基于品类管理和需求外生模型的医药电商网页空间优化策略

李建斌，郑宇婷，戴 宾

(1.华中科技大学管理学院，湖北 武汉 430074；2.武汉大学经济与管理学院，湖北 武汉 430072)

1 引言

医药电子商务(Medicine E-commerce)，是指医疗机构、医药生产商、代理商、经销商、分销商、医药公司、医药信息提供商、第三方机构等以盈利为目的，以互联网及移动互联网为基础所进行的药品、保健品、器械等商品交易的各种商务活动：包括B2B和B2C电子商务，即以医疗和医药相关商品为核心的线上批发和零售业务[1]。本文将从事这些业务的线上电子商务平台，简称为医药电商，比如：1药网、九州通医药网、康爱多网上药店等均属于此类平台。根据2015年医药电商行业报告[2]，2014年医药电商的市场规模已达到68亿元，同时预计在2018年销售额将达到657亿元。值得一提的是，从2011年开始，医药电商的增长率平均超过97%，而近十年医药零售市场规模的增长率都在10%以下[3]。说明医药电商所扮演角色的戏份正逐渐加重，而本文的研究也具有重要的市场前景。除去一些跟政策有关的因素，医药电商也面临着如何通过网页空间优化吸引消费者，提高销售额，扩大市场覆盖面的问题。

近年来，针对电商平台的网页空间优化问题已经引起学术界和企业界的关注，王芳等[4]分析了电子商务企业关键成功因素，归纳出了7个特征维度，同时发现适当的营销策略、高水平的服务、以及专业化的网页设计与产品展示是其中最重要的3个维度；黎志成等[5]也将网页设计列入了影响消费者网上购买行为的因素中。

刘珊珊[6]将网页布局当作是一种平面设计，认为网页布局优化的目的在于如何在有限的空间内向受众最大限度的传达信息；何丽萍[7]从网页中的视觉信息入手，重点讨论并研究了如何提高视觉信息传递效率从而提高消费者参与度；杨莉莉[8]则以用户体验为导向，重点研究了网站页面设计对网站转化率的影响，即有多少用户行为转化为了如交易、收藏、咨询、二次访问等有效行为；林欢[9]探讨了图片优势在网页设计中的重要性。

除了以上从设计学和心理学角度分析网页空间优化问题的文献以外，Ghose等[10]从消费者行为学的角度来研究搜索引擎的点击率和商品排列的关系；章璇等[11]指出网页是电子商务交易双方与商品接触的直接媒介，并从研究消费者行为学的角度，探讨了网页特性对消费者购买行为的影响；常亚平等[12]对网页进行了细化，研究了在线店铺的设计对于消费者购买意愿的影响。

将品类管理应用于网站设计有李远和陈梅梅等人，陈梅梅等[13]将Logit模型用于网络购买决策，从而为电商的商品引入和网站设计提供了指导，以提高电商销量；李远[14]利用了MNL模型(Multinomial Logit model)分析电商的产品组选择问题，构建在线评论影响商家产品选择的模型，从而指导电商进行品类管理。本文将利用品类管理的方法，对电商的网页空间进行优化，以达到提高销量的目的。

Guadagni等[15]在1983年提出的MNL模型是一种应用于传统品类管理中的基于效用的消费者选择模型。但是，在实际应用中MNL模型受到了很大的制约，即该模型所计算概率仅与效用项差值有关，而与效用值自身大小无关。而产生不足的根本原因是Logit模型在推导中假定了效用随机项是独立分布的，但在现实中存在着影响各选择项效用的共同因素，组成效用项的某个因素发生变化，会引发多种市场份额的变化[16]。由于医药品的品牌集中度较高，例如乙肝抗病毒药品恩替卡韦片，大多数生产恩替卡韦片的品牌仅生产一种规格，即0.5mg*7片。在该品类下，不同产品的区别仅仅为品牌的差异性。所以在这种情况下，Logit模型中关于独立同分布的随机项假设变得不可容忍。同时，由于网页空间的有限性，医药电商往往只能在专栏首页推送有限的药品种类，由于药品之间具有很强的替代效应，因此由于药品缺货导致的药品之间的蚕食效应比较显著，而Logit模型不能刻画蚕食效应。因此，本文将采用由Smith等[17]在2000年首先提出的需求外生模型，直接研究每件产品的需求量和当顾客的需求不能够被满足时的顾客行为。需求外生模型比MNL模型有着更高的自由度，同时允许将尽量多的市场变量引入选择模型中，可以更准确的测量商品间的蚕食效应。

本文的工作主要有以下几点：首先，基于需求外生模型估计了商品市场份额及商品间替代率；然后提出了最大市场份额指标并构建了一个加权最大市场份额最大化的整数规划模型来优化医药电商网页的内容与内容布局；最后，通过对中国知名医药电商的销售数据进行实证，结果表明，本模型可以有效地指导管理人员进行首页推送内容选择及排序。

2 问题描述与假设

考虑到医药品拥有与一般日用品的树形属性分布不同的爪形属性分布，该模型并不会过多的增加参数估计的难度。树形属性分布示意图如图1所示，爪型属性分布示意图如图2所示。

图1 普通日化品的树形属性分布

图2 医药品的爪形属性分布

2.1 变量阐述

同其他日化用品的品类优化一样，医药产品的品类优化目标也是零售商的利益最大化。与Fisher等[18]不同的是，本文中估计需求及替代率的目的并非用以决策新产品的引入，而是作为网页优化模型的外生变量。本文的网页优化模型改进来自Yang等[19]，由于原模型的优化对象为货架，所以为了适用于网页对其做一定的修改。

为了便于阅读，本文涉及到的相关参数的符号说明如表1所示。

零售商的品类S中有n个SKU，定义πii=1，且当第i个SKU无法替代第j个SKU时，替代率πji允许等于0。

当采用上述变量时，零售商的收益如下所示：

表1 参数符号及含义

R(S)=∑i∈{1,…,n|xi=1}piDi+

(1)

上式中的第一项代表来自于第一选择没有缺货的顾客的收益，第二项代表第一选择缺货的顾客的替代收益。

2.2 问题假设

与普通日化品不同，医药产品的品牌极度集中化，例如乙肝抗病毒药品博路定恩替卡韦片，在博路定这个品牌下，仅有这一种疗效的药品，且仅生产0.5mg*7片这一种规格。所以本文研究的医药品SKU的属性分布并不是树形，而是类似一种爪型的结构。

同样，线上销售方式和线下零售方式也有很显著的区别。当我们讨论到品类管理的时候，线下零售商必须考虑货架空间，管理成本等等问题。但是对于线上销售来说，货架空间不再成为主要问题，一个电商理论上可以拥有一个无限大的品类。当然，一个过大的品类对于电商来说也会有一定负面影响，本文不在此方面多加研究。

同时经过对具体案例的分析，发现医药产品的价格较为稳定，在采集的三个月样本里，价格浮动均不超过0.5%。

基于上述现状，相关假设条件如下：

假设1：线上零售商不存在潜在收益很大的未引入SKU，故本文仅考虑架上商品和缺货商品之间的蚕食效应。

假设2：由于研究范围内的价格波动小于0.5%，所以不考虑价格波动对市场份额和替代率的影响。

本文基于以上三点假设进行模型设计及实例应用。

3 研究模型与方法

基于需求外生模型的网页空间优化首先使用极大似然估计法结合需求外生模型计算市场份额以及架上商品和缺货商品的替代率，量化蚕食效应。然后将市场份额和替代率作为网页优化模型的外生变量，最后得出最优排序，达到使电商销量增加的目的。

该思路近年来应用于考虑了品类管理的货架管理相关文献，如首先将品类管理和货架管理两类优化统一进行研究的Hübner等[25]在2012年将品类优化结果——产品的基础需求以及空间弹性作为货架空间优化的输入，而在2017年Hübner等[26]又在货架空间优化模型的目标函数中，使用品类优化结果——某一数量的产品所带来的收益作为外生变量。

3.1 需求与替代率估计模型

Fi(S)=fi+∑j∈{1,…,n|xj=0}fjπji(j,S)

(2)

另外，定义F(S)=∑i∈{1,…,n|xi=1}Fi(S)表示一个顾客在当前的品类内发生了消费行为的概率。通过观测历史销售量si来估计极大似然函数L(f,π)，其中使用了经典的多项分布，其具体函数如下所示：

(3)

MaxlnL(f,π)=∑i∈{1,…,n|xi=1}silnFi(S)-(∑i∈{1,…,n|xi=1}si)·lnF(S)

(4)

s.t. ∑i∈{1,…,n|xi=1}fi+∑j∈{1,…,n|xj=0}fj=1

(5)

fi∈{0,1},∀i

(6)

fj∈{0,1},∀j

(7)

πji(j,S)∈{0,1},∀i,j

(8)

由于极大似然函数未必是一个凸函数，所以特殊数值优化方法不一定适用于所有情况。为了解决这个问题，本文让优化算法在几个随机起始点开始运算，这样可以很大程度的保证整体收敛，而不是得出一个局部最大的结果。Mahajan等[21]也使用了相似的方法用以计算库存优化问题。

在使用极大似然估计方法后，可以得出第i个SKU的市场份额fi以及替代率πij。通过替代率πij来衡量商品间的蚕食效应，并且将这些数据作为下一节中医药电商网页空间优化模型的外生变量。

3.2 医药电商网页空间优化模型

传统线下零售商将货架展示作为销售的主要工具和一种促销手段，同时，货架作为重要且有限的资源，成为供应商们争夺的焦点。同样，在电商来看，网页上的推送信息也是和货架一样的重要且有限的资源。

主货架、主通道展台被誉为超市中的黄金位置，是顾客经过频率最高的货架[22]。而一个电商网站的首页就类似于实体零售商的黄金货位，是各个供应商关注的焦点，同时也是电商战略决策的重点。

传统对实体货架管理的研究中认为同一货架的不同货位是同质的，而不同于实体货架，电商网页具有空间异质性。Johnson等[23]说明了超过90%的网页浏览者只会浏览搜索结果的前两页，Ghose等[10]也研究了搜索引擎中产品推荐顺序对消费者行为的影响。本文在电商网页空间优化的目标函数中考虑了感知异质性，以cλ刻画首页不同位置为浏览者带来的不同感知效用。

由于电商的网页展示位不像实体店那样存在展示数量的问题，所以只需考虑展示位置对电商效用的影响。此模型解决的是如何决策n个SKU中的哪λ个将被网页展示才能使电商的效用最大。

一个一维的电商网页如图3所示，其中每个方块都代表一个可以展示某个SKU的位置，其吸引力权重cλ从1到zm递减(cm>cm+1)。

图3 医药电商网页内容布局图例

定义第i个SKU的最大市场份额为Si=fi+∑j≠ifjπji(j,S)，其经济意义为：当除了第i个SKU以外的所有SKU都缺货时，第i个SKU所能占有的市场份额。此时对于消费者来说只有两个选择，即购买第i个SKU或者不发生购买行为。

这样的定义充分的考虑了商品间的蚕食效应，并且依据上一节中估计的替代率，可以很好的量化蚕食效应。

该线性规划模型如下所示，目标函数代表电商效用最大化，约束(10)表示每个位置上只能展示一个SKU，约束(11)表示每个SKU最多选择一个展示位置，也可以不被推送。

(9)

(10)

(11)

yiλ∈{0,1},∀i,λ

(12)

上述模型较为简单，直接使用背包问题中的贪婪算法即可解决，具体运算逻辑如下：

步骤1：输入每个SKU的市场份额和各SKU间的替代率；

步骤2：计算每个SKU的最大市场份额；

步骤3：按最大市场份额将未标记商品从大至小进行排序，将最大的商品分配给吸引力权重最大的未标记位置，并标记该商品及该位置。

步骤4：判断是否所有位置被分配给相应的商品，如果否则返回步骤3，如果是则分配结束。

由于电商的商品种类繁多，首页位置一定少于商品种类，所以仅需考虑首页位置是否分配完毕。

4 基于医药电商的实证研究

本文选取数据来自于广东1号大药房连锁有限公司属下的中国网上药店领导企业1药网。2015年第四药B2C企业的首位。2015年进入8月后，1药网连续三个月销售额破亿，数季度蝉联中国B2C医药电商行业销售冠军。据了解，1药网销售额从2014年的2.7亿增长至2015年近10亿[3]。

1药网先后与拜耳、辉瑞、杜蕾斯、诺华、惠氏、强生、养生堂、同仁堂、云南白药、海昌等国内外数百家知名医药健康产品厂商合作，为消费者提供《互联网药品交易许可证》允许交易范围内的万余种医药健康产品，涵盖了市面上常见的中西药、营养保健品、医疗器械、成人保健品、隐形眼镜、美容护理、孕婴用品、参茸细品等多个品类。根据新华网的相关报道，2015年8月1药网的单月销售额(含自营及第三方渠道在内)已突破亿元大关。根据第三方行业数据统计显示，1药网在医药电商8月销售排行榜上名列第一。而截止至2015年8月，其销售额也已近4倍于2014年同期数据。从流量数据来看，1药网自营渠道网站流量超过1200万，月均独立访问人数(MAU)已近千万。

对于乙型肝炎病毒引起的肝脏疾病，1药网在首页为其开辟了专门一个专题，说明了1药网对该专题的重视。在此专题内，1药网简要介绍了乙肝的传染途径、临床表现、治疗目标等，并且向消费者推荐了六个与治疗乙肝相关的药品专栏，分别为：抗病毒——恩替卡韦、抗病毒——阿德福韦酯、其他抗病药物、免疫调节药物、保肝护肝药物、肝纤维肝硬化药物。

本文选取1药网在2015年8月1日至2015年10月31日这91天关于乙肝疾病中西药品的销售数据作为样本，用于验证§3中提出的模型。在这三个月中，1药网的销售额将近2.6亿元，在医药自营平台中遥遥领先。且该种药品在这三个月内价格较为稳定，上下浮动不超过0.5%，这也意味着这三个月内该药品的需求也较为稳定。同时该药品的交易额较大，足以进行需求外生模型的参数估计。

首先，由于恩替卡韦和阿德福韦酯这两种药品的品牌集中度过高，也就是说商品间的替代效应不明显。所以我们先针对乙肝药物中的除恩替卡韦和阿德福韦酯以外的抗病药物：素比伏 替比夫定片 600mg*7片；贺普丁 拉米夫定片 100mg*14片；韦瑞德 富马酸替诺福韦二吡呋酯片 300mg*30片；天丁 马来酸恩替卡韦片 0.5mg*7片；康忻 富马酸比索洛尔片 5mg*10片；启维 富马酸喹硫平片 100mg*30片；健甘灵 拉米夫定片 0.1g*14片这7种SKU进行分析。

根据1药网工作人员提供的信息，当前1药网的专栏推送基本上没有统一的思路，要么是凭借经验，要么是想特意提高某种产品的销量。接下来笔者将依据§3中的方法对7个SKU进行选择，考虑了每个SKU的市场份额和互相间的蚕食效应，科学地挑选其中5个SKU进行专栏推送。

将每日总销量当做分母，7个SKU在8-10月共91天中每日的销量比率如图4所示。

图4 各SKU每日销售数量比率

第一步，对91天数据进行预处理。首先计算出每个SKU的平均值和标准差，然后使用3σ法则剔除异常数据。3σ准则又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除[24]。

平均值和标准差如表2所示，同时需要指出15、21、23、26、49、54、70这七天的销售数据有异常，从图4可以看出，这几天的数据要么出现负数，要么高于平均值三倍标准差，故剔除这七天的数据。

表2 样本数据特征描述

第二步，先假设第j个SKU缺货，使用剩余数据推出第j个SKU在缺货时，第一选择是第j个SKU的客户退而选择第i个SKU的概率πji(j,S)。在本例中，输入数据s1=3358，s2=1175，s3=93，s4=599，s5=2185，s6=1115，s7=690，计算出的7个SKU间的替代率如表3所示。可以看出假设SKU1缺货，那么会有65%想要购买SKU1的顾客会选择购买SKU5，也就是说另外35%的顾客将选择不购买任何产品。

表3 其他抗病药专栏下7个SKU间的替代关系

第三步，当确定了替代关系后，将数据代入公式(4)到(8)以得到每个SKU的估计市场份额。本例中，七个SKU的估计市场份额及实际销量得到的购买比例如表4所示。可以看出，考虑到蚕食效应之后的估计市场份额与实际中的销售比例有一定的差异，这也 体现了蚕食效应对品类管理的巨大影响。Fisher等[18]曾提出销售数据并不是真正的需求，需求会被品类选择，缺货信息，替代率等因素所扭曲。说明不论是在线上还是线下，为零售商决策商品引进时，应当慎重考虑蚕食效应对市场份额的影响。

本文估计的市场份额和三个月内实际销售比例有一定偏差，但正是这偏差让我们了解到网页优化和蚕食效应对市场份额的影响。

表4 七个SKU的估计市场份额及实际销售量比例

第四步，将第一步与第二步所得的fi及πji计算出最大市场份额Si(i=1,2,…,7)，其结果如表5所示。

表5 基于需求外生模型的SKU最大市场份额估计

第五步，将上述数据代入公式(9)至(11)，得出应该按SKU1、SKU5、SKU7、SKU2、SKU3这一顺序对这5个SKU进行专栏推送。

第六步，与当前的专栏推送顺序SKU3、SKU4、SKU2、SKU1、SKU对比，理论上1药网这三个月内这7个SKU的总销量将提高8.06%。

经过对其他专栏推送的品类计算，发现除去极个别品类以外，大部分专栏推送如果使用本文中的方法进行网页优化都会给1药网带来从1.27%到27.21%不等的销量提高，如表6所示。

表6 医药电商多个专栏销量提升比率

其中最后一栏的进口新型抗癫痫药物属于癫痫专题下的推送专栏，乙肝专题下的其他专栏有些由于品牌过于集中化导致替代率很低，蚕食效应不明显；有些优化后结果与实际推送内容一致，这也说明了经验和理论之间的重叠。

除此之外，我们也为电商的首页推荐数目进行了优化。还是以乙肝药物中的除恩替卡韦和阿德福韦酯以外的抗病药物为例，研究电商首页推荐药品数目对于平台获取收益的影响。此处使用了公式(1)以及表3和表4中的相关数据，结论见图5。

图5 首页推荐SKU数目对平台获得收益的影响

从图5中可以看出，对于乙肝药物中的除恩替卡韦和阿德福韦酯以外的抗病药物来说，医药电商仅需要在首页上推荐三种药品即可以获得达99.02%的收益，推荐顺序为SKU1、SKU5、SKU7。

5 结语

传统的研究电商网页空间优化的文献，大多从消费者心理学或设计学等方面入手。本文从品类管理入手研究网页空间优化对电商销售量的影响，同时考虑了医药品的特性，没有使用传统品类管理中的MNL模型，而是使用需求外生模型，并基于需求外生模型估计了商品市场份额及商品间替代率。

本文提出了最大市场份额指标并构建了一个加权最大市场份额最大化的整数规划模型来优化医药电商网页的内容与内容布局。

最后，本文通过对中国知名医药电商1药网2015年8月1日到10月31日的销售数据进行实证分析，研究结果表明：(1)其他抗病药物专栏经过改变推送内容和顺序后，销量可以提高8.06%；(2)经过对所有品类的重新排序，1药网各个专栏的销量都可以获得一定的提高，最高可以提高27.21%；(3)通过对替代率的估计，可以量化商品间的蚕食效应；(4)本文从需求外生模型中引入了最大市场份额这个概念，并用其加权值刻画网页空间布局对于商品销量的影响。因此，本文所设计的的模型，适用于医药电商平台，可以帮助医药电商优化网页空间，增加销售额，从而提高市场占有率。

需要指出的是，当前研究仅考虑了从每种商品的市场份额和替代率来优化网页空间布局和内容，而现实中往往还要考虑定价和库存的影响。因此，未来研究可以将商品定价和库存因素作为电商网页空间优化的后续研究问题。

参考文献：

[1] 冯芷艳，郭迅华，曾大军，等. 大数据背景下商务管理研究若干前沿课题[J]. 管理科学学报，2013，16(1)：1-9.

[2] Kouvelis P，Xiao Yixuan，Yang Nan. PBM competition in pharmaceutical supply chain: Formulary design and drug pricing[J]. Manufacturing & Service Operations Management，2015，17(4)：511-526.

[3] 易观千帆. 中国医药电商市场专题研究报告2016[EB/OL] . [2016-07-08]. http://www.analysys.cn/ view/report/detail.html?columnId=8&articleId=1000155.

[4] 王芳，叶作亮，杨亦行. 在线零售商运营的关键成功因素实证研究[J]. 中国管理科学，2014，22(11)：409-414.

[5] 黎志成，刘枚莲. 电子商务环境下的消费者行为研究[J]. 中国管理科学，2002，10(6)：88-91.

[6] 刘珊珊. 关于网站页面布局的最新方法研究[J]. 信息与电脑，2011,(2)：77-77.

[7] 何丽萍. 基于网页设计的视觉信息传达有效性的研究[D]. 杭州：浙江大学，2006.

[8] 杨莉莉. 以用户体验为导向的电商购物网站界面设计研究[D]. 上海：华东理工大学，2013.

[9] 林欢. 图片优势效应在网页设计中的研究与应用[D]. 长沙：湖南大学，2014.

[10] Ghose A, Ipeirotis P G, Li Beibei. Examining the impact of ranking on consumer behavior and search engine revenue[J]. Management Science，2014，60(7)：1632-1654.

[11] 章璇，景奉杰. 基于消费者购买行为的电子商务网站特性研究综述[J]. 电子商务，2012,56(4)：136-142，130.

[12] 常亚平，韩丹，姚慧平，等. 在线店铺设计对消费者购买意愿的影响研究[J]. 管理学报，2011，8(6)：876-884.

[13] 陈梅梅,侯晶. 基于商品品类的网络购买决策关键影响因素研究[J]. 上海管理科学，2014，36(4)：78-84.

[14] 李远. 考虑网评的电商产品组选择问题研究[D]. 成都：西南财经大学，2014.

[15] Guadagni P M，Little J D C. A logit model of brand choice calibrated on scanner data[J]. Marketing Science，1983，2(3)：203-238.

[16] Gaur H. Assortment planning and inventory decisions under a locational choice model[J]. Management Science，2006，52(10)：1528-1543.

[17] Smith S A，Agrawal N. Management of multi-item retail inventory systems with demand substitution[J]. Operations Research，2000，48(1)：50-64.

[18] Fisher M，Vaidyanathan R. A demand estimation procedure for retail assortment optimization with results from implementations[J]. Management Science，2014，60(10)：2401-2415.

[19] Yang M H. An efficient algorithm to allocate shelf space[J]. European Journal of Operational Research，2001，131(1)：107-118.

[20] Kök A G，Fisher M L. Demand estimation and assortment optimization under substitution：Methodology and application[J]. Operations Research，2007，55(6)：1001-1021.

[21] Mahajan S，van Ryzin G. Stocking retail assortments under dynamic consumer substitution[J]. Operations Research，2001，49(3)：334-351.

[22] 赵菊. 供应链环境下的货架展示与库存控制优化模型研究[D]. 合肥：合肥工业大学，2011.

[23] Johnson E J, Moe W W, Foder P S, et al. On the depth and dynamics of online search behavior[J]. Management Science，2004，50(3)：299-308.

[24] 程砚秋，迟国泰. 基于核主成分分析的生态评价模型及其应用研究[J]. 中国管理科学，2011，19(3)：182-192.

[25] Hübner A H, Kuhn H. Retail category management: State-of-the-art review of quantitative research and software applications in assortment and shelf space management[J]. Omega, 2012, 40(2):199-209.

[26] Hübner A, Schaol K. An integrated assortment and shelf-space optimization model with demand substitution and space-elasticity effects[J]. European Journal of Operational Research, 2017, 261(1)：302-316.