“總量控制、稍緊平衡，增速合理、貴在持續(xù)”是煙草行業(yè)實(shí)現(xiàn)平穩(wěn)可持續(xù)發(fā)展的基本遵循。從2024年天津地區(qū)“元春”的銷售情況來(lái)看，高端、高價(jià)位卷煙仍然面臨嚴(yán)峻的態(tài)勢(shì)，部分市場(chǎng)表現(xiàn)不佳的品牌持續(xù)在低位徘徊，需求端結(jié)構(gòu)性矛盾更加突出，部分客戶因此出現(xiàn)了焦慮情緒和觀望心態(tài)。因此，企業(yè)亟須構(gòu)建智能化的市場(chǎng)狀態(tài)評(píng)估體系，提高對(duì)市場(chǎng)狀態(tài)研判的精準(zhǔn)度，以改善需求預(yù)測(cè)和貨源投放工作，促進(jìn)自身實(shí)現(xiàn)可持續(xù)、高質(zhì)量發(fā)展。

影響當(dāng)前市場(chǎng)狀態(tài)評(píng)估質(zhì)量的主要因素

終端數(shù)據(jù)應(yīng)用率低。當(dāng)前天津地區(qū)“津誠(chéng)”云POS（銷售終端）使用客戶1.23萬(wàn)戶，可以作為采集數(shù)據(jù)樣本。但是，因?yàn)閿?shù)據(jù)資源的交互性差，導(dǎo)致這些數(shù)據(jù)并沒(méi)有得到有效應(yīng)用，最終出現(xiàn)了“信息封鎖”和“信息隔離”的現(xiàn)象。

數(shù)據(jù)評(píng)估缺乏智能化工具和算法。近年來(lái)，行業(yè)始終把建立健全市場(chǎng)狀態(tài)監(jiān)測(cè)與調(diào)控機(jī)制、提升市場(chǎng)狀態(tài)調(diào)控水平放在重要位置，也相繼出臺(tái)了一系列有關(guān)樣本管理的標(biāo)準(zhǔn)化文件和管理辦法，但始終缺乏較為科學(xué)的智能化預(yù)測(cè)分析工具和模型算法。當(dāng)前，在行業(yè)經(jīng)濟(jì)運(yùn)行過(guò)程中，數(shù)據(jù)的采集、分析和應(yīng)用應(yīng)該是一個(gè)連續(xù)的小循環(huán)。然而，現(xiàn)狀卻是這些環(huán)節(jié)之間的聯(lián)系相對(duì)較弱，狀態(tài)較為割裂。

基于LSTM的多層神經(jīng)網(wǎng)絡(luò)模型

如何預(yù)測(cè)卷煙市場(chǎng)狀態(tài)

隨著ChatGPT爆火出圈，AI（人工智能）屢次登上熱搜榜。深度學(xué)習(xí)是人工智能最受歡迎和最有影響力的子領(lǐng)域之一，其主要原理是通過(guò)構(gòu)建復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，自動(dòng)從海量數(shù)據(jù)中挖掘有效特征，以完成各種復(fù)雜的任務(wù)，主要有卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetworks）和遞歸神經(jīng)網(wǎng)絡(luò)（RecursiveNeuralNetworks）幾種分類。

由于卷煙市場(chǎng)的狀態(tài)具有復(fù)雜性和非線性特性，傳統(tǒng)的預(yù)測(cè)方法往往無(wú)法有效應(yīng)對(duì)，于是我們采用LSTM（長(zhǎng)短期記憶）神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)卷煙市場(chǎng)的狀態(tài)。LSTM模型，作為一種先進(jìn)的人工智能模型，主要依托循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）建立，它能夠?qū)W習(xí)并記憶長(zhǎng)期的依賴關(guān)系，因此在經(jīng)濟(jì)預(yù)測(cè)和商業(yè)預(yù)測(cè)中得到了廣泛應(yīng)用。LSTM模型內(nèi)部的每個(gè)單元都裝有三個(gè)門(mén)函數(shù)，即輸入門(mén)、遺忘門(mén)和輸出門(mén)。通過(guò)這三扇門(mén)的協(xié)同作用，LSTM能夠評(píng)估當(dāng)前的信息是否具備價(jià)值，而后會(huì)將有價(jià)值的信息保留，將無(wú)價(jià)值的信息丟棄。在模型中輸入天津地區(qū)2020—2023年的卷煙市場(chǎng)歷史狀態(tài)數(shù)據(jù)，具體包括社會(huì)庫(kù)存、零售價(jià)格和訂單數(shù)據(jù)等，隨后會(huì)輸出預(yù)測(cè)市場(chǎng)狀態(tài)的指標(biāo)。因此，特征抽取被視為構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的核心步驟。它主要由以下兩部分組成：

專家特征抽取部分。專家特征抽取是指使用傳統(tǒng)的數(shù)據(jù)分析方法預(yù)測(cè)卷煙的銷售量，這些方法主要依賴兩種信息，即宏觀經(jīng)濟(jì)數(shù)據(jù)和節(jié)假日信息。宏觀經(jīng)濟(jì)數(shù)據(jù)，是指從官方統(tǒng)計(jì)網(wǎng)站上獲取的數(shù)據(jù)。節(jié)假日信息，包括一年中各種節(jié)假日的具體情況，這些節(jié)日可能會(huì)影響人們的購(gòu)買行為。比如，在春節(jié)期間，人們可能會(huì)購(gòu)買更多的卷煙作為禮物或是自己使用。然而，傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法在處理這些信息時(shí)會(huì)存在一些問(wèn)題。例如，它們通常會(huì)將一年中的不同季節(jié)轉(zhuǎn)化為0和1的變量，但這種方法描述季節(jié)性波動(dòng)的能力較弱，也無(wú)法根據(jù)同期數(shù)據(jù)進(jìn)行調(diào)整。更重要的是，傳統(tǒng)方法無(wú)法處理節(jié)假日日期的變化。比如，春節(jié)的日期每年都會(huì)變，傳統(tǒng)的0和1變量無(wú)法隨著時(shí)間的變化進(jìn)行調(diào)整。因此，我們讓模型使用同期數(shù)據(jù)來(lái)表示節(jié)假日信息的波動(dòng)，這樣就可以更好地捕捉節(jié)假日對(duì)卷煙銷售的影響。

機(jī)器特征抽取部分。主要通過(guò)應(yīng)用LSTM深度神經(jīng)網(wǎng)絡(luò)，從銷售數(shù)據(jù)中提取時(shí)間序列特征。每次輸入最近8周的歷史銷售數(shù)據(jù)，通過(guò)LSTM處理并輸出兩個(gè)時(shí)間序列特征值。隨后，將整個(gè)LSTM網(wǎng)絡(luò)結(jié)構(gòu)視為反向傳播（BP）神經(jīng)網(wǎng)絡(luò)中的兩個(gè)神經(jīng)元，然后將這兩個(gè)時(shí)間序列特征值輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)一步的計(jì)算和推導(dǎo)。其中，會(huì)使用一個(gè)滑動(dòng)窗口策略構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本。具體來(lái)說(shuō)，將每8周作為一個(gè)周期，并以1周為單位滑動(dòng)，從歷史數(shù)據(jù)中選擇連續(xù)8周的機(jī)器抽取和專家抽取的特征作為一個(gè)訓(xùn)練子集。這些特征被輸入到神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行計(jì)算，計(jì)算出的誤差會(huì)被反饋到模型中以調(diào)整神經(jīng)元的權(quán)重。然后，將下一個(gè)滑動(dòng)窗口（即第2至9周）的特征作為一個(gè)新的訓(xùn)練子集，繼續(xù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和調(diào)整。這個(gè)過(guò)程一直持續(xù)到所有的樣本都經(jīng)過(guò)模型訓(xùn)練，可以有效解決訓(xùn)練樣本數(shù)量不足的問(wèn)題，提高了模型的穩(wěn)定性和預(yù)測(cè)精度。在預(yù)測(cè)階段，只需要基于最近8周的歷史數(shù)據(jù)計(jì)算機(jī)器和專家抽取的特征，將這些特征輸入到神經(jīng)網(wǎng)絡(luò)模型中，模型的輸出就是下一周的卷煙市場(chǎng)狀態(tài)預(yù)測(cè)值。最后，針對(duì)每個(gè)卷煙品牌或品規(guī)分別訓(xùn)練模型，從而能夠預(yù)測(cè)出品牌或品規(guī)的卷煙市場(chǎng)狀態(tài)。

多層神經(jīng)網(wǎng)絡(luò)模型的主要應(yīng)用方向

分層分類調(diào)控。一是總量調(diào)控，通過(guò)設(shè)定預(yù)排供應(yīng)量來(lái)評(píng)估和調(diào)整卷煙市場(chǎng)狀態(tài)，以確保其能維持平衡。二是區(qū)域調(diào)控，即實(shí)時(shí)監(jiān)測(cè)各分公司和有限公司的狀態(tài)，預(yù)測(cè)其卷煙市場(chǎng)狀態(tài)，并據(jù)此調(diào)整貨源投放。三是品牌規(guī)格調(diào)控，通過(guò)精準(zhǔn)預(yù)測(cè)品牌狀態(tài)并根據(jù)區(qū)域進(jìn)行精準(zhǔn)投放，調(diào)控可以細(xì)化到具體的業(yè)態(tài)和客戶類別。

指導(dǎo)貨源銜接。為了保持市場(chǎng)狀態(tài)處于稍緊平衡狀態(tài)區(qū)間，需要設(shè)定合理的目標(biāo)狀態(tài)值，預(yù)測(cè)下一輪次或下一月的貨源預(yù)排量，并結(jié)合全市需求預(yù)測(cè)計(jì)劃，統(tǒng)籌安排貨源供應(yīng)，同時(shí)與工業(yè)企業(yè)做好貨源銜接。

精準(zhǔn)貨源投放。通過(guò)監(jiān)測(cè)特定品牌和品規(guī)的市場(chǎng)情況，并使用模型預(yù)測(cè)其目標(biāo)狀態(tài)值，進(jìn)而提前預(yù)估銷售量，從而進(jìn)行精準(zhǔn)貨源投放。

隨著人工智能技術(shù)的快速發(fā)展，LSTM多層神經(jīng)網(wǎng)絡(luò)將進(jìn)一步幫助煙草企業(yè)掌握市場(chǎng)動(dòng)態(tài)，推動(dòng)其從依賴經(jīng)驗(yàn)進(jìn)行決策轉(zhuǎn)向以數(shù)據(jù)驅(qū)動(dòng)決策，這對(duì)于推動(dòng)行業(yè)的高質(zhì)量發(fā)展具有重大價(jià)值。未來(lái)，煙草企業(yè)擴(kuò)大數(shù)據(jù)資源體系，并加強(qiáng)與地方統(tǒng)計(jì)、金融、通信等部門(mén)的合作，可以強(qiáng)化數(shù)據(jù)驅(qū)動(dòng)營(yíng)銷的能力，提升運(yùn)營(yíng)管理效率和效果。