基于BP神经网络的跨境电商买手平台选品模型构建

朱君然，王保鲁

(1.伦敦艺术大学 伦敦时装学院，英国伦敦 WC1V7EY； 2.北京服装学院 服装艺术与工程学院，北京 100029)

随着国民经济与互联网技术的发展，近年来我国跨境电商行业发展愈发迅猛。根据易观Analysys发布数据显示，2021年中国跨境进口零售电商交易规模预计将达到4 943.7亿元人民币，且市场规模还会进一步扩大[1]。在众多跨境电商模式中，买手平台(自营型B2C模式)通过直接参与到货源组织、商品选择、物流仓储及销售过程，降低了消费者选择成本，提升了消费者信任度，得到消费者的青睐。但同时，该模式下资金占用程度较高，要求企业能准确感知消费者需求，需要平台买手具备较高的选品能力，以提升动销率，保证平台的健康运转[2]。目前平台买手更多依赖个人经验和传统数据处理方式进行选品工作，买手往往会因为个人主观判断出现偏差而未做出利益最大化的选择。

面对这一问题，现有研究多通过分析影响跨境电商平台选品的诸多因素，以给出指导平台选品的合理化建议，如采用技术选品法、试错选品法和市场选品法等[3-4]，但现有研究多从定性分析角度给出选品建议，缺少经量化分析后的选品模型，选品准确率难以验证。

在前人研究的基础上，本文结合实际案例对跨境电商买手平台选品过程及相关影响因素进行研究，通过量化分析选择最优影响因素组合并加以验证。目前，人工智能技术开始应用于人类生活的方方面面，时尚零售业也开始探索运用人工智能和大数据技术改变传统运营方式，帮助企业实现更加精准的市场预测与款式开发等。本文运用人工智能算法(BP神经网络)，寻找能够输出最佳预测结果的因素组合，从而构建一套可以帮助平台买手降低个人主观判断偏差、提高选品准确率的选品模型，实现对商品选择的准确预测。

1 影响买手选品因素分析

专业买手对服饰类产品采买的根本目的是为企业获得利润，所以选品过程中不可仅仅依赖个人审美进行选择，需要综合完善的评判标准以及一定的选品逻辑[5]。研究得知，产品的面料材质、款式造型、色彩花纹、设计元素、价格等会影响消费者购买决策，当地自然环境与社会环境也会影响服饰类产品销售[6-8]。另外，买手平台自身销售与库存数据，如销售收入、毛利率、库存等，也是买手需要着重管理和参考的重要指标[9]。

根据对国内某跨境奢侈品电商B2C端选品运营部主管与专员及国内某小型跨境奢侈品零售企业合伙人开展专家访谈可知，影响跨境电商买手平台选品决策的因素普遍包含面料、款式、颜色、价格等商品自身因素，季节气候等自然环境因素，政治文化等社会环境因素，以及平台销售数据、供应商条件等。综合以上内容，得出5大类共计15项影响跨境电商买手平台选品的关键因素，如表1所示。

表1 影响选品因素

2 BP神经网络

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络。作为一种机器学习方式，BP神经网络通过学习输入与输出值之间的非简单线性映射关系，不断修正网络权值和阀值，最终使误差信号最小，逼近任意复杂的非线性输出值，并以此构建输入值与输出值之间的神经网络模型[10]。

在纺织服装领域，利用BP神经网络可以帮助实现服装号型归档与推荐、服装款式与图像分类识别、服装库存管理与销售预测等。如曾祥鹤等[11]利用BP神经网络建立由净体尺寸输入自动生成成衣尺寸预测模型，以提高服装打板效率；罗戎蕾等[12]将流行趋势、季节气候变化、产品价格等作为输入量，采用神经网络构建销售预测模型。

在本文中，将影响买手选品的相关因素作为输入量，产品是否可以成功销售(即买手平台是否选择该产品)作为输出量，通过BP神经网络，来构建输入量与输出量间的网络模型并进行验证。神经网络初始模型如图1所示。

图1 BP神经网络结构图

3 基于BP神经网络的选品模型设计与应用

3.1 数据集建立

选取国内某跨境电商买手平台进行实证研究。该企业是一家主营海外奢侈品牌服饰类商品的跨境电商，其货品供应商主要为意大利奢侈品经销商。基于表1中的影响选品要素，对该平台买手负责人及数位在该企业从事选品工作的专业买手进行访谈，结合该平台实际情况，挑选出最符合该公司实际业务模式的选品影响因素9项，分别是：价格竞争力、品牌流行度、产品流行度、设计创意、面料与材质、可搭配性、实穿性、自然环境和产品(相似或同类)过往销售情况。同时，按照程度或主观评价由低至高，采用5级量表，为各因素制定量化评分标准。如在价格竞争力因素中，“1”表示产品价格竞争力很低，“5”表示产品价格竞争力很高；在面料与材质因素中，“1”表示产品面料与材质很差，“5”表示产品面料与材质很好。

然后，经该跨境电商买手平台许可后，对2019年售罄率高于80%以及售罄率低于20%的商品进行随机抽取，共采集商品60件，其中销售较好与销售较差商品各占一半。商品按品类分布情况如表2所示。商品数据包含品牌货号、商品名称、采购价格、品类、颜色、商品图片、历史销售数据等。

表2 采集商品数量分布

最后，将此60件(套)商品的商品数据制作成表，由该平台买手负责人对照影响选品的9项因素，对每一件商品进行评价。各商品在每一影响因素的得分汇总成为选品模型输入向量X=(x1，x2，…，x60)T。在输出向量O中，售罄率高于80%的商品赋值为“1”，售罄率低于20%的商品赋值为“0”。

3.2 神经网络建立

首先，将60组数据导入MatLab软件。其次，为使输入与输出数据的量度统一，对数据进行归一化处理，使最终数据落在[0,1]之间。处理公式如下：

之后，将样本数据矩阵划分为训练集和测试集。训练集包含40组样本数据，剩余20组样本数据为测试集，用于检测训练后的神经网络的预测结果准确程度。训练集与测试集中销售较好与销售较差商品均按照1∶1比例随机抽取。

训练中设定学习率为0.001，最大训练步数为5 000。在训练完成后用测试集的20组数据对训练好的神经网络进行测试，输出预测结果，并与真实值进行误差对比。

3.3 输入变量调整

3.4 结果采集与分析

经过多次因素组合与验证，最终得出在保留价格竞争力、品牌流行度、产品流行度、设计创意和产品销售情况5个主要因素的训练模型中，输出预测结果准确度最佳。该模型输入层节点数为5，隐含层节点数为11，输出层节点数为1，学习率为0.001，最大训练步数为5 000。模型预测结果与真实值对比如图2所示。图中纵坐标为商品能成功销售的概率，“0”代表商品销售情况较差(售罄率低于20%)，“1”代表销售情况较好(售罄率高于80%)。对应地在选品预测中，“0”代表买手平台在选品过程中不应选择此商品，“1”代表在选品过程中应选择此商品。图中圆圈点代表商品的真实销售情况，实心点代表选品模型给出的预测值。由图可知，模型预测值与真实值基本吻合。R2为训练过程中预测值对真实值的跟踪情况。R2越接近1说明模型中的变量对输出变量解释能力越强，预测准确度越好。图中所示R2为0.95，说明预测准确度较高。同时，由于神经网络的参数初始化是随机的，所以尽管多次运行该程序输出结果不同，但R2仍稳定在0.7～1.0之间，证明该系统做出的预测值与真实值近似度高，可以实现预测效果。

图2 选品模型预测误差对比图

4 结束语

本文通过对影响跨境电商买手平台选品决策的主要因素进行研究，总结归纳出5大类15项影响因素。同时结合实际案例，运用BP神经网络，最终构建出以价格竞争力、品牌流行度、产品流行度、设计创意和产品销售情况为5个输入量，以商品成功销售概率为单一输出量的3层神经网络模型。模型预测结果较为稳定、准确。该模型验证了基于BP神经网络构建选品模型的可行性。跨境电商买手平台可参考此模型，依据自身业务模式，构建符合平台需求的选品模型，以帮助企业实现更高效的选品工作。同时，本文仍有许多不足之处需要改进。如本文模型构建所用样本数据量较小，且没有考虑消费者个人信息数据，仍需在后期研究中予以补充，同时可以对BP神经网络算法进一步改进，以提高模型的预测能力及在复杂业务场景下的适用能力。