陸仕超

（上海大學(xué)出版社，上海200444）

伴隨世界經(jīng)濟(jì)一體化，國(guó)際商務(wù)活動(dòng)日益繁榮。與此同時(shí)，互聯(lián)網(wǎng)的滲透和大數(shù)據(jù)技術(shù)的進(jìn)步推動(dòng)人工智能進(jìn)入新的快速發(fā)展期。語(yǔ)音識(shí)別、圖像分類、機(jī)器翻譯、可穿戴設(shè)備、無(wú)人駕駛汽車等人工智能技術(shù)均取得了突破性進(jìn)展。企業(yè)的未來(lái)在于智能化，而機(jī)器學(xué)習(xí)是人工智能的核心，研究機(jī)器學(xué)習(xí)在國(guó)際商務(wù)領(lǐng)域中的應(yīng)用有助于企業(yè)緊跟智能化浪潮，抓住新的發(fā)展機(jī)遇。本文從國(guó)際商務(wù)活動(dòng)的項(xiàng)目基本流程角度來(lái)梳理與評(píng)述機(jī)器學(xué)習(xí)方法在國(guó)際商務(wù)領(lǐng)域中的應(yīng)用。

學(xué)界主流的觀點(diǎn)將國(guó)際商務(wù)定義為通過(guò)貿(mào)易或投資參與到國(guó)際活動(dòng)中的企業(yè)[1]。然而這樣的定義局限了主體范圍，也將國(guó)際商務(wù)的活動(dòng)范圍縮小，使其排除了諸如商務(wù)支持、資訊服務(wù)等其他類型的國(guó)際商務(wù)活動(dòng)[2]，因此從跨境商務(wù)活動(dòng)角度來(lái)研究國(guó)際商務(wù)更為合適。依據(jù)本文研究目的，將國(guó)際商務(wù)限定為企業(yè)或組織在跨境活動(dòng)中發(fā)生的商業(yè)性的業(yè)務(wù)或行動(dòng)。

國(guó)際商務(wù)的研究1958年發(fā)源于美國(guó)。經(jīng)過(guò)近60年的發(fā)展，其理論基礎(chǔ)及實(shí)踐基礎(chǔ)也日益完善。前期研究主要集中于對(duì)外直接投資（FDI）、跨國(guó)公司企業(yè)（MNE）和國(guó)際化進(jìn)程研究?，F(xiàn)在及今后一段時(shí)間，對(duì)國(guó)際商務(wù)的研究將集中于兼并與收購(gòu)、知識(shí)管理及選址問(wèn)題，包含企業(yè)的議價(jià)能力、客戶關(guān)系維護(hù)、供應(yīng)鏈體系建設(shè)、差異化與合作等課題。從整體的研究脈絡(luò)來(lái)看，國(guó)際商務(wù)作為一門實(shí)踐性較強(qiáng)的學(xué)科，其理論的研究與發(fā)展大多來(lái)源于實(shí)務(wù)。而企業(yè)商務(wù)項(xiàng)目是國(guó)際商務(wù)活動(dòng)產(chǎn)生的基本要素。因此，本文將從國(guó)際商務(wù)活動(dòng)的項(xiàng)目基本流程角度來(lái)梳理與評(píng)述機(jī)器學(xué)習(xí)方法在國(guó)際商務(wù)領(lǐng)域中的應(yīng)用。一個(gè)國(guó)際商務(wù)項(xiàng)目的基本流程包括準(zhǔn)備階段、交易階段、履約階段和維護(hù)階段。

1 機(jī)器學(xué)習(xí)方法在國(guó)際商務(wù)項(xiàng)目中的具體應(yīng)用

1.1 準(zhǔn)備階段

在一個(gè)商業(yè)項(xiàng)目開(kāi)始之前，企業(yè)需要進(jìn)行大量的準(zhǔn)備工作，包括細(xì)分市場(chǎng)與客戶、尋找潛在商業(yè)合作伙伴、制定合適的營(yíng)銷策略、成本預(yù)算、進(jìn)行商務(wù)決策等。國(guó)內(nèi)外學(xué)者結(jié)合機(jī)器學(xué)習(xí)方法對(duì)此問(wèn)題做了相應(yīng)研究。

1.1.1 合作伙伴的選擇

在機(jī)器學(xué)習(xí)方法選擇上，HU和ZHANG（2008）[3]比較了前向神經(jīng)網(wǎng)絡(luò)（BPNN）和支持向量機(jī)（SVM）在選擇合適供應(yīng)商伙伴中的表現(xiàn)，實(shí)驗(yàn)說(shuō)明SVM方法更為有效。之后，JUNICHIRO等（2012）[4]利用支持向量機(jī)（SVM）來(lái)幫助企業(yè)尋找潛在的國(guó)際或國(guó)內(nèi)的商業(yè)合作伙伴。作者從客戶與供應(yīng)商是否有商業(yè)關(guān)系以及客戶與供應(yīng)商是否有互惠關(guān)系，這兩個(gè)方面提取了關(guān)鍵影響因素。實(shí)驗(yàn)表明，員工人數(shù)多、成立時(shí)間長(zhǎng)、具有地理位置優(yōu)勢(shì)的企業(yè)較不具備這些要素的企業(yè)擁有更多的商業(yè)伙伴。而在是否存在商業(yè)互惠關(guān)系上，人際關(guān)系網(wǎng)絡(luò)是重要的影響因素。

1.1.2 市場(chǎng)細(xì)分

研究者大多從目標(biāo)客戶細(xì)分這一角度進(jìn)行研究。從客戶價(jià)值角度，HSIEH和CHU（2009）[5]使用自組織映射（SOM）神經(jīng)網(wǎng)絡(luò)模型對(duì)客戶群進(jìn)行分類，選擇出高價(jià)值客戶類別后，再用決策樹(shù)誘導(dǎo)算法提取此類客戶的特征屬性。市場(chǎng)營(yíng)銷人員就能針對(duì)不同的目標(biāo)客戶制定詳細(xì)的營(yíng)銷策略，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷。呂昱和程代杰（2005）[6]也使用SOM聚類技術(shù)解決市場(chǎng)細(xì)分問(wèn)題，并將SOM聚類的市場(chǎng)細(xì)分結(jié)構(gòu)結(jié)果可視地呈現(xiàn)給市場(chǎng)決策人員。作者提出的研究途徑成功發(fā)現(xiàn)了人工數(shù)據(jù)集中預(yù)設(shè)的聚類模式。在實(shí)際市場(chǎng)數(shù)據(jù)分析中，獲得了與事實(shí)相符的結(jié)論并提供了有價(jià)值的決策支持信息。從客戶忠誠(chéng)度角度，HAMURO等（2002）[7]開(kāi)發(fā)了一種基于決策樹(shù)的機(jī)器決策系統(tǒng)BONSAI。作者將客戶信息及歷史交易信息，包括客戶年齡、訪問(wèn)次數(shù)、收益貢獻(xiàn)等數(shù)據(jù)輸入系統(tǒng)。系統(tǒng)通過(guò)歷史數(shù)據(jù)的學(xué)習(xí)，得出客戶忠誠(chéng)度的高低。企業(yè)可以此為依據(jù)，制定有效的營(yíng)銷策略。從客戶行為角度，陶楠（2016）[8]針對(duì)中國(guó)圖書營(yíng)銷數(shù)據(jù)利用率低下問(wèn)題，提議建立圖書營(yíng)銷數(shù)據(jù)庫(kù)，借助聚類、分類、關(guān)聯(lián)等機(jī)器學(xué)習(xí)算法，通過(guò)客戶購(gòu)買行為的數(shù)據(jù)處理與分析，構(gòu)建潛在讀者細(xì)分體系，精準(zhǔn)定位、細(xì)分圖書市場(chǎng)，從而選擇恰當(dāng)?shù)臓I(yíng)銷方略，實(shí)現(xiàn)圖書精準(zhǔn)營(yíng)銷。

1.1.3 商務(wù)決策

商務(wù)決策需要管理者在多樣的可行方案中作出擇優(yōu)判斷，需要考慮預(yù)算、客戶關(guān)系等更多方面，而機(jī)器學(xué)習(xí)方法也被應(yīng)用到此類問(wèn)題研究中。ALDAHAWI和ALLEN（2015）[9]利用文本挖掘方法將石油公司客戶所發(fā)的推特（Twitter）信息進(jìn)行分析，使用機(jī)器學(xué)習(xí)分類客戶的推特信息，提取關(guān)鍵特征，提取的文本特征可為石油公司商務(wù)決策提供有價(jià)值的信息。COOK等（2015）[10]基于咨詢企業(yè)的客戶關(guān)系管理數(shù)據(jù)庫(kù)的數(shù)據(jù)，將決策樹(shù)算法應(yīng)用到咨詢業(yè)務(wù)的項(xiàng)目?jī)?nèi)部成本預(yù)測(cè)中。進(jìn)一步，將預(yù)測(cè)結(jié)果進(jìn)行具體的可視化說(shuō)明，開(kāi)發(fā)了一個(gè)交互式?jīng)Q策支持系統(tǒng)。該算法還可進(jìn)一步使用隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法進(jìn)行擴(kuò)展優(yōu)化。

1.2 交易階段

企業(yè)在完成某國(guó)際商務(wù)項(xiàng)目的準(zhǔn)備階段后，就可以進(jìn)入項(xiàng)目的交易階段。在此階段，企業(yè)要與客戶進(jìn)行反復(fù)磋商與談判、確定交易條款、訂立合同等事項(xiàng)。關(guān)于此階段，學(xué)者研究的重點(diǎn)主要集中在自動(dòng)磋商與合同文本上。

1.2.1 自動(dòng)磋商

眾多學(xué)者對(duì)此問(wèn)題做了針對(duì)性研究，強(qiáng)化學(xué)習(xí)和有監(jiān)督學(xué)習(xí)這兩類算法均有涉及。其中，使用有監(jiān)督學(xué)習(xí)算法的文獻(xiàn)較多。YUAN和CHEN（2001）[11]構(gòu)建了一個(gè)具有學(xué)習(xí)能力的多智能體（Agent）基礎(chǔ)架構(gòu)。在這個(gè)架構(gòu)中，作者使用遺傳算法構(gòu)建神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)了具有自動(dòng)磋商能力的智能體。該智能體能夠?qū)Υ枭虄?nèi)容進(jìn)行自動(dòng)評(píng)估，返回結(jié)果，提升合同訂立的效率。這一基礎(chǔ)架構(gòu)也能被用于供應(yīng)鏈和客戶行為模型的構(gòu)建中。LI和CAO（2004）[12]提出了一種貝葉斯學(xué)習(xí)算法。經(jīng)過(guò)學(xué)習(xí)和訓(xùn)練的Agent被引入一個(gè)多智能體系統(tǒng)，輔助用戶在電子商務(wù)環(huán)境下進(jìn)行雙邊多議題協(xié)商，幫助談判主體在談判過(guò)程中能更好地調(diào)整談判策略，提高談判效率。MACH和SCHIKUTA（2012）[13]基于決策樹(shù)算法設(shè)計(jì)了一個(gè)電子合同協(xié)商架構(gòu)，此架構(gòu)可以為網(wǎng)絡(luò)客戶和供應(yīng)商在線首次磋商與合同條款變更提供服務(wù)。使用此架構(gòu)的企業(yè)與客戶可以就服務(wù)的水準(zhǔn)、品質(zhì)等方面達(dá)成雙方共同認(rèn)可的協(xié)議或契約。針對(duì)智能體（Agent）處理市場(chǎng)中不完全信息效率不高的問(wèn)題，陳培友等（2014）[14]將馬爾科夫鏈方法應(yīng)用于對(duì)談判對(duì)方各輪報(bào)價(jià)的預(yù)測(cè)當(dāng)中，并與改進(jìn)的遺傳算法相結(jié)合，構(gòu)建了面向Agent的馬爾科夫多議題自動(dòng)談判模型。通過(guò)仿真計(jì)算試驗(yàn)表明，模型能很好地對(duì)談判過(guò)程進(jìn)行仿真和推理，客觀地為談判各方合理決策提供有效依據(jù)。應(yīng)用強(qiáng)化學(xué)習(xí)方法來(lái)研究自動(dòng)談判的文獻(xiàn)較少，仍處于起步階段。何波（2011）[15]重點(diǎn)研究了基于Agent的電子商務(wù)自動(dòng)談判模型、談判策略和學(xué)習(xí)機(jī)制，并根據(jù)綜合談判策略和基于強(qiáng)化學(xué)習(xí)的學(xué)習(xí)機(jī)制提出了改進(jìn)的自動(dòng)談判模型。實(shí)驗(yàn)結(jié)果表明，基于強(qiáng)化學(xué)習(xí)的學(xué)習(xí)機(jī)制能大幅提高自動(dòng)談判的效率。

1.2.2 商務(wù)合同解析

MOLINA-JIMENEZ等（2004）[16]使用有限狀態(tài)機(jī)（FSM）來(lái)刻畫傳統(tǒng)的商務(wù)合同，F(xiàn)SM表達(dá)的合同文本可以消除自然語(yǔ)言書寫合同中的模糊表示，確保交易履行過(guò)程中合同條款不被錯(cuò)誤執(zhí)行。

1.2.3 業(yè)務(wù)流程建模

計(jì)算機(jī)難以理解日常的商務(wù)條款和業(yè)務(wù)流程文本。LI和FENG（2008）[17]使用統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法來(lái)解析自然語(yǔ)言書寫的商務(wù)條款和業(yè)務(wù)流程，并將其轉(zhuǎn)化為機(jī)器能讀懂的對(duì)象約束語(yǔ)言（OCL），再進(jìn)行業(yè)務(wù)流程建模。文章使用了統(tǒng)計(jì)機(jī)器模型翻譯模型來(lái)實(shí)現(xiàn)算法，在北美航空貨物裝卸業(yè)務(wù)流程的實(shí)際算例中該方法體現(xiàn)了極高的精確性。然而該模型僅針對(duì)OCL，在其他語(yǔ)言機(jī)器翻譯中未驗(yàn)證有效性，在其他商業(yè)場(chǎng)景中的有效性也需要驗(yàn)證。

1.3 履行階段

在交易履行的過(guò)程中，主要涉及企業(yè)的采購(gòu)管理、庫(kù)存管理等一系列與供應(yīng)鏈管理相關(guān)的事項(xiàng)以及如何防范交易過(guò)程中的欺詐風(fēng)險(xiǎn)。

1.3.1 采購(gòu)物流規(guī)劃

做好采購(gòu)物流是企業(yè)按規(guī)定履行合同的重要保障。KNOLL等（2016）[18]對(duì)企業(yè)的采購(gòu)物流規(guī)劃（Inbound logistics planning）進(jìn)行了研究。作者主要使用數(shù)據(jù)挖掘方法對(duì)歷史采購(gòu)物流數(shù)據(jù)和業(yè)務(wù)流程進(jìn)行數(shù)據(jù)挖掘。從數(shù)據(jù)中提取能夠用于采購(gòu)物流計(jì)劃的關(guān)鍵特征，從而為未來(lái)的相關(guān)規(guī)劃任務(wù)提供參照。

1.3.2 庫(kù)存管理

庫(kù)存管理在供應(yīng)鏈管理中占有重要地位。JIANG和SHENG（2009）[19]將增強(qiáng)學(xué)習(xí)方法運(yùn)用到動(dòng)態(tài)庫(kù)存管理中，在試驗(yàn)中取得了較好的效果。此外，文章闡釋了增強(qiáng)學(xué)習(xí)方法在供應(yīng)鏈管理中具有廣闊的應(yīng)用空間。于春云等（2009）[20]提出了通過(guò)集成庫(kù)存管理使庫(kù)存系統(tǒng)整體收益期望值最大化的優(yōu)化模型。根據(jù)遺傳算法理論和計(jì)算機(jī)模擬技術(shù)設(shè)計(jì)了求解模型的智能算法，并通過(guò)仿真分析證明了模型的有效性。KARTAL等（2016）[21]將機(jī)器學(xué)習(xí)算法與ABC分類法（Activity Based Classification）相結(jié)合解決多屬性存貨分類問(wèn)題。文中分別使用了樸素貝葉斯方法（Na?ve Bayes）、貝葉斯網(wǎng)絡(luò)（Bayesian network）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)對(duì)各種存貨進(jìn)行分類，并得出支持向量機(jī)方法分類精度最高的結(jié)論。但總體而言，文章證實(shí)了機(jī)器學(xué)習(xí)算法對(duì)解決多屬性庫(kù)存分類問(wèn)題效果頗佳。

1.3.3 交易管理

在交易履行的過(guò)程中，交易欺詐風(fēng)險(xiǎn)管理也是一個(gè)很重要的方面。CHEN等（2015）[22]介紹了阿里巴巴如何使用大數(shù)據(jù)挖掘技術(shù)來(lái)控制交易欺詐風(fēng)險(xiǎn)。阿里巴巴通過(guò)機(jī)器學(xué)習(xí)算法直接從海量的實(shí)時(shí)用戶行為數(shù)據(jù)中捕捉潛在欺詐行為的信號(hào)，精確預(yù)測(cè)可能存在的劣質(zhì)客戶及風(fēng)險(xiǎn)交易。由此，阿里巴巴開(kāi)發(fā)了一個(gè)防欺詐系統(tǒng)，來(lái)識(shí)別和阻止在線客戶惡意交易行為的發(fā)生。

1.4 維護(hù)階段

合同履行完畢后，國(guó)際商務(wù)項(xiàng)目進(jìn)入維護(hù)階段。企業(yè)關(guān)注的重點(diǎn)轉(zhuǎn)為客戶服務(wù)、客戶維護(hù)和客戶流失預(yù)測(cè)。

1.4.1 客戶服務(wù)

HUI和JHA（2000）[23]關(guān)注跨國(guó)制造企業(yè)的客戶服務(wù)支持問(wèn)題，將收集到的非結(jié)構(gòu)化客戶服務(wù)數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，從而為機(jī)械故障診斷和商務(wù)決策支持提供幫助。作者使用整合了神經(jīng)網(wǎng)絡(luò)、案例推理（case-based reasoning）和規(guī)則推理（rule-based reasoning）的數(shù)據(jù)挖掘技術(shù)，取得了較好的效果。

1.4.2 客戶分類與維護(hù)

HUANG等（2009）[24]使用3種不同的分類方法針對(duì)消費(fèi)戶外運(yùn)動(dòng)裝備的客戶進(jìn)行價(jià)值分類。在K-means聚類算法、模糊C值均值算法、裝袋聚類算法中，作者實(shí)驗(yàn)證明裝袋聚類算法具有最佳的分類效果。該算法根據(jù)單次平均消費(fèi)金額、光顧商店頻次、總平均消費(fèi)金額將客戶分為六類，并根據(jù)這六類客戶給出具體的銷售策略。AHMAD和LAROCHE（2017）[25]使用潛在語(yǔ)義分析法對(duì)取自亞馬遜購(gòu)物網(wǎng)站的用戶評(píng)論進(jìn)行了分析。文章發(fā)現(xiàn)正面評(píng)論內(nèi)容主要集中于產(chǎn)品本身，而負(fù)面評(píng)論主要集中于售后服務(wù)。與這一發(fā)現(xiàn)相對(duì)應(yīng)的是潛在客戶對(duì)于產(chǎn)品本身大多關(guān)注正面評(píng)價(jià)，例如核心功能、性能指標(biāo)、外形構(gòu)造等方面，對(duì)于售后服務(wù)大多關(guān)注負(fù)面評(píng)價(jià)。

1.4.3 客戶流失預(yù)測(cè)

對(duì)于此問(wèn)題，不少國(guó)內(nèi)外學(xué)者使用了機(jī)器學(xué)習(xí)算法對(duì)其進(jìn)行了研究。CHEN等（2012）[26]應(yīng)用多種機(jī)器學(xué)習(xí)方法對(duì)電信通訊業(yè)的客戶流失問(wèn)題進(jìn)行了預(yù)測(cè)。經(jīng)過(guò)交叉驗(yàn)證與比較研究，證明結(jié)合支持向量機(jī)與Adaboost算法的方法預(yù)測(cè)效果最好。XIE等（2009）[27]和丁君美等（2015）[28]均對(duì)隨機(jī)森林算法進(jìn)行了改進(jìn)用于客戶流失預(yù)測(cè)，其中丁君美提出的方法有效處理不平衡分類，提高了電信業(yè)客戶流失預(yù)測(cè)中高價(jià)值客戶流失預(yù)測(cè)的準(zhǔn)確率。張瑋等（2014）[29]利用分類回歸樹(shù)算法和自適應(yīng)Boosting算法生成相應(yīng)的強(qiáng)分類器模型，對(duì)預(yù)測(cè)流失客戶問(wèn)題進(jìn)行了研究?？傮w而言，該問(wèn)題的精度達(dá)到了較高水準(zhǔn)。

2 應(yīng)用評(píng)述

對(duì)機(jī)器學(xué)習(xí)方法在國(guó)際商務(wù)各個(gè)環(huán)節(jié)中的具體應(yīng)用做一個(gè)小結(jié)，結(jié)果如表1所示。從文獻(xiàn)來(lái)源數(shù)量上看，市場(chǎng)細(xì)分、自動(dòng)磋商、庫(kù)存管理、客戶流失預(yù)測(cè)這四個(gè)方面的文獻(xiàn)量較多，這些方面也是國(guó)際商務(wù)項(xiàng)目各階段中的重要內(nèi)容。這說(shuō)明對(duì)于國(guó)際商務(wù)的研究始終被學(xué)界所關(guān)注。

表1 機(jī)器學(xué)習(xí)在國(guó)際商務(wù)中應(yīng)用研究匯總

從機(jī)器學(xué)習(xí)方法上看，神經(jīng)網(wǎng)絡(luò)與決策樹(shù)出現(xiàn)次數(shù)較多。決策樹(shù)方法易于理解和實(shí)現(xiàn)，對(duì)于小規(guī)模數(shù)據(jù)計(jì)算速度快、準(zhǔn)確性高，因而決策人員容易掌握和理解，從而作出決策判斷。神經(jīng)網(wǎng)絡(luò)方法容錯(cuò)容差性好，具有很強(qiáng)的自學(xué)習(xí)和自適應(yīng)能力[30]，對(duì)于非線性預(yù)測(cè)問(wèn)題，神經(jīng)網(wǎng)絡(luò)方法可以提高精度[31]。然而，決策樹(shù)對(duì)于大規(guī)模數(shù)據(jù)計(jì)算資源要求高，難以得到全局最優(yōu)解；神經(jīng)網(wǎng)絡(luò)各項(xiàng)指標(biāo)理解難度大，體系結(jié)構(gòu)通用性差。這部分限制了它們的使用，但這兩種方法均較為成熟且有許多改進(jìn)算法，因此相較其他機(jī)器學(xué)習(xí)算法使用范圍也更廣。

從行業(yè)應(yīng)用上看，機(jī)器學(xué)習(xí)在制造業(yè)、運(yùn)輸業(yè)、通訊業(yè)、零售業(yè)的商務(wù)活動(dòng)中均有應(yīng)用。從功能應(yīng)用上看，機(jī)器學(xué)習(xí)在電子商務(wù)的自動(dòng)磋商、商務(wù)合同處理以及供應(yīng)鏈管理中的采購(gòu)規(guī)劃、庫(kù)存管理中機(jī)器學(xué)習(xí)方法應(yīng)用廣泛。

3 結(jié)語(yǔ)與展望

本文對(duì)機(jī)器學(xué)習(xí)方法在國(guó)際商務(wù)領(lǐng)域中的應(yīng)用進(jìn)行了匯總與梳理。目前在國(guó)際商務(wù)領(lǐng)域，成熟的、擴(kuò)展性好的機(jī)器學(xué)習(xí)算法已滲透到各個(gè)環(huán)節(jié)，理論研究也隨之不斷進(jìn)展。但隨著人工智能的發(fā)展，將會(huì)有更多更好的機(jī)器學(xué)習(xí)算法逐漸誕生，其應(yīng)用也需要不斷推陳出新。

本文對(duì)機(jī)器學(xué)習(xí)方法在國(guó)際商務(wù)中的應(yīng)用做出三點(diǎn)展望：①算法設(shè)計(jì)層面，研究者需要不斷地提高機(jī)器學(xué)習(xí)算法的魯棒性。國(guó)際商務(wù)環(huán)境瞬息萬(wàn)變，機(jī)器學(xué)習(xí)算法不僅需要滿足日常國(guó)際商務(wù)活動(dòng)的需要，更要保證在突發(fā)環(huán)境下的性能表現(xiàn)。②理論研究層面，研究者需要鞏固與深化機(jī)器學(xué)習(xí)的理論基礎(chǔ)。目前應(yīng)用中，管理決策人員更多地將機(jī)器學(xué)習(xí)看作一個(gè)“黑箱”，解釋性不佳也成為了推廣機(jī)器學(xué)習(xí)應(yīng)用的掣肘。因此研究者要不斷提高機(jī)器學(xué)習(xí)結(jié)果的可解釋性，提升決策效率。③應(yīng)用層面，機(jī)器學(xué)習(xí)需要從企業(yè)決策層向基層滲透，例如機(jī)器學(xué)習(xí)與企業(yè)資源管理軟件的結(jié)合、與大數(shù)據(jù)及物聯(lián)網(wǎng)的結(jié)合，使機(jī)器學(xué)習(xí)在實(shí)際應(yīng)用中發(fā)揮更大作用。