在航運業長期低位運行的市場預期下，大數據技術以及以此為基礎的大數據預測是航運創新的重要途徑。本文在分析航運電商大數據的基礎上，提出航運電商大數據在集裝箱航運業中的應用方案，以期為船公司利用航運電商大數據制定合適的艙位資源投放策略提供思路。

1 大數據技術與營銷

根據麥肯錫的定義，大數據是在獲取、存儲、管理、分析等方面的規模大大超出傳統數據庫軟件工具能力范圍的數據集合，具有海量規模、快速流轉、多樣類型和低價值密度等特征。對海量數據的挖掘和運用正在推動新一波生產率增長的到來：谷歌流感趨勢（Google Flu Trends）預測系統利用用戶輸入的搜索關鍵詞預測禽流感的散布；攜程利用數據模型訓練平臺預測用戶行為，于用戶出行前在網頁和營銷郵件中作出個性化推薦，從而提高打開率和轉化率。可以說，大數據時代已經來臨，且大數據的核心就是預測。[1]在互聯網行業，擁有海量數據和對海量數據的強大運算能力意味著擁有制勝砝碼。借助技術和營銷的雙重手段，通過收集、分析數據來傾聽、理解用戶需求，并在洞察和整合的基礎上實施個性化營銷，能夠使廣告更加精準、有效，從而為品牌企業帶來更高的投資回報率。綜上所述，大數據營銷是基于大數據的技術與營銷的無縫融合，在“玩轉”數據基礎上的大規模個性化營銷將幫助企業形成新的核心競爭力。

航運業是與經濟貿易發展相關性極強的行業，航運經營活動中產生的數據具有大數據的天然屬性。在即將到來的智能化工業革命浪潮中，作為全球經濟貿易活動的關鍵環節，航運業必須與信息網絡實現深層次對接與合作，通過分析航運數據識別客戶行為，并據此制定營銷方案，以應對航運業長期低位運行的現狀。

2 航運電商大數據的類別

2.1 產品數據

產品數據指船公司或其代理人在航運電商平臺上發布的航線產品信息。航運電商平臺按照裝貨港、卸貨港、延伸服務、航班密度等來區分航線產品，并積累、管理同一航線產品不同航次（時間）的價格信息。

2.2 用戶數據

用戶數據指反映用戶訪問行為特征和屬性的數據，包括訪問產品類別、訪問頻率、訪問時間、地理位置和訪問歷史等。用戶數據可用于分析用戶的訪問行為特征，并預測用戶的消費傾向。

用戶數據分析的基礎是用戶識別。用戶識別指識別日志數據中由同一用戶所觸發的訪問記錄，并基于該用戶的訪問記錄得到其在特定時間段內的瀏覽序列。用戶識別的方法如下：（1）如果用戶的互聯網協議（Internet Protocol，IP）地址不同，則認為是不同用戶；（2）如果用戶的IP 地址相同，但使用的瀏覽器或操作系統不同，則認為是不同用戶；（3）如果用戶的IP 地址相同，使用的操作系統和瀏覽器也相同，則根據網站頁面之間的邏輯結構來識別用戶，即如果請求頁面無法從已訪問的頁面到達，則判斷該用戶是新用戶；（4）如果用戶的IP地址、操作系統、瀏覽器、網站頁面等均相同，但網頁瀏覽記錄中的賬號相關字段名發生變化，則判斷該用戶是新用戶。

2.3 搜索數據

搜索數據指反映用戶搜索行為特征的數據，如瀏覽用戶數量、瀏覽用戶增長率、新老瀏覽用戶比例、瀏覽用戶停留時間等。搜索數據可用于分析用戶對產品的興趣度，以用戶停留時間為例：通常情況下，用戶在自己感興趣的產品頁面停留時間較長，在不感興趣的產品頁面停留時間較短；因此，用戶停留時間越長，其購買該類產品的傾向越大。

搜索數據可分為平臺基礎數據、用戶關系管理數據、產品管理數據等，其中：平臺基礎數據包括用戶數量、成交數量、成交金額等數據；用戶關系管理數據包括瀏覽及成交用戶分布、用戶成交記錄、用戶流失預警等數據；產品管理數據包括用戶關注產品、用戶成交產品、用戶定制產品等數據。

2.4 成交數據

成交數據指反映產品成交情況的數據，包括成交產品的區域分布、時間段分布和價格區間分布等數據。成交數據可用于分析市場供需狀況，為產品優化及合理定價提供參考。

2.5 集裝箱動態數據

航運電商平臺通過與船公司之間的數據交換掌握集裝箱動態，并通過推送、查詢等功能向客戶提供提箱、返場、裝船、海運、抵港、卸船、提貨、還箱等集裝箱動態數據，將原來需要由收發貨人自行查詢集裝箱動態的服務模式轉變為主動向收發貨人推送關鍵節點動態信息的服務模式，從而實現集裝箱全程運輸的可視化，使收發貨人可隨時掌握集裝箱動態，為提升集裝箱海運質量提供信息保障。

2.6 衍生數據

衍生數據指貨主向船公司訂艙時所提供的貨物品名等信息。未來，航運電商平臺可以利用衍生數據，向用戶提供各類貨物的流向、流量等信息，以便用戶據此調整商品生產及貿易行為，從而提升社會效率，使社會資源得到更加充分的利用。

3 航運電商大數據在集裝箱航運業中的

應用

3.1 個性化精準營銷

個性化精準營銷既能讓需要信息的客戶及時獲得信息，又不打擾對該信息沒有興趣的人，即在不影響客戶體驗的前提下達到營銷目的。通過對大數據的深度挖掘，航運電商平臺能夠準確預測客戶需求，并向客戶提供個性化的運輸解決方案，適時向客戶推送其感興趣的運輸路徑、運輸價格、艙位情況等信息，從而使信息更有價值且更加人性化。例如，客戶在航運電商平臺上搜索某條運輸路徑時發現艙位已售完，此后，一旦推出該運輸路徑的新艙位，航運電商平臺可立即告知客戶。對于客戶而言，此即有價值的信息，而非垃圾廣告，尤其是在旺季艙位緊張的情況下，個性化精準營銷的優勢更為突出。

3.2 基于航運電商大數據的運力需求預測模型

建立基于航運電商大數據的運力需求預測模型，能夠幫助船公司制定合適的經營策略，在精準統籌的基礎上實現艙位利用率最大化，從而在滿足客戶需求的同時確保應有的經濟效益。為確保建立模型所需的數據真實可靠，航運電商平臺應當推行“確定性交易”，即采用預付運費模式，以使成交數據能夠反映客戶真實的購買意愿。

3.2.1 艙位購買提前期模型

在市場貨量充足而艙位供給緊張的情況下，為獲得艙位保障，客戶往往愿意盡早付費并鎖定艙位；因此，分析客戶的實際成交行為，即客戶提前多長時間購買艙位，有助于船公司判斷具體航次是否存在旺季可能性。如圖1所示：航次1存在旺季可能性，航次2存在淡季可能性。艙位購買提前期模型是集裝箱航運業階梯式定價法的基礎。[2]

3.2.2 艙位購買密集度模型

在市場貨量充足的情況下，客戶鎖定艙位的欲望通常比較強烈，表現為客戶采購艙位的行為密集。在特定時間段內，如果客戶購買的艙位集中于某個始發港，則說明該港的出口貨量較多。如圖2所示，廣州港（南沙港區）的艙位購買密集度高于營口港，說明北行貨量較為充足。此外，如果某航次的艙位購買密集度較高，則說明該航次的旺季可能性較大。

3.2.3 艙位購買轉化率模型

艙位購買轉化率指成交量與總訪問量之比。如圖3所示：地中海航線的艙位購買轉化率呈上升趨勢，說明該航線的旺季可能即將來臨；美洲航線的艙位購買轉化率呈下降趨勢，說明該航線的淡季可能即將來臨。

3.2.4 艙位購買速率模型

基于航運電商平臺的艙位庫存數據，可以建立艙位購買速率模型。如果艙位庫存快速下降，說明旺季來臨的可能性較大；反之，如果艙位庫存始終保持在高位，說明淡季來臨的可能性較大。

3.2.5 退艙率模型

航運電商平臺一般采取艙位預售方式，預售期為2～3個月。如果退艙率較高，說明淡季可能即將來臨，市場運力供過于求，促使客戶在不同船公司之間選擇低價出運；反之，如果退艙率較低，說明旺季可能即將來臨，客戶為了保證艙位而不愿退艙。

4 結束語

航運電商大數據在集裝箱航運業中的應用不僅能夠優化客戶體驗，防止客戶流失，而且有助于船公司分析客戶行為習慣，判斷市場走勢，從而為船公司基于客戶需求及時調整產品供給提供參考。未來，當航運電商大數據發展到一定水平時，在市場規律的作用下，航運市場的供求關系有望在大數據的環境下逐漸趨于理性。

參考文獻：

[1] 維克托€仿醵？舍恩伯格，肯尼思€房飪艘？ 大數據時代[M].盛楊燕，周濤，譯. 杭州：浙江人民出版社，2013：26.

[2] 陳毅鵬. 基于階梯式定價法的集裝箱市場運價發現機制[J].集裝箱化，2016，27（6）：1-4.

（編輯：張敏 收稿日期：2016-10-10）