蔬菜类商品的自动定价与补货决策
【摘要】
本文主要对蔬菜类商品的定价策略进行研究,根据蔬菜单品、销量、销售单价、批发价格、销售利润和损耗率等因素,以商超收益最大为目标,建立最优化模型,设计相应的算法,利用MATLAB编程求解。
针对问题一,首先对数据进行预处理,把给出的所有附件的信息都整合到附件2中。本问的蔬菜品类一共就6类,把蔬菜单品先按春夏秋冬和节假日有无销量进行分类。因此对品类和单品按照春夏秋冬四季的销售总量进行分析,以此分析出蔬菜品类和单品的分布规律。最后利用相关性分析法对蔬菜各品类及单品销售量进行分析,通过显著性的值和相关系数的值,来得出各品类及单品销售量的相互关系。具体分析情况见表3。
针对问题二,首先把上一个月的数据以周为单位的各蔬菜销售总量以及批发价、定价提取出来,建立多元线性回归分析各蔬菜品类总量和成本加成率、利润率之间的关系,详细的结果见附件。然后对选取一周的每天销售量的波动情况进行分析,得出工作日销售量较多,周末销售量较少。最后应用了季节性指数预测模型,预测未来一周的日补货量,对预测出的销售量进行检验,符合工作日销售较少、周末较多的实际情况。再根据未来一周的利润最大为目标建立优化模型,增添了多条约束条件,设置了定价的策略,得到未来一周的最大利润为4280.70元。
针对问题三,本题限制了单品的总数,并且要根据23年6月24-30日的可售49个单品中选取27-33个蔬菜单品,然后使用灰色预测法对6月24-30日的数据进行小样本周期预测,利用MATLAB编程,把49个单品在7月1日的补货量预测求解出来,具体结果见附件B。在问题二的基础上,同样以商超收益最大为目标,建立最优化模型,增添几个约束条件,求解得出7月1日的各单品定价策略,具体数据见5.4.8,解得商超在7月1日这天最大的收益为1380.860796元。
针对问题四,为了更好地制定蔬菜商品的补货和定价决策,还需要采集的相关数据可以通过市场的性质来分析,因为问题是采集的数据对更好的制定补货和定价决策的帮助,所以我们选择从商超盈利的角度进行相关性分析,具体可以分为四类:运输因素的数据,蔬菜单品的季节性数据,市场竞争数据,单品的品质和新鲜度数据。将新增的预采集数据建立模型返回代入问题二和问题三,将预测决策模型建立的更精确,更加贴合实际情况。
关键词:季节性ARIMA模型 灰色预测 斯皮尔曼相关性分析
一、问题重述
1.1引言
在生鲜商超中,一般蔬菜类商品的保鲜期都比较短,且品相随销售时间的增加而变差,大部分品种如当日未售出,隔日就无法再售。因此,商超通常会根据各商品的历史销售和需求情况每天进行补货。
由于商超销售的蔬菜品种众多、产地不尽相同,而蔬菜的进货交易时间通常在凌晨 3:00- 4:00,为此商家须在不确切知道具体单品和进货价格的情况下,做出当日各蔬菜品类的补货决策。制定合理的定价决策和补货决策以及在商超空间限制下合理的销售组合可以使得商超收益最大。
1.2问题提出
问题1 蔬菜类商品不同品类或不同单品之间可能存在一定的关联关系,请分析蔬菜各 品类及单品销售量的分布规律及相互关系。
问题2 考虑商超以品类为单位做补货计划,请分析各蔬菜品类的销售总量与成本加成定价的关系,并给出各蔬菜品类未来一周(2023年7月1-7日)的日补货总量和定价策略, 使得商超收益最大。
问题3 因蔬菜类商品的销售空间有限,商超希望进一步制定单品的补货计划,要求可售单品总数控制在 27-33 个,且各单品订购量满足最小陈列量 2.5 千克的要求。根据2023年6月24-30日的可售品种,给出7月1日的单品补货量和定价策略,在尽量满足市场对各品类蔬菜商品需求的前提下,使得商超收益最大。
问题4 为了更好地制定蔬菜商品的补货和定价决策,商超还需要采集哪些相关数据,这些数据对解决上述问题有何帮助,请给出你们的意见和理由。
二、问题分析
本文主要是对商超中蔬菜类商品各品类及单品的最优补货策略以及定价策略进行研究。针对问题1,需根据现有的数据分析出蔬菜各品类及单品销售量的分布规律及相互关系;针对问题2,需以品类为单位给出最优的补货策略和定价策略;针对问题3,在商超的销售空间有限的情况下,进一步制定出单品的最优补货策略;针对问题4,需主观给出商超为更好的制定补货和定价决策需要收集的数据。结合以上四个具体问题,分别做如下分析:
2.1问题1分析
在第一问中,需要分析出蔬菜各品类及单品销售量的分布规律及相互关系,根据题中给出的近三年销售流水明细数据思考出重点考虑的方面,做如下几点具体分析:
①对于蔬菜各品类的分布规律,首先我们从季度的方向考虑,汇总出6个类别各个季度的总销售量,然后将这些数据可视化通过观察可以分析出各个品类在哪些季节是旺季哪些季节是淡季,可以初步得出它们的分布规律。然后根据生活实际情况可知,在节假日时商超的人流量更大,所以销售量也会有所差别,于是我们统计出各类蔬菜在工作日与节假日的平均销量,可以明显分析出节假日的销量会更高。
②对于蔬菜各单品的分布规律,我们考虑到各个月份内各个单品的销售情况,然后将其汇总成季度进行对比,可以找出各个季度销量最好的蔬菜以及各个季度销量为零的单品,从而可以大致得出单品在各个季度的售卖情况。
③蔬菜类商品不同品类或不同单品之间的相互关系,首先分析相关性分析方法的使用条件找出最适合分析此题的方法也就是斯皮尔曼相关系数法,可以得出不同品类或不同单品之间的相关系数以及显著性并且绘制出热力图使得观察更加明显。
2.2问题2分析
在第二问中,需考虑商超以品类做补货计划时的最优补货策略以及定价策略,还要找蔬菜品类的销售总量与成本加成定价的关系,也就是销量与定价的关系,同时在设计补货策略时需要预测出接下来七天的销量,具体做如下几方面分析:
①首先我们需要利用附件2和附件3中给出的数据进行数据分析,合并同品类以及同日期的销售数据,先分析书销量与定价也就是成本加成率的关系,根据分析结果选择适当的模型进行拟合,应该注意的是不同的品类可能会用到不同的模型进行拟合,在这里我们分别用神经网络、随机森林、线性等回归方式进行回归,通过对比相关系数来找出更合适的拟合函数。
②在得到具体的销量与成本加成定价的关系之后,需要根据历史销售流水数据预测未来一周的销量,首先我们先纵向预测,通过观察预测图像可知准确率较低,于是我们选择了横向预测,根据上一个月的销量进行预测得到了更合适的销量。再根据预测的销量和得到的销量与定价的关系可以制定合理的定价策略获得最大收益。
2.3问题3分析
在第三问中,因蔬菜类商品的销售空间有限,需进一步制定出单品的补货计划,给出7月1日的单品补货量和最优定价策略,做如下分析:
①由于单品数据过多,而商超要求单品总数控制在27-33个,于是我们可以先根据这两个月份历史销售量数据,将6月和7月不销售以及销售量低于2.5千克的商品排除在外,使得分析简单一些,经过剔除过后单品总数仅剩49种。还可以根据相关性分析对品类中的单品进行分类确定各品类中可替代或互补的单品。
②单品补货量和定价策略所使用的方法与问题2相似,同样是进行横向预测,通过上个月的数据预测出当日所需的单品补货量以及根据成本利润率来制定定价策略,但是还须明确品类与单品决策之间的差异。
2.4问题4分析
在第四问中,需要我们告诉商家还需收集哪些数据以及数据会有哪些帮助,切合生活实际可以做如下几方面的分析:
①收集更多的数据的目标是更好的分析补货策略和定价策略使得商超的利润更高,于是我们更多的收集一些经营类的数据,比如详细的日补货量使得补货量不再是根据销售量和损耗率进行推算,可以使得策略制定更加准确。
②同时还要贴合生活实际分析可行性以及经济性,始终以商超利润最高为目标。
三、符号说明
四、模型假设
1.假设当天结束时所以商品全部售罄;
2.假设商超的营业不会受到突发事件的影响;
3.假设商超的盈利可以维持商超正常运转;
4.假设供货商供货稳定,不会出现断供的情况。
五、模型建立与求解
针对本题主要是研究蔬菜类商品的最优补货和定价决策,从定量和定性的角度分析约束条件,以商超利润最大为目标,建立最优化模型,设计相对应的算法,得出玩家的最优策略。
5.1数据预处理
附件2中的数据包括商超2020年7月1日至2023年6月30日各商品的销售流水明细,数据量过大,我们通过基本观察可以发现里面包含打折、退货、无销售单品的情形数据,为了使得我们统计出更具有分析性的销售量数据,我们将整份数据做如下处理:
- 打折单品与退货单品分析
可以注意到5.39%的蔬菜由于品相等原因进行打折销售,0.5%的订单由于一些未知因素被退货,打折商品会导致销售单价与销量发生改变,退货商品也因为销售单价为负数而与正常销售不同,单由于数据量过大87万有余,将这两类数据进行剔除对整体的销售量的影响微乎其微,于是将其剔除是更好的选择。
- 无销售单品
通过观察附件2流水明细可知,并不是全部的单品每天都会被销售,于是通过编程可以找出相应的的单品,于是我们将当天没有被销售的单品的销量计为0,最终可以在整体上做出统计。
- 数据聚合
为了更方便后期的分析,于是我们初步将数据进行聚合,将各个单品各天的销量进行汇总,将汇总出来的单日总销量保存在新的表格中。
5.2问题1:蔬菜各品类及单品销售量的分布规律及相互关系
在本问中,需根据商超2020年7月1日至2023年6月30日各商品的销售流水明细找出蔬菜各品类及单品销售量的分布规律及相互关系,考虑到商品的季节性以及节假日时销量的明显变化找出分布规律,再用Spearman相关系数分析法找出它们的相互关系。
5.2.1各品类销售量的分布规律
关于各品类销售量分布规律的研究,主要从时间上考虑,单从菜类来看是具有周期性或季节性的,所以可以按照整体时间跨度更大的方式来得出该菜品的分布规律,再根据消费者的消费习惯在节假日与工作日上进行对比观察。
5.2.1.1总体分布规律
通过数据聚合结果可以计算出每个品类在2020年7月1日至2023年6月30日的全部销售总量,分别计算出的各品类三年的销售总量为:花叶类的销售总量是198520.978kg
,花菜类的销售总量是41766.451kg
,水生根茎类的销售总量是40581.353kg
,茄类的销售总量是22431.782kg
,辣椒类的销售总量是91588.629kg
,食用菌的销售总量是76086.725kg
。先对各品类在三年内的销售总量进行分析,可以看到在三年内各品类的销售量的占比,具体显示饼状图如下:
图1:三年内蔬菜各品类销售总量对比饼图
通过图2可以看出,在三年内蔬菜各品类的总销售量中,花叶类的销售总量是占比最大的,说明该蔬菜品类在三年中的受欢迎度是最高的,其次是辣椒类和食用菌类,两者的销售总量差不多,接着是同样占比的花菜类和水生根茎类,二者的占比也算较少,最后茄类蔬菜的销售总量占比只有5%,说明该蔬菜品类在三年中是不怎么受欢迎的。
5.2.1.2品类之月分布规律
讨论蔬菜各个品类的月分布规律可以更好的观察出各类蔬菜在各个月份的销售情况,不仅可以观察出消费者在购买蔬菜类别时是否会因月份的不同而改变,还可以看出各类蔬菜在哪些月份的销售更好哪些月份却属于淡季,也可以大致找出各类蔬菜的生产周期,记Q(ijkl)为第i类蔬菜第j个品种第k个月第l天的销量,a(ik)为第i类蔬菜第k个月的销量,b(k)为所给的三年数据第k个月的天数,c(i)为第i类蔬菜的单品数量,于是a(ik)的具体求解方式如下:
根据数据预处理后的数据可以得出M(ijlk),然后利用matlab编程可以汇总出各品类各月的销售量如下表:
表1:部分蔬菜品类每年每个月的销售量
年 | 月份 | 花叶类 | 花菜类 | 水生根茎类 | 茄类 | 辣椒类 | 食用菌 |
2020 | 7 | 6577.078 | 1522.555 | 332.056 | 1365.551 | 2198.049 | 1617.836 |
8 | 7261.517 | 1748.658 | 867.18 | 1139.393 | 2822.344 | 1636.524 | |
9 | 5668.902 | 1336.066 | 798.931 | 671.692 | 1992.413 | 1642.881 | |
10 | 6395.312 | 1644.963 | 1344.118 | 771.967 | 1908.944 | 3000.532 | |
┊ | ┊ | ┊ | ┊ | ┊ | ┊ | ┊ | ┊ |
2023 | 5 | 5225.556 | 825.848 | 420.267 | 760.167 | 2783.96 | 2128.108 |
6 | 4661.197 | 533.189 | 510.787 | 769.315 | 2714.933 | 1718.985 |
然后根据汇总出的各类各月的销售量可以对各类做如下具体分析:
(1)花叶类月分布规律
通过表1中汇总的数据,将三年对应的月的销售量相加可以绘制出花叶类的月销售量分布折线图如下:
图 2花叶类月销售量分布折线图
通过观察上图所展示的各月销售量数据折线图,我们可以清晰地发现花叶类蔬菜的销售量在一年中的月度分布规律。具体来说,每年的8月份都是花叶类蔬菜销售的一个高峰期。从1月份开始,花叶类蔬菜的销售量呈现出逐渐下降的趋势,直到6月份达到一个相对较低的水平。然而,在7月份,销售量开始逐渐回升,并在8月份达到一个显著的高潮。8月份之后,尽管销售量有所回落,但整体上仍然保持在一个相对较高的水平,并且高于前期的平均水平。从整体销售数据来看,花叶类蔬菜仍然属于市场上较为受欢迎的蔬菜品种之一。
- 花菜类月分布规律
根据已知的数据绘制折线图如下:
图 3花菜类销售量月分布规律折线图
通过观察可知花菜类销售量月分布规律为:花菜类产品在1-6月的销售量呈下降趋势,而在7-8月达到高峰,尤其是第7月的销售量明显高于其他月份。8月之后,销售量开始趋于缓和,但仍高于前期水平。此后,在第2年的前6个月中,销售量再次呈现下降趋势。这表明该产品的销售具有显著的季节性波动,销售高峰集中在7-8月,而其余月份则相对较低。
(3)水生根茎类月分布规律
根据已知的数据绘制折线图如下:
图 4水生根茎类销售量月分布规律折线图
根据上图所示,水生根茎类蔬菜的月度销售分布规律表现为:1月至6月期间,连续三年的销售量总体呈现下降趋势;随后在7月至8月期间,销售量呈现回升态势,至8月份达到峰值。8月份之后,尽管各月销售量存在波动,但整体趋势趋于平缓,且相较于前六个月,销售水平有所提升。然而,水生根茎类蔬菜的整体销售量及销售水平并不显著。
(4)茄类月分布规律
根据已知的数据绘制折线图如下:
图 5茄类销售量月分布规律折线图
由上图可得,在1-6月总体上呈上升趋势,但是上升趋势较缓,在七月份时销售量最好,8月份之后,茄类销售量呈下降趋势,并且下降较快,说明在秋冬时期茄类受欢迎程度并不高。在7月份,三年的月度销售量差异较大,并且在22年的时候5、6月的销售量会更高,所以销量顶峰月具有不确定性,但是我们可以找到茄类在5-8月销售量会更高一些。
(5)辣椒类月分布规律
根据已知的数据绘制折线图如下:
图 6辣椒类销售量月分布规律折线图
由上图可知,辣椒类销售量每月销售量都较大,并且全年整体的变化趋势是在下降,其中销售量高潮期主要实在8月份,并且前半年的总体销售水平会比后半年的整体销售水平更高,这四年的数据在后半年的波动较大,从年份上来看,随着年份的增加后半年辣椒类的销售量更高。
(6)食用菌月分布规律
根据已知的数据绘制折线图如下:
图 7食用菌销售量月分布规律
由上图可知,食用菌的月销售量分布规律有点像弧形,中间低两边高,1-2月与10-12月的整体销售量高。大致在6月份时达到最低峰,在六月份时可能随着天气温度的增加菌类并没有那么受欢迎了,随着月份的增加温度的增加,食用菌类的销售量逐渐回升。
5.2.1.3品类之季度分布规律
通过月分布规律可以得出销售量在不同月份上体现的规律,我们可以看出有些蔬菜类别是连续几个月有相同的变化趋势的,可能是同时销量高或者同时低的,这是可以联想到蔬菜是否存在季节性的关系,一年春夏秋冬四个季,每个季节三个月。
因为蔬菜一共分为6个品类,分别为花叶类、花菜类、水生根茎类、茄类、辣椒类和食用菌类,所以对各品类销售量的分布规律不需要用到聚类分析法再次进行分类。通过matlab编程可以把各品类在每个月的销售总量计算出来,然后按照春夏秋冬四个季节计算各品类的销售总量,以此可以分析出蔬菜各品类销售量的分布规律。具体求解出各品类在三年内的四季销售总量如下:
表3:蔬菜各品类在三年内分别在四季的销售总量
销售量/kg | 春 | 夏 | 秋 | 冬 |
花叶类 | 41140.897 | 41334.201 | 34285.570 | 42033.683 |
花菜类 | 7748.326 | 8619.127 | 6450.79 | 9450.074 |
水生根茎类 | 4784.836 | 7246.45 | 9187.49 | 13153.32 |
茄类 | 5808.383 | 5700.381 | 1978.469 | 4100.407 |
辣椒类 | 22723.945 | 16943.573 | 15107.838 | 24437.009 |
食用菌 | 14395.568 | 10466.173 | 13828.868 | 22670.382 |
根据上述各类蔬菜四季销售总量,可以绘制出各品类一年四季是销售量变化曲线图如下:
从上述图表中可以看出花叶类在夏季的销售量最低相比于销售量最好的秋季差距较大;花菜类的四季总体销售量变化趋势与花叶类相同,仍是秋季销售量最好,夏季的销售量最少,但总体的销售比花叶类低许多,所以在秋季花菜类的受欢迎程度最高;水生根茎类除夏季外其余三个季节的销售量都较高;茄类除冬季外其它三个季节的销量都较高,但总体销量都不是很高;辣椒类在春季时的销量最好,其余三个季节销量都不是很突出;食用菌在夏季和秋季的销量相较春季和冬季低许多。
5.2.1.4品类之节假日分布规律
根据生活实际可知,在节假日时商超的人流量会更大,于是节假日与工作日的销售量肯定是有所差别的,先找出2020年7月1日至2023年6月30日较为突出的节假日,然后通过编程分别汇总出三年内每月工作日、节假日的单日平均销售量,然后绘制如下折线图:
通过如上折线图可以对比出工作日与节假日销量的变化趋势是一致的,并且我们很明显的可以看到在节假日对销量影响较大,在12月份的影响是最突出的也就是大概在春节期间对于销售量的影响更大,大家对于蔬菜的需求量也更大。
5.2.2各单品销售量的分布规律
因为单品的数量很多,为了方便找分布规律,我们用编程统计出各个单品三年内各个季度的总销量,按照销售量对单品进行排序,统计出每个季度不销售的单品以及销售量前二十的单品,这样我们可以知道各个季度哪些单品是最受欢迎的以及哪些单品是非常不受欢迎的或者说由于收成问题只有限定季节才货的单品,所以我们还统计出了全年都有销量的单品,这些单品便是比较受大众欢迎的商品,具体的统计结果如下表2:
销量前十 | 无销量 | |
春 | 芜湖青椒(1)、净藕(1) 、西兰花、大白菜、金针菇(盒)、小米椒(份)、紫茄子(2)、云南生菜(份) 、枝江红菜苔、洪湖莲藕(粉藕) | 和丰阳光海鲜菇(包)、外地茼蒿(份)、莲蓬(个)、本地小青茄子(2)、姬菇(份)、黑油菜、辣妹子、蟹味菇(2)、黄白菜(1)、茶树菇(袋)、净藕(2)、杏鲍菇(份)、净藕(3)、西峡香菇(份) ……(共26个) |
夏 | 西兰花、净藕(1)、云南生菜、芜湖青椒(1)、黄白菜(2)、云南油麦菜、泡泡椒(精品)、甜白菜、云南生菜(份)、紫茄子(2) | 本地小毛白菜、辣妹子、黄白菜(1)、海鲜菇(袋)(2)、荸荠、泡泡椒(精品)、白玉菇(盒)、蟹味菇(盒)、面条菜、灯笼椒(2)、蔡甸藜蒿(份)、蟹味菇(1)、海鲜菇(2)、枝江红菜苔、蟹味菇(袋)、萝卜叶……(共34个) |
秋 | 西兰花、净藕(1)、云南生菜、芜湖青椒(1)、黄白菜(2)、云南油麦菜、泡泡椒(精品)、甜白菜、云南生菜(份)、紫茄子(2) | 茼蒿(份)、四川红香椿、白菜苔、马齿苋、鲜木耳(1)、花茄子、蟹味菇与白玉菇双拼(盒)、大龙茄子、牛首生菜、水果辣椒(份)、鲜粽叶(袋)(3)、菱角、和丰阳光海鲜菇(包)、组合椒系列……(共29个) |
冬 | 净藕(1)、大白菜、西兰花、金针菇(盒)、芜湖青椒(1)、西峡香菇(1)、云南生菜(份)、泡泡椒(精品)、保康高山大白菜、云南生菜 | 海鲜菇(2)、马齿苋、红莲藕带、鲜粽叶(袋)(3)、菱角、和丰阳光海鲜菇(包)、鲜粽叶(袋)(1)、洪湖藕带、红椒(份)、海鲜菇(袋)(1)、蔡甸藜蒿(份)、竹叶菜(份)、蟹味菇(1)、紫茄子(1)、红薯尖(份)、小白菜(份)、苋菜(份)、外地茼蒿(份)、莲蓬(个) |
四季都有销量 | 芜湖青椒(1)、西兰花、紫茄子(2)、云南生菜(份)、金针菇(盒)、净藕(1)、云南生菜、小米椒(份)、大白菜……(共91个) |
①对于春季无销量的蔬菜单品来说,它们有一些是适宜秋冬季节种植生长,导致在春天没有产量,所以就没有销售量,例如和丰阳光海鲜菇(包);还有一部分原因是受到季节及生产周期因素的影响,导致供应量减少,例如本地小青茄子(2),像该单品就是生长速度缓慢,因此在春天的产量低。
②对于夏季无销量的蔬菜单品来说,有一部分原因是因为大量蔬菜在夏季集中上市,导致蔬菜供应量大幅增加,因此出现了“卖难”现象,例如本地小毛白菜;还有一部分原因是该蔬菜单品属于水生蔬菜,在夏季不易存活,也有夏汛的原因导致单品推迟种植生产,例如蔡甸藜蒿(份)。
③对于秋季无销量的蔬菜单品来说,有一部分原因是因为顾客个人技能原因,例如鲜粽叶(袋)(3),现在会包粽子的年轻人太少,因此少有人买粽叶,直接去线上线下买现成的粽子,需求量低导致销售量低;还有一部分原因是蔬菜的生产遭遇不利天气,导致上市期延迟,因此秋季无销量,例如牛首生菜。
④对于冬季无销量的蔬菜单品来说,有一部分原因是不适应冬季的气温,因此在冬季没有种植该蔬菜单品,例如竹叶菜(份);还有一部分原因是受自然天气和市场价格波动的影响,以及受疫情影响封锁了销售渠道,导致该蔬菜单品冬季无销量,例如洪湖藕带。
⑤对于四季都有销量的单品来说,一部分原因是因为受大众的喜爱,然后生产基地较多,可以一年四季都有供应量,并且对任何环境都能适宜生产,而且生产地距离各城市中心不远,因此受到疫情影响而导致封锁销售渠道的可能降低。
5.2.3相关性分析
5.2.3.1相关性分析方法
对数据进行相关性分析具有三种方法,可以利用SPSS进行分析,三种方法分别是Pearson
相关性分析,spearman相关性分析,kendall's tau-b
相关性分析,三种方法使用的范围不同,具体如下:
图1:相关性分析的三种方法
因为本题的分析相关性数据不满足正态分布,所以可以使用上述三种相关性方法中的spearman
相关性分析法进行对蔬菜各品类及单品销售量之间的相互关系。
(2)spearman相关性分析法
spearman相关性分析法是一种针对两个变量之间非线性关系的相关性计算方法,同时,它不对数据的分布进行假设。该方法的基本思想是将两个(也可以多个)变量的值进行排序,并计算它们之间的等级相关性(spearman相关系数)。spearman相关系数的范围在-1到1之间,取值为-1表示完全负相关,取值为1表示完全正相关,取值为0则表示两个变量之间没有相关性,spearman相关系数的绝对值越大,代表二者的相关性越强。spearman相关系数被定义成等级变量之间的皮尔逊相关系数。对于样本容量为n的样本,n个原始数据被转化成等级数据,具体相关系数的计算公式如下:
其中,x和y分别代表两个数据的平均值。通过显著性P值对数据之间是否存在统计上的显著性关系进行检验,判断P值是否呈现显著性的条件为P<0.05,若呈现显著性,说明两变量之间存在相关性。
(3)显著性的确定
一种确定被观测数据的ρ值是否显著不为零(r总是有1大于等于r大于等于-1)的方法是使用皮尔逊积矩中使用到的费雪变换。也就是,ρ的置信区间和零检验可以通过费雪变换获得,具体公式如下:
如果F(r)是r的fisher变换,则有:
其中,r在统计依赖ρ=0的零假设下近似服从正态分布。因此可以得出其在零假设近似下服从自由度为n-2的显著性P分布,具体显著性为:
5.2.3.2各品类相互关系
蔬菜类共有六大类,六大类蔬菜之间存在正相关、负相关、不相关等关系,利用spss
软件用spearman相关系数进行分析,可以得到各品类之间的相关系数与显著性,统计出各年各月各品类的销售总量数据放入spss中,通过每年每个月之间的销售量数据来分析各个品类之间的关系,先通过热力图初步观察各品类的相互关系程度,各品类香菇关系热力图如下:
得到的相关系数和显著性值如下表3:
表3:蔬菜各品类的相关系数和显著性表
花叶类 | 花菜类 | 水生根茎类 | 茄类 | 辣椒类 | 食用菌 | ||
P | 花叶类 | 1 | 0.695 | 0.448 | 0.043 | 0.488 | 0.578 |
ρ | 0.000 | 0.000 | 0.006 | 0.802 | 0.003 | 0.000 | |
P | 花菜类 | 0.695 | 1 | 0.427 | 0.076 | 0.31 | 0.462 |
ρ | 0.000 | 0.000 | 0.009 | 0.659 | 0.066 | 0.005 | |
P | 水生根茎类 | 0.448 | 0.427 | 1 | -0.467 | 0.316 | 0.669 |
ρ | 0.006 | 0.009 | 0.000 | 0.004 | 0.060 | 0.000 | |
P | 茄类 | 0.043 | 0.076 | -0.467 | 1 | -0.17 | -0.447 |
ρ | 0.802 | 0.659 | 0.004 | 0.000 | 0.323 | 0.006 | |
P | 辣椒类 | 0.488 | 0.31 | 0.316 | -0.17 | 1 | 0.49 |
ρ | 0.003 | 0.066 | 0.060 | 0.323 | 0.000 | 0.002 | |
P | 食用菌 | 0.578 | 0.462 | 0.669 | -0.447 | 0.49 | 1 |
ρ | 0.000 | 0.005 | 0.000 | 0.006 | 0.002 | 0.000 |
通过上表可以得知蔬菜每个品类与其他品类之间的相关系数ρ值和显著性P值,先对蔬菜各品类之间是否存在统计上的显著性关系进行检验,判断P值是否呈现显著性P<0.05,若呈现显著性,则说明两变量之间存在相关性,反之,则两变量之间不存在相关性。从上表中统计出高度相关性、中度相关性、几乎不相关的组别做具体分析如下:
(1)高度正相关(相关系数接近1且显著性水平低):
花叶类与食用菌(0.631,p<0.001):这表明花叶类蔬菜和食用菌在市场需求、生长条件或消费者偏好上可能存在很强的相似性。两者可能共享相似的销售渠道或消费群体。
水生根茎类与食用菌(0.578,p<0.001):同样显示出高度正相关,可能意味着这两种蔬菜在种植技术、市场定位或消费者健康观念上有所重叠。
花叶类与花菜类(0.669,p<0.001):这显示了花叶类蔬菜和花菜类之间的紧密联系,可能由于它们相似的营养价值、烹饪用途或市场接受度。
(2)中度正相关(相关系数在0.3至0.7之间且显著性水平低):
花叶类与水生根茎类(0.448,p<0.006:尽管相关性略低于花叶类与食用菌或花叶类与花菜类,但仍表明两者之间存在一定的关联性。
花叶类与辣椒类(0.488,p<0.003):辣椒类蔬菜与花叶类之间的正相关可能源于它们在调味、烹饪中的互补作用或共同的消费者群体。
水生根茎类与辣椒类(0.316,p<0.06):这种相关性表明水生根茎类和辣椒类在某些方面(如健康益处、烹饪用途)可能存在共同点,但关联性相对较弱。
花菜类与食用菌(0.462,p<0.005):两者之间的正相关可能反映了它们在营养价值、烹饪方式或市场策略上的相似性。
(3)负相关或几乎不相关:
茄类与其他所有类型(相关系数均较低,显著性水平较高):茄类蔬菜与表中其他所有类型的蔬菜均表现出较弱的相关性,甚至在某些情况下呈负相关(如茄类与水生根茎类,-0.467,p<0.05)。这可能意味着茄类在生长条件、市场需求或消费者偏好上与其他类型存在显著差异,需要单独制定种植和市场策略。
(4)市场与种植策略建议:
对于高度正相关的蔬菜类型(如花叶类与食用菌),可以考虑联合推广,共享销售渠道和营销资源,以降低成本并提高市场渗透率。
对于中度正相关的类型,可以探索它们在烹饪、营养搭配或健康益处方面的互补性,开发新的产品组合或菜谱。
对于几乎不相关或负相关的类型(如茄类与其他类型),应分别制定针对性的种植计划和市场策略,以满足不同消费者群体的需求。
5.2.3.3各单品相互关系
对于单品的相互关系,同样使用spearman相关系数进行分析,得到的相关系数和显著性值,可以分析出相关系数值达到0.99的单品共有22对,具体如下表:
单品1 | 单品2 | 相关系数值 |
七彩椒(份) | 襄甜红菜苔(袋) | 0.998 |
姬菇(1) | 海鲜菇(1) | 0.992 |
姬菇(2) | 马兰头 | 0.998 |
杏鲍菇(份) | 襄甜红菜苔(袋) | 0.998 |
海鲜菇(1) | 姬菇(1) | 0.992 |
海鲜菇(2) | 马兰头 | 0.998 |
猪肚菇(盒) | 藕尖 | 0.998 |
猪肚菇(盒) | 赤松茸(盒) | 0.998 |
红灯笼椒(份) | 襄甜红菜苔(袋) | 0.998 |
藕尖 | 猪肚菇(盒) | 0.998 |
襄甜红菜苔(袋) | 七彩椒(份) | 0.998 |
襄甜红菜苔(袋) | 杏鲍菇(份) | 0.998 |
襄甜红菜苔(袋) | 红灯笼椒(份) | 0.998 |
西峡香菇(份) | 龙牙菜 | 0.998 |
赤松茸(盒) | 猪肚菇(盒) | 0.998 |
马兰头 | 姬菇(2) | 0.998 |
马兰头 | 海鲜菇(2) | 0.998 |
马兰头 | 鱼腥草 | 0.998 |
鱼腥草 | 马兰头 | 0.998 |
鲜粽叶 | 鲜粽叶(袋)(1) | 0.998 |
鲜粽叶(袋)(1) | 鲜粽叶 | 0.998 |
龙牙菜 | 西峡香菇(份) | 0.998 |
5.3问题2:品类未来一周的日补货总量和定价策略
在本问中,需要先分析各蔬菜品类的销售总量与成本加成定价的关系,然后预测出未来一周各品类的销量和批发价,以商超利润最大为目标,建立最优化模型,求解出最优进货量和定价。
5.3.1前一周销售量分析
为了能够尽量预测准确未来一周的各个蔬菜品类的销售量情况,所以需要根据历史数据分析各蔬菜品类在一周之内的每一天的销售量,提取出2022年7月份每一天的销售量,分析其销售量的波动情况。
由下图直观能看出各个蔬菜品类在一周之内的销售量不均衡,各蔬菜品类的销售量按一周为时间节点呈现类似季节性的波动情况:
2022.7.1-7各品类的实际销售量图
选取2023年6月24日到2023年6月30日的蔬菜各品类的实际的销售量,分析得到一周的周末时段各个蔬菜品类的销售量较大,工作日时段的各个蔬菜品类的销售量较小,所以由此可知,预测未来一周的销售量需求需要尽量与历史数据一周的销售量波动情况符合,预测未来一周的销售量需求尽量呈现出周末时段较大。
5.3.2未来一周部分数据确定
未来一周各个品类的补货量、定价、批发价、成本加成率等都是未知的,我们可以根据附件2、附件3的数据预测出未来一周的销售量、批发价,因为由问题1的分析可知,商超的销售量是有一定分布规律的,只是它们存在一定的时间周期性,会受到季节、月份、节假日的影响而使得销售量而有所不同,所以我们可以选用一个能使时间序列数据平稳而进行预测ARIMA模型进行预测。
5.3.2.1ARIMA模型
ARIMA模型又称为差分自回归移动平均模型,模型的名称由自回归(AR)、差分(I)和移动平均(MA)三个部分组成,表示为ARIMA(p,d,q)。其中,AR表示自回归,p为自回归项数;I表示差分,d为使之成为平稳序列所做的差分次数(阶数);MA表示滑动平均,q为滑动平均项数。ARIMA模型是将非平稳时间序列转化为平稳时间序列,然后通过建立ARMA模型进行预测。ARIMA模型的基本思想是将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列,具体的模型组成如下:
(1)AR(自回归)
表示模型中的当前值与历史值之间的关系,自回归数学模型如下,其中y(t)为第t个数据的值,p
是阶数,r(i)是自相关系数,y(t-i)为前几天的数据值,伊普西隆(t)是误差,μ为常数项:
(2)MA(移动平均)
移动平均模型关注的是自回归模型中的误差项的累加,数学模型表达式如下:
(3)ARMA(自回归移动平均)
该模型描述的是自回归与移动平均的结合,具体数学模型如下:
5.3.2.2预测结果
深度理解ARIMA模型之后,将在数据预处理阶段整理出来的每个品类每一天的销售总量逐一放出spss工具中对未来一周各品类的销售量以及批发价进行预测,未来一周的销售量预测结果如下表:
日期/销量 | 水生根茎类 | 花叶类 | 花菜类 | 茄类 | 辣椒类 | 食用菌 |
2023/7/1 | 37.205 | 215.754 | 53.718 | 22.496 | 74.588 | 79.768 |
2023/7/2 | 37.485 | 215.737 | 53.76 | 22.249 | 74.557 | 80.172 |
2023/7/3 | 37.766 | 215.72 | 53.803 | 22.002 | 74.526 | 80.576 |
2023/7/4 | 38.046 | 215.704 | 53.845 | 21.755 | 74.495 | 80.981 |
2023/7/5 | 38.327 | 215.687 | 53.888 | 21.508 | 74.464 | 81.385 |
2023/7/6 | 38.607 | 215.67 | 53.93 | 21.261 | 74.433 | 81.789 |
2023/7/7 | 38.888 | 215.654 | 53.973 | 21.014 | 74.403 | 82.193 |
同理,通过整理数据可以预测出未来7天的批发价:
日期/批发价 | 水生根茎类 | 花叶类 | 花菜类 | 茄类 | 辣椒类 | 食用菌 |
2023/7/1 | 5.873 | 4.846 | 6.346 | 4.008 | 7.842 | 7.965 |
2023/7/2 | 5.873 | 4.811 | 6.479 | 4.008 | 7.741 | 7.103 |
2023/7/3 | 5.873 | 4.748 | 6.462 | 4.008 | 7.648 | 8.671 |
2023/7/4 | 5.873 | 4.669 | 6.431 | 4.008 | 7.563 | 7.766 |
2023/7/5 | 5.873 | 4.691 | 6.223 | 4.008 | 7.485 | 8.811 |
2023/7/6 | 5.873 | 4.635 | 6.553 | 4.008 | 7.414 | 8.046 |
2023/7/7 | 5.873 | 4.679 | 6.579 | 4.008 | 7.349 | 8.793 |
5.3.3销售总量与成本加成定价的关系
蔬菜品类分为六个类,则需要分别对六个类进行回归分析总销售量与成本加成定价之间的关系。因为需要给出未来一周(2023年7月1-7日)的各品类的日补货总量。因为受到工作日和周末的销售量的差异化影响,即使是同一个品类在工作日的销售量与周末的销售量相差很大,为了能够系统的分析各蔬菜品类销售总量与成本加成定价之间的关系,而且以一周为单位分析其蔬菜的销售总量受到工作日和周末的影响较少,所以分析各蔬菜品类的销售量与成本加成定价之间的关系时选取的数据均为以一周的单位选取一周平均的销售量,以及一周中的平均成本加成率。则有:
其中N(i)表示一周中第i个品类的销售总量,α(ik)表示第i个品类在第k次购买时的成本加成率。
以2022年7月份每一周为基础,分别对个蔬菜品类的总销售量与成本加成定价建立多元线性回归分析,如下所示:
其中拉米塔(i)为第i个蔬菜品类的成本加成率系数,β(i)为第i个蔬菜品类的利润率系数,c(i)是第i个蔬菜品类的成本价格,α(i)是第i个蔬菜品类的平均成本加成率,则第i个蔬菜品类的各个系数如下所示:
表7:各蔬菜销售总量与成本加成定价的系数
系数\品类 | 花叶类 | 花菜类 | 水生根茎类 | 茄类 | 辣椒类 | 食用菌 |
b(i) | -4128.21 | 170.6205 | 793.2789 | 17.4159 | 2537.8003 | 621.7748 |
拉米塔(i) | -264.524 | 13.933 | -38.4654 | 14.3719 | -278.6333 | -92.8405 |
β(i) | 3112.914 | -38.671 | -52.616 | 30.725 | -214.1469 | 130.0527 |
根据上面预测出来的未来一周每一天的各个蔬菜品类的销售需求,结合销售量与成本加成定价的关系,记p(it)为第i个蔬菜品类第t天的销售单价,x(it)为第i个蔬菜品类第t天的补货量,s(it)为第i个蔬菜品类第t天的销售量,c(it)为第i个蔬菜品类第t天的批发价,以未来一周各蔬菜品类的总利润最大为目标,建立最优化目标模型,具体模型如下:
5.3.5约束条件
(1)商超的销售空间的限制
已知每天可销售的总量是不能超过商超可能容纳的范围,所以对第t天第i个蔬菜品类的补货量进行约束,商超的销售空间限制K为前三年历史数据中的一天中的最大销售量,具体约束条件如下:
(2)蔬菜品类日补货量约束
商超的每个品类的日补货量不能超过历史上最大的销售数据,因为每个品类的日补货量需要尽可能满足当天的各个品类的,记D(it)为历史上第i个蔬菜品类的最大的销售量,具体约束条件如下:
(3)蔬菜品类的销售总量与日补货量的关系
因为日补货量需要考虑到蔬菜品类的损耗率,当日的补货量需要满足当天的销售量则得到需蔬菜品类的销售总量与日补货量的关系,l(i)表示第i个蔬菜品类平均的损耗率大小,于是具体关系如下:
(4)定价
根据商超本来的成本加成定价这一基本的定价策略,调整成本加成利率的比例,定价具体计算方式如下:
5.3.6模型的建立
综合所述,结合品类成本加成定价对销售量的影响、补货量与销售量之间的关系等约束条件,以未来一周的利润最大为目标,建立优化模型。具体的目标模型与约束条件如下所示:
目标:
5.3.7算法步骤
Step1:使用Matlab编程语言来处理附件2和附件3中的数据。附件2包含了各个单品的销售量数据,而附件3则包含了相应的批发价格数据。目标是根据各大类商品进行数据的平均分配,从而计算出每一天各大类商品的平均销售量和平均批发价格。通过这种方式,将分散在各个单品上的数据汇总到对应的大类中,以便进行更宏观的分析。接下来处理附件4中的数据。附件4包含了各个单品的消耗率数据。根据每个单品所属的大类,将这些消耗率数据进行平均分配,从而得到各大类商品的平均消耗率。
Step2:将之前收集到的销售量数据和相应的批发价格数据导入到分析系统中。利用ARIMA模型来预测未来七天的销售情况。首先,确保时间序列数据的平稳性会进行差分操作。能够消除数据中的趋势和季节性成分,使得时间序列数据更加稳定。通过自相关函数(ACF)和偏自相关函数(PACF)来确定ARIMA模型中的两个关键参数:自回归项的阶数(p)和移动平均项的阶数(q)。这两个参数将直接影响模型的预测能力。接下来使用ARIMA函数来建立ARIMA模型并进行一系列的检验来评估模型的拟合优度。首先进行残差检验,以确保模型的残差是随机分布的,没有明显的模式或趋势。其次,进行模型系数的显著性检验,以确保模型中的每个参数都是统计显著的,从而确保模型的可靠性。最后使用forecast函数来进行未来期数的预测。通过这个函数,可以得到未来七天的预测销量和相应的批发价格。
5.3.8具体结果
根据季节性预测模型,以前期的损耗率为条件,由于补货量等于销售量加上损耗量,所以通过灰色预测法可以得到了未来一周第t天第i个蔬菜品类的补货量,各蔬菜未来一周的补货量预测数据如下:
表8:各蔬菜未来一周的补货量预测
日期\品类 | 花叶类 | 花菜类 | 水生根茎类 | 茄类 | 辣椒类 | 食用菌 |
2023.7.1 | 149.202 | 20.228 | 19.594 | 17.164 | 75.336 | 54.829 |
2023.7.2 | 140.399 | 23.438 | 27.656 | 10.615 | 94.716 | 49.150 |
2023.7.3 | 91.764 | 9.075 | 16.253 | 12.674 | 77.696 | 43.163 |
2023.7.4 | 155.600 | 23.492 | 27.387 | 5.114 | 78.906 | 42.196 |
2023.7.5 | 150.716 | 20.837 | 23.335 | 9.597 | 75.275 | 54.187 |
2023.7.6 | 141.819 | 24.139 | 32.697 | 5.356 | 94.638 | 48.573 |
2023.7.7 | 92.690 | 9.345 | 19.086 | 5.507 | 77.632 | 42.655 |
总计 | 922.191 | 130.555 | 166.007 | 66.026 | 574.199 | 334.753 |
季节指数误差 | 0.12723 | 0.40834 | 0.11364 | 0.18874 | 0.1118 | 0.072878 |
通过表8的季节性指数误差,可以知道误差都小于0.5,各品类的季节性指数误差在允许范围内,说明该预测方法是可行有效的,于是能够对预测出的一周数据能够进行分析。
根据以上的未来一周的日补货量预测,以建立的利润最大目标优化模型,可以求得未来一周最大的总利润为4280.70元。其中一周内的花叶类、花菜类、水生根茎类茄类、辣椒类以及食用菌类的成本加成率α(i)分别为0.5435、0.5593、0.2326、0.6228、0.6425、0.5155(保留四位小数)。
5.4问题三:选择27-33个单品,给出7月1日的单品补货量和定价策略
本题需要求出单品在7月1日的补货量,因为蔬菜是需要新鲜产品,所以认为在当天是没有库存量,都是当天订货,当天补货。限制了单品总数在27-33个之间,并且单品要在在23年6月24-30日的可售品种中选取。利用灰色预测法,首先把7月1日全部全部单品的补货量求解出来,然后建立最优化模型,以商超收益最大为目标,设计相应的算法,得出单品的定价策略。
5.4.1灰色预测法
灰色预测模型是通过少量的、不完全的信息,建立数学模型并做出预测的一种预测方法。目前常用的一些预测方法(如回归分析等),需要较大的样本,若样本较小,常造成较大误差,使预测目标失效。灰色预测模型所需建模信息少,运算方便,建模精度高,在各种预测领域都有着广泛的应用,是处理小样本预测问题的有效工具。本问可以利用灰色预测,利用上周的销售数据,来把7月1日的销售数据预测出来,以此求解出多种未知的变量。灰色预测需要用到的数学模型如下:
5.4.2给出7月1日的单品补货量
首先根据23年6月24-30日的各单品每天的销售量,用它们的平均销售量作为7月1日单品的实际到货量,通过损耗率各单品的损耗率可以求出在7月1日这天商家对各单品的订购量。然后对24-30日各单品的销售量做预测分析出7月1日各单品的销售量,然后销售量减去实际到货量,得出如果剩下的值大于0,说明该值为补货量,得到的值小于0,说明该单品不需要补货,剩余的量应当打折促销卖出。
(1)7月1日单品的实际到货量
利用23年6月24-30日之间各单品的销售量,对7月1日这天需要的实际到货量可以用上一个星期的数据进行,对各单品在上一周每天的数据求个总和,然后把一周的销售量数据求平均值,作为7月1日实际到达的各单品货物数量,这样对于蔬菜单品在该天是大致符合其购买量的,不会导致其存货量与当天销售量差别过大,并且对于一些不以千克为单位的单品,采用四舍五入法取整求出实际到货量,具体求解见附件B,部分求解单品到货量如下:
表9:部分单品在7月1日的实际到货量(具体见附件B)
单品名称 | 实际到货量 | 单品名称 | 实际到货量 |
白玉菇(袋) | 1 | 高瓜(1) | 3.004428571 |
菠菜 | 0.974285714 | 高瓜(2) | 0.856571429 |
菠菜(份) | 7 | 海鲜菇(包) | 9 |
菜心 | 1.268142857 | 红椒(2) | 2.035714286 |
虫草花(份) | 2 | 红莲藕带 | 0.656571429 |
┊ | ┊ | ┊ | ┊ |
竹叶菜 | 13.29671429 | 紫茄子(2) | 10.90285714 |
由附件B得出的各单品实际到货量可知,其中蔬菜单品是青线椒(份)的实际到货量为0,所以可以先排除这个单品,然后从剩下的单品进行选择。
(2)7月1日的订货量
商家需要在每天早上给出各单品的订货量,因为由表9已知各单品的实际到货量,所以可以通过损耗率的关系,计算得出各单品在7月1日的订货量。各单品的损耗率都为已知,由附件4可以知道,订货量和实际到货量之间的具体关系式为:
其中,q为各单品的实际到货量,m为各单品的订货量,η为各单品的损耗率。由上述公式可以求解出各单品的订货量,同样对单品的单位不是千克的使用四舍五入法进行取整。具体求解出结果见附件B,部分结果如下:
表10:部分单品在7月1日的订货量(具体见附件B)
单品名称 | 订货量 | 单品名称 | 订货量 |
白玉菇(袋) | 1 | 高瓜(1) | 4.24654215 |
菠菜 | 1.195589292 | 高瓜(2) | 0.945756242 |
菠菜(份) | 8 | 海鲜菇(包) | 9 |
菜心 | 1.469458699 | 红椒(2) | 2.247669522 |
虫草花(份) | 2 | 红莲藕带 | 0.787539197 |
┊ | ┊ | ┊ | ┊ |
竹叶菜 | 15.39327887 | 紫茄子(2) | 11.60742802 |
(3)7月1日的销售量
通过23年6月24-30日每日的销售量数据,可以使用灰色预测法,把7月1日当天的销售量数据预测出来,并且灰色预测拟合误差值都比较小,于是可以直接把该数据作为7月1日当天各单品的销售量,同样对单位不是千克的使用四舍五入法进行取整。具体结果见附件B,部分结果如下:
表11:部分单品在7月1日的销售量(具体见附件B)
单品名称 | 销售量 | 单品名称 | 销售量 |
白玉菇(袋) | 2 | 高瓜(1) | 3 |
菠菜 | 0.0026 | 高瓜(2) | 4.5472 |
菠菜(份) | 21 | 海鲜菇(包) | 0.5327 |
菜心 | 3.2613 | 红椒(2) | 7 |
虫草花(份) | 2 | 红莲藕带 | 2.164 |
┊ | ┊ | ┊ | ┊ |
竹叶菜 | 11.3866 | 紫茄子(2) | 4.9215 |
(4)7月1日的补货量
通过对各单品的实际到货量和当天销售量值的求解,可以得出各单品的补货量,补货量为在当天卖完了实际到货量后对该单品进行补货,最终得到了销售量。所以计算补货量的具体公式如下:
其中,B表示各单品在7月1日当天的补货量,N表示各单品在7月1日当天的销售量,d表示各单品在7月1日的实际到货量。由上述公式可以求解得出各单品在7月1日的补货量,具体求解结果见附件B,部分求解结果如下:
表12:部分单品在7月1日的补货量(具体见附件B)
单品名称 | 补货量 | 单品名称 | 补货量 |
白玉菇(袋) | 1 | 高瓜(1) | 1.542771429 |
菠菜 | -0.971685714 | 高瓜(2) | -0.323871429 |
菠菜(份) | 14 | 海鲜菇(包) | -2 |
菜心 | 1.993157143 | 红椒(2) | 0.128285714 |
虫草花(份) | 1 | 红莲藕带 | 0.452128571 |
┊ | ┊ | ┊ | ┊ |
竹叶菜 | -1.910114286 | 紫茄子(2) | -5.981357143 |
通过上表可以看出补货量有正值有负值,其中正值表示当天该单品的销售量比实际到货量要多,因此正值为该单品在当天的补货量,卖出的以当天销售量计算;负值表示当天该单品的实际到货量比销售量要多,因此负值代表未卖完的单品数量,需要利用打折策略进行销售。
(5)未打折出售的销售量和打折出售的销售量
通过补货量和销售量的表格,可以整合出每个单品在7月1日当天未进行打折出售的销售量和打折出售的销售量。因为补货量为正值代表在该当天的未打折出售的销售量就以预测的销售量进行计算,当补货量为负值就代表该负值的绝对值为打折出售的销量,销售量减去该值为未打折出售的销售量,因此可以列出所有单品未打折出售的销售量和打折出售的销售量,具体数据见附件B,部分数据如下:
表13:部分单品未打折和打折的销售量(具体见附件B)
单品名称 | 未打折出售的销售量 | 单品名称 | 打折出售的销售量 |
白玉菇(袋) | 2 | 白玉菇(袋) | 0 |
菠菜 | 0.0026 | 菠菜 | 0.971685714 |
菠菜(份) | 21 | 菠菜(份) | 0 |
菜心 | 3.2613 | 菜心 | 0 |
┊ | ┊ | ┊ | ┊ |
紫茄子(2) | 4.9215 | 紫茄子(2) | 5.981357143 |
5.4.3确定目标
通过上述求出的各种数据,设计相对应的算法,在23年6月24-30日共给出49个可售品种,在里面挑选27-33个单品,以商超的收益最大为目标,建立最优化模型,利用matlab编程进行求解,给出选取的单品的定价策略。
为了给出各单品的定价策略,并尽量使商超的收益最大,设第j个单品的售价为E(j),第j个单品不打折售卖的销售量为n(j),第j个单品打折售卖的销售量为h(j),第j个单品的批发价为w(j),第j个单品的订购量为m(j),第j个打折单品的出售价格为e(j),第j个单品的损耗率为η(j)。因为可供选择的单品有49个,所以设j的取值范围在1到49之间,因为限制单品总数的选择,需要设置“0-1”变量为约束,使“0-1”变量的总值只能在27至33之间。则以商超的收益最大为目标,可确定目标如下:
5.4.4约束条件
为了满足题目的基本要求,需要对各个条件做如下约束:
(1)“0-1”变量的约束
考虑到蔬菜类的单品数量过多,并且本问只需要单品数量在27-33个之间,则需要对是否选择第j个单品f(j)进行“0-1”变量约束,具体约束如下:
(2)单品总数的约束
因为蔬菜类商品的销售空间有限,商超希望进一步制定单品的补货计划,要求可售单品的总数控制在27-33个,具体约束如下:
(3)单品订购量的约束
选择的各单品订购量都需要满足最小陈列量,因为蔬菜商品的损耗率是在运输的过程中损耗的商品量与完好的商品量的比值,所以为了满足各单品最小陈列量2.5kg的要求,具体约束条件如下:
(4)定价价格约束
本问的定价策略需要根据2023年6月24-30日的可售品种,在该日期内,共有49种单品,每个单品每天的价格和销售量都不一样,所以在对单品的定价上,有最低那天的定价和最高那天的定价。设第j个单品的最低价为g(j),第j个单品的最高价为G(j),具体约束条件如下:
(5)进货量的约束
每天各单品的销售量不能超过当天该单品的进货量,具体约束条件如下:
5.4.6模型的建立与求解
综合上述目标模型和约束条件分析,以给出选择的各单品的定价策略后,商超收益最大为目标,建立最优化模型,具体模型如下:
目标:
5.4.7求解算法的具体描述
综上所述,根据以上建立的最优化模型,设计相对应的求解算法,具体算法步骤如下:
Step1:首先对23年6月24-30日各单品的销售数据进行处理,利用公式间的相互关系,求出各单品的实际到货量、各单品订货量、经过预测7月1日的销售量、补货量、打折出售销量和未打折出售销售量。具体分析如下:
Step2:选取27-33个单品。因为单品的数量有限制,而且由于最后要得到商超收益最大,所以需要对各个单品的销量和利润进行遍历,把销售量低的和利润低的单品给删除,依次按利润和销售量进行对单品的遍历,选择销售量和利润都高的单品,直到选取单品在27-33个之间。
Step3:根据23年6月24-30日所有单品批发价的数据,分别求出每个单品批发价的日平均值作为7月1日各单品的批发价,然后列出各单品在这些天内定价的最高值和最低值,给7月1日各单品的定价有一个范围。然后对选取单品的数量进行依次遍历,把各单品销售的总利润求出来。因为有打折销售的情况,所以需要对选择单品的所有情况进行遍历,分别遍历出不同单品数量选择下的商超总收益。
Step4:重复上述步骤,直至得出在该选择单品数量的情况下,商超的收益最大,然后以该单品定价作为7月1日的定价策略。
5.4.8具体结果
综上所述,要求解模型还差一个变量的数据,即各单品在7月1日的批发价,把该数据求解出来,得出商超的最大利润和选择单品的定价策略。
(1)7月1日各单品的批发价
根据23年6月24-30日所有单品批发价的数据,分别求出每个单品批发价的日平均值作为7月1日各单品的批发价,具体所有单品解出的批发价格见附件,部分单品7月1日批发价格如下:
表14:部分单品7月1日的批发价(具体见附件B表单2)
单品名称 | 批发价 | 单品名称 | 批发价 |
白玉菇(袋) | 3.5025 | 高瓜(1) | 11.54 |
菠菜 | 9.64 | 高瓜(2) | 13.466 |
菠菜(份) | 4.098 | 海鲜菇(包) | 1.954285714 |
菜心 | 4.6075 | 红椒(2) | 12.89714286 |
虫草花(份) | 2.657142857 | 红莲藕带 | 5.6 |
┊ | ┊ | ┊ | ┊ |
竹叶菜 | 2.318571429 | 紫茄子(2) | 3.747142857 |
通过上表把各单品每日的销售量列出来后,只对当日有对该单品进货的批发价进行求均值,当天若没有进货该单品,批发价的格应当控制,不能对求均值有所影响。在得出7月1日的批发价后,把各单品在24-30日之间定价卖出的最高价和最低价也列在附件B表单2的表格里。
(2)定价
综上所述,使用建立好的最优化模型进行求解,得出一共在49个单品里面选33个单品商超的收益是最大的,在7月1日这天,商超的收益为1380.860796元,具体对33个单品的定价策略如下:
表15:选择的33个单品销售定价
单品 | 定价 | 单品 | 定价 | 单品 | 定价 |
云南生菜(份) | 5.8 | 娃娃菜 | 6.8 | 苋菜 | 4 |
小米椒(份) | 5.8 | 竹叶菜 | 4 | 小青菜(1) | 5.2 |
云南油麦菜(份) | 4.5 | 螺丝椒 | 12 | 木耳菜 | 6.00 |
金针菇(盒) | 2 | 双孢菇(盒) | 5.50 | 姜蒜小米椒组合装(小份) | 4.8 |
西兰花 | 14.00 | 小皱皮(份) | 2.8 | 紫茄子(2) | 6 |
菠菜(份) | 6.80 | 海鲜菇(包) | 3.00 | 洪湖藕带 | 26 |
芜湖青椒(1) | 5.20 | 枝江青梗散花 | 14 | 高瓜(1) | 16.00 |
螺丝椒(份) | 5.90 | 红薯尖 | 6 | 青红杭椒组合装(份) | 5.80 |
上海青 | 8 | 净藕(1) | 16 | 菜心 | 6.00 |
奶白菜 | 5.2 | 西峡花菇(1) | 24 | 圆茄子(2) | 8 |
长线茄 | 12 | 菱角 | 14 | 虫草花(份) | 3.80 |
除了上述各单品的定价策略外,还有一些需要打折促销的单品,这些单品打完折的价格为:双孢菇(盒)3.3元,小皱皮(份)1.7元,海鲜菇(包)3元,苋菜4元,木耳菜3.6元,姜蒜小米椒组合装(小份)2.9元,紫茄子(2)6元。商超在7月1日这天最大的收益为1380.860796元。
5.5问题四:商超还需要采集数据
在本问题中,为了商超能够根据已知的数据更好制定补货量以及定价数据,需要列举出商超还需要采集到那些数据,分析其收集到的数据对商超的作用,特别是补货量和定价策略。
5.5.1现有数据的不足
为了能更好的制定补货量以及定价策略,需要分析现在有数据的不足,并分析需要增加那些数据的原因。
商超现有的数据分别有三年的销售量以及批发价,近期的商品的损耗率。但仅仅知道这些数据无法提供更好的补货量,因为缺少了蔬菜单品的库存量情况,无法根据现有的库存,进行较为细致的补货计划。还根据商超的地理位置的当地人的饮食习惯,市场竞争情况等等制定商品的价格。
5.5.2需要增加的数据
根据上面分析到现有数据的不足,故建议商超应该增加收集以下数据,增加的理由如下。
(1)商超单品的库存量
在问题二中需要预测各蔬菜品类未来一周的日补货量,日补货量需要根据未来一周的销售量情况以及损耗率,重要的是还需要考虑到商超现有的库存量的杜少,有了现有的库存量的多好。进而可以分析各蔬菜品类每天的库存量以及销售量大小,进行今天或第二天的补货计划。其中q(it-1)为第i个蔬菜品类第it-1天的库存量。引入库存量后则对问题二的补货量则满足:
(2)蔬菜的运输价格
地理因素运输蔬菜价格,例如北方的菜品运到南方的超市售卖,则需要考虑该蔬菜单品的运输价格问题,需要收集个蔬菜单品的进货地址以及运输的价格。运输的价格也是成本,所以若可以收集到各蔬菜品类的每千克的运输价格,记Q(it)为第i个蔬菜品类第t天的成本,T(it)为第i个蔬菜品类第t天运输1kg的价格。有:
5.5.3新增的因素优化问题二
根据上面新增的商超的库存量以及商超的蔬菜运输价格,在问题二的基础上增添该影响因素,可以再新建未来一周的最大利润为目标的优化模型,考虑库存量以及运输蔬菜的价格。
(1)商超的销售空间的限制
已知每天补货的总量加上库存量是不能超过商超可能容纳的范围,所以对第t
天第i个蔬菜品类的补货量和库存量进行约束,则有:
以上的式子是对补货量进行约束,而不是对销售量进行约束,其中商超的销售空间限制K为前三年历史数据中的一天中的最大的容纳货物量。
(2)商超未来一周的最大利润
根据上面的收集的运输成本价格,则对问题二的以最大利润为目标的最优化模型提出新的目标模型,加入运输成本约束,则有:
目标:
5.4.4需要考虑因素
不同于商超单品的库存量、蔬菜的运输价格有着具体的数值,蔬菜单品的季节性,市场竞争,蔬菜单品的品质和新鲜度等都没有具体可描述的数据,只能补货量和制作定价策略时需要考虑到。
(1)蔬菜单品季节性
目前考虑到的相关数据有:季节性因素(如某菜品进入淡季,而某菜品才刚刚上市),通过每月的利润变化值及时调整菜品进货,按照以前每年的历史数据可知,菜品的进货和定价与季节有着很强的相关性,那么为了保持最大利润超市需要季节性调整售价和单品。则需要收集各个蔬菜单品每个季节的可进货量,以及需要对每个蔬菜单品标明其大概季节上市时间。
(2)市场竞争
商超自身的销售量不仅受到自身补货量和定价策略的影响,还受到市场上同行竞争的影响。如果市场上有多个供应商竞争销售相同的蔬菜,商店可能会调整定价以吸引顾客。竞争也可能影响补货决策,商超可能会根据竞争对手的补货策略来调整自己的补货量以及定价策略。
(3)品质和新鲜度
蔬菜的品质和新鲜度也会影响定价和补货。,顾客往往会选择高品质和新鲜的蔬菜,而商店也更倾向于补货这些蔬菜以满足顾客的需求,高品质和新鲜的蔬菜通常能够以更高的价格销售。所以损耗率会成为一项重要的指标,损耗率低的蔬菜说明易保存,不仅可以在运输上节省成本,也可以减少不必要的打折促销策略。
(4)商超当地的饮食习惯
而且还与地方人的口味也有很大关系(如东北人对蔬菜偏向于土豆、白菜,而南方人购买水产根茎类较多如木耳、荸荠)可以设置调查问卷进行走访,调查经常来商超购物的客户和周边的住户平时的饮食习惯和购买偏好。
5.4.5综合分析
为了商超能够更好的根据实际情况,获取更高的利润,不仅需要收集到各蔬菜前一天的库存量,还需要收集到各蔬菜单品运输的价格或者按照一定重量混合的运输费用,保证进货的蔬菜品质新鲜以及蔬菜的季节性情况,综合分析商超其所在地的市场竞争以及当地人对蔬菜的饮食情况,通过这些因素的考虑,才能更好的制定蔬菜单品的日补货量和定价策略。
六、模型评价与推广
6.1模型优点
1)多重因素合并考虑,对每道题都有较为合理的假设,仿真模拟真实的商超销售和进货情况,适用于真实市场制定营销策略和定价策略。
2)灰色预测适合于中短期的小样本数据预测,预测更加准确。
6.2模型缺点
1)本题的预测属于线性相关,没有考虑到特殊情况和国家政策对市场的影响(如自然灾害或疫情)。
6.3模型推广
蔬菜类商品的自动定价与补货决策模型是当下大部分商超在盈利链上的营业决策模式,本模型可以用作参考样本给商家提供辅助经营策略。本模型不局限于蔬菜单品,调整参数后也可以推广到其他商品。
七、参考文献
[1]相关性分析
https://zhuanlan.zhihu.com/p/526354599
[2]CSDN.spearman相关性分析法
https://blog.csdn.net/weixin_67016521/article/details/129863814
[3]百度百科.spearman相关系数
https://baike.baidu.com/item/spearman%E7%9B%B8%E5%85%B3%E7%B3%BB%E6%95%B0/7977847
[4]谢红利.基于季节指数的重庆轨道佳通客流量预测分析
[5]灰色预测法