大型零售超市商品捆绑销售定价策略研究

发布时间：2020-07-22 12:02

【摘要】：随着经济社会不断发展,商品类别不断增多,市场竞争日趋激烈。商家为了在竞争中获胜,经常采用各种不同的销售方法来促进销售。这是因为合理有效的捆绑销售方法不仅能给商家带来利润和价值,也能给消费者提供许多好处和便利。本文针对国内外学者关于捆绑销售的研究现状进行了详细的整理与分析。以某大型零售超市所售商品为例,采用ABC分析方法,按照商品对超市利润的贡献率,将所有商品分为A、B、C三类,选取对超市贡献率占到77%左右的344种A类商品作为研究对象。其次采用层次聚类法得到商品先后购买的关联程度,按照关联度大小输出84对关联度较大可以采用捆绑销售的商品,从而为哪些商品能够进行捆绑销售提供理论依据。然后针对超市实际情况,利用MATLAB软件模拟优化得出,不论两商品偏好差异度是多少,边际成本是否对称,混合捆绑都是全局最优的。最后分别采用不捆绑销售、纯捆绑销售以及混合捆绑销售三种销售模式,按照超市实际情况(以一个月为例),分别计算出不捆绑销售利润为326666.21元,纯捆绑销售利润为296994.10元,混合捆绑销售利润为406862.80元,显然,该超市采用混合捆绑销售方法销售利润最高。本文运用相关的定价策略方法进一步研究了捆绑销售,为企业捆绑销售,尤其是大型零售超市捆绑销售提出了捆绑销售策略,在理论和实际操作过程中均具有一定的参考意义。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F274;F721.7
【图文】：

层次聚类

图 2-2 层次聚类例图Figure 2-2 One example of hierarchical clustering2.3.2 主要聚类算法的分类聚类分析作为统计学的一个部分，已经被广泛研究了多年，而研究主要集中在基于距离的分析。基于 K-means、K-medoids 以及其他一些方法的聚类分析，而这种工具已经具备添加到很多统计分析软件包和一些系统中，比如 S-Plus，SPSS，SAS。而在机器学习的领域中，聚类分析是无指导学习（unsupervisedlearning）的一个实例。和分类有所不同，聚类与无指导学习并不依赖预先已经定义的类，或者带类标号的训练实例。基于这个原因，聚类就是观察式学习而并不是事例式学习。在数据挖掘领域中，研究的重点是寻找有效的和实用的大型数据库聚类分析方法。活跃的研究主题主要集中在聚类方法的可扩展性、复杂形状和类型数据。聚类方法的有效性、高维聚类分析技术、大型数据库中混合数值和分类数据的聚类方法。

商品,消费者,保留价格,区域

2 相关理论及方法.4 不同定价策略概述（Overview of Different Pricing Strategie消费者是否购买某件商品需要设定相对的条件[79]。只有当商品的价格低保留价格时，消费者才会选择去购买商品。所以，当零售商采用不同的捆绑销售商品时，应充分考虑保留价格及其对消费者的分配[80]。商品的价格是的，在不同的捆绑策略下，消费者的购买决策也会有所不同。当商家想销售商品时，消费者在不同策略下的购买决策如下[81]。两种商品仅单独销售时如图 2-3 所示。

捆绑销售,商品,保留价格,消费者

图 2-4 两种商品纯捆绑销售Figure 2-4 Pure bundling sales of two commodities域Ⅰ中，消费者的保留价格之和大于两种商品的捆绑价格 pb，所会选择购买捆绑商品。在区域Ⅱ中，消费者选择不购买。商品进行混合捆绑销售时，如图 2-5 所示。

【相似文献】