FMCG零售业在SKU层的需求预测与促销决策优化研究

Demand forecasting and promotion planning are the keys to the operational performance of FMCG retailing. This project aims to provide a chain wide demand forecasting solution to improve the demand forecasts at SKU level for different hierarchies in a large scale retailing chain, while considering various influential factors including price, promotion, seasonality, area, product attributes, data processing, and computing demand, according to the characteristics of SKU level sales data in various stores. Based on the well-designed demand forecasting models, the project further aims to build a large scale chain wide SKU level promotion optimization model, which provide optimal promotion timing, depth, mode and update timing to maximize category or store level profit under the restriction of certain business rules. To implement the project, we identify five closely connected research questions including forecasting for non-homogeneous demand, demand forecasting at multiple hierarchies, demand forecasting for newly on-shelf products, promotion optimization at SKU level, and promotion optimization considering product updates. IRI dataset is considered to be the empirical data in this project which is provided by US based company IRI for academic research purpose. The open source software R is adopted as the computing tool for data processing, parameter estimation and results analysis. Large scale computing tasks will be carried on Amazon EC2 cloud computing platform.

需求预测和促销计划的制订对快速消费品（FMCG）零售企业的运营绩效起到十分关键的作用。项目旨在针对最小库存单元（SKU）层商品在不同商店的历史销售数据特点，综合考虑价格、促销、季节、地域、商品属性、数据处理和计算强度等因素，提高商品在大型FMCG连锁各级的预测精度，提出整个连锁级商品需求预测解决方案。在完善的需求预测模型基础上，以品类/商店利润最大化为目标，在一定的商业规则约束下，建立大规模连锁级零售商品促销决策优化模型，在SKU层优化商品的促销时机、深度、方式和更新时间。项目具体定义了五个密切关联的研究问题：非稳态需求预测问题; 多级需求预测问题; 新上架产品需求预测问题；促销优化问题；商品淘汰、更新的优化问题。项目的实证数据是美国IRI公司专门为学术研究提供的IRI数据集。项目的实证工作完全基于开源软件R进行数据处理、参数估计和结果分析；大型复杂计算基于Amazon EC2云计算平台。

针对快速消费品零售业在最小库存单元层销售大数据的特点，综合考虑价格、促销、季节、地域、商品属性和计算强度等因素，对零售商品的需求预测和促销决策优化问题进行了系列研究。主要包括：（1）基于移动支付数据的零售店客户流预测研究；（2）超高维数据环境下的零售客户对日用零售商品的需求预测；（3）零售营销交互的动态建模与营销沟通优化方法；（4）快速消费品零售中最小库存单元层的促销优化；（5）零售预测的元学习方法等。经过系统研究，项目取得了一系列研究成果，主要包括：（1）提出了使用第三方移动支付数据为百万小零售商提供客户流预测的平台解决方案。（2）针对零售商品需求预测中超高维度变量空间的问题，提出了一个三阶段方法框架，有效提高商品促销时需求预测的精度，为预测信息系统的开发提供依据。（3）在预测模型的基础上开发了一个大规模商品促销优化模型，以多期品类利润最大化为目标，建立非线性整数规划模型，并用基因算法进行求解，优化模型可以使促销计划提高2～5%的整体利润。（4）针对非随机营销活动，应用隐马尔可夫模型进行建模，提出一个含有内生策略变量的隐马尔可夫模型，描述非随机营销干预对客户行为的动态影响，可以更好的解释个体交互行为，进一步对营销干预决策的优化。（5）基于深度学习神经网络，提出零售预测的元学习模型，进一步提高零售商品需求预测的精度。（6）提出了新的基于深度学习神经网络的元集成建模框架，其目标是同时对大量相关时间序列产生多步超前和区间预测，根据每个预测时间序列的数据特征，将局部和全局预测结合起来提高预测模型的精度。（7）受《国际预测》主编邀请，对零售预测领域近三十年来的研究和实践进行了总结性综述。项目连续在《欧洲运筹》发表论文4篇，《国际预测》发表论文2篇，培养研究生5人。赴西班牙、澳大利亚、希腊参加第36、37和39届国际预测研讨会并宣讲研究成果。论文累计被引50余次。