摘要：【目的】為提高卷煙市場信息自動采集數(shù)據(jù)準(zhǔn)確性，為營銷決策提供基礎(chǔ)信息，為廣西煙草“243”市場監(jiān)測和“1244”營銷模型提供扎實數(shù)據(jù)支撐，【方法】構(gòu)建了“異常預(yù)警”、“綜合預(yù)測”兩大內(nèi)核驅(qū)動器，提出了將前沿的深度學(xué)習(xí)算法——TabNet模型應(yīng)用于解決信采點數(shù)據(jù)準(zhǔn)確性問題，建立庫存準(zhǔn)確性模型，挖掘出更深層、復(fù)雜、全面的影響關(guān)系，根據(jù)零售客戶近期經(jīng)營表現(xiàn)預(yù)測未來庫存不準(zhǔn)確的概率，得到更優(yōu)的預(yù)測效果，實現(xiàn)對信采點數(shù)據(jù)準(zhǔn)確性的每日監(jiān)測。本研究也配置開發(fā)相關(guān)應(yīng)用功能，開發(fā)數(shù)字化產(chǎn)品“信采點監(jiān)測”，以企業(yè)微信為載體和渠道，助力打造面向零售客戶和客戶經(jīng)理的閉環(huán)流程機(jī)制，同時展現(xiàn)監(jiān)測與反饋的統(tǒng)計數(shù)據(jù)，讓各級人員“隨時隨地看數(shù)”，及時了解數(shù)據(jù)質(zhì)量監(jiān)管的工作情況，有效賦能信息采集數(shù)據(jù)質(zhì)量監(jiān)管工作，顯著提升工作質(zhì)效。

1、前言

1.1 研究背景

在國家局“總量控制、稍緊平衡、增速合理、貴在持續(xù)”十六字方針指引下，廣西煙草公司制定了“均衡銷售、區(qū)間調(diào)控、狀態(tài)優(yōu)先、實事求是”的方法策略，堅持以市場需求為導(dǎo)向，以市場狀態(tài)為實施策略的評判標(biāo)準(zhǔn)。為了解市場狀態(tài)，優(yōu)化卷煙營銷策略，實現(xiàn)精準(zhǔn)營銷，廣西煙草公司研發(fā)終端信息采集云POS系統(tǒng)，出臺《廣西煙草公司卷煙市場信息自動采集管理辦法》，推進(jìn)卷煙市場信息自動采集工作，為推動需求預(yù)測、貨源組織、貨源投放和品牌培育，提供了重要數(shù)據(jù)支撐。

2021年末，廣西煙草公司構(gòu)建了覆蓋1.3萬戶零售客戶的信息采集網(wǎng)絡(luò)，積累了海量數(shù)據(jù)，如何對海量數(shù)據(jù)準(zhǔn)確性進(jìn)行監(jiān)測，成為當(dāng)前信息采集工作質(zhì)量提升的瓶頸。以來賓市局（公司）為例，依托零售客戶信息采集系統(tǒng)，建立了700多戶信采點。在日常工作中，核對信采點數(shù)據(jù)準(zhǔn)確性，需要定期進(jìn)行入戶盤點核查，耗費了大量的人力成本，在技術(shù)層面，對數(shù)據(jù)準(zhǔn)確性判斷上，仍然缺少行之有效的檢測、監(jiān)測手段。

根據(jù)信采點正式運行后總結(jié)的經(jīng)驗，我們發(fā)現(xiàn)數(shù)據(jù)采集質(zhì)量較低的信采點客戶，都有一些共性的特點或遇到相同的問題，例如：部分客戶同時使用兩套POS系統(tǒng)，即煙草的云POS系統(tǒng)和非煙商品POS系統(tǒng)，在售賣商品時，需要頻繁切換甚至進(jìn)行兩次掃碼，操作繁瑣；部分看店人員年齡偏大，存在電腦操作能力差；部分店面業(yè)態(tài)為雜批部的客戶，店內(nèi)貨物商品較多，看店人手不足，不能及時進(jìn)行掃碼等等。由于存在以上情況，導(dǎo)致采集的數(shù)據(jù)質(zhì)量、分析價值不夠高。

信息采集監(jiān)管工作也存在著諸多問題，亟需通過技術(shù)手段進(jìn)行改善或解決，例如：各環(huán)節(jié)數(shù)字化程度不高、人工處理與操作較多、數(shù)據(jù)流轉(zhuǎn)與推送不及時、整體流程工作效率低、反饋渠道不順暢導(dǎo)致未形成良好的閉環(huán)管理機(jī)制、等等。這些問題也會導(dǎo)致信息采集質(zhì)量得不到提升，監(jiān)管工作未見明顯成效。

1.2 研究現(xiàn)狀

POS系統(tǒng)數(shù)據(jù)準(zhǔn)確性問題在統(tǒng)計學(xué)上屬于對離群值或異常值的判斷。業(yè)界有關(guān)研究提出了很多相應(yīng)的解決辦法，主要有管理措施和技術(shù)手段兩方面。

在管理措施上，煙草行業(yè)普遍做法是優(yōu)化工作流程、規(guī)范掃碼習(xí)慣、加大軟硬件投入、加強(qiáng)培訓(xùn)和指導(dǎo)、提升使用體驗、建立激勵機(jī)制等等。

在技術(shù)手段上，從目前的研究文獻(xiàn)來看，主要有以下方式：（1）憑借業(yè)務(wù)經(jīng)驗或規(guī)則。憑借過往業(yè)務(wù)經(jīng)驗以及對數(shù)據(jù)的敏感性設(shè)計邏輯規(guī)則，判斷數(shù)據(jù)采集是否異常或不準(zhǔn)確。（2）使用概率統(tǒng)計模型。對給定的數(shù)據(jù)集設(shè)計一個概率分布模型，在某個顯著水平上確定拒絕域（即出現(xiàn)概率很小的區(qū)間），如果數(shù)據(jù)落在拒絕域，則認(rèn)為異常。（3）運用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法建立預(yù)測模型。根據(jù)過往已知的信息判斷當(dāng)前數(shù)據(jù)是否異常或不準(zhǔn)確。

2 研究思路

2.1 研究目的

本研究針對如何應(yīng)用數(shù)據(jù)算法實現(xiàn)對信采點客戶數(shù)據(jù)準(zhǔn)確性的有效監(jiān)測進(jìn)行探索和研究，在此基礎(chǔ)上利用當(dāng)前的互聯(lián)網(wǎng)技術(shù)，開發(fā)數(shù)字化產(chǎn)品，將監(jiān)測結(jié)果以合適的方式展現(xiàn)或推送給各級人員，提醒客戶經(jīng)理或客戶及時關(guān)注和處置，并收集反饋，減少客戶經(jīng)理走訪頻次，提升工作質(zhì)效，提升數(shù)據(jù)質(zhì)量。

2.2 整體思路

本研究聚焦分析與應(yīng)用兩大方面，整體思路如下圖所示。

分析層，以云POS為主要數(shù)據(jù)來源，融合外部數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗、加工、計算，搭建“異常預(yù)警”、“綜合預(yù)測”兩大模型，實現(xiàn)對信采點數(shù)據(jù)質(zhì)量的監(jiān)測，向應(yīng)用層輸出監(jiān)測結(jié)果。

應(yīng)用層，以企業(yè)微信為載體和渠道，開放第三方應(yīng)用——信采點監(jiān)測，向各級人員呈現(xiàn)監(jiān)測數(shù)據(jù)，自動向相關(guān)人員或客戶推送消息，支持線上反饋；另外，面向管理員、分析人員開放后臺管理系統(tǒng)，支持用戶管理、權(quán)限控制、報表查詢和導(dǎo)出等。

異常預(yù)警是在深入了解業(yè)務(wù)現(xiàn)狀的基礎(chǔ)上，設(shè)計關(guān)鍵指標(biāo)及其預(yù)警閾值，對每個信采點客戶，每天自動根據(jù)近期經(jīng)營數(shù)據(jù)計算出關(guān)鍵指標(biāo)值，如果超出閾值，則觸發(fā)預(yù)警。搭建異常預(yù)警模型，可以很好地契合營銷部門現(xiàn)有的工作模式，采用的關(guān)鍵指標(biāo)及閾值的選定，在業(yè)務(wù)上已得到驗證，一旦超出閾值，則被認(rèn)定為系統(tǒng)數(shù)據(jù)不準(zhǔn)確，而且指標(biāo)簡單明了，已經(jīng)很好地被營銷部門和客戶經(jīng)理所理解和接受。

綜合預(yù)測是利用深度學(xué)習(xí)中的TabNet算法建立客戶庫存準(zhǔn)確性模型，根據(jù)客戶的基本信息及近期經(jīng)營表現(xiàn)，預(yù)測出客戶未來系統(tǒng)庫存不準(zhǔn)確的概率，從而推斷出系統(tǒng)數(shù)據(jù)的準(zhǔn)確性。

異常預(yù)警模型采用了影響客戶數(shù)據(jù)準(zhǔn)確性較大的幾個關(guān)鍵指標(biāo)，做法簡單，僅考慮了單一、線性的影響作用。但現(xiàn)實情況往往是多個指標(biāo)綜合、非線性的相互作用形成，而且除了幾個關(guān)鍵指標(biāo)影響外，客戶數(shù)據(jù)準(zhǔn)確性還可能受到來自其它因素的影響。綜合預(yù)測模型，考慮了更多影響因素，建立了更復(fù)雜的關(guān)聯(lián)關(guān)系，是對異常預(yù)警模型的更好補(bǔ)充。另外，相比異常預(yù)警模型，綜合預(yù)測模型實現(xiàn)了對客戶數(shù)據(jù)準(zhǔn)確性更為提前的預(yù)判，支持客戶經(jīng)理更早地采取行動。

本研究還融合了兩大模型結(jié)果，通過預(yù)測概率對發(fā)生預(yù)警的客戶進(jìn)行排名，根據(jù)排名先后進(jìn)行合理配置資源來安排跟進(jìn)/干預(yù)。對于未發(fā)生預(yù)警但預(yù)測概率高的客戶，可以深入了解背后的真實原因，進(jìn)一步完善預(yù)警指標(biāo)體系建設(shè)。

圖1.整體思路設(shè)計架構(gòu)

3 異常預(yù)警

3.1 數(shù)據(jù)準(zhǔn)備

經(jīng)過前期調(diào)研了解到，客戶數(shù)據(jù)主要來自云POS，有基本信息（如經(jīng)營規(guī)模、經(jīng)營業(yè)態(tài)、市場類型、檔位、銷售環(huán)境等）、經(jīng)營數(shù)據(jù)（如掃碼筆數(shù)、銷售額、系統(tǒng)庫存等）、購進(jìn)數(shù)據(jù)等信息。其中，由于多掃、少掃、漏掃等掃碼問題存在導(dǎo)致經(jīng)營數(shù)據(jù)與實際情況時常有偏差，不一定真實可靠。

以客戶為中心，將基本信息、經(jīng)營數(shù)據(jù)、購進(jìn)數(shù)據(jù)等數(shù)據(jù)整合起來，經(jīng)過清洗、加工、計算，形成原始寬表。然后衍生出相關(guān)的分析指標(biāo)，形成用于建立分析模型的樣本數(shù)據(jù)。

3.2 指標(biāo)設(shè)計

本研究在深入了解零售客戶日常掃碼情況以及營銷部門對信采點客戶數(shù)據(jù)準(zhǔn)確性的監(jiān)管工作之后，設(shè)計并采用如下七大指標(biāo)來構(gòu)建異常預(yù)警模型。

（1）指標(biāo)1：掃碼條數(shù)為負(fù)數(shù)

實際情況下，系統(tǒng)中的掃碼條數(shù)不可能為負(fù)，如果為負(fù)數(shù)，則被認(rèn)定為人為修改數(shù)據(jù)。

（2）指標(biāo)2：掃碼條數(shù)為0

如果掃碼條數(shù)為0，則說明當(dāng)天不營業(yè)或者沒有售賣。實際情況下，零售客戶一般以賣煙為主業(yè)，不營業(yè)的概率很低。

（3）指標(biāo)3：掃碼條數(shù)為整數(shù)，且前一天也為整數(shù)

連續(xù)兩天掃碼條數(shù)為10的整數(shù)倍數(shù)的客戶占比僅為1%，如果出現(xiàn)，則認(rèn)為該客戶后期整條整條地補(bǔ)充掃碼。

（4）指標(biāo)4：近3天離均差率大于1倍

其中，近3天離均差率=|（當(dāng)天掃碼條數(shù)-近3天日均掃碼條數(shù)）|/近3天日均掃碼條數(shù)≥1,且排除當(dāng)天有購進(jìn)情況。近3天離均差率衡量的是當(dāng)天掃碼條數(shù)偏離近3天平均水平多少。如果近3天離均差率≥1，說明當(dāng)天掃碼條數(shù)要么出現(xiàn)0或者負(fù)數(shù)，要么大于等于近3天日均掃碼條數(shù)的2倍，這等同于出現(xiàn)了極大值，被視為掃碼不正常，需要及時關(guān)注。

（5）指標(biāo)5：從6日開始，當(dāng)月離均差率大于1倍

其中，當(dāng)月離均差率=|（當(dāng)天掃碼條數(shù)-當(dāng)月日均掃碼條數(shù)）|/當(dāng)月日均掃碼條數(shù)≥1,且排除當(dāng)天有購進(jìn)情況。當(dāng)月離均差率衡量的是當(dāng)天掃碼條數(shù)偏離當(dāng)月平均水平的多少。如果當(dāng)月離均差率≥1，說明當(dāng)天掃碼條數(shù)要么出現(xiàn)0或者負(fù)數(shù)，要么大于等于當(dāng)月日均掃碼條數(shù)的2倍，這等同于出現(xiàn)了極大值，即被視為掃碼不正常，需要及時關(guān)注。

（6）指標(biāo)6：從6日開始，客戶庫存可銷天數(shù)大于60天

客戶庫存可銷天數(shù)為客戶當(dāng)天期末庫存/當(dāng)月日均掃碼條數(shù)，即庫存周轉(zhuǎn)天數(shù)。也就是說，按當(dāng)月平均銷售水平，客戶當(dāng)前的庫存還能賣多少天。如果該值大于60天，則認(rèn)為客戶的系統(tǒng)數(shù)據(jù)出現(xiàn)異常，需要及時關(guān)注。

（7）指標(biāo)7：掃碼條數(shù)小于當(dāng)月次均購進(jìn)數(shù)/α

這里，客戶購進(jìn)頻率不同，α取值也不同，周訪α為50，半月訪α為70，月訪α為90。如果客戶掃碼條數(shù)小于當(dāng)月次均購進(jìn)數(shù)/α，則客戶賣得少，或者說掃碼少，但進(jìn)貨很多，導(dǎo)致在下一次進(jìn)貨時，積壓了大量庫存，系統(tǒng)庫存很大。這說明系統(tǒng)數(shù)據(jù)很可能出現(xiàn)了異常，或者掃碼不正常，需要及時關(guān)注。

從七大指標(biāo)的定義來看，異常預(yù)警是通過判斷掃碼數(shù)是否異常（負(fù)數(shù)、0或整數(shù)）、掃碼數(shù)是否極大（與近期掃碼量比）、掃碼數(shù)與庫存或購進(jìn)數(shù)的對比等方面來對信采點客戶進(jìn)行預(yù)警。

3.3 結(jié)果計算與應(yīng)用

對每個信采點客戶，異常預(yù)警模型根據(jù)指標(biāo)1-7判斷其是否觸發(fā)預(yù)警，并標(biāo)記出對應(yīng)的異常原因。每個信采點客戶可能會出現(xiàn)多個指標(biāo)預(yù)警，也可能不會觸發(fā)任何預(yù)警。

為了讓預(yù)警效果發(fā)揮出應(yīng)有的作用，營銷部門或客戶經(jīng)理需要很好地理解每個預(yù)警指標(biāo)背后的業(yè)務(wù)含義，而且針對不同的異常原因，預(yù)先指定對應(yīng)的干預(yù)措施或方案。客戶一旦發(fā)生預(yù)警，客戶經(jīng)理可以快速根據(jù)模型給出的異常原因采取針對性的干預(yù)措施，無需花費時間深挖其異常原因和明確相應(yīng)的干預(yù)措施，從而提升工作效率。

圖2.異常預(yù)警模型

4 綜合預(yù)測

4.1明確目標(biāo)

在云POS系統(tǒng)中，每個客戶的庫存、銷售量、購進(jìn)量三者之間是相互作用、相互影響的關(guān)系。客戶系統(tǒng)數(shù)據(jù)不準(zhǔn)確，與實際情況存在偏差，是由日常經(jīng)營過程中不掃碼、漏掃碼或多掃碼引起的，直觀反映在系統(tǒng)中就體現(xiàn)為掃碼量與實際有偏差。而購進(jìn)量一般情況下是被真實記錄的，因此，掃碼量出現(xiàn)偏差，等同于認(rèn)為客戶的系統(tǒng)庫存與實際庫存不一致。

本研究構(gòu)建的綜合預(yù)測模型，運用深度學(xué)習(xí)算法，根據(jù)客戶的基本信息以及近期經(jīng)營表現(xiàn)或波動，來推斷客戶未來系統(tǒng)庫存與實際庫存是否不一致，實現(xiàn)對客戶數(shù)據(jù)準(zhǔn)確性的監(jiān)測。

但是，如果系統(tǒng)庫存與實際庫存完全一致才被認(rèn)定數(shù)據(jù)準(zhǔn)確，這樣定義過于嚴(yán)格，考慮適當(dāng)放寬。根據(jù)廣西區(qū)局《自動采集管理辦法》要求，總量、品規(guī)實物庫存準(zhǔn)確率>=90%，則認(rèn)為準(zhǔn)確率達(dá)標(biāo)。

據(jù)此，本研究構(gòu)建的綜合預(yù)測模型的目標(biāo)定義（即目標(biāo)變量）為：

如果零售客戶的系統(tǒng)庫存與實際庫存的偏差大于10%，則認(rèn)為系統(tǒng)庫存不準(zhǔn)確。其中，系統(tǒng)庫存與實際庫存的偏差=|系統(tǒng)庫存-實際庫存|/系統(tǒng)庫存*100%

4.2 原因分析與指標(biāo)設(shè)計

如上所述，客戶系統(tǒng)數(shù)據(jù)不準(zhǔn)確，表面上是日常經(jīng)營過程中不掃碼、漏掃碼或多掃碼引起的。深入調(diào)研后，我們總結(jié)以下幾方面可能導(dǎo)致系統(tǒng)庫存不準(zhǔn)確的真實原因或表現(xiàn)特征，并設(shè)計相應(yīng)的分析指標(biāo)。

不同客戶有不同的原因和特征，在不同時間也可能有不同的原因和特征。

經(jīng)過上述原因分析，在充分了解源數(shù)據(jù)的基礎(chǔ)上，設(shè)計出合理的分析指標(biāo)，構(gòu)建用于訓(xùn)練樣本數(shù)據(jù)集。分析指標(biāo)的設(shè)計，要考慮到源數(shù)據(jù)真實、準(zhǔn)確且易得。本研究設(shè)計的分析指標(biāo)見下表。

表1.指標(biāo)設(shè)計

4.3 模型建立

4.3.1 模型簡介

本研究構(gòu)建的綜合預(yù)測模型解決的是預(yù)測類的問題，是從已知結(jié)果的數(shù)據(jù)挖掘提煉出隱藏在數(shù)據(jù)背后的規(guī)則或知識，對未知結(jié)果的數(shù)據(jù)應(yīng)用這些規(guī)則或知識可以有效地推測出可能出現(xiàn)的結(jié)果。對本研究來說，我們即是要從已經(jīng)知道庫存準(zhǔn)不準(zhǔn)確（即系統(tǒng)庫存與實際庫存是否一致）的樣本數(shù)據(jù)中提煉出某些規(guī)則或知識，并將之應(yīng)用于其它樣本數(shù)據(jù)，判斷這些樣本的庫存準(zhǔn)不準(zhǔn)確。

可見，預(yù)測模型的建立需要有已知結(jié)果的真實數(shù)據(jù)（即訓(xùn)練樣本）。為獲取真實樣本數(shù)據(jù)用以建模，來賓煙草公司于2022年4月組織安排客戶經(jīng)理每周對730個信采點進(jìn)行盤點庫存，記錄每個信采點的系統(tǒng)庫存和實際庫存，持續(xù)進(jìn)行4-5周，共收集2900條數(shù)據(jù)（含實際庫存）。去掉無效數(shù)據(jù)后得到2770條數(shù)據(jù)，這將作為訓(xùn)練樣本的數(shù)據(jù)基礎(chǔ)。

依據(jù)上述的目標(biāo)定義和分析指標(biāo)，計算得到每個訓(xùn)練樣本的目標(biāo)變量（Y）和分析指標(biāo)（X，即分析指標(biāo)x1、x2…xn的統(tǒng)稱）。建立預(yù)測模型，則是通過對訓(xùn)練樣本不斷學(xué)習(xí)、訓(xùn)練，最終確定出目標(biāo)變量Y和分析指標(biāo)X之間的關(guān)聯(lián)關(guān)系（可用公式f(X)→Y來表示）。那么，對于已知X但未知Y的樣本，就可以用f(X)→Y來計算出可能的Y（即Y的預(yù)測值，記為）。

應(yīng)業(yè)務(wù)要求，綜合預(yù)測模型將進(jìn)行每天預(yù)測，預(yù)測未來1天的庫存準(zhǔn)不準(zhǔn)確。

要做到提前預(yù)測，需要合理設(shè)計時間窗，即訓(xùn)練樣本中的目標(biāo)變量Y的時間粒度是一天，其日期應(yīng)在分析指標(biāo)X的日期之后的第二天。例如，如果訓(xùn)練樣本的目標(biāo)變量Y的日期是6月2日，那么分析指標(biāo)X所使用的數(shù)據(jù)則是5月31日及其之前的數(shù)據(jù)。

模型每天預(yù)測時，今天做預(yù)測，使用的是客戶昨天及其之前的數(shù)據(jù)，而預(yù)測的則是明天庫存準(zhǔn)不準(zhǔn)。這樣的話，客戶經(jīng)理就能在今天采取行動，提前預(yù)防明天可能發(fā)生的事情。

圖3.時間窗口設(shè)計

4.3.2算法介紹

本研究構(gòu)建的綜合預(yù)測模型采用深度學(xué)習(xí)中的TabNet算法，這是2020年Google 提出的一種用于處理表格數(shù)據(jù)的深度學(xué)習(xí)網(wǎng)絡(luò)模型。它通過類似于加性模型的順序注意力機(jī)制實現(xiàn)了特征選擇和自監(jiān)督學(xué)習(xí)，集合了DNN（深度神經(jīng)網(wǎng)絡(luò)）和決策樹的優(yōu)點，既有決策樹的優(yōu)點（可解釋性和稀疏特征選擇），又有DNN的優(yōu)點（表征學(xué)習(xí)和端對端訓(xùn)練）。

表格數(shù)據(jù)是日常用到最多的數(shù)據(jù)類型，即我們常說的結(jié)構(gòu)化數(shù)據(jù)，包含類別數(shù)據(jù)（或特征）和數(shù)值數(shù)據(jù)。TabNet使用原始的數(shù)值數(shù)據(jù)，并用可訓(xùn)練的embedding將類別特征映射為數(shù)值特征。TabNet不使用全局歸一化的特征，而是使用批正則化（BN）。TabNet采用序列化多步處理實現(xiàn)自上而下的注意力機(jī)制，每次決策輸入相同B×D的特征矩陣，BN后得到新的特征表示（仍為B×D），B是每次處理的數(shù)據(jù)量，D是特征維度。第i次決策的特征選擇由第i-1次所傳遞的信息決定，并對所選特征進(jìn)行處理，最后將所有結(jié)果進(jìn)行融合，根據(jù)任務(wù)類型連接相應(yīng)的激活函數(shù)輸出。

圖4.TabNet網(wǎng)絡(luò)結(jié)構(gòu)

下面對幾個重要部分進(jìn)行說明。

（1）Attentive transformer（注意力轉(zhuǎn)移器）——特征選擇

圖5. Attentive transformer

在注意力轉(zhuǎn)移器中產(chǎn)生的Mask（掩碼）矩陣的計算公式為：

M[i]=Sparsemax(P[i-1]·hi(a[i-1]))

其中，i代表當(dāng)前決策，a[i-1]是上一次決策中通過切分得到的特征信息B×Na，hi(·)代表FC+BN層。P[i-1]是先驗尺度項，公式為，表示特征在之前決策中的使用程度。其中，γ是稀疏正則項權(quán)重，用于對特征稀疏性添加約束，γ越小，則特征選擇越稀疏。

Sparsemax函數(shù)類似于Softmax函數(shù)，但Sparsemax可以得到更稀疏的結(jié)果(取值集中于0或1附近，中間取值狀態(tài)少)，因此M[i]值分布比較稀疏，集中在0或1附近，從而起到了特征選擇的目的。

Sparsemax對每個樣本b的每個特征j實現(xiàn)了權(quán)重的分配，并使每個樣本的所有特征的權(quán)重和為1，從而實現(xiàn)特征選擇[8]。

為了控制所選特征的稀疏性，引入一個稀疏正則項，公式如下：

其中，是個很小的數(shù)值，用來保證數(shù)值的穩(wěn)定性，Lsparse會以權(quán)重λsparse作為系數(shù)加入到最終損失函數(shù)中。加入此項是為了讓M[i]的分布盡量趨近于0或1。考慮到，正則項Lsparse反映的是M[i]的稀疏程度，Lsparse越小，M[i]越稀疏。

（2）Feature Transformer（特征轉(zhuǎn)換器）——特征處理

圖6.Feature Transformer

特征轉(zhuǎn)換器由兩部分組成，前半部分為參數(shù)共享層（在所有決策中參數(shù)共享），用于提取特征的共性，這種設(shè)計參數(shù)更新量少，學(xué)習(xí)更加魯棒；后半部分為參數(shù)獨立層（在每次決策中參數(shù)不共享），用于提取每次決策中的特征，參數(shù)獨立使得每次決策可能具有不同的特征處理能力，特征處理更加有效。兩部分均采用FC+BN+GLU的單元方式，其中FC為全連接層，BN為批正則化，GLU為x*sigmoid(x)。每個單元之間乘以進(jìn)行殘差連接，是為了防止模型方差發(fā)生劇烈變化，從而穩(wěn)定訓(xùn)練過程。

（3）TabNet模型的可解釋性

假設(shè)輸入樣本，維度為B×D，當(dāng)樣本b在第i次決策時，經(jīng)過特征轉(zhuǎn)換器得到維度B×D，然后切分得到1×Na、1×Nd，其中1×Nd記為db[i]，然后db[i]將經(jīng)過ReLU函數(shù)后求和得到，用如下公式來表示樣本b在第i次決策內(nèi)的貢獻(xiàn)：

其中，j為Nd中的一個維度。可以看出，當(dāng)db,j<0時對最終的輸出無貢獻(xiàn)。

樣本b在第i次決策中的貢獻(xiàn)值與其特征重要性矩陣Mb,j[i]相乘，然后將樣本b在每次決策的結(jié)果求和。當(dāng)越大，對模型的影響越顯著，可以作為在第i次決策中對特征重要性矩陣Mb,j[i]的加權(quán)，利用如下公式來定義樣本b的各個特征j的重要性：

然后將Magg-b,j按行進(jìn)行歸一化，即除以樣本b在所有特征的重要性之和，公式如下：

4.3.3 數(shù)據(jù)預(yù)處理

（1）預(yù)處理

由于樣本數(shù)據(jù)中可能還存在著噪音數(shù)據(jù)、無用數(shù)據(jù)、異常數(shù)據(jù)等問題，如果直接使用樣本數(shù)據(jù)，則必然會影響模型的訓(xùn)練質(zhì)量與預(yù)測精度。因此，訓(xùn)練模型之前需要進(jìn)行數(shù)據(jù)預(yù)處理。本模型的數(shù)據(jù)預(yù)處理工作包括缺失值填充、異常值處理、數(shù)據(jù)標(biāo)準(zhǔn)化以及離散變量處理。其中，缺失值填充主要使用眾數(shù)、均值或某個常數(shù)來替換缺失值，根據(jù)指標(biāo)不同而使用的值有所不同；異常值處理是針對數(shù)值型指標(biāo)進(jìn)行的，如掃碼條數(shù)，其值大于極大值（即Q3+k*IQR）則用極大值替換，小于極小值（即Q1-k*IQR）則用極小值替換，Q1、Q3分別為1/4、3/4分位數(shù)，IQR=Q3-Q1，這里k為3；數(shù)據(jù)標(biāo)準(zhǔn)化則通過TabNet算法內(nèi)置的特征正則化和局部歸一化來進(jìn)行；離散變量處理，則對銷售環(huán)境、經(jīng)營業(yè)態(tài)、銷售規(guī)模、品牌寬度、經(jīng)營人員數(shù)量、年齡、學(xué)歷等這些離散變量的值進(jìn)行編碼，對其值用1、2、3……等數(shù)字進(jìn)行轉(zhuǎn)換，編碼保持了值之間的次序或大小關(guān)系。

（2）數(shù)據(jù)增強(qiáng)

本模型的訓(xùn)練樣本少，只有2770條數(shù)據(jù)，且正樣本比例僅為6.5%，存在類別不均衡問題。一般情況下，如果類別不平衡比例超過4:1（即正樣本比例<10%），那么預(yù)測模型會大大地因為數(shù)據(jù)不平衡性而無法達(dá)到預(yù)測目的[2.4]，因此，需要處理這種類別不平衡問題。

訓(xùn)練樣本少也會帶來這樣的問題，即雖然有些指標(biāo)的一些值的正樣本比例很高，但這些值的數(shù)據(jù)量很少，并不足以支撐其在模型訓(xùn)練過程中發(fā)揮出重要的影響作用，極易被忽視。例如，訓(xùn)練樣本中，昨天掃碼條數(shù)為負(fù)數(shù)的樣本，僅有19條，正樣本比例高達(dá)78%，而昨天掃碼條數(shù)不為負(fù)數(shù)的樣本中包含正樣本的比例僅為6.0%，這表明，昨天掃碼條數(shù)為負(fù)數(shù)這一先驗條件對正樣本的預(yù)測區(qū)分能力很強(qiáng)。但是，由于數(shù)據(jù)量少，昨天掃碼條數(shù)為負(fù)數(shù)這一先驗條件被忽略了。

因此，我們采用數(shù)據(jù)增強(qiáng)的方法，適當(dāng)復(fù)制或擴(kuò)充某些指標(biāo)中正樣本比例很高的值的樣本數(shù)據(jù)，從而確保這些指標(biāo)能被模型有效地訓(xùn)練學(xué)習(xí)到。最終得到的訓(xùn)練樣本共3267條，正樣本比例為21.76%。

表1.具體指標(biāo)的樣本分布

4.3.4 模型訓(xùn)練

本研究主要使用Python進(jìn)行數(shù)據(jù)處理和建模分析，使用Pytorch_tabnet庫中的TabNetClassifier()來訓(xùn)練模型。

（1）拆分?jǐn)?shù)據(jù)集

為防止過擬合，我們將訓(xùn)練樣本拆分成兩個數(shù)據(jù)集，隨機(jī)抽取70%的數(shù)據(jù)作為訓(xùn)練集，用于訓(xùn)練模型參數(shù)；其余的30%作為測試集，用于驗證模型效果。

模型訓(xùn)練則是對訓(xùn)練集進(jìn)行訓(xùn)練學(xué)習(xí)，得到模型，并使用測試集數(shù)據(jù)進(jìn)行預(yù)測，然后利用訓(xùn)練集和測試集上的數(shù)據(jù)結(jié)果，計算出評估指標(biāo)，對預(yù)測效果進(jìn)行評估。如果經(jīng)過評估后，認(rèn)為模型效果理想，則將模型進(jìn)行部署起來，用于預(yù)測新的數(shù)據(jù)。如果模型效果不理想，則需要持續(xù)迭代優(yōu)化模型。整體流程如下：

圖7.模型訓(xùn)練

（2）變量選擇

本研究設(shè)計的分析指標(biāo)較多，指標(biāo)之間可能存在著很大相關(guān)性。我們也不知道各指標(biāo)對模型的影響程度如何。如果所有變量都用來訓(xùn)練模型，耗費較多時間，而且容易出現(xiàn)過擬合。因此，我們會預(yù)先從設(shè)計的指標(biāo)中篩選出較為顯著的指標(biāo)，進(jìn)入模型，降低特征維度，避免維度災(zāi)難。

指標(biāo)選擇最常用的方法有相關(guān)系數(shù)、主成分分析、直方圖、單變量回歸、變量聚類等。另外，如上所述，TabNet模型訓(xùn)練過程中也會進(jìn)行指標(biāo)選擇。

在本模型中，我們先根據(jù)指標(biāo)的統(tǒng)計分布情況，排除分布極為不均的指標(biāo)，其次根據(jù)指標(biāo)之間的相關(guān)系數(shù)，相關(guān)系數(shù)>0.6的兩個指標(biāo)，僅選擇其一，然后利用主成分分析法將多個原始指標(biāo)變換成少數(shù)綜合指標(biāo)（即主成分，多個原始指標(biāo)的線性組合），這些綜合指標(biāo)有9個，涉及21個原始指標(biāo)，累計方差貢獻(xiàn)率達(dá)到85%以上。

（3）訓(xùn)練學(xué)習(xí)

我們采用TabNetClassifier()來構(gòu)建TabNet模型，利用訓(xùn)練集進(jìn)行訓(xùn)練學(xué)習(xí)。模型采用Adam算法進(jìn)行迭代優(yōu)化，最多執(zhí)行100次迭代訓(xùn)練，直到損失函數(shù)最小。損失函數(shù)使用默認(rèn)的Cross-entropy損失函數(shù)。

TabNet模型參數(shù)設(shè)置如下：

圖8.TabNet模型實現(xiàn)代碼（部分）

如下圖所示，模型訓(xùn)練在第58次迭代時停止，而在第48次迭代時達(dá)到最優(yōu)，對正樣本的預(yù)測準(zhǔn)確率達(dá)到0.89301。

圖9.模型訓(xùn)練過程信息

4.3.5 模型評估

（1）總體預(yù)測準(zhǔn)確率

我們將概率>0.5判斷為正樣本（即1），概率<0.5為負(fù)樣本（即0），分別統(tǒng)計實際0、1被分別預(yù)測為0、1的樣本數(shù)各多少，如下表2、3所示，本模型在訓(xùn)練集、測試集上的總體預(yù)測準(zhǔn)確率比較接近，分別為87.8%、85.4%。

表2.混淆矩陣（訓(xùn)練集）

表3.混淆矩陣（測試集）

備注：0-負(fù)樣本（即庫存準(zhǔn)確），1-正樣本（即庫存不準(zhǔn)確）

（2）正樣本的預(yù)測區(qū)分能力

根據(jù)概率由高到低對樣本進(jìn)行排序，等量分為20個箱（每箱樣本數(shù)相等），第一個箱概率最高，最后一個箱概率最低。對第i個箱來說，

累計命中率=前i個箱的正樣本數(shù)/前i個箱的樣本總數(shù)，表示模型給出概率最高前i個箱的樣本，實際“命中”多少比例的正樣本；

累計提升率=前i個箱的正樣本比例/總體正樣本比例，表示模型給出概率最高前i個箱的正樣本比例是從總體隨機(jī)抽取的正樣本比例的多少倍，即使用模型比不使用模型要“好”多少；

累計召回率=前i個箱的正樣本數(shù)/總體正樣本數(shù)，表示模型給出概率最高前i個箱的樣本實際“召回”多少正樣本，占全部正樣本的多少。

訓(xùn)練集和測試集每個箱的評估指標(biāo)結(jié)果如下所示，在前幾個箱上，訓(xùn)練集的累計命中率、累計提升率、累計召回率均略高于測試集，說明模型在訓(xùn)練集上的表現(xiàn)略優(yōu)于測試集，存在一定的過擬合，但模型在測試集上的表現(xiàn)良好，預(yù)測效果總體上較為理想，可以接受。

表4.模型預(yù)測效果

如下圖所示，訓(xùn)練集和測試集的累計命中率、累計提升率曲線均隨著箱號遞增（或概率遞減）而單調(diào)下降，累計召回率曲線則隨著箱號遞增而單調(diào)上升。

概率排名前10%（即箱0-1）的命中率均在70%以上，提升率在3.3以上。這說明模型給出概率前10%的名單中將有七成以上的樣本系統(tǒng)庫存確實不準(zhǔn)確。如果從總體中隨機(jī)抽取同樣多的名單，僅有兩成左右的樣本系統(tǒng)庫存不準(zhǔn)確。

概率排名前30%（即箱0-1）的召回率在80%以上。如果希望跟進(jìn)的名單能覆蓋到80%系統(tǒng)庫存不準(zhǔn)確的客戶，則僅需要對總體30%的客戶進(jìn)行跟進(jìn)，而不使用模型，則需要對總體80%的客戶進(jìn)行跟進(jìn)才達(dá)到同樣的效果。因此，使用本模型可有效提升工作效率。

圖8.評估指標(biāo)曲線圖

（3）模型指標(biāo)

模型最終選擇了21個指標(biāo)，各指標(biāo)對模型的重要性如下圖所示。

從中看出，掃碼條數(shù)是否負(fù)數(shù)、整體或0，對模型的影響很大。一旦客戶的掃碼條數(shù)為負(fù)數(shù)、整數(shù)或0，模型很可能認(rèn)為該客戶系統(tǒng)庫存不準(zhǔn)確，這也與此前業(yè)務(wù)經(jīng)驗判斷較為一致，符合預(yù)期。

掃碼時段數(shù)、掃碼集中度、掃碼時段是否達(dá)8時段這三個指標(biāo)，重要性排名靠前，說明客戶集中掃碼，容易發(fā)生少掃或漏掃，從而導(dǎo)致系統(tǒng)庫存不準(zhǔn)確。

掃碼條數(shù)近3日離均差率，反映客戶的經(jīng)營波動情況，如果客戶出現(xiàn)較大的波動，也有可能是系統(tǒng)庫存不準(zhǔn)確。

近3次購進(jìn)條數(shù)與掃碼條數(shù)之比、近7次購進(jìn)條數(shù)與掃碼條數(shù)之比、昨天庫存與近30天日均掃碼條數(shù)之比等指標(biāo)，即購銷比、存銷比如果異常，也有可能被模型預(yù)判為系統(tǒng)庫存不準(zhǔn)確。

另外，檔位、經(jīng)營業(yè)態(tài)、銷售規(guī)模等偏靜態(tài)指標(biāo)，對模型也有一定的影響。

總體上看，模型最終選擇的指標(biāo)及重要性，與上述提到的業(yè)務(wù)原因或表現(xiàn)特征頗為吻合，符合預(yù)期。

表5.模型指標(biāo)及重要性

4.4 模型應(yīng)用

模型訓(xùn)練好了之后，可以將模型部署起來，實現(xiàn)每日自動預(yù)測，預(yù)測客戶明天的系統(tǒng)庫存不準(zhǔn)確的概率，并將概率>0.5的客戶標(biāo)記為風(fēng)險客戶，即系統(tǒng)庫存不準(zhǔn)確的客戶。

表6. 模型預(yù)測結(jié)果（示例）

針對模型提供的風(fēng)險客戶名單來開展客戶維護(hù)工作，重點跟進(jìn)和維護(hù)名單中的客戶，可以讓工作更加聚焦，提高工作效率。通過將模型預(yù)測結(jié)果在合山局（營銷部）測試使用，分4個周期對預(yù)測概率大于0.5的5戶客戶現(xiàn)場核查系統(tǒng)與實物庫存偏差情況，有18戶次總量、單品規(guī)格準(zhǔn)確率低于90%，預(yù)測準(zhǔn)確率達(dá)到90%。

針對每個客戶，除預(yù)測概率外，模型還給出了各個指標(biāo)影響預(yù)測概率的重要性排名。這將幫助客戶經(jīng)理進(jìn)一步深入了解客戶系統(tǒng)不準(zhǔn)確的可能原因，采取合適的跟進(jìn)措施，讓工作更加有針對性，有的放矢。

由于業(yè)務(wù)場景、商業(yè)環(huán)境、客戶自身等多種因素會隨著時間的推移而發(fā)生變化，業(yè)務(wù)數(shù)據(jù)及其特征也會相應(yīng)地發(fā)生變化，繼續(xù)沿用原來的模型，必然會出現(xiàn)預(yù)測越來越不準(zhǔn)確的情況。因此，模型不是一成不變的，可視情況而定，重新訓(xùn)練模型，實現(xiàn)動態(tài)優(yōu)化或調(diào)整模型及其參數(shù)，以保證良好的模型預(yù)測效果。

5 業(yè)務(wù)應(yīng)用

有了“異常預(yù)警”、“綜合預(yù)測”兩大內(nèi)核驅(qū)動器之后，本研究也在此基礎(chǔ)上配置了相關(guān)的應(yīng)用功能，打造出數(shù)字化產(chǎn)品——信采點監(jiān)測，使之真正有效賦能于營銷部門的信息采集質(zhì)量監(jiān)管工作。

本研究所開發(fā)的信采點監(jiān)測系統(tǒng)，內(nèi)嵌在企業(yè)微信中，以企業(yè)微信為載體和渠道，將監(jiān)測數(shù)據(jù)開發(fā)給內(nèi)部各級人員，“隨時隨地看數(shù)”，不同層級的人員擁有不同的數(shù)據(jù)權(quán)限。除了監(jiān)測數(shù)據(jù)展現(xiàn)，信采點監(jiān)測系統(tǒng)還提供消息推送、線上反饋等功能，目的是為了加快推動營銷部門建設(shè)關(guān)于信息采集監(jiān)管工作的閉環(huán)流程。

（1）零售客戶

在零售客戶側(cè)，信采點監(jiān)測系統(tǒng)可以助力建立“監(jiān)測-提醒-處置-反饋”的閉環(huán)流程機(jī)制。系統(tǒng)對每個零售客戶定時監(jiān)測，一旦發(fā)生預(yù)警或被預(yù)測高風(fēng)險，則通過企業(yè)微信窗口向客戶發(fā)送消息，提醒客戶核查數(shù)據(jù)，當(dāng)客戶核查完畢后，可在消息頁面填寫核查情況，完成線上反饋。

（2）客戶經(jīng)理

對客戶經(jīng)理來說，信采點監(jiān)測系統(tǒng)可以助力建立“監(jiān)測-提醒-跟進(jìn)-處置-反饋”的閉環(huán)流程機(jī)制。系統(tǒng)對每個零售客戶定時監(jiān)測，并通過企業(yè)微信窗口向客戶經(jīng)理發(fā)送監(jiān)測統(tǒng)計信息，客戶經(jīng)理被動接受并及時關(guān)注，登錄系統(tǒng)了解相關(guān)情況，確定跟進(jìn)措施，然后通過微信、電話、實地走訪等方式接觸客戶，了解實際情況，并進(jìn)行處置，督促客戶改進(jìn)，最后在系統(tǒng)中填寫跟進(jìn)情況，完成線上反饋。

（3）管理層

零售客戶、客戶經(jīng)理兩側(cè)的閉環(huán)流程機(jī)制需要持續(xù)長期的建設(shè)。對管理人員來說，最關(guān)心的應(yīng)該是閉環(huán)流程機(jī)制所帶來的持續(xù)變化，應(yīng)該是在此基礎(chǔ)上信息采集監(jiān)管工作效率的提高以及信息采集數(shù)據(jù)質(zhì)量的提升。

因此，信采點監(jiān)測系統(tǒng)還整合了反饋數(shù)據(jù)和監(jiān)測數(shù)據(jù)，進(jìn)行反饋統(tǒng)計分析，向各級人員展現(xiàn)客戶跟進(jìn)工作的開展情況以及客戶改進(jìn)情況。具體說來，包括以下幾方面：

?各級營銷部、客戶經(jīng)理每天、每周、每月是否及時對預(yù)警客戶或風(fēng)險客戶進(jìn)行跟進(jìn)/干預(yù)；

?發(fā)生預(yù)警或預(yù)測高風(fēng)險的客戶，有哪些沒有及時跟進(jìn)或反饋；

?哪些客戶持續(xù)多天發(fā)生預(yù)警或預(yù)測高風(fēng)險，但沒有任何跟進(jìn)或反饋；

?哪些客戶持續(xù)多天發(fā)生預(yù)警或預(yù)測高風(fēng)險，跟進(jìn)或反饋之后仍然發(fā)生預(yù)警或預(yù)測高風(fēng)險，情況沒有得到改善。

當(dāng)然，也可以將客戶經(jīng)理或零售客戶的反饋情況（是否及時反饋、反饋內(nèi)容是否準(zhǔn)確、詳盡等，反饋后情況是否改善）納入對客戶經(jīng)理的業(yè)績考核之中，納入對零售客戶的監(jiān)管指標(biāo)之中。

6、總結(jié)

本研究針對零售客戶信息采集數(shù)據(jù)準(zhǔn)確性問題深入探討與分析，提出了自己的解決方案，構(gòu)建了“異常預(yù)警”、“綜合預(yù)測”兩大核心驅(qū)動器，實現(xiàn)了對零售客戶信息采集數(shù)據(jù)質(zhì)量的每日監(jiān)測。“異常預(yù)警”模型做法簡單，易于被業(yè)務(wù)人員所理解和應(yīng)用。但“異常預(yù)警”模型依據(jù)業(yè)務(wù)經(jīng)驗和感知而建立，描述的只是簡單、線性的關(guān)聯(lián)關(guān)系，有很多深層、復(fù)雜的特征沒有被描述出來。

“綜合預(yù)測”模型是“異常預(yù)警”模型的有效補(bǔ)充，運用前言的深度學(xué)習(xí)算法，建立系統(tǒng)庫存準(zhǔn)確性模型，具有一定的應(yīng)用創(chuàng)新性和先進(jìn)性。模型從訓(xùn)練數(shù)據(jù)中提煉出更為復(fù)雜、全面的關(guān)聯(lián)關(guān)系，利用這種關(guān)系，可以根據(jù)零售客戶近期經(jīng)營表現(xiàn)來更為準(zhǔn)確地預(yù)測未來系統(tǒng)庫存不準(zhǔn)確的概率。

本研究在應(yīng)用上也將兩大模型進(jìn)行了融合，發(fā)生異預(yù)警的客戶可以通過預(yù)測概率進(jìn)行排名，可以根據(jù)排名先后進(jìn)行合理配置資源來安排跟進(jìn)/干預(yù)。對于未發(fā)生預(yù)警但預(yù)測概率高的客戶，也可以深挖其真實原因和特征，進(jìn)一步完善預(yù)警指標(biāo)體系建設(shè)。當(dāng)然，也支持客戶經(jīng)理對預(yù)測概率高的客戶進(jìn)行提前跟進(jìn)/干預(yù)。

在借鑒學(xué)習(xí)同業(yè)做法的基礎(chǔ)上，庫存準(zhǔn)確性模型主要在以下方面進(jìn)行優(yōu)化與創(chuàng)新：

（1）分析樣本的真實性與數(shù)據(jù)量較大程度上決定著能否開發(fā)出有效且可落地應(yīng)用的模型。本研究通過組織客戶經(jīng)理深入業(yè)務(wù)一線記錄零售客戶的實際庫存，累計獲取2900條樣本數(shù)據(jù)，有效保證了樣本數(shù)據(jù)的真實性，為后續(xù)建模分析提供了可靠的數(shù)據(jù)來源；

未來客戶經(jīng)理在客戶盤庫時，也可在信采點監(jiān)測系統(tǒng)記錄下客戶的實際庫存，方便快捷，這樣可以積累越來越多的真實樣本，模型也會越來越精準(zhǔn)。

（2）分析指標(biāo)的豐富性、有效性也在一定程度影響模型的有效性以及預(yù)測效果的優(yōu)劣。本研究在前期進(jìn)行了詳細(xì)的調(diào)研，深入分析可能引起系統(tǒng)庫存不準(zhǔn)確的原因和特征，根據(jù)已有數(shù)據(jù)設(shè)計出有效、合理、可行的分析指標(biāo)，多達(dá)150個，盡可能涵蓋所有可能的業(yè)務(wù)場景；

（3）分析算法的選擇也會直接影響著模型的預(yù)測效果以及結(jié)果的可解釋性。本研究引入了深度學(xué)習(xí)中用于分析表格數(shù)據(jù)的TabNet算法，建立庫存準(zhǔn)確性模型，具有一定的應(yīng)用創(chuàng)新性。基于TabNet算法的庫存準(zhǔn)確性模型，既有決策樹的優(yōu)點(可解釋性和稀疏特征選擇)，又繼承了深度學(xué)習(xí)網(wǎng)絡(luò)的優(yōu)點 (表征學(xué)習(xí)和端對端訓(xùn)練)，可以更深入挖掘出指標(biāo)之間復(fù)雜的影響關(guān)系（而不是簡單的線性關(guān)系），從而得到更優(yōu)的預(yù)測效果，預(yù)測準(zhǔn)確率達(dá)85%以上。同時，模型給出了每個指標(biāo)對模型的重要性，并且在預(yù)測每個客戶系統(tǒng)庫存不準(zhǔn)確的概率時，也給出了每個指標(biāo)對預(yù)測該客戶的概率的重要性，這讓模型具有可解釋性，也讓模型結(jié)果落地應(yīng)用更有針對性，業(yè)務(wù)可操作空間更大。

為使模型監(jiān)測數(shù)更好地應(yīng)用于業(yè)務(wù)，賦能業(yè)務(wù)，本研究專門開發(fā)了數(shù)字化產(chǎn)品——信采點監(jiān)測。信采點監(jiān)測系統(tǒng)內(nèi)嵌于企業(yè)微信中，以企業(yè)微信為載體和渠道，除監(jiān)測數(shù)據(jù)展現(xiàn)外，還配置了消息推送、跟進(jìn)/反饋等應(yīng)用功能，推動建設(shè)面向零售客戶和客戶經(jīng)理的閉環(huán)流程機(jī)制，“讓數(shù)據(jù)多跑路”，讓客戶經(jīng)理的工作變得高效。

為了讓各級人員更好地對零售客戶和客戶經(jīng)理的工作進(jìn)行監(jiān)管，信采點監(jiān)測系統(tǒng)還將監(jiān)測數(shù)據(jù)和反饋數(shù)據(jù)結(jié)合起來，統(tǒng)計并展現(xiàn)各級營銷部門、客戶經(jīng)理和零售客戶的反饋和改進(jìn)情況。

參考文獻(xiàn)

1. 期刊等連續(xù)出版物類的析出文獻(xiàn)：

[1]李向龍,楊貴福,劉淑霞,高遠(yuǎn)博,段曉睿,夏一鳴. 基于置信區(qū)間進(jìn)行零售客戶店鋪管理系統(tǒng)機(jī)異常檢測算法的設(shè)計[J]. 電腦與信息技術(shù),第29卷第2期, 2021.4.

2. 書籍、學(xué)位論文、標(biāo)準(zhǔn)、文集匯編等專著類文獻(xiàn)：

[1]祖浩,潘知恒. 淺論如何提升現(xiàn)代零售終端數(shù)據(jù)采集準(zhǔn)確率[J]. 廣西煙草2015年年會論文集.

[2]馬杰. 淺析提高農(nóng)村零售終端“進(jìn)銷存”系統(tǒng)實時掃碼準(zhǔn)確率[J]. 寧夏煙草學(xué)會2016年學(xué)術(shù)年會.

[3]黃敏之,莫小莎,藍(lán)志翔. 基于樸素貝葉斯分類算法的卷煙零售終端信息系統(tǒng)數(shù)據(jù)準(zhǔn)確率預(yù)測[J]. 廣西煙草學(xué)會2020年優(yōu)秀論文集.

[4]周志華.機(jī)器學(xué)習(xí)[M].北京:清華大學(xué)出版社,2016-26,66.

[5]Arik, S.O.,&Pfister,T.(2019). Tabnet: Attentive interpretable tabular learning.arXiv preprint arXiv:1908.07442.

?[6]Martins,A.,&Astudillo,R.(2016,June).From softmax to sparsemax: A sparse model of attention and multi-label classification.In International Conference on Machine Learning (pp.1614-1623). PMLR.

3. 網(wǎng)絡(luò)文章等電子資源文獻(xiàn)：

[1]段易通.《數(shù)據(jù)挖掘競賽利器—TabNet模型淺析》[Z].知乎文章.

[2]百分點大數(shù)據(jù)團(tuán)隊.《百分點數(shù)據(jù)科學(xué)實驗室：煙草行業(yè)市場信息采集數(shù)據(jù)質(zhì)量評估體系研究探索》. InfoQ寫作平臺, 2021.6.11.