快速消费品 B2B 公司资产配置改进：基于多层次增长目标的可解释机器学习框架用于商业冷却器分配
机器学习
2025-11-11 v1
摘要
在快速消费品（FMCG）行业，决定物理资产（如商业饮料冷却器）的放置位置可直接影响收入增长和执行效率。尽管 churn 预测和需求预测在 B2B 场景中已被广泛研究，但用于指导资产配置的机器学习方法仍相对未被探索。本文提出了一个以预测哪些饮料客户最可能在收到冷却器后在销售量上实现显著回报为目标的框架。我们使用来自一家知名中美洲啤酒和饮料公司的私有数据，涵盖 3,119 家 B2B 传统贸易渠道客户，从 2022-01 到 2024-07 接收冷却器，并跟踪冷却器安装前后 12 个月的销售交易。定义了三个增长阈值：年同比销售量增长的 10%、30% 和 50%。分析比较了 XGBoost、LightGBM 和 CatBoost 等机器学习模型的结果，结合 SHAP 进行可解释特征分析，以获得有关改善与冷却器分配相关的业务运营见解；结果显示，最佳模型在不同阈值上的验证集 AUC 分别为 0.857、0.877 和 0.898。仿真结果表明，这种方法可以通过更准确地选定潜在客户以实现预期增长水平，以及不分配不会增长的客户，从而提高 ROI 和降低成本，与传统基于销量的方法相比具有显著的业务管理建议优势。
引用
@article{arxiv.2511.06642,
title = {Improving Asset Allocation in a Fast Moving Consumer Goods B2B Company: An Interpretable Machine Learning Framework for Commercial Cooler Assignment Based on Multi-Tier Growth Targets},
author = {Renato Castro and Rodrigo Paredes and Douglas Kahn},
journal= {arXiv preprint arXiv:2511.06642},
year = {2025}
}