朱君然，王保魯

(1.倫敦藝術(shù)大學(xué) 倫敦時裝學(xué)院，英國倫敦 WC1V7EY； 2.北京服裝學(xué)院 服裝藝術(shù)與工程學(xué)院，北京 100029)

隨著國民經(jīng)濟與互聯(lián)網(wǎng)技術(shù)的發(fā)展，近年來我國跨境電商行業(yè)發(fā)展愈發(fā)迅猛。根據(jù)易觀Analysys發(fā)布數(shù)據(jù)顯示，2021年中國跨境進口零售電商交易規(guī)模預(yù)計將達到4 943.7億元人民幣，且市場規(guī)模還會進一步擴大[1]。在眾多跨境電商模式中，買手平臺(自營型B2C模式)通過直接參與到貨源組織、商品選擇、物流倉儲及銷售過程，降低了消費者選擇成本，提升了消費者信任度，得到消費者的青睞。但同時，該模式下資金占用程度較高，要求企業(yè)能準(zhǔn)確感知消費者需求，需要平臺買手具備較高的選品能力，以提升動銷率，保證平臺的健康運轉(zhuǎn)[2]。目前平臺買手更多依賴個人經(jīng)驗和傳統(tǒng)數(shù)據(jù)處理方式進行選品工作，買手往往會因為個人主觀判斷出現(xiàn)偏差而未做出利益最大化的選擇。

面對這一問題，現(xiàn)有研究多通過分析影響跨境電商平臺選品的諸多因素，以給出指導(dǎo)平臺選品的合理化建議，如采用技術(shù)選品法、試錯選品法和市場選品法等[3-4]，但現(xiàn)有研究多從定性分析角度給出選品建議，缺少經(jīng)量化分析后的選品模型，選品準(zhǔn)確率難以驗證。

在前人研究的基礎(chǔ)上，本文結(jié)合實際案例對跨境電商買手平臺選品過程及相關(guān)影響因素進行研究，通過量化分析選擇最優(yōu)影響因素組合并加以驗證。目前，人工智能技術(shù)開始應(yīng)用于人類生活的方方面面，時尚零售業(yè)也開始探索運用人工智能和大數(shù)據(jù)技術(shù)改變傳統(tǒng)運營方式，幫助企業(yè)實現(xiàn)更加精準(zhǔn)的市場預(yù)測與款式開發(fā)等。本文運用人工智能算法(BP神經(jīng)網(wǎng)絡(luò))，尋找能夠輸出最佳預(yù)測結(jié)果的因素組合，從而構(gòu)建一套可以幫助平臺買手降低個人主觀判斷偏差、提高選品準(zhǔn)確率的選品模型，實現(xiàn)對商品選擇的準(zhǔn)確預(yù)測。

1 影響買手選品因素分析

專業(yè)買手對服飾類產(chǎn)品采買的根本目的是為企業(yè)獲得利潤，所以選品過程中不可僅僅依賴個人審美進行選擇，需要綜合完善的評判標(biāo)準(zhǔn)以及一定的選品邏輯[5]。研究得知，產(chǎn)品的面料材質(zhì)、款式造型、色彩花紋、設(shè)計元素、價格等會影響消費者購買決策，當(dāng)?shù)刈匀画h(huán)境與社會環(huán)境也會影響服飾類產(chǎn)品銷售[6-8]。另外，買手平臺自身銷售與庫存數(shù)據(jù)，如銷售收入、毛利率、庫存等，也是買手需要著重管理和參考的重要指標(biāo)[9]。

根據(jù)對國內(nèi)某跨境奢侈品電商B2C端選品運營部主管與專員及國內(nèi)某小型跨境奢侈品零售企業(yè)合伙人開展專家訪談可知，影響跨境電商買手平臺選品決策的因素普遍包含面料、款式、顏色、價格等商品自身因素，季節(jié)氣候等自然環(huán)境因素，政治文化等社會環(huán)境因素，以及平臺銷售數(shù)據(jù)、供應(yīng)商條件等。綜合以上內(nèi)容，得出5大類共計15項影響跨境電商買手平臺選品的關(guān)鍵因素，如表1所示。

表1 影響選品因素

2 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。作為一種機器學(xué)習(xí)方式，BP神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)輸入與輸出值之間的非簡單線性映射關(guān)系，不斷修正網(wǎng)絡(luò)權(quán)值和閥值，最終使誤差信號最小，逼近任意復(fù)雜的非線性輸出值，并以此構(gòu)建輸入值與輸出值之間的神經(jīng)網(wǎng)絡(luò)模型[10]。

在紡織服裝領(lǐng)域，利用BP神經(jīng)網(wǎng)絡(luò)可以幫助實現(xiàn)服裝號型歸檔與推薦、服裝款式與圖像分類識別、服裝庫存管理與銷售預(yù)測等。如曾祥鶴等[11]利用BP神經(jīng)網(wǎng)絡(luò)建立由凈體尺寸輸入自動生成成衣尺寸預(yù)測模型，以提高服裝打板效率；羅戎蕾等[12]將流行趨勢、季節(jié)氣候變化、產(chǎn)品價格等作為輸入量，采用神經(jīng)網(wǎng)絡(luò)構(gòu)建銷售預(yù)測模型。

在本文中，將影響買手選品的相關(guān)因素作為輸入量，產(chǎn)品是否可以成功銷售(即買手平臺是否選擇該產(chǎn)品)作為輸出量，通過BP神經(jīng)網(wǎng)絡(luò)，來構(gòu)建輸入量與輸出量間的網(wǎng)絡(luò)模型并進行驗證。神經(jīng)網(wǎng)絡(luò)初始模型如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3 基于BP神經(jīng)網(wǎng)絡(luò)的選品模型設(shè)計與應(yīng)用

3.1 數(shù)據(jù)集建立

選取國內(nèi)某跨境電商買手平臺進行實證研究。該企業(yè)是一家主營海外奢侈品牌服飾類商品的跨境電商，其貨品供應(yīng)商主要為意大利奢侈品經(jīng)銷商?；诒?中的影響選品要素，對該平臺買手負責(zé)人及數(shù)位在該企業(yè)從事選品工作的專業(yè)買手進行訪談，結(jié)合該平臺實際情況，挑選出最符合該公司實際業(yè)務(wù)模式的選品影響因素9項，分別是：價格競爭力、品牌流行度、產(chǎn)品流行度、設(shè)計創(chuàng)意、面料與材質(zhì)、可搭配性、實穿性、自然環(huán)境和產(chǎn)品(相似或同類)過往銷售情況。同時，按照程度或主觀評價由低至高，采用5級量表，為各因素制定量化評分標(biāo)準(zhǔn)。如在價格競爭力因素中，“1”表示產(chǎn)品價格競爭力很低，“5”表示產(chǎn)品價格競爭力很高；在面料與材質(zhì)因素中，“1”表示產(chǎn)品面料與材質(zhì)很差，“5”表示產(chǎn)品面料與材質(zhì)很好。

然后，經(jīng)該跨境電商買手平臺許可后，對2019年售罄率高于80%以及售罄率低于20%的商品進行隨機抽取，共采集商品60件，其中銷售較好與銷售較差商品各占一半。商品按品類分布情況如表2所示。商品數(shù)據(jù)包含品牌貨號、商品名稱、采購價格、品類、顏色、商品圖片、歷史銷售數(shù)據(jù)等。

表2 采集商品數(shù)量分布

最后，將此60件(套)商品的商品數(shù)據(jù)制作成表，由該平臺買手負責(zé)人對照影響選品的9項因素，對每一件商品進行評價。各商品在每一影響因素的得分匯總成為選品模型輸入向量X=(x1，x2，…，x60)T。在輸出向量O中，售罄率高于80%的商品賦值為“1”，售罄率低于20%的商品賦值為“0”。

3.2 神經(jīng)網(wǎng)絡(luò)建立

首先，將60組數(shù)據(jù)導(dǎo)入MatLab軟件。其次，為使輸入與輸出數(shù)據(jù)的量度統(tǒng)一，對數(shù)據(jù)進行歸一化處理，使最終數(shù)據(jù)落在[0,1]之間。處理公式如下：

之后，將樣本數(shù)據(jù)矩陣劃分為訓(xùn)練集和測試集。訓(xùn)練集包含40組樣本數(shù)據(jù)，剩余20組樣本數(shù)據(jù)為測試集，用于檢測訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果準(zhǔn)確程度。訓(xùn)練集與測試集中銷售較好與銷售較差商品均按照1∶1比例隨機抽取。

訓(xùn)練中設(shè)定學(xué)習(xí)率為0.001，最大訓(xùn)練步數(shù)為5 000。在訓(xùn)練完成后用測試集的20組數(shù)據(jù)對訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進行測試，輸出預(yù)測結(jié)果，并與真實值進行誤差對比。

3.3 輸入變量調(diào)整

3.4 結(jié)果采集與分析

經(jīng)過多次因素組合與驗證，最終得出在保留價格競爭力、品牌流行度、產(chǎn)品流行度、設(shè)計創(chuàng)意和產(chǎn)品銷售情況5個主要因素的訓(xùn)練模型中，輸出預(yù)測結(jié)果準(zhǔn)確度最佳。該模型輸入層節(jié)點數(shù)為5，隱含層節(jié)點數(shù)為11，輸出層節(jié)點數(shù)為1，學(xué)習(xí)率為0.001，最大訓(xùn)練步數(shù)為5 000。模型預(yù)測結(jié)果與真實值對比如圖2所示。圖中縱坐標(biāo)為商品能成功銷售的概率，“0”代表商品銷售情況較差(售罄率低于20%)，“1”代表銷售情況較好(售罄率高于80%)。對應(yīng)地在選品預(yù)測中，“0”代表買手平臺在選品過程中不應(yīng)選擇此商品，“1”代表在選品過程中應(yīng)選擇此商品。圖中圓圈點代表商品的真實銷售情況，實心點代表選品模型給出的預(yù)測值。由圖可知，模型預(yù)測值與真實值基本吻合。R2為訓(xùn)練過程中預(yù)測值對真實值的跟蹤情況。R2越接近1說明模型中的變量對輸出變量解釋能力越強，預(yù)測準(zhǔn)確度越好。圖中所示R2為0.95，說明預(yù)測準(zhǔn)確度較高。同時，由于神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化是隨機的，所以盡管多次運行該程序輸出結(jié)果不同，但R2仍穩(wěn)定在0.7～1.0之間，證明該系統(tǒng)做出的預(yù)測值與真實值近似度高，可以實現(xiàn)預(yù)測效果。

圖2 選品模型預(yù)測誤差對比圖

4 結(jié)束語

本文通過對影響跨境電商買手平臺選品決策的主要因素進行研究，總結(jié)歸納出5大類15項影響因素。同時結(jié)合實際案例，運用BP神經(jīng)網(wǎng)絡(luò)，最終構(gòu)建出以價格競爭力、品牌流行度、產(chǎn)品流行度、設(shè)計創(chuàng)意和產(chǎn)品銷售情況為5個輸入量，以商品成功銷售概率為單一輸出量的3層神經(jīng)網(wǎng)絡(luò)模型。模型預(yù)測結(jié)果較為穩(wěn)定、準(zhǔn)確。該模型驗證了基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建選品模型的可行性?？缇畴娚藤I手平臺可參考此模型，依據(jù)自身業(yè)務(wù)模式，構(gòu)建符合平臺需求的選品模型，以幫助企業(yè)實現(xiàn)更高效的選品工作。同時，本文仍有許多不足之處需要改進。如本文模型構(gòu)建所用樣本數(shù)據(jù)量較小，且沒有考慮消費者個人信息數(shù)據(jù)，仍需在后期研究中予以補充，同時可以對BP神經(jīng)網(wǎng)絡(luò)算法進一步改進，以提高模型的預(yù)測能力及在復(fù)雜業(yè)務(wù)場景下的適用能力。