《卷烟货源精准投放的探索与应用》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

卷烟货源精准投放的探索与应用

范文

付秋璇

摘? 要：随着卷烟营销的市场化改革深入开展，探索建立货源投放策略评价指标体系，稳步提升货源投放水平，将公平投放向精准投放转变成为了卷烟营销工作的重要探索方向。结合成都烟草卷烟营销工作实际，从按档位投放这个方向着手，构建模型对货源投放策略以及精准投放的货源分配模式进行探索，为成都烟草卷烟货源精准投放的研究提供依据。

关键词：卷烟营销; 货源投放; 精准投放; 按档位投放

中图分类号：F274? ? ? ? ? 文献标识码：A? ? ?文章编号：1006-8228（2020）12-47-03

Abstract： With the deepening of market-oriented reform of cigarette marketing， exploring and establishing the evaluation index system of supply strategy， improving the standard of supply distribution steadily， and transforming fair supply strategy into precise supply strategy have become an important exploration direction of cigarette marketing. According to the practical situation of tobacco and cigarette marketing in Chengdu， this paper constructs a model to explore the supply delivery strategy and the supply distribution mode with precise supply strategy on the basis of the supply distribution by classification， which can provide a basis for the research of precise supply strategy of cigarette.

Key words： cigarette marketing; supply distribution; precise supply strategy; supply distribution by classification

0 引言

按照國家烟草专卖局的相关文件精神和市场化取向改革试点总体要求。优化货源投放策略，建立货源投放策略评价指标体系，稳步提升货源投放水平，兼顾公平和精准投放的货源分配新模式，这是卷烟营销的重要探索方向。结合成都烟草卷烟营销工作的实际情况，“按档位投放”则成为了精准投放研究的主要目标。

按档位投放是以行业要求为前提，以分档为基础，实现同档同量，以解决货源分配过程中公平公正的问题。但是通过近2年的运行情况来看，客户普遍反馈档位投放精准性不足。所以，在此基础上，结合行业的特质，基于卷烟细分和客户画像体系的“档位+”投放思路，以档位为基础结合烟草客户基础信息标签、客户经营结构标签、客户经营能力标签的信息，通过K-means算法进行聚类细分，再结合按0占比迭代分配算法模型以实现档位投放的精准化。

1 按档位投放模型

1.1 客户标签分类模型

建立安档位投放模型的第一步就是要建立客户标签分类模型，然后将客户标签分类模型得到的客户分类结果与订货量档位相结合进行0占比迭代分配，从而组成安档位投放模型。其中，客户标签分类模型则是将RFM模型指标与烟草客户基础信息标签、客户经营结构标签、客户经营能力标签相结合，利用K-means算法得到的。本文采用成都烟草2018年4月至6月的销售数据进行算法实现与模型训练，并用2018年7月的数据进行验证。

1.1.1 RFM模型指标

RFM模型是衡量客户价值和客户创利能力的重要工具和手段，其中R（活跃度）表示Recency最近一次消费，“R”越低，零售客户的价值越高;F（忠诚度）代表Frequency消费频率，“F”越高，零售客户的价值越高;M（消费能力）表示Monetary消费金额，“M”越高，零售客户的价值越高[1]。本文中对应RFM模型衡量客户价值的三个指标参数分别为零售客户最近一次订烟时间到现在间隔的天数（R）、零售客户最近3个月内订烟的总次数（F）、零售客户3个月内的总订烟金额（M）[2]。如表1所示。

1.1.2 利用K-means算法对客户标签聚类

K-means将含有n个样本的集合分成K个子集合，其中每个子集合代表一个类簇，处于同一类簇中的样本相似性较高。[3]其基本过程是：指定划分的簇的个数k个点作为初始聚类中心，计算剩余各个点到这k个初始聚类中心的距离将其归到距离最小的那一类中，然后计算所有归到各个类中的样本的平均值，重新计算出每个聚类的中心，直到平方误差准则函数稳定在最小值为止[4]。公式为：[J=k=1Ki∈Ckxi-uk2]，其中[uk]是第k个类的重心位置。

K-means算法虽然快速、简单而且相对高效率和可伸缩，但是K-means算法必须事先给出K的个数才能进行计算。肘部算法则是一种可以用来估计最优聚类数量的算法。将K-means里的每个簇的质点与簇内样本点的平方距离误差和称为畸变程度（distortions）。对于一个簇，畸变程度会随着K值的增加而降低，但对于有一定区分度的数据，在达到某个临界点时畸变程度的值会逐渐趋于平缓，此临界点则可看作聚类性能较好的点[5]。现将K-means聚类分析中的数据利用肘部算法进行计算得出图1肘部算法。从图1可知，从K=8开始，畸变程度值逐渐趋于平缓。因此，选取8为K的值进行K-means的聚类。

在不单独选取其中一种卷烟的前提下进行K-means聚類后，可以得到不同价位段所对应的8个客户分类各自的客户数，也可以得到对应分类里零售户的关键属性。

表3? 客户类别含义

[类别类别含义 A 经营规模大，以大型商超、烟酒商店为主的客户，主要位于工业区、商业区和学区，单店销量高 B 经营规模较大，以娱乐服务类店，商超为主，商圈包含商业区，学区，主要在城区 C 经营规模较大，以商场、超市店为主，城镇商业（集贸）区、工业区，主要在城镇区 D 经营规模中等，以超市、便利店为主，居民区（村）、娱乐（旅游）区、旅客中转区，主要在城镇、景区 E 经营规模中等，以超市、便利店为主，学区、政务（商务）区，主要在城镇 F 经营规模较小，以便利店、杂食店为主，居民区（村）、政务（商务）区，主要在城镇、乡村 G 经营规模较小，便利店为主，居民区（村）、学区，主要在城镇、乡村 H 经营规模小，以杂食店为主，学区、居民区（村），主要在乡村 ]

也可单独选择其中一种卷烟，比如玉溪（软）在经过K-means聚类后，将成都客户分为A、B、C、D、E、F、G、H八类。各个类别所代表的含义如表3客户分类含义所示。

1.1.3 按0占比迭代分配算法

将客户类别和订货量档位相结合进行维度交叉。其中客户类别为A到H共八个，档位为七档。其中，0-100条为一档，101-250条为二挡，251-500条为三挡，501-800条为四挡，801-1499条为五档，1500-2999条为六档，3000条以上为七档。

针对档位聚类细分后的客户定义总投放量，统计每类客户的实际订购量。按“档位+”投放的规格，首先根据产品所属价位段找到零售户的价位段分类，然后根据零售户类别结合订货量档位进行货源策略的制定。

“0占比”指最小单元内分解规格周均订购量是0的客户数占最小单元总客户数的比值，“0占比”越低代表组内客户对该卷烟的需求越强，“0占比”越高代表组内客户对该卷烟的需求越弱。

分解过程如下：

⑴ 将零售户类别与订货量档位进行维度交叉;

⑵ 计算每个组合中周均订购量为0的客户数占比，并按升序排列;

⑶ 将0占比最低的组合即订足率高的组合投放量+1，并将商品投放总量减去该最小单元的客户数。如果投放总量剩余量小于等于0则结束分配过程，否则继续对分配;

⑷ 将第3步投放量+1的组合内所有客户周均订购量-1，重新计算0占比并升序排序;

⑸ 重复上述步骤，直到计划投放量全部分配完毕或者“0占比”全部为0。

1.2 结果验证

选取成都市公司2018年4月至6月三个月的销售数据进行算法实现，用2018年7月数据验证。经统计，成都市有效客户为43464个。分别选取订足率高于行业订足率和均于行业订足率的按档位投放的卷烟进行验证。本文以订足率高于行业订足率的卷烟玉溪（软）和均于行业订足率的卷烟真龙（凌云）为例。将目前的安档位投放和改进后的安档位投放对比。对比结果如表4和表5所示。

1.3 按档位投放结果分析

在投放算法公平的前提下，确保同类别客户同量，同档位不同类别之间允许有差异但要在合理范围内。在此条件下，对于订足率高于行业订足率的卷烟（玉溪（软）），改进后的投放算法相较于改进前的算法有些微提升。对于接近行业订足率的卷烟（真龙（凌云）），改进后的投放算法提升较为明显，整体提升在7%-10%左右。

2 结束语

本文以“按档位投放”为重点对精准投放进行了探索与研究，由结果分析可知安档位投放模型算法改进后订足率都有所提升，特别是对于接近行业订足率的卷烟，订足率提升较为明显。因此，以上模型可以为成都烟草分析卷烟货源精准投放提供一定依据。

当然，想要更加深入研究卷烟货源精准投放，仅仅将重点放在已有数据的模型改进上是远远不够的。因为随着卷烟市场规范化程度提高以及市场化取向的改革深入，卷烟营销与零售户之间的关系已变得更加透明。下一步，可以考虑通过利用大数据和机器学习等技术对外部数据，如消费者的消费偏好等进行进一步分析，从而更高效地为零售户服务。卷烟货源精准投放的研究具有巨大的潜力，如果能够进一步探索研究，将来可以为烟草行业提供更多的商业利益，促进行业降本增效。

参考文献（References）：

[1] 刘朝华，梅强，蔡淑琴.基于RFM的客户分类及价值评价模型[J].技术经济与管理研究，2012.5：33-36

[2] 邓基刚，郑成德，刘景燕等.基于RFM 模型的烟草客户聚类分析研究[J].价值工程，2015.6：20-22

[3] 谢娟英，王艳娥.最小方差优化初始聚类中心的K-means 算法[J].计算机工程，2014.8：205-211

[4] 赵莉，候兴哲，胡君等.基于改进k-means算法的海量智能用电数据分析[J].电网技术，2014.10：2715-2720

[5] 引用星涅爱别离的博客文章.如何选择kmeans中的k值——肘部法则-Elbow Method和轮廓系数-Silhouette Coefficient. 2019.https：//www.cnblogs.com/xingnie/p/10335079.html

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。