數(shù)據(jù)驅(qū)動(dòng)卷煙市場(chǎng)調(diào)控的探索與實(shí)踐

林少華，倪震海，周飛

1 中國(guó)煙草總公司浙江省公司，杭州市將軍路9號(hào) 310001；

2 浙江省煙草公司湖州市公司，湖州市環(huán)城東路288號(hào) 313000

1 研究背景

行業(yè)幾十年的發(fā)展歷程一再證明：“稍緊平衡”是卷煙營(yíng)銷(xiāo)良性發(fā)展的法寶。堅(jiān)持和維護(hù)“稍緊平衡”越來(lái)越成為行業(yè)共識(shí)。但是，“稍緊平衡”的實(shí)際操作卻很難，從浙江煙草發(fā)展歷程看，對(duì)市場(chǎng)趨勢(shì)的判斷存在以下難題：

一是卷煙銷(xiāo)售出現(xiàn)拐點(diǎn)，市場(chǎng)趨勢(shì)判斷難。2012年以來(lái)，浙江煙草卷煙銷(xiāo)量從最高的260.66萬(wàn)箱下降到2016年的240.89萬(wàn)箱，2017年開(kāi)始出現(xiàn)觸底回升的勢(shì)頭。如何科學(xué)預(yù)測(cè)市場(chǎng)，準(zhǔn)確判斷趨勢(shì)，對(duì)指導(dǎo)貨源銜接、布局市場(chǎng)、滿(mǎn)足消費(fèi)、調(diào)好狀態(tài)是行業(yè)要克服的重要難題；二是效益增長(zhǎng)高度依賴(lài)結(jié)構(gòu)提升，結(jié)構(gòu)空間探知難。2012年，全省卷煙銷(xiāo)量達(dá)到頂峰以后，全省卷煙銷(xiāo)售效益全部依賴(lài)于結(jié)構(gòu)的提升。2012-2018年，全省單箱結(jié)構(gòu)提升了1.33萬(wàn)元，年均增加2200元以上，而同期全國(guó)結(jié)構(gòu)提升了0.84萬(wàn)元，年均增加1400元，浙江與全國(guó)的單箱結(jié)構(gòu)差距從2012年的9200多元提高到2018年的1.4萬(wàn)元以上。如何探知結(jié)構(gòu)空間，把結(jié)構(gòu)提升建立在真實(shí)的市場(chǎng)需求基礎(chǔ)上，既做足市場(chǎng)，又不盲目透支，需要多維度數(shù)據(jù)的綜合分析；三是品牌競(jìng)爭(zhēng)日趨激烈，波動(dòng)明顯加大，品牌狀態(tài)評(píng)價(jià)難。品類(lèi)之間、價(jià)類(lèi)之間、品牌之間競(jìng)爭(zhēng)激烈，細(xì)支、中支、短支、爆珠煙等創(chuàng)新產(chǎn)品成為一二類(lèi)煙增量的主力，對(duì)傳統(tǒng)優(yōu)勢(shì)品規(guī)產(chǎn)生較大沖擊。如何更好培育品牌，按照市場(chǎng)狀態(tài)投放，保持零售庫(kù)存合理，市場(chǎng)價(jià)格穩(wěn)定，品牌持續(xù)發(fā)展難度加大。

省級(jí)煙草公司承擔(dān)著全省銷(xiāo)售計(jì)劃的確定和地市公司的貨源分配的功能。為此，建立一套數(shù)據(jù)化的市場(chǎng)預(yù)測(cè)機(jī)制和市場(chǎng)調(diào)控機(jī)制迫在眉睫，對(duì)年度銷(xiāo)售目標(biāo)制定、銷(xiāo)售節(jié)奏把握、維護(hù)市場(chǎng)狀態(tài)、保證零售戶(hù)盈利等具有深遠(yuǎn)意義。

2 研究目標(biāo)和思路

從2012年開(kāi)始，浙江煙草已經(jīng)建立了涵蓋“經(jīng)濟(jì)社會(huì)數(shù)據(jù)、批發(fā)數(shù)據(jù)、零售數(shù)據(jù)、消費(fèi)數(shù)據(jù)、專(zhuān)賣(mài)管理數(shù)據(jù)”等“五維一體”的數(shù)據(jù)采集體系，不斷對(duì)大數(shù)據(jù)進(jìn)行針對(duì)性挖掘。在此“五維一體”的大數(shù)據(jù)基礎(chǔ)上，探索更為深入、更為精準(zhǔn)、更為科學(xué)的數(shù)據(jù)化決策和實(shí)踐成為可能。論文旨在通過(guò)市場(chǎng)化的評(píng)價(jià)辦法，智能化的工具和算法，著力提升省級(jí)煙草公司市場(chǎng)評(píng)價(jià)和預(yù)判能力、需求預(yù)測(cè)水平和數(shù)據(jù)化精準(zhǔn)調(diào)控水平，減少非市場(chǎng)因素對(duì)經(jīng)濟(jì)運(yùn)行工作的干擾，從而防范經(jīng)濟(jì)運(yùn)行可能出現(xiàn)的市場(chǎng)風(fēng)險(xiǎn)，提升運(yùn)行調(diào)控水平。

論文將數(shù)據(jù)驅(qū)動(dòng)市場(chǎng)調(diào)控作為整體，分為發(fā)現(xiàn)市場(chǎng)問(wèn)題、預(yù)測(cè)市場(chǎng)走向、調(diào)控解決問(wèn)題三個(gè)方面，設(shè)計(jì)了一套依托于浙江煙草“五維一體”數(shù)據(jù)采集工作的評(píng)價(jià)、預(yù)測(cè)、調(diào)控體系，通過(guò)大數(shù)據(jù)動(dòng)態(tài)評(píng)價(jià)市場(chǎng)狀態(tài)、設(shè)定狀態(tài)標(biāo)準(zhǔn)，評(píng)價(jià)市場(chǎng)運(yùn)行的“稍緊平衡”狀態(tài)；通過(guò)宏觀(guān)經(jīng)濟(jì)預(yù)測(cè)常用的多層神經(jīng)網(wǎng)絡(luò)算法，預(yù)測(cè)未來(lái)每月（季度或年）的零售市場(chǎng)銷(xiāo)量和發(fā)展趨勢(shì)；通過(guò)兩者的集合，依托模型開(kāi)展數(shù)據(jù)化的宏觀(guān)調(diào)控，形成一整套可判斷、可預(yù)測(cè)、可調(diào)整的市場(chǎng)化“稍緊平衡”調(diào)控機(jī)制。

圖1 稍緊平衡調(diào)控機(jī)制的總體思路Fig.1 The overall idea of a slightly tight balance control mechanism

3 實(shí)施途徑

3.1 市場(chǎng)狀態(tài)評(píng)價(jià)機(jī)制

省級(jí)煙草公司管理著總量、價(jià)類(lèi)、價(jià)位段、品牌、規(guī)格及地市市場(chǎng)等不同維度的市場(chǎng)狀態(tài)，為此建立數(shù)據(jù)化、動(dòng)態(tài)的評(píng)價(jià)標(biāo)準(zhǔn)是市場(chǎng)調(diào)控機(jī)制構(gòu)建的核心和關(guān)鍵，精準(zhǔn)有效、邏輯清晰、符合實(shí)際的評(píng)價(jià)標(biāo)準(zhǔn)將極大地提升省公司營(yíng)銷(xiāo)決策的一體化、數(shù)據(jù)化管控水平。

表1 “五維一體”數(shù)據(jù)解析Tab.1 "Five-dimensional integration" data analysis

3.1.1 數(shù)據(jù)來(lái)源

浙江煙草歷時(shí)10年，建立了“五維一體”的數(shù)據(jù)采集體系，積累數(shù)據(jù)資產(chǎn)規(guī)模已達(dá)38T，每天采集近10G的數(shù)據(jù)，這是浙江煙草數(shù)據(jù)運(yùn)行分析體系的重要基礎(chǔ)，具體如表1所示。

3.1.2 評(píng)價(jià)流程和方法

對(duì)煙草行業(yè)而言，通過(guò)價(jià)格和零售存銷(xiāo)比（可銷(xiāo)天數(shù)）來(lái)評(píng)價(jià)整體市場(chǎng)已經(jīng)成為公認(rèn)的標(biāo)準(zhǔn)。浙江煙草在10多年的數(shù)據(jù)分析應(yīng)用過(guò)程中，擴(kuò)展了支付寶結(jié)算零售價(jià)格指數(shù)，又增加了消費(fèi)者行為數(shù)據(jù)和專(zhuān)賣(mài)查獲量數(shù)據(jù)，對(duì)市場(chǎng)狀態(tài)進(jìn)行更精準(zhǔn)的描繪，具體如表2所示。

表2 評(píng)價(jià)體系表Tab.2 Evaluation System Table

狀態(tài)評(píng)價(jià)流程是：先按照零售存銷(xiāo)比、支付寶結(jié)算零售價(jià)格指數(shù)進(jìn)行閾值觀(guān)測(cè)和狀態(tài)臨界值定量劃分，再利用消費(fèi)數(shù)據(jù)、專(zhuān)賣(mài)查獲量數(shù)據(jù)進(jìn)行定性驗(yàn)證。

狀態(tài)評(píng)價(jià)的主要方法是：使用成熟的零售存銷(xiāo)比指標(biāo)，采用統(tǒng)計(jì)學(xué)的3σ準(zhǔn)則來(lái)測(cè)算零售存銷(xiāo)比（可供天數(shù)）閾值區(qū)間，最后根據(jù)運(yùn)用移動(dòng)存銷(xiāo)比進(jìn)行動(dòng)態(tài)調(diào)整。

3.1.3 狀態(tài)評(píng)價(jià)實(shí)施

表3 引入移動(dòng)平均的終端存銷(xiāo)比指標(biāo)Tab.3 moving average terminal-storage ratio indicator

（1）選擇評(píng)價(jià)指標(biāo)。為了解決目前使用的當(dāng)年終端存銷(xiāo)比反應(yīng)市場(chǎng)狀態(tài)不靈敏的問(wèn)題，采用移動(dòng)平均終端存銷(xiāo)比指標(biāo)（MA）平滑異常波動(dòng)，具體如表3所示。

圖2 2015年-2019年全省總量移動(dòng)存銷(xiāo)比變化圖（月）Fig.2 Change in the total mobile storage ratio of the province from 2015 to 2019 (month)

運(yùn)用長(zhǎng)期指標(biāo)反映長(zhǎng)期情況加短期指標(biāo)反映趨勢(shì)的方法，更加接近市場(chǎng)實(shí)際波動(dòng)情況，可實(shí)現(xiàn)零售存銷(xiāo)比動(dòng)態(tài)化監(jiān)測(cè)的目標(biāo)。

（2）評(píng)價(jià)計(jì)算。如圖3所示，采用統(tǒng)計(jì)學(xué)的3σ準(zhǔn)則來(lái)測(cè)算零售存銷(xiāo)比（可供天數(shù)）閾值區(qū)間。在樣本數(shù)量充分大的情況下，對(duì)正態(tài)或近似正態(tài)分布的樣本數(shù)值分布在（μ-σ，μ+σ）中的概率為68.26%，數(shù)值分布在（μ-2σ，μ+2σ）中的概率為95.44%，數(shù)值分布在（μ-3σ，μ+3σ）中的概率為99.72%，由此得出五個(gè)區(qū)間作為閾值區(qū)間劃分依據(jù)，具體如表4、表5所示。

圖3 3σ準(zhǔn)則區(qū)間劃分圖Fig.3 3σ criterion interval division diagram

（3）閾值的動(dòng)態(tài)調(diào)整。由于市場(chǎng)消費(fèi)瞬息萬(wàn)變，為實(shí)現(xiàn)閾值區(qū)間既能反映市場(chǎng)長(zhǎng)期趨勢(shì)，又實(shí)現(xiàn)對(duì)短期市場(chǎng)更高敏感度的目標(biāo)，在計(jì)算過(guò)程中引入動(dòng)態(tài)調(diào)整系數(shù)：α

動(dòng)態(tài)調(diào)整系數(shù)α=長(zhǎng)期移動(dòng)存銷(xiāo)比（365天）/短期移動(dòng)存銷(xiāo)比（30天）

注：短期移動(dòng)存銷(xiāo)比越低，說(shuō)明市場(chǎng)動(dòng)銷(xiāo)越快，則閾值區(qū)間相應(yīng)進(jìn)行擴(kuò)大。

即：合理閾值=長(zhǎng)期閾值*長(zhǎng)期移動(dòng)存銷(xiāo)比（365天）/短期移動(dòng)存銷(xiāo)比（30天）

如表5所示，計(jì)算得出總量、五類(lèi)煙、價(jià)位段、主導(dǎo)品牌、主導(dǎo)規(guī)格、地市公司、客戶(hù)類(lèi)別等多維度的存銷(xiāo)比閾值標(biāo)準(zhǔn)，來(lái)判斷各維度的市場(chǎng)狀態(tài)，形成正常值、臨界低值、臨界高值，預(yù)警高值、預(yù)警低值五個(gè)方面的狀態(tài)評(píng)價(jià)。

同時(shí)，通過(guò)實(shí)證比對(duì)，合理閾值區(qū)間的結(jié)果比長(zhǎng)期閾值結(jié)果更能反映短期市場(chǎng)的變化，更適合作為用于中短期市場(chǎng)的調(diào)控依據(jù),見(jiàn)圖4。

表5 2018年全省總量維度閾值區(qū)間表Tab.5 2018 province total aggregate dimension threshold interval table

圖4 總量存銷(xiāo)比動(dòng)態(tài)閾值區(qū)間表Fig.4 Total reserve ratio dynamic threshold interval table

3.1.4 狀態(tài)評(píng)價(jià)結(jié)果

根據(jù)閾值計(jì)算移動(dòng)平均修正結(jié)果，可以清晰實(shí)時(shí)計(jì)算出各維度的5種市場(chǎng)狀態(tài)，分別為：正常區(qū)間、微調(diào)高值、微調(diào)低值、預(yù)警高值、預(yù)警低值，分別意味著稍緊平衡、偏松、偏緊、松、緊5種市場(chǎng)狀態(tài)。說(shuō)明該方法能客觀(guān)、量化的評(píng)判市場(chǎng)狀態(tài)，可用于后期市場(chǎng)量化宏觀(guān)調(diào)控工作中，見(jiàn)圖5。

3.1.5 評(píng)價(jià)結(jié)果修正

在實(shí)際操作中，為使?fàn)顟B(tài)評(píng)價(jià)更接近工作實(shí)際，可以用消費(fèi)數(shù)據(jù)和專(zhuān)賣(mài)查獲真煙數(shù)據(jù)來(lái)修正評(píng)價(jià)當(dāng)期市場(chǎng)狀態(tài)，見(jiàn)表6。

表6 消費(fèi)數(shù)據(jù)及專(zhuān)賣(mài)查獲真煙數(shù)據(jù)Tab.6 Consumption data and monopoly seizure data

3.2 市場(chǎng)需求預(yù)測(cè)

近年來(lái)，人工智能預(yù)測(cè)逐漸興起，被廣泛應(yīng)用于宏觀(guān)經(jīng)濟(jì)預(yù)測(cè)和商業(yè)預(yù)測(cè)，浙江煙草積累了“五維一體”足夠大的數(shù)據(jù)量，可以更好地開(kāi)展精準(zhǔn)預(yù)測(cè)。

3.2.1 市場(chǎng)需求預(yù)測(cè)方法

由于卷煙零售是一種復(fù)雜的、非線(xiàn)性系統(tǒng)，難以用傳統(tǒng)的方法進(jìn)行預(yù)測(cè)，為此基于大數(shù)據(jù)的分析方法成為首選。本文選擇了神經(jīng)網(wǎng)絡(luò)模型開(kāi)展零售市場(chǎng)預(yù)測(cè)，作為一種先進(jìn)的人工智能模型，多層的神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于經(jīng)濟(jì)預(yù)測(cè)和商業(yè)預(yù)測(cè)中。

如圖5所示，通過(guò)對(duì)浙江煙草“五維一體數(shù)據(jù)”的分析，本文構(gòu)建了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。整個(gè)模型有六個(gè)輸入、一個(gè)輸出。其中，V1為時(shí)間點(diǎn)，V2為歷史批發(fā)數(shù)據(jù)，V3為歷史零售數(shù)據(jù)，V4為專(zhuān)賣(mài)查獲數(shù)據(jù)，V5為經(jīng)濟(jì)增長(zhǎng)數(shù)據(jù)，V6為消費(fèi)者數(shù)據(jù)，P為下月終端數(shù)據(jù)。運(yùn)用python軟件進(jìn)行不斷的嘗試，本文選取四層隱藏層構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,每層32個(gè)神經(jīng)元，輸出層1個(gè)神經(jīng)元，共97個(gè)神經(jīng)元。

3.2.2 預(yù)測(cè)流程

根據(jù)數(shù)據(jù)“五維一體”的特點(diǎn)，整體的神經(jīng)網(wǎng)絡(luò)采用relu函數(shù)作為神經(jīng)元的激活函數(shù)。線(xiàn)性整流函數(shù)（Rectified Linear Unit,ReLU），是一種人工神經(jīng)網(wǎng)絡(luò)中常用的激活函數(shù)，通常指代以斜坡函數(shù)及其變種為代表的非線(xiàn)性函數(shù)。

圖5 “五維一體”數(shù)據(jù)多層神經(jīng)網(wǎng)絡(luò)模型Fig.5 "five-dimensional integration" data multilayer neural network model

為了提高模型的預(yù)測(cè)精度，最大化學(xué)習(xí)效果，本文采用了動(dòng)態(tài)的學(xué)習(xí)率（learning rate）參數(shù)。學(xué)習(xí)率直接影響每一步學(xué)習(xí)的進(jìn)展速度，學(xué)習(xí)率越大，理論上學(xué)習(xí)的速度越快，但是有可能使損失函數(shù)不會(huì)縮小，也就是所謂的學(xué)習(xí)失敗，過(guò)小則會(huì)讓學(xué)習(xí)過(guò)程變得緩慢。

動(dòng)態(tài)學(xué)習(xí)率初始值為0.1，這是一個(gè)較快的學(xué)習(xí)率。當(dāng)學(xué)習(xí)過(guò)程中損失值不再下降時(shí)，模型自動(dòng)把學(xué)習(xí)率縮小十倍，繼續(xù)學(xué)習(xí)，整個(gè)學(xué)習(xí)過(guò)程一共縮小學(xué)習(xí)率兩次。

為了提高學(xué)習(xí)效率，本文采用了Adam優(yōu)化算法進(jìn)行小批量（mini-batch）學(xué)習(xí)。Adam算法是動(dòng)量梯度下降算法（Gradient Descent with Momentum）和RMSprop（Root Mean Squared prop）算法的結(jié)合，是一種比較高級(jí)的學(xué)習(xí)算法。除了逐步衰減的學(xué)習(xí)率超參以外，Adam算法的另外四個(gè)超參數(shù)取值分為為：用于動(dòng)量梯度下降的動(dòng)量窗口尺寸（Momentum Window Size） ，用于RMSprop的滑動(dòng)均值窗口尺寸（RMSprop Window Size）β1=0.9，分母修正系數(shù)β2=0.999，Mini-Batch尺寸為64個(gè)數(shù)據(jù)點(diǎn)。

由于是用于預(yù)測(cè)實(shí)數(shù)數(shù)值的回歸模型，本文采用平方誤差作為損失函數(shù)，鑒于訓(xùn)練數(shù)據(jù)量的量級(jí)不大，因此在損失函數(shù)上加了L2正規(guī)化（Frobenius Regularization）處理以抑制模型過(guò)擬合（Overfitting），正規(guī)化參數(shù)λ=0.1。

正規(guī)化的損失函數(shù)如下：

3.2.3 預(yù)測(cè)結(jié)果

通過(guò)2015年1月至2018年12月浙江省經(jīng)濟(jì)增長(zhǎng)指標(biāo)、卷煙批發(fā)銷(xiāo)量、卷煙零售銷(xiāo)量、專(zhuān)賣(mài)查獲真煙凈流入量、活躍消費(fèi)者人均消費(fèi)量學(xué)習(xí)和計(jì)算，模型可以學(xué)習(xí)到零售銷(xiāo)量的季節(jié)波動(dòng)情況。除部分由于宏觀(guān)調(diào)控的時(shí)點(diǎn)外，準(zhǔn)確率均在95.2%以上，部分月度準(zhǔn)確率高達(dá)97%以上，證明該方法準(zhǔn)確可行，準(zhǔn)確率可用于后期的市場(chǎng)調(diào)控工作，如表7所示。

表7 2015年1月-2018年12月月度零售銷(xiāo)量預(yù)測(cè)表Tab.7 Monthly retail sales forecast for January 2015-2018

對(duì)于零售數(shù)據(jù)的預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)總體給出了較為精準(zhǔn)的預(yù)測(cè)結(jié)果，說(shuō)明整體預(yù)測(cè)方法精度較高。但由于重大節(jié)日的樣本量還不夠多，還需要更多的數(shù)據(jù)積累才能不斷提高預(yù)測(cè)的準(zhǔn)確率。

零售銷(xiāo)量的預(yù)測(cè)是未來(lái)“互聯(lián)網(wǎng)+卷煙營(yíng)銷(xiāo)”工作的重要基礎(chǔ)，隨著各項(xiàng)指標(biāo)數(shù)據(jù)的積累和完善，隨著多層神經(jīng)網(wǎng)絡(luò)算法的不斷迭代，零售銷(xiāo)量的預(yù)測(cè)準(zhǔn)確率會(huì)越來(lái)越準(zhǔn)，整體推動(dòng)卷煙營(yíng)銷(xiāo)預(yù)測(cè)工作從經(jīng)驗(yàn)判斷向數(shù)據(jù)驅(qū)動(dòng)轉(zhuǎn)型。

3.3 卷煙投放調(diào)控模型

3.3.1 調(diào)控思路和方法

按照供應(yīng)商管理庫(kù)存的理念，通過(guò)預(yù)測(cè)下期零售銷(xiāo)量，計(jì)算下期零售庫(kù)存，判斷下期末庫(kù)存是否處于目標(biāo)狀態(tài)區(qū)間，從而開(kāi)展基于市場(chǎng)狀態(tài)的針對(duì)調(diào)控。

下期零售庫(kù)存=期初零售庫(kù)存+下期預(yù)投放量-下期預(yù)測(cè)零售銷(xiāo)量

下期零售存銷(xiāo)比=下期末庫(kù)存量/下期預(yù)測(cè)日均銷(xiāo)量

圖6 數(shù)據(jù)化調(diào)控流程圖Fig.6 Data flow control flow chart

根據(jù)市場(chǎng)狀態(tài)判斷和市場(chǎng)銷(xiāo)量預(yù)測(cè)以及零售數(shù)據(jù)情況，建立了以月為基礎(chǔ)的省級(jí)精準(zhǔn)調(diào)控模塊，通過(guò)輸入不同的預(yù)投放量來(lái)判斷下一期市場(chǎng)松緊狀態(tài)，設(shè)定合理的存銷(xiāo)比區(qū)間指導(dǎo)貨源投放，提供量化的精準(zhǔn)投放依據(jù)，推動(dòng)卷煙貨源供應(yīng)從經(jīng)驗(yàn)營(yíng)銷(xiāo)向數(shù)據(jù)營(yíng)銷(xiāo)進(jìn)行轉(zhuǎn)變。

3.3.2 建立宏觀(guān)調(diào)控模塊

根據(jù)數(shù)據(jù)化調(diào)控思路，通過(guò)省局層面6個(gè)維度的調(diào)控模塊，形成不同層級(jí)的宏觀(guān)調(diào)控機(jī)制，確保不同維度的市場(chǎng)狀態(tài)保持在“稍緊平衡”區(qū)間，如表8所示。

表8 省級(jí)公司調(diào)控模塊功能分布Tab.8 Function distribution of provincial company regulation module

主要應(yīng)用方向有：

應(yīng)用1：實(shí)施宏觀(guān)調(diào)控。調(diào)控總量狀態(tài)。評(píng)價(jià)當(dāng)前市場(chǎng)狀態(tài)是否稍緊平衡，通過(guò)設(shè)定預(yù)排供應(yīng)量，總體把握下一期市場(chǎng)狀態(tài)。

調(diào)控地市區(qū)域狀態(tài)。通過(guò)實(shí)時(shí)監(jiān)測(cè)地市狀態(tài)，預(yù)測(cè)地市銷(xiāo)量，跟進(jìn)地市公司貨源預(yù)排，調(diào)控地市投放工作，調(diào)控顆粒度可以細(xì)化到價(jià)類(lèi)、主要品規(guī)。

調(diào)控品牌規(guī)格狀態(tài)：通過(guò)品牌狀態(tài)精準(zhǔn)預(yù)測(cè)，分區(qū)域指導(dǎo)精準(zhǔn)投放，調(diào)控顆粒度可以細(xì)化到具體的業(yè)態(tài)、客戶(hù)類(lèi)別。

應(yīng)用2：指導(dǎo)貨源預(yù)排。通過(guò)設(shè)定合理的目標(biāo)市場(chǎng)狀態(tài)值（稍緊平衡狀態(tài)區(qū)間），測(cè)算下期貨源預(yù)排量（區(qū)間），根據(jù)全省銷(xiāo)量計(jì)劃，進(jìn)行統(tǒng)一的貨源供貨安排，實(shí)時(shí)銜接工業(yè)貨源。

應(yīng)用3：工商培育品牌。工商針對(duì)目標(biāo)品牌、目標(biāo)規(guī)格的市場(chǎng)狀態(tài)，在全省的層面進(jìn)行調(diào)控；預(yù)設(shè)品牌的目標(biāo)狀態(tài)值，根據(jù)深度學(xué)習(xí)模型預(yù)測(cè)零售銷(xiāo)量，在全省范圍內(nèi)進(jìn)行精準(zhǔn)投放。

3.3.3 宏觀(guān)調(diào)控結(jié)果

以浙江煙草T+1月運(yùn)行調(diào)控為例，根據(jù)各價(jià)類(lèi)、主要品牌、主銷(xiāo)規(guī)格的“稍緊平衡”零售存銷(xiāo)比（可供天數(shù)）區(qū)間，T月末都處于目標(biāo)狀態(tài)，按照神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)T+1月零售銷(xiāo)量，結(jié)合全省各地市T+1月批發(fā)銷(xiāo)量預(yù)排數(shù)，預(yù)測(cè)T+1月末零售庫(kù)存狀態(tài)，出現(xiàn)預(yù)警的相應(yīng)做出調(diào)整，見(jiàn)表9所示。

表9 運(yùn)行狀態(tài)調(diào)控表案例Tab.9 Operating status control table

4 小結(jié)

論文從浙江煙草“五維一體”的大數(shù)據(jù)入手，重點(diǎn)闡述了浙江煙草數(shù)據(jù)驅(qū)動(dòng)卷煙市場(chǎng)調(diào)控體系的構(gòu)成，詳細(xì)研究了市場(chǎng)狀態(tài)評(píng)價(jià)、市場(chǎng)預(yù)測(cè)、宏觀(guān)調(diào)控三個(gè)方面的內(nèi)容及研究的成效。

浙江煙草商業(yè)從2012年開(kāi)始探索形成的數(shù)據(jù)驅(qū)動(dòng)卷煙市場(chǎng)調(diào)控體系，實(shí)現(xiàn)了量化評(píng)價(jià)、量化預(yù)測(cè)和量化調(diào)控的目標(biāo)，有效減少了市場(chǎng)調(diào)控的人為因素，提高了市場(chǎng)數(shù)據(jù)化調(diào)控的水平，提升了調(diào)控的精度和準(zhǔn)度。隨著大數(shù)據(jù)的積累完善，人工智能算法的加速迭代，將進(jìn)一步有助于煙草商業(yè)企業(yè)透視市場(chǎng)變化，準(zhǔn)確把握市場(chǎng)狀態(tài)，推動(dòng)卷煙營(yíng)銷(xiāo)從經(jīng)驗(yàn)營(yíng)銷(xiāo)向數(shù)據(jù)驅(qū)動(dòng)決策轉(zhuǎn)型，對(duì)實(shí)現(xiàn)行業(yè)高質(zhì)量發(fā)展具有重要的現(xiàn)實(shí)意義。