摘 要：本文選取H省3065家現(xiàn)代終端為研究對(duì)象，首先采用譜聚類和輪廓系數(shù)法對(duì)門店經(jīng)營(yíng)模式進(jìn)行聚類，將零售門店分為三種類型，再基于改進(jìn)后的客戶生命周期模型進(jìn)行消費(fèi)者價(jià)值測(cè)算，同時(shí)使用現(xiàn)有價(jià)值、潛在價(jià)值和忠誠(chéng)度三個(gè)維度確定八種消費(fèi)者細(xì)分類型，并制定差異化的營(yíng)銷策略。最后以加盟終端門店進(jìn)行模型測(cè)試和應(yīng)用研究，結(jié)果證明本文得到了具有較高解釋性和區(qū)分度的消費(fèi)者價(jià)值評(píng)估方案和消費(fèi)者細(xì)分營(yíng)銷策略，能夠有效幫助零售門店提升消費(fèi)者價(jià)值和盈利水平。

關(guān)鍵詞：客戶生命周期；譜聚類；消費(fèi)者價(jià)值分析；卷煙營(yíng)銷；客戶分類

一、引言

卷煙消費(fèi)者價(jià)值分析，是零售門店及時(shí)響應(yīng)消費(fèi)者個(gè)性化、差異化需求，提升卷煙盈利水平的重要手段。當(dāng)前，煙草行業(yè)多基于現(xiàn)有價(jià)值對(duì)消費(fèi)者進(jìn)行評(píng)估，未能充分釋放數(shù)據(jù)價(jià)值。

因此，本文將以H省卷煙消費(fèi)者為研究對(duì)象，以工商零售多源數(shù)據(jù)為基礎(chǔ)，探索構(gòu)建一套科學(xué)合理的卷煙消費(fèi)者價(jià)值分析模型，幫助零售門店精準(zhǔn)評(píng)估消費(fèi)者價(jià)值，精準(zhǔn)分析目標(biāo)消費(fèi)客群，指導(dǎo)零售門店有針對(duì)性地開展消費(fèi)者運(yùn)營(yíng)及卷煙品牌推介，從而改善卷煙整體動(dòng)銷情況，進(jìn)而提升門店盈利水平。

二、現(xiàn)狀分析

隨著電商對(duì)線下門店的沖擊，加之三年疫情影響，食品、日化等品類的利潤(rùn)空間日益壓縮，難以成為門店的利潤(rùn)增長(zhǎng)點(diǎn)。卷煙因政策原因受到的沖擊較小，成為終端門店盈利的重要組成部分。傳統(tǒng)零售門店在銷售卷煙時(shí)普遍采用等客上門的被動(dòng)銷售模式，難以主動(dòng)識(shí)別目標(biāo)消費(fèi)者開展針對(duì)性營(yíng)銷，未能最大限度激發(fā)消費(fèi)者的消費(fèi)潛力。所以，如何基于消費(fèi)數(shù)據(jù)挖掘消費(fèi)者需求，有的放矢進(jìn)行消費(fèi)者運(yùn)營(yíng)和卷煙精準(zhǔn)營(yíng)銷，是提升卷煙動(dòng)銷水平和門店盈利水平的關(guān)鍵。

目前，對(duì)消費(fèi)者價(jià)值評(píng)估主要采用RFM模型和其他模型相結(jié)合的模式，但是RFM模型只根據(jù)客戶的過去交易行為進(jìn)行分析，而沒有考慮到未來客戶的行為和潛力，這可能導(dǎo)致一些潛在高價(jià)值客戶被忽略。因此，本文選用應(yīng)用較廣的改進(jìn)后CLV模型和其他模型相結(jié)合的模式，以便更加充分地挖掘數(shù)據(jù)價(jià)值，更加全面地評(píng)估消費(fèi)者價(jià)值。

三、研究設(shè)計(jì)

H省目前共有30余萬卷煙零售門店，經(jīng)營(yíng)業(yè)態(tài)主要分為便利店、煙酒店、商超等，經(jīng)營(yíng)模式各有特點(diǎn)，不同商業(yè)模式的門店有差異化消費(fèi)者運(yùn)營(yíng)生態(tài)，而門店商業(yè)模式是動(dòng)態(tài)變化的，現(xiàn)有標(biāo)簽信息存在時(shí)間滯后性，且不夠客觀。

基于上述分析，本文提出，首先應(yīng)根據(jù)門店的多維經(jīng)營(yíng)數(shù)據(jù)對(duì)卷煙經(jīng)營(yíng)模式進(jìn)行聚類，再對(duì)不同類型的門店構(gòu)建消費(fèi)者價(jià)值分析模型，測(cè)算消費(fèi)者CLV值，依據(jù)CLV值找出門店核心消費(fèi)者，并對(duì)消費(fèi)者進(jìn)行分類運(yùn)營(yíng)，并提供差異化服務(wù)策略，具體如圖1所示。

四、店鋪經(jīng)營(yíng)模式聚類

1.數(shù)據(jù)源

本文基于零售門店經(jīng)營(yíng)分析的三大維度，即門店經(jīng)營(yíng)環(huán)境、門店經(jīng)營(yíng)狀況、門店經(jīng)營(yíng)能力，提出零售門店?duì)I銷模式的ESC屬性（見表1）。

為進(jìn)一步保障數(shù)據(jù)質(zhì)量和數(shù)據(jù)可用性，在H省最早上線營(yíng)銷一體化平臺(tái)店鋪管理系統(tǒng)的省會(huì)C市中，以奈曼抽樣法挑選終端數(shù)據(jù)質(zhì)量評(píng)價(jià)體系下，數(shù)據(jù)質(zhì)量為優(yōu)秀的3065家零售門店為研究對(duì)象，基于門店經(jīng)營(yíng)ESC屬性和數(shù)據(jù)獲取質(zhì)量，構(gòu)建用于區(qū)分零售門店經(jīng)營(yíng)模式的零售門店經(jīng)營(yíng)模式指標(biāo)體系，如表2所示。

2.特征選取

數(shù)據(jù)預(yù)處理后，為了防止多重共線性對(duì)聚類結(jié)果產(chǎn)生負(fù)面影響，本文使用熱力圖對(duì)現(xiàn)有指標(biāo)進(jìn)行多重共線性檢驗(yàn)，顏色深淺反映了相關(guān)系數(shù)的程度，圖2結(jié)果表明商圈類型、市場(chǎng)類型、業(yè)態(tài)類型、卷煙動(dòng)銷率和卷煙銷售占比之間的相關(guān)系數(shù)較高，可能存在多重共線性。因此，在進(jìn)行特征篩選時(shí)，本文剔除了相關(guān)系數(shù)較高的5個(gè)變量，避免多重共線性造成過擬合問題。

3.譜聚類過程

（1） 選擇k值

輪廓系數(shù)法能更全面地考慮聚類內(nèi)部和聚類之間的距離關(guān)系，提供更準(zhǔn)確的聚類評(píng)估，本文借助輪廓系數(shù)法來確定k值，k值越大說明越合理，使用python算法對(duì)k取值為[2，14]的整數(shù)進(jìn)行多次迭代，圖3結(jié)果說明k值為3時(shí)輪廓系數(shù)最大，聚類效果最好。

（2） 分類結(jié)果

確定k值為3后，使用python對(duì)所有零售門店樣本進(jìn)行譜聚類分析。聚類結(jié)果以及每一類別的特征均值分布情況如圖4、圖5所示。

（3） 結(jié)果分析

類別Ⅰ的門店卷煙訂單數(shù)、客流量和?？蛿?shù)量較少、人均毛利較低，未形成較鮮明的經(jīng)營(yíng)模式和特點(diǎn)。

類別Ⅱ的門店卷煙訂單數(shù)、常客數(shù)量和客流量偏高，但卷煙客單價(jià)相對(duì)偏低，采用的是人流量大、客單價(jià)低的“薄利多銷”經(jīng)營(yíng)模式。

類別Ⅲ的門店具有較高的客單價(jià)和人均毛利，但訂單數(shù)相對(duì)較少，采用運(yùn)營(yíng)大客戶為主的精品銷售路線。

五、門店消費(fèi)者價(jià)值評(píng)估

1.數(shù)據(jù)源

本文在省會(huì)C市中，以奈曼抽樣法挑選終端數(shù)據(jù)質(zhì)量評(píng)價(jià)體系下長(zhǎng)期保持?jǐn)?shù)據(jù)質(zhì)量?jī)?yōu)秀的零售門店，結(jié)合店鋪終端銷售數(shù)據(jù)、工商零消費(fèi)平臺(tái)數(shù)據(jù)、消費(fèi)者基本數(shù)據(jù)，以每條支付ID對(duì)應(yīng)的消費(fèi)流水為最小研究樣本，對(duì)消費(fèi)者的卷煙消費(fèi)行為進(jìn)行為期1年的跟蹤。

2.確定模型權(quán)重

數(shù)據(jù)預(yù)處理后，為減少主觀性對(duì)決策結(jié)果的影響，本文選用常用于客觀賦權(quán)的熵權(quán)法測(cè)算每個(gè)指標(biāo)層的權(quán)重，熵權(quán)法是根據(jù)各指標(biāo)數(shù)值變化對(duì)整體的影響，計(jì)算指標(biāo)的熵值，進(jìn)而確定權(quán)重。按照前文聚類結(jié)果，對(duì)3類經(jīng)營(yíng)模式的門店賦予不同權(quán)重，并通過加權(quán)計(jì)算得到消費(fèi)者CLV得分，用以評(píng)估和計(jì)量卷煙消費(fèi)者生命周期價(jià)值。

六、分析

消費(fèi)者的CLV值定量描述了其對(duì)零售門店的價(jià)值，個(gè)體經(jīng)營(yíng)的零售門店服務(wù)資源有限，需集中資源對(duì)頭部的卷煙消費(fèi)者進(jìn)行差異化運(yùn)營(yíng)，因此我們參考二八法則，即“給一個(gè)公司帶來80%利潤(rùn)的是20%的客戶”，挑選出每家門店CLV值排名前20%的消費(fèi)者作為差異化運(yùn)營(yíng)對(duì)象。

建立有關(guān)消費(fèi)者現(xiàn)有價(jià)值、消費(fèi)者潛在價(jià)值和消費(fèi)者忠誠(chéng)度的三維細(xì)分模型，在CLV值排名前20%的消費(fèi)者中，如某消費(fèi)者的現(xiàn)有價(jià)值高于該門店類型的消費(fèi)者平均現(xiàn)有價(jià)值，則定義為高，反之則定義為低，以此類推?；诖?，每家門店CLV值前20%的消費(fèi)者可劃分為八種細(xì)分類型（如圖6所示）。

結(jié)合八種細(xì)分類型的消費(fèi)者特點(diǎn)，零售門店可采取對(duì)應(yīng)的消費(fèi)者運(yùn)營(yíng)策略，從而實(shí)現(xiàn)企業(yè)資源的優(yōu)化配置和利益最大化，結(jié)果明細(xì)如表4所示。

七、結(jié)語

1.本文創(chuàng)新點(diǎn)

（1） 創(chuàng)新了分析方法：以前煙草行業(yè)對(duì)卷煙消費(fèi)者的分析多采用RFM框架，本文通過構(gòu)建CLV模型，補(bǔ)充分析消費(fèi)者的潛在價(jià)值和忠誠(chéng)度，為卷煙消費(fèi)者價(jià)值分析研究中提供了更全面、準(zhǔn)確的視角。

（2） 整合了多維數(shù)據(jù)源：從工商零消共同面向消費(fèi)者的角度入手，本文將店鋪管理系統(tǒng)中的到店消費(fèi)數(shù)據(jù)與工商零消品牌共育平臺(tái)運(yùn)營(yíng)數(shù)據(jù)進(jìn)行整合，充分盤活了工商零消生態(tài)圈的數(shù)據(jù)資源，為零售門店的決策提供了更具實(shí)踐意義的依據(jù)。

（3） 提供了差異化運(yùn)營(yíng)策略：本文結(jié)合CLV綜合得分和三維消費(fèi)者價(jià)值細(xì)分模型，將門店消費(fèi)者分為八個(gè)類別，并提供具體的消費(fèi)者運(yùn)營(yíng)策略。策略基于消費(fèi)者的價(jià)值特征和行為習(xí)慣，能幫助零售門店補(bǔ)齊短板，優(yōu)化資源配置、提高收益，并能提高消費(fèi)者的忠誠(chéng)度和參與度。

2.不足與展望

（1） 算力限制：由于算力有限，本文僅對(duì)C市數(shù)據(jù)質(zhì)量較高的部分門店進(jìn)行數(shù)據(jù)集分析計(jì)算。未來的研究還將擴(kuò)展到H省的所有門店，納入更多數(shù)據(jù)指標(biāo)，對(duì)更廣泛的數(shù)據(jù)集進(jìn)行分析。

（2） 優(yōu)化差異化服務(wù)策略：本文基于消費(fèi)者行為特征和細(xì)分類型探索制定差異化服務(wù)策略，在模型制定階段，主要基于營(yíng)銷理論和部分零售門店實(shí)際經(jīng)驗(yàn)制定，后續(xù)研究將深入門店進(jìn)行實(shí)地調(diào)研，并邀請(qǐng)更多卷煙門店參與服務(wù)策略的制定，進(jìn)一步提高運(yùn)營(yíng)策略的顆粒度，增強(qiáng)營(yíng)銷策略的實(shí)用性。

（3） 深化消費(fèi)者價(jià)值分析模型：由于門店的非煙數(shù)據(jù)標(biāo)準(zhǔn)化程度不夠高，本文僅分析了卷煙消費(fèi)數(shù)據(jù)。后續(xù)研究將納入非煙消費(fèi)數(shù)據(jù)、消費(fèi)者行為數(shù)據(jù)、消費(fèi)者調(diào)研數(shù)據(jù)等，探索更先進(jìn)的分析技術(shù)，持續(xù)提升模型的準(zhǔn)確性和預(yù)測(cè)能力。

參考文獻(xiàn)：

[1]林盛，肖旭.基于RFM的電信客戶市場(chǎng)細(xì)分方法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2006（5）：758-760.

[2]劉朝華，梅強(qiáng)，蔡淑琴.基于RFM的客戶分類及價(jià)值評(píng)價(jià)模型[J].技術(shù)經(jīng)濟(jì)與管理研究，2012（5）：33-36.

[3]龍冰婷.基于改進(jìn)的RFM模型客戶價(jià)值分層研究[J].西昌學(xué)院學(xué)報(bào)（自然科學(xué)版），2022，36（1）：52-57.

[4]包志強(qiáng)，趙媛媛，趙研，等.基于改進(jìn)RFM模型的百度外賣客戶價(jià)值分析[J].西安郵電大學(xué)學(xué)報(bào)，2019，24（1）：105-110.

[5]肖耘，許歡歡，肖雅元，等.基于CLV偏好挖掘模型的數(shù)字社區(qū)用戶偏好挖掘研究[J].農(nóng)業(yè)圖書情報(bào)學(xué)報(bào)，2023， 35（2）：45-60.

[6]龍麗琴，譚欽騰，吳青，等.基于零售戶關(guān)鍵行為分析的客戶識(shí)別方法[J].企業(yè)改革與管理，2015（1）：30-31.

[7]劉章敏，劉薔.模糊C均值聚類算法在煙草行業(yè)RFM模型中的應(yīng)用研究[J].新商務(wù)周刊，2018（15）：16.

[8]馮喆，侯霄昱，郭子欣.基于改進(jìn)型RFM卷煙消費(fèi)者價(jià)值細(xì)分模型的精準(zhǔn)營(yíng)銷策略研究[J].經(jīng)濟(jì)師，2019（12）：279-281.

[9]金吉瓊，居雷，張易，等.基于用戶畫像的卷煙消費(fèi)者特征識(shí)別和價(jià)值評(píng)估[J].煙草科技，2023，56（1）：105-112.

[10]RAMONI M，SEBASTIANI P.Robust Bayes classifiers[J].Artificial Intelligence，2001，125（1/2）：209-226.

[11]GARCIA S，DERRAC J，CANO J，et al.Prototype selection for nearest neighbor classification：Taxonomy and empirical study[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（3）：417-435.

[12]BERNARD J J，JONI O S，JUNG S J.Data-driven personas for enhanced user understanding：Combining empathy with rationality for better insights to analytics[J].Data and Information Management，2020，4（1）：1-17.

作者簡(jiǎn)介：李玥（1990— ），女，漢族，本科，中級(jí)經(jīng)濟(jì)師，研究方向：數(shù)智營(yíng)銷方向；湯季蓉（1998— ），女，漢族，碩士，中級(jí)經(jīng)濟(jì)師，研究方向：應(yīng)用統(tǒng)計(jì)方向；李夢(mèng)馨（1994— ），女，漢族，碩士，中級(jí)經(jīng)濟(jì)師，研究方向：產(chǎn)業(yè)經(jīng)濟(jì)方向；通訊作者：李可（1989— ），女，漢族，本科，中級(jí)經(jīng)濟(jì)師，研究方向：卷煙營(yíng)銷方向；趙思邈（1986— ），女，漢族，本科，中級(jí)經(jīng)濟(jì)師，研究方向：品牌營(yíng)銷方向。