基于机器学习算法的卷烟营销智能客户拜访策略研究

翁金香，王浩名，周 洋，胡红春

（1.河南省烟草公司信阳市公司，河南 信阳 464000；2.中国烟草总公司职工进修学院，河南 郑州 450008）

0 引言

“卷烟上水平”是国家局当前和今后一个时期行业工作的基本方针和战略任务。近年来，烟草行业紧跟国家信息化发展浪潮，积极开展数字化转型，特别是作为中国烟草“半边天”的烟草商业企业[1]。通过对数据的分析和应用，基本实现了对市场动态的全面感知，为经验决策向数字化决策转型提供了坚强支撑，数据思维正不断渗透到营销服务和零售客户的日常经营中。

然而，在当前的卷烟销售工作中，客户经理们利用企业微信进行客户拜访，但是这个系统存在一些问题，使得他们无法最优化地设置拜访路线，也无法根据客户的相关数据和指标变化自动分类，进而根据分类结果制定一户一策的拜访计划任务。此外，该系统也无法对客户经理当月的工作结果进行考核。这些问题对于客户经理们来说是一个巨大的挑战，他们亟需通过现代技术手段提高工作效率和服务质量[2]。

为了提高卷烟客户经理的工作效率，提升客户的满意度水平，许多专家学者基于客户的特点，通过不同智能算法研究了客户管理拜访策略。

文献[3⁃4]中分别根据终端“三个水平”实际测评情况，将零售终端分为八类客户，并将卷烟零售户纳入“三星四类”诚信等级管理。

文献[5⁃6]中分别运用SOM 聚类方法、两步聚类模型进行卷烟零售的客户分类模拟研究，模拟结果显示，该方法具有较高的科学性和精准性。

为提高烟草行业商业客户服务水平，文献[7]中提出一种实施差异化战略的方法，以更好满足不同类别客户的差异化需求。

文献[8]中探讨了依据辖区零售客户的地域分布，运用最短路径模型，借助Excel 软件给出最优拜访线路，以提升服务效率。

文献[9]中探讨了采用K 均值聚类算法获得初始聚类中心并对配送区域进行网格划分，有效减少了配送车辆和行驶里程，均衡了不同配送线路之间的工作量。

本文在已有研究的基础上，考虑客户的不同价值维度，采用K 均值聚类机器学习算法对零售客户进行分类，构造了客户价值分类模型；同时根据智能拜访的实际情况，使用LKH 超启发算法和Dijkstra 最短路径算法对客户经理拜访路径进行最优规划。

1 客户价值分类模型构建

客户价值是企业从与其具有长期稳定关系并愿意为企业提供产品和服务承担合适价格的客户中获取的利润，即客户为企业的贡献[10]。

基于对卷烟零售客户价值的分析与研究，从客户基础价值、客户经营价值、品牌培育价值、客户成长价值、客户诚信价值、终端类型6 个维度提取了21 项指标数据，构造了IES 客户价值分类模型。模型体系如图1所示。

图1 IES 客户价值分类模型体系

1.1 客户指标

IES 客户价值分类模型的具体指标分为定量指标和定性指标。

定量指标主要包括客户基础价值、客户经营价值、品牌培育价值、客户成长价值4 个指标。

1）客户基础价值

客户基础价值从经营业态、商圈类型、市场类型扩展、信息采集类型、终端类型5 个指标进行评价，占总权重的20%，如表1 所示。

表1 客户基础价值表

2）客户经营价值

客户经营价值从客户档位、卷烟陈列面积、品牌宽度、卷烟陈列规格比例、月均省产烟订购总量5 个指标进行评价，占总权重的30%，如表2 所示。

表2 客户经营价值表

3）品牌培育价值

品牌培育价值从是否具有品吸区、品牌推介能力、明码实价率、新品货源购进量、重点规格上柜率5 个指标进行评价，占总权重的30%，如表3 所示。

表3 品牌培育价值表

4）客户成长价值

客户成长价值从订货频度、订购增长率、条均价增长率、计算机运用水平4 个指标进行评价，占总权重的20%，如表4 所示。

表4 客户成长价值表

定性指标主要包括客户诚信价值、终端类型，如表5 所示。

表5 客户诚信价值、终端类型表

1.2 价值分类

基于IES 客户价值分类模型可以将客户价值划分转化为典型的分割式聚类，聚类数即K值，相对明确。因而，使用K 均值聚类算法，其具有灵活、高效、准确等优势[11]。

利用K 均值聚类算法求解价值分类的基本步骤如下：

1）将客户价值数据分为K组，随机选择K个对象作为客户价值优化问题的初始聚类中心。

2）对于价值分类问题的每个客户数据点，计算其与各个客户价值聚类中心之间的距离，并将其分配给距离最近的价值聚类中心。

3）更新每个价值聚类的中心点，将其设置为属于该价值聚类的所有客户数据点的平均值。

4）重复步骤2）和步骤3），直到满足某个终止条件（如最小化误差平方和）。

通过全面评定，结合K 均值聚类对数据指标进行分析，将客户划分为核心型、重点型、成长型、常规型、培育型、观察型、异动型7 个类型，如表6 所示。

表6 客户分类标准表

根据客户分类标准，对各类型客户进行画像，形成客户特点，如表7 所示。

表7 客户特点表

根据客户特点有针对性地对不同类型客户推送相关服务内容，如表8 所示。

表8 客户服务内容表

2 卷烟客户拜访路径优化策略

在基于IES 客户价值分类模型和K 均值聚类机器学习算法对零售客户进行分类后，针对拜访的实际情况，采用LKH 算法和Dijkstra 算法规划卷烟客户拜访优化路径。

首先，利用LKH 算法交换不同商户间的节点，使商户间连接数与商户内连接数之间的差值最小化。

LKH 算法是一种超启发式算法，用于解决线性规划问题[12]，其基本思想是将原问题分解为较小的子问题，然后通过解决这些子问题来逐步逼近原问题的最优解。在卷烟客户拜访问题中，由于客户多点拜访最优排列的解空间是一个排列树，利用LKH 算法，可以使商户间连接数与商户内连接数之间的差值最小化。

采用卷烟客户拜访路径候选解的搜索策略，将节点从自身客户移动到其他客户中，或交换不同客户之间的节点。在每次客户拜访路径迭代过程中，生成、评估和选择拜访路径候选解，只接受最佳的拜访路径解，并拒绝其他稍差的候选解，直到无法搜索到更优的候选路径解。运算逻辑如图2 所示。

图2 不同客户拜访路径优化流程策略

其次，通过Dijkstra 算法来确定拜访过程中的最短路径。

Dijkstra 算法是一种经典的贪心算法[13]，用于解决有向或无向图中两点之间的最短路径问题。该算法基于广度优先搜索思想，从起点开始向外扩展，直到找到目标点。该算法适用于路线权值为正的情况，具有快速、简单、易于实现等优点。

在客户经理寻找最优拜访路径时，由于客户位置和客户经理出发点相对固定，因此，可以采用如下运算逻辑：

1）将所有卷烟客户位置分为两部分：已知最短拜访路径的卷烟客户位置集合P和未知最短拜访路径的卷烟客户位置集合Q。初始时，已知最短拜访路径的卷烟客户位置集合P中只有客户经理出发点一个卷烟客户位置。

使用book[i]数组记录哪些点位在集合P中。例如，对于某个卷烟客户位置i，如果book[i]为1，则表示这个卷烟客户位置在集合P中，如果book[i]为0，则表示这个卷烟客户位置在集合Q中。

2）将客户经理出发点s到自己的最短拜访路径设为0，即dis[s]=0。如果存在客户经理出发点s能够直接到达的卷烟客户位置i，则将dis[i]设为e[s][i]。同时，将所有其他（客户经理出发点不能直接到达的）卷烟客户位置的最短拜访路径设为无穷大。

3）从集合Q中选择一个离客户经理出发点s最近的卷烟客户位置u，加入到集合P中。同时，考察以点u为起点的所有边，对每一条边进行松弛操作。

4）重复步骤3），直到集合Q为空。最终，dis 数组中的值即为客户经理出发点到所有卷烟客户位置的最短拜访路径。

3 系统搭建与验证

基于上述模型和算法，搭建了一个客户智能拜访研究与应用系统平台。智能客户拜访系统平台分为四大核心模块：客户智能分类、任务智能推送、线路智能优化、绩效智能考核。

经过一段时间的运行后，拜访服务优化拉动整体营销业绩提升成效初显，具体表现为：

1）人均拜访户数显著提高。

客户经理人均拜访户数由145 户提升到城市线路人均服务客户250 户、农村线路人均服务客户200 户。

2）户均在途时间明显减少。

客户经理户均在途时间减少了17.24%，日均服务商户数提升了23.5%。

3）商户满意度大大提升。商户满意度从97.65%提升到99.83%。

4 结论

本文基于对卷烟零售客户价值的分析与研究，构造了一种IES 客户价值分类模型，采用K 均值聚类机器学习算法对零售客户进行分类，并针对智能拜访的实际情况，利用LKH 超启发算法和Dijkstra 最短路径算法对客户经理拜访路径进行最优规划和智能导航。平台运行结果表明，采用这一策略能够显著提高客户经理的人均拜访户数和商户满意度；同时，还大大缩短了户均在途时间和商户拜访服务覆盖周期。因此，该策略对于推动卷烟营销工作质量变革、效率变革和动力变革具有重要意义。总之，通过分析卷烟零售客户价值，以及利用智能拜访技术进行最优路径规划，能够更好地满足客户需求，提高营销效率，并为卷烟营销行业的持续发展注入新的动力。