1、数据驱动的生产运营管理决策何斯迈 上海财经大学 教授|目录CONTENT01引言：数据到管理决策03大数据中的小数据-长尾品定价管理02用什么数据/指标？-促销分析04决策质量 V.S.决策速度-无人仓智能管理系统|01引言：数据到管理决策数据到管理决策Data：从数据仅仅对数据进行管理与规律性分析并不能释放海量数据的真正价值Decision：到决策从规律到决策需要极强的建模及求解能力支撑数据分析决策运筹优化/博弈统计/机器学习/深度学习/计量经济/行为经济IT/信息管理系统两个关键步骤：1.建模：将问题准确有效地通过数学形式表达（好的模型能简洁有效地刻画实际问题）2.求解：获得最优化目标函数

2、的决策（好的求解算法可以支持大规模模型的求解优化的专长即体现在建立好的模型以及选用有效的方法求解）|数据来源多源异构-经营、用户特征与行为、环境、竞争数据完备度不完备-未定义/观测/记录关键参量数据质量普遍较低-标注及定义错误、数据缺失/删失、干扰因素复杂数据量大数据中的小数据数据/场景可重复性场景难以重复，高质量仿真数据难以生成评价标准主观且复杂-相互冲突的多目标决策可解释性要求要求高-合规性、风险边际决策容错率与业务场景高度相关决策可控性决策控制权不完整|运营管理中的数据及决策特征|02用什么数据/指标？以促销分析为例促销是零售不能抗拒的毒药|尼尔森：消费品公司在商品促销上每年花费多达1

3、万亿美元，但约有40%的支出并未产生期望的效果误区零售商：1.促销能够有效吸引客流2.促销能够明显提升销售品牌商：1.销量是促销的唯一考核2.销量提升就是品牌提升现实零售商：1.促销引流的并非优质客流，过频促销会导致严重的比价与囤货现象2.同质化竞争加剧，蚕食效应增加，促销弹性下降，促销的销售提升逐年下降品牌商：1.陷入“大促大动，小促小动，不促不动”的怪圈2.过大过频的促销势必会对品牌建设有所损害促销达成效果差促销分析及决策难促销费用效率低痛点痛点促销案例一|某公司对其主打产品进行了促销，促销期内环比产品销售量增长57%！促销期减价15%，利润增长26%！对照：其主要竞争对手在此期间未做促销

4、，销量环比基本不变！产品特征：消耗品、基本与季节因素无关、双寡头垄断市场问题一：销售增长来自于哪部分顾客的需求？消耗品+双寡头垄断市场:强竞争环境，A多卖的=B少卖的？顾客策略性购买：囤货及等待购买行为，现在多卖的=未来或之前少卖的？问题二：促销效果如何？采用什么数据/评价标准？替代效应分析模型|替代品定义：品类、特征、用户浏览与购买记录价格与销量：竞品的顾客真实成交价及销量难以获取替代维度：竞品、类似商品、未来或过去的销量替代推荐位的影响推荐位推荐位替代效应分析模型线性回归与逻辑回归|线性回归：逻辑回归：替代参量是产品数量的平方级别，产品数量较多时过拟合问题较严重容易出现比较极端的“最优”决

5、策适用于数据质量高、竞品少的部分产品=0+11+,=1,P=1|=11+(0+11+)竞品替代-选择模型|顾客选择对个人价值最大的商品选择产品1（可口可乐）的概率是1/(0+1+2)选择产品2（百事可乐）的概率是2/(0+1+2)选择其它产品的概率是0/(0+1+2)1+12+2未来与历史销量替代：前景理论及参考价格模型|销量价格参考价格量价关系市场容量Prospect Theory（前景理论）价值参考点收益损失结果参考价格模型选择模型进阶|嵌套Logit模型描述产品品类/特征的多级嵌套关系特征可描述产品品类/特征对顾客的吸引力马尔可夫链模型描述顾客浏览商品的序贯行为：下一步浏览商品取决于当前

6、状态线下商场的顾客行为及线上的顾客点击轨迹缺货、网页推荐（类似商品）吸引力模型关注产品在品类中的销售占比聚焦大批类似商品之间的替代去除品类的趋势因素及核心外部因素促销评价指标：转化率？|#Items avg price chgavg quantity chgavg pv chgavg conversion chg(conversion=quantity/pv)All Items18,415-0.063 1.43 0.63 46.98%price chg013,590-0.101 1.81 0.77 58.43%price chg-5%9,298-0.136 2.27 0.92 70.45%pr

7、ice chg-10%5,861-0.173 2.83 1.12 83.52%price chg101,127-7.51%33.93 27.54 29.10%-38.52%促销案例二|某电商公司对商品进行了大幅减价促销，销量、利润、销售额大幅增长！商品转化率大幅下降！从15%下降到4%疑问：为什么减价后转化率反而下降？现象一：销量增长-顾客数暴增-大量的广告宣称（及客户的自发宣称）现象二：顾客构成变化-促销期内大量新客户涌入（老客户比例80%-10%)解释：顾客结构巨变，新客户转化率低（25%)促销分析：顾客分群+转化率分析+引流效果预测+新老转化率分析促销决策|效果评估替代效应竞品、时间维度

8、、顾客行为指标销量、销售额、利润、转化率对比预测/仿真 v.s.真实决策选品促销选品，根据ROI匹配促销资源转化率流量的转化率及忠诚客户转化率决策风险控制鲁棒及对冲模型成功案例1：某宠物产品智能促销优化|结果与洞察结果与洞察解决方案解决方案-10.0%0.0%10.0%20.0%30.0%GMV%-MAC%-MAC ROI-GMV%-MAC%-MAC ROI-对Level 1活动来说，真实的MAC ROI低于预期目标，可以通过降低折扣深度改善ROI对Level 2与Level 3活动来说，可通过重新均衡分配不同SKU的活动资源达到GMV和MAC的增长整体活动来看 优化爆品SKU的价格可带来更为

9、显著的KPI提升GMV提升3%或766k（优化爆品）vs 8%or2025k（优化全量SKU）MAC提升8.5%或493k（优化爆品）vs 18%or 1055k优化全量SKU）成功案例2：某快消巨头智能促销优化|客户挑战杉数方案价值点实施效果强依赖人工经验，缺乏系统化管理高度复杂的线上促销影响因素价格决策全凭人员经验，没有经过量化分析和消费者洞察促销规划时无法准确评估投入产出，往往达不到预期效果，且难以与财务部门达成一致 5000个产品 6大品类 每年花费2000多参加线上促销活动 促销活动形式多样：钻展、直通车、淘宝客、品牌专区16%促销费效比提升15%+促销活动预测准确度提升20%+促销

10、活动GMV提升1分析不同渠道来源的消费者数据，了解消费者对不同商品的价格敏感程度，为后续精准促销奠定基础2品类洞察分析：分析商品内外部竞争关系，提高企业产品的市场竞争力3还原商品真实价格弹性，构建了一个非促销时期的价格优化模块4结合促销的流量来源和大小，根据业务目标，输出促销活动的选品推荐和最优促销价格建议5根据流量大小和最终采纳的价格建议，输出销量预估，帮助业务人员快速决策并与财务部门达成一致 人工干预时间显著降低 内部沟通预算更加畅通 销售额与促销ROI均显著提升 建立了可量化、可复盘、可追溯的科学促销体系成功案例3：某鞋类品牌促销优化9.9|优化结果仿真结果真实结果Markdown0.6

11、7 0.65 0.64 Unit336,962 325,234 327,162 Revenue103,658,898 95,624,055 95,534,610 Budget51,532,950 51,017,191 54,458,608 ROI2.01 1.87 1.75 SummarySKU Number1,043 SPU Number699 Markdown0.67 Unit Fcst.336,962 Revenue Fcst.103,658,898 Investment Fcst.51,532,950 Per Unit Cost153 ROI Fcst.2.01 Unit Baseli

12、ne43,254 Revenue Baseline17,244,839 模型结果一共分为三部分：A.优化仿真结果：用优化后的价格，在算法中进行仿真得到的KPI结果B.真实价格仿真：用真实发生的价格，在算法内进行仿真得到的KPI结果C.真实发生：真实发生的销量A-B的对比是对价格推荐效果的提升B-C的对比是仿真和真实发生整体预测水平的评估成功案例3：某鞋类品牌促销优化3.8|优化结果仿真结果真实结果Markdown0.72 0.71 0.72 Unit253,981 244,658 281,472 Revenue93,859,851 89,097,527 98,580,363 Budget36,

13、645,679 36,771,527 38,514,753 ROI2.56 2.42 2.56 SummarySKU Number1,478 SPU Number1,069 Markdown0.72 Unit Fcst.253,981 Revenue Fcst.93,859,851 Investment Fcst.36,645,679 Per Unit Cost144 ROI Fcst.2.56 Unit Baseline30,389 Revenue Baseline15,707,580 模型结果一共分为三部分：A.优化仿真结果：用优化后的价格，在算法中进行仿真得到的KPI结果B.真实价格仿真

14、：用真实发生的价格，在算法内进行仿真得到的KPI结果C.真实发生：真实发生的销量A-B的对比是对价格推荐效果的提升B-C的对比是仿真和真实发生整体预测水平的评估成功案例3：某鞋类品牌促销优化12.12|优化结果仿真结果真实结果Markdown0.66 0.65 0.68 Unit127,906 124,300 131,912 Revenue45,613,116 43,081,856 49,944,592 Budget23,055,625 23,316,090 23,273,481 ROI1.98 1.85 2.15 SummarySKU Number1,035 SPU Number757 Ma

15、rkdown0.66 Unit Fcst.127,906 Revenue Fcst.45,613,116 Investment Fcst.23,055,625 Per Unit Cost180 ROI Fcst.1.98 Unit Baseline11,479 Revenue Baseline6,103,104 模型结果一共分为三部分：A.优化仿真结果：用优化后的价格，在算法中进行仿真得到的KPI结果B.真实价格仿真：用真实发生的价格，在算法内进行仿真得到的KPI结果C.真实发生：真实发生的销量A-B的对比是对价格推荐效果的提升B-C的对比是仿真和真实发生整体预测水平的评估成功案例3：某鞋类品

16、牌促销优化6.18|优化结果仿真结果真实结果Markdown0.69 0.67 0.68 Unit327,032 315,876 316,051 Revenue97,643,485 90,249,722 90,418,791 Budget44,717,318 44,463,665 42,325,566 ROI2.18 2.03 2.14 SummarySKU Number1,254 SPU Number842 Markdown0.69 Unit Fcst.327,032 Revenue Fcst.97,643,485 Investment Fcst.44,717,318 Per Unit Co

17、st137 ROI Fcst.2.18 Unit Baseline39,369 Revenue Baseline16,762,001 模型结果一共分为三部分：A.优化仿真结果：用优化后的价格，在算法中进行仿真得到的KPI结果B.真实价格仿真：用真实发生的价格，在算法内进行仿真得到的KPI结果C.真实发生：真实发生的销量A-B的对比是对价格推荐效果的提升B-C的对比是仿真和真实发生整体预测水平的评估|03大数据中的小数据-长尾品定价管理电商平台收益管理|收益管理：通过定价/促销来最大化/增加收益/利润千万级SKU：每个人需要管理多达数千个SKU手动调价：核心SKU调价频繁，其他SKU调价少（偶尔

18、按品类/品牌进行条件），部分商品固定价格2年以上业务快速增长，竞争激烈且不断变化的环境复杂的折扣/促销结构业务要求：一个业务要求：一个半自动化的工具半自动化的工具，可，可系统地系统地为大多数为大多数 SKU 提供提供定价定价建议建议，并，并识别错误的价格识别错误的价格经典定价理论：价格弹性拟合|量-价关系时序图量价关系图（去除其它因子）d(p)价格数量计算价格弹性计算价格弹性时间序列行为模型机器学习深度学习Holt-WintersARIMAReference PriceChoice ModelDBSCANKNNRNNLSTM问题一：价格的定义|竞争商品优惠券满100减50页面价格单笔成交价问题

19、二：广告的影响|剧烈波动的顾客数量(PV/UV)顾客数量对销量起到决定性因素 位置的影响（缺少位置记录）广告+大幅折扣：叠加效应难以分析问题三：目标品类及产品|畅销商品长尾商品优点：28法则，较好的整体数据质量较好的整体数据质量缺点：较低的定价权较低的定价权、较高的竞争水平、竞争对手数据不足、较复杂的消费者行为在某些地区和行业中占多数优点：较高的定价权较高的定价权，较低的竞争水平、较简单的消费者行为，较高的单品利润率较高的单品利润率缺点：数据质量差、大量非标商品、替代关系不明数据质量差、大量非标商品、替代关系不明长尾商品的收益管理|按特征分组：按特征分组：同类商品消费者群体和价格弹性相近，内部

20、竞争多在组内 对冲：对冲：针对不可预测的共同因素，利润和收入之间的权衡 鲁棒优化：鲁棒优化：基于不确定参数做出保守决策 探索与学习：探索与学习：关键参数-边学边做Grouped SalesIndividual Sales收益管理案例：概念（非实用）模型及线上A/B测试结果|静态模型：静态模型：保证方案大概率(如95%)比被动方案（不调价）超出（如10%）动态模型：动态模型：核心问题是历史数据有效区间的外推范围覆盖率提升|解决整体定价偏高/偏低问题 对单个产品数据要求降低 整体决策风险显著降低 无调价记录产品难以推断价格敏感度 需要进行调价获取高质量数据（未来决策价值）但需要严格控制调价的决策风

21、险（现阶段决策风险）采取鲁棒决策模型+风险对冲模型进行决策分组定价关联学习 对产品文本和图像特征进行标签识别，并对现有特征纠错 利用数据质量较好的产品的弹性（用户价格敏感度），推测数据质量较差产品的弹性 适用于新品或长尾品随机调价用户感知度|用户对减价和升价的反应不同 减价需要更多的时间消化效果 大规模减价明显优于零散减价 高价位产品减价效果（同比例）更显著 促销优于直接减价（心理价位）|04决策质量 V.S.决策速度-无人仓智能管理系统JD.com:Operations Research Algorithms Drive Intelligent Warehouse Robots to Wor

22、k|京东无人仓：货到人模式货架空闲小车排队缓存位资源（空闲小车、货架和排队缓存位）在不断占用和释放，资源（空闲小车、货架和排队缓存位）在不断占用和释放，不断根据当前可用资源和出库要求确定（小车，货架面，不断根据当前可用资源和出库要求确定（小车，货架面，工作站）三者的匹配关系工作站）三者的匹配关系一个货架分前后两面，每一面上会存放多种商品，最多一一个货架分前后两面，每一面上会存放多种商品，最多一面上存放面上存放4848种（种（1616个货格个货格*每个货格最多每个货格最多3 3种）商品，每一种）商品，每一种商品的存放量或多或少（几个到几百）种商品的存放量或多或少（几个到几百）一种商品可能会在多个

23、货架上存放一种商品可能会在多个货架上存放规模小车数50 200 50 200（修订后修订后 500500）货架数100 100 上千上千（修订后修订后20）工作站数50 50 左右左右每个工作站处理的商品种类数20 5020 50（暂时）（暂时）|AGVs货架工作站目标：有限时间内的有效解1.NP-难问题2.百万以上变量/约束3.计算时间有限(2-3 秒)核心问题：货架 AGV 工作站 多重匹配|目标考虑一次静态排产匹配，确定（小车，货架面，工作站）三者的匹配关系匹配关系；尽量满足各个工作站商品出库量出库量要求；尽量少出货架少出货架；搬运成本搬运成本尽量低已知当前

24、排产匹配时各个工作站的待出库商品和待出库量；小车资源；可定位的货架面资源，包括储位上的货架和上架搬运中能定位到的；各个工作站空闲排队位数量；约束一辆小车最多只能搬运一个货架；一个货架只能定位给一个小车；一个货架只能选择其中一面出库，一个货架只能匹配给一个工作站；选中的匹配给一个工作站的货架必须有小车来搬运；一个工作站能接纳的小车或者货架数量小于等于该工作站空闲排队位数量；尽可能满足工作站出库量需求；不同工作站需要出库同种商品也要分开考虑；如果选中搬运中的货架，只能选择当前搬运该货架的小车不能换成其他小车；正在搬运货架的小车不能去搬运其他货架；输出（小车，货架面，工作站）三者的匹配关系匹配关系；

25、货架面上出库的商品和出库数量商品和出库数量问题描述|数学模型-多重指派问题Objective FunctionConstraints最小化AGV运行总距离（时间）及未满足订单费用|压力测试：求解规模可处理问题规模100,000种商品120,000 个货架200 个工作站1,000个机器人10,000,000个变量2 秒求解时间|瓶颈与解决思路Objective FunctionConstraints瓶颈：求解时间与求解规模的矛盾思路：转换成分离问题|分离问题与降维：拉格朗日乘子法|分离的效果大规模混合整数规划线性规划+小规模整数规划 问题规模：250AGVs，1,800货架，50工作站，2,0

26、00产品，原问题变量及约束规模均在级别子问题（2）的规模比原问题降低大约 75%子问题（1）为大规模匹配问题(线性规划或匈牙利算法)|关联约束与解决方案 对偶乘子参量的求解：算法质量基于高质量的，但最优值难以快速求解 可行性问题：单独求解子问题（1）和（2），关联约束不可行 算法框架：1.通过线性松弛问题求解高质量的（无需快速更新）2.求解子问题（2）（预处理压缩问题规模+松弛+割平面提升+Rounding）3.求解带关联约束的子问题(1)|算法效果|压力测试|扩展问题超大规模仓的处理AGV路径规划对偶参量的训练与学习均衡分区防碰撞+加减速限制时空网络中的MVRP利用仓库状态标签采用机器学习/深度学习技术学习|挑战与展望 无人仓+传统仓：无人仓只适合部分商品及场景，如何与传统仓储系统有机结合？系统问题：1.订单延时匹配及动态匹配2.三维立体仓3.仓库布局与排班4.新的自动化技术带来的管理问题与场景非常感谢您的观看|