5406 篇
13911 篇
478135 篇
16323 篇
11773 篇
3946 篇
6549 篇
1254 篇
75685 篇
37984 篇
12188 篇
1670 篇
2871 篇
3423 篇
642 篇
1242 篇
1980 篇
4926 篇
3888 篇
5493 篇
大数据智能推荐技术应用下供应链决策优化研究
现如今,提起大数据智能推荐技术,无不耳熟能详。各种生活场景中用到的APP,如美团、QQ音乐、今日头条、抖音、淘宝、京东等等,均是这项技术切身受益方,借助大数据智能推荐技术,系统可以帮助这些平台快速掌握用户的偏好信息,据此进行精确化的推送,降低运营成本,提高收益率。目前这个技术已广泛应用于种类业务,同时对该技术的不同应用层面还在持续挖掘中,直播带货便是一个新的应用场景。随着互联网电商竞争的加剧,各大电商平台都在思考新的盈利模式。2020年的疫情猝不及防,人们被迫隔离在家,当传统的购物方式不再满足人们的日常需求时,直播带货由于其趣味性、独特性,从一众购物模式中脱颖而出,受到消费者的青睐,自此越来越多的平台商家想要引入这种新型的销售方式,赢得市场红利。但是,并非所有人都能从中谋利。某淘宝大卖家曾公开透露,他曾邀请一位虎牙当红主播,给自家网点做直播推广。当时是以2个商品1万元的价格成交,但连续3场直播的转化率分别是0.5%、1%和0%。第一次直播尝试以失败告终,这让他当时大失所望,直播带货引流效果并不如表面那么理想。由此可见,并非盲目跟随市场就能盈利,还需要在引入直播带货之前做好准备工作,由此才能谋求尽可能大的利益,对于一些中小企业来说更是如此,盲目引入直播可能并不能帮助自身盈利,反而还会适得其反,因此想要入局直播带货的额中小企业还需要有多方面的考量。
据了解,目前的大多数互联网平台都能通过大数据算法,根据用户的消费行为给用户打上标签,然后智能地向用户推送特定商品信息,增加商品销售的成功率。直播带货可以借助这种手段,通过向平台支付一定的技术成本,让平台在该商家销售商品的目标用户中推送相应的广告,实现引流的目的,那么对于一些中小型电商卖家来说,最难的用户流量问题就非常有效地得到了解决,但是由于中小企业资金不足且融资困难,技术成本费用对于这些中小企业来说仍是一个比较棘手的问题,微弱的广告成本投入差异,可能对于此类企业来说就是巨大的收入差异。马卫民等[1]基于企业生命周期理论,分析科技型中小企业融资缺口的问题。结果表明,科技型中小企业轻资产、高风险的天然特征,投融资方之间的信息不对称以及政策环境因素是导致融资难的重要原因。李素红等[2]通过充分分析中小企业融资难问题,提出了建设中小型融资平台的建议;唐雯等[3]在对国内目前出现的科技金融创新模式的实施效果及存在问题进行分析的基础上,从加强政府的引导与支持、推广并完善现有合作模式、根据科技型中小企业成长阶段提供针对性金融服务等方面提出推动科技金融深入合作的建议。
自直播带货一跃成为一种新晋购物方式后,对它的研究也越来越多,这些研究主要分为现象和渠道两大类。首先,直播带货现象方面主要包括以下四方面内容:(1)直播带货本质及其未来发展趋势的分析研究。夏文[4]指出,当前的直播电商市场已经逐步趋向于常态化、产业化、竞争格局化,在不断的发展过程中,未来的直播电商将会趋于管理规范化、内容多元化、运营精细化和人才专业化,将继续引领直播电商行业朝着健康有序的方向继续发展壮大。张煜川[5]指出,新的消费背景下,社交媒体的出现和发展,改变了传统的传播形态,也引导消费者行为产生变革。石珍等[6]指出,直播作为一种新兴传播媒介被广泛用于各行各业,尤其在互联网电商营销中,发挥了巨大的作用。崔秋霞[7]指出,网络直播将从视频直播移动化、垂直化、全民化、交互化,向跨屏、多屏到无屏直播,VR技术的发展将会开启网络直播的新纪元,打开直播的巨大想象空间。(2)直播带货的主播研究。张凯[8]指出,作为一种新生事物,网红直播在迅速发展的同时也存在着一定的问题,但从长远来看,它所带来的技术革新为互联网文化生态和文化产业建设提供了新的视角和思路。(3)直播带货的消费者购买意愿的研究。董思伶等[9]通过定量研究的方法验证直播带货模式下影响消费者购买意愿的因素模型,指出关键因素,助力直播带货实现长远发展。蔡朝欣[10]以SOR理论为依据,采用问卷调查法,对网红直播中消费者冲动消费行为的三个假设进行了研究,得出了商品价格吸引性、主播形象构建性与消费者在网红直播场域的冲动消费行为呈正向相关的结论。(4)直播带货中出现的各种问题的研究。丁睿等[11]站在供应链角度将直播电商产业链分为上游的品牌商,中游的平台商以及下游的消费者三部分,在对直播带货模式进行概况介绍的基础上,分析了直播带货消费的现状,发现在不同供应链环节上存在的问题,并针对性地提出了相应的对策建议,希望直播电商业在满足消费需求的同时对品牌重塑和平台创新带来可持续性发展。
目前研究渠道的文章主要研究以下三大类内容:(1)双渠道供应链的定价与补贴问题。张学龙等[12]从消费者行为出发,建立考虑定价差异和退货风险双重因素的市场需求函数,通过Stackelberg博弈模型研究四种不同市场需求情形在不同定价模式下双渠道供应链的最优决策;许民利等[13]基于条件风险值(CVaR)准则建立双渠道供应链定价决策模型,并给出了模型的求解方法和最优解;黄松等[14]分析了需求和生产成本同时扰动的集中式和分散式双渠道供应链的定价和生产决策的影响;YU等[15]通过对一个双渠道定价等决策的分析,得出了一系列优化决策的结论;Yao等[16]探究了竞争型双渠道的定价策略,并得出了相关优化决策的结论;(2)双渠道供应链协调问题。张学龙等[17]以制造商主导型供应链为研究对象,分析了双渠道供应链协调策略的问题;Cao等[18]分析了成本不对称情况下的协调策略问题;Xu等[19]研究了双向收入分享策略下协调双渠道供应链与风险规避问题。(3)双渠道供应链订货问题。柳键等[20]探究了如何通过激励来使得损失厌恶零售商增加购买放入优化决策问题。Kevin[21]研究了在如今的电商背景下,各类分销渠道的管理办法与决策问题;Tamer[22]研究了在多渠道中进行有竞争力的库存和协调等等问题。
由文献梳理可知,相关渠道类的相关研究众多且十分成熟,但是运用大数据智能推荐技术对直播带货的研究却鲜少见到,基于此,本文便考虑在上述文献的基础上,将直播带货作为一种全新的渠道,研究供应链中的零售商(中小企业)在大数据智能推荐技术及其他因素的影响下考虑是否要引入直播带货的问题,显然这是具有一定研究意义的。
本文的行文思路如下,第一部分先描述问题和假设条件;第二部分研究供应链最初的情况;第三部分研究供应链中的零售商引入直播带货的情况;第四部分进行算例分析;第五部分得出研究结论。
1 问题描述和假设条件
1.1 问题描述
本文描述了一个仅由一个制造商、一个零售商组成的二阶供应链中,零售商考虑引入直播带货的问题。在引入直播之前,零售商需要提前进行考虑,看引入直播带货是否可行且有利可图。本文便是针对此问题展开研究。分别考虑了两种情况:不引入直播带货、零售商引入直播带货。因此本文便就这两种情况进行建模求解,模型的目标函数是零售商制造商利润的最大化。
1.2 假设条件
(1)本文的研究仅基于电商平台的普通商家,即中小型商家。
(2)消费者对于价格和大数据智能推荐技术成本的敏感系数均为1。
(3)商家只有线上和直播两种销售渠道,无线下销售渠道。
(4)直播渠道对制造商和零售商传统线上销售渠道市场份额的蚕食作用均等。
(5)不考虑缺货和库存积压的情况。
2 基准模型(模型B)
在本节,我们考虑零售商未考虑引入直播带货之前,该供应链是由一个制造商以及一个零售商组成的传统供应链结构,制造商除了将商品销售给零售商外,还开通了直销渠道,如图1所示。
制造商与零售商之间的博弈为Stackelberg博弈,制造商为博弈的领导者,零售商为追随者,下游向上游进行逐级订货,订货量即为需求量。零售商销售该商品的潜在市场份额为α(0<α<1),制造商直销渠道的潜在市场份额为1-α,此时,参考赵连霞等[23],制造商和零售商的顾客需求量可表达为:
其中,σ代表不同渠道的价格竞争系数,pBm、pBr分别代表制造商和零售商的销售价格。
制造商和零售商的利润函数表达如下:
其中,(1)式的决策变量为wB和pBm,(2)式的决策变量为pBr,采用逆向归纳法对模型进行求解,可得命题1。
命题1 在零售商未引入直播带货情况下,制造商和零售商的最优决策分别为:
其中,A=(1-σ2),B=α(1-σ)。
命题1得到了在零售商未引入直播带货情况下的最优决策价格,由此可得出制造商和零售商的利润函数分别为:
3 大数据智能推荐技术下的决策模型(模型I)
当零售商察觉市场的直播带货趋势时,便开始考虑效仿其他商家引入直播带货,如图2所示。
首先考虑直接引入直播带货,不考虑其他方面因素的情况。在这种情况下,零售商有两个销售渠道,一个为传统的线上销售渠道,一个为直播带货渠道。开辟直播带货后,零售商线上渠道的价格为pIr,直播渠道价格为pIl,制造商的销售价格为pIm。
由于该商品总共的市场份额为1,零售商新开辟的直播渠道的潜在市场份额必定对制造商和自己本身的传统线上销售市场份额有所蚕食,而且由假设条件可知,直播渠道对这两个渠道的蚕食作用是均等的,因此当我们将直播渠道的潜在市场份额定义为γ(0<γ<1)时,制造商和零售商传统线上渠道的潜在市场份额分别为:(1-γ)(1-α)和α(1-γ)。同时,我们还考虑大数智能推荐技术在直播带货供应链中的应用,将大数据智能推荐技术水平定义为k(0<k<1),技术投入成本为C(k),满足C′(k)>0,C″(k)>0,技术投入成本表示为凸函数出于两点考虑,第一,技术投入成本随技术水平的提高而增加;第二,技术投入的边际成本会随着技术投入水平的增加而增加,并且技术水平越高,成本增幅越大。不失一般性,假设技术投入成本为。
另外考虑到实际情况,零售商由于直播带货的引入,制造商的商品需求量也会因此有所增加,我们将此成为溢出效应,溢出系数定义为β(0<β<1)。因此参考赵连霞等[23]、杨雪等[24]的表达,零售商的传统线上需求量、直播带货销售模式的需求量以及制造商的需求量可分别表示为:
制造商和零售商的利润函数分别:
命题2零售商引入直播带货情况下,当渠道之间的价格竞争系数σ满足条件,时,制造商和零售商的决策为最优,制造商和零售商的最优决策分别为:
其中,E=2σ2+σ-1,F=(α(-1+γ)-γ)(1-2σ),G=σ(1+kβ)。
证明:整体思路是采用逆向归纳法求解该模型,首先对零售商模型进行求解,因为该模型存在约束,即,所以,需用库恩-塔克条件进行求解,率先构造如下形式的Lagrange函数:
其极大值问题库恩-塔克条件可写为:
然后从λ=0和λ>0两种情况开始判断,找到同时满足库恩-塔克条件的解,最终得出:
再将pIl和pIr值代入(1)式,利用Hessian矩阵求解,可得当σ满足时的最优、、、。
证毕。
由命题2可得制造商和零售商的总利润分别为:
其中,J=α+γ-αγ,L=1+kβ。
对上述结果进行分析可得以下推论。
推论1:
(a)存在一个,
当0<k<k0时,;
当k0<k<1时,。
(b)恒成立。
推论1(a)说明,零售商引入直播带货后的利润是随着k的增加而先增加后减少的,存在一个驻点k0使得零售商利润达到最大值,因此,对零售商来说,增加k是需要谨慎考虑的;(b)说明,零售商引入直播带货后,制造商的利润是随着k的增加而增加的,对制造商来说k越大越好。
推论2:
(a)恒成立。
(b)恒成立。
推论2(a)说明,零售商引入直播带货后的利润与β无关,对于零售商来说,直播溢出作用的强弱,并不会改变自身利润;(b)说明,零售商引入直播带货后,制造商的利润是随着溢出数β的增大而增大的,溢出系数越大,制造商搭便车获得的收益越大。
推论3:
(a)恒成立。
(b)存在一个
当0<γ<γ0时,;
当γ0<γ<1时,。
推论3(a)说明,零售商引入直播带货后的利润是随着直播潜在市场份额γ的增加而增加的,潜在市场份额越大,零售商的利润越大;(b)说明,零售商引入直播带货后,制造商的利润是随着直播潜在市场份额γ的增加而先增加后减小的,存在一个驻点γ0,使得制造商的利润存在极大值,因此对于制造商来说,直播的潜在市场份额过大可能对自身利润无益。
4 算例分析
通过做数值的方式,我们可以更加直观地看出,主要参数(k,β,γ)对引入直播带货前后利润差值的影响,以便由此得出更多的结论和管理启示。
不失一般性,我们随机将各个非主要参数取值为:σ=0.2,α=0.6,c=0.1。
(1)k对利润差的影响。此时仅考虑k对各个决策变量的影响,可令β=0.2,γ=0.5。则k对制造商引入直播带货前后利润差的影响如下图3所示。
图3表明,零售商引入直播后与引入直播前的利润差值是随着k的增大而先增加再减少的,也就是说,当大数据智能推荐技术处于一般偏低水平时,零售商引入直播带货是盈利的,若再加大投入以增加大数据智能推荐能力,零售商的利润便会相较于引入直播带货前更低,此时引入直播对于零售商来说显然是不利的;对于制造商来说,零售商引入直播后与引入直播前其利润差值是随着k的增加而不断增加的,当零售商引入直播带货后的大数据智能推荐技术处于较低水平时,制造商的利润相较于之前是减小的,但是随着k的不断增加,制造商从中得到的收益也越来越大。
(2)β对利润差的影响。此时仅考虑β对各个决策变量的影响,可令k=0.1,γ=0.5。β对制造商引入直播带货前后利润差的影响如下图4所示。
由图4可知,溢出系数对于零售商引入直播带货前后的利润是没有影响的;制造商前后的利润差是随着溢出系数的增加而不断增加的,当溢出系数较小时,引入直播对于制造商的利润提升无任何帮助,反之,当溢出系数较大时,制造商能从中谋求较大的利润。
(3)γ对利润差的影响。此时仅考虑λ对各个决策变量的影响,可令k=0.1,β=0.2。则γ对制造商引入直播带货前后利润差的影响如下图5所示。
由图5可知,零售商引入直播带货后相较于引入前的利润差是随着直播潜在市场份额的增加而不断增加的,而且,只有当直播的潜在市场份额大于一定量时,引入直播才能盈利;制造商前后利润差是随着直播潜在市场份额的增加而先减小后增加的,并且当潜在市场份额到达某一特定值后,再增加对于制造商来说相较于引入直播前的利润都是减小的,因此当直播市场份额达到此值时,制造商对于零售商引入直播这一行为本身就会有所抵触。
5 结论
本文主要研究了一个仅由一个制造商、一个零售商组成的二阶供应链中,零售商考虑引入直播带货的问题。具体分析分了两种情况,即,零售商不引入直播带货和零售商引入直播带货。通过模型刻画、建模、求解,得到了如下结论。
随着大数据智能推荐技术水平的提升,零售商引入直播带货相较于不引入的利润是先增加再较少的,而且只是短暂增加,当达到某一值后,收益是大幅度下降的;制造商的利润差值则是随着数据智能推荐技术水平的提升而逐渐增加的。即对于这类小型零售商来说,大数据智能推荐技术水平必须维持在一般较低水平,较高的大数据智能推荐技术水平往往会导致该类零售商无利可图。另外,溢出系数对于零售商前后利润差值无影响,而制造商利润差值则随着溢出系数的增加而逐渐增加,只是当溢出系数较小时,制造商也并不能从中受益,因此如果可控情况下溢出系数越高越好,越能增加供应链的整体利润。零售商的利润差值随着直播带货潜在市场份额的增加而增加,但是当直播潜在市场份额处于较小水平时,零售商并不能从中获益,制造商的利润差随着潜在市场份额的增加是先减小后增加的,而且潜在市场份额达到某一水平时,制造商便不能从中获益。即零售商的直播潜在市场份额可以高,但要保证与此同时制造商也能在该潜在市场份额下盈利,如此才能达到最佳。
本研究探讨了大数据智能推荐技术及其他因素对零售商引入直播带货需要考虑的一些问题及侧重点,为一些中小型电商企业引入直播带货提供了一些理论依据,不过具体中小企业的情况还要依具体情况做出判断。后续还可继续研究零售商考虑引入直播情况下供应链的协调问题,以及直播渠道和传统线上销售渠道之间市场份额的转化问题,这些也都是具有现实意义的,有待后续思考。