［提要］　市场经济下，消费者作为关键性的“最后一公里”，在卷烟生产和流通中的重要性日益凸显。本文建立以消费信息采集、消费记录管理、消费会员管理、消费数据综合分析的卷烟消费跟踪体系，利用统计学中的K-means聚类算法划分不同的消费群体，从多个维度构建消费者画像，通过LSTM算法预测卷烟消费变化趋势，有针对性地为不同群体设计不同的营销活动，并根据消费者需求反向指导货源投放和品牌培育，基于行业特殊性，将消费者的聚集特征投射到零售户层面，分析研究卷烟消费群体及市场变化趋势，提升宏观运行调控、货源投放、品牌培育、客户指导的精准性。

关键词：消费跟踪体系；K-means聚类；LSTM算法；消费者需求

本文为湖南省烟草公司2021年度创新项目：“数据化卷烟营销机制的研究与应用”（项目编号：HN2021KJ16）

中图分类号：F713.52 文献标识码：A

收录日期：2022年6月6日

一、研究背景及意义

（一）研究背景。目前，由于行业的特殊性，烟草企业在消费者信息收集和研究方面仍处在初期探索阶段，缺乏深层次的分析。采用数据挖掘方法进行数据挖掘，可以为烟草行业提供更有效的客户关系管理方法，从大量杂乱的数据中提取到有效信息，掌握市场变化和趋势，了解消费者需要，为客户提供高质量的经营指导。对此，本文将以消费者数据分析为起点展开消费行为追踪，构建消费者细分模型，完善消费者需求预测模型，实现零售户精准定位，为工商企业开展品牌培育、货源精准投放、零售客户终端建设及面向消费者的精准营销提供数据支撑。

（二）研究意义

1、从宏观运行情况来看，明悉市场变化是当前环境下烟草行业的必修课。处在大环境中的烟草行业在卷烟消费领域面临着不确定性和多样性，需要更好地把握消费变化。通过科学的统计研究方法，卷烟消费倾向理论上是可以被计算和预测的，可以作为制定产业发展战略和卷烟消费政策的依据。

2、从企业发展来看，掌握消费趋势是烟草公司发展需要。市场经济下，企业逐渐把更多的目光投向了消费者，消费者数据分析帮助零售户精准识别客户价值，通过对客户贡献度的鉴别与筛选，识别不同层次、不同需求、不同消费习惯的客户群。

3、从品牌价值来看，把握消费偏好是烟草宣传的基础保障。烟草行业受行业特殊性影响，在传播和广告宣传有严格的法律限制，消费偏好分析可帮助企业找准目标消费者，精准进行品牌投放。

二、理论研究方法

（一）K-means聚类算法。本文采用基于K均值的K-means算法，划分出消费者群，并对每个群体赋予业务意义。

K-means算法的具体步骤：

输入：聚类数k和数据集X=｛x1，x2，…，xn｝。

输出：k个簇｛S1，S2，…，Sk｝。

方法：

（1）从数据集中随机选定k个对象作为初始聚类中心c1，c2，…，ck。

（2）逐个将对象xi（i=1，2，…，n）按欧式距离分配给距离最近的一个聚类中心：

cj，1＜j＜k

‖xi-cj‖=■■

其中，m是数据属性的个数。

（3）计算聚类的新中心cj，cj＝■■xi，j=1，2，…，k。

（4）若聚类中心不再变化，目标函数最小，算法终止，否则重复步骤（2）~（3）。

（二）长短时记忆网络（LSTM）。LSTM能够实现长序列数据的处理与学习。在时序数列处理中，需求预测等领域有不可替代的作用。本文采用的长短时记忆神经网络的网络结构如图1所示。（图1）

长短时记忆网络的每个LSTM单元包含了遗忘门f（forget）、输入门i（input）、输出门o（output）以及细胞状态C（cell state）和激活函数σ，遗忘门的计算公式如下：

ft=σ（Wf·［ht-1，xt］+bf）

输入门的计算公式如下：

it=σ（Wi·［ht-1，xt］+bi）

■t=tanh（Wc·［ht-1，xt］+bc）

细胞状态更新公式如下：

Ct=ft·Ct-1+it·■t

输出门的计算公式如下：

ot=σ（Wo［ht-1，xt］+bo）

ht＝ot·tanh（Ct）

三、卷烟消费定向跟踪模型

本文提出了一种卷烟消费定向跟踪模型，对消费者会员、消费记录、零售户信息、卷烟信息等数据进行联合分析，利用K-means聚类算法划分不同的消费群体，并从业务角度赋予其实际意义，通过LSTM算法预测卷烟消费变化趋势，模型构建流程如图2所示。（图2）

（一）样本来源及分类。本文整理了某市烟草公司2020年6月份至2021年6月份的销售数据，全市共发展87，276名消费者会员，产生200多万条全商品数据，初步筛选并剔除异常数据后，最终将4，000多名消费者会员，共2万多条消费者数据作为研究数据集，如表1所示。（表1）

（二）消费者细分

1、数据采集与预处理。将含有空值、异常值，同时扫码集中度较高的消费者数据剔除。

2、构建基于RFMLM的消费者细分模型。在对消费者进行聚类分析时，建立客户价值分类模型（RFM）对消费者标签进行聚类细分，由于在引入新品时消费者对品牌的忠诚度及对新品的购买能力也是企业十分关心的，因此将品牌忠诚度（Loyalty）和新品喜好度（News）也纳入分类指标，组成消费者细分模型的五项核心指标，由此确定不同的消费者群体对该企业的价值。（表2）

本文通过对活跃度R、忠诚度F、消费能力M、品牌忠诚度L、新品喜好度N这五项核心指标进行K-means聚类分析来构建消费者细分模型RFMLM。

3、模型分析。K-means算法在计算时必须事先给出K的个数才能进行计算，将聚类范围定在K=3～5，分别计算其性能，最终得到在K=5时可达到最佳性能。（表3）

依据消费群特征指标数据，采用K-means算法对消费者进行分群，结合指标权重对每个消费群的特征进行评分，如表4所示。（表4）

按照聚类结果，结合业务实际进行消费群分析，聚类结果分为五类。（图3）

（1）消费群1：F和L较大，R较低，说明这类客户最近刚刚消费过且近一年内消费频次很高，且愿意尝试不同品规，属于重要保持客户。

（2）消费群2：R、F、M均较低，但N较高，说明这类客户消费能力一般，但活跃度较高，对新品的接受能力较强，属于重要发展客户。

（3）消费群3：R最大，F、M、N均较低，说明离上次消费已经很久了，且消费频次和消费金额较低，属于低价值用户。

（4）消费群4：M最大，R、L、F较低，说明这类客户消费能力较强，但还处于品牌选择期，属于十分活跃但不够忠诚的客户，可通过品牌培育提升忠诚度，属于重要挽留客户。

（5）消费群5：N较高，R、F、M、L均一般，可能在新品推广时愿意消费，属于一般客户。

4、消费者价值排名。根据消费者细分模型特征得分结果，结合公司实际需要对消费群的价值进行排名，并对不同的消费群体制定个性化的营销策略。（表5）

（1）消费群1为“重要保持顾客”，这类顾客对企业贡献度最高，应尽可能延长这类顾客的高消费水平，将货源优先考虑投放到此类顾客，提供优质服务，提高客户满意度。

（2）消费群2为“重要发展顾客”，这类顾客价值贡献度低于重要保持顾客，但发展潜力较大，是企业的潜在价值顾客，需要努力促使增加他们的消费。

（3）消费群4为“重要挽留顾客”，这类顾客对企业的价值贡献具有不确定性，应采取必要的营销手段，多开展相关活动推广以提升品牌认同感，同时投其所好延长顾客的生命周期。

（4）消费群5和消费群3分别为“一般顾客”和“低价值顾客”，这类顾客对企业的贡献度一般，以保证留存为主，并适时地推荐一些稍高于现有消费水平的品规，引导其消费升级。

通过对基于RFMLM的消费者细分模型的分析，可得到五类消费群的价值排名，从分析中得出重要保持顾客、重要发展顾客、重要挽留顾客是最具价值的前三名客户类型，需要提升重要发展顾客的价值、稳定和延长重要保持顾客的高水平消费、对重要挽留顾客积极进行关系恢复，并策划相应的营销策略加强巩固顾客关系。

（三）消费者需求预测。对于重要保持顾客、重要发展顾客、重要挽留顾客进行需求预测，利用LSTM模型判断消费者购烟趋势变化情况，从而对重要顾客进行针对性的投放，指导货源购进。以郴州市某烟酒店为例，对其店铺的销售数据进行建模，融合多维度信息进行特征提取，将研究样本分为3个维度，9个指标构建消费者特征因子。对特征因子进行多元分析，找到特征与销售额之间的相关关系，分析结果如图4所示。（图4）

本文计算了9个指标的皮尔逊相关系数，从图4中可以得到，销售额与消费者会员的学历、收入相关性较大，所以本文将学历均值、收入均值纳入模型的输入特征，同时加入前一天、前一周及前365天即上年同期数据作为未来消费者需求预测的特征，模型结构如图5所示。（图5）

在对模型进行训练时，首先输入特征进行归一化，确保实验结果的有效性。本文采用 Min-max归一化方法，将取值范围控制在［0，1］之间，公式如下：

Xscaled=■

其中，x代表维度特征，xmax代表最大值，xmin代表最小值。

本文训练时所用代码语言为Python 3.6，网络模型搭建基于开源人工神经网络库Keras实现。模型训练过程中使用Adam算法进行优化，训练参数epochs=500，batch_size=20。利用该模型对郴州市某烟酒店作为期一周的销量预测，拟合结果见图6，将均方误差（MAE）、拟合优度（r2）、平均百分比误差（MAPE）、测试数据均值（AVG）作为评价指标，计算结果如表6所示。（图6、表6）

由表6可以看出，MAE值为11.04，即预测销售额与实际销售额的误差约为11元，r2代表拟合优度，值越接近1，表示回归直线对观测值的拟合程度越好，整体来说，本文提出的消费者需求预测模型可以较好地预测出零售户一周内的销售额，对零售户的货源购进起到一定的辅助作用，同时及时观察消费价类的切换，用于指导品牌培育及货源投放。

四、模型推广及应用

基于行业的特殊性，把对消费者的分析结果，精准落实到零售户群体，由零售户完成传导输出。将消费者和零售户相匹配，每一次购买行为，每个消费者最多从属于一个零售客户，在进行新品引入时，对于目标卷烟产品，根据产品特征和消费者特征推荐合适的零售门店，从而将卷烟精准投放到这些门店。

模型在品牌各个生命周期的应用，如表7所示。（表7）

在新品上市前，分析新投放规格的产品特征，通过余弦相似度计算出与其最接近的m款卷烟产品，对购买这m个产品的消费者汇总分析，找出这些消费者消费过的销量排名前n位的零售店，按照销量比例进行投放。在较少的货源投放下，使尽可能多的潜在消费者能够购买到新品。

在新品上市N周后，根据上市后的新品实际消费数据找到消费转移信息，重新匹配最接近的N的产品，找到最畅销的零售户进行投放。在导入期，精准投放的意义在于建立零售户的经营信心，通过意见领袖传播新品上市信息和树立品牌形象。当新品进入市场一段时间后，根据消费趋势分析发现投放户数和投放量无法满足市场需求时，尝试进行增加投放点，并开展实地的品牌宣讲和推广活动，宣讲地点和时间可根据数据分析精准定位。

在产品进入成熟期后，观察消费转移情况，是否因为竞品的进入、外部卷烟流入、宏观经济的变化等因素导致消费减少。

当产品出现连续消费低迷的情况时可建议退出目录，联系工业公司进行规格替换。

五、结论与展望

本文建立了以消费信息采集、消费记录管理、消费会员管理、消费数据综合分析的卷烟消费跟踪体系，以2020年6月至2021年6月的多维数据为样本，利用统计学中的RFM模型及K-means聚类算法划分不同的消费群体，通过LSTM算法预测重要顾客卷烟消费变化趋势，当发现有消费下降或上升趋势时，积极开展营销活动。

随着烟草行业市场化改革，卷烟营销变得更加透明，下一步将继续探究卷烟营销与零售户和消费者的关系，根据消费者需求反向指导货源投放，将消费者的聚集特征投射到零售户找到目标消费者集聚的目标零售户，分析研究卷烟消费群体及市场变化趋势，找准市场方向，实现工商零消共赢的良好生态。

（作者单位：湖南省烟草公司郴州市公司）

主要参考文献：

［1］MacQueen J.Some methods for classification and analysis of multivariate observations［J］.Proceedings of 5th Berkeley Symposium on Mathematics Statistic Problem，1967（01）.

［2］Huang Z.Extensions to the k-means algorithm for clustering large data sets with categorical values［J］.Data Mining and Knowledge Discovery，1998（02）.

［3］Mangisa S，Das S，Gupta R.Analysing the Impact of Brexit on Global Uncertainty Using Functional Linear Regression with Point of Impact：The Role of Currency and Equity Markets［R］.2020.

［4］Hochreiter S，Schmidhuber J.Long short-term memory［J］.Neural computation，1997.09（08）.

［5］Gers F A，Schmidhuber J，Cummins F.Learning to forget：Continual prediction with LSTM［J］.Neural computation，2000.12（10）.