机器学习方法在国际商务中的应用评述

陆仕超

（上海大学出版社，上海200444）

伴随世界经济一体化，国际商务活动日益繁荣。与此同时，互联网的渗透和大数据技术的进步推动人工智能进入新的快速发展期。语音识别、图像分类、机器翻译、可穿戴设备、无人驾驶汽车等人工智能技术均取得了突破性进展。企业的未来在于智能化，而机器学习是人工智能的核心，研究机器学习在国际商务领域中的应用有助于企业紧跟智能化浪潮，抓住新的发展机遇。本文从国际商务活动的项目基本流程角度来梳理与评述机器学习方法在国际商务领域中的应用。

学界主流的观点将国际商务定义为通过贸易或投资参与到国际活动中的企业[1]。然而这样的定义局限了主体范围，也将国际商务的活动范围缩小，使其排除了诸如商务支持、资讯服务等其他类型的国际商务活动[2]，因此从跨境商务活动角度来研究国际商务更为合适。依据本文研究目的，将国际商务限定为企业或组织在跨境活动中发生的商业性的业务或行动。

国际商务的研究1958年发源于美国。经过近60年的发展，其理论基础及实践基础也日益完善。前期研究主要集中于对外直接投资（FDI）、跨国公司企业（MNE）和国际化进程研究。现在及今后一段时间，对国际商务的研究将集中于兼并与收购、知识管理及选址问题，包含企业的议价能力、客户关系维护、供应链体系建设、差异化与合作等课题。从整体的研究脉络来看，国际商务作为一门实践性较强的学科，其理论的研究与发展大多来源于实务。而企业商务项目是国际商务活动产生的基本要素。因此，本文将从国际商务活动的项目基本流程角度来梳理与评述机器学习方法在国际商务领域中的应用。一个国际商务项目的基本流程包括准备阶段、交易阶段、履约阶段和维护阶段。

1 机器学习方法在国际商务项目中的具体应用

1.1 准备阶段

在一个商业项目开始之前，企业需要进行大量的准备工作，包括细分市场与客户、寻找潜在商业合作伙伴、制定合适的营销策略、成本预算、进行商务决策等。国内外学者结合机器学习方法对此问题做了相应研究。

1.1.1 合作伙伴的选择

在机器学习方法选择上，HU和ZHANG（2008）[3]比较了前向神经网络（BPNN）和支持向量机（SVM）在选择合适供应商伙伴中的表现，实验说明SVM方法更为有效。之后，JUNICHIRO等（2012）[4]利用支持向量机（SVM）来帮助企业寻找潜在的国际或国内的商业合作伙伴。作者从客户与供应商是否有商业关系以及客户与供应商是否有互惠关系，这两个方面提取了关键影响因素。实验表明，员工人数多、成立时间长、具有地理位置优势的企业较不具备这些要素的企业拥有更多的商业伙伴。而在是否存在商业互惠关系上，人际关系网络是重要的影响因素。

1.1.2 市场细分

研究者大多从目标客户细分这一角度进行研究。从客户价值角度，HSIEH和CHU（2009）[5]使用自组织映射（SOM）神经网络模型对客户群进行分类，选择出高价值客户类别后，再用决策树诱导算法提取此类客户的特征属性。市场营销人员就能针对不同的目标客户制定详细的营销策略，实现精准营销。吕昱和程代杰（2005）[6]也使用SOM聚类技术解决市场细分问题，并将SOM聚类的市场细分结构结果可视地呈现给市场决策人员。作者提出的研究途径成功发现了人工数据集中预设的聚类模式。在实际市场数据分析中，获得了与事实相符的结论并提供了有价值的决策支持信息。从客户忠诚度角度，HAMURO等（2002）[7]开发了一种基于决策树的机器决策系统BONSAI。作者将客户信息及历史交易信息，包括客户年龄、访问次数、收益贡献等数据输入系统。系统通过历史数据的学习，得出客户忠诚度的高低。企业可以此为依据，制定有效的营销策略。从客户行为角度，陶楠（2016）[8]针对中国图书营销数据利用率低下问题，提议建立图书营销数据库，借助聚类、分类、关联等机器学习算法，通过客户购买行为的数据处理与分析，构建潜在读者细分体系，精准定位、细分图书市场，从而选择恰当的营销方略，实现图书精准营销。

1.1.3 商务决策

商务决策需要管理者在多样的可行方案中作出择优判断，需要考虑预算、客户关系等更多方面，而机器学习方法也被应用到此类问题研究中。ALDAHAWI和ALLEN（2015）[9]利用文本挖掘方法将石油公司客户所发的推特（Twitter）信息进行分析，使用机器学习分类客户的推特信息，提取关键特征，提取的文本特征可为石油公司商务决策提供有价值的信息。COOK等（2015）[10]基于咨询企业的客户关系管理数据库的数据，将决策树算法应用到咨询业务的项目内部成本预测中。进一步，将预测结果进行具体的可视化说明，开发了一个交互式决策支持系统。该算法还可进一步使用随机森林、神经网络、支持向量机等方法进行扩展优化。

1.2 交易阶段

企业在完成某国际商务项目的准备阶段后，就可以进入项目的交易阶段。在此阶段，企业要与客户进行反复磋商与谈判、确定交易条款、订立合同等事项。关于此阶段，学者研究的重点主要集中在自动磋商与合同文本上。

1.2.1 自动磋商

众多学者对此问题做了针对性研究，强化学习和有监督学习这两类算法均有涉及。其中，使用有监督学习算法的文献较多。YUAN和CHEN（2001）[11]构建了一个具有学习能力的多智能体（Agent）基础架构。在这个架构中，作者使用遗传算法构建神经网络，设计了具有自动磋商能力的智能体。该智能体能够对磋商内容进行自动评估，返回结果，提升合同订立的效率。这一基础架构也能被用于供应链和客户行为模型的构建中。LI和CAO（2004）[12]提出了一种贝叶斯学习算法。经过学习和训练的Agent被引入一个多智能体系统，辅助用户在电子商务环境下进行双边多议题协商，帮助谈判主体在谈判过程中能更好地调整谈判策略，提高谈判效率。MACH和SCHIKUTA（2012）[13]基于决策树算法设计了一个电子合同协商架构，此架构可以为网络客户和供应商在线首次磋商与合同条款变更提供服务。使用此架构的企业与客户可以就服务的水准、品质等方面达成双方共同认可的协议或契约。针对智能体（Agent）处理市场中不完全信息效率不高的问题，陈培友等（2014）[14]将马尔科夫链方法应用于对谈判对方各轮报价的预测当中，并与改进的遗传算法相结合，构建了面向Agent的马尔科夫多议题自动谈判模型。通过仿真计算试验表明，模型能很好地对谈判过程进行仿真和推理，客观地为谈判各方合理决策提供有效依据。应用强化学习方法来研究自动谈判的文献较少，仍处于起步阶段。何波（2011）[15]重点研究了基于Agent的电子商务自动谈判模型、谈判策略和学习机制，并根据综合谈判策略和基于强化学习的学习机制提出了改进的自动谈判模型。实验结果表明，基于强化学习的学习机制能大幅提高自动谈判的效率。

1.2.2 商务合同解析

MOLINA-JIMENEZ等（2004）[16]使用有限状态机（FSM）来刻画传统的商务合同，FSM表达的合同文本可以消除自然语言书写合同中的模糊表示，确保交易履行过程中合同条款不被错误执行。

1.2.3 业务流程建模

计算机难以理解日常的商务条款和业务流程文本。LI和FENG（2008）[17]使用统计机器学习方法来解析自然语言书写的商务条款和业务流程，并将其转化为机器能读懂的对象约束语言（OCL），再进行业务流程建模。文章使用了统计机器模型翻译模型来实现算法，在北美航空货物装卸业务流程的实际算例中该方法体现了极高的精确性。然而该模型仅针对OCL，在其他语言机器翻译中未验证有效性，在其他商业场景中的有效性也需要验证。

1.3 履行阶段

在交易履行的过程中，主要涉及企业的采购管理、库存管理等一系列与供应链管理相关的事项以及如何防范交易过程中的欺诈风险。

1.3.1 采购物流规划

做好采购物流是企业按规定履行合同的重要保障。KNOLL等（2016）[18]对企业的采购物流规划（Inbound logistics planning）进行了研究。作者主要使用数据挖掘方法对历史采购物流数据和业务流程进行数据挖掘。从数据中提取能够用于采购物流计划的关键特征，从而为未来的相关规划任务提供参照。

1.3.2 库存管理

库存管理在供应链管理中占有重要地位。JIANG和SHENG（2009）[19]将增强学习方法运用到动态库存管理中，在试验中取得了较好的效果。此外，文章阐释了增强学习方法在供应链管理中具有广阔的应用空间。于春云等（2009）[20]提出了通过集成库存管理使库存系统整体收益期望值最大化的优化模型。根据遗传算法理论和计算机模拟技术设计了求解模型的智能算法，并通过仿真分析证明了模型的有效性。KARTAL等（2016）[21]将机器学习算法与ABC分类法（Activity Based Classification）相结合解决多属性存货分类问题。文中分别使用了朴素贝叶斯方法（Naïve Bayes）、贝叶斯网络（Bayesian network）、人工神经网络（ANN）和支持向量机对各种存货进行分类，并得出支持向量机方法分类精度最高的结论。但总体而言，文章证实了机器学习算法对解决多属性库存分类问题效果颇佳。

1.3.3 交易管理

在交易履行的过程中，交易欺诈风险管理也是一个很重要的方面。CHEN等（2015）[22]介绍了阿里巴巴如何使用大数据挖掘技术来控制交易欺诈风险。阿里巴巴通过机器学习算法直接从海量的实时用户行为数据中捕捉潜在欺诈行为的信号，精确预测可能存在的劣质客户及风险交易。由此，阿里巴巴开发了一个防欺诈系统，来识别和阻止在线客户恶意交易行为的发生。

1.4 维护阶段

合同履行完毕后，国际商务项目进入维护阶段。企业关注的重点转为客户服务、客户维护和客户流失预测。

1.4.1 客户服务

HUI和JHA（2000）[23]关注跨国制造企业的客户服务支持问题，将收集到的非结构化客户服务数据转化为结构化数据，从而为机械故障诊断和商务决策支持提供帮助。作者使用整合了神经网络、案例推理（case-based reasoning）和规则推理（rule-based reasoning）的数据挖掘技术，取得了较好的效果。

1.4.2 客户分类与维护

HUANG等（2009）[24]使用3种不同的分类方法针对消费户外运动装备的客户进行价值分类。在K-means聚类算法、模糊C值均值算法、装袋聚类算法中，作者实验证明装袋聚类算法具有最佳的分类效果。该算法根据单次平均消费金额、光顾商店频次、总平均消费金额将客户分为六类，并根据这六类客户给出具体的销售策略。AHMAD和LAROCHE（2017）[25]使用潜在语义分析法对取自亚马逊购物网站的用户评论进行了分析。文章发现正面评论内容主要集中于产品本身，而负面评论主要集中于售后服务。与这一发现相对应的是潜在客户对于产品本身大多关注正面评价，例如核心功能、性能指标、外形构造等方面，对于售后服务大多关注负面评价。

1.4.3 客户流失预测

对于此问题，不少国内外学者使用了机器学习算法对其进行了研究。CHEN等（2012）[26]应用多种机器学习方法对电信通讯业的客户流失问题进行了预测。经过交叉验证与比较研究，证明结合支持向量机与Adaboost算法的方法预测效果最好。XIE等（2009）[27]和丁君美等（2015）[28]均对随机森林算法进行了改进用于客户流失预测，其中丁君美提出的方法有效处理不平衡分类，提高了电信业客户流失预测中高价值客户流失预测的准确率。张玮等（2014）[29]利用分类回归树算法和自适应Boosting算法生成相应的强分类器模型，对预测流失客户问题进行了研究。总体而言，该问题的精度达到了较高水准。

2 应用评述

对机器学习方法在国际商务各个环节中的具体应用做一个小结，结果如表1所示。从文献来源数量上看，市场细分、自动磋商、库存管理、客户流失预测这四个方面的文献量较多，这些方面也是国际商务项目各阶段中的重要内容。这说明对于国际商务的研究始终被学界所关注。

表1 机器学习在国际商务中应用研究汇总

从机器学习方法上看，神经网络与决策树出现次数较多。决策树方法易于理解和实现，对于小规模数据计算速度快、准确性高，因而决策人员容易掌握和理解，从而作出决策判断。神经网络方法容错容差性好，具有很强的自学习和自适应能力[30]，对于非线性预测问题，神经网络方法可以提高精度[31]。然而，决策树对于大规模数据计算资源要求高，难以得到全局最优解；神经网络各项指标理解难度大，体系结构通用性差。这部分限制了它们的使用，但这两种方法均较为成熟且有许多改进算法，因此相较其他机器学习算法使用范围也更广。

从行业应用上看，机器学习在制造业、运输业、通讯业、零售业的商务活动中均有应用。从功能应用上看，机器学习在电子商务的自动磋商、商务合同处理以及供应链管理中的采购规划、库存管理中机器学习方法应用广泛。

3 结语与展望

本文对机器学习方法在国际商务领域中的应用进行了汇总与梳理。目前在国际商务领域，成熟的、扩展性好的机器学习算法已渗透到各个环节，理论研究也随之不断进展。但随着人工智能的发展，将会有更多更好的机器学习算法逐渐诞生，其应用也需要不断推陈出新。

本文对机器学习方法在国际商务中的应用做出三点展望：①算法设计层面，研究者需要不断地提高机器学习算法的鲁棒性。国际商务环境瞬息万变，机器学习算法不仅需要满足日常国际商务活动的需要，更要保证在突发环境下的性能表现。②理论研究层面，研究者需要巩固与深化机器学习的理论基础。目前应用中，管理决策人员更多地将机器学习看作一个“黑箱”，解释性不佳也成为了推广机器学习应用的掣肘。因此研究者要不断提高机器学习结果的可解释性，提升决策效率。③应用层面，机器学习需要从企业决策层向基层渗透，例如机器学习与企业资源管理软件的结合、与大数据及物联网的结合，使机器学习在实际应用中发挥更大作用。