客户画像的烟草货源投放策略研究

黄 曦 李清沛 张 帆 杨 成 刘 沁

（1.四川省泸州市烟草公司，泸州 646000；2.四川省泸州市江阳区烟草公司，泸州 646000）

引 言

烟草经济是国民经济的重要组成部分，为国家财政收入做出了重要贡献。中国烟草也是国民经济的重要参与者，其调控社会烟草投放，保障烟草这类“特殊”商品的供给。烟草行业也是我国现存唯一的计划经济行业，因此其商品的投放具有特殊性[1]。文章以泸州市江阳区为例，通过客户画像分析客户烟草真实需求，以达到烟草公司向客户精准投放货源的目的。

一、研究背景

烟草行业是我国现存唯一的计划经济行业，烟草实行专卖许可制度，目前烟草公司货源投放依据主要是客户档位和客户订购数，因此某些烟草单品就成了相对紧缺的资源[2]。客户为了能够获得较多的货源，不得不想方设法保住目前档位，这就造成了客户对烟草需求不真实，没有反映出市场真实需求。因此，本文拟定通过客户画像研究货源需求之间的关系，实现货源精准投放。

二、研究思路

假设烟草客户画像与客户档位、客户业态、客户市场类型、客户经营场所面积、客户从业人员数量、收银机类型六个维度有关；假设客户无隐匿信息，无串货销售行为；假设单品无货源短缺情形。通过系统抽样方法，在全江阳区境内抽取了253 家（全区客户数的10%左右）客户作为库存调查样本客户，重点围绕这253 家客户目前在销的154种单品展开研究。

笔者分别进行了抽样客户库存调查，获得了单品库存量，通过单品库存特点得出客户画像维度的部分特征数据。调查时间间隔的单品库存量之差及此时段货源投放量，可得到该单品在调查期间的销量。此外，从销售系统调取1 年的货源投放量，假设2020 年6 月及2021 年6 月单品库存量相当，则货源投放量就是销售量。即使有少许误差，一年中的投放量平均到每个月之后，误差也会相对较小。

三、研究方法

（一）回归模型分析

选取尽可能涉及六个维度且订购数量较大的单品作为目标进行分析，抓大放小，让模型具有普遍性、代表性[3]。分析单品选择，筛选出2020 年6 月至2021 年6 月订购数量最多的前两种单品，找到排名第一的单品为红塔山（经典100），一年订购量为90 641 条，且抽样的253 家客户均在此时段订购；排名第二的单品为云烟（紫），一年订购量为90 298 条，且抽样的253 家客户均在此时段订购。因此，将红塔山（经典100）及云烟（紫）作为模型分析的目标单品。

对多元选择模型进行赋值问题。对于客户业态，有便利店、超市、其他、商场、食杂店、烟酒商店、娱乐服务7 种。对于客户市场类型，有乡村、城镇、城区3 种。对于收银机类型，分为无收银机、有收银机、有行业收银机3 种[4]。因此，对于以上3 个维度数据，利用逻辑回归的方式，根据极大似然估计方法重新对数据进行修正赋值，修正之后，无收银机、有收银机和有行业收银机赋值分别为0.262 605 566、0.415 560 684、0.321 833 75，乡村、城镇、城区赋值分别 为0.282 311 964 605 102、0.340 864 162 665 914、0.340 864 162 665 914；便利店、超市、其他、商场、食杂店、烟酒商店、娱乐服务赋值分别为0.115 731 84、0.195 222 701、0.104 860 583、0.173 092 84、0.106 853 107、0.200 555 197、0.103 683 731。

此时，模型融入了线性回归与逻辑回归。融入逻辑回归之后，红塔山（经典100）回归参数如表1、表2 所示。

表1 融入逻辑回归后红塔山（经典100）回归拟合参数

表2 融入逻辑回归后红塔山（经典100）回归参数

表3 融入逻辑回归后云烟（紫）回归拟合参数

可以看出，档位、经营场所面积、业态具有很强的显著性，但市场类型、从业人员数量及收银机类型具有较低的显著性。因此可以初步断定，市场类型、从业人员数量及收银机类型对于客户订购量是不显著的。造成不显著的原因主要有以下三个方面。

一是根据市场类型得出划分区别度在实际调查过程中已经不明显。如此次调查的253 户客户涉及三大类，分别为城区、城镇、乡村。在实际调查过程中，调查所在区县除了街道和镇以外，没有乡，且城镇人口占总人口的65%，常住城区人口超过70%，调查样本对城镇及乡村的代表性不足。二是从业人员数量在调查时未进行详细的定量定性约定，如烟酒专卖店的店铺从业人员专门服务与卷烟的比例约为40%（烟酒专卖店的一个从业人员专门从事卷烟销售占整个岗位工作量的40%），而便利店经营品种众多，1 位从业人员分摊到卷烟销售的工作量可能不到10%，因此单看从业人员数量并不能与客户的订购数形成显著关系。三是收银机与客户业态、市场类型等有较大的关联，易形成自相关关系。例如：大型商超、专卖店收银机占比较大，便利店收银机占比较小；城区收银机占比较大，偏远地区收银机占比较少。

因此，不妨只考虑档位、业态及经营场所面积这3 个较为显著的画像指标来拟合客户订购量。红塔山（经典100）拟合的结果如表5 和表6 所示。

表5 只考虑档位、业态及经营场所面积红塔山（经典100）回归拟合参数

表6 只考虑档位、业态及经营场所面积红塔山（经典100）回归参数

只考虑档位、业态及经营场所面积，融合线性回归与逻辑回归之后，云烟（紫）参数如表7 和表8 所示。

表7 只考虑档位、业态及经营场所面积云烟（紫）回归拟合参数

表8 只考虑档位、业态及经营场所面积云烟（紫）回归参数

除了红塔山（经典100）与云烟（紫）以外，对其他销量品种回归参数的P 值也进行了汇总，见表9。

总体来看，档位、业态、经营场所面积对订购量的解释是显著的。可以认为，档位、业态、经营场所面积对订购量有很重要的影响。但这也不乏奇异单品，这3 个解释变量对订购量的影响不显著，此类单品可能需要其他分析方法寻找影响其订购量的变量。另外，模型经过不断修正，有一个维度对订购量的影响一直是非常显著的，这就是客户档位。客户档位可以理解成模型受到了时间序列的影响，根据营销规则，客户订货量与其档位相关，客户档位正是其历史订货量的体现。

（二）模型检验

根据上述推导模型，得到红塔山（经典100）的订货数量回归函数关系式，由表6 得：

y＝－33.591 ＋16.111 26x1＋1339.433x2－0.088 26x3

预测值计算如下。

第一步，将目前掌握的253 家客户的档位、客户业态、经营场所面积分别代入回归表达式，得到253 个不同的y 值。

第二步，将这253 个y 值求和，并求得每个y 值在求和中的占比。

第三步，根据样本客户调查期间月度订购数据（7.25—8.23），计算出此次红塔山（经典100）总投放量，再根据第二步占比计算得出每种单品的预计投放量。

第四步，将第三步求出的预计投放量与系统调出的实际投放量作差求绝对值。计算出每个客户预计值与实际值偏离比例。结果如图1 所示。

经过检验，2022 年7 月25 日至8 月23 日，有103 家客户投放偏离度低于10%，投放偏离度低于20%的客户数为189 户，占总户数的74.7%。模型整体预测准确度较高。

四、模型评价

本模型能较好地通过客户画像预测客户单品订购数量，误差在可控范围内。但该模型也有一定的局限性：一是未能完全囊括原先预想的6 个维度，对客户画像不够全面。二是客户订购数量不只依赖于客户画像，或者说客户画像并不是客户订多订少的直接原因，订购数量最终来源于市场，而客户画像只是对订购数量的侧面反映[5]。后期市场数据不断丰富完善，模型经过市场不断检验、优化，客户画像将更加全面、完整，客户画像与客户订购数的关联程度也将更强。