《Alexandria Engineering Journal》：MOP-LSTM: A multi-objective planning method integrating LSTM for marketing strategy decision-making
编辑推荐：
在当前营销策略决策的实际场景中，企业常常面临精准平衡多重营销目标与有效应对市场动态变化的两难困境。为应对该问题，研究人员创新性地构建了由长短期记忆网络（Long Short-Term Memory, LSTM）支撑的多目标规划（Multi-Objective
在当前营销策略决策的实际场景中，企业常常面临精准平衡多重营销目标与有效应对市场动态变化的两难困境。为应对该问题，研究人员创新性地构建了由长短期记忆网络（Long Short-Term Memory, LSTM）支撑的多目标规划（Multi-Objective Programming, MOP）模型。在求解该模型时，研究人员采用粒子群优化（Particle Swarm Optimization, P,SO）算法，通过该算法的运算，最终得到能够兼顾所有营销目标的最优策略组合。实证研究结果表明，相较于传统的多目标规划（MOP）基准方法，所提出的MOP-LSTM方法实现了更高的营销盈利能力，平均相对提升达14%（测试期内平均收益率从19.3%提升至22.0%）。MOP-LSTM模型展现出更优的适应性，测试期内销售量预测的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）控制在±6%以内。该模型为复杂多变市场环境下的营销策略制定提供了更为科学精准的规划方案，有效促进了各项营销目标的达成。
随着数字技术重塑企业与消费者的交互方式，营销决策正经历从经验驱动向模型驱动的深刻转型。在此过程中，人工智能（Artificial Intelligence, AI）日益被视为核心"决策智能"工具，通过增强组织的信息处理与策略生成能力，成为构建可持续竞争优势的战略资产。在宏观层面，这一转型体现为企业向智能化生产力的转变，其核心在于利用先进模型对市场需求进行精准预测。过去十年间，社交媒体、电子商务平台及移动支付的普及使企业能够捕获数十亿条实时行为轨迹、交易记录与舆情信号。与此同时，供应链全球化与渠道碎片化使得在恰当时间、以恰当价格、通过恰当渠道触达合适消费者变得空前复杂。此外，移动环境下消费者的决策过程还受到复杂情境因素的调制，例如，Jin等（2025）的最新研究表明，社会拥挤等外部环境因素会显著影响消费者在移动设备购物时的信息处理模式与决策偏差，进一步加剧了动态市场中精准预测消费者响应和制定有效策略的挑战。面对高度波动的需求曲线与不断攀升的客户获取成本，营销总监必须在销售增长、利润率保护和品牌资产积累之间进行微妙平衡，而传统的单目标、静态或分段式优化方法已难以胜任。
在方法论层面，深度学习尤其是长短期记忆网络（LSTM）为动态需求预测提供了新的精度边界。LSTM通过门控机制有效捕捉季节、促销、价格及宏观事件对销售的非线性滞后效应，已被证实能够降低预测误差。然而，现有研究大多局限于预测-评估闭环，将LSTM输出作为外生参考并基于经验调整预算或价格。一旦涉及多渠道预算分配、价格带设计及促销排期组合，决策者仍需在多个相互冲突的关键绩效指标（Key Performance Indicator, KPI）之间反复权衡。这种先预测后决策的分段模式不仅耗时，且易因人为赋权而偏离全局最优，导致"预测准确但决策不佳"的悖论。
此外，营销活动中的"促销排期组合"问题本质上是动态多目标约束下的资源分配与时序优化问题，与应急响应、物流配送、生产调度等复杂调度领域面临的核心挑战具有高度结构相似性，即如何在有限资源、不确定性和多重目标之间做出实时最优决策序列。例如，Long等（2026）在应急调度研究中开发的智能跟踪调度算法，通过整合实时数据感知与多目标优化，显著提升了动态变化环境中的资源利用效率和任务完成率。其研究表明，无论是应对突发事件的应急资源调度还是管理市场竞争的营销活动调度，均依赖于能够处理时序依赖、多目标权衡与动态约束的智能决策框架。这进一步证实了将先进时序预测模型（如LSTM）与多目标优化技术深度耦合，对于解决包括营销策略决策在内的广泛动态资源调度问题具有普适性方法论价值和广阔应用前景。
近年来，预测模型与优化模型的端到端耦合已成为运筹学与营销学交叉领域的新趋势。所谓端到端，是指将预测输出响应曲线、弹性系数或状态转移概率直接嵌入优化层的目标函数与约束右端，从而消除人工接口导致的信息损失。在供应链和收益管理场景中，类似框架已被证明能够提升净利润，但营销领域的研究仍较为碎片化，多数研究仅关注单一目标（如点击率或投资回报率最大化），忽视了销售、利润与品牌指标之间的结构性冲突。现有耦合框架常使用简单回归或时序模型作为预测引擎，难以捕捉促销与价格锯齿形态的复杂映射。营销决策变量的定义模糊，渠道预算、价格折扣与促销强度常被简化为同维向量，难以实施落地。
现有混合LSTM框架多聚焦于单目标优化，而本研究提出的MOP-LSTM创新性地构建了多目标协同优化体系。其核心特征在于将营销场景中的多维决策需求转化为可量化的多目标函数，并通过Pareto前沿分析实现目标间的动态平衡。与传统框架采用线性加权或分层优化策略不同，MOP-LSTM采用ε-约束法构建多目标规划模型，将LSTM的时序预测能力与多目标决策机制深度耦合。这不仅保留了LSTM在捕捉营销数据非线性特征方面的优势，也通过多目标优化框架实现了策略决策的全局统筹。
本研究重要贡献包括：其一，突破传统研究范式，创新性地构建了基于长短期记忆网络（LSTM）的多目标规划融合方法（MOP-LSTM）。该方法通过深度耦合LSTM的时序动态特征提取机制与多目标规划的约束优化框架，形成面向营销决策场景的智能技术体系，为多目标协同优化问题的解决提供了新的理论工具。其二，MOP-LSTM方法通过构建目标间的非线性约束关系网络，实现了营销目标体系的Pareto最优均衡。相较于传统单目标优化方法，该框架能够系统性地消解目标冲突问题，在保证各目标可行域约束的同时，通过多目标协同优化机制实现全局最优解，显著提升决策方案的综合效能。
研究人员以中国某快消品企业2016年至2024年的全渠道营销数据为样本开展实证研究，数据来源包括企业ERP系统、电商平台API接口、Nielsen市场监测报告及内部竞品追踪系统，核心数据涵盖全渠道销售时序数据、动态定价策略数据、广告投放效果数据、市场竞争格局数据及消费者体验反馈数据。该研究采用的关键技术方法包括：以TensorFlow 2.8+Keras构建三层堆叠LSTM网络进行底层特征提取，以MATLAB R2022a中的PSO工具箱实现顶层多目标优化；运用注意力机制将LSTM隐藏状态聚合为上下文向量，并通过全连接层建立到决策变量的显式映射；采用ε-约束法将多目标问题转化为单目标子问题序列，以改进粒子群优化算法求解Pareto最优解集；通过线性递减惯性权重策略平衡PSO的探索与开发能力。
研究结果为以下方面：
LSTM关键信息提取与特征映射方面，LSTM网络通过输入门、遗忘门和输出门的协同调控机制，有效缓解了循环神经网络中的梯度消失问题。在处理营销时序数据时，LSTM逐帧输入营销指标序列（如日销售额、用户点击率等），其门控单元采用自适应权重分配机制筛选当前时刻的有效信息进入记忆单元，同时选择性保留历史关键趋势特征。通过注意力机制将最终LSTM层的隐藏状态序列聚合为上下文向量，再经全连接层变换为初步决策向量，并通过投影操作满足硬性约束条件，从而建立从LSTM时序模式到可执行营销决策的显式映射。
多目标规划模型构建方面，基于LSTM输出的特征信息，结合企业营销目标与约束条件构建多目标规划模型。该模型系统整合了三个核心营销目标：利润最大化、市场份额提升和客户满意度改善。通过资源约束（广告预算上限、库存周转率）、成本约束（单客获取成本阈值）和市场容量约束（区域消费潜力上限）构成复合约束体系。采用ε-约束法将多目标问题转化为系列单目标优化子问题，在确保各目标可行域不重叠的前提下，通过改进粒子群算法求解Pareto最优解集。
粒子群优化求解方面，将LSTM估计的边际响应系数和价格弹性固化到多目标规划的目标函数系数中，与预算、价格、促销排期等可执行决策变量拼接形成完整解向量。针对营销中销售收入、利润与品牌资产的冲突特性，采用ε-约束法构建适应度评价，每个粒子对应一组策略组合，其约束违反度的加权求和与目标达成度构成适应度评分。迭代过程中依据认知-社会学习规则动态调整粒子速度，确保在响应面突变区域仍维持探索能力。
MOP-LSTM模型整体架构方面，该模型深入挖掘营销领域的核心时序数据，涵盖历史销售记录、市场份额动态变化及消费者需求演化趋势数据。所有原始数据经标准化预处理（包括数据清洗、异常值剔除、归一化和序列重构）后，依托LSTM网络独特的输入门、遗忘门和输出门协同调控机制，精准捕捉市场时序数据中隐含的长期依赖关系与动态演化规律，实现对营销效果关键影响特征的有效提取与量化表征。模型求解阶段采用粒子群优化算法，通过群体智能搜索机制求解多目标优化问题，最终输出兼顾各目标优先级的Pareto最优营销策略组合。
模型评价指标方面，采用均方误差（Mean Squared Error, MSE）、平均绝对误差（Mean Absolute Error, MAE）、平均绝对百分比误差（MAPE）、可决系数（R2）和收益率（Profit, P）等多维度指标量化模型性能。其中，MOP-LSTM在MSE、MAE和MAPE三个误差指标上均录得最小值（分别为0.96、1.01、0.70），验证了预测精度与优化决策的协同提升。
消融实验方面，为科学验证MOP-LSTM模型分层融合架构中核心组件的必要性，研究人员设计了系统的消融实验。基于控制变量法，通过依次移除或替换关键创新模块构建四组退化模型：模型A（仅MOP）以ARIMA替代LSTM特征提取层；模型B（LSTM+启发式）使用LSTM进行销售预测但基于简单启发式规则生成策略；模型C（LSTM+单目标）将多目标规划简化为单一利润最大化目标；模型D（MOP-LSTM）为完整模型。实验结果表明，MOP-LSTM在所有误差指标上均达到最优（MSE=0.96，MAE=1.01，MAPE=0.70，R2=0.97），方案覆盖率最高（75.63%），验证了各组件的协同增效作用。
研究结论部分翻译如下：本研究创新性地构建了融合长短期记忆网络（LSTM）与多目标规划的营销决策框架（MOP-LSTM），通过时序特征提取与多目标协同优化的双机制，为动态市场环境下的策略制定提供了系统化解决方案。具体而言，该模型首先利用LSTM网络对营销时序数据（如销售波动、价格弹性、广告响应等）进行深度特征挖掘，其门控结构有效捕捉了市场趋势的长期依赖关系与短期波动特征，为后续规划模块提供高精度预测输入。在此基础上，多目标规划层以最小化营销成本、最大化客户满意度和扩大市场份额为目标函数，通过改进粒子群优化算法（PSO）求解Pareto最优解集，实现三目标间的动态权衡。
实证研究表明，相较于传统单目标模型或独立LSTM预测方法，MOP-LSTM在三个维度展现出显著优势：策略有效性提升23.7%，表现为促销活动转化率与平均订单价值的同步增长；市场适应性提高41.2%，能够快速响应消费者偏好的迁移。该模型不仅通过数据驱动决策机制为企业提供了从经验判断到量化决策的转型工具，也通过多目标协同优化框架解决了传统营销中"成本-效益-规模"难以兼存的痛点。
本研究在方法论层面实现了两大突破，拓展了LSTM在商业分析中的应用边界：通过特征工程将原始时序数据转化为可解释的营销决策变量，并构建了适应复杂商业环境的多目标规划体系；其分层优化结构可灵活嵌入企业现有ERP/CRM系统。未来研究可进一步探索社交媒体情感分析等非结构化数据的融合，构建更全面的市场感知系统，为企业数字化转型提供理论支持与实践工具。
尽管MOP-LSTM模型在预测准确性和多目标协同优化方面表现优异，但其决策过程仍部分受制于LSTM网络的"黑箱"特性。这种内部复杂性和不透明性可能影响营销决策者对模型推荐策略的信任度和实际采纳意愿，尤其在需要清晰理解"为何选择该策略"及"关键因素如何影响最终结果"的战略制定场景中。因此，在确保模型性能的同时，增强其决策 Anne的interpretability和透明度是推动此类智能系统在实际营销管理中落地的关键步骤。未来工作的重要方向是提升MOP-LSTM决策模型的可解释性，借鉴可解释人工智能（Explainable Artificial Intelligence, XAI）的前沿方法（如Shapley Additive Explanations, SHAP），为打开LSTM网络内部状态的"黑箱"提供清晰直观的决策依据。鉴于LSTM训练固有的随机性及PSO算法的随机性，未来研究将进行多次独立实验，报告关键性能指标的平均值、标准差及95%置信区间，以更全面评估模型的鲁棒性和泛化能力，从而提高研究成果的可信度，为实际营销决策中的风险评估提供可靠依据。
