覃宜霜 陶雯 賈建雙 張健

摘 要：為了更好地評(píng)價(jià)零售戶(hù)對(duì)工業(yè)企業(yè)的價(jià)值，本文將行業(yè)內(nèi)外數(shù)據(jù)融合，構(gòu)建了品牌市場(chǎng)需求畫(huà)像、消費(fèi)環(huán)境畫(huà)像和消費(fèi)者畫(huà)像，挖掘出內(nèi)外部因素與品牌市場(chǎng)需求的關(guān)系，并以此為基礎(chǔ)提出了一種全新的基于三大畫(huà)像的價(jià)值客戶(hù)智能篩選模型，建立零售戶(hù)標(biāo)簽池，優(yōu)選真龍品牌的價(jià)值客戶(hù)?；诒疚难芯康哪Ｐ驮谡纨垼êｍ嵵兄В┚頍煹慕K端營(yíng)銷(xiāo)過(guò)程中，實(shí)現(xiàn)精準(zhǔn)選點(diǎn)、指導(dǎo)與服務(wù)，幫助企業(yè)更好地運(yùn)用終端資源培育品牌，使?fàn)I銷(xiāo)服務(wù)更有目的和成效，更好滿(mǎn)足消費(fèi)者需求，促進(jìn)品牌的高質(zhì)量發(fā)展。

關(guān)鍵詞：市場(chǎng)需求畫(huà)像；消費(fèi)環(huán)境畫(huà)像；消費(fèi)者畫(huà)像；價(jià)值客戶(hù)

一、研究現(xiàn)狀

零售戶(hù)作為卷煙和消費(fèi)者之間的紐帶，是煙草工業(yè)企業(yè)連接市場(chǎng)最關(guān)鍵的環(huán)節(jié)。隨著行業(yè)高質(zhì)量發(fā)展的深入推進(jìn)，在零售戶(hù)價(jià)值評(píng)價(jià)研究領(lǐng)域，國(guó)內(nèi)越來(lái)越多學(xué)者開(kāi)始探索卷煙零售戶(hù)價(jià)值預(yù)測(cè)與評(píng)價(jià)工作，以提升零售終端在卷煙營(yíng)銷(xiāo)中的“紐帶”作用。

漳州煙草陳巧玲等研究面向零售客戶(hù)的客戶(hù)價(jià)值模型，建立了客觀準(zhǔn)確的客戶(hù)價(jià)值評(píng)價(jià)體系。濟(jì)寧煙草閆磊從當(dāng)前價(jià)值和潛在價(jià)值兩方面設(shè)計(jì)卷煙零售客戶(hù)價(jià)值指標(biāo)體系，采用K-Means進(jìn)行客戶(hù)聚類(lèi)，為精準(zhǔn)營(yíng)銷(xiāo)、客戶(hù)經(jīng)理職業(yè)化等工作提供更加細(xì)致的客戶(hù)細(xì)分依據(jù)。福州煙草祖強(qiáng)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(lèi)、零售客戶(hù)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(hù)分類(lèi)評(píng)價(jià)體系。廈門(mén)煙草秦琴采用層次聚類(lèi)法對(duì)零售戶(hù)和消費(fèi)者群體進(jìn)行分類(lèi)，從多維度、全方位得出零售戶(hù)和消費(fèi)者的畫(huà)像。柳州煙草玉明濤運(yùn)用顧客金字塔模型，選取毛利貢獻(xiàn)額、品牌經(jīng)營(yíng)寬度、重點(diǎn)品牌上柜銷(xiāo)量等核心指標(biāo)對(duì)客戶(hù)進(jìn)行評(píng)級(jí)分類(lèi)。

總結(jié)以上研究不難發(fā)現(xiàn)，現(xiàn)有學(xué)者圍繞客戶(hù)畫(huà)像、消費(fèi)者畫(huà)像等運(yùn)用“互聯(lián)網(wǎng)+”、大數(shù)據(jù)等新興技術(shù)，做出了大量深入、細(xì)致的研究，也有不少學(xué)者嘗試運(yùn)用行業(yè)內(nèi)大量數(shù)據(jù)對(duì)煙草商業(yè)客戶(hù)畫(huà)像、客戶(hù)價(jià)值評(píng)價(jià)等方面進(jìn)行研究，但從煙草工業(yè)企業(yè)角度進(jìn)行客戶(hù)價(jià)值的相關(guān)研究較少。

本文從工業(yè)企業(yè)卷煙營(yíng)銷(xiāo)實(shí)際應(yīng)用出發(fā)，運(yùn)用大數(shù)據(jù)技術(shù)，研究基于客戶(hù)需求畫(huà)像、消費(fèi)環(huán)境畫(huà)像和消費(fèi)者畫(huà)像的客戶(hù)價(jià)值預(yù)測(cè)，對(duì)煙草工業(yè)企業(yè)定位自身品牌的高價(jià)值零售戶(hù)、開(kāi)展卷煙精準(zhǔn)營(yíng)銷(xiāo)工作具有一定的參考價(jià)值。

二、三大畫(huà)像技術(shù)原理與實(shí)現(xiàn)

為深度挖掘行業(yè)內(nèi)外部因素與品牌市場(chǎng)需求的關(guān)系，本文融合卷煙交易、市場(chǎng)采集、消費(fèi)者、外部POI、商圈、消費(fèi)能力等數(shù)據(jù)，建立了以“商圈”為核心的卷煙市場(chǎng)需求、消費(fèi)環(huán)境和消費(fèi)者三大畫(huà)像。

1.基于商圈地圖實(shí)現(xiàn)多源數(shù)據(jù)打通

沃頓商學(xué)院大衛(wèi)·貝爾教授在《不可消失的門(mén)店》中提出“消費(fèi)者行為與其消費(fèi)環(huán)境息息相關(guān)”的核心觀點(diǎn)。同樣地，卷煙營(yíng)銷(xiāo)價(jià)值鏈中涉及消費(fèi)者、零售終端、卷煙品牌、產(chǎn)品、商圈、消費(fèi)環(huán)境各個(gè)要素，要素間相互影響、相互作用，形成復(fù)雜的關(guān)系網(wǎng)。結(jié)合實(shí)際業(yè)務(wù)應(yīng)用場(chǎng)景，我們基于商圈地圖分析挖掘人、貨、場(chǎng)三個(gè)維度數(shù)據(jù)，實(shí)現(xiàn)多源數(shù)據(jù)的打通。

（1） 商圈地圖的繪制

路網(wǎng)將城市劃分為多個(gè)閉合的區(qū)域，這些區(qū)域由于交通、地理位置、環(huán)境因子等因素具有不同的商圈消費(fèi)價(jià)值。以公共開(kāi)放的城市路網(wǎng)數(shù)據(jù)為基礎(chǔ)，通過(guò)深度學(xué)習(xí)圖像識(shí)別算法，自動(dòng)識(shí)別原始數(shù)據(jù)包含的區(qū)域繪制商圈，實(shí)現(xiàn)目標(biāo)市場(chǎng)的細(xì)分。

（2） 數(shù)據(jù)導(dǎo)入

將零售終端地址的經(jīng)緯度、商零交易數(shù)據(jù)、POI數(shù)據(jù)、消費(fèi)能力數(shù)據(jù)、商圈數(shù)據(jù)、消費(fèi)者掃碼數(shù)據(jù)的地理位置信息等，按經(jīng)緯度打入商圈地圖，并對(duì)以上所有數(shù)據(jù)按商圈網(wǎng)格進(jìn)行匯總、清洗、去除異常值，補(bǔ)足缺失商圈的數(shù)據(jù)。

（3） 數(shù)據(jù)打通與衍生

人貨場(chǎng)多維數(shù)據(jù)打通需要的基礎(chǔ)數(shù)據(jù)及打通方式如表1所示。

2.建立三大畫(huà)像模型

（1） 市場(chǎng)需求畫(huà)像

①模型目標(biāo)

現(xiàn)行貨源投放方式易造成卷煙的異常流動(dòng)，運(yùn)用歷史失真的數(shù)據(jù)無(wú)法準(zhǔn)確判斷多變的市場(chǎng)需求，結(jié)合商圈數(shù)據(jù)，提升市場(chǎng)需求畫(huà)像的準(zhǔn)確性。

②模型思路

使用零售戶(hù)近1年的歷史訂購(gòu)數(shù)據(jù)，利用特征工程技術(shù)以人工特征選擇作為輔助手段，選擇有效特征作為輸入（主要有上柜率趨勢(shì)、訂足率趨勢(shì)、季度銷(xiāo)量趨勢(shì)、月銷(xiāo)量趨勢(shì)、月訂購(gòu)次數(shù)趨勢(shì)、節(jié)假日信息、總訂足率、總上柜率、環(huán)境特征等），使用Prophet時(shí)間序列預(yù)測(cè)模型以商圈為單位對(duì)未來(lái)每周/月的銷(xiāo)量進(jìn)行預(yù)測(cè)，得到市場(chǎng)需求畫(huà)像。

③模型結(jié)果與呈現(xiàn)

如圖1所示，可以查詢(xún)真龍（海韻）在每個(gè)商圈的市場(chǎng)需求趨勢(shì)及不同商圈+擋位網(wǎng)格的市場(chǎng)需求指數(shù)，結(jié)果顯示高端、混合和交通商圈對(duì)真龍（海韻）的市場(chǎng)需求指數(shù)較高。

（2） 消費(fèi)環(huán)境畫(huà)像

①模型目標(biāo)

基于行業(yè)卷煙數(shù)據(jù)和商圈環(huán)境數(shù)據(jù)的融合分析，探索商圈消費(fèi)環(huán)境與卷煙規(guī)格需求之間的相互關(guān)系，挖掘驅(qū)動(dòng)卷煙銷(xiāo)售的真實(shí)原因，進(jìn)而提升客戶(hù)價(jià)值預(yù)測(cè)的準(zhǔn)確率。

②模型思路

首先，計(jì)算品規(guī)在每個(gè)商圈網(wǎng)格各周的投放量、訂購(gòu)量、上柜率、訂足率、市場(chǎng)需求預(yù)測(cè)值的數(shù)據(jù)，運(yùn)用矩陣分解得到商圈-周的特征矩陣，通過(guò)因子分析評(píng)估不同消費(fèi)特征商圈對(duì)目標(biāo)品規(guī)的貢獻(xiàn)度，挖掘其優(yōu)勢(shì)商圈，形成消費(fèi)環(huán)境畫(huà)像。

③模型結(jié)果與呈現(xiàn)

如圖2所示，真龍（海韻）的優(yōu)勢(shì)消費(fèi)環(huán)境主要集中在混合、高端、交通、商業(yè)等，即這些消費(fèi)環(huán)境對(duì)真龍（海韻）的貢獻(xiàn)度相對(duì)較高。

（3） 消費(fèi)者畫(huà)像

①模型目標(biāo)

融合消費(fèi)者、商圈數(shù)據(jù)，實(shí)現(xiàn)消費(fèi)者標(biāo)簽化管理，精準(zhǔn)描繪消費(fèi)者畫(huà)像，指導(dǎo)客戶(hù)精準(zhǔn)服務(wù)。

②模型思路

基于商圈地圖融合分析消費(fèi)者掃碼數(shù)據(jù)、商圈數(shù)據(jù)、消費(fèi)能力數(shù)據(jù)，運(yùn)用GIS技術(shù)，以消費(fèi)者掃碼地理位置的經(jīng)緯度在商圈地圖上統(tǒng)計(jì)分析真龍品牌的消費(fèi)者數(shù)據(jù)，并采用RFM模型細(xì)分消費(fèi)者形成畫(huà)像（如圖3）。

消費(fèi)者畫(huà)像主要包括以下內(nèi)容：

a、消費(fèi)者對(duì)品牌的態(tài)度：購(gòu)買(mǎi)量、購(gòu)買(mǎi)頻次、掃碼量、掃碼頻次；

b、商圈、消費(fèi)者數(shù)據(jù)融合分析。

·不同類(lèi)型商圈消費(fèi)者的忠誠(chéng)度分析（購(gòu)買(mǎi)量、購(gòu)買(mǎi)頻次、購(gòu)買(mǎi)間隔、掃碼量、掃碼頻次）；

·不同商圈消費(fèi)者最喜歡的消費(fèi)時(shí)間。

三、基于3大畫(huà)像的價(jià)值客戶(hù)預(yù)測(cè)體系

本預(yù)測(cè)體系主要在卷煙市場(chǎng)需求、消費(fèi)環(huán)境和消費(fèi)者三大畫(huà)像的基礎(chǔ)上，構(gòu)建客戶(hù)價(jià)值指標(biāo)體系，實(shí)現(xiàn)客戶(hù)價(jià)值的預(yù)測(cè)。

1.指標(biāo)計(jì)算及處理

（1） 指標(biāo)計(jì)算

結(jié)合營(yíng)銷(xiāo)經(jīng)驗(yàn)分析法，對(duì)行業(yè)內(nèi)外數(shù)據(jù)進(jìn)行挖掘分析，構(gòu)建品規(guī)客戶(hù)價(jià)值評(píng)價(jià)指標(biāo)體系。該體系分為當(dāng)前價(jià)值和潛在價(jià)值兩個(gè)維度，指標(biāo)集不僅包括了零售戶(hù)的擋位、業(yè)態(tài)、所屬商圈、訂購(gòu)量、訂購(gòu)次數(shù)等基礎(chǔ)指標(biāo)，還包括基礎(chǔ)指標(biāo)在不同時(shí)間尺度（周、月）下各數(shù)據(jù)項(xiàng)歷史前期的平均、變化比率、方差、趨勢(shì)等，及復(fù)雜變換后的衍生指標(biāo)，如訂購(gòu)周期、商圈屬性、優(yōu)勢(shì)環(huán)境因子等，共30個(gè)指標(biāo)。

（2） 數(shù)據(jù)清洗

數(shù)據(jù)清洗是對(duì)數(shù)據(jù)進(jìn)行重新審查和校驗(yàn)的過(guò)程，目的是刪除重復(fù)信息、糾正錯(cuò)誤，確保數(shù)據(jù)一致性，清洗的內(nèi)容包括：

①錯(cuò)誤值修正。

②KNN（k-Nearest Neighbors）缺失值處理：首先，用KNN計(jì)算每個(gè)樣本缺失值臨近的K個(gè)數(shù)據(jù)，后將每個(gè)缺失值的特征填補(bǔ)為所選擇的K個(gè)鄰居的均值。

③異常值處理：采用孤立森林（Isolation Forest）算法進(jìn)行異常值檢測(cè)。

（3） 指標(biāo)初篩

運(yùn)用特征工程技術(shù)進(jìn)行零售終端價(jià)值預(yù)測(cè)指標(biāo)的初篩。特征工程，是指用一系列工程化的方式從原始數(shù)據(jù)中篩選出更好的數(shù)據(jù)特征，以提升模型的訓(xùn)練效果。

一是數(shù)據(jù)標(biāo)準(zhǔn)化。對(duì)數(shù)值型數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，減少指標(biāo)量綱對(duì)預(yù)測(cè)結(jié)果的影響。

二是啞變量化處理。對(duì)業(yè)態(tài)、商圈類(lèi)型等離散型數(shù)據(jù)啞變量化，為檢驗(yàn)其對(duì)結(jié)果的影響，提高預(yù)測(cè)模型的精度，需將其轉(zhuǎn)化為數(shù)值變量。

三是指標(biāo)初篩。從業(yè)務(wù)角度，基于決策樹(shù)對(duì)指標(biāo)的重要度進(jìn)行排序，初步篩選指標(biāo)。

2.客戶(hù)價(jià)值預(yù)測(cè)模型

（1） 模型相關(guān)算法原理

本文采用專(zhuān)家打分法和One-Class SVM機(jī)器學(xué)習(xí)模型相結(jié)合的方式，篩選出價(jià)值客戶(hù)，然后基于相似度實(shí)現(xiàn)價(jià)值客戶(hù)的預(yù)測(cè)。

首先，使用專(zhuān)家評(píng)分法（Delphi Method）建立價(jià)值客戶(hù)的評(píng)價(jià)標(biāo)準(zhǔn)，步驟如下：

①選擇專(zhuān)家：選擇一組具有行業(yè)相關(guān)知識(shí)與經(jīng)驗(yàn)的專(zhuān)家參與評(píng)估。

②第一輪調(diào)查：向?qū)＜野l(fā)送問(wèn)卷或問(wèn)題，要求他們提供答案或評(píng)分。

③匯總反饋：收集所有的反饋并匯總。

④第二輪調(diào)查：將匯總的反饋發(fā)送給所有的專(zhuān)家，并要求他們考慮其他專(zhuān)家的觀點(diǎn)，并在必要時(shí)修改自己的答案或評(píng)分。

⑤再次匯總：再次匯總反饋，并根據(jù)需要重復(fù)第2～4步，直到達(dá)到相對(duì)穩(wěn)定的共識(shí)或足夠的迭代。

同時(shí)，結(jié)合One-Class SVM算法篩選典型價(jià)值客戶(hù)。One-Class SVM機(jī)器學(xué)習(xí)模型是一種無(wú)監(jiān)督算法，主要用于異常檢測(cè)。其目標(biāo)是找到一個(gè)在高維空間中最大化間隔的超平面，該超平面將大多數(shù)數(shù)據(jù)點(diǎn)與原點(diǎn)分開(kāi)。與常規(guī)的SVM不同，One-Class SVM只使用一個(gè)類(lèi)別的數(shù)據(jù)進(jìn)行訓(xùn)練。One-Class SVM的主要參數(shù)：kernel，定義數(shù)據(jù)轉(zhuǎn)換到新特征空間的方式。常見(jiàn)的核函數(shù)有l(wèi)inear（線性）、poly（多項(xiàng)式）、rbf（徑向基函數(shù)）和sigmoid核函數(shù)。參數(shù)nu（在[0，1]范圍內(nèi)）表示異常點(diǎn)的上限比例和支持向量的下限比例，它確定訓(xùn)練誤差和支持向量的數(shù)量。Gamma，對(duì)于rbf、poly和sigmoid，gamma是一個(gè)重要的參數(shù)，當(dāng)gamma為auto時(shí)，會(huì)使用1/n_features。當(dāng)gamma為scale時(shí)，則使用1/（n_features*X.var（））作為gamma的值。

（2） 預(yù)測(cè)步驟

本文搭建的價(jià)值客戶(hù)預(yù)測(cè)模型分為四步：指標(biāo)確定、價(jià)值客戶(hù)篩選、典型價(jià)值客戶(hù)篩選、基于相似性度量的客戶(hù)價(jià)值預(yù)測(cè)。

①基于專(zhuān)家打分法與皮爾遜系數(shù)確定價(jià)值指標(biāo)

首先，對(duì)初篩后的指標(biāo)使用專(zhuān)家打分法進(jìn)一步篩選，找出所有與客戶(hù)價(jià)值有線性相關(guān)性的指標(biāo)，然后采用皮爾遜相關(guān)系數(shù)計(jì)算這些指標(biāo)之間的協(xié)方差矩陣，挑選出相關(guān)系數(shù)大于0.7的指標(biāo)對(duì)，使用專(zhuān)家評(píng)分法去除每個(gè)指標(biāo)對(duì)的其中一個(gè)，剩余所有指標(biāo)作為使用指標(biāo)，提取出14個(gè)有效指標(biāo)（如圖4）。

②價(jià)值客戶(hù)篩選

使用最終指標(biāo)，通過(guò)專(zhuān)家評(píng)分法，對(duì)每個(gè)投放擋位的客戶(hù)分別進(jìn)行多輪選擇（測(cè)試品規(guī)投放25～30檔6個(gè)擋位），在每個(gè)擋位選取出所有專(zhuān)家認(rèn)可的35個(gè)價(jià)值客戶(hù)，共210個(gè)。

③典型價(jià)值客戶(hù)篩選

對(duì)這210個(gè)最有價(jià)值客戶(hù)，使用One-Class SVM算法學(xué)習(xí)其數(shù)據(jù)典型分布，并進(jìn)行離群點(diǎn)預(yù)測(cè)，根據(jù)預(yù)測(cè)值去掉10個(gè)最可能的離群點(diǎn)。

本文通過(guò)交叉驗(yàn)證以及專(zhuān)家意見(jiàn)評(píng)價(jià)，確定了最佳參數(shù)組合：kernel = rbf，nu = 0.05，gamma = scale。

將剩余的200個(gè)數(shù)據(jù)點(diǎn)使用UMAP降維方法將多維數(shù)據(jù)降到三維并可視化，從不同可視角度選擇了10個(gè)數(shù)據(jù)點(diǎn)作為典型價(jià)值客戶(hù)。從不同角度進(jìn)行選擇的目的是獲得有指標(biāo)差異性的典型數(shù)據(jù)代表。

UMAP降維方法的主要參數(shù)包括：n_neighbors，用于考慮局部與全局的權(quán)衡，較大的鄰居點(diǎn)個(gè)數(shù)代表更偏向于全局結(jié)構(gòu)；Min_dist，用于控制嵌入空間中相鄰點(diǎn)之間的最小距離。較小的值會(huì)使數(shù)據(jù)更加緊密，而較大的值會(huì)使數(shù)據(jù)在嵌入空間中更加分散；n_components，目標(biāo)降維后的維數(shù)，設(shè)置為2或3會(huì)使數(shù)據(jù)降維到2D或3D空間，方便可視化。Metric，用于計(jì)算輸入數(shù)據(jù)中的距離的度量，可以是“歐幾里得”“曼哈頓”“cosine”等。本文使用neighbors = 10，min_dist = 0.2，n_components = 3，Metric = cosine作為參數(shù)進(jìn)行降維并可視化。

④典型價(jià)值客戶(hù)篩選

a、價(jià)值客戶(hù)預(yù)測(cè)

為了最大程度避免不同擋位投放量大小的差異對(duì)價(jià)值客戶(hù)預(yù)測(cè)的影響，本文對(duì)數(shù)據(jù)特征進(jìn)行PCA降維，將降低到5維后的數(shù)據(jù)計(jì)算余弦相似度（cosine），用向量夾角衡量客戶(hù)的價(jià)值。首先，計(jì)算待預(yù)測(cè)客戶(hù)與篩選出的10個(gè)價(jià)值客戶(hù)余弦相似度的弧度，選擇最小弧度作為此客戶(hù)的相似性預(yù)測(cè)值，設(shè)定弧度閾值為0.3，預(yù)測(cè)值小于閾值且實(shí)際總銷(xiāo)量大于同擋位均值的客戶(hù)作為價(jià)值客戶(hù)。待預(yù)測(cè)客戶(hù)與價(jià)值客戶(hù)的夾角分布如圖5所示。從夾角分布情況可以看出，降維使數(shù)據(jù)分布相對(duì)分散，且與10個(gè)價(jià)值客戶(hù)的夾角以相近或相反為主。

b、潛力客戶(hù)預(yù)測(cè)

在步驟a的預(yù)測(cè)中，預(yù)測(cè)值小于閾值且實(shí)際總銷(xiāo)量小于同擋位均值的客戶(hù)作為潛力客戶(hù)。

四、結(jié)果與應(yīng)用

以真龍（海韻中支）為例，使用10個(gè)典型價(jià)值客戶(hù)作為錨點(diǎn)，對(duì)其余客戶(hù)進(jìn)行預(yù)測(cè)，篩選出555戶(hù)價(jià)值客戶(hù)和343戶(hù)潛力客戶(hù)，以此為基礎(chǔ)選取市場(chǎng)人員重點(diǎn)維護(hù)的終端，并開(kāi)展個(gè)性化終端服務(wù)工作。針對(duì)價(jià)值客戶(hù)開(kāi)展特色陳列、產(chǎn)品品鑒等活動(dòng)，進(jìn)一步提升產(chǎn)品的影響力，同時(shí)調(diào)研目標(biāo)消費(fèi)者的畫(huà)像，以指導(dǎo)產(chǎn)品投放；針對(duì)潛力客戶(hù)介紹產(chǎn)品文化，提升其訂購(gòu)意愿。

圖6是終端個(gè)性化營(yíng)銷(xiāo)活動(dòng)對(duì)訂購(gòu)量的影響結(jié)果，可以看到預(yù)測(cè)的潛力客戶(hù)經(jīng)過(guò)終端精準(zhǔn)服務(wù)后，有效訂足率明顯增加。

本文結(jié)合外部消費(fèi)環(huán)境數(shù)據(jù)，實(shí)現(xiàn)了卷煙市場(chǎng)需求預(yù)測(cè)；以客觀需求和價(jià)值客戶(hù)預(yù)測(cè)，建立了品牌的零售客戶(hù)標(biāo)簽池，智能篩選出價(jià)值終端，實(shí)現(xiàn)了精準(zhǔn)選點(diǎn)、指導(dǎo)與服務(wù)；促使終端服務(wù)更有目的和成效，能夠更好地滿(mǎn)足消費(fèi)者需求，對(duì)促進(jìn)品牌健康發(fā)展有重要的指導(dǎo)意義。本研究有利于通過(guò)信息技術(shù)手段，形成動(dòng)態(tài)小程序，優(yōu)化卷煙品牌在其客戶(hù)關(guān)系管理工作的應(yīng)用效能。

參考文獻(xiàn)：

[1]陳巧玲，葉周良，陳海勇.客戶(hù)價(jià)值模型在煙草行業(yè)的研究與應(yīng)用[J].中國(guó)新通信，2020，22（17）：119-121.

[2]閆磊，劉旭，徐斌.基于客戶(hù)價(jià)值的卷煙零售客戶(hù)分類(lèi)研究與應(yīng)用[J].價(jià)值工程，2019，38（25）：89-90.

[3]祖強(qiáng).基于卡諾模型的面向消費(fèi)者客戶(hù)分類(lèi)評(píng)價(jià)體系建設(shè)研究[J].福建省煙草學(xué)會(huì)2014年學(xué)術(shù)年會(huì)，2014：30-37.

[4]秦琴.數(shù)據(jù)挖掘算法在廈門(mén)市卷煙新零售策略中的應(yīng)用[J].海峽科學(xué)，2021（7）：62-70.

[5]玉明濤，溫林萍，趙燕妮，等.突出客戶(hù)價(jià)值分類(lèi)，創(chuàng)新引領(lǐng)精準(zhǔn)營(yíng)銷(xiāo)新模式——基于CPM模型的客戶(hù)“盈利提升導(dǎo)航”模式研究[J].廣西壯族自治區(qū)煙草公司柳州市公司2021年學(xué)術(shù)論文匯編，2021.

[6]李欣欣，肖駿孔，維力.工商零消大數(shù)據(jù)助力煙草行業(yè)客戶(hù)價(jià)值預(yù)測(cè)與精準(zhǔn)服務(wù)[J].商場(chǎng)現(xiàn)代化，2022（19）：4-6.

[7]馮娟娟，辜麗川，饒海笛，等.基于客戶(hù)畫(huà)像和GBDT算法的客戶(hù)價(jià)值預(yù)測(cè)方法[J].洛陽(yáng)理工學(xué)院學(xué)報(bào)：自然科學(xué)版，2018，28（3）：51-56.

[8]AMEYAW，E.，HU，Y.，SHAN，M.，e.l.（2016）.Application of Delphi method in construction engineering and management research：A quantitative perspective.Journal of Civil Engineering and Management.

[9]MCINNES，L.，HEALY，J.，SAUL，N.，&Gro?berger，L.（2018）.UMAP：Uniform Manifold Approximation and Projection.Journal of Open Source Software.