论文部分内容阅读
摘 要：客户关系管理的关键是客户分类，而烟草工业的优势在品牌。为了品牌发展和品牌培育，突出品牌特征，对客户细分，实现精准营销，提高工业企业品牌核心竞争力。采用品牌占比和品牌订购数作为聚类因子，获得20个零售客户细分群组，并提出将客户价值作为每个群组的价值依据。结合海量数据获取优质客户群组及潜力客户群组信息，构成优质零售客户画像。最后针对符合优质客户画像的1281位零售客户，工商协同实现精准投放，工业企业进行精准营销。以真龙品牌为例，在某市进行为期一年的销售实例验证，实证证明在该策略下，品牌销量和订足率都得到了提升。
关键词：聚类分析;品牌占比;零售客户;客户价值
中图分类号：F27 文献标识码：A doi：10.19311/j.cnki.1672-3198.2021.32.022
1 背景
信息时代的来临，企业营销焦点从“产品中心”转变为“客户中心”，客户关系管理成为企业的核心问题。客户关系管理的关键问题是客户分类，通过客户分类，区分高价值的客户、低价值的客户，企业针对不同价值的客户指定优化的个性化服务方案，采取不同的营销策略，将有限的营销资源集中于高价值客户，实现企业利润最大化目标。
烟草工业的优势在品牌，为了品牌发展和品牌培育，工业公司客户经理当前的主要做法是，依靠“单条值”和“订购总数”作为客户细分指标，实现零售客户的分档，对档位高价值客户进行重点营销推广活动。通过实际统计分析发现，由于客户所处商圈、经营业态等因素影响，基于“单条值”和“订购总数”优选的高价值客户，对于具体的品牌而言并无直接关联。本文将采用突出品牌特点的聚类因子，完成对零售客户聚类分析，帮助工业公司客户经理找到与品牌相关的优质零售客户，从而实现品牌的发展与销售的提升。
2 国内外研究现状
2.1 客户细分
美国市场学家温德尔·史密斯于1956年提出“细分”概念，客户细分能够有效降低成本，营销策略是基于建立的客户价值细分模型。谢佳从应用需求出发，构建客户细分框架，并运用聚类分析、决策树、逻辑回归等数据挖掘方法对客户进行细分建模，为电力客户营销服务策略的制定提供依据。李艳君通过对八种不同聚类方法的对比研究，对辽宁省某商业银行的CRM结算系统客户细分，得到了五种分类，该细分模型表明银行80%的收益是由20%比较重要的客户带来的，数据支撑精准营销策略。
王吉斌等人对零售客户细分，提升货源投放精准度和订足率。叶晓蕾根据终端零售客户购买频率，对零售客户分类，用于优化营销流程、优化专卖管理、优化物流配送。王鹏主要通过价值评价指标，对零售客户价值评价统计分析、聚类分析，在此基础上建立客户群分类模型，并提出零售客户的产品、价格、渠道、促销策略。何杰设计卷烟消费者调查问卷，在福建省宁德市调查取样，根据分析结论将卷烟消费者划分为三类细分市场，提出重新定位七匹狼卷烟产品的建议。彭江等人从卷烟供求模式入手，基于商品价位进行细分，解析各环节存在的矛盾和问题，揭示了卷烟市场供给需求的变化机制，并提出应对营销策略。
2.2 用户画像
用户画像是从海量数据中获取的并由用户信息构成的形象集合。用户特征信息包括与用户有关的稳定因素（例如个人基本信息）和可变因素两部分。单晓红等人构建基于在线评论的用户画像本体模型，展示用户对于酒店相关属性的偏好，为酒店进行精准营销提供了很大的帮助。李恒超通过使用卷积神经网络模型和浅层神经网络模型来分别提取查询词之间语义关联，构建了用户画像的二级融合模型的算法框架。齐会敏等人运用用户画像实现了一种基于用户兴趣主题的个性化好友推荐方法。
3 零售客户价值研究
3.1 零售客户聚类分析
3.1.1 数据来源
数据来源于内部销售系统，按零售客户汇总的订单数和订购金额，共计样本数据13519个;全年活跃零售客户基本信息13511个;两种数据按照“零售客户编号”属性进行合并，可得到包含客户详细信息及其订单信息的样本13511个。
3.1.2 聚类因子选取
为了突出聚类后的品牌特征，首先提出了“品牌占比”作为第一个聚类因子，主要思路是通过“品牌订购数”占其“所有商品总订购数”的比例来量化该客户对品牌的倾向程度，“品牌订购数”作为第二个聚类因子，表示零售客户对品牌的绝对贡献。经营规模大、购买力强的客户相对更为优质。所以将总订购数，总订购金额分别作为第3和第4的聚类因子。
3.1.3 聚类结果
K-Means聚类算法广泛用于电力、电信、烟草的客户细分。选取的两个聚类因子有量级的差异，需要首先进行标准化处理，再经过多轮聚类，采用轮廓系数优化，最优的聚类结果是划分为20个群组，最终的聚类结果如图1所示。
3.2 客户价值
由于零售客户是按计划每周一次订购商品，不能采用RFM模型。因此我们引入“客户价值”，由品牌订购量与品牌占比相乘获得。如图2，聚类分析获取了20个群组，柱体高度表示为各群组的“客户价值”。
客价值=品牌量×品牌占比
3.3 零售客户价值分析
3.3.1 优质客户群组
18和17群组内的零售客户，其“品牌占比”高，“品牌订购量”较大，是真正的品牌优质客户。
3.3.2 潜力客户群组
16和3群组的零售客户，“品牌占比”較高，“品牌订购量”大，其营业规模较大，属于较有潜力的优质客户。
3.3.3 次优质客户群组
12和5群组的零售客户，“品牌占比”较高，“品牌订购量”较高，属于次优质客户。 3.4 品牌优质客户画像
通过统计分析品牌优质客户基本信息，优质零售客户画像如图3所示。主要是大型个体食杂店，位置在1圈层非商业核心区域，经营规模大，市场类型城镇的城区。
4 品牌精准营销实例
以真龙品牌在某市的销售数据为例，经过数据收集和聚类分析，在优质客户群组和次优质客户群组中，寻找到的优质零售客户有127位。统计127位零售客户的基本信息，形成如图3所示的品牌优质零售客户画像。寻找符合图3特征的零售客户达到1281位，工业公司营销人员对1281位零售客户实现精准营销，提供优质服务，提升了品牌知名度，取得较好的销售效果。通过到v6系统中进一步挖掘，这些优质零售客户位于客户分档中的17档、21档、24档。提升这些档位投放真龙品牌力度，通过一年的实际运营，真龙品牌在该市的销量提升了17%，订足率提升了8%。
5 结论
为了突出品牌的特征，首先采用品牌占比和品牌订购数作为聚类因子，获得20个群组。对优质零售客户群组和次优质零售客户群组的127位进行客户画像分析，寻找到具有相同客户画像特征的1281零售客户。工业公司营销人员针对这部分零售客户进行精准营销，提供优质服务;工商协同，提升这些零售客户所在挡位的品牌投放量，经过一年的运营，在该市的销量提升了17%，订足率提升了8%。
参考文献
[1]谢佳.电力客户细分模型研究与应用[D].广州：广东工业大学，2017.
[2]李艳君.K-means聚类算法在银行CRM系统客户细分中的应用[D].哈尔滨：哈尔滨工业大学，2017.
[3]王吉斌，黄飞杰，尹健康，等.基于聚类集成的卷烟零售客户细分实证研究[J].西南科技大学学报，2020，35（01）：75-80.
[4]叶晓蕾.基于大数据的卷烟精准营销研究[D].昆明：云南财经大学，2018.
[5]王鹏.基于客户细分的ZC烟草零售客户营销策略研究[D].淄博：山东理工大学，2017.
[6]何杰.基于市场调研的七匹狼卷烟消费者市场细分研究[D].厦门：厦门大学，2014.
[7]彭江.基于价位细分的卷烟市场供需关系研究[J].全国流通经济，2016，（1）：12-13.
[8]单晓红，张晓月，刘晓燕，等.基于在线评论的用户画像研究—以携程酒店为例[J].情报理论与实践，2018，41（04）：99-104+149.
[9]李恒超，林鸿飞，杨亮，等.一种用于构建用户画像的二级融合算法框架[J].计算机科学，2018，45（01）：157-161.
[10]齐会敏，刘群，戴大祥，等.面向興趣主题的个性化好友推荐[J].计算机工程与科学，2018，40（02）：348-353.
关键词：聚类分析;品牌占比;零售客户;客户价值
中图分类号：F27 文献标识码：A doi：10.19311/j.cnki.1672-3198.2021.32.022
1 背景
信息时代的来临，企业营销焦点从“产品中心”转变为“客户中心”，客户关系管理成为企业的核心问题。客户关系管理的关键问题是客户分类，通过客户分类，区分高价值的客户、低价值的客户，企业针对不同价值的客户指定优化的个性化服务方案，采取不同的营销策略，将有限的营销资源集中于高价值客户，实现企业利润最大化目标。
烟草工业的优势在品牌，为了品牌发展和品牌培育，工业公司客户经理当前的主要做法是，依靠“单条值”和“订购总数”作为客户细分指标，实现零售客户的分档，对档位高价值客户进行重点营销推广活动。通过实际统计分析发现，由于客户所处商圈、经营业态等因素影响，基于“单条值”和“订购总数”优选的高价值客户，对于具体的品牌而言并无直接关联。本文将采用突出品牌特点的聚类因子，完成对零售客户聚类分析，帮助工业公司客户经理找到与品牌相关的优质零售客户，从而实现品牌的发展与销售的提升。
2 国内外研究现状
2.1 客户细分
美国市场学家温德尔·史密斯于1956年提出“细分”概念，客户细分能够有效降低成本，营销策略是基于建立的客户价值细分模型。谢佳从应用需求出发，构建客户细分框架，并运用聚类分析、决策树、逻辑回归等数据挖掘方法对客户进行细分建模，为电力客户营销服务策略的制定提供依据。李艳君通过对八种不同聚类方法的对比研究，对辽宁省某商业银行的CRM结算系统客户细分，得到了五种分类，该细分模型表明银行80%的收益是由20%比较重要的客户带来的，数据支撑精准营销策略。
王吉斌等人对零售客户细分，提升货源投放精准度和订足率。叶晓蕾根据终端零售客户购买频率，对零售客户分类，用于优化营销流程、优化专卖管理、优化物流配送。王鹏主要通过价值评价指标，对零售客户价值评价统计分析、聚类分析，在此基础上建立客户群分类模型，并提出零售客户的产品、价格、渠道、促销策略。何杰设计卷烟消费者调查问卷，在福建省宁德市调查取样，根据分析结论将卷烟消费者划分为三类细分市场，提出重新定位七匹狼卷烟产品的建议。彭江等人从卷烟供求模式入手，基于商品价位进行细分，解析各环节存在的矛盾和问题，揭示了卷烟市场供给需求的变化机制，并提出应对营销策略。
2.2 用户画像
用户画像是从海量数据中获取的并由用户信息构成的形象集合。用户特征信息包括与用户有关的稳定因素（例如个人基本信息）和可变因素两部分。单晓红等人构建基于在线评论的用户画像本体模型，展示用户对于酒店相关属性的偏好，为酒店进行精准营销提供了很大的帮助。李恒超通过使用卷积神经网络模型和浅层神经网络模型来分别提取查询词之间语义关联，构建了用户画像的二级融合模型的算法框架。齐会敏等人运用用户画像实现了一种基于用户兴趣主题的个性化好友推荐方法。
3 零售客户价值研究
3.1 零售客户聚类分析
3.1.1 数据来源
数据来源于内部销售系统，按零售客户汇总的订单数和订购金额，共计样本数据13519个;全年活跃零售客户基本信息13511个;两种数据按照“零售客户编号”属性进行合并，可得到包含客户详细信息及其订单信息的样本13511个。
3.1.2 聚类因子选取
为了突出聚类后的品牌特征，首先提出了“品牌占比”作为第一个聚类因子，主要思路是通过“品牌订购数”占其“所有商品总订购数”的比例来量化该客户对品牌的倾向程度，“品牌订购数”作为第二个聚类因子，表示零售客户对品牌的绝对贡献。经营规模大、购买力强的客户相对更为优质。所以将总订购数，总订购金额分别作为第3和第4的聚类因子。
3.1.3 聚类结果
K-Means聚类算法广泛用于电力、电信、烟草的客户细分。选取的两个聚类因子有量级的差异，需要首先进行标准化处理，再经过多轮聚类，采用轮廓系数优化，最优的聚类结果是划分为20个群组，最终的聚类结果如图1所示。
3.2 客户价值
由于零售客户是按计划每周一次订购商品，不能采用RFM模型。因此我们引入“客户价值”，由品牌订购量与品牌占比相乘获得。如图2，聚类分析获取了20个群组，柱体高度表示为各群组的“客户价值”。
客价值=品牌量×品牌占比
3.3 零售客户价值分析
3.3.1 优质客户群组
18和17群组内的零售客户，其“品牌占比”高，“品牌订购量”较大，是真正的品牌优质客户。
3.3.2 潜力客户群组
16和3群组的零售客户，“品牌占比”較高，“品牌订购量”大，其营业规模较大，属于较有潜力的优质客户。
3.3.3 次优质客户群组
12和5群组的零售客户，“品牌占比”较高，“品牌订购量”较高，属于次优质客户。 3.4 品牌优质客户画像
通过统计分析品牌优质客户基本信息，优质零售客户画像如图3所示。主要是大型个体食杂店，位置在1圈层非商业核心区域，经营规模大，市场类型城镇的城区。
4 品牌精准营销实例
以真龙品牌在某市的销售数据为例，经过数据收集和聚类分析，在优质客户群组和次优质客户群组中，寻找到的优质零售客户有127位。统计127位零售客户的基本信息，形成如图3所示的品牌优质零售客户画像。寻找符合图3特征的零售客户达到1281位，工业公司营销人员对1281位零售客户实现精准营销，提供优质服务，提升了品牌知名度，取得较好的销售效果。通过到v6系统中进一步挖掘，这些优质零售客户位于客户分档中的17档、21档、24档。提升这些档位投放真龙品牌力度，通过一年的实际运营，真龙品牌在该市的销量提升了17%，订足率提升了8%。
5 结论
为了突出品牌的特征，首先采用品牌占比和品牌订购数作为聚类因子，获得20个群组。对优质零售客户群组和次优质零售客户群组的127位进行客户画像分析，寻找到具有相同客户画像特征的1281零售客户。工业公司营销人员针对这部分零售客户进行精准营销，提供优质服务;工商协同，提升这些零售客户所在挡位的品牌投放量，经过一年的运营，在该市的销量提升了17%，订足率提升了8%。
参考文献
[1]谢佳.电力客户细分模型研究与应用[D].广州：广东工业大学，2017.
[2]李艳君.K-means聚类算法在银行CRM系统客户细分中的应用[D].哈尔滨：哈尔滨工业大学，2017.
[3]王吉斌，黄飞杰，尹健康，等.基于聚类集成的卷烟零售客户细分实证研究[J].西南科技大学学报，2020，35（01）：75-80.
[4]叶晓蕾.基于大数据的卷烟精准营销研究[D].昆明：云南财经大学，2018.
[5]王鹏.基于客户细分的ZC烟草零售客户营销策略研究[D].淄博：山东理工大学，2017.
[6]何杰.基于市场调研的七匹狼卷烟消费者市场细分研究[D].厦门：厦门大学，2014.
[7]彭江.基于价位细分的卷烟市场供需关系研究[J].全国流通经济，2016，（1）：12-13.
[8]单晓红，张晓月，刘晓燕，等.基于在线评论的用户画像研究—以携程酒店为例[J].情报理论与实践，2018，41（04）：99-104+149.
[9]李恒超，林鸿飞，杨亮，等.一种用于构建用户画像的二级融合算法框架[J].计算机科学，2018，45（01）：157-161.
[10]齐会敏，刘群，戴大祥，等.面向興趣主题的个性化好友推荐[J].计算机工程与科学，2018，40（02）：348-353.