劉坤達(dá) 宋紅文 張衛(wèi)東 歐達(dá)宇

摘 要：客戶關(guān)系管理的關(guān)鍵是客戶分類，而煙草工業(yè)的優(yōu)勢在品牌。為了品牌發(fā)展和品牌培育，突出品牌特征，對客戶細(xì)分，實現(xiàn)精準(zhǔn)營銷，提高工業(yè)企業(yè)品牌核心競爭力。采用品牌占比和品牌訂購數(shù)作為聚類因子，獲得20個零售客戶細(xì)分群組，并提出將客戶價值作為每個群組的價值依據(jù)。結(jié)合海量數(shù)據(jù)獲取優(yōu)質(zhì)客戶群組及潛力客戶群組信息，構(gòu)成優(yōu)質(zhì)零售客戶畫像。最后針對符合優(yōu)質(zhì)客戶畫像的1281位零售客戶，工商協(xié)同實現(xiàn)精準(zhǔn)投放，工業(yè)企業(yè)進(jìn)行精準(zhǔn)營銷。以真龍品牌為例，在某市進(jìn)行為期一年的銷售實例驗證，實證證明在該策略下，品牌銷量和訂足率都得到了提升。

關(guān)鍵詞：聚類分析;品牌占比;零售客戶;客戶價值

中圖分類號：F27???? 文獻(xiàn)標(biāo)識碼：A????? doi：10.19311/j.cnki.1672-3198.2021.32.022

1 背景

信息時代的來臨，企業(yè)營銷焦點從“產(chǎn)品中心”轉(zhuǎn)變?yōu)椤翱蛻糁行摹保蛻絷P(guān)系管理成為企業(yè)的核心問題?？蛻絷P(guān)系管理的關(guān)鍵問題是客戶分類，通過客戶分類，區(qū)分高價值的客戶、低價值的客戶，企業(yè)針對不同價值的客戶指定優(yōu)化的個性化服務(wù)方案，采取不同的營銷策略，將有限的營銷資源集中于高價值客戶，實現(xiàn)企業(yè)利潤最大化目標(biāo)。

煙草工業(yè)的優(yōu)勢在品牌，為了品牌發(fā)展和品牌培育，工業(yè)公司客戶經(jīng)理當(dāng)前的主要做法是，依靠“單條值”和“訂購總數(shù)”作為客戶細(xì)分指標(biāo)，實現(xiàn)零售客戶的分檔，對檔位高價值客戶進(jìn)行重點營銷推廣活動。通過實際統(tǒng)計分析發(fā)現(xiàn)，由于客戶所處商圈、經(jīng)營業(yè)態(tài)等因素影響，基于“單條值”和“訂購總數(shù)”優(yōu)選的高價值客戶，對于具體的品牌而言并無直接關(guān)聯(lián)。本文將采用突出品牌特點的聚類因子，完成對零售客戶聚類分析，幫助工業(yè)公司客戶經(jīng)理找到與品牌相關(guān)的優(yōu)質(zhì)零售客戶，從而實現(xiàn)品牌的發(fā)展與銷售的提升。

2 國內(nèi)外研究現(xiàn)狀

2.1 客戶細(xì)分

美國市場學(xué)家溫德爾·史密斯于1956年提出“細(xì)分”概念，客戶細(xì)分能夠有效降低成本，營銷策略是基于建立的客戶價值細(xì)分模型。謝佳從應(yīng)用需求出發(fā)，構(gòu)建客戶細(xì)分框架，并運用聚類分析、決策樹、邏輯回歸等數(shù)據(jù)挖掘方法對客戶進(jìn)行細(xì)分建模，為電力客戶營銷服務(wù)策略的制定提供依據(jù)。李艷君通過對八種不同聚類方法的對比研究，對遼寧省某商業(yè)銀行的CRM結(jié)算系統(tǒng)客戶細(xì)分，得到了五種分類，該細(xì)分模型表明銀行80%的收益是由20%比較重要的客戶帶來的，數(shù)據(jù)支撐精準(zhǔn)營銷策略。

王吉斌等人對零售客戶細(xì)分，提升貨源投放精準(zhǔn)度和訂足率。葉曉蕾根據(jù)終端零售客戶購買頻率，對零售客戶分類，用于優(yōu)化營銷流程、優(yōu)化專賣管理、優(yōu)化物流配送。王鵬主要通過價值評價指標(biāo)，對零售客戶價值評價統(tǒng)計分析、聚類分析，在此基礎(chǔ)上建立客戶群分類模型，并提出零售客戶的產(chǎn)品、價格、渠道、促銷策略。何杰設(shè)計卷煙消費者調(diào)查問卷，在福建省寧德市調(diào)查取樣，根據(jù)分析結(jié)論將卷煙消費者劃分為三類細(xì)分市場，提出重新定位七匹狼卷煙產(chǎn)品的建議。彭江等人從卷煙供求模式入手，基于商品價位進(jìn)行細(xì)分，解析各環(huán)節(jié)存在的矛盾和問題，揭示了卷煙市場供給需求的變化機(jī)制，并提出應(yīng)對營銷策略。

2.2 用戶畫像

用戶畫像是從海量數(shù)據(jù)中獲取的并由用戶信息構(gòu)成的形象集合。用戶特征信息包括與用戶有關(guān)的穩(wěn)定因素（例如個人基本信息）和可變因素兩部分。單曉紅等人構(gòu)建基于在線評論的用戶畫像本體模型，展示用戶對于酒店相關(guān)屬性的偏好，為酒店進(jìn)行精準(zhǔn)營銷提供了很大的幫助。李恒超通過使用卷積神經(jīng)網(wǎng)絡(luò)模型和淺層神經(jīng)網(wǎng)絡(luò)模型來分別提取查詢詞之間語義關(guān)聯(lián)，構(gòu)建了用戶畫像的二級融合模型的算法框架。齊會敏等人運用用戶畫像實現(xiàn)了一種基于用戶興趣主題的個性化好友推薦方法。

3 零售客戶價值研究

3.1 零售客戶聚類分析

3.1.1 數(shù)據(jù)來源

數(shù)據(jù)來源于內(nèi)部銷售系統(tǒng)，按零售客戶匯總的訂單數(shù)和訂購金額，共計樣本數(shù)據(jù)13519個;全年活躍零售客戶基本信息13511個;兩種數(shù)據(jù)按照“零售客戶編號”屬性進(jìn)行合并，可得到包含客戶詳細(xì)信息及其訂單信息的樣本13511個。

3.1.2 聚類因子選取

為了突出聚類后的品牌特征，首先提出了“品牌占比”作為第一個聚類因子，主要思路是通過“品牌訂購數(shù)”占其“所有商品總訂購數(shù)”的比例來量化該客戶對品牌的傾向程度，“品牌訂購數(shù)”作為第二個聚類因子，表示零售客戶對品牌的絕對貢獻(xiàn)。經(jīng)營規(guī)模大、購買力強的客戶相對更為優(yōu)質(zhì)。所以將總訂購數(shù)，總訂購金額分別作為第3和第4的聚類因子。

3.1.3 聚類結(jié)果

K-Means聚類算法廣泛用于電力、電信、煙草的客戶細(xì)分。選取的兩個聚類因子有量級的差異，需要首先進(jìn)行標(biāo)準(zhǔn)化處理，再經(jīng)過多輪聚類，采用輪廓系數(shù)優(yōu)化，最優(yōu)的聚類結(jié)果是劃分為20個群組，最終的聚類結(jié)果如圖1所示。

3.2 客戶價值

由于零售客戶是按計劃每周一次訂購商品，不能采用RFM模型。因此我們引入“客戶價值”，由品牌訂購量與品牌占比相乘獲得。如圖2，聚類分析獲取了20個群組，柱體高度表示為各群組的“客戶價值”。

客價值=品牌量×品牌占比

3.3 零售客戶價值分析

3.3.1 優(yōu)質(zhì)客戶群組

18和17群組內(nèi)的零售客戶，其“品牌占比”高，“品牌訂購量”較大，是真正的品牌優(yōu)質(zhì)客戶。

3.3.2 潛力客戶群組

16和3群組的零售客戶，“品牌占比”較高，“品牌訂購量”大，其營業(yè)規(guī)模較大，屬于較有潛力的優(yōu)質(zhì)客戶。

3.3.3 次優(yōu)質(zhì)客戶群組

12和5群組的零售客戶，“品牌占比”較高，“品牌訂購量”較高，屬于次優(yōu)質(zhì)客戶。