编者按:零售行业是数据科学的重要应用领域之一。零售领域有着丰富的数据和大量的优化问题,如商品定价、折扣、库存水平、客户分类、订单挑选与配送,以及品类配比等。
本篇文章结合百分点数据科学实验室的实践经验,分享了新开门店品类配比优化问题。例如,某综合性商场计划开业,如何配比各品类商品,才能够让各品类的销售额、毛利额、毛利率以及所占面积在约束范围内,实现新开门店最佳综合效益。
在零售商品定价问题中,销售商考虑到商品进货时间、批量及存储费用等约束,建立优化模型制定价格策略:目标为极大化总收益,约束条件是分别对库存与价格规定上下限,从而求得商品在某季节的最优定价[1]。零售客户分类问题本质上是利用优化算法对客户进行聚类,根据结果对各个类别客户的特点进行分析,提出针对性的营销及决策方案[2]。在零售订单挑选与配送问题中,考虑订单的总延迟时间、违约率与履约总成本这三个目标,约束条件考虑每个订单的履约时间窗,订单拣选顺序,订单配送车辆路径等因素,建立订单拣选排序与配送的联合优化模型,通过优化算法进行求解,从而解决订单履约时间较长的问题[3]。
针对某集团品类规划部门对于新开门店的品类配比测算需求,项目组针对零售实体商店的商品品类配比决策模型进行研究。在查阅总结了多篇相关论文资料后,项目组将新开门店品类配比的目标锁定为门店效益最佳,即销售毛利综合最优,约束条件考虑各品类的销售额、毛利额、毛利率以及所占面积,建立线性规划模型,求解不同品类的销售毛利配比,为品类规划部门提供合理的新店品类配比方案,帮助客户运用数据建立最优化模型进行科学决策,从而提高新开门店预期收益。
一、解决方案-模型篇
- 最优化算法
在现有零售行业品类配比研究中,使用较多的是最优化算法[4][5]。下方给出优化算法的基本结构。
这里,x={x1,…,xn}称为问题的决策变量,函数f0称为目标函数,不等式fi(x)≤0与等式hi(x)=0称为约束条件。在所有满足约束的向量中,向量x对应的目标函数值最小,那么称x为该问题的最优解。
所谓优化算法,其实就是构造一种搜索规则,基于某种思想和机制,通过搜索规则寻找到满足用户要求的问题的解。具体来说,优化算法是在从众多可能的选择中做出最优选择,使得系统的目标函数在约束条件下达到最大或最小。
按约束条件分类,优化算法可以分为无约束的优化问题、有等式约束的优化问题与有不等式约束的优化问题。