内容摘要：随着消费者购物体验需求逐步提升，传统零售模式的不足逐渐显露出来。新零售模式试图通过整合线下、线上渠道及其它资源，给消费者带来新的体验价值，是零售业未来的发展方向。而新零售的价值能否充分发挥，关键在于其背后是否具有合理、高效的供应链网络进行支撑以及供应链资源配置和利用的效果如何。因此，本文在对消费者购物体验需求类型进行深入分析的基础上，探究了新零售供应链资源整合的关键因素，构建相应的数学优化模型并研究了求解算法，最后通过算例验证了优化过程的可行性与有效性。
　　关键词：新零售 购物体验需求类型 供应链资源整合 优化模型
　　引言
　　随着科学技术的发展以及人均可支配收入的不断提高，消费者逐渐偏好于品质化、便利化、体验式的购物过程，传统的电子商务渠道及实体零售渠道均难以满足日益增长的消费者购物体验需求。当前，以互联网为依托，通过运用大数据、人工智能等先进技术，对商品的生产、流通与销售过程进行升级改造，并对线上服务、线下体验及现代物流进行深度融合的零售新模式的出现，为消费者购物体验价值的提升带来了新的契机，如图1所示。新零售通过数据提供商和数据运营商的整合来分析消费者购物的相关数据，对消费者实行精准化营销，更好满足消费者需求；而且新零售通过对物流、电子商务平台以及实体零售店的整合，给消费者提供了更好的物流服务。以盒马鲜生为例，消费者可以通过网上App下单也可以到店选购，通过网上选购商品的消费者在30分钟内便能收到所选商品，极大地缩短了收货时间。可见，新零售不仅整合了线上线下资源，而且借助大数据及人工智能等新技术手段，更好地满足消费者的购物体验需求。新零售模式下消费者购物示意图如图2所示。
　　如何更好地将新零售模式的优势发挥出来，就需要通过供应链网络来支撑。无论是精准营销还是极速送达，新零售模式下的供应链网络均需要具有灵活性、快速响应等特征。因此，为了提升新零售模式下供应链的灵活性和快速响应性，这就需要改善新零售供应链网络中资源个体（协作成员）自身的服务质量、增进资源个体之间的协调、更好地整合供应链网络。但是，相比于传统线下或线上渠道，新零售模式下的供应链网络涉及的成员更多，如电子商务平台、零售实体、第三方物流、各类支付平台等，如何更好地协调这些资源个体的关系、整合供应链资源、提高供应链网络的灵活性和快速响应性显得更为复杂。
　　如果不能及时、有效的对供应链网络进行协调，必然会使新零售的体验价值大打折扣。例如，数据运营商具有数据分析的能力和手段，但缺乏相应的数据；电商及零售实体具有大量客户信息，但无法进行数据分析。只有协调，才能满足客户个性化需要。与此同时，数据运营商与零售实体在利益、目标上存在或多或少的不一致，导致二者无法有效的协调，进而无法满足消费者个性化的购物体验需求，购物体验价值也就大打折扣。因此，如何有效地对新零售模式下的供应链资源进行整合、协调与监控，在满足消费者购物体验需求的前提下实现整个供应链网络的收益最大化，是目前需要解决的一个问题。
　　尽管目前围绕供应链资源整合的研究得到了学者的重视，但有关供应链资源整合问题的研究仍主要针对生产型企业，如不确定环境下供应链资源整合问题、资源整合有关的供应链库存控制问题等，而针对新零售模式下的服务型企业的供应链资源整合研究则相对较少。因此，本文在对消费者购物体验需求类型进行深入分析的基础上，探究了新零售供应链资源整合的关键因素，并以此入手对新零售模式下的供应链资源整合问题进行研究。在上述基础上，本文還构建了相应的数学优化模型并研究了求解算法，最后通过算例验证了优化过程的可行性与有效性。
　　消费者购物体验需求类型
　　（一）购物体验过程的划分
　　面向新零售供应链的资源整合优化的核心目的，是为了更好地满足消费者个性化的购物体验需求。因此，明确消费者在购物时有什么样的体验需求显得十分重要，只有在充分了解消费者不同体验需求的前提下，才能有针对性地对新零售模式下的供应链网络资源进行整合。消费者的需求类型多种多样，对其进行合理的划分是必要的。
　　处于不同的购物阶段，消费者的购物体验需求类型不同。在此，本文对购物过程进行划分，将消费者的购物过程划分为三个阶段，即购物前阶段、购物交互阶段以及购物后阶段。
　　购物前阶段是为购物交互阶段准备的，关系到消费者选择什么样的购物方式或者地点等。在整个购物过程中，消费者首先会产生需要（比如买一只牙膏），消费者在头脑中会对牙膏的品牌、效能等进行考虑，参考以往的购物体验，如对购物方式（超市、便利店、网购）进行选择，做出能满足其购物体验需求的决策。购物交互阶段是在消费者进行一系列决策后的实施阶段，消费者的购物过程也是供应链上的各资源个体通过不同方式为消费者提供服务的过程（如支付方式、个性化服务等）。在购物后阶段，以“售后服务模式”为例，假设消费者购买的产品未能满足消费者需求或发生故障等，则需要退货，退货也可分为“退货上门取货”、“实体店退货”等多种退货方式，满足不同类型消费者的购物体验需求。
　　（二）消费者购物体验需求类型
　　以上将整个购物过程划分为三个阶段，在每个阶段消费者都有不同的购物体验需求。各阶段的需求类型分析如表1所示。
　　在购物前阶段，影响消费者购物体验需求类型的因素会有很多，比如购物方式、门店品牌等。在不同因素的影响下，都会产生不同的需求类型。以购物方式为例，假设某办公人员想要买一瓶饮料，办公区有无人售货机及超市两种购物方式可供选择，办公人士会根据自己的需要，选择不同的购物方式，如久坐需要活动将选择超市或事情太多未完成需要便利将选择无人售货机。
　　在购物交互阶段，影响消费者购物体验需求类型的因素也不胜枚举，比如购物过程的氛围、支付方式等。以“支付方式”的不同为例，假设分为偏好现金支付的消费者与偏好移动客户端支付的消费者两种，现金收款可以更好地满足那些偏好现金的消费者服务，增加移动客户端收款可以满足消费者付款方式多样化的需求。 
在购物后阶段，影响消费者购物体验的因素主要体现在售后服务方面。例如，消费者购买产品出现损坏时，消费者会依据自己的需求选择合适的售后服务方式，如邮寄、送至门店或者商家上门取货。
　　通过上述分析可知，消费者在不同的购物阶段有不同的购物体验需求。新零售只有满足消费者的多种购物体验需求，才能提高消费者的购物体验价值。但需要指出的是，消费者的购物过程是一个有机统一的整体，各阶段的购物体验需求不能被孤立对待，只有从系统的角度把握，才能有效地对新零售模式下的供应链网络资源进行有效的整合。
　　整合决策过程中的关键因素挖掘
　　面向新零售供应链的资源整合优化是在满足消费者体验需求的基础上，提升资源个体的质量、增强供应链网络的协调，达到供应链网络资源优化配置的目的。相比于传统的线下或线上渠道，新零售模式下的供应链网络涉及的成员较多、分布也更加广泛。要实现新零售供应链资源的有效整合，需要对新零售供应链网络资源进行深层次挖掘以及合理的评判选取。因此，确定选取哪些因素来进行把握是必须的。
　　据前文分析，在不同的购物阶段，消费者有不同的购物体验需求，不同的服务模式在满足这些需求上的功能和作用是不同的。以购物后阶段的售后服务方式为例，类型1（退货上门取货）、类型2（实体店退货）等都是围绕售后服务模式展开的， 在对售后服务方式进行整合时，需要从被整合对象的若干特征进行评判和选择（如信誉、运营能力、信息化程度、技术水平等特征）。由于消费者购物体验需求类型决定了新零售企业如何满足消费者的购物体验需求、如何提升消费者在购物过程中的体验价值，因此，可以通过探究消费者在各个购物阶段的不同购物体验需求类型来挖掘供应链资源个体的考评因素。基于上述的分析，本文构建关系表2。表2中的fnh表示资源个体特征的选择系数，如果选择该特征作为关键因素，则fnh=1，否则fnh=0；ɑnh为消费者购物体验需求类型同供应链资源个体特征之间的相关关系，整合时ɑnh可以根据实际情况进行赋值（0≤ɑnh≤1）。
　　表2中各购物体验需求类型的权重wnh表示消费者对该需求类型所对应的服务模式的重视程度。例如，在未来一段时期内，消费者对退货上门取货业务的需求较大，则新零售企业应重视售后服务模式中的“退货上门取货”，并赋予其较大的权重数值。对消费者购物体验需求类型的服务模式，可以根据表2所示关系挖掘出其对应的关键因素。挖掘关键因素的步骤如下：
　　首先，根据表2，计算出供应链网络中各资源个体不同特征的重要程度Inh，则具体计算公式为：
　　其次，确定关键因素的选取规则。筛选规则可以通过判断某一重要程度的值是否大于某一数值作为关键因素的选取标准，如以Inh≥0.6为选取标准。
　　最后，确定整合关键因素集合。针对表1中购物体验需求类型进行上述操作，可得供应链资源整合的关键因素集合，其计算公式为：
　　需要注意的是，供应链网络中资源个体的运营特征之间具有相关性。因此，在对资源个体进行整合时，需要考虑为改善资源个体某一关键因素运作水平而投入的改善成本也可能对资源个体其它关键因素产生一定的影響。
　　整合优化模型
　　继消费者购物体验需求类型的分析以及整合决策过程中关键因素的把握后，需对整个供应链网络进行优化并建立相应模型。但需要注意的是，资源个体的各项特征不可能全部符合整合主体的要求。因此，只有通过整合并改造供应链网络中的资源个体，才能达到供应链网络整体运作水平提升的目的。
　　模型参数与变量定义。设各需求类型i（i=1，2，…，n）可供整合的资源个体的数量为Pil，每个资源个体的索引为pil（l=1，2，…，L）；β（pil）为选择变量，β（pil）=1则表示资源个体pil被选中，β（pil）=0则表示未被选中；设资源整合后，整合主体对关键因素Kiy（m），l的期望运作水平为F（Kiy（m），l）（i=1，2，…，n；m=1，2，…，M；l=1，2，…，L）；设整合主体对资源个体pil关键因素改善的期望的投入时间为T（Kiy（m），l）；设为改善pil的关键因素Kiy（m），l所投入的整合成本为C（Kiy（m），l），整合后关键因素Kiy（m），l达到的运作水平为F*（Kiy（m），l）；设整合后资源个体pil为消费者需求类型i所能提供的服务质量为Q（pil），而该类服务所需要的质量标准为Q*（pil）；设整合后资源个体pil为消费者需求类型i提供的服务能力为A（pil），而该类服务所需要的最小服务能力为A*（pil）；设整合资源个体pil的关键因素Kiy（m），l起始时间为Tsta（Kiy（m），l），终止时间为Tend（Kiy（m），l）。关键因素改善的期望时间长度为T（Kiy（m），l）。对关键因素整合时长的最大容忍性为：T*（Kiy（m），l）= T（Kiy（m），l）-（Tend（Kiy（m），l）- Tsta（Kiy（m），l））
　　模型中，式（3）和（4）为优化目标，分别表示整合成本最小化和整合时间最小化。式（5）-（7）为约束条件，分别表示对整合后的运作水平、资源个体服务质量、服务能力的约束。
　　算法设计与算例
　　由于上述优化模型为多目标优化问题，选择合适的算法进行求解显得尤为重要。蚁群算法是一种新型启发式优化算法，是在研究求解旅行商问题（TSP）的过程中提出的。蚁群算法具有良好的性能，如快速得到全局近似最优解、可以求解随机动态问题等，并且蚁群算法在求解多种组合优化问题中得到了广泛的应用，如动态调度、二次分配、路由等。将该算法应用到上述目标的优化中非常合适，但在对上述目标的优化过程中，需要对算法进行相应的设计和改进，具体操作可以参考姚建明（2011、2012）。
　　例如，某新零售企业在售后服务方面一直以消费者实体店退货方式为主，随着消费者对购物体验需求的提高，为了给消费者提供多样化的售后服务类型，决定在未来一段时间内推出退货上门取货等业务，通过消费者购物体验需求类型与供应链资源个体特征之间的相关关系调查分析，得出表3所示关系表，通过建立关键因素选取规则，最终挖掘出7个关键因素。以下通过对第三方合作商的资源整合决策为例进行讨论。
　　通过市场调研，初选了基本符合整合要求的可以整合的7家合作商。各合作商的整合运行参数如表3所示，表3中的数据已经做了标准化处理，表中的数字表示重要程度。为便于计算及说明，本文以售后服务需求类型中的上门安装和退货上门取货为例，对资源个体的运行参数进行了标准化的处理，具体如表4所示。以上门安装和退货上门取货为例，本文运用MATLAB对上述数据进行仿真。讨论及仿真结果如下：
　　针对上门安装业务的资源整合。由图3可知，所有蚂蚁选择SUP12。由表4可见，SUP12在整合成本方面具有明显优势，尽管其资源有效的时限误差相比SUP13大，但多目标之间的权衡后，蚂蚁仍选择SUP12。针对退货上门取货业务的资源整合。如图4所示，蚂蚁选择了SUP31，但选择SUP32的数量呈先升后降的趋势，这是因为起初该个体较优越的时限性误差吸引着大量的蚂蚁，随着运算的推进，结合整合成本及时限性误差的综合计算，呈下降趋势。
　　参考文献：
　　1.石奇，尹敬东，吕磷.消费升级对中国产业结构的影响[J].产业经济研究，2009（6）
　　2.杜睿云，蒋侃.新零售：内涵、发展动因与关键问题[J].价格理论与实践，2017（2）
　　3.徐印州，林梨奎.新零售的产生与演进[J].商业经济研究，2017（15）
　　4.赵树梅，徐晓红.“新零售”的含义、模式及发展路径[J].中国流通经济，2017，31（5）
　　5.马良，项培军.蚂蚁算法在组合优化中的应用[J].管理科学学报，2001，4（2）
　　6.姚建明.引入整合风险的4PL模式下供应链资源整合优化[J].管理学报，2011，8（8）
　　7.姚建明.复杂动态供应链计划调度中的协作成员选择决策[J].运筹与管理，2012，21（3） 



本文链接：http://www.hxqikanlw.com/nongyelunwen/20181019436.html