卷煙貨源精準投放的探索與應用

付秋璇

摘? 要： 隨著卷煙營銷的市場化改革深入開展，探索建立貨源投放策略評價指標體系，穩步提升貨源投放水平，將公平投放向精準投放轉變成為了卷煙營銷工作的重要探索方向。結合成都煙草卷煙營銷工作實際，從按檔位投放這個方向著手，構建模型對貨源投放策略以及精準投放的貨源分配模式進行探索，為成都煙草卷煙貨源精準投放的研究提供依據。

關鍵詞： 卷煙營銷; 貨源投放; 精準投放; 按檔位投放

中圖分類號：F274? ? ? ? ? 文獻標識碼：A? ? ?文章編號：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

按照國家煙草專賣局的相關文件精神和市場化取向改革試點總體要求。優化貨源投放策略，建立貨源投放策略評價指標體系，穩步提升貨源投放水平，兼顧公平和精準投放的貨源分配新模式，這是卷煙營銷的重要探索方向。結合成都煙草卷煙營銷工作的實際情況，“按檔位投放”則成為了精準投放研究的主要目標。

按檔位投放是以行業要求為前提，以分檔為基礎，實現同檔同量，以解決貨源分配過程中公平公正的問題。但是通過近2年的運行情況來看，客戶普遍反饋檔位投放精準性不足。所以，在此基礎上，結合行業的特質，基于卷煙細分和客戶畫像體系的“檔位+”投放思路，以檔位為基礎結合煙草客戶基礎信息標簽、客戶經營結構標簽、客戶經營能力標簽的信息，通過K-means算法進行聚類細分，再結合按0占比迭代分配算法模型以實現檔位投放的精準化。

1 按檔位投放模型

1.1 客戶標簽分類模型

建立安檔位投放模型的第一步就是要建立客戶標簽分類模型，然后將客戶標簽分類模型得到的客戶分類結果與訂貨量檔位相結合進行0占比迭代分配，從而組成安檔位投放模型。其中，客戶標簽分類模型則是將RFM模型指標與煙草客戶基礎信息標簽、客戶經營結構標簽、客戶經營能力標簽相結合，利用K-means算法得到的。本文采用成都煙草2018年4月至6月的銷售數據進行算法實現與模型訓練，并用2018年7月的數據進行驗證。

1.1.1 RFM模型指標

RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段，其中R（活躍度）表示Recency最近一次消費，“R”越低，零售客戶的價值越高;F（忠誠度）代表Frequency消費頻率，“F”越高，零售客戶的價值越高;M（消費能力）表示Monetary消費金額，“M”越高，零售客戶的價值越高[1]。本文中對應RFM模型衡量客戶價值的三個指標參數分別為零售客戶最近一次訂煙時間到現在間隔的天數（R）、零售客戶最近3個月內訂煙的總次數（F）、零售客戶3個月內的總訂煙金額（M）[2]。如表1所示。

1.1.2 利用K-means算法對客戶標簽聚類

K-means將含有n個樣本的集合分成K個子集合，其中每個子集合代表一個類簇，處于同一類簇中的樣本相似性較高。[3]其基本過程是：指定劃分的簇的個數k個點作為初始聚類中心，計算剩余各個點到這k個初始聚類中心的距離將其歸到距離最小的那一類中，然后計算所有歸到各個類中的樣本的平均值，重新計算出每個聚類的中心，直到平方誤差準則函數穩定在最小值為止[4]。公式為：[J=k=1Ki∈Ckxi-uk2]，其中[uk]是第k個類的重心位置。

K-means算法雖然快速、簡單而且相對高效率和可伸縮，但是K-means算法必須事先給出K的個數才能進行計算。肘部算法則是一種可以用來估計最優聚類數量的算法。將K-means里的每個簇的質點與簇內樣本點的平方距離誤差和稱為畸變程度（distortions）。對于一個簇，畸變程度會隨著K值的增加而降低，但對于有一定區分度的數據，在達到某個臨界點時畸變程度的值會逐漸趨于平緩，此臨界點則可看作聚類性能較好的點[5]。現將K-means聚類分析中的數據利用肘部算法進行計算得出圖1肘部算法。從圖1可知，從K=8開始，畸變程度值逐漸趨于平緩。因此，選取8為K的值進行K-means的聚類。

在不單獨選取其中一種卷煙的前提下進行K-means聚類后，可以得到不同價位段所對應的8個客戶分類各自的客戶數，也可以得到對應分類里零售戶的關鍵屬性。

表3? 客戶類別含義

[類別 類別含義 A 經營規模大，以大型商超、煙酒商店為主的客戶，主要位于工業區、商業區和學區，單店銷量高 B 經營規模較大，以娛樂服務類店，商超為主，商圈包含商業區，學區，主要在城區 C 經營規模較大，以商場、超市店為主，城鎮商業（集貿）區、工業區，主要在城鎮區 D 經營規模中等，以超市、便利店為主，居民區（村）、娛樂（旅游）區、旅客中轉區，主要在城鎮、景區 E 經營規模中等，以超市、便利店為主，學區、政務（商務）區，主要在城鎮 F 經營規模較小，以便利店、雜食店為主，居民區（村）、政務（商務）區，主要在城鎮、鄉村 G 經營規模較小，便利店為主，居民區（村）、學區，主要在城鎮、鄉村 H 經營規模小，以雜食店為主，學區、居民區（村），主要在鄉村 ]

也可單獨選擇其中一種卷煙，比如玉溪（軟）在經過K-means聚類后，將成都客戶分為A、B、C、D、E、F、G、H八類。各個類別所代表的含義如表3客戶分類含義所示。

1.1.3 按0占比迭代分配算法

將客戶類別和訂貨量檔位相結合進行維度交叉。其中客戶類別為A到H共八個，檔位為七檔。其中，0-100條為一檔，101-250條為二擋，251-500條為三擋，501-800條為四擋，801-1499條為五檔，1500-2999條為六檔，3000條以上為七檔。

針對檔位聚類細分后的客戶定義總投放量，統計每類客戶的實際訂購量。按“檔位+”投放的規格，首先根據產品所屬價位段找到零售戶的價位段分類，然后根據零售戶類別結合訂貨量檔位進行貨源策略的制定。

“0占比”指最小單元內分解規格周均訂購量是0的客戶數占最小單元總客戶數的比值，“0占比”越低代表組內客戶對該卷煙的需求越強，“0占比”越高代表組內客戶對該卷煙的需求越弱。

分解過程如下：

⑴ 將零售戶類別與訂貨量檔位進行維度交叉;

⑵ 計算每個組合中周均訂購量為0的客戶數占比，并按升序排列;

⑶ 將0占比最低的組合即訂足率高的組合投放量+1，并將商品投放總量減去該最小單元的客戶數。如果投放總量剩余量小于等于0則結束分配過程，否則繼續對分配;

⑷ 將第3步投放量+1的組合內所有客戶周均訂購量-1，重新計算0占比并升序排序;

⑸ 重復上述步驟，直到計劃投放量全部分配完畢或者“0占比”全部為0。

1.2 結果驗證

選取成都市公司2018年4月至6月三個月的銷售數據進行算法實現，用2018年7月數據驗證。經統計，成都市有效客戶為43464個。分別選取訂足率高于行業訂足率和均于行業訂足率的按檔位投放的卷煙進行驗證。本文以訂足率高于行業訂足率的卷煙玉溪（軟）和均于行業訂足率的卷煙真龍（凌云）為例。將目前的安檔位投放和改進后的安檔位投放對比。對比結果如表4和表5所示。

1.3 按檔位投放結果分析

在投放算法公平的前提下，確保同類別客戶同量，同檔位不同類別之間允許有差異但要在合理范圍內。在此條件下，對于訂足率高于行業訂足率的卷煙（玉溪（軟）），改進后的投放算法相較于改進前的算法有些微提升。對于接近行業訂足率的卷煙（真龍（凌云）），改進后的投放算法提升較為明顯，整體提升在7%-10%左右。

2 結束語

本文以“按檔位投放”為重點對精準投放進行了探索與研究，由結果分析可知安檔位投放模型算法改進后訂足率都有所提升，特別是對于接近行業訂足率的卷煙，訂足率提升較為明顯。因此，以上模型可以為成都煙草分析卷煙貨源精準投放提供一定依據。

當然，想要更加深入研究卷煙貨源精準投放，僅僅將重點放在已有數據的模型改進上是遠遠不夠的。因為隨著卷煙市場規范化程度提高以及市場化取向的改革深入，卷煙營銷與零售戶之間的關系已變得更加透明。下一步，可以考慮通過利用大數據和機器學習等技術對外部數據，如消費者的消費偏好等進行進一步分析，從而更高效地為零售戶服務。卷煙貨源精準投放的研究具有巨大的潛力，如果能夠進一步探索研究，將來可以為煙草行業提供更多的商業利益，促進行業降本增效。

參考文獻（References）：

[1] 劉朝華，梅強，蔡淑琴.基于RFM的客戶分類及價值評價模型[J].技術經濟與管理研究，2012.5：33-36

[2] 鄧基剛，鄭成德，劉景燕等.基于RFM 模型的煙草客戶聚類分析研究[J].價值工程，2015.6：20-22

[3] 謝娟英，王艷娥.最小方差優化初始聚類中心的K-means 算法[J].計算機工程，2014.8：205-211

[4] 趙莉，候興哲，胡君等.基于改進k-means算法的海量智能用電數據分析[J].電網技術，2014.10：2715-2720

[5] 引用星涅愛別離的博客文章.如何選擇kmeans中的k值——肘部法則-Elbow Method和輪廓系數-Silhouette Coefficient. 2019.https：//www.cnblogs.com/xingnie/p/10335079.html