chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

導讀 隨著大數(shù)據(jù)的進一步發(fā)展，很多企業(yè)通過對生產(chǎn)運營數(shù)據(jù)的管理和規(guī)律分析，直接進行管理決策，這在真正的商業(yè)場景中，會導致出行決策失誤，因為企業(yè)忽視了一個重要問題，那就是簡單的數(shù)據(jù)規(guī)律分析，并不能釋放海量數(shù)據(jù)的真正價值。那么如何釋放數(shù)據(jù)的海量價值，實現(xiàn)從數(shù)據(jù)到精準決策？下面和大家分享的題目為“數(shù)據(jù)驅(qū)動的生產(chǎn)運營管理決策”，一起看一下杉數(shù)科技是如何基于數(shù)據(jù)實現(xiàn)智能決策的。

今天分享的內(nèi)容主要包括四個部分：

1. 數(shù)據(jù)到管理決策

2. 用什么數(shù)據(jù)/指標？——促銷分析

3. 大數(shù)據(jù)中的小數(shù)據(jù)——長尾品定價管理

4. 決策質(zhì)量 V.S. 決策速度——無人倉智能管理系統(tǒng)

分享嘉賓｜何斯邁 上海財經(jīng)大學 教授

編輯整理｜梁傲 本田汽車

出品社區(qū)｜DataFun

01

引言：數(shù)據(jù)到管理決策

1. 數(shù)據(jù)管理到?jīng)Q策

從數(shù)據(jù)到管理決策，分為數(shù)據(jù)、分析和決策三個層次，在數(shù)據(jù)層，利用IT/信息管理系統(tǒng)完成數(shù)據(jù)采集與管理；在分析層，利用統(tǒng)計/機器學習/深度學習/計量經(jīng)濟/行為經(jīng)濟等工具進行規(guī)律性分析；在決策層，通過運籌優(yōu)化/博弈進行決策建模與求解。

2. 運營管理中的數(shù)據(jù)及決策特征

運營管理中的數(shù)據(jù)及決策包含如圖 9 大特征，這些特征是很多應用場景中智能算法應用的瓶頸所在。面對如此復雜的特征，當我們在遇到問題時，我們用什么數(shù)據(jù)或者用什么指標去分析這個問題呢？后面將通過具體案例說明。

--

02

用什么數(shù)據(jù)/指標？以促銷分析為例

我們以促銷分析為例，說明需要使用什么數(shù)據(jù)/指標。在促銷時，零售商和品牌商的決策往往存在促銷效費比低、達成效果差及促銷分析和決策困難的痛點。那針對促銷過程中產(chǎn)生的痛點，其根本原因在哪呢？我們看以下案例。

1. 替代效應分析

某公司對其主打產(chǎn)品進行了促銷，促銷期內(nèi)環(huán)比產(chǎn)品銷售量增長 57%，促銷期減價 15%，利潤增長 26%。通過對照分析，其競爭對手在此期間未做促銷且銷量基本不變，因此公司初步判斷此次促銷取得非常好的效果。但是基于產(chǎn)品特征，在回頭看促銷數(shù)據(jù)時，就會產(chǎn)生第一個問題：銷售增長來自于哪部分顧客的需求？

這個產(chǎn)品是固定消耗品（例如電池），且市場被雙寡頭壟斷（例如北美電池市場）。從產(chǎn)品特征分析，本次多賣的并未來自競爭對手少賣的，因為根據(jù)對照情況，競爭對手在此促銷期間并沒有少賣。進一步深入分析會發(fā)現(xiàn)比較嚴重的問題，就是促銷期減價導致顧客進行了策略性購買，現(xiàn)在多賣的很可能是來自于與自身未來少賣的，因此促銷效果并不理想。因此我們在做促銷分析的時候，要小心的對產(chǎn)品特征和數(shù)據(jù)進行針對性分析。

通過對第一個問題的分析，又產(chǎn)生了第二個問題：促銷效果如何？采用什么數(shù)據(jù)/評價標準？

在這個促銷問題里，一個很重要的事情就是替代效應，包括物理層面即競品的替代；以及時間層面的替代，即顧客等待促銷再進行購買（淘寶會對未來促銷進行短信通知），或促銷會透支未來顧客的購買力及購買欲望。

進行替代效應分析時，模型需要考慮替代品定義、價格與銷量、替代維度及推薦位影響等因素，下面看一下替代效應分析都有哪些模型。

① 替代效應分析模型——線性回歸與邏輯回歸模型

在線性回歸與邏輯回歸模型中，替代參量是產(chǎn)品數(shù)量的平方級別，產(chǎn)品數(shù)量較多且數(shù)據(jù)量不足時過擬合問題較嚴重，此外線性模型容易出現(xiàn)比較極端的“最優(yōu)”決策，因此僅適用于數(shù)據(jù)質(zhì)量高、競品少的部分產(chǎn)品的替代效應分析。

② 競品替代——選擇模型

一個更加適合描述替代行為的模型是選擇模型。用戶對兩個產(chǎn)品的預期價值分別是 μ 和 μ，不同的客戶還存在一個獨立隨機的偏好值 ξ，那么客戶選擇兩個產(chǎn)品時，會根據(jù)預期價值和偏好值進行選擇，當 ξ 滿足一定的分布假設(shè)時，客戶選擇產(chǎn)品 1 的概率就是 μμμμ，其中 μ 為不選擇兩個產(chǎn)品的期望價值，這樣就會產(chǎn)生自然的替代效應。

③ 未來與歷史銷量替代——前景理論及參考價格模型

基于獲得諾貝爾經(jīng)濟學獎的前景理論，顧客會根據(jù)產(chǎn)品歷史價格形成一個參考價格，當產(chǎn)品價格偏離參考價格幅度特別大時，顧客并不敏感，僅當產(chǎn)品價格接近參考價格時才會比較敏感，這就是參考價格模型，它可以較好地刻畫時間層面的替代效應，提升多周期產(chǎn)品價格決策的擬合效果。

④ 進階選擇模型

此外還有進階選擇模型，比如嵌套 Logit 模型、馬爾可夫鏈模型及吸引力模型，都可以實現(xiàn)不同因素下的替代效應分析。

2. 促銷決策

在進行促銷評價時，常見的指標為轉(zhuǎn)化率。比如在進行減價促銷時，減價效應和廣告效應是結(jié)合的，如果要評價減價效果，就需要去掉廣告效應，因此轉(zhuǎn)化率作為促銷效果評估指標是一個自然的選擇。但在實際減價促銷時，會出現(xiàn)一些促銷產(chǎn)品的 PV 大幅上漲，而產(chǎn)品的轉(zhuǎn)化率卻下降，但同時確實也有減價行為，那就會產(chǎn)生一個疑問：這是不好的促銷嗎？下面我們來看促銷案例二。

公司對商品進行大幅減價促銷，銷量、利潤、銷售額都增長了，初看上去是很好的促銷。但是如果分析轉(zhuǎn)化率，轉(zhuǎn)化率卻大幅下降，使得促銷效果看上去并不理想。這個現(xiàn)象的原因是促銷時大量的廣告宣傳，帶來顧客數(shù)暴增和銷量增長。

但是從顧客構(gòu)成分析，其實是促銷期內(nèi)大量新客戶的涌入，造成顧客群體從忠誠度較高的老客戶為主變化為對產(chǎn)品不太了解的新客戶為主。兩類顧客的轉(zhuǎn)化率都因為減價促銷大幅上升了，但由于新客戶基礎(chǔ)轉(zhuǎn)化率顯著地低，造成促銷后的整體轉(zhuǎn)化率反而降低。這個在統(tǒng)計理論中是經(jīng)典的辛普森悖論。

在這種情況，就需要對顧客分群后進行轉(zhuǎn)化率分析，同時拆分引流效果，除此之外還要考慮新老轉(zhuǎn)化率，因為現(xiàn)在來的新客戶未來可能會成為老客戶，對企業(yè)來說也至關(guān)重要。

因此在促銷決策，進行效果評估時需要考慮替代效應、指標及對比，進行決策時需要考慮選品、轉(zhuǎn)化率及決策風險控制。在某寵物產(chǎn)品智能促銷優(yōu)化、某快消巨頭智能促銷優(yōu)化、某鞋類品牌促銷優(yōu)化等多個實踐項目中，采用上述促銷決策，均取得了良好的促銷效果。

--

03

大數(shù)據(jù)中的小數(shù)據(jù)——長尾品定價管理

為什么會面臨大數(shù)據(jù)中的小數(shù)據(jù)？因為很多時候雖然數(shù)據(jù)量大，但是在真正決策時，取得的效果并不那么好，下面將以長尾品定價管理作為典型案例進行說明。

1. 電商平臺收益管理

下面我將講解和某電商平臺合作的一個定價項目，希望通過定價來實現(xiàn)促銷來最大化，增加收益和利潤。這個項目涉及千萬級 SKU，同時需要面對快速增長的業(yè)務和復雜的折扣結(jié)構(gòu)。傳統(tǒng)管理中管理者依靠手動調(diào)價管理非常多的 SKU，只能專注于核心產(chǎn)品，對于長尾品對調(diào)價很少。所以項目希望通過半自動化的工具，可系統(tǒng)地為大多數(shù) SKU 提供定價建議，并識別錯誤的價格。

經(jīng)典定價理論，通過時間序列模型、行為模型、機器學習、深度學習來去除其他因子的干擾，計算價格彈性得到量價關(guān)系圖，然后去進行決策，但在解決實際問題時，將會面臨以下三個課題。

① 價格的定義

比如某電商產(chǎn)品，由于促銷打折、滿減優(yōu)惠等活動的疊加，且不同訂單可能參加不同的優(yōu)惠活動，導致頁面價格和最終成交價格存在巨大差異，這時產(chǎn)品的真實成交價格就很難判定，更無法精準判斷競品的價格。

② 廣告的影響

顧客數(shù)量對銷量起到?jīng)Q定性因素，但顧客數(shù)量卻受廣告影響，尤其在線上平臺。而不同的廣告頁面位置也會對顧客數(shù)量產(chǎn)生顯著的影響，而大部分電商平臺缺少廣告位置記錄，僅記錄了 UI 的數(shù)字化 ID。如果 UI 設(shè)計沒有保存，僅通過 ID 是無法知道廣告的具體位，更無法評判廣告位對顧客數(shù)量的影響。而且廣告往往會疊加大幅折扣活動，這種疊加效應下更難以單獨分析廣告效應。

③ 目標品類及產(chǎn)品

對于暢銷商品，有較好的整體數(shù)據(jù)質(zhì)量，但面臨較低的平臺定價權(quán)、較高的競爭水平、競爭對手數(shù)據(jù)不足、較復雜的消費者行為，因此作為自動定價的目標產(chǎn)品阻力重重。對于長尾商品，平臺有較高的定價權(quán)較，產(chǎn)品面臨較低的競爭水平、較簡單的消費者行為，較高的單品利潤率，因此產(chǎn)品管理團隊對自動化定價的接受意愿較高，但也面臨數(shù)據(jù)質(zhì)量差、大量非標商品、替代關(guān)系不明的困難。

2. 長尾商品的收益管理

長尾商品因為具備數(shù)據(jù)質(zhì)量差、大量非標商品、替代關(guān)系不明等缺點，所以單個產(chǎn)品看不到任何規(guī)律，但對一些產(chǎn)品進行分組，會發(fā)現(xiàn)各類產(chǎn)品之間的有相近趨勢性。因此我們首先按商品特征進行分組，對組內(nèi)不可預測的共同因素，借鑒金融工具進行對沖，對不確定參數(shù)進行魯棒優(yōu)化模型，同時通過探索與學習，逐步提高決策范圍，整個模型在此次項目的商品調(diào)價中取得了良好效果。

① 覆蓋率提升

前面的模型完成了一些容易處理商品的定價，為了進一步模型實現(xiàn)覆蓋率提升，通過分組定價模型，來降低整體決策風險，對于新品或長尾品，引入了關(guān)聯(lián)學習模型，對于無調(diào)價記錄產(chǎn)品，通過隨機調(diào)價模型去獲取有用的價值信息。

② 用戶感知度

考慮到線上、線下商品，顧客對的價格變動的感知程度不一樣，線下客戶因為信息獲取的難度提升對于減價效應會有顯著的滯后效應，所以定價時也會對用戶感知度進行關(guān)注。

--

04

決策質(zhì)量V.S. 決策速度——無人倉智能管理系統(tǒng)

怎樣實現(xiàn)決策質(zhì)量和決策速度之間權(quán)衡，下面將通過和京東合作的無人倉智能管理系統(tǒng)項目進行分享。

1. 項目背景

京東無人倉采用 AGV 去貨架把貨物取到工作站，這個過程中需要盡量滿足各個工作站商品出庫量要求，同時保證出貨架盡量少和搬運成本盡量低，而且 AGV 數(shù)、貨架數(shù)、工作站數(shù)及每個工作站處理的商品種類數(shù)都巨大，所以核心問題是在有限時間內(nèi)完成貨架、AGV、工作站的多重匹配，難點在于問題是典型的 NP-難問題、而且存在百萬以上變量/約束、可行計算時間有限(2-3秒)。

2. 解決方案

整個項目求解的最終目標就是最小化 AGV 運行總距離（時間）及未滿足訂單產(chǎn)生的等待費用。作為一個三元匹配問題，同時涉及多因素百萬級變量問題模，解題的瓶頸在于求解時間與求解規(guī)模的矛盾。

通過對數(shù)學模型分析發(fā)現(xiàn)，存在一個交叉約束條件，導致形成三元匹配問題，如果將此約束條件刪除，就可以將三元匹配問題拆分為兩個二元匹配問題，所以解提思路為將其轉(zhuǎn)換成分離問題。我們采用拉格朗日乘子法把交叉約束拆分到目標函數(shù)上去，實現(xiàn)分離問題與降維。

通過問題拆，把原先復雜的三元問題拆分成兩個問題：①固定 y 和 z 變量對 x 的簡單匹配問題；②固定 x 變量對 y 和 z 匹配問題。問題①可采用線性規(guī)劃或匈牙利算法求解，問題②的規(guī)模比原問題降低大約 75%，結(jié)構(gòu)也變的更加清晰，解題難度大大下降。

當原問題拆分成兩個問題，如何保證拆分后的問題與原問題不存在差異，這就要求解Λ最優(yōu)值，且不能單獨求解問題①和②。我們通過線性松弛問題求解高質(zhì)量的Λ，再求解問題②，最終求解帶關(guān)聯(lián)約束的問題①，滿足了這兩點要求。

實施效果：

整個算法的求解效果，與 CPLEX 相比，在大規(guī)模問題求解上，解題質(zhì)量提高3%- 40%。雙十一期間在京東無人倉對這個算法進行了實際測試，在訂單處理量、商品處理量及單人處理量上對比常規(guī)倉庫均有大幅提升。針對無人倉智能管理系統(tǒng)項目，同時分享一下幾個擴展經(jīng)驗：對于超大規(guī)模倉的處理，采用均衡分區(qū)；對于 AGV 路徑規(guī)劃，采用防碰撞+加減速限制及時空網(wǎng)絡(luò)中的 MVRP；對于對偶參量的訓練與學習，利用倉庫狀態(tài)標簽采用機器學習/深度學習技術(shù)學習。

今天的分享就到這里，謝謝大家。

｜分享嘉賓｜

何斯邁｜上海財經(jīng)大學 教授

何斯邁, 杉數(shù)科技首席科學家, 上海財經(jīng)大學教授。香港中文大學運籌學博士，曾任香港城市大學助理教授，現(xiàn)任上海財經(jīng)大學教授、博士生導師。任中國運籌協(xié)會理事，數(shù)學規(guī)劃分會常務理事，上海市運籌協(xié)會常務理事。曾獲第33屆國際數(shù)學奧林匹克金牌，2014年度中國運籌協(xié)會青年科技獎，上海高校特聘教授（東方學者），教育部第八屆高等學?？茖W研究優(yōu)秀成果獎二等獎，上海市自然科學二等獎，INFORMS學會Franz Edelman Laureates稱號。主持國家杰出青年科學基金、國家自然科學基金重大項目子課題等科研項目。主要研究領(lǐng)域為運籌優(yōu)化和運營管理，熟悉供應鏈管理、數(shù)學建模及優(yōu)化算法。曾主持杉數(shù)科技的多個大型智能管理項目，包括京東定價項目、京東無人倉自動化項目、順豐預測及選址項目、南航發(fā)動機維修管理項目等。

｜《數(shù)據(jù)智能知識地圖》下載｜

上下滑動????，查看《數(shù)據(jù)智能知識地圖》全景圖，高清版請關(guān)注公眾號“大話數(shù)智”下載

｜DataFun新媒體矩陣｜

｜關(guān)于DataFun｜

專注于大數(shù)據(jù)、人工智能技術(shù)應用的分享與交流。發(fā)起于2017年，在北京、上海、深圳、杭州等城市舉辦超過100+線下和100+線上沙龍、論壇及峰會，已邀請超過2000位專家和學者參與分享。其公眾號 DataFunTalk 累計生產(chǎn)原創(chuàng)文章900+，百萬+閱讀，近16萬精準粉絲。