大數(shù)據(jù)技術(shù)在特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷中的應(yīng)用

摘 要：利用大數(shù)據(jù)技術(shù)可以對(duì)特色農(nóng)產(chǎn)品市場(chǎng)中龐大的數(shù)據(jù)進(jìn)行深入挖掘和分析，從而為農(nóng)產(chǎn)品銷售者提供更準(zhǔn)確的市場(chǎng)信息，支持更智能、更精準(zhǔn)的營(yíng)銷決策。本文基于大數(shù)據(jù)技術(shù)，對(duì)特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)進(jìn)行建設(shè)研究，從營(yíng)銷數(shù)據(jù)采集、營(yíng)銷數(shù)據(jù)預(yù)處理、營(yíng)銷數(shù)據(jù)分析和營(yíng)銷決策支持等方面組建特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)，并通過(guò)測(cè)試驗(yàn)證平臺(tái)性能。結(jié)果表明，大數(shù)據(jù)技術(shù)在特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷中具有潛在的應(yīng)用價(jià)值，有望促進(jìn)農(nóng)產(chǎn)品產(chǎn)業(yè)的進(jìn)一步發(fā)展。

關(guān)鍵詞：大數(shù)據(jù)；農(nóng)產(chǎn)品營(yíng)銷；客戶分類；精準(zhǔn)營(yíng)銷

中圖分類號(hào)：TP 393" " " " " 文獻(xiàn)標(biāo)志碼：A

通過(guò)大數(shù)據(jù)技術(shù)，農(nóng)產(chǎn)品銷售者可以更好地了解市場(chǎng)趨勢(shì)、消費(fèi)者偏好，精準(zhǔn)定位市場(chǎng)，實(shí)現(xiàn)需求預(yù)測(cè)，并制定更智能的決策，從而提高效率和盈利能力。因此，本文將關(guān)注如何構(gòu)建基于大數(shù)據(jù)技術(shù)的特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)，以期幫助農(nóng)產(chǎn)品銷售者更好地滿足市場(chǎng)需求，提高特色農(nóng)產(chǎn)品的營(yíng)銷服務(wù)品質(zhì)，并最終提升競(jìng)爭(zhēng)力。

1 基于大數(shù)據(jù)技術(shù)的特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)架構(gòu)設(shè)計(jì)

基于大數(shù)據(jù)技術(shù)的特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)架構(gòu)可分為營(yíng)銷數(shù)據(jù)采集、營(yíng)銷數(shù)據(jù)預(yù)處理、營(yíng)銷數(shù)據(jù)分析以及營(yíng)銷決策支持4個(gè)部分。特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)架構(gòu)如圖1所示。

1.1 營(yíng)銷數(shù)據(jù)采集

數(shù)據(jù)采集是特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)的底層基礎(chǔ)，需要建立有效的數(shù)據(jù)源接入機(jī)制，確保數(shù)據(jù)的完整性和準(zhǔn)確性[1]。

1.2 營(yíng)銷數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)中的數(shù)據(jù)清洗和初步加工階段。在該步驟中，收集的數(shù)據(jù)需要經(jīng)過(guò)清洗、去重、異常值處理和標(biāo)準(zhǔn)化等操作，以便為后續(xù)的數(shù)據(jù)分析提供高質(zhì)量的數(shù)據(jù)。

1.3 營(yíng)銷數(shù)據(jù)分析

營(yíng)銷數(shù)據(jù)分析是特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)的核心部分，其中包括市場(chǎng)精準(zhǔn)定位和市場(chǎng)需求預(yù)測(cè)，可以幫助農(nóng)產(chǎn)品銷售者更好地理解市場(chǎng)，預(yù)測(cè)不同特色農(nóng)產(chǎn)品的需求趨勢(shì)。

1.4 營(yíng)銷決策支持

營(yíng)銷決策支持是特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)的最終目標(biāo)。通過(guò)大數(shù)據(jù)分析，農(nóng)產(chǎn)品銷售者可以獲得客戶喜好、銷售趨勢(shì)以及產(chǎn)品特點(diǎn)等營(yíng)銷數(shù)據(jù)，從而有針對(duì)性地進(jìn)行營(yíng)銷策略制定、產(chǎn)品推廣和供應(yīng)鏈管理。

2 硬件設(shè)計(jì)

為了支持大規(guī)模特色農(nóng)產(chǎn)品數(shù)據(jù)的處理與存儲(chǔ)需求，選用HPE ProLiant DL380 Gen10的高性能服務(wù)器，搭載256GB DDR4 ECC RDIMM內(nèi)存，以保證數(shù)據(jù)處理的高速和穩(wěn)定性。為了儲(chǔ)存龐大的農(nóng)產(chǎn)品數(shù)據(jù)，配置8×1.92TB SAS SSD硬盤，并采用RAID配置，以滿足長(zhǎng)期保存和高效訪問(wèn)數(shù)據(jù)的需求，確保數(shù)據(jù)不會(huì)丟失且能夠快速檢索。為了實(shí)時(shí)監(jiān)測(cè)農(nóng)產(chǎn)品庫(kù)存和銷售情況，采用Sensirion SHT3x溫度傳感器，實(shí)時(shí)監(jiān)測(cè)設(shè)備工作狀態(tài)，并通過(guò)無(wú)線網(wǎng)絡(luò)連接平臺(tái)，同時(shí)采集特色農(nóng)產(chǎn)品的產(chǎn)量、品質(zhì)等關(guān)鍵數(shù)據(jù)[2]。此外，為了建立可靠連接并實(shí)現(xiàn)數(shù)據(jù)的高速傳輸，添加以下硬件設(shè)備：Aruba 3810M Series交換機(jī)、Cisco Catalyst 9000系列路由器以及Fortinet FortiGate 6000防火墻，構(gòu)建一個(gè)穩(wěn)定可靠、高速傳輸?shù)木W(wǎng)絡(luò)環(huán)境，確保平臺(tái)能夠快速、安全地傳輸海量特色農(nóng)產(chǎn)品數(shù)據(jù)，從而實(shí)現(xiàn)特色農(nóng)產(chǎn)品的精準(zhǔn)營(yíng)銷。

3 軟件設(shè)計(jì)

3.1 營(yíng)銷數(shù)據(jù)采集

在Web服務(wù)器上部署Java作為專門的數(shù)據(jù)接收應(yīng)用，以接收來(lái)自Web瀏覽器的HTTP請(qǐng)求。并開(kāi)發(fā)API端點(diǎn)，使消費(fèi)者的瀏覽歷史和行為數(shù)據(jù)能夠通過(guò)HTTP POST請(qǐng)求發(fā)送到服務(wù)器。根據(jù)API接口的要求，使用Apache Kafka流式數(shù)據(jù)處理框架，設(shè)置數(shù)據(jù)處理管道，以接收實(shí)時(shí)的數(shù)據(jù)流，確保數(shù)據(jù)能夠被迅速傳送和存儲(chǔ)[3]。從HTTP請(qǐng)求中提取瀏覽歷史和行為數(shù)據(jù)，例如訪問(wèn)的URL、用戶代理信息和時(shí)間戳等，以滿足后續(xù)存儲(chǔ)和分析的需求。基于大數(shù)據(jù)技術(shù)的的特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷數(shù)據(jù)采集流程如圖2所示。

同時(shí)，與阿里巴巴和京東等第三方DMP提供的API接口對(duì)接，使用OAuth認(rèn)證協(xié)議進(jìn)行身份驗(yàn)證，以確保數(shù)據(jù)的安全傳輸。一旦授權(quán)成功，根據(jù)API接口規(guī)范，使用API端點(diǎn)來(lái)請(qǐng)求目標(biāo)人群的數(shù)據(jù)。獲取多維度、多來(lái)源的數(shù)據(jù)后，數(shù)據(jù)將用于后續(xù)的數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析和決策支持，以制定更有效的營(yíng)銷策略。

3.2 營(yíng)銷數(shù)據(jù)預(yù)處理

在獲得特色農(nóng)產(chǎn)品營(yíng)銷數(shù)據(jù)后，使用OpenRefine數(shù)據(jù)質(zhì)量工具，進(jìn)行原始數(shù)據(jù)的質(zhì)量檢查和修正，以剔除數(shù)據(jù)缺失、重復(fù)和異常值。隨后，采用Python編程語(yǔ)言中的Pandas庫(kù)進(jìn)行HTML標(biāo)記去除，并統(tǒng)一日期格式。為了便于后續(xù)處理，使用Tabula工具將特色農(nóng)產(chǎn)品營(yíng)銷數(shù)據(jù)從不同格式轉(zhuǎn)換為JSON或CSV的結(jié)構(gòu)化數(shù)據(jù)格式，并進(jìn)行初步的存儲(chǔ)準(zhǔn)備。隨后，通過(guò)采用SIPUR標(biāo)識(shí)位識(shí)別方式，建立特色農(nóng)產(chǎn)品營(yíng)銷數(shù)據(jù)調(diào)度模型，獲取數(shù)據(jù)融合系數(shù)，獲取營(yíng)銷數(shù)據(jù)融合系數(shù)Q（u），計(jì)算過(guò)程如公式（1）所示。

（1）

式中：xi為營(yíng)銷數(shù)據(jù)匯總統(tǒng)計(jì)指標(biāo)；n為融合約束條件個(gè)數(shù)；α為營(yíng)銷數(shù)據(jù)內(nèi)部關(guān)聯(lián)性指標(biāo)；β為營(yíng)銷數(shù)據(jù)編碼特征；ui為營(yíng)銷數(shù)據(jù)的模糊度辨識(shí)參數(shù)。獲取營(yíng)銷數(shù)據(jù)融合系數(shù)Q（u）后，利用Apache Hadoop進(jìn)行數(shù)據(jù)提取和編碼，使用Apache Spark進(jìn)行數(shù)據(jù)融合，計(jì)算過(guò)程如公式（2）所示。

（2）

式中：W為融合后的特征解向量；Qi為數(shù)據(jù)匹配特征量。使用Apache Kafka工具完成數(shù)據(jù)組網(wǎng)設(shè)計(jì)，以支持實(shí)時(shí)數(shù)據(jù)流處理。同時(shí)，采用高級(jí)加密標(biāo)準(zhǔn)（AES）對(duì)稱加密算法，通過(guò)256位密鑰的操作，對(duì)特色農(nóng)產(chǎn)品營(yíng)銷數(shù)據(jù)進(jìn)行加密處理，保障數(shù)據(jù)安全。結(jié)合使用ETL（抽取、轉(zhuǎn)換、加載）數(shù)據(jù)處理工具，輸出預(yù)處理后的數(shù)據(jù)，并使用Mongo DB進(jìn)行營(yíng)銷數(shù)據(jù)分類，并建立特色農(nóng)產(chǎn)品營(yíng)銷數(shù)據(jù)倉(cāng)庫(kù)。

3.3 營(yíng)銷數(shù)據(jù)分析

3.3.1 市場(chǎng)精準(zhǔn)定位

根據(jù)營(yíng)銷數(shù)據(jù)分析需求，提取消費(fèi)者屬性、興趣偏好、消費(fèi)能力等輸入特征，應(yīng)用于K均值聚類算法，通過(guò)肘部法則確定要分成的簇的數(shù)量K，隨機(jī)選擇K個(gè)數(shù)據(jù)點(diǎn)作為初始簇心，確保市場(chǎng)細(xì)分足夠精準(zhǔn)，但又不過(guò)度分割，從而獲得有意義的子市場(chǎng)。使用歐氏距離公式，計(jì)算每個(gè)數(shù)據(jù)點(diǎn)與各簇心的距離，將每個(gè)數(shù)據(jù)點(diǎn)分配到距離最近的簇，確保相似的客戶被分到同一個(gè)子市場(chǎng)。歐氏距離如公式（3）所示。

（3）

式中：A、B分別為要比較距離的2個(gè)點(diǎn)；xv和yv為點(diǎn)A和點(diǎn)B在t維空間中的各坐標(biāo)；t為數(shù)據(jù)點(diǎn)的維度，即空間中的坐標(biāo)數(shù)目。d（A，B）為點(diǎn)A和點(diǎn)B之間的歐式距離。通過(guò)嘗試不同的K值并計(jì)算對(duì)應(yīng)的歐式距離，選擇最佳的K值。然后進(jìn)行每個(gè)簇的簇心更新，以更好地描述該子市場(chǎng)的特點(diǎn)，為后續(xù)分析和定位提供更準(zhǔn)確的信息。計(jì)算過(guò)程如公式（4）所示。

（4）

式中：μk為第k個(gè)簇的新簇心；nk為第k個(gè)簇的成員數(shù)，即簇內(nèi)的數(shù)據(jù)點(diǎn)數(shù)量；xt為第k個(gè)簇中的第i個(gè)數(shù)據(jù)點(diǎn)，其坐標(biāo)可以是多維的。通過(guò)迭代，最小化簇內(nèi)方差，確保數(shù)據(jù)點(diǎn)被分配到最合適的子市場(chǎng)。同類數(shù)據(jù)點(diǎn)將分配到一個(gè)簇，這些簇代表不同的群體或市場(chǎng)細(xì)分。通過(guò)分析每個(gè)簇的特點(diǎn)，能夠了解每個(gè)簇代表的客戶或市場(chǎng)細(xì)分的共同特點(diǎn)，獲取特色農(nóng)產(chǎn)品在市場(chǎng)的精準(zhǔn)定位。

3.3.2 市場(chǎng)需求預(yù)測(cè)

市場(chǎng)需求預(yù)測(cè)是營(yíng)銷數(shù)據(jù)分析過(guò)程中的關(guān)鍵任務(wù)。因此，使用ARIMA時(shí)間序列模型，進(jìn)行市場(chǎng)趨勢(shì)預(yù)測(cè)。將特色農(nóng)產(chǎn)品的歷史銷售數(shù)據(jù)按時(shí)間順序（每個(gè)時(shí)間點(diǎn)）進(jìn)行排列，使用數(shù)據(jù)可視化工具Tableau呈現(xiàn)歷史數(shù)據(jù)，以識(shí)別任何趨勢(shì)、季節(jié)性或周期性的模式，以幫助選擇ARIMA模型的參數(shù)。如果數(shù)據(jù)顯示趨勢(shì)或季節(jié)性，就進(jìn)行一階差分操作，使數(shù)據(jù)平穩(wěn)化，計(jì)算過(guò)程如公式（5）所示。

?θp=θp-θp-1 （5）

式中：θp為在時(shí)間p的銷售數(shù)量，θp-1為在時(shí)間p-1的銷售數(shù)量；?θp為差分后的銷售數(shù)量。重復(fù)差分步驟，直到時(shí)間序列平穩(wěn)，獲取平穩(wěn)數(shù)據(jù)后，進(jìn)行ARIMA時(shí)間序列模型構(gòu)建，計(jì)算過(guò)程如公式（6）所示。

Y（T）C+?1Y（T-1）+?2Y（T-2）+…+?（P）Y（T-P）-θ1*ε（T-1）-θ2*ε（T-2）-…-θQ*ε（T-Q）+ε（T）" " " "（6）

式中：Y（T）為時(shí)間序列在時(shí)間點(diǎn)t的觀測(cè)值；C為常數(shù)項(xiàng)；?1，?2，…，?（P）為自回歸項(xiàng)的系數(shù)；θ1，θ2，…，θ（Q）為移動(dòng)平均項(xiàng)的系數(shù)；ε（T）為時(shí)間點(diǎn)t的誤差項(xiàng)（隨機(jī)擾動(dòng)），通常假設(shè)為獨(dú)立同分布的白噪聲。使用訓(xùn)練數(shù)據(jù)擬合的模型進(jìn)行預(yù)測(cè)，并使用均方誤差（MSE）將預(yù)測(cè)結(jié)果與測(cè)試數(shù)據(jù)進(jìn)行比較，以評(píng)估模型的性能，計(jì)算過(guò)程如公式（7）所示。

（7）

式中：MSE為均方誤差；n為樣本數(shù)量；yi為第i個(gè)觀測(cè)值的實(shí)際數(shù)值；為第i個(gè)觀測(cè)值的模型預(yù)測(cè)值。MSE的值越小，為模型的預(yù)測(cè)越接近實(shí)際觀測(cè)值，模型性能越好。在模型評(píng)估和選擇過(guò)程中，通過(guò)比較不同模型的MSE值，進(jìn)行模型的參數(shù)調(diào)整，以提供更準(zhǔn)確的市場(chǎng)需求預(yù)測(cè)。

3.4 營(yíng)銷決策支持

根據(jù)市場(chǎng)需求預(yù)測(cè)的結(jié)果，建立動(dòng)態(tài)定價(jià)策略。如果需求量預(yù)計(jì)增加0%～20%，那么產(chǎn)品價(jià)格將保持不變。若需求增加20%～50%，產(chǎn)品價(jià)格將上調(diào)約30%。對(duì)于需求增加50%～100%的情況，則根據(jù)具體需求，靈活提高產(chǎn)品價(jià)格以優(yōu)化利潤(rùn)。相反，若需求下降30%以上，則自動(dòng)采用競(jìng)爭(zhēng)性價(jià)格策略以吸引更多客戶。

然后進(jìn)行價(jià)格彈性分析，以深入了解價(jià)格變動(dòng)對(duì)銷售量的影響，精確確定價(jià)格調(diào)整的幅度和方向，計(jì)算過(guò)程如公式（8）所示。

（8）

式中：A為價(jià)格彈性；S為銷售量；Z為農(nóng)產(chǎn)品價(jià)格；Δ為變化量。

當(dāng)價(jià)格彈性絕對(duì)值小于1時(shí)，為市場(chǎng)對(duì)農(nóng)產(chǎn)品價(jià)格不太敏感，應(yīng)提高農(nóng)產(chǎn)品價(jià)格以提高利潤(rùn)。當(dāng)價(jià)格彈性絕對(duì)值接近1時(shí)，市場(chǎng)對(duì)農(nóng)產(chǎn)品價(jià)格相對(duì)敏感，但農(nóng)產(chǎn)品價(jià)格變化對(duì)銷售量的影響不是非常大，可小幅度調(diào)整農(nóng)產(chǎn)品價(jià)格。當(dāng)價(jià)格彈性絕對(duì)值大于1時(shí)，市場(chǎng)對(duì)價(jià)格非常敏感，價(jià)格的小幅度變化將顯著影響銷售量，應(yīng)謹(jǐn)慎地管理價(jià)格，并根據(jù)市場(chǎng)需求進(jìn)行更頻繁的價(jià)格調(diào)整。

針對(duì)不同類型的客戶或不同市場(chǎng)細(xì)分狀況，動(dòng)態(tài)化進(jìn)行精準(zhǔn)營(yíng)銷。針對(duì)高端客戶，自動(dòng)提供高價(jià)值產(chǎn)品和服務(wù)，而對(duì)于價(jià)格敏感客戶，則提供多種經(jīng)濟(jì)選項(xiàng)，并規(guī)劃定期促銷活動(dòng)，如自動(dòng)推薦季節(jié)性促銷或假期促銷，以吸引客戶。針對(duì)需求量較低的農(nóng)產(chǎn)品，則基于市場(chǎng)需求分析，推出“需求量低+需求量高”的產(chǎn)品組合或套餐銷售，以提高產(chǎn)品的附加值。或根據(jù)需求預(yù)測(cè)，在特色農(nóng)產(chǎn)品需求最低谷提供贈(zèng)品或折扣，以刺激銷售。同時(shí)，將庫(kù)存可視化展示在特色農(nóng)產(chǎn)品營(yíng)銷平臺(tái)，以維持在線銷售渠道，給予客戶清晰、簡(jiǎn)潔的購(gòu)物體驗(yàn)。

通過(guò)持續(xù)關(guān)注市場(chǎng)動(dòng)態(tài)，使定價(jià)、促銷和分銷策略與市場(chǎng)需求趨勢(shì)相一致，以確保產(chǎn)品滿足客戶需求，提高特色農(nóng)產(chǎn)品銷售業(yè)績(jī)以及所占市場(chǎng)份額，實(shí)現(xiàn)更智能、敏捷和利潤(rùn)驅(qū)動(dòng)的特色農(nóng)產(chǎn)品營(yíng)銷決策支持。

4 測(cè)試試驗(yàn)

4.1 測(cè)試環(huán)境

為測(cè)試本設(shè)計(jì)的性能與準(zhǔn)確度，采用高性能的HPE ProLiant DL380 Gen10服務(wù)器，配置Intel Xeon Gold 6254處理器（（18核，3.1GHz），內(nèi)存為384GB DDR4 ECC RAM。存儲(chǔ)設(shè)備為4×2TB NVMe SSD（固態(tài)硬盤），以支持?jǐn)?shù)據(jù)的快速存儲(chǔ)和檢索。配置交換機(jī)型號(hào)為Cisco Catalyst 3850 Series，并選擇Red Hat Enterprise Linux 8.3作為操作系統(tǒng)，以確保大規(guī)模數(shù)據(jù)處理的強(qiáng)大性能和高可擴(kuò)展性。測(cè)試數(shù)據(jù)方面，準(zhǔn)備過(guò)去5年的歷史銷售數(shù)據(jù)、市場(chǎng)需求數(shù)據(jù)和競(jìng)爭(zhēng)數(shù)據(jù)，驗(yàn)證本設(shè)計(jì)在實(shí)際應(yīng)用中的穩(wěn)定性和可行性。

4.2 測(cè)試結(jié)果

基于上述測(cè)試環(huán)境，本次試驗(yàn)設(shè)置營(yíng)銷數(shù)據(jù)量分別為10GB、20GB、30GB、40GB和50GB。不同營(yíng)銷數(shù)據(jù)量的數(shù)據(jù)處理速度及準(zhǔn)確度情況見(jiàn)表1。

根據(jù)表1可知，本設(shè)計(jì)的數(shù)據(jù)導(dǎo)入速度最高為2.67GB/s，

數(shù)據(jù)清洗速度最高為2.23GB/s，數(shù)據(jù)處理速度最高為1.353GB/s。隨著數(shù)據(jù)量的增多，數(shù)據(jù)導(dǎo)入速度、數(shù)據(jù)清洗速度、數(shù)據(jù)處理速度均逐漸呈現(xiàn)小幅下降趨勢(shì)，但前兩者的總體速度仍高于2GB/s，數(shù)據(jù)處理速度仍高于2GB/s，處理速率較快。而市場(chǎng)精準(zhǔn)定位的準(zhǔn)確度、市場(chǎng)需求預(yù)測(cè)準(zhǔn)確度均高于96%，在不同營(yíng)銷數(shù)據(jù)量的數(shù)據(jù)處理方面總體表現(xiàn)較好，具有一定應(yīng)用價(jià)值。

5 結(jié)語(yǔ)

綜上所述，基于大數(shù)據(jù)技術(shù)的特色農(nóng)產(chǎn)品精準(zhǔn)營(yíng)銷平臺(tái)構(gòu)建，能夠幫助實(shí)現(xiàn)市場(chǎng)精準(zhǔn)定位，準(zhǔn)確預(yù)測(cè)市場(chǎng)需求，從而為特色農(nóng)產(chǎn)品銷售者提供有力的支持。未來(lái)，可進(jìn)一步深化對(duì)營(yíng)銷數(shù)據(jù)分析和銷售服務(wù)體驗(yàn)等方面的探索，以不斷提高設(shè)計(jì)的性能與功能。

參考文獻(xiàn)

[1]王寧娟.大數(shù)據(jù)背景下農(nóng)產(chǎn)品營(yíng)銷策略探究[J].南方農(nóng)機(jī)，2023，54（20）：91-93，116.

[2]張晶，劉秋實(shí).大數(shù)據(jù)背景下農(nóng)產(chǎn)品營(yíng)銷模式創(chuàng)新研究[J].現(xiàn)代農(nóng)業(yè)研究，2023，29（6）：17-19.

[3]宋啟玉.基于“互聯(lián)網(wǎng)+”的農(nóng)產(chǎn)品營(yíng)銷模式創(chuàng)新研究[J].現(xiàn)代化農(nóng)業(yè)，2023（5）：73-75.