基于即时互动吃播模式的食品订货决策方法及系统

1.本发明涉及数据处理技术领域，特别是一种基于即时互动吃播模式的食品订货决策方法。


背景技术：

2.当移动互联网中吃播带货、自媒体电商、网红食品等成为社交行业热点关键词，中国社交营销环境、营销思维、即时互动价值等名词被重新定义。在互联网电商直播爆火的时代，众多优秀网络主播引领互联网即时互动内容创新和突破，通过即时互动销售开拓创新销售渠道帮助品牌高效触及目标消费者，能有效缩短商业品牌营销链。快速发展的互联网即时互动吃播行业见证着吃播主播与网红食品的碰撞，实现网红食品销量增加、吃播主播直播带货盈利额稳定上涨，确保双方实现共赢是现实存在的重要问题。通过对现有研究进行梳理，发现订货决策鲜少被纳入到网红食品的营销中开展研究，尤其对即时互动式的网络大平台环境下各吃播主播的网红食品具体订货量关注较少。
3.面对互联网直播业务拓展速度上升与内容产出稳定性下降，以及行业竞争加剧等种种压力下。效率是所有电商模式生存的根本，网红直播带货是四方共赢的模式，具备效率和长期性，其特点就是高性价比和高销售量。与普遍认知不同，直播电商是比纯流量交易更复杂的业态，在为客体谋求更高的商品性价比时，同时也要为适应即时互动式的零售商主体创造更恰如其分的订货决策。但是，吃主播或销售方无法对切合实际的订货量进行准确预判，以至于在受到观众需求量存在着不确定性的影响，将导致主播或销售方实际订货量远远大于观众需求量，势必造成库存积压。


技术实现要素：

4.本发明的发明目的是，针对上述问题，提供一种基于即时互动吃播模式的食品订货决策方法，建立网红食品的订货决策模型，进而计算得到订货决策量。
5.为达到上述目的，本发明所采用的技术方案是：
6.基于即时互动吃播模式的食品订货决策方法，包括以下内容：
7.s1、基于熵权法topsis模型对各主播的一定天数n增粉量pi、发布频率pf、平均点赞app、平均评论ac、平均分享as进行综合排序，确定各pi、pf、app、ac、as数值的层次范围；
8.s2、将整理后的pi、pf、app、ac、as作为自变量，主播的销售量为因变量代入pls模型中进行回归处理，得出销售量与pi、pf、app、ac、as的回归方程；其中，销售量的回归方程取，销售量＝0.090*pi+0.565*pf+0.210*app+0.644*ac+0.462*as。
9.s3、构建食品订货决策整数规划模型，如下
10.frequency简称：pf)，平均点赞(average point praise简称：app)，平均评论(average comment简称：ac)，平均分享(average sharing简称：as)5大吃播主播的个人特质，及相应的螺蛳粉带货销售量数据，对于不同类型下的吃播主播，主播或销售方作为面对存在着不确定需求的零售商，需在新的直播之前预测及确定网红食品螺丝粉的实际订货数量。
20.如图1所示，基于即时互动吃播模式的食品订货决策方法，包括以下内容：
21.步骤s1、基于熵权法topsis模型对各主播的30天增粉量pi、发布频率pf、平均点赞app、平均评论ac、平均分享as进行综合排序，确定各pi、pf、app、ac、as数值的层次范围。
22.其中，进行如下设定，
23.(1)售卖螺蛳粉的主播至少具备pi、pf、app、ac、as五项数据其中之一，且属性值各不相同。
24.(2)售卖螺蛳粉的主播在售卖过程中可订货量为无限大，且不考虑主播的备用库存影响。
25.(3)螺蛳粉的滞销或畅销时的惩罚成本可忽略不计。
26.(4)各主播带货时不存在恶意销售现象。
27.步骤s2、将整理后的pi、pf、app、ac、as作为自变量，主播的销售量为因变量代入pls模型中进行回归处理，得出销售量与pi、pf、app、ac、as的回归方程；其中，销售量的回归方程取，销售量＝0.090*pi+0.565*pf+0.210*app+0.644*ac+0.462*as。
28.步骤s3、构建网红食品订货决策整数规划模型，如下，
29.[0030][0031]
进而，求出各pi、pf、app、ac、as范围内的主播带货量作为订货决策量。
[0032]
其中，目标函数式(1)表示在各种不同范围内的pi、pf、app、ac、as下的最优(最小化)订货成本。
[0033]
式(2)表示pi属性下主播的订货量小于众主播中pi最大值对应的订货量。
[0034]
式(3)表示pi属性下主播的订货量大于众主播中pi最小值对应的订货量。
[0035]
式(4)表示pf属性下主播的订货量小于众主播中pf最大值对应的订货量。
[0036]
式(5)表示pf属性下主播的订货量大于众主播中pf最小值对应的订货量。
[0037]
式(6)表示app属性下主播的订货量小于众主播中app最大值对应的订货量。
[0038]
式(7)表示app属性下主播的订货量大于众主播中app最小值对应的订货量。
[0039]
式(8)表示ac属性下主播的订货量小于众主播中ac最大值对应的订货量。
[0040]
式(9)表示ac属性下主播的订货量大于众主播中ac最小值对应的订货量。
[0041]
式(10)表示as属性下主播的订货量小于众主播中as最大值对应的订货量。
[0042]
式(11)表示as属性下主播的订货量大于众主播中as最小值对应的订货量。
[0043]
式(12)表示各pi、pf、app、ac、as属性下主播的订货量都为正。
[0044]
c
ij1
代表主播的30天增粉量对应的订货量，c
ij2
代表主播的发布频率对应的订货量，c
ij3
代表主播的平均点赞对应的订货量，c
ij4
代表主播的平均评论对应的订货量，c
ij5
代
表主播的平均分享对应的订货量。
[0045]
w
i
代表主播的30天增粉量对应的参数量集合，e
i
代表主播的发布频率对应的参数量集合，r
i
代表主播的平均点赞对应的参数量集合，s
i
代表主播的平均评论的参数量集合，d
i
代表主播的平均分享对应的参数量集合。
[0046]
w
i
代表主播的30天增粉量对应的订货量最大值集合，e
i
代表主播的发布频率对应的订货量最大值集合，r
i
代表主播的平均点赞对应的订货量最大值集合，s
i
代表主播的平均评论的订货量最大值集合，d
i
代表主播的平均分享对应的订货量最大值集合。
[0047]
w
i1
代表主播的30天增粉量对应的订货量最小值集合，e
i1
代表主播的发布频率对应的订货量最小值集合，r
i1
代表主播的平均点赞对应的订货量最小值集合，s
i1
代表主播的平均评论的订货量最小值集合，d
i1
代表主播的平均分享对应的订货量最小值集合。
[0048]
如上述，决策量包括，在pi范围内各主播的带货量，在pf范围内各主播的带货量，在app范围内各主播的带货量，在ac范围内各主播的带货量，在as范围内各主播的带货量。根据该订货决策量，主播或销售方在制定订货决策时，应留心其带货短板，即观察pi、pf、app、ac、as中最差的标志量(带货量)，在此基础上找到相应的订货量，以便降低滞销发生率。
[0049]
如上述，在获取了480主播的pi、pf、app、ac、as数据基础上，使用matlab进行基于熵权法的topsis进行以销售量为因变量，以pi、pf、app、ac、as为自变量的综合排序。一方面，将排序结果以19个单位为间隔将pi、pf、app、ac、as分为25个层次，另一方面，以pi、pf、app、ac、as为自变量，销售量为因变量在spss软件的基础上，进行pls回归。在获取了回归方程的辅助下，建立网红食品螺蛳粉的订货决策模型。
[0050]
如图2所示，为食品订货决策模型构建步骤，首先基于熵权法topsis模型对各主播的pi、pf、app、ac、as进行综合排序，确定各pi、pf、app、ac、as数值的层次范围；将整理后的pi、pf、app、ac、as作为自变量，主播的销售量为因变量代入pls模型中进行回归处理，设计得出销售量与pi、pf、app、ac、as的回归方程；最后构建整数规划模型。下述说明整数规划模型求解思路。
[0051]
其一，采用matlab进行基于熵权法topsis的处理流程如下：
[0052]
s11、输入初始数据，然后进行同化处理，进行数据标准化得到归一化矩阵；
[0053]
s12、以距离近的样品聚为一类的分类准则把十个数据的三个指标点看作是xoy平面上的点，然后把靠近的点分为一类。
[0054]
其二，在spss进行pls回归的处理流程如下：
[0055]
s21、确认提取主成分数量，通过交叉有效性和投影重要性vip分析表格进行确认；
[0056]
s22、基于前述主成分数量进行回归分析；
[0057]
s23、确定约束条件及目标函数，求解各子目标函数的最优解。
[0058]
其三，采用lingo对食品订货决策模型的处理流程如下：
[0059]
s31、数据初始化处理，分别在pi、pf、app、ac、as的集合中选取各元素；
[0060]
s32、确定约束条件及目标函数，求解各子目标函数的最优解；
[0061]
s33、穷举pi的最优值，若取值满足式(7)则取其值，并将值放入集合pi
j
，反之取值为0；同理，分别对应式(3)、式(4)、式(5)及式(6)处理；
[0062]
s34、将各元素的集合c
ij1
，c
ij2
，c
ij3
，c
ij4
，c
ij5
输出。
[0063]
下述将具体举例说明。
[0064]
本案例参数说明：小葫芦，国内某个网络红人数据后台中获取到2019年11月排名前96位螺蛳粉带货红人的pi、pf、app、ac、as五项数据，使用基于熵权法的topsis算法将pi、pf、app、ac、as五项数据各分为5个层，共25个层级。假设每包螺蛳粉的统一市场售货价格为5元。具体参数见下表1
‑
表4：
[0065]
表1 主播原始pi、pf、app、ac、as信息参数矩阵
[0066][0067]
表2 topsis处理后主播pi、pf、app、ac、as信息参数矩阵
[0068][0069]
表3 主播pi、pf、app、ac、as最大值参数矩阵
[0070][0071]
表4 主播pi、pf、app、ac、as最小值参数矩阵
[0072][0073]
在使用matlab对96位主播的480项pi、pf、app、ac、as数据进行基于熵权法的topsis排序之后，在spss进行pls回归的基础上，得到线性回归方程：销售量＝0.090*pi+0.565*pf+0.210*app+0.644*ac+0.462*as。然后，使用lingo软件对网红食品订货决策模型进行仿真操作，具体订货量结果及成本如下表5
‑
表6。
[0074]
表5：基于订货模型下各主播的订货量
[0075][0076]
表6：基于订货模型下各主播的订货成本
[0077][0078]
如上表5
‑
表6显示为：主播分别在pi、pf、app、ac、as五项历史数据下，pi数值为1850的主播订货决策为2775，pf数值为1的主播订货决策为2，app数值为17944的主播订货决策为2692，as数值为191的主播订货决策为300，ac数值为339的主播订货决策为509。
[0079]
pi数值为4600的主播订货决策为3083，pf数值为3的主播订货决策为2，app数值为37895的主播订货决策为2991，as数值为603的主播订货决策为318，ac数值为868的主播订货决策为565。
[0080]
pi数值为6652的主播订货决策为3220，pf数值为4的主播订货决策为4，app数值为
52158的主播订货决策为3124，as数值为960的主播订货决策为332，ac数值为1568的主播订货决策为590。
[0081]
pi数值为34950的主播订货决策为3392，pf数值为5的主播订货决策为2，app数值为94750的主播订货决策为3290，as数值为1877的主播订货决策为350，ac数值为2940的主播订货决策为622。
[0082]
pi数值为562947的主播订货决策为3700，pf数值为18的主播订货决策为5，app数值为372211的主播订货决策为3589，as数值为3142573的主播订货决策为382，ac数值为7018的主播订货决策为678。
[0083]
如上述，该决策方法使用matlab进行基于熵权法的topsis，进行以销售量为因变量且主播的pi、pf、app、ac、as为自变量的综合排序；然后使用spss进行pls回归，在获取了回归方程的辅助下，建立网红食品的订货决策模型，进而计算得到订货决策量。根据该订货决策量，主播或销售方在制定订货决策时，应留心其带货短板，即观察pi、pf、app、ac、as中最差的标志量(带货量)，预测其带货量，在此基础上找到相应的订货量，以便降低滞销发生率。
[0084]
下述将说明基于前述决策方法的食品订货决策系统，详细说明请参见前述决策方法实例。
[0085]
如图3所示，本实施例的基于即时互动吃播模式的食品订货决策系统，包括以下内容：
[0086]
数据获取单元，用于基于熵权法topsis模型对各主播的一定天数n的增粉量pi、发布频率pf、平均点赞app、平均评论ac、平均分享as进行综合排序，确定各pi、pf、app、ac、as数值的层次范围；
[0087]
回归处理单元，用于将整理后的pi、pf、app、ac、as作为自变量，主播的销售量为因变量代入pls模型中进行回归处理，得出销售量与pi、pf、app、ac、as的回归方程；
[0088]
模型构建及输出单元，用于构建食品订货决策整数规划模型，进而，求出各pi、pf、app、ac、as范围内的主播带货量作为订货决策量。
[0089]
上述说明是针对本发明较佳可行实施例的详细说明和例证，但这些描述并非用以限定本发明所要求保护范围，凡本发明所提示的技术教导下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利保护范围。