截止2018年,我国网购消费者数量达到6.1亿,占总网民数量的76.06%,在线购物交易额达到6.6万亿,占社会消费品零售总额的22.7%,在线零售行业飞速发展。为了获取在线零售的红利,大量的在线零售商出现加剧了行业的竞争,迫使在线零售商寻求更加有效的市场与运作策略。并且,随着数据挖掘、分析技术的发展,在线零售商积累的数据作为理解消费者、优化自身运作模式的基础得到越来越多的重视。因此,进行以数据为基础的研究以解决当前在线零售商面临的运作问题具有重要的现实意义,成为当下研究的热点。传统的关于在线零售商的研究大多采用模型优化的方法,忽视了数据的作用。然而,在实践当中,数据记录了消费者在购买产品过程中的相关信息,对在线零售商理解消费者购物规律、分析产品销售特征,并以此为基础优化自身运作模式具有重要作用。现实中,数据的利用、披露在在线零售行业中得到了广泛应用。但是,不同的在线零售商面临的问题各不相同,并且目前并没有针对性的、完善的理论体系。因此,本文在结合国内在线零售商运作实践的基础上,将研究聚焦于通过数据的利用、披露,解决在线零售商在运营过程中面临的问题。具体研究内容如下:(1)针对我国限时特卖型在线零售商,以唯品会实际的销售模式为背景,对在线零售商面临的促销预算与流量分配问题进行研究。本文首先通过机器学习的方法,建立促销预算、流量与最终销售额之间的关系,并创新性地以预测模型准确性为标准对所有品牌进行品牌组划分,解决了部分品牌由于历史销售数据较少而不能进行有效的销售额预测的问题。其次,分别以总销售额、总销售利润最大化建立了促销预算与流量的优化分配模型。结果显示优化模型与算法具有较高的稳定性,并且优化后的促销预算与流量分配模式对总销售额与总销售利润有较大幅度的提升,平均能够提升20.6%的销售额以及30.08%的销售利润。(2)基于唯品会积累的消费者购买数据,研究了在线零售商服饰类产品尺码推荐模式与算法。本文首次将汤普森抽样应用在尺码推荐问题当中,提出了不需要消费者进行参数输入的尺码推荐算法。研究首先将消费者的统计尺码特征与个体尺码特征相结合,增加了尺码预测算法的准确性;其次,以强化学习理论为基础,提出了两种不同的尺码推荐方式,并分别对其适用的场景进行说明;第三,通过基于真实数据的仿真实验得出本文提出的新型尺码预测与推荐算法的准确性达到95.86%,使得因尺码问题产生的退货率下降62%,销售利润上升8.6%。(3)针对我国传统型在线零售商,以淘宝、京东为例,考虑向消费者披露产品历史销售数据的行为以及消费者的产品信息搜集成本,研究在线零售商的产品定价模式与是否披露产品的历史销量数据的选择问题。本文首次将产品的历史销售量与消费者购买效用结合,体现出产品历史销售量对消费者购买决策的影响。结果表明,首先,是否向消费者公开产品的历史销量数据取决于消费者搜集产品相关信息的成本以及对产品历史销量数据的敏感性,只有当消费者的信息搜集成本较低,并且对历史销量数据的敏感性较高时,才会选择公开产品的历史销量数据;第二,当在线零售商公开产品历史销量数据时,在固定定价模式下,应采用低价销售策略,而在动态定价模式下,应先采用低价后采用高价销售策略。(4)在研究问题(3)的基础上,针对向消费者披露产品历史销售数据的在线零售商,在其通过第三方购物网站销售产品的场景中,考虑产品销售过程中的参考价格效应,对该在线零售商是否应该对产品价格进行调整以及是否应该向消费者披露产品的历史销售数据进行研究。研究指出,首先,向消费者披露产品的历史销售数据或进行价格调整的销售策略总是优于隐瞒相关信息的策略;第二,如果在线零售商仅对产品价格进行调整,应采用先高价后低价策略,仅公开产品的历史销售数据时,应采用低价策略;第三,当在线零售商选择公开产品的历史销售数据时,应同时对产品的价格进行调整,以获取更好的销售表现;第四,参考价格效应与公开产品历史销售数据的影响存在冲突,因此混合策略并不会一直优于单一销售策略,而是取决于消费者的相关特性。