預(yù)處理，按照品種規(guī)格（以下簡(jiǎn)稱(chēng)“品規(guī)”）、時(shí)序（周）2 個(gè)維度將1.18 億條銷(xiāo)售數(shù)據(jù)進(jìn)行統(tǒng)計(jì)聚合，形成189 個(gè)品規(guī)的銷(xiāo)量時(shí)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(xùn)練，將剩余的30%數(shù)據(jù)用于模型的模擬驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果進(jìn)行算法調(diào)整和優(yōu)化，避免神經(jīng)網(wǎng)絡(luò)出現(xiàn)過(guò)度擬合和局部最優(yōu)。同時(shí)，利用189 個(gè)品規(guī)的銷(xiāo)售數(shù)據(jù)，對(duì)提出的深度神經(jīng)網(wǎng)絡(luò)模型與線性回歸、支持向量回歸（SVR）［22］、Lasso 回歸［23］、L2 回歸、隨機(jī)森林［16］共5 種時(shí)序預(yù)測(cè)方法進(jìn)行對(duì)比，計(jì)算每種方法的銷(xiāo)量預(yù)測(cè)準(zhǔn)確率并取平均值，結(jié)果見(jiàn)表1?？梢?jiàn)，深度神經(jīng)網(wǎng)絡(luò)模型效果最優(yōu)，平均預(yù)測(cè)準(zhǔn)確率為95.67%。

表1 多種方法預(yù)測(cè)準(zhǔn)確率對(duì)比Tab.1 Comparison of prediction accuracy among various methods

3.2 模型投放驗(yàn)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(duì)“泰山（華貴）”等25 種卷煙主銷(xiāo)規(guī)格進(jìn)行實(shí)際模型投放驗(yàn)證，計(jì)算產(chǎn)品投放準(zhǔn)確率并取平均值，結(jié)果見(jiàn)表2?？梢?jiàn)，投入準(zhǔn)確率最高達(dá)到100%，最低為77.74%，平均準(zhǔn)確率為92.40%。

表2 投放模型實(shí)際驗(yàn)證效果Tab.2 Actual verification effect of release model

表2（續(xù)）

4 結(jié)論

針對(duì)卷煙產(chǎn)品精準(zhǔn)投放問(wèn)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(xiāo)量預(yù)測(cè)和產(chǎn)品投放策略生成兩個(gè)步驟。其中，產(chǎn)品銷(xiāo)量預(yù)測(cè)采用一種由LSTM 時(shí)序特征提取和專(zhuān)家特征提取共同構(gòu)成的BP 全連接神經(jīng)網(wǎng)絡(luò)模型；產(chǎn)品投放策略生成模型以產(chǎn)品銷(xiāo)量預(yù)測(cè)值為輸入，結(jié)合人工選擇的投放方式進(jìn)行模型推算，生成實(shí)際產(chǎn)品投放策略。以青島煙草公司189 個(gè)品規(guī)的歷史銷(xiāo)售數(shù)據(jù)為對(duì)象對(duì)投放模型進(jìn)行測(cè)試，結(jié)果顯示銷(xiāo)售預(yù)測(cè)準(zhǔn)確率為95.67%；在25 種卷煙主銷(xiāo)規(guī)格實(shí)際模型投放驗(yàn)證中，投放準(zhǔn)確率為92.40%。

該智能投放模型的基本原理是基于卷煙消費(fèi)市場(chǎng)的“需求守恒”規(guī)律，并依據(jù)銷(xiāo)售數(shù)據(jù)中的“歷史記憶”進(jìn)行慣性推導(dǎo)，因此并不適用于新產(chǎn)品投放?？紤]到不同地市級(jí)商業(yè)公司投放策略的差異性，以及影響卷煙消費(fèi)市場(chǎng)的綜合性因素較多，模型的構(gòu)建應(yīng)該結(jié)合實(shí)際情況對(duì)輸入特征進(jìn)行有針對(duì)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(chǎng)狀態(tài)評(píng)估機(jī)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！