基于機器學習算法的卷煙營銷智能客戶拜訪策略研究

翁金香，王浩名，周 洋，胡紅春

（1.河南省煙草公司信陽市公司，河南 信陽 464000；2.中國煙草總公司職工進修學院，河南 鄭州 450008）

0 引言

“卷煙上水平”是國家局當前和今后一個時期行業工作的基本方針和戰略任務。近年來，煙草行業緊跟國家信息化發展浪潮，積極開展數字化轉型，特別是作為中國煙草“半邊天”的煙草商業企業[1]。通過對數據的分析和應用，基本實現了對市場動態的全面感知，為經驗決策向數字化決策轉型提供了堅強支撐，數據思維正不斷滲透到營銷服務和零售客戶的日常經營中。

然而，在當前的卷煙銷售工作中，客戶經理們利用企業微信進行客戶拜訪，但是這個系統存在一些問題，使得他們無法最優化地設置拜訪路線，也無法根據客戶的相關數據和指標變化自動分類，進而根據分類結果制定一戶一策的拜訪計劃任務。此外，該系統也無法對客戶經理當月的工作結果進行考核。這些問題對于客戶經理們來說是一個巨大的挑戰，他們亟需通過現代技術手段提高工作效率和服務質量[2]。

為了提高卷煙客戶經理的工作效率，提升客戶的滿意度水平，許多專家學者基于客戶的特點，通過不同智能算法研究了客戶管理拜訪策略。

文獻[3?4]中分別根據終端“三個水平”實際測評情況，將零售終端分為八類客戶，并將卷煙零售戶納入“三星四類”誠信等級管理。

文獻[5?6]中分別運用SOM 聚類方法、兩步聚類模型進行卷煙零售的客戶分類模擬研究，模擬結果顯示，該方法具有較高的科學性和精準性。

為提高煙草行業商業客戶服務水平，文獻[7]中提出一種實施差異化戰略的方法，以更好滿足不同類別客戶的差異化需求。

文獻[8]中探討了依據轄區零售客戶的地域分布，運用最短路徑模型，借助Excel 軟件給出最優拜訪線路，以提升服務效率。

文獻[9]中探討了采用K 均值聚類算法獲得初始聚類中心并對配送區域進行網格劃分，有效減少了配送車輛和行駛里程，均衡了不同配送線路之間的工作量。

本文在已有研究的基礎上，考慮客戶的不同價值維度，采用K 均值聚類機器學習算法對零售客戶進行分類，構造了客戶價值分類模型；同時根據智能拜訪的實際情況，使用LKH 超啟發算法和Dijkstra 最短路徑算法對客戶經理拜訪路徑進行最優規劃。

1 客戶價值分類模型構建

客戶價值是企業從與其具有長期穩定關系并愿意為企業提供產品和服務承擔合適價格的客戶中獲取的利潤，即客戶為企業的貢獻[10]。

基于對卷煙零售客戶價值的分析與研究，從客戶基礎價值、客戶經營價值、品牌培育價值、客戶成長價值、客戶誠信價值、終端類型6 個維度提取了21 項指標數據，構造了IES 客戶價值分類模型。模型體系如圖1所示。

圖1 IES 客戶價值分類模型體系

1.1 客戶指標

IES 客戶價值分類模型的具體指標分為定量指標和定性指標。

定量指標主要包括客戶基礎價值、客戶經營價值、品牌培育價值、客戶成長價值4 個指標。

1）客戶基礎價值

客戶基礎價值從經營業態、商圈類型、市場類型擴展、信息采集類型、終端類型5 個指標進行評價，占總權重的20%，如表1 所示。

表1 客戶基礎價值表

2）客戶經營價值

客戶經營價值從客戶檔位、卷煙陳列面積、品牌寬度、卷煙陳列規格比例、月均省產煙訂購總量5 個指標進行評價，占總權重的30%，如表2 所示。

表2 客戶經營價值表

3）品牌培育價值

品牌培育價值從是否具有品吸區、品牌推介能力、明碼實價率、新品貨源購進量、重點規格上柜率5 個指標進行評價，占總權重的30%，如表3 所示。

表3 品牌培育價值表

4）客戶成長價值

客戶成長價值從訂貨頻度、訂購增長率、條均價增長率、計算機運用水平4 個指標進行評價，占總權重的20%，如表4 所示。

表4 客戶成長價值表

定性指標主要包括客戶誠信價值、終端類型，如表5 所示。

表5 客戶誠信價值、終端類型表

1.2 價值分類

基于IES 客戶價值分類模型可以將客戶價值劃分轉化為典型的分割式聚類，聚類數即K值，相對明確。因而，使用K 均值聚類算法，其具有靈活、高效、準確等優勢[11]。

利用K 均值聚類算法求解價值分類的基本步驟如下：

1）將客戶價值數據分為K組，隨機選擇K個對象作為客戶價值優化問題的初始聚類中心。

2）對于價值分類問題的每個客戶數據點，計算其與各個客戶價值聚類中心之間的距離，并將其分配給距離最近的價值聚類中心。

3）更新每個價值聚類的中心點，將其設置為屬于該價值聚類的所有客戶數據點的平均值。

4）重復步驟2）和步驟3），直到滿足某個終止條件（如最小化誤差平方和）。

通過全面評定，結合K 均值聚類對數據指標進行分析，將客戶劃分為核心型、重點型、成長型、常規型、培育型、觀察型、異動型7 個類型，如表6 所示。

表6 客戶分類標準表

根據客戶分類標準，對各類型客戶進行畫像，形成客戶特點，如表7 所示。

表7 客戶特點表

根據客戶特點有針對性地對不同類型客戶推送相關服務內容，如表8 所示。

表8 客戶服務內容表

2 卷煙客戶拜訪路徑優化策略

在基于IES 客戶價值分類模型和K 均值聚類機器學習算法對零售客戶進行分類后，針對拜訪的實際情況，采用LKH 算法和Dijkstra 算法規劃卷煙客戶拜訪優化路徑。

首先，利用LKH 算法交換不同商戶間的節點，使商戶間連接數與商戶內連接數之間的差值最小化。

LKH 算法是一種超啟發式算法，用于解決線性規劃問題[12]，其基本思想是將原問題分解為較小的子問題，然后通過解決這些子問題來逐步逼近原問題的最優解。在卷煙客戶拜訪問題中，由于客戶多點拜訪最優排列的解空間是一個排列樹，利用LKH 算法，可以使商戶間連接數與商戶內連接數之間的差值最小化。

采用卷煙客戶拜訪路徑候選解的搜索策略，將節點從自身客戶移動到其他客戶中，或交換不同客戶之間的節點。在每次客戶拜訪路徑迭代過程中，生成、評估和選擇拜訪路徑候選解，只接受最佳的拜訪路徑解，并拒絕其他稍差的候選解，直到無法搜索到更優的候選路徑解。運算邏輯如圖2 所示。

圖2 不同客戶拜訪路徑優化流程策略

其次，通過Dijkstra 算法來確定拜訪過程中的最短路徑。

Dijkstra 算法是一種經典的貪心算法[13]，用于解決有向或無向圖中兩點之間的最短路徑問題。該算法基于廣度優先搜索思想，從起點開始向外擴展，直到找到目標點。該算法適用于路線權值為正的情況，具有快速、簡單、易于實現等優點。

在客戶經理尋找最優拜訪路徑時，由于客戶位置和客戶經理出發點相對固定，因此，可以采用如下運算邏輯：

1）將所有卷煙客戶位置分為兩部分：已知最短拜訪路徑的卷煙客戶位置集合P和未知最短拜訪路徑的卷煙客戶位置集合Q。初始時，已知最短拜訪路徑的卷煙客戶位置集合P中只有客戶經理出發點一個卷煙客戶位置。

使用book[i]數組記錄哪些點位在集合P中。例如，對于某個卷煙客戶位置i，如果book[i]為1，則表示這個卷煙客戶位置在集合P中，如果book[i]為0，則表示這個卷煙客戶位置在集合Q中。

2）將客戶經理出發點s到自己的最短拜訪路徑設為0，即dis[s]=0。如果存在客戶經理出發點s能夠直接到達的卷煙客戶位置i，則將dis[i]設為e[s][i]。同時，將所有其他（客戶經理出發點不能直接到達的）卷煙客戶位置的最短拜訪路徑設為無窮大。

3）從集合Q中選擇一個離客戶經理出發點s最近的卷煙客戶位置u，加入到集合P中。同時，考察以點u為起點的所有邊，對每一條邊進行松弛操作。

4）重復步驟3），直到集合Q為空。最終，dis 數組中的值即為客戶經理出發點到所有卷煙客戶位置的最短拜訪路徑。

3 系統搭建與驗證

基于上述模型和算法，搭建了一個客戶智能拜訪研究與應用系統平臺。智能客戶拜訪系統平臺分為四大核心模塊：客戶智能分類、任務智能推送、線路智能優化、績效智能考核。

經過一段時間的運行后，拜訪服務優化拉動整體營銷業績提升成效初顯，具體表現為：

1）人均拜訪戶數顯著提高。

客戶經理人均拜訪戶數由145 戶提升到城市線路人均服務客戶250 戶、農村線路人均服務客戶200 戶。

2）戶均在途時間明顯減少。

客戶經理戶均在途時間減少了17.24%，日均服務商戶數提升了23.5%。

3）商戶滿意度大大提升。商戶滿意度從97.65%提升到99.83%。

4 結論

本文基于對卷煙零售客戶價值的分析與研究，構造了一種IES 客戶價值分類模型，采用K 均值聚類機器學習算法對零售客戶進行分類，并針對智能拜訪的實際情況，利用LKH 超啟發算法和Dijkstra 最短路徑算法對客戶經理拜訪路徑進行最優規劃和智能導航。平臺運行結果表明，采用這一策略能夠顯著提高客戶經理的人均拜訪戶數和商戶滿意度；同時，還大大縮短了戶均在途時間和商戶拜訪服務覆蓋周期。因此，該策略對于推動卷煙營銷工作質量變革、效率變革和動力變革具有重要意義。總之，通過分析卷煙零售客戶價值，以及利用智能拜訪技術進行最優路徑規劃，能夠更好地滿足客戶需求，提高營銷效率，并為卷煙營銷行業的持續發展注入新的動力。