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(yè)工作的基本方針和戰(zhàn)略任務。近年來，煙草行業(yè)緊跟國家信息化發(fā)展浪潮，積極開展數(shù)字化轉(zhuǎn)型，特別是作為中國煙草“半邊天”的煙草商業(yè)企業(yè)[1]。通過對數(shù)據(jù)的分析和應用，基本實現(xiàn)了對市場動態(tài)的全面感知，為經(jīng)驗決策向數(shù)字化決策轉(zhuǎn)型提供了堅強支撐，數(shù)據(jù)思維正不斷滲透到營銷服務和零售客戶的日常經(jīng)營中。

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

為了提高卷煙客戶經(jīng)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(jù)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(jié)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(yè)商業(yè)客戶服務水平，文獻[7]中提出一種實施差異化戰(zhàn)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(jù)轄區(qū)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(yōu)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(qū)域進行網(wǎng)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(jù)智能拜訪的實際情況，使用LKH 超啟發(fā)算法和Dijkstra 最短路徑算法對客戶經(jīng)理拜訪路徑進行最優(yōu)規(guī)劃。

1 客戶價值分類模型構建

客戶價值是企業(yè)從與其具有長期穩(wěn)定關系并愿意為企業(yè)提供產(chǎn)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(yè)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(jīng)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(shù)據(jù)，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(jīng)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(jīng)營業(yè)態(tài)、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(jīng)營價值

客戶經(jīng)營價值從客戶檔位、卷煙陳列面積、品牌寬度、卷煙陳列規(guī)格比例、月均省產(chǎn)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(jīng)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(qū)、品牌推介能力、明碼實價率、新品貨源購進量、重點規(guī)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(zhuǎn)化為典型的分割式聚類，聚類數(shù)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(yōu)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(shù)據(jù)分為K組，隨機選擇K個對象作為客戶價值優(yōu)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(shù)據(jù)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(shù)據(jù)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(jié)合K 均值聚類對數(shù)據(jù)指標進行分析，將客戶劃分為核心型、重點型、成長型、常規(guī)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(jù)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(jù)客戶特點有針對性地對不同類型客戶推送相關服務內(nèi)容，如表8 所示。

表8 客戶服務內(nèi)容表

2 卷煙客戶拜訪路徑優(yōu)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(guī)劃卷煙客戶拜訪優(yōu)化路徑。

首先，利用LKH 算法交換不同商戶間的節(jié)點，使商戶間連接數(shù)與商戶內(nèi)連接數(shù)之間的差值最小化。

LKH 算法是一種超啟發(fā)式算法，用于解決線性規(guī)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(yōu)解。在卷煙客戶拜訪問題中，由于客戶多點拜訪最優(yōu)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(shù)與商戶內(nèi)連接數(shù)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(jié)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(jié)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(yōu)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(yōu)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(jīng)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(yōu)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(xiàn)等優(yōu)點。

在客戶經(jīng)理尋找最優(yōu)拜訪路徑時，由于客戶位置和客戶經(jīng)理出發(fā)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(jīng)理出發(fā)點一個卷煙客戶位置。

使用book[i]數(shù)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(jīng)理出發(fā)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(jīng)理出發(fā)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(jīng)理出發(fā)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(jīng)理出發(fā)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(shù)組中的值即為客戶經(jīng)理出發(fā)點到所有卷煙客戶位置的最短拜訪路徑。

3 系統(tǒng)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(tǒng)平臺。智能客戶拜訪系統(tǒng)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(yōu)化、績效智能考核。

經(jīng)過一段時間的運行后，拜訪服務優(yōu)化拉動整體營銷業(yè)績提升成效初顯，具體表現(xiàn)為：

1）人均拜訪戶數(shù)顯著提高。

客戶經(jīng)理人均拜訪戶數(shù)由145 戶提升到城市線路人均服務客戶250 戶、農(nóng)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(jīng)理戶均在途時間減少了17.24%，日均服務商戶數(shù)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(jié)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(fā)算法和Dijkstra 最短路徑算法對客戶經(jīng)理拜訪路徑進行最優(yōu)規(guī)劃和智能導航。平臺運行結(jié)果表明，采用這一策略能夠顯著提高客戶經(jīng)理的人均拜訪戶數(shù)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(zhì)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(yōu)路徑規(guī)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(yè)的持續(xù)發(fā)展注入新的動力。