摘要：當(dāng)前卷煙零售客戶市場(chǎng)類型的分類是根據(jù)客戶所處的地理位置分為四類：城區(qū)、縣城、鄉(xiāng)鎮(zhèn)、農(nóng)村。文章利用DBSCAN算法按零售客戶的地理坐標(biāo)進(jìn)行分類，以郴州市桂陽(yáng)縣卷煙零售客戶為例，提出一種新的零售客戶的分類方法，可以實(shí)現(xiàn)零售客戶變動(dòng)情況下的動(dòng)態(tài)分類，使卷煙零售客戶的分類更全面和更準(zhǔn)確。

關(guān)鍵詞：DBSCAN聚類算法；卷煙零售客戶分類；數(shù)據(jù)挖掘

中圖分類號(hào)：F224;F274???文獻(xiàn)標(biāo)識(shí)碼：A??文章編號(hào)：1005-6432（2023）23-0000-04

[DOI]10.13939/j.cnki.zgsc.2023.23.000

1引言

所謂客戶分類，也稱為客戶細(xì)分，是指根據(jù)客戶的屬性，將所有客戶劃分?為不同的類型，對(duì)他們進(jìn)行分類研究，制定相應(yīng)的服務(wù)策略，合理分配服務(wù)資源，從而達(dá)到保持客戶、最大限度地提高客戶滿意度的目的[1]?？蛻舴诸悓?duì)于滿足細(xì)分客戶需求有明顯作用，通過劃分不同類型的客戶把握各類客戶的需求差異，并考慮公司在資源投入、服務(wù)提供程度上的差別。卷煙零售客戶分類主要應(yīng)用于客戶評(píng)價(jià)、終端建設(shè)、貨源分配、差異性服務(wù)等。當(dāng)前全省卷煙零售客戶按市場(chǎng)類型進(jìn)行分類，被分為四類：城區(qū)、縣城、鄉(xiāng)鎮(zhèn)、農(nóng)村。分類標(biāo)準(zhǔn)如下：分類為城區(qū)的卷煙零售客戶地處于市轄區(qū)所在地實(shí)際建設(shè)連接到的居民委員會(huì)和其它區(qū)域；分類為縣城的卷煙零售客戶地處于縣（區(qū)）政府所在地，政府駐地的實(shí)際建設(shè)連接到的居民委員會(huì)和其它區(qū)域；分類為鄉(xiāng)鎮(zhèn)的卷煙零售客戶地處于鄉(xiāng)、鎮(zhèn)人民政府所在地，政府駐地的實(shí)際連接到的居民委員會(huì)；分類為農(nóng)村的卷煙零售客戶地處于位于上述三類以外的零售客戶。處于城區(qū)、縣城、鄉(xiāng)鎮(zhèn)中心位置的客戶分類明確，但處于各區(qū)域交界處的客戶的市場(chǎng)類型由市場(chǎng)管理員和客戶經(jīng)理主觀認(rèn)定，有時(shí)存在一定的爭(zhēng)議。同時(shí)，因不同的城區(qū)、縣城和鄉(xiāng)鎮(zhèn)的發(fā)展時(shí)間、發(fā)展程度不一樣，城區(qū)的繁榮程度并非一定要比縣城和鄉(xiāng)鎮(zhèn)要高?？蛻舴诸惖念w粒度較大，精準(zhǔn)度不高都是當(dāng)前按簡(jiǎn)單市場(chǎng)類型進(jìn)行分類出現(xiàn)的問題，這樣也容易引起客我之間、客戶之間的矛盾。

通過查找文獻(xiàn)發(fā)現(xiàn)，夏維力和王青松構(gòu)建了客戶價(jià)值細(xì)分三維模型，將客戶分為八類，每類客戶擁有不同特征，并針對(duì)每類給出了具體的客戶保持策略[2]。馬駿珍研究了煙草公司客戶價(jià)值管理和服務(wù)營(yíng)銷策略，建立了一套多角度的客戶價(jià)值評(píng)價(jià)體系，實(shí)現(xiàn)了客戶分類和個(gè)性化的服務(wù)營(yíng)銷策略[3]。祖強(qiáng)立足卷煙消費(fèi)者購(gòu)買需求的角度，以卡諾模型理論為基礎(chǔ)，從消費(fèi)者需求研究、需求項(xiàng)目分類、零售客戶評(píng)價(jià)標(biāo)準(zhǔn)、實(shí)際運(yùn)用和管理等方面探索構(gòu)建面向消費(fèi)者的零售客戶分類評(píng)價(jià)體系[4]。閆磊等人設(shè)計(jì)了當(dāng)前價(jià)值和潛在價(jià)值的評(píng)價(jià)指標(biāo)體系，并基于?K-means聚類算法進(jìn)一步細(xì)分客戶[5]。本文從卷煙零售客戶聚集程度越高，市場(chǎng)狀態(tài)越繁華的角度出發(fā)，在R語言的操作環(huán)境下，使用DBSCAN聚類算法對(duì)零售客戶進(jìn)行動(dòng)態(tài)分類，使客戶分類更為全面和準(zhǔn)確，能更好的實(shí)現(xiàn)卷煙零售客戶的動(dòng)態(tài)分類和動(dòng)態(tài)標(biāo)簽，。同時(shí)，通過進(jìn)一步跟蹤客戶分類的變化情況，可以對(duì)未來的市場(chǎng)發(fā)展情況進(jìn)行預(yù)測(cè)。

2??研究方法和數(shù)據(jù)來源

2.1研究區(qū)域

桂陽(yáng)縣位于湖南省郴州市西部，縣城距郴州市區(qū)31.7千米，398個(gè)行政村（社區(qū)），總面積2973平方公里，下轄3個(gè)街道、17個(gè)鎮(zhèn)、2個(gè)鄉(xiāng)，常住人口約為71萬人左右。桂陽(yáng)縣是郴州市面積最大、人口最多的縣，是歷史悠久的千年古郡。桂陽(yáng)縣目前有卷煙零售客戶2500余戶，縣級(jí)市場(chǎng)不存在城區(qū)客戶，當(dāng)前按市場(chǎng)類型分類一共有3類，分別是縣城客戶1063戶，占比47.06%；鄉(xiāng)鎮(zhèn)客戶1037戶，占比41.04%；農(nóng)村客戶427戶，占比16.90%。

2.2數(shù)據(jù)來源

郴州市煙草公司開發(fā)了以“大平臺(tái)、大數(shù)據(jù)、大系統(tǒng)”為支撐的“福城金網(wǎng)”服務(wù)管理平臺(tái)。平臺(tái)打通了專賣、營(yíng)銷、物流數(shù)據(jù)接口，構(gòu)建了市州級(jí)大數(shù)據(jù)倉(cāng)庫(kù)，初步實(shí)現(xiàn)大數(shù)據(jù)分析，發(fā)揮數(shù)據(jù)更大價(jià)值。平臺(tái)基于地理信息與業(yè)務(wù)數(shù)據(jù)融合，描繪郴州煙草地圖，構(gòu)建靈活、有效的決策層信息駕駛艙，繪制網(wǎng)格化服務(wù)管理地圖[6]。卷煙零售客戶入網(wǎng)之初，由市場(chǎng)管理員與客戶經(jīng)理對(duì)其地理位置坐標(biāo)進(jìn)行采集，系統(tǒng)中儲(chǔ)存了所有卷煙零售客戶所處位置的經(jīng)緯度。本文獲得的卷煙零售客戶地理位置坐標(biāo)的時(shí)間是2022年3月，一共獲取了2527個(gè)卷煙零售客戶的經(jīng)緯度坐標(biāo)。

2.3研究方法

2.3.1DBSCAN算法與K-Means算法的對(duì)比

DBSCAN是一種比較有代表性的基于密度的聚類算法，該算法最初由Ester等提出[7]。與傳統(tǒng)的、在煙草應(yīng)用更多的K-Means算法相比，DBSCAN不需要測(cè)試k值的最優(yōu)解。卷煙零售客戶的地域分布缺乏規(guī)律，樣本并非是均衡分布的，而K-Means無法解決解決簇分布差別比較大的情況。詳見表1。

2.2.2?DBSCAN算法解釋

DBSCAN將簇定義為密度相連的點(diǎn)的最大集合，能夠把具有足夠高密度的區(qū)域劃分為簇算法，主要需要進(jìn)行兩個(gè)參數(shù)的調(diào)節(jié)：Eps?（鄰域半徑）和Minpts?（E鄰域最小點(diǎn)數(shù)）。其中Eps是按密度集群的確定半徑，Minpts密度區(qū)域內(nèi)的點(diǎn)數(shù)，即在目標(biāo)區(qū)域中整個(gè)鄰域內(nèi)的樣本點(diǎn)數(shù)大于等于Minpts。當(dāng)某區(qū)域內(nèi)的樣本點(diǎn)數(shù)小于Minpts，則標(biāo)記成噪聲點(diǎn)，也就是離群值。DBSCAN算法將集群定義為：密度相連點(diǎn)的最大集合，能夠把具有足夠高密度的區(qū)域劃分為集群，最終形成任意形狀的聚類[8]。

在DBSCAN算法運(yùn)行時(shí)，影響最大的初始參數(shù)Eps和Minpts需要用戶自行定義并手動(dòng)輸入，這兩個(gè)值將直接影響到最終的聚類結(jié)果，所以在研究時(shí)，要明確選擇Eps和Minpts的參數(shù)值的原因?？梢愿鶕?jù)當(dāng)前鄉(xiāng)鎮(zhèn)卷煙零售客戶分布的情況，對(duì)零售客戶實(shí)際聚集的物理情況進(jìn)行測(cè)量和等比例換算，確定Eps值；通過調(diào)研當(dāng)前鄉(xiāng)鎮(zhèn)卷煙零售的客戶分布，并對(duì)實(shí)際密度進(jìn)行測(cè)算，確定Minpts值。

3?分析過程

3.1基于DBSCAN的卷煙零售客戶分類算法

3.1.1?DBSCAN算法描述

第一，算法輸入。以卷煙零售客戶的煙草證號(hào)作為唯一標(biāo)志，確定每個(gè)客戶的X值與Y值，X值代表客戶位置的經(jīng)度，Y值代表客戶位置的緯度，建立卷煙零售客戶坐標(biāo)值數(shù)據(jù)庫(kù)D。明確鄰域半徑Eps和E鄰域最小點(diǎn)數(shù)?Minpts。

第二，算法輸出。卷煙零售客戶分類情況及客戶分類圖?？蛻舴诸悎D中可顯示了每一個(gè)卷煙零售客戶在地圖上的分布坐標(biāo)，可直觀地觀測(cè)到每個(gè)區(qū)域的聚集密度，由此來對(duì)卷煙零售客戶進(jìn)行分類。

3.1.2?DBSCAN算法步驟

第一步：從卷煙零售客戶坐標(biāo)值數(shù)據(jù)庫(kù)D中設(shè)定一個(gè)對(duì)象值P，得到鄰域半徑Eps范圍內(nèi)的所有對(duì)象；第二步：當(dāng)?shù)玫降膶?duì)象數(shù)大于或等于設(shè)定的E鄰域最小點(diǎn)數(shù)Minpts，則構(gòu)成了目標(biāo)對(duì)象集，若得到對(duì)象數(shù)小于Minpts，則這些點(diǎn)暫時(shí)為離群值；第三步：目標(biāo)所有對(duì)象又可再得到半徑為Eps的對(duì)象集，再計(jì)算對(duì)象數(shù)是否達(dá)到Minpts，達(dá)到的匯總對(duì)象構(gòu)成一個(gè)簇，產(chǎn)生簇結(jié)果；第四步：重復(fù)第二步和第三步，直至處理完所有對(duì)象；第五步：得出聚類結(jié)果，即所有零售客戶所屬類別。

3.2算法實(shí)現(xiàn)的部分代碼

在R語言的環(huán)境下，以下是實(shí)現(xiàn)DBSCAN算法的部分代碼：

zb<-?read.csv（"zb.csv"，sep="，"，header=TRUE，encoding="UTF-8"）

zb2<-select（zb，X，Y）

library（dbscan）

ggplot（data?=?zb）

geom_point（mapping?=?aes（x?=?X，?y?=?Y））

kNNdistplot（zb2，k=5）

db<-dbscan（df，0.15，?5）

b<-dbscan（zb2，eps=0.008，MinPts?=10?）???第一個(gè)參數(shù)

b<-dbscan（zb2，eps=0.020，MinPts?=10?）???第二個(gè)參數(shù)

b<-dbscan（zb2，eps=0.015，MinPts?=10?）???第三個(gè)參數(shù)

fviz_cluster（b，zb2，stand?=?FALSE，?refram?=?FALSE，geom="point"）

3.3桂陽(yáng)縣卷煙零售客戶聚類分析

本文以郴州市桂陽(yáng)卷煙零售客戶為例，采用DBSCAN算法在R語言的環(huán)境霞完成客戶的聚類分析。

第一，導(dǎo)出并匯總所有客戶坐標(biāo)數(shù)據(jù)。登錄福城金網(wǎng)子系統(tǒng)，導(dǎo)出分客戶經(jīng)理的零售客戶坐標(biāo)信息，匯總?cè)w卷煙零售客戶的地理位置數(shù)據(jù)。

第二，測(cè)算當(dāng)前零售客戶密度情況，生成全縣客戶密度圖。在R語言中導(dǎo)入桂陽(yáng)縣零售客戶地理位置坐標(biāo)，對(duì)當(dāng)前卷煙零售客戶的地理位置進(jìn)行測(cè)算，計(jì)算縣城邊緣零散客戶數(shù)及各鄉(xiāng)鎮(zhèn)聚集的客戶數(shù)，經(jīng)多次調(diào)整，測(cè)試得出各鄉(xiāng)鎮(zhèn)上的密度情況。圖1顯示，零售客戶的聚集程度與縣城、鄉(xiāng)鎮(zhèn)、鄉(xiāng)村區(qū)域人口的聚集程度呈現(xiàn)較大的相關(guān)性?？h城的零售客戶聚集程度最高，各個(gè)鄉(xiāng)鎮(zhèn)集市所在位置的聚集程度次之，其余位置的客戶呈現(xiàn)出零散分布。

第三，運(yùn)行DBSCAN算法對(duì)客戶聚類，生成客戶分類表。使用R語言編寫?DBSCAN算法，對(duì)算法進(jìn)行初步調(diào)試后，導(dǎo)入桂陽(yáng)縣卷煙零售客戶的坐標(biāo)，對(duì)信息數(shù)據(jù)集進(jìn)行幾次迭代后，進(jìn)一步分析后發(fā)現(xiàn)在Eps=0.015、Minpts=20時(shí)，聚類效果較為理想。

所有的卷煙零售客戶含離群值一類被分為43類。從表2的情況來看，桂陽(yáng)縣卷煙零售客戶在空間布局上存在三類，即縣城呈現(xiàn)高度集聚的情況，第9類的客戶達(dá)到了1021個(gè)，略少于當(dāng)前市場(chǎng)類型為縣城客戶的數(shù)量。實(shí)地調(diào)查中存在部分縣城邊緣的卷煙零售客戶所處商圈較為冷清，人口密度較小的情況。這與實(shí)地調(diào)查情況相似。DBSCAN聚類算法結(jié)果顯示，根據(jù)自然間斷裂點(diǎn)分級(jí)法將43個(gè)類別分為3個(gè)等級(jí)，第一等級(jí)為縣城客戶，客戶數(shù)有1027個(gè)，共占卷煙零售客戶總數(shù)的20.69%；第二等級(jí)為鄉(xiāng)鎮(zhèn)客戶，有41個(gè)類別，包括集鎮(zhèn)和大型鄉(xiāng)村，合計(jì)客戶數(shù)1201個(gè)，共占卷煙零售客戶的47.53%；第三等級(jí)為農(nóng)村客戶，是分類中的離群數(shù)據(jù)，占卷煙零售客戶的12.07%。

第四，驗(yàn)證分類結(jié)果。將按照DBSCAN算法進(jìn)行聚類的結(jié)果與卷煙零售客戶市場(chǎng)類型的屬性進(jìn)行數(shù)據(jù)對(duì)比，發(fā)現(xiàn)有181個(gè)客戶與原來劃歸的分類屬性不一致，占比為7.16%。其中有最多的是市場(chǎng)類型為農(nóng)村，通過算法聚類為鄉(xiāng)鎮(zhèn)的客戶，共計(jì)135戶，占所有不一致客戶的74.59%。原因主要為一些人口密度偏大的集貿(mào)鄉(xiāng)村未達(dá)到鄉(xiāng)鎮(zhèn)標(biāo)準(zhǔn)，沒有地處于鄉(xiāng)、鎮(zhèn)人民政府所在地的集鎮(zhèn)，整條街道都被定義為農(nóng)村。通過抽樣也發(fā)現(xiàn)，運(yùn)行DBSCAN算法聚類的結(jié)果較為準(zhǔn)確，分類結(jié)果準(zhǔn)確率較高且能有效反映卷煙零售客戶所處的商圈環(huán)境。

4??結(jié)論與展望

4.1?DBSCAN結(jié)果分析

本文通過DBSCAN聚類算法研究卷煙零售客戶的集群熱點(diǎn)和空間分布情況，與當(dāng)前的零售客戶分類進(jìn)行對(duì)比，根據(jù)已有研究以及數(shù)據(jù)可獲性重新設(shè)計(jì)通過算法對(duì)卷煙零售客戶進(jìn)行分類的新方法。結(jié)論如下。

第一，桂陽(yáng)縣卷煙零售客戶的空間布局上的集聚效果明顯且存在一定梯度等級(jí)效應(yīng)，主要表現(xiàn)為縣城客戶高度集聚，鄉(xiāng)鎮(zhèn)區(qū)域客戶逐步減少，鄉(xiāng)村客戶離散度高。通過DBSCAN聚類算法識(shí)別出含離群值的43個(gè)分類，其分類結(jié)果與市場(chǎng)類型相似度超過90%。

第二，通過實(shí)地驗(yàn)證發(fā)現(xiàn)，對(duì)卷煙零售客戶進(jìn)行動(dòng)態(tài)的算法分類可能比原來的靜態(tài)屬性劃分更準(zhǔn)確，更能反映卷煙零售客戶的真實(shí)銷售環(huán)境。同時(shí)在新客戶入網(wǎng)、客戶地理位置信息變更和客戶注銷時(shí)，專賣管理員與客戶經(jīng)理須在“福城金網(wǎng)”服務(wù)管理平臺(tái)調(diào)整客戶的位置信息，平臺(tái)上能實(shí)時(shí)接收到客戶位置當(dāng)前情況，運(yùn)用算法對(duì)卷煙零售客戶進(jìn)行分類，無論客戶數(shù)量多少，分類的時(shí)間極短，效率更高。

第三，通過算法對(duì)客戶分類更加客觀，避免了人工主觀判斷和認(rèn)定產(chǎn)生的誤差，也減少了人為調(diào)整客戶分類造成不良影響。

4.2?展望

從研究情況來看，未來還可以考慮更多因素對(duì)卷煙零售客戶分類的影響，從交通、商業(yè)、經(jīng)濟(jì)、人口水平、旅游等方向著手，考慮人口密度、路網(wǎng)密度、旅游民宿等具體指標(biāo)，還可以增加客戶卷煙銷售情況，進(jìn)行相關(guān)性分析，研究各影響因素對(duì)卷煙零售客戶銷售的影響程度。

煙草商業(yè)公司在由經(jīng)銷商向平臺(tái)商轉(zhuǎn)型的過程中，數(shù)據(jù)作用愈加重要。積極探索“互聯(lián)網(wǎng)+營(yíng)銷”，探索利用算法對(duì)客戶分類、客戶銷售進(jìn)行分析和計(jì)算，整合數(shù)據(jù)資源，加強(qiáng)分析應(yīng)用，不斷加大營(yíng)銷創(chuàng)新力度。

參考文獻(xiàn)：

[1]中國(guó)卷煙銷售公司.卷煙服務(wù)營(yíng)銷[M].北京：中國(guó)金融出版社，2011：7，38.

[2]夏維力，王青松.基于客戶價(jià)值的客戶細(xì)分及保持策略研究[J].管理科學(xué)，2006（4）：35-38.

[3]馬駿珍.基于客戶價(jià)值分析的卷煙服務(wù)營(yíng)銷策略研究——以?X?市煙草公司為例[D].杭州：浙江工商大學(xué)，2012.

[4]祖強(qiáng).基于卡諾模型面向消費(fèi)者的客戶分類評(píng)價(jià)體系建設(shè)研究[J].中國(guó)煙草學(xué)報(bào)，2017（1）：122-129.

[5]閆磊，劉旭，徐斌.?基于客戶價(jià)值的卷煙零售客戶分類研究與應(yīng)用[J].價(jià)值工程，2019（25）：89-90.

[6]?周寅晴，楊淑瓊.福城金網(wǎng)系統(tǒng)研究與推廣應(yīng)用[J].中國(guó)信息化.2020，（10）：89-90.

[7]?ESTER?M，?KRIEGEL?H?P，?SANDER?J，?et?al.?A?density-based?algorithm?for?discovering?clusters?in?large?spatial?databases?with?noise[C]//Portland，?Oregon，?USA：?The?AAAI?Press，?1996：226-231.

[8]?馬小賓，侯國(guó)林，李莉，等.基于DBSCAN算法的民宿集群識(shí)別、分布格局及影響因素：以南京市為例[J].人文地理.2021，（1）：84-93.

[作者簡(jiǎn)介]許菲（1986—），女，湖南郴州人，中南大學(xué)工商管理碩士學(xué)位（MBA），現(xiàn)就職于郴州市煙草公司桂陽(yáng)分公司，經(jīng)濟(jì)師，研究方向：市場(chǎng)營(yíng)銷。