促销在企业的市场营销战略中扮演着非常重要的角色。随着市场竞争的日趋激烈，企业纷纷采取形式各样的促销手段以激发消费者的购买欲望。据权威部门统计，国内零售企业的促销活动费用在所有营销开支中占75%或更多的比例，每年的促销开支都以12%的速度递增。促销作为一种最直接同时也最有效的市场营销工具，被越来越多的零售企业广泛采用。然而，很多零售商进行促销策划时，存在很大的盲目性，缺乏深入有效的分析和论证，在促销策略的选择方面也很随意，导致促销投资回报率很低，这一定程度上加重了零售企业的负担。
另一方面，商务智能得到了理论界以及IT界的普遍重视。商务智能（Business Intelligence，简称BI）的概念最早是Gartner Group的Howard教授于1996年提出来的。Gartner Group将商务智能定义为一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以辅助企业决策为目的的技术及其应用。如今，商务智能的概念已经不仅仅只是软件产品或工具，已经升华为一种管理思想，体现的是一种理性的经营决策的能力。商业智能已经成为继ERP之后最重要的技术变革。越来越多的跨国零售巨头纷纷引入商业智能软件，用于解决复杂的决策问题。特别是在促销优化领域，商务智能技术得到了学术界和应用界的广泛关注，人们开始寻求利用先进的商务智能技术追踪客户的购买行为，优化零售企业的促销决策，以提高促销决策的针对性以及有效性。
1 基于商务智能技术的促销优化研究
1.1 需求预测
1.1.1 促销产品销量预测
企业的销售活动是以研究综合性市场营销活动及其规律为目标，通过识别客户的需求以及消费偏好，将其转化为产品与服务，再通过有效的促销手段、分销渠道、价格策略等来最大限度地满足顾客需求。由于现代企业的市场营销环境日益动态复杂等，会很大程度地影响产品的需求，进而影响企业的市场营销决策以及库存控制策略等。如何及时、准确的对促销产品的需求进行预测，是营销决策者们必须面对的一道难题。
传统的基于统计分析的预测方法（如多元回归、移动平均、ARMA等），这些预测方法对于处理复杂的、具有随机性的时间序列时，暴露出很大的局限性。随着机器学习和数据挖掘技术的发展，许多更加有效的预测模型和算法被广泛应用到产品需求预测领域，包括神经网络、支持向量机、遗传算法以及其它一些元启发式算法。这些预测方法在处理多维、模糊、非线性信息时，比传统的时间序列预测方法具有更好的预测效果。需求预测的常用方法及优缺点些随机性因素例如季节性、消费偏好、市场促销活动比较见表1。
表1 常用的需求预测方法
1.1.2 库存补货优化
需求的不确定性是现代企业供应链管理中最具挑战性同时又必须要去面对的一个问题。产品的季节性特征、购物架的空间布局、企业的促销活动以及其它一些随机因素等都会造成需求的较大波动。特别是零售企业的促销活动，会使该类型产品的需求在短时间内急剧上升，企业需要在库存成本与因缺货造成的机会损失之间权衡，如何有效管理库存并最大化收益水平是企业必须面对的一个挑战。
许多学者利用预测性建模技术以及启发式算法，对零售企业的库存补货优化问题进行了研究。Chi等基于机器学习及演化算法，建立智能的供应商管理补货系统，具有很高的自适应能力和预测精度。Huang等基于BP神经网络构建CPFR优化模型，支持SKU 粒度级的需求预测以及库存控制。此外，另外一些学者利用遗传算法对零售产品的库存优化问题进行了研究。
1.2 促销产品分析
1.2.1 产品分类管理
产品分类管理（Product assortment），是把所经营的商品分为不同的类别，并把每一类商品作为企业经营战略的基本活动单位进行管理的一系列相关活动。通过品类管理，零售企业的决策者可以很好的理解每一单品的营销情况，包括销量情况、库存周转、净利润水平、交叉销售效益、客户选择倾向等，零售商可以据此决定门店的商品组合及空间布局从而制定更加有效的价格策略以及促销策略。
对于产品分类的定量研究模型主要是引入的关联系数和相互作用参数以及其它参数来度量不同产品之间的相互依存度（interdependency）。然而传统基于统计分析的模型由于受到产品和品类数量的制约，在日益动态复杂的市场营销环境中缺乏适用性和可扩展性。关联规则在搜索大型交易数数据库以及分析客户购物篮时表现出很大的优越性，被广泛用于零售企业品类设计和交叉销售挖掘等。同时由于遗传算法强大的并行处理能力以及全局寻优能力，利用遗传算法来优化零售企业的产品分类问题。
1.2.2 产品生命周期管理
产品所处的不同生命周期会有力的影响着产品的市场竞争能力以及盈利能力，进而影响到企业的营销策略。产品生命周期理论（Product Life Cycle，PLC），是由美国哈佛大学教授雷蒙德·弗农首次提出的。费农认为：产品生命是指市场上的的营销生命，产品和人的生命一样，要经历形成、成长、成熟、衰退这样的周期。美国的波兹（Booz）、阿隆（Alen）等根据产品不同市场时期的销售变化，将产品生命周期划分为引入期、成长期、成熟期和衰退期。
产品生命周期管理是商务智能技术的一个重要应用领域。学术界的许多学者围绕着该问题进行了研究。郭国印，Kusiak等对PLM 的体系结构及其数据挖掘技术在PLM 中的应用进行了较完整的阐述。Philip等利用GA-RBF模型对短生命周期产品的销量进行了预测。Seo以及吴秀丽等利用人工神经网络模型对产品生命周期成本进行了研究，并且把该模型应用到产品的概念设计。其中部分经过验证的预测模型和算法，已被引入到ERP软件（如Oracle、SAP等）的PLC设计中。
1.2.3 购物架布局管理
超市购物架对于零售门店来说是一种重要的资源，不同品类的众多产品为有限的购物架空间展开竞争。零售商需要决定购物架陈列哪些商品、为这些商品分配多少空间以及整个超市门店的空间布局。通过合理的购物架布局分配，零售商可以有效降低企业的库存水平，提高消费者的满意度，从而提高产品的销售量及利润水平。
超市购物架布局问题引起了学术界以及零售商的广泛兴趣，啤酒和尿布就是一个很好的实例。关于购物架布局优化的模型研究，主要是引入购物架空间灵敏度以及交叉弹性的概念，衡量购物架空间的变化对于不同产品的销售量以及利润水平的影响程度。购物架布局优化的常用算法包括关联规则挖掘、神经网络、遗传算法以及其它元启发式算法（如粒子群算法、模拟退火算法、禁忌搜索算法等）。
1.3 客户行为分析
1.3.1 客户购物篮分析
购物篮分析就是通过对客户的历史购买数据进行分析，发现顾客放入“购物篮”中的不同商品之间的关联，分析顾客的购买习惯。这种关联的发现可以帮助零售商了解哪些产品频繁地被顾客同时购买，从而帮助他们开发更加有效的营销策略。这些营销决策包括商品的选择、优惠券的设计以及购物架的合理布局等。“啤酒”和“尿布”就是一个典型例子，看似完全无关的两种商品，一起销售则产生了令人意想不到的效果。
随着Agrawal算法的提出，学术界对于关联规则的研究非常活跃，许多学者围绕着Agrawal算法进行了扩展和改进，提出了一些改进的关联规则，包括：多层关联规则、基于约束的关联挖掘、模糊关联挖掘以及可视化关联挖掘等，这些算法被广泛用于对客户的购物篮进行分析。
1.3.2 目标客户分类
客户细分是按照一定的标准将企业的现有客户划分为不同的客户群。客户分类是现代企业的一种重要的营销战略，正确的客户细分能够有效地降低成本，同时获得更强、更有利可图的市场渗透。通过对目标客户进行分类，零售企业可以更有针对性地进行营销策划以及开展促销活动，增强客户响应。传统的分类模型主要是基于客户的统计学特征（如性别、年龄、收入、教育背景等），这样的静态分类模型不能很好的评估客户的盈利能力以及未来发展潜力，在日益动态复杂的市场营销环境表现出一定的局限性。随着机器学习以及数据挖掘技术的发展，许多分类模型和算法被提出用于对目标客户的购买行为以及生命周期价值进行分类。常用的客户分类算法以及各种方法的优缺点比较见表2。
表2 常用的客户分类算法及优缺点比较
1.3.3 客户生命周期价值分析
当评估客户的盈利性时，我们首先会想到20/80法则：企业80%的收益来自于20%的盈利客户；同时，企业80%的花费是由20%的非盈利客户所产生的，20/80法则是评估客户的盈利性的一个非常重要的度量标准。先前的文献研究可以把CLV 归纳为：企业从客户生命周期交易业务中获取的收益总和减去包括客户获取、营销以及服务的所有成本的总和。作为企业重要的战略资源和最直接利润来源，客户的生命周期价值引起了人们广泛的重视。
在众多的分析模型中，RFM 模型被广泛用于衡量客户价值和客户盈利能力。RFM 模型是由美国数据库营销研究所Arthur Hughes提出的，该模型通过引入客户的近期购买行为、购买的总体频率以及消费金额三项指标来描述该客户的价值状况。当前关于CLV的许多研究都是围绕RFM 模型及其一些扩展的模型而展开，例如Rosset等把扩展的RFM 模型同数据挖掘技术以及其它优化算法相结合，对客户的当前价值以及未来潜力进行评估。
1.3.4 客户保持/流失分析
大量的行业实践表明客户保持率提高5 ，利润将会提高25％ 以上。同时，获得一个新客户的成本是保持一个老客户的5倍以上。由此可见，客户保持对公司的持续盈利能力有着非常重要的影响。客户保持/流失分析的目的就是尽可能的留住现有客户、吸引新客户，减少低价值客户的维护成本，从而更有针对性的进行营销策划以及开展定向客户服务。
关于客户保持/流失分析的模型很多，传统的基于统计分析或者概率的方法（如朴素贝叶斯分类、主成分分析、判别分析、logistic回归分析等），这些方法在处理大规模、高维度、含有非线性关系的客户数据时，其效果不理想且不能保证所建模型的泛化能力。因此许多学者寻求更加有效的预测模型和算法，对客户保持/流失预警进行研究。这主要包括决策树、神经网络、自组织映射SOM、支持向量机等。这些算法在解决客户流失预警问题时具有很好的非线性映射能力和泛化能力，同时也具有较高的预测精度。
1.4 促销决策分析
1.4.1 促销定价决策
麦肯锡咨询公司对超过2400个公司调查发现：产品的价格优化改进1%，可以使公司的营销利润提高11.1%由此可见，合理的产品定价对于企业的市场营销决策来说至关重要。价格折扣已成为零售行业最常用的促销手段。一个正常的市场营销环境中影响产品定价的因素很多，如产品质量、市场竞争情况、产品的季节性波动以及节假日等，这些内在/外在的因素都会影响着企业的促销定价策略。
传统的基于计量统计的分析方法，由于受到变量及影响因素的限制，在动态复杂的市场营销环境中日益暴露其局限性。随着机器学习以及程序设计算法的进步，许多更智能的算法和专家系统都被提出，用于优化零售企业的促销定价决策。例如王婧等 ；王宏达等嘞 建立基于改进遗传算法和粒子群算法的动态定价模型，对季节性产品的促销定价问题进行了研究。Roy等把遗传算法与模糊理论相结合，对多门店多产品的差别促销定价问题进行了研究。
1.4.2 促销手段选择
常用的促销手段包括广告促销、价格折扣、优惠券促销、礼品赠送、样品赠送、特惠包装促销等。不同的促销手段会导致不同的消费感知，进而影响到消费者的购买偏好和购买行为。在进行促销方式选择时，企业需要对自身的内部情况以及外部的市场环境因素综合的进行考虑，这些因素可能包括企业的市场营销战略、产品的库存水平、目标客户、促销时机以及竞争对手的促销活动等。
对于促销组合优化问题，以郭瑞哲（Kuo R J）为代表的国立台湾科技大学几位学者表现活跃。把模糊理论、神经网络以及遗传算法三者相结合，构建智能的预测模型，来衡量不同的价格折扣以及促销手段对于促销效果的影响程度。其他的一些学者也对该问题进行了研究。Lertuthai等构建基于规则的预测模型RRBF，利用历史促销数据来预测不同的促销方式和促销媒介对于产品销售量的影响程度。
2 零售促销优化软件的企业应用现状
促销优化是零售行业商务智能应用的一个重要领域。零售企业在日常的业务运作中积累了大量的数据，这些数据包括订单信息、库存信息、销售信息、历史促销数据以及客户资料等，这些海量的数据中蕴含着极具价值的信息。如果可以有效的加以利用，将会转化为极具竞争力的市场营销决策。世界著名的零售巨头包括沃尔玛、西尔斯（Sears）、麦德龙、家乐福、7—11等均已引进了相应的促销优化软件，用于优化企业的促销决策，显著的提高了企业的竞争能力和成本优势。国内零售企业的信息化建设以及商务智能应用水平较低，还没有开始广泛引入促销优化的软件，也没有这方面的成功案例。
国外促销优化软件市场的发展比较完善，一些大型的ERP软件厂商（如Oracle、SAP、JDA Software、Demand Tec、CAS等），都开发了面向零售行业促销优化的智能分析软件，支持库存优化、品类管理、价格灵敏度分析以及促销决策支持等丰富的功能，可以在各个产品和用户级别上快速完成分析，实现促销活动分析流程的自动化，满足企业不同管理层次的决策要求。例如，Oracle公司推出的应用集成架构解决方案，通过把Oracle Siebel促销管理软件和Oracle Demantra预测性贸易计划与促销优化软件的相关功能有效集成，支持从促销前模拟预测、促销活动的实时监控到促销效果评估等一系列强大功能，为企业的促销策划提供全方位的决策支持。软件利用先进完善的促销建模引擎，可以对客户的消费行为和促销历史数据进行深入分析，预测未来的促销策略以及营销方案对于促销效果的影响程度，提高整个促销流程的可视性。国外软件市场上其它的一些常用的促销优化软件见表3。
表3 主要的零售促销优化软件
本文回顾了国内外对于零售行业促销优化的主要研究方向和最新研究进展，分别从需求预测、客户行为分析、促销产品分析、促销决策组合分析四个角度，对零售促销优化中常用的商务智能技术以及数据挖掘算法进行了综述，重点对促销优化中常用的商务智能技术及数据挖掘算法的应用情况进行分类和总结，最后对促销优化软件的企业应用现状进行了简要介绍。值得注意的是，现实中的市场营销环境动态复杂，本文并没有深入探讨不同商务智能技术的实际适用性以及现实可操作性。同时，本文主要是针对传统的终端销售市场，并没有对电子商务环境下网络用户的消费行为以及促销优化进行研究，这也可以作为未来的一个研究方向。
