大数据服务商参与的三级供应链动态合作策略研究

□ 韩朝亮 田 立 高志勇

(1.哈尔滨商业大学 经济学院; 2.哈尔滨商业大学 财政与公共管理学院, 黑龙江 哈尔滨 150028)

一、引 言

大数据技术作为通用技术(General Purpose Technologies,简称GPT),通过在微观层面缓解信息不对称,不断地改变居民生活和企业经营管理方式[1]。在供应链合作过程中,其广泛应用于消费者画像、渠道优化、成本优化、精准营销等业务,已经成为供应链管理的有效技术手段。在诸多应用中,大数据技术最广泛应用于洞察消费者需求,实际操作过程中往往可以采集消费者的多类数据。利用这些数据,能够客观反映消费者的真实状态,建立个体消费者数据库。通过完备的消费者数据,消费者离散化的数据之间可以体现出相关关系,利用其价值关联,供应链成员能够逐步实现对消费者的信息完全。在传统市场上,供应链成员长期面对消费者在购买过程中体现出的随机性本源行为和不可预期的变化[2]。传统消费者需求不确定性在理性层面不可解,但由于信息技术的变革,通过相关技术(如大数据、人工智能)能够将其化解[3]。大数据技术的使用,使得消费者数据挖掘成为可能,通过海量消费者行为数据、交易数据的挖掘,明晰消费者购买行为的预期结果,逐步消除客体(消费者)的不确定性。

大数据技术通过消除消费者需求不确定性为供应链成员带来收益。但现实场景中,数据挖掘、处理、集成、分析、可视化需要供应链成员支付成本。是否使大数据服务商参与,是收益与成本权衡的结果。在供应链合作过程中数据采集、处理、解释可以由供应链成员完成,但由于供应链成员信息处理能力欠缺,往往采取服务外包形式,利用大数据服务商对沉淀在供应链合作过程中的数据进行挖掘、处理。由于分散决策的存在,往往形成供应链成员决策低效与利益分配不均衡问题,最终导致大数据技术服务商参与失败。因此需要供应链成员通过机制设计保证集中决策与收益再分配,以使得大数据技术服务商参与后满足参与约束与激励相容条件。

有关大数据服务商参与供应链合作的研究,主要集中于大数据服务商参与后,供应链成员获得的价值研究,即供应链成员可以通过对数据的采集、处理、解释来发现新知识,进行价值创造,继而有效的降低成本、增加收益[4]。大数据的合理应用,有助于提升企业供应链的敏捷性[5]，对需求创造、业务设计、价值共创等方面起到正向作用[6],继而提升供应链成员的环境感知能力,更好地服务于消费者需求,创造更高的商业价值,提升成员各自的运营效率[7]。大数据服务商参与后,与供应链其他成员的协调机制研究方面,部分学者建立制造商与零售商两阶段供应链模型,当投资成本面临一定阈值时,零售商或制造商投资大数据信息(BDI)可以增加其收益,但其他供应链成员也存在搭便车现象,而收益共享契约可以有效地协调供应链[8]。在此基础上研究进一步建立了制造商、零售商、大数据服务商构成的三阶段供应链模型,实证结果表明厂商是否适合投资BDI受成本改善系数的影响。当收益分享系数在一定范围内,收益分享契约可以使供应链实现协调[9]。将供应链成员利用大数据进行营销的情况考虑在内,同样建立零售商、制造商与大数据服务商三阶段供应链模型,利用微分博弈理论对零售商支付、联合支付与合作契约下实现均衡的收益情况进行比较,结果表明合作契约下渠道成员的总利润、制造商的质量努力水平和大数据服务商的营销努力水平均为最高,分散决策下联合支付较零售商支付更优[10]。还有学者将大数据服务商设为常量建立了大数据服务商参与的零售商、制造商的二阶段供应链模型,结果表明集中决策下存在帕累托改进[11]。随后,在其基础上有学者进一步研究了大数据技术对零售商与制造商的成本优化的影响,通过单一制造商与两个零售商组成的二阶段供应链模型,讨论了分散决策与集中决策对供应链成员利润的影响,并通过数量折扣契约,实现了从分散决策到集中决策的过程[12]。

传统研究普遍认同大数据技术具有成本优化与价值创造的作用,也分别验证了分散决策下与集中决策下大数据技术对制造商、零售商的影响,但往往将大数据服务商确定为常量,并以分析单个企业的影响为主,鲜有文献将大数据服务商作为一个独立的供应链成员来研究大数据技术对整体供应链运营的影响以及供应链动态优化的问题。本研究拓展了大数据服务商的角色,认为大数据服务商可以通过努力水平调节供应链收益,供应链成员可以通过支付水平影响大数据服务商的努力水平。因此,本研究建立制造商、零售商、大数据服务商三级供应链模型,分别考虑分散决策与集中决策下供应链及其成员的收益水平,并通过协调机制实现供应链成员由分散决策向集中决策转化,最终通过数值算例分析分散决策、集中决策、机制协调下的收益变化。

二、模型构建

考虑由一个占主导地位的制造商M与一个下游零售商R构成的生产、出售一般产品的供应链模型。制造商是供应链的领导者,单位生产成本为c1,并通过投入单位研发费用c2提升产品质量,在供应链运营过程中制定产品批发价格w。零售商R作为供应链终端成员,根据批发价格w和市场需求情况决定产品采购量q。假设采购量即为市场需求量,且产品运输过程没有损耗。零售商为改善消费者购物体验,付出单位服务费用s。需求量是关于产品价格、质量、服务水平的线性函数形式q=a-b*p+(η+β)*v,a为不受价格和其它因素影响的市场基准需求量;零售商以价格p(w

若供应链成员不采购大数据服务,则供应链运营流程如图1所示。若供应链成员采购大数据服务,供应链运营流程如图2所示。

图1 不采购大数据服务的两阶段供应链模式

图2 大数据服务商参与的三阶段供应链模式

制造商M通过大数据服务商对消费者行为数据、交易数据等进行分析,获得消费者画像,更精确的了解市场需求,增加产品销售量。由占主导地位的制造商对大数据服务商B的每单位努力水平t,支付费用m。大数据服务商B参照制造商每单位支付水平选择服务努力程度t(0≤t≤1),通过对海量数据分析发现消费者需求信息,并提供精准营销服务挖掘市场潜在消费者,得到制造商支付tm数量的费用,承担随努力程度变化的成本1/2gt2,其中g(g>0)是大数据服务商成本系数,体现大数据服务商服务效率;大数据服务将潜在的消费者数量F转化为市场需求量ln(tF),F是由大数据服务商挖掘的潜在消费者数量,但并不能将其全部转化为市场需求量;记qb是采购大数据服务后的市场需求量,则供应链成员采购大数据服务后市场需求变为qb=a-bp+(η+β)v+ln(tF);大数据服务商提供服务需投入固定成本k(0

三、分散决策下供应链成员采购大数据服务决策

首先考察分散决策下,供应链成员的合作策略,重点比较供应链成员是否采购大数据服务的收益。

(一)供应链成员不采购大数据服务收益模型

(1)

(2)

市场逆需求函数为:

pa=[a+(η+β)v-qa]/b

(3)

wa=[a+b(c1+c2-s)+v(η+β)]/2b;

pa=[3a+3v+b(c1+c2+s)]/4b;

qa=[a-b(c1+c2+s)+v(β+η)]/4

(4)

将(wa,pa,qa)带入式(1)式(2)可得:

(5)

[a+v(β+η)]/b>c1+c2+s

(6)

制造商、零售商向消费者提供附加服务,转化的需求量与市场基准需求量收益之和大于M与R投入成本之和满足式(6)时,供应链成员合作才趋于稳定,否则制造商和零售商不会提供相关的附加服务。

(二)供应链成员采购大数据服务收益模型

(7)

(8)

(9)

市场逆需求函数为:

pb=[a+(η+β)*v+ln(t*F)-qb]/b

(10)

根据Stackelberg博弈规则,该博弈分为三个阶段: ① 制造商根据利润函数,决定批发价格wb,确定单位支付费用m; ② 零售商得知制造商采购大数据服务,根据制造商变化的利润函数及批发价格确定零售价格pb,并制定商品采购数量qb; ③ 大数据服务商根据制造商的支付水平m,由利润最大化原则确定努力水平tb,整个博弈结束。根据逆向求解原则,制造商可预测到零售商零售价格pb与大数据服务商努力水平t,最终决定批发价格wb与单位支付m。加入大数据服务后,首先根据大数据服务商利润函数,求其努力水平tb,将tb带入式(7)和式(8),由于求解过程与(4)式相同,这里略去不写,可得:

tb=m/g

pb=[3a+3ln((Fm)/g)+bc1+bc2+bs+3ηv+3βv]/4b

wb=[a+ln((F*m)/g)+bc1+bc2-bs+ηv+βv]/2b

qb=[a+ln((Fm)/g)-bc1-bc2-bs+βv+ηv]/4

(11)

将(pb,wb,qb)分别带入式(7)式(8)式(9)可得:

(12)

分散决策下,供应链成员均获得正收益,且市场需求量为正时,供应链合作才趋于稳定,此时保持稳定的必要条件为:

(13)

(三)供应链成员采购大数据服务的算例分析

分散决策下,面对大数据服务商提供的服务,供应链成员有两种选择:① 不采购大数据服务以避免其带来的费用,维持供应链原态;② 采购大数据服务以享受其带来的消费者增量时,支付给大数据服务商相应费用。

对比(4)式(wa,pa,qa)和(11)式(pb,wb,qb)可得,供应链成员采购大数据服务后,批发价、零售价与市场需求量均有增长,可得:

(Δw,Δp,Δq)=(ln((Fm)/g)/2b,
ln((Fm)/g)/4b,ln((Fm)/g)/4)

(14)

(15)

分散决策下,供应链满足必要的运营条件式(13)时,供应链成员采购大数据服务的充分条件为ΔπM≥0且ΔπR≥0。由此可知制造商M采购大数据与零售商R参与供应链运营的的临界条件。由于对解析式进行解析分析较为复杂,本部分通过算例分析进行阐述。

图3 分散决策下是否采购大数据服务的利润对比

图4 分散决策下采购大数据服务后制造商和零售商利润水平对比

四、集中决策下供应链成员采购大数据服务决策

本章考察集中决策下供应链成员的合作策略,重点比较供应链成员是否采购大数据服务的收益,以及分散决策与集中决策下供应链成员的收益。

(一)供应链成员不采购大数据服务的利润模型

(16)

市场逆需求函数为:

(17)

根据逆向求解法,可得最优需求总量和零售价格为:

(18)

将(18)式带入(16)式可得:

[a+v(β+η)]/b>c1+c2+s

(19)

即制造商与零售商向消费者提供附加服务,转化的需求量与市场基准需求量收益之和大于M与R投入成本之和满足式(19)时,供应链合作才趋于稳定,否则制造商和零售商不会提供相关的附加服务,不会生产出售相关产品。

Δπa=[a-b(c1+c2+s)+v(β+η)]2/16b

(二)供应链成员采购大数据服务的利润模型

(21)

市场逆需求函数为:

(22)

(23)

将(23)式带入(20)式与(21)式可得:

(24)

(25)

(三)供应链成员采购大数据服务的算例分析

集中决策下,通过对比采购大数据服务前后供应链整体参数和利润的变动情况,可以求出供应链成员采购大数据服务的边界条件。

对比(18)式和(23)式可得,供应链成员采购大数据服务后,零售价与市场需求量均有所增长,可得:

(ΔpD,ΔqD)=(ln((Fm)/g)/2b,ln((Fm)/g)/2)

(26)

(27)

满足运营条件(27)式时,供应链成员采购大数据服务的充分条件为ΔπD>0。可知供应链成员采购大数据服务的临界条件,由于直接通过解析式进行解析分析较为复杂,本节将通过算例分析进行阐述。

首先比较集中决策和分散决策下供应链成员不采购大数据时供应链整体利润差异,证明集中决策优于分散决策。不失一般性,通过控制变量法,选择质量敏感系数η和服务敏感系数β作为共同变量,考察分散决策和共同决策的利润差别,同图3、图4,其它参数为:a=30,b=0.6,c1=1.4,c2=1.6,s=3,v=9,F=8,g=2,m=3,则如图5所示。可以从图中明显看出,分散决策时供应链整体收益低于集中决策时供应链整体收益,符合性质4的结论。其次考察集中决策下,渠道供应链成员采购大数据服务前后利润对比,同样采取控制变量法,参数设置和变量选取同图5,则如图6所示:供应链成员采购大数据服务后所得收益明显大于采购大数据服务前的收益;同时,消费者对质量和购物体验敏感度越高,供应链整体利润越大。

图5 不采购大数据服务时集中决策和分散决策利润水平对比

图6 集中决策下供应链采购大数据服务前后的利润水平对比

最后,选取大数据服务商努力水平作为自变量，令k=0.4，分别考察m=4，g=2；m=5，g=2；m=4，g=4下，制造商单位支付费用和大数据服务商成本系数对大数据服务商利润的影响,大数据服务商随努力水平变化的利润曲线。如图7所示,大数据服务商单位支付费用越高,大数据服务商会通过提高努力水平以增加利润;同时,能否将成本系数控制在合理范围内是大数据服务商利润多少的关键,因此在制造商单位费用一定时,要努力优化成本系数,以增加收益。

图7 随努力水平变化的大数据服务滴利润水平

图8 机制设计后渠道供应链成员收益变化情况

五、分散决策下供应链成员采购大数据服务的协调机制

(28)

性质5分散决策下,供应链成员采购大数据服务时,若wc满足:

1由于篇幅有限,T的具体取值如有需要可联系作者获得。

且Tmin≤T≤Tmax1则可以实现供应链最大程度的协调。

证明若使供应链成员采购大数据服务后的分散决策收益水平达到集中决策时的收益水平,需使得:

qc=[a+ln((Fm)/g)-bc1-bc2-bs+βv+ηv]/2

则有

通过三、四节的研究前半部分得证。对于后半部分,令其满足:

即采取协调机制后,制造商和零售商所获收益要大于分散决策时双方所得收益,此时:

可知后半部分得证,其中T的具体取值,取决于M与R的市场地位与谈判能力。

其它参数值保持不变,以λ与T作为变量,可得图8:随着折扣系数λ增大,M利润减少,R利润增加;相反,随着固定支付T增大,R利润减少,而M利润增多。因此供应链利益协调的关键在于找到可行的契约空间,如图8中箭头所指的可行域,协调后制造商和零售商均获得正收益,说明参与主体得到协调,分散决策下供应链成员收益得到优化。

六、结 论

随着信息技术的应用,消费者需求不确定性增强,消费者个性化需求趋势明显。本研究构建大数据服务商参与的三级供应链模型,经研究得出如下结论:

1.无论分散决策还是集中决策,采购大数据服务后供应链整体收益高于采购前供应链整体收益,说明大数据服务商参与后可以准确获知消费者画像,增加供应链成员的销量。采购大数据服务后,消费者对质量和购物体验敏感度越高,供应链整体利润越大。即大数据服务商单位支付费用越高,大数据服务商会通过提高努力水平以增加利润;同时,能否将成本系数控制在合理范围内是大数据服务商利润多少的关键,因此在制造商支付的单位费用一定时,要努力优化成本系数,以增加收益。

2.无论是否采购大数据,分散决策时供应链整体收益低于集中决策时供应链整体利润。分散决策下存在明显的双重边际化效应。供应链协调的关键在于找到可行的契约空间,实现分散决策下的供应链优化,通过引入数量折扣——两部定价契约,可以有效解决分散决策问题,协调后制造商和零售商均获得正收益,满足参与约束与激励相容条件。

本研究描述了供应链成员分散决策和集中决策下是否采购大数据服务的各自利润,结果表明采购大数据服务对供应链及其成员收益具有显著影响。集中决策有利于实现大数据技术参与的收益最大化,通过协调机制的设计实现了从分散决策到集中决策的过程。上述模型描述的是一个制造商主导的单渠道供应链情形,现实中存在部分零售商主导多渠道供应链情形。今后的研究过程中,将继续探索多渠道情形下,零售商主导的供应链成员动态合作策略及其比较。□