导读随着大数据的进一步发展，很多企业通过对生产运营数据的管理和规律分析，直接进行管理决策，这在真正的商业场景中，会导致出行决策失误，因为企业忽视了一个重要问题，那就是简单的数据规律分析，并不能释放海量数据的真正价值。那么如何释放数据的海量价值，实现从数据到精准决策？下面和大家分享的题目为“数据驱动的生产运营管理决策”，一起看一下杉数科技是如何基于数据实现智能决策的。

今天分享的内容主要包括四个部分：

1. 数据到管理决策

2. 用什么数据/指标？——促销分析

3. 大数据中的小数据——长尾品定价管理

4. 决策质量 V.S. 决策速度——无人仓智能管理系统

分享嘉宾｜何斯迈上海财经大学教授

编辑整理｜梁傲本田汽车

出品社区｜DataFun

01

引言：数据到管理决策

1. 数据管理到决策

从数据到管理决策，分为数据、分析和决策三个层次，在数据层，利用IT/信息管理系统完成数据采集与管理；在分析层，利用统计/机器学习/深度学习/计量经济/行为经济等工具进行规律性分析；在决策层，通过运筹优化/博弈进行决策建模与求解。

2. 运营管理中的数据及决策特征

运营管理中的数据及决策包含如图 9 大特征，这些特征是很多应用场景中智能算法应用的瓶颈所在。面对如此复杂的特征，当我们在遇到问题时，我们用什么数据或者用什么指标去分析这个问题呢？后面将通过具体案例说明。

02

用什么数据/指标？以促销分析为例

我们以促销分析为例，说明需要使用什么数据/指标。在促销时，零售商和品牌商的决策往往存在促销效费比低、达成效果差及促销分析和决策困难的痛点。那针对促销过程中产生的痛点，其根本原因在哪呢？我们看以下案例。

1. 替代效应分析

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%。通过对照分析，其竞争对手在此期间未做促销且销量基本不变，因此公司初步判断此次促销取得非常好的效果。但是基于产品特征，在回头看促销数据时，就会产生第一个问题：销售增长来自于哪部分顾客的需求？

这个产品是固定消耗品（例如电池），且市场被双寡头垄断（例如北美电池市场）。从产品特征分析，本次多卖的并未来自竞争对手少卖的，因为根据对照情况，竞争对手在此促销期间并没有少卖。进一步深入分析会发现比较严重的问题，就是促销期减价导致顾客进行了策略性购买，现在多卖的很可能是来自于与自身未来少卖的，因此促销效果并不理想。因此我们在做促销分析的时候，要小心的对产品特征和数据进行针对性分析。

通过对第一个问题的分析，又产生了第二个问题：促销效果如何？采用什么数据/评价标准？

在这个促销问题里，一个很重要的事情就是替代效应，包括物理层面即竞品的替代；以及时间层面的替代，即顾客等待促销再进行购买（淘宝会对未来促销进行短信通知），或促销会透支未来顾客的购买力及购买欲望。

进行替代效应分析时，模型需要考虑替代品定义、价格与销量、替代维度及推荐位影响等因素，下面看一下替代效应分析都有哪些模型。

① 替代效应分析模型——线性回归与逻辑回归模型

在线性回归与逻辑回归模型中，替代参量是产品数量的平方级别，产品数量较多且数据量不足时过拟合问题较严重，此外线性模型容易出现比较极端的“最优”决策，因此仅适用于数据质量高、竞品少的部分产品的替代效应分析。

② 竞品替代——选择模型

一个更加适合描述替代行为的模型是选择模型。用户对两个产品的预期价值分别是和，不同的客户还存在一个独立随机的偏好值 ξ，那么客户选择两个产品时，会根据预期价值和偏好值进行选择，当 ξ 满足一定的分布假设时，客户选择产品 1 的概率就是，其中为不选择两个产品的期望价值，这样就会产生自然的替代效应。

③ 未来与历史销量替代——前景理论及参考价格模型

基于获得诺贝尔经济学奖的前景理论，顾客会根据产品历史价格形成一个参考价格，当产品价格偏离参考价格幅度特别大时，顾客并不敏感，仅当产品价格接近参考价格时才会比较敏感，这就是参考价格模型，它可以较好地刻画时间层面的替代效应，提升多周期产品价格决策的拟合效果。

④ 进阶选择模型

此外还有进阶选择模型，比如嵌套 Logit 模型、马尔可夫链模型及吸引力模型，都可以实现不同因素下的替代效应分析。

2. 促销决策

在进行促销评价时，常见的指标为转化率。比如在进行减价促销时，减价效应和广告效应是结合的，如果要评价减价效果，就需要去掉广告效应，因此转化率作为促销效果评估指标是一个自然的选择。但在实际减价促销时，会出现一些促销产品的 PV 大幅上涨，而产品的转化率却下降，但同时确实也有减价行为，那就会产生一个疑问：这是不好的促销吗？下面我们来看促销案例二。

公司对商品进行大幅减价促销，销量、利润、销售额都增长了，初看上去是很好的促销。但是如果分析转化率，转化率却大幅下降，使得促销效果看上去并不理想。这个现象的原因是促销时大量的广告宣传，带来顾客数暴增和销量增长。

但是从顾客构成分析，其实是促销期内大量新客户的涌入，造成顾客群体从忠诚度较高的老客户为主变化为对产品不太了解的新客户为主。两类顾客的转化率都因为减价促销大幅上升了，但由于新客户基础转化率显著地低，造成促销后的整体转化率反而降低。这个在统计理论中是经典的辛普森悖论。

在这种情况，就需要对顾客分群后进行转化率分析，同时拆分引流效果，除此之外还要考虑新老转化率，因为现在来的新客户未来可能会成为老客户，对企业来说也至关重要。

因此在促销决策，进行效果评估时需要考虑替代效应、指标及对比，进行决策时需要考虑选品、转化率及决策风险控制。在某宠物产品智能促销优化、某快消巨头智能促销优化、某鞋类品牌促销优化等多个实践项目中，采用上述促销决策，均取得了良好的促销效果。

03

大数据中的小数据——长尾品定价管理

为什么会面临大数据中的小数据？因为很多时候虽然数据量大，但是在真正决策时，取得的效果并不那么好，下面将以长尾品定价管理作为典型案例进行说明。

1. 电商平台收益管理

下面我将讲解和某电商平台合作的一个定价项目，希望通过定价来实现促销来最大化，增加收益和利润。这个项目涉及千万级 SKU，同时需要面对快速增长的业务和复杂的折扣结构。传统管理中管理者依靠手动调价管理非常多的 SKU，只能专注于核心产品，对于长尾品对调价很少。所以项目希望通过半自动化的工具，可系统地为大多数 SKU 提供定价建议，并识别错误的价格。

经典定价理论，通过时间序列模型、行为模型、机器学习、深度学习来去除其他因子的干扰，计算价格弹性得到量价关系图，然后去进行决策，但在解决实际问题时，将会面临以下三个课题。

① 价格的定义

比如某电商产品，由于促销打折、满减优惠等活动的叠加，且不同订单可能参加不同的优惠活动，导致页面价格和最终成交价格存在巨大差异，这时产品的真实成交价格就很难判定，更无法精准判断竞品的价格。

② 广告的影响

顾客数量对销量起到决定性因素，但顾客数量却受广告影响，尤其在线上平台。而不同的广告页面位置也会对顾客数量产生显著的影响，而大部分电商平台缺少广告位置记录，仅记录了 UI 的数字化 ID。如果 UI 设计没有保存，仅通过 ID 是无法知道广告的具体位，更无法评判广告位对顾客数量的影响。而且广告往往会叠加大幅折扣活动，这种叠加效应下更难以单独分析广告效应。

③ 目标品类及产品

对于畅销商品，有较好的整体数据质量，但面临较低的平台定价权、较高的竞争水平、竞争对手数据不足、较复杂的消费者行为，因此作为自动定价的目标产品阻力重重。对于长尾商品，平台有较高的定价权较，产品面临较低的竞争水平、较简单的消费者行为，较高的单品利润率，因此产品管理团队对自动化定价的接受意愿较高，但也面临数据质量差、大量非标商品、替代关系不明的困难。

2. 长尾商品的收益管理

长尾商品因为具备数据质量差、大量非标商品、替代关系不明等缺点，所以单个产品看不到任何规律，但对一些产品进行分组，会发现各类产品之间的有相近趋势性。因此我们首先按商品特征进行分组，对组内不可预测的共同因素，借鉴金融工具进行对冲，对不确定参数进行鲁棒优化模型，同时通过探索与学习，逐步提高决策范围，整个模型在此次项目的商品调价中取得了良好效果。

① 覆盖率提升

前面的模型完成了一些容易处理商品的定价，为了进一步模型实现覆盖率提升，通过分组定价模型，来降低整体决策风险，对于新品或长尾品，引入了关联学习模型，对于无调价记录产品，通过随机调价模型去获取有用的价值信息。

② 用户感知度

考虑到线上、线下商品，顾客对的价格变动的感知程度不一样，线下客户因为信息获取的难度提升对于减价效应会有显著的滞后效应，所以定价时也会对用户感知度进行关注。

04

决策质量V.S. 决策速度——无人仓智能管理系统

怎样实现决策质量和决策速度之间权衡，下面将通过和京东合作的无人仓智能管理系统项目进行分享。

1. 项目背景

京东无人仓采用 AGV 去货架把货物取到工作站，这个过程中需要尽量满足各个工作站商品出库量要求，同时保证出货架尽量少和搬运成本尽量低，而且 AGV 数、货架数、工作站数及每个工作站处理的商品种类数都巨大，所以核心问题是在有限时间内完成货架、AGV、工作站的多重匹配，难点在于问题是典型的 NP-难问题、而且存在百万以上变量/约束、可行计算时间有限(2-3秒)。

2. 解决方案

整个项目求解的最终目标就是最小化 AGV 运行总距离（时间）及未满足订单产生的等待费用。作为一个三元匹配问题，同时涉及多因素百万级变量问题模，解题的瓶颈在于求解时间与求解规模的矛盾。

通过对数学模型分析发现，存在一个交叉约束条件，导致形成三元匹配问题，如果将此约束条件删除，就可以将三元匹配问题拆分为两个二元匹配问题，所以解提思路为将其转换成分离问题。我们采用拉格朗日乘子法把交叉约束拆分到目标函数上去，实现分离问题与降维。

通过问题拆，把原先复杂的三元问题拆分成两个问题：①固定 y 和 z 变量对 x 的简单匹配问题；②固定 x 变量对 y 和 z 匹配问题。问题①可采用线性规划或匈牙利算法求解，问题②的规模比原问题降低大约 75%，结构也变的更加清晰，解题难度大大下降。

当原问题拆分成两个问题，如何保证拆分后的问题与原问题不存在差异，这就要求解Λ最优值，且不能单独求解问题①和②。我们通过线性松弛问题求解高质量的Λ，再求解问题②，最终求解带关联约束的问题①，满足了这两点要求。

实施效果：

整个算法的求解效果，与 CPLEX 相比，在大规模问题求解上，解题质量提高3%- 40%。双十一期间在京东无人仓对这个算法进行了实际测试，在订单处理量、商品处理量及单人处理量上对比常规仓库均有大幅提升。针对无人仓智能管理系统项目，同时分享一下几个扩展经验：对于超大规模仓的处理，采用均衡分区；对于 AGV 路径规划，采用防碰撞+加减速限制及时空网络中的 MVRP；对于对偶参量的训练与学习，利用仓库状态标签采用机器学习/深度学习技术学习。