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(dǎo)讀 隨著大數(shù)據(jù)的進(jìn)一步發(fā)展，很多企業(yè)通過(guò)對(duì)生產(chǎn)運(yùn)營(yíng)數(shù)據(jù)的管理和規(guī)律分析，直接進(jìn)行管理決策，這在真正的商業(yè)場(chǎng)景中，會(huì)導(dǎo)致出行決策失誤，因?yàn)槠髽I(yè)忽視了一個(gè)重要問(wèn)題，那就是簡(jiǎn)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(jià)值。那么如何釋放數(shù)據(jù)的海量?jī)r(jià)值，實(shí)現(xiàn)從數(shù)據(jù)到精準(zhǔn)決策？下面和大家分享的題目為“數(shù)據(jù)驅(qū)動(dòng)的生產(chǎn)運(yùn)營(yíng)管理決策”，一起看一下杉數(shù)科技是如何基于數(shù)據(jù)實(shí)現(xiàn)智能決策的。

今天分享的內(nèi)容主要包括四個(gè)部分：

1. 數(shù)據(jù)到管理決策

2. 用什么數(shù)據(jù)/指標(biāo)？——促銷分析

3. 大數(shù)據(jù)中的小數(shù)據(jù)——長(zhǎng)尾品定價(jià)管理

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

分享嘉賓｜何斯邁 上海財(cái)經(jīng)大學(xué) 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(gè)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(jì)/機(jī)器學(xué)習(xí)/深度學(xué)習(xí)/計(jì)量經(jīng)濟(jì)/行為經(jīng)濟(jì)等工具進(jìn)行規(guī)律性分析；在決策層，通過(guò)運(yùn)籌優(yōu)化/博弈進(jìn)行決策建模與求解。

2. 運(yùn)營(yíng)管理中的數(shù)據(jù)及決策特征

運(yùn)營(yíng)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(yīng)用場(chǎng)景中智能算法應(yīng)用的瓶頸所在。面對(duì)如此復(fù)雜的特征，當(dāng)我們?cè)谟龅絾?wèn)題時(shí)，我們用什么數(shù)據(jù)或者用什么指標(biāo)去分析這個(gè)問(wèn)題呢？后面將通過(guò)具體案例說(shuō)明。

--

02

用什么數(shù)據(jù)/指標(biāo)？以促銷分析為例

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

1. 替代效應(yīng)分析

某公司對(duì)其主打產(chǎn)品進(jìn)行了促銷，促銷期內(nèi)環(huán)比產(chǎn)品銷售量增長(zhǎng) 57%，促銷期減價(jià) 15%，利潤(rùn)增長(zhǎng) 26%。通過(guò)對(duì)照分析，其競(jìng)爭(zhēng)對(duì)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(shí)，就會(huì)產(chǎn)生第一個(gè)問(wèn)題：銷售增長(zhǎng)來(lái)自于哪部分顧客的需求？

這個(gè)產(chǎn)品是固定消耗品（例如電池），且市場(chǎng)被雙寡頭壟斷（例如北美電池市場(chǎng)）。從產(chǎn)品特征分析，本次多賣的并未來(lái)自競(jìng)爭(zhēng)對(duì)手少賣的，因?yàn)楦鶕?jù)對(duì)照情況，競(jìng)爭(zhēng)對(duì)手在此促銷期間并沒(méi)有少賣。進(jìn)一步深入分析會(huì)發(fā)現(xiàn)比較嚴(yán)重的問(wèn)題，就是促銷期減價(jià)導(dǎo)致顧客進(jìn)行了策略性購(gòu)買，現(xiàn)在多賣的很可能是來(lái)自于與自身未來(lái)少賣的，因此促銷效果并不理想。因此我們?cè)谧龃黉N分析的時(shí)候，要小心的對(duì)產(chǎn)品特征和數(shù)據(jù)進(jìn)行針對(duì)性分析。

通過(guò)對(duì)第一個(gè)問(wèn)題的分析，又產(chǎn)生了第二個(gè)問(wèn)題：促銷效果如何？采用什么數(shù)據(jù)/評(píng)價(jià)標(biāo)準(zhǔn)？

在這個(gè)促銷問(wèn)題里，一個(gè)很重要的事情就是替代效應(yīng)，包括物理層面即競(jìng)品的替代；以及時(shí)間層面的替代，即顧客等待促銷再進(jìn)行購(gòu)買（淘寶會(huì)對(duì)未來(lái)促銷進(jìn)行短信通知），或促銷會(huì)透支未來(lái)顧客的購(gòu)買力及購(gòu)買欲望。

進(jìn)行替代效應(yīng)分析時(shí)，模型需要考慮替代品定義、價(jià)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(yīng)分析都有哪些模型。

① 替代效應(yīng)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(jí)別，產(chǎn)品數(shù)量較多且數(shù)據(jù)量不足時(shí)過(guò)擬合問(wèn)題較嚴(yán)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(jìng)品少的部分產(chǎn)品的替代效應(yīng)分析。

② 競(jìng)品替代——選擇模型

一個(gè)更加適合描述替代行為的模型是選擇模型。用戶對(duì)兩個(gè)產(chǎn)品的預(yù)期價(jià)值分別是 μ 和 μ，不同的客戶還存在一個(gè)獨(dú)立隨機(jī)的偏好值 ξ，那么客戶選擇兩個(gè)產(chǎn)品時(shí)，會(huì)根據(jù)預(yù)期價(jià)值和偏好值進(jìn)行選擇，當(dāng) ξ 滿足一定的分布假設(shè)時(shí)，客戶選擇產(chǎn)品 1 的概率就是 μμμμ，其中 μ 為不選擇兩個(gè)產(chǎn)品的期望價(jià)值，這樣就會(huì)產(chǎn)生自然的替代效應(yīng)。

③ 未來(lái)與歷史銷量替代——前景理論及參考價(jià)格模型

基于獲得諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)的前景理論，顧客會(huì)根據(jù)產(chǎn)品歷史價(jià)格形成一個(gè)參考價(jià)格，當(dāng)產(chǎn)品價(jià)格偏離參考價(jià)格幅度特別大時(shí)，顧客并不敏感，僅當(dāng)產(chǎn)品價(jià)格接近參考價(jià)格時(shí)才會(huì)比較敏感，這就是參考價(jià)格模型，它可以較好地刻畫(huà)時(shí)間層面的替代效應(yīng)，提升多周期產(chǎn)品價(jià)格決策的擬合效果。

④ 進(jìn)階選擇模型

此外還有進(jìn)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(shí)現(xiàn)不同因素下的替代效應(yīng)分析。

2. 促銷決策

在進(jìn)行促銷評(píng)價(jià)時(shí)，常見(jiàn)的指標(biāo)為轉(zhuǎn)化率。比如在進(jìn)行減價(jià)促銷時(shí)，減價(jià)效應(yīng)和廣告效應(yīng)是結(jié)合的，如果要評(píng)價(jià)減價(jià)效果，就需要去掉廣告效應(yīng)，因此轉(zhuǎn)化率作為促銷效果評(píng)估指標(biāo)是一個(gè)自然的選擇。但在實(shí)際減價(jià)促銷時(shí)，會(huì)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(shí)確實(shí)也有減價(jià)行為，那就會(huì)產(chǎn)生一個(gè)疑問(wèn)：這是不好的促銷嗎？下面我們來(lái)看促銷案例二。

公司對(duì)商品進(jìn)行大幅減價(jià)促銷，銷量、利潤(rùn)、銷售額都增長(zhǎng)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(gè)現(xiàn)象的原因是促銷時(shí)大量的廣告宣傳，帶來(lái)顧客數(shù)暴增和銷量增長(zhǎng)。

但是從顧客構(gòu)成分析，其實(shí)是促銷期內(nèi)大量新客戶的涌入，造成顧客群體從忠誠(chéng)度較高的老客戶為主變化為對(duì)產(chǎn)品不太了解的新客戶為主。兩類顧客的轉(zhuǎn)化率都因?yàn)闇p價(jià)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(gè)在統(tǒng)計(jì)理論中是經(jīng)典的辛普森悖論。

在這種情況，就需要對(duì)顧客分群后進(jìn)行轉(zhuǎn)化率分析，同時(shí)拆分引流效果，除此之外還要考慮新老轉(zhuǎn)化率，因?yàn)楝F(xiàn)在來(lái)的新客戶未來(lái)可能會(huì)成為老客戶，對(duì)企業(yè)來(lái)說(shuō)也至關(guān)重要。

因此在促銷決策，進(jìn)行效果評(píng)估時(shí)需要考慮替代效應(yīng)、指標(biāo)及對(duì)比，進(jìn)行決策時(shí)需要考慮選品、轉(zhuǎn)化率及決策風(fēng)險(xiǎn)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(gè)實(shí)踐項(xiàng)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(zhǎng)尾品定價(jià)管理

為什么會(huì)面臨大數(shù)據(jù)中的小數(shù)據(jù)？因?yàn)楹芏鄷r(shí)候雖然數(shù)據(jù)量大，但是在真正決策時(shí)，取得的效果并不那么好，下面將以長(zhǎng)尾品定價(jià)管理作為典型案例進(jìn)行說(shuō)明。

1. 電商平臺(tái)收益管理

下面我將講解和某電商平臺(tái)合作的一個(gè)定價(jià)項(xiàng)目，希望通過(guò)定價(jià)來(lái)實(shí)現(xiàn)促銷來(lái)最大化，增加收益和利潤(rùn)。這個(gè)項(xiàng)目涉及千萬(wàn)級(jí) SKU，同時(shí)需要面對(duì)快速增長(zhǎng)的業(yè)務(wù)和復(fù)雜的折扣結(jié)構(gòu)。傳統(tǒng)管理中管理者依靠手動(dòng)調(diào)價(jià)管理非常多的 SKU，只能專注于核心產(chǎn)品，對(duì)于長(zhǎng)尾品對(duì)調(diào)價(jià)很少。所以項(xiàng)目希望通過(guò)半自動(dòng)化的工具，可系統(tǒng)地為大多數(shù) SKU 提供定價(jià)建議，并識(shí)別錯(cuò)誤的價(jià)格。

經(jīng)典定價(jià)理論，通過(guò)時(shí)間序列模型、行為模型、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)來(lái)去除其他因子的干擾，計(jì)算價(jià)格彈性得到量?jī)r(jià)關(guān)系圖，然后去進(jìn)行決策，但在解決實(shí)際問(wèn)題時(shí)，將會(huì)面臨以下三個(gè)課題。

① 價(jià)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(dòng)的疊加，且不同訂單可能參加不同的優(yōu)惠活動(dòng)，導(dǎo)致頁(yè)面價(jià)格和最終成交價(jià)格存在巨大差異，這時(shí)產(chǎn)品的真實(shí)成交價(jià)格就很難判定，更無(wú)法精準(zhǔn)判斷競(jìng)品的價(jià)格。

② 廣告的影響

顧客數(shù)量對(duì)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(tái)。而不同的廣告頁(yè)面位置也會(huì)對(duì)顧客數(shù)量產(chǎn)生顯著的影響，而大部分電商平臺(tái)缺少?gòu)V告位置記錄，僅記錄了 UI 的數(shù)字化 ID。如果 UI 設(shè)計(jì)沒(méi)有保存，僅通過(guò) ID 是無(wú)法知道廣告的具體位，更無(wú)法評(píng)判廣告位對(duì)顧客數(shù)量的影響。而且廣告往往會(huì)疊加大幅折扣活動(dòng)，這種疊加效應(yīng)下更難以單獨(dú)分析廣告效應(yīng)。

③ 目標(biāo)品類及產(chǎn)品

對(duì)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(tái)定價(jià)權(quán)、較高的競(jìng)爭(zhēng)水平、競(jìng)爭(zhēng)對(duì)手?jǐn)?shù)據(jù)不足、較復(fù)雜的消費(fèi)者行為，因此作為自動(dòng)定價(jià)的目標(biāo)產(chǎn)品阻力重重。對(duì)于長(zhǎng)尾商品，平臺(tái)有較高的定價(jià)權(quán)較，產(chǎn)品面臨較低的競(jìng)爭(zhēng)水平、較簡(jiǎn)單的消費(fèi)者行為，較高的單品利潤(rùn)率，因此產(chǎn)品管理團(tuán)隊(duì)對(duì)自動(dòng)化定價(jià)的接受意愿較高，但也面臨數(shù)據(jù)質(zhì)量差、大量非標(biāo)商品、替代關(guān)系不明的困難。

2. 長(zhǎng)尾商品的收益管理

長(zhǎng)尾商品因?yàn)榫邆鋽?shù)據(jù)質(zhì)量差、大量非標(biāo)商品、替代關(guān)系不明等缺點(diǎn)，所以單個(gè)產(chǎn)品看不到任何規(guī)律，但對(duì)一些產(chǎn)品進(jìn)行分組，會(huì)發(fā)現(xiàn)各類產(chǎn)品之間的有相近趨勢(shì)性。因此我們首先按商品特征進(jìn)行分組，對(duì)組內(nèi)不可預(yù)測(cè)的共同因素，借鑒金融工具進(jìn)行對(duì)沖，對(duì)不確定參數(shù)進(jìn)行魯棒優(yōu)化模型，同時(shí)通過(guò)探索與學(xué)習(xí)，逐步提高決策范圍，整個(gè)模型在此次項(xiàng)目的商品調(diào)價(jià)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(jià)，為了進(jìn)一步模型實(shí)現(xiàn)覆蓋率提升，通過(guò)分組定價(jià)模型，來(lái)降低整體決策風(fēng)險(xiǎn)，對(duì)于新品或長(zhǎng)尾品，引入了關(guān)聯(lián)學(xué)習(xí)模型，對(duì)于無(wú)調(diào)價(jià)記錄產(chǎn)品，通過(guò)隨機(jī)調(diào)價(jià)模型去獲取有用的價(jià)值信息。

② 用戶感知度

考慮到線上、線下商品，顧客對(duì)的價(jià)格變動(dòng)的感知程度不一樣，線下客戶因?yàn)樾畔@取的難度提升對(duì)于減價(jià)效應(yīng)會(huì)有顯著的滯后效應(yīng)，所以定價(jià)時(shí)也會(huì)對(duì)用戶感知度進(jìn)行關(guān)注。

--

04

決策質(zhì)量V.S. 決策速度——無(wú)人倉(cāng)智能管理系統(tǒng)

怎樣實(shí)現(xiàn)決策質(zhì)量和決策速度之間權(quán)衡，下面將通過(guò)和京東合作的無(wú)人倉(cāng)智能管理系統(tǒng)項(xiàng)目進(jìn)行分享。

1. 項(xiàng)目背景

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

2. 解決方案

整個(gè)項(xiàng)目求解的最終目標(biāo)就是最小化 AGV 運(yùn)行總距離（時(shí)間）及未滿足訂單產(chǎn)生的等待費(fèi)用。作為一個(gè)三元匹配問(wèn)題，同時(shí)涉及多因素百萬(wàn)級(jí)變量問(wèn)題模，解題的瓶頸在于求解時(shí)間與求解規(guī)模的矛盾。

通過(guò)對(duì)數(shù)學(xué)模型分析發(fā)現(xiàn)，存在一個(gè)交叉約束條件，導(dǎo)致形成三元匹配問(wèn)題，如果將此約束條件刪除，就可以將三元匹配問(wèn)題拆分為兩個(gè)二元匹配問(wèn)題，所以解提思路為將其轉(zhuǎn)換成分離問(wèn)題。我們采用拉格朗日乘子法把交叉約束拆分到目標(biāo)函數(shù)上去，實(shí)現(xiàn)分離問(wèn)題與降維。

通過(guò)問(wèn)題拆，把原先復(fù)雜的三元問(wèn)題拆分成兩個(gè)問(wèn)題：①固定 y 和 z 變量對(duì) x 的簡(jiǎn)單匹配問(wèn)題；②固定 x 變量對(duì) y 和 z 匹配問(wèn)題。問(wèn)題①可采用線性規(guī)劃或匈牙利算法求解，問(wèn)題②的規(guī)模比原問(wèn)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(dāng)原問(wèn)題拆分成兩個(gè)問(wèn)題，如何保證拆分后的問(wèn)題與原問(wèn)題不存在差異，這就要求解Λ最優(yōu)值，且不能單獨(dú)求解問(wèn)題①和②。我們通過(guò)線性松弛問(wèn)題求解高質(zhì)量的Λ，再求解問(wèn)題②，最終求解帶關(guān)聯(lián)約束的問(wèn)題①，滿足了這兩點(diǎn)要求。

實(shí)施效果：

整個(gè)算法的求解效果，與 CPLEX 相比，在大規(guī)模問(wèn)題求解上，解題質(zhì)量提高3%- 40%。雙十一期間在京東無(wú)人倉(cāng)對(duì)這個(gè)算法進(jìn)行了實(shí)際測(cè)試，在訂單處理量、商品處理量及單人處理量上對(duì)比常規(guī)倉(cāng)庫(kù)均有大幅提升。針對(duì)無(wú)人倉(cāng)智能管理系統(tǒng)項(xiàng)目，同時(shí)分享一下幾個(gè)擴(kuò)展經(jīng)驗(yàn)：對(duì)于超大規(guī)模倉(cāng)的處理，采用均衡分區(qū)；對(duì)于 AGV 路徑規(guī)劃，采用防碰撞+加減速限制及時(shí)空網(wǎng)絡(luò)中的 MVRP；對(duì)于對(duì)偶參量的訓(xùn)練與學(xué)習(xí)，利用倉(cāng)庫(kù)狀態(tài)標(biāo)簽采用機(jī)器學(xué)習(xí)/深度學(xué)習(xí)技術(shù)學(xué)習(xí)。

今天的分享就到這里，謝謝大家。

｜分享嘉賓｜

何斯邁｜上海財(cái)經(jīng)大學(xué) 教授

何斯邁, 杉數(shù)科技首席科學(xué)家, 上海財(cái)經(jīng)大學(xué)教授。香港中文大學(xué)運(yùn)籌學(xué)博士，曾任香港城市大學(xué)助理教授，現(xiàn)任上海財(cái)經(jīng)大學(xué)教授、博士生導(dǎo)師。任中國(guó)運(yùn)籌協(xié)會(huì)理事，數(shù)學(xué)規(guī)劃分會(huì)常務(wù)理事，上海市運(yùn)籌協(xié)會(huì)常務(wù)理事。曾獲第33屆國(guó)際數(shù)學(xué)奧林匹克金牌，2014年度中國(guó)運(yùn)籌協(xié)會(huì)青年科技獎(jiǎng)，上海高校特聘教授（東方學(xué)者），教育部第八屆高等學(xué)?？茖W(xué)研究?jī)?yōu)秀成果獎(jiǎng)二等獎(jiǎng)，上海市自然科學(xué)二等獎(jiǎng)，INFORMS學(xué)會(huì)Franz Edelman Laureates稱號(hào)。主持國(guó)家杰出青年科學(xué)基金、國(guó)家自然科學(xué)基金重大項(xiàng)目子課題等科研項(xiàng)目。主要研究領(lǐng)域?yàn)檫\(yùn)籌優(yōu)化和運(yùn)營(yíng)管理，熟悉供應(yīng)鏈管理、數(shù)學(xué)建模及優(yōu)化算法。曾主持杉數(shù)科技的多個(gè)大型智能管理項(xiàng)目，包括京東定價(jià)項(xiàng)目、京東無(wú)人倉(cāng)自動(dòng)化項(xiàng)目、順豐預(yù)測(cè)及選址項(xiàng)目、南航發(fā)動(dòng)機(jī)維修管理項(xiàng)目等。

｜《數(shù)據(jù)智能知識(shí)地圖》下載｜

上下滑動(dòng)????，查看《數(shù)據(jù)智能知識(shí)地圖》全景圖，高清版請(qǐng)關(guān)注公眾號(hào)“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(yīng)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(guò)100+線下和100+線上沙龍、論壇及峰會(huì)，已邀請(qǐng)超過(guò)2000位專家和學(xué)者參與分享。其公眾號(hào) DataFunTalk 累計(jì)生產(chǎn)原創(chuàng)文章900+，百萬(wàn)+閱讀，近16萬(wàn)精準(zhǔn)粉絲。