基于广义随机PETRI网的一种O2O模式分析

摘要：文章针对o2o模式定量分析方法的不足，从系统建模的视角，以国内某高校中某电商的一种典型o2o模式――buy online and pick up at store（bops）为研究对象，结合该电商的运营数据，通过广义随机petri网对该模式进行建模抽象。再将模型与连续时间马尔科夫链理论结合，分析系统性能，继而找出这种o2o模式运作的瓶颈环节并提出主要优化方向。

关键词： o2o；bops；petri网；马尔科夫链

中图分类号：c931.6 文献标识码：a 文章编号：1006-4311（2016）19-0101-02

0 引言

越来越多的电商开始关注于这一模式在运作效率上存在的瓶颈环节，如何找出这些瓶颈是本文研究目的。

本文将研究范围从o2o缩小至bops模式，利于模型的准确构建。弥补了现阶段o2o模式研究中缺少对系统自身研究以及缺乏定量分析手段的短板。

1 bops模式

1.1 bops模式的组成要素

bops模式是一种典型的线上渠道与线下渠道融合的营销方式。现实中能见到相当多的案例，包括：amazon-好德o2o联盟、1号店-全家o2o等“电商-零售”的组合。这种运作方式所涉及的组织或群体包括：客户、线上购物平台、存储主体以及线下门店。

线上购物平台：主要指客户与电商的线上交互平台。

存储主体：指电商在线下门店附近所安置的固定存货场所。其包含的功能包括仓库管理、商品分拣、商品配送。

线下门店：主要指客户与电商的线下交互平台，如提货点、线下门店分店以及便利店。

1.2 bops模式的典型业务流程

在bops模式中，四种基本因素之间有不同的交互内容。线上的交互以信息流和资金流为主，线下的交互则以客流和物流为核心。①客户浏览零售商指定的网上购物平台后选择将要购买的商品。②购物平台将客户需求以订单的形式传递给距离客户最近的存储主体。③产品存储主体将订单拆分，并且进入商品的分拣与包装阶段。将客户订单最终转化成为“包裹”形式。④最终产品零售和配送主体：在bops模式中表现为“线下门店”客户“包裹”被送至线下门店后，门店工作人员需将“包裹”记录备案并且妥善存放，同时通知客户取货和交易。基于上述分析，得出bops模式的典型基本业务流程。在实际情况中，经常会出现客户无法来店取货，线下门店提供“点对点”配送服务。另外也会出现客户不满意而退货等其他情况。在此，只分析bops模式的典型流程，对上述及其他特殊情形暂不做讨论。

2 bops模式模型构建

2.1 广义随机petri网

广义随机petri网（generalized stochastic petri net）是将传统petri网中的变迁（transition）与随机转移速率（transition rate）相结合的一种petri网。其在复杂并行系统、制造系统、业务流程的建模和动态性能分析方面具有广泛的应用。

2.2 建模过程与数据确定根据广义随机petri网的定义，结合bops模式的业务流程，现建立广义随机petri网模型。

得到该广义随机petri网的代数表达式：

连接弧集合也随着模型的确定而确定，初始标识设置为状态。在这里，通过与该家线下门店实际的交流与调研获取了该模型中部分关键的转移速率。剩余部分数据是从该电商的季度财务报告所得，如表1所示。

3 模型的计算与分析

由表1中的数据，得到转移速率矩阵：

求解后得出平稳分布为：

p（m2）=0.0006 p（m4）=0.0042

p（m5）=0.0207 p（m6）=0.0005

p（m7）=0.0036 p（m8）=0.0003

p（m9）=0.9744

根据平稳分布可以计算bops模型的性能指标，包括库所的平均标记数、系统平均执行时间。

①库所平均标记数：该性能指标反映了系统中各个库所繁忙程度。经过计算得到表2。

很显然，库所p12的平均标计数最大，即客户处于结束交易状态的时间是最长的。这非常符合实际情况，因此在该库所成为整个系统的最大瓶颈。也是零售商优化bops模式的重点。除此之外，p5、p6以及p7的平均标记数也较大。这是由于物流部门在拆分订单、包装分拣以及运输环节消耗了较多时间。同样，这亦是bops模式优化的主要方向。

②系统平均执行时间：根据利特尔法则可以计算出bops模式某个子系统的平均执行时间，最终获得整个系统的平均执行时间：t≈35601（分钟）≈24（天）。

4 结束语

本文从系统仿真的角度出发，对当今最为典型、流行的一种o2o模式进行建模和仿真，找出这种模式运营过程中的瓶颈环节。为定量分析o2o模式提供了新的思路和方法。根据分析结果，目前bops模式在订单拆分、包装分拣以及运输配送上花费了绝大多数的时间，因此日后需要进一步在这些环节上优化。优化的一个方向是增加流程中的作业资源；另一方向则是基于o2o模式独有的线上客户数据，对数据进行分析，预测运输需求，基于预测将有限的资源运用在最为需要的地方。