卷煙消費定向跟蹤模型構建

□文/李云鶴 歐陽誠軍 周 虹 費鐵橋

（湖南省煙草公司郴州市公司 湖南·郴州）

［提要］ 市場經濟下，消費者作為關鍵性的“最后一公里”，在卷煙生產和流通中的重要性日益凸顯。本文建立以消費信息采集、消費記錄管理、消費會員管理、消費數據綜合分析的卷煙消費跟蹤體系，利用統計學中的K-means聚類算法劃分不同的消費群體，從多個維度構建消費者畫像，通過LSTM算法預測卷煙消費變化趨勢，有針對性地為不同群體設計不同的營銷活動，并根據消費者需求反向指導貨源投放和品牌培育，基于行業特殊性，將消費者的聚集特征投射到零售戶層面，分析研究卷煙消費群體及市場變化趨勢，提升宏觀運行調控、貨源投放、品牌培育、客戶指導的精準性。

一、研究背景及意義

（一）研究背景。目前，由于行業的特殊性，煙草企業在消費者信息收集和研究方面仍處在初期探索階段，缺乏深層次的分析。采用數據挖掘方法進行數據挖掘，可以為煙草行業提供更有效的客戶關系管理方法，從大量雜亂的數據中提取到有效信息，掌握市場變化和趨勢，了解消費者需要，為客戶提供高質量的經營指導。對此，本文將以消費者數據分析為起點展開消費行為追蹤，構建消費者細分模型，完善消費者需求預測模型，實現零售戶精準定位，為工商企業開展品牌培育、貨源精準投放、零售客戶終端建設及面向消費者的精準營銷提供數據支撐。

（二）研究意義

1、從宏觀運行情況來看，明悉市場變化是當前環境下煙草行業的必修課。處在大環境中的煙草行業在卷煙消費領域面臨著不確定性和多樣性，需要更好地把握消費變化。通過科學的統計研究方法，卷煙消費傾向理論上是可以被計算和預測的，可以作為制定產業發展戰略和卷煙消費政策的依據。

2、從企業發展來看，掌握消費趨勢是煙草公司發展需要。市場經濟下，企業逐漸把更多的目光投向了消費者，消費者數據分析幫助零售戶精準識別客戶價值，通過對客戶貢獻度的鑒別與篩選，識別不同層次、不同需求、不同消費習慣的客戶群。

3、從品牌價值來看，把握消費偏好是煙草宣傳的基礎保障。煙草行業受行業特殊性影響，在傳播和廣告宣傳有嚴格的法律限制，消費偏好分析可幫助企業找準目標消費者，精準進行品牌投放。

二、理論研究方法

（一）K-means聚類算法。本文采用基于K均值的K-means算法，劃分出消費者群，并對每個群體賦予業務意義。

K-means算法的具體步驟：

輸入：聚類數 k 和數據集 X=｛x1，x2，…，xn｝。

輸出：k 個簇｛S1，S2，…，Sk｝。

方法：

（1）從數據集中隨機選定k個對象作為初始聚類中心c1，c2，…，ck。

（2）逐個將對象xi（i=1，2，…，n）按歐式距離分配給距離最近的一個聚類中心：

（4）若聚類中心不再變化，目標函數最小，算法終止，否則重復步驟（2）～（3）。

（二）長短時記憶網絡（LSTM）。LSTM能夠實現長序列數據的處理與學習。在時序數列處理中，需求預測等領域有不可替代的作用。本文采用的長短時記憶神經網絡的網絡結構如圖1所示。（圖1）

圖1 長短時記憶網絡LSTM結構圖

長短時記憶網絡的每個LSTM單元包含了遺忘門f（forget）、輸入門 i（input）、輸出門 o（output）以及細胞狀態 C（cell state）和激活函數σ，遺忘門的計算公式如下：

輸出門的計算公式如下：

三、卷煙消費定向跟蹤模型

本文提出了一種卷煙消費定向跟蹤模型，對消費者會員、消費記錄、零售戶信息、卷煙信息等數據進行聯合分析，利用K-means聚類算法劃分不同的消費群體，并從業務角度賦予其實際意義，通過LSTM算法預測卷煙消費變化趨勢，模型構建流程如圖2所示。（圖2）

圖2 卷煙消費定向跟蹤模型流程圖

（一）樣本來源及分類。本文整理了某市煙草公司2020年6月份至2021年6月份的銷售數據，全市共發展87，276名消費者會員，產生200多萬條全商品數據，初步篩選并剔除異常數據后，最終將4，000多名消費者會員，共2萬多條消費者數據作為研究數據集，如表1所示。（表1）

表1 樣本類別及內容一覽表

（二）消費者細分

1、數據采集與預處理。將含有空值、異常值，同時掃碼集中度較高的消費者數據剔除。

2、構建基于RFMLM的消費者細分模型。在對消費者進行聚類分析時，建立客戶價值分類模型（RFM）對消費者標簽進行聚類細分，由于在引入新品時消費者對品牌的忠誠度及對新品的購買能力也是企業十分關心的，因此將品牌忠誠度（Loyalty）和新品喜好度（News）也納入分類指標，組成消費者細分模型的五項核心指標，由此確定不同的消費者群體對該企業的價值。（表2）

表2 消費者細分模型核心指標一覽表

本文通過對活躍度R、忠誠度F、消費能力M、品牌忠誠度L、新品喜好度N這五項核心指標進行K-means聚類分析來構建消費者細分模型RFMLM。

3、模型分析。K-means算法在計算時必須事先給出K的個數才能進行計算，將聚類范圍定在K=3～5，分別計算其性能，最終得到在K=5時可達到最佳性能。（表3）

表3 聚類效果比較一覽表

依據消費群特征指標數據，采用K-means算法對消費者進行分群，結合指標權重對每個消費群的特征進行評分，如表4所示。（表4）

表4 消費者細分模型特征得分一覽表

按照聚類結果，結合業務實際進行消費群分析，聚類結果分為五類。（圖3）

圖3 消費群特征分析圖

（1）消費群1：F和L較大，R較低，說明這類客戶最近剛剛消費過且近一年內消費頻次很高，且愿意嘗試不同品規，屬于重要保持客戶。

（2）消費群2：R、F、M均較低，但N較高，說明這類客戶消費能力一般，但活躍度較高，對新品的接受能力較強，屬于重要發展客戶。

（3）消費群 3：R最大，F、M、N均較低，說明離上次消費已經很久了，且消費頻次和消費金額較低，屬于低價值用戶。

（4）消費群 4：M 最大，R、L、F較低，說明這類客戶消費能力較強，但還處于品牌選擇期，屬于十分活躍但不夠忠誠的客戶，可通過品牌培育提升忠誠度，屬于重要挽留客戶。

（5）消費群 5：N 較高，R、F、M、L 均一般，可能在新品推廣時愿意消費，屬于一般客戶。

4、消費者價值排名。根據消費者細分模型特征得分結果，結合公司實際需要對消費群的價值進行排名，并對不同的消費群體制定個性化的營銷策略。（表5）

表5 聚類效果比較一覽表

（1）消費群1為“重要保持顧客”，這類顧客對企業貢獻度最高，應盡可能延長這類顧客的高消費水平，將貨源優先考慮投放到此類顧客，提供優質服務，提高客戶滿意度。

（2）消費群2為“重要發展顧客”，這類顧客價值貢獻度低于重要保持顧客，但發展潛力較大，是企業的潛在價值顧客，需要努力促使增加他們的消費。

（3）消費群4為“重要挽留顧客”，這類顧客對企業的價值貢獻具有不確定性，應采取必要的營銷手段，多開展相關活動推廣以提升品牌認同感，同時投其所好延長顧客的生命周期。

（4）消費群5和消費群3分別為“一般顧客”和“低價值顧客”，這類顧客對企業的貢獻度一般，以保證留存為主，并適時地推薦一些稍高于現有消費水平的品規，引導其消費升級。

通過對基于RFMLM的消費者細分模型的分析，可得到五類消費群的價值排名，從分析中得出重要保持顧客、重要發展顧客、重要挽留顧客是最具價值的前三名客戶類型，需要提升重要發展顧客的價值、穩定和延長重要保持顧客的高水平消費、對重要挽留顧客積極進行關系恢復，并策劃相應的營銷策略加強鞏固顧客關系。

（三）消費者需求預測。對于重要保持顧客、重要發展顧客、重要挽留顧客進行需求預測，利用LSTM模型判斷消費者購煙趨勢變化情況，從而對重要顧客進行針對性的投放，指導貨源購進。以郴州市某煙酒店為例，對其店鋪的銷售數據進行建模，融合多維度信息進行特征提取，將研究樣本分為3個維度，9個指標構建消費者特征因子。對特征因子進行多元分析，找到特征與銷售額之間的相關關系，分析結果如圖4所示。（圖4）

圖4 多元分析相關系數矩陣熱圖

本文計算了9個指標的皮爾遜相關系數，從圖4中可以得到，銷售額與消費者會員的學歷、收入相關性較大，所以本文將學歷均值、收入均值納入模型的輸入特征，同時加入前一天、前一周及前365天即上年同期數據作為未來消費者需求預測的特征，模型結構如圖5所示。（圖5）

圖5 消費者需求預測模型結構圖

在對模型進行訓練時，首先輸入特征進行歸一化，確保實驗結果的有效性。本文采用Min-max歸一化方法，將取值范圍控制在［0，1］之間，公式如下：

其中，x代表維度特征，xmax代表最大值，xmin代表最小值。

本文訓練時所用代碼語言為Python 3.6，網絡模型搭建基于開源人工神經網絡庫Keras實現。模型訓練過程中使用Adam算法進行優化，訓練參數epochs=500，batch_size=20。利用該模型對郴州市某煙酒店作為期一周的銷量預測，擬合結果見圖 6，將均方誤差（MAE）、擬合優度（r2）、平均百分比誤差（MAPE）、測試數據均值（AVG）作為評價指標，計算結果如表6所示。（圖 6、表 6）

表6 模型評價結果一覽表

圖6 消費者需求預測模型結構圖

由表6可以看出，MAE值為11.04，即預測銷售額與實際銷售額的誤差約為11元，r2代表擬合優度，值越接近1，表示回歸直線對觀測值的擬合程度越好，整體來說，本文提出的消費者需求預測模型可以較好地預測出零售戶一周內的銷售額，對零售戶的貨源購進起到一定的輔助作用，同時及時觀察消費價類的切換，用于指導品牌培育及貨源投放。

四、模型推廣及應用

基于行業的特殊性，把對消費者的分析結果，精準落實到零售戶群體，由零售戶完成傳導輸出。將消費者和零售戶相匹配，每一次購買行為，每個消費者最多從屬于一個零售客戶，在進行新品引入時，對于目標卷煙產品，根據產品特征和消費者特征推薦合適的零售門店，從而將卷煙精準投放到這些門店。

模型在品牌各個生命周期的應用，如表7所示。（表7）

表7 品牌生命周期應用一覽表

在新品上市前，分析新投放規格的產品特征，通過余弦相似度計算出與其最接近的m款卷煙產品，對購買這m個產品的消費者匯總分析，找出這些消費者消費過的銷量排名前n位的零售店，按照銷量比例進行投放。在較少的貨源投放下，使盡可能多的潛在消費者能夠購買到新品。

在新品上市N周后，根據上市后的新品實際消費數據找到消費轉移信息，重新匹配最接近的N的產品，找到最暢銷的零售戶進行投放。在導入期，精準投放的意義在于建立零售戶的經營信心，通過意見領袖傳播新品上市信息和樹立品牌形象。當新品進入市場一段時間后，根據消費趨勢分析發現投放戶數和投放量無法滿足市場需求時，嘗試進行增加投放點，并開展實地的品牌宣講和推廣活動，宣講地點和時間可根據數據分析精準定位。

在產品進入成熟期后，觀察消費轉移情況，是否因為競品的進入、外部卷煙流入、宏觀經濟的變化等因素導致消費減少。

當產品出現連續消費低迷的情況時可建議退出目錄，聯系工業公司進行規格替換。

五、結論與展望

本文建立了以消費信息采集、消費記錄管理、消費會員管理、消費數據綜合分析的卷煙消費跟蹤體系，以2020年6月至2021年6月的多維數據為樣本，利用統計學中的RFM模型及K-means聚類算法劃分不同的消費群體，通過LSTM算法預測重要顧客卷煙消費變化趨勢，當發現有消費下降或上升趨勢時，積極開展營銷活動。

隨著煙草行業市場化改革，卷煙營銷變得更加透明，下一步將繼續探究卷煙營銷與零售戶和消費者的關系，根據消費者需求反向指導貨源投放，將消費者的聚集特征投射到零售戶找到目標消費者集聚的目標零售戶，分析研究卷煙消費群體及市場變化趨勢，找準市場方向，實現工商零消共贏的良好生態。