基于卷煙零售戶銷售潛力分值（G值）的新產(chǎn)品投放策略研究

許泓, 劉文倩

1 廈門市煙草專賣局（公司） 福建 廈門 361005;2 廈門融通信息技術(shù)有限責任公司 福建 廈門 361005

經(jīng)濟與管理

基于卷煙零售戶銷售潛力分值（G值）的新產(chǎn)品投放策略研究

許泓1, 劉文倩2

1 廈門市煙草專賣局（公司） 福建 廈門 361005;2 廈門融通信息技術(shù)有限責任公司 福建 廈門 361005

為有針對性地投放貨源，做好新產(chǎn)品營銷，提出基于卷煙零售戶銷售潛力分值（G值）的新產(chǎn)品投放策略（G值策略）。首先利用數(shù)據(jù)挖掘（DM）方法計算產(chǎn)品屬性重要程度，再結(jié)合模糊綜合評價法對零售戶的銷售能力進行評分，獲得零售戶的G值，最后根據(jù)G值排序進行貨源投放。 實踐表明，G值策略優(yōu)于傳統(tǒng)的星級客戶策略，能夠有效促進卷煙新產(chǎn)品營銷。

DM模糊綜合評判法；G值策略；新產(chǎn)品投放

隨著競爭加劇和產(chǎn)品更新周期越來越短，新產(chǎn)品持續(xù)投放是現(xiàn)代企業(yè)在市場經(jīng)濟下參與競爭和保持市場份額的重要手段。新產(chǎn)品發(fā)布后能否迅速占領(lǐng)市場份額的關(guān)鍵之一在于投放策略制定。在營銷資源有限、數(shù)據(jù)雜亂無序的情況下，如何有效評估客戶銷售潛力進而建立投放策略具有重要的研究意義。

Bass & Frank[1]，許博、龔國華[2]，Druehl[3]，全雄文等[4]都認為企業(yè)應該在考慮前代產(chǎn)品的利潤曲線的基礎(chǔ)上建立模型尋求最優(yōu)投放時間點；宮俊、汪定偉[5]，劉寬虎等[6]的實證研究表明對新產(chǎn)品投放影響較大的因素主要包括市場競爭性因素、質(zhì)量因素、價格因素等，認為應該以關(guān)鍵因素為基礎(chǔ)制定對應的投放策略。劉向峰、于洪鵬[7]，康江峰、陳輝[8]認為煙草行業(yè)應該盡快完善數(shù)據(jù)庫建設，并利用數(shù)據(jù)挖掘進行精準銷售研究；崔吉峰等[9]，路宏偉等[10]基于粒子群—BP神經(jīng)網(wǎng)絡混合算法對煙草銷售量及社會庫存量進行實證研究，研究結(jié)果表明它們與基本特征之間的關(guān)系屬于非線性關(guān)系。目前針對煙草新產(chǎn)品投放策略的研究還比較缺乏。在實際業(yè)務中，煙草新產(chǎn)品的投放策略主要采用競品分析法和星級客戶策略。前者通過新產(chǎn)品進行SWOT分析，并以新產(chǎn)品的競爭品牌銷售數(shù)據(jù)作為新產(chǎn)品的銷售參考數(shù)據(jù)進行對應的數(shù)據(jù)分析，從而制定煙草新產(chǎn)品的投放策略。但是由于煙草品類繁多，難以準確找到相應競爭產(chǎn)品，且新產(chǎn)品與競爭產(chǎn)品間關(guān)系難以厘清，因此該方法存在很大局限性；后者根據(jù)以往銷售記錄對客戶進行星級評定，在投放新產(chǎn)品時根據(jù)產(chǎn)品的供給量和客戶星級進行區(qū)別投放，但由于客戶的星級劃分依據(jù)需要綜合考慮許多非銷售因素，因此該策略雖簡單易行，卻難以最大化新產(chǎn)品銷售利潤。

現(xiàn)有研究和業(yè)務還存在一些明顯不足：一是缺乏對產(chǎn)品內(nèi)在性質(zhì)的發(fā)掘，導致新產(chǎn)品難以借鑒在銷產(chǎn)品銷售經(jīng)驗實現(xiàn)精準投放；二是忽略了新產(chǎn)品對不同客戶的區(qū)別投放的經(jīng)濟效益問題。本文首先利用DM算法模型量化產(chǎn)品的不同屬性在市場中的認可程度；其次利用模糊綜合評判法，對所有潛在客戶進行客戶銷售潛力評分，獲得G值，按G值排序進行貨源投放，以期解決新產(chǎn)品投放問題。

1 基于DM模糊綜合評判法的G值策略構(gòu)建

由于消費者的購買行為在一定時間和區(qū)域范圍內(nèi)將直接反映在零售客戶的訂購行為上，基于數(shù)據(jù)的可獲得性，本方法使用零售客戶的訂購數(shù)據(jù)進行研究。該方法的基本思路如下：對經(jīng)數(shù)據(jù)清洗后的結(jié)構(gòu)化數(shù)據(jù)使用數(shù)據(jù)挖掘模型進行產(chǎn)品屬性認可度的定位，并基于屬性認可度結(jié)合模糊綜合評判法對客戶銷售潛力進行綜合評分，獲得G值，并對G值排名靠前的n個客戶進行貨源投放的策略。

1.1 產(chǎn)品屬性認可度定位

本文以產(chǎn)品的市場需求指數(shù)為核心分析指標，并構(gòu)建了由產(chǎn)品屬性和客戶特征等多影響因素組成的綜合數(shù)據(jù)庫。

產(chǎn)品的市場需求指數(shù)的公式如式（1）所示：

其中，訂貨率為現(xiàn)有客戶中有訂購意愿的客戶比率，訂單滿足率為有訂購意愿的客戶中實際得到產(chǎn)品的客戶比率。

由于產(chǎn)品市場需求指數(shù)為連續(xù)型變量，因此選擇對連續(xù)變量適用的數(shù)據(jù)挖掘算法模型對數(shù)據(jù)庫中的海量影響因素進行重要度甄別。目前在數(shù)據(jù)挖掘領(lǐng)域中與之相適應的算法主要有決策樹C5.0算法、決策樹CART算法、神經(jīng)網(wǎng)絡和隨機森林等四類算法，由于決策樹C5.0算法屬于商業(yè)性質(zhì)，無法公開獲取，因此我們選取其余三種算法，即決策樹CART、神經(jīng)網(wǎng)絡、隨機森林進行產(chǎn)品屬性的認可度定位。經(jīng)過對這三種方法的模擬及實證對比，我們發(fā)現(xiàn)：決策樹與隨機森林都能處理自變量是分類變量和連續(xù)變量的混合類型，而且對海量數(shù)據(jù)也具有適用性，但決策樹存在過擬合問題；彈性BP神經(jīng)網(wǎng)絡的建模需要大量輸入輸出數(shù)據(jù)，且訓練時間長，屬于黑箱子建模，易陷入局部極小；隨機森林克服了決策樹過擬合問題，對噪聲和異常值有較好的容忍性，對高維數(shù)據(jù)分類問題具有良好的可擴展性和并行性；通過以2011年以來廈門市煙草銷售數(shù)據(jù)進行動態(tài)建模模擬分析，隨機森林在變量選擇、預測準確率上都優(yōu)于決策樹與神經(jīng)網(wǎng)絡。究其原因，決策樹對離散數(shù)據(jù)適應性更好，而神經(jīng)網(wǎng)絡模型對非線性數(shù)據(jù)更具有適應性，隨機森林算法通過多次訓練，對線性、非線性等數(shù)據(jù)類型具有更好的適應性。此外隨機森林具有更好的穩(wěn)定性,針對原始數(shù)據(jù)集上不同的訓練數(shù)據(jù),該算法選出的指標具有一致性，因此本文選用隨機森林DM模型。

隨機森林是由美國科學家Leo Breiman[11]將其在1996年提出的Bagging集成學習理論與Ho[12]在1998年提出的隨機子空間方法相結(jié)合，于2001年發(fā)表的一種機器學習算法。該方法的原理為：基于bootstrap抽樣法對樣本進行T次不進行剪枝的CART建模的組合，通過判斷對某產(chǎn)品屬性加入噪聲后對預測準確率的影響幅度進行判斷產(chǎn)品屬性的重要性。若Gini指標評價下降值越大，則該產(chǎn)品屬性重要性越大。隨機森林的基本思想: 首先, 利用bootstrap抽樣從原始訓練集抽取k個樣本, 且第個樣本的樣本容量都與原始訓練集一樣；其次, 對k個樣本分別建立k個決策樹模型，得到k種分類結(jié)果；最后, 根據(jù)k 種分類結(jié)果對第個記錄進行投票表決決定其最終分類。隨機森林方法通過構(gòu)造不同的訓練集增加分類模型間的差異, 從而提高組合分類模型的外推預測能力。通過k輪訓練, 得到一個分類模型序列{h1 (X ) , h2 (X ) ,…,hk (X)} , 再用它們構(gòu)成一個多分類模型系統(tǒng), 該系統(tǒng)的最終分類結(jié)果采用簡單多數(shù)投票法。最終的分類決策：

其中,H( x ) 表示組合分類模型，hi是單個決策樹分類模型,Y表示輸出變量(或稱目標變量) ,I(?)為示性函數(shù)。式（2）說明了使用多數(shù)投票決策的方式來確定最終的分類，決策樹分類的節(jié)點選擇原則是使得該節(jié)點的不純度增益最大化。

其中，iθ(·)為Gini指數(shù)；

△iθ(·)為不純度增益，當Gini系數(shù)平均值下降越大，則該變量越重要；

p(i|t)表示在節(jié)點t中第i類的概率；

k為因變量的分類總數(shù)目；

PL和PR為第個節(jié)點左右子節(jié)點的樣本比例。

n表示觀測到的屬性個數(shù)和T表示節(jié)點數(shù)。

由式（3）計算出的IG(θ)構(gòu)成的矩陣構(gòu)成屬性認可度組成的客觀權(quán)重矩陣A，即客觀權(quán)重矩陣A為經(jīng)標準化處理后的隨機森林加權(quán)不純度增益。

1.2 客戶銷售潛力綜合評分（G值）

客戶銷售潛力綜合評分是基于由隨機森林DM算法建模所確定的產(chǎn)品屬性認可度，實現(xiàn)動態(tài)篩選與客戶銷售潛力最為相關(guān)的因素，并利用不純度增益賦予各指標權(quán)重，隨后使用模糊綜合評判模型測度客戶對新產(chǎn)品的銷售潛力。

根據(jù)模糊綜合評判法，設新產(chǎn)品由屬性組成的因素集為U={u1,u2,…,un}，由待評判客戶組成的評價集V={v1,v2,…,vm}，m為客戶數(shù)。利用德爾菲法對其進行單因素評價得到它們的隸屬度ri={ri1,ri2,…,rim}，i=1,2,...,n.

利用第種新產(chǎn)品屬性在第個客戶上的標準化銷量所構(gòu)造綜合評判矩陣為：

采用加權(quán)平均型模型G(·,+)對綜合評判矩陣R和由煙草屬性認可度組成的客觀權(quán)重矩陣A進行綜合，計算全體客戶的銷售潛力綜合評分矩陣G，如式（5）所示：

得到所有客戶的銷售潛力分值——G值，結(jié)合新產(chǎn)品投放的預期總量，商業(yè)企業(yè)可根據(jù)具體投放目標進行實際策略的制定。通過對客戶G值從大到小排序，將貨源優(yōu)先投放給G值排名靠前的n個客戶的策略方式即為G值策略。下文通過煙草行業(yè)的實證分析檢驗這種產(chǎn)品投放策略的有效性。

2 實證分析

2.1 數(shù)據(jù)來源及說明

本文利用了福建省廈門市煙草公司2011年-2014年卷煙產(chǎn)品的實際銷售數(shù)據(jù)，數(shù)據(jù)主要來源于煙草公司銷售數(shù)據(jù)庫，數(shù)據(jù)庫內(nèi)包含各客戶第一筆的訂單數(shù)據(jù)如需求量、訂購量，以及各卷煙品牌的屬性指標如卷煙ID、包裝形式、包裝主顏色、包裝副顏色、香煙類型等。

2.1.1 樣本選取依據(jù)

2011年1月-2014年6月，廈門市共推廣新煙42款，包括10款（2011年），14款（2012年），11款（2013年）和7款（2014年1-6月）。為保持樣本分布的均勻性，按照50%比例（向上取整）抽樣可得所需抽取樣本數(shù)為22款。

2.1.2 樣本分布

本文在實證驗證方面，共經(jīng)過歷史理論驗證、實際投放驗證和純G值策略投放驗證三個驗證部分：選取2011年1月到2012年12月上市的24款新煙中的12款用于歷史理論驗證；自2013年1月1日開始，選取6款上市新煙用于實際投放驗證，設定驗證截止時點為2013年12月31日; 選取2014年1-6月上市的4款卷煙用于純G值策略投放。上述新煙均未存在以往數(shù)據(jù)之外的卷煙屬性，所選新煙的具體信息見表1。

表1 驗證選取的煙草新產(chǎn)品Tab. 1 Validation of selected new cigarette products

續(xù)表1

2.2 G值策略分析

2.2.1 指標體系的構(gòu)建原則

眾所周知，新產(chǎn)品的銷售工作難以開展的主要原因是人們對市場需求難以預測。同類在銷卷煙的銷售量盡管可以提供一定的參考價值，卻不能忽略新產(chǎn)品進入市場所可能產(chǎn)生的擠出效應。因此，用一般的市場類比預測方法難以奏效。本文將著眼消費者需求與卷煙屬性之間的關(guān)系，探尋各規(guī)格卷煙銷量與卷煙屬性之間的內(nèi)在關(guān)系，解決新產(chǎn)品銷量預測難題。

本文構(gòu)建G值策略體系將遵循以下原則：

1）科學性原則

指標體系的構(gòu)建應遵循客觀規(guī)律，采用科學的方法和手段。選取的指標必須是能夠通過觀察、測試等方式得出明確結(jié)論的定性或定量指標，指標體系需較為客觀和真實地反映產(chǎn)品狀態(tài)。

2）普適性原則

指標體系的構(gòu)建應需應具備普適性的特征，即新產(chǎn)品和在銷卷煙均擁有的屬性特征。如包裝顏色、煙支長度等。銷售方面的屬性如銷量、庫存等數(shù)據(jù)因不具有可比性而不予考慮。

3）系統(tǒng)性原則

指標體系的構(gòu)建應綜合平衡各要素，要考慮周全、統(tǒng)籌兼顧，通過多參數(shù)、多標準、多尺度分析、衡量，從整體的聯(lián)系出發(fā)，注重多因素的綜合性分析,求得一個最佳的綜合效果。

2.2.2 指標體系的構(gòu)建

考慮到以上指標體系構(gòu)建原則、市場的實踐經(jīng)驗和數(shù)據(jù)的可獲得性，共選擇月度平均市場需求指數(shù)和18個指標用以反映卷煙屬性的基本特征，具體如表2所示。

表2 煙草G值新產(chǎn)品投放策略指標體系Tab. 2 G value strategy evaluation system for new cigarette products

2.2.3 卷煙屬性認可度的有效性檢驗

卷煙屬性認可度的測量不僅是萃取卷煙平均需求指數(shù)的重要影響屬性，而且也是構(gòu)建卷煙屬性客觀賦權(quán)矩陣的關(guān)鍵一步。對表1中所列卷煙采用投放后1年的數(shù)據(jù)，得出18個解釋變量對各自平均需求指數(shù)的重要性，即屬性認可系數(shù)，按降序排列得到表3。

表3 屬性認可系數(shù)降序列示Tab. 3 Attribute recognition factors in descending order

由表3可以得知，使用2011年1月-2012年12月數(shù)據(jù)、2013年1月-2013年12月數(shù)據(jù)2011年數(shù)據(jù)、2014年1月-2014年6月數(shù)據(jù)建模所得的重要度排序結(jié)果差異不大，說明隨機森林DM模型具有優(yōu)良的預測穩(wěn)定性，可適用于中期或長期數(shù)據(jù)。進一步觀察變量重要度排序結(jié)果，穩(wěn)定在前六位的自變量依次為“產(chǎn)品價類（調(diào)撥價）”、“產(chǎn)品價類（零售價）”、“卷煙品牌”、“品牌劃分”、“產(chǎn)品價類（批發(fā)價）”、“焦油含量”，經(jīng)驗判斷中，市場對以上六種屬性都有較大的認可程度，其后依次類推，均基本符合經(jīng)驗判斷，說明隨機森林DM模型結(jié)果具有經(jīng)驗可驗證性。

2.3 兩策略的比較分析

為了能夠更加科學有效地比較星級客戶策略與G值策略，本文選取訂購量、需求量和訂購次數(shù)三大關(guān)鍵指標，對由星級客戶策略與G值策略各自選出來的n個客戶，剔除星級客戶策略與G值策略中相同的客戶后得到非重復客戶。首先將兩個策略的非重復客戶從三個指標平均量的角度進行對比；同時，由于前兩種指標在新煙投放效果中相對更加重要，因此對兩個策略的非重復且非零值客戶從訂購量與需求量角度分別進行無遺漏描點對比。

為了能夠全面地觀察實際投放驗證組中各規(guī)格卷煙用星級客戶策略和G值策略投放的對比效果，本文按照平均訂購量（條）、平均需求量（條）和平均訂購次數(shù)（次）指標匯總了G值策略投放相對比星級客戶策略的提升度。盡管投放對象不同，為保證數(shù)據(jù)的全面性，平均訂購量（條）、平均需求量（條）和平均訂購次數(shù)（次）指標以各自實際投放情況計算。以平均訂購量（條）為例，提升率公式可以表示為：

2.3.1 理論驗證新產(chǎn)品兩策略提升率對比

通過計算G值策略下相比星級策略的平均訂購量、平均需求量和平均訂購次數(shù)數(shù)值，本文發(fā)現(xiàn)G值策略在理論分析層面就能夠體現(xiàn)其優(yōu)越性。所抽樣本的訂購量、需求量和訂購次數(shù)都有提升，且樣本卷煙規(guī)格平均訂購量提升度達到341.37%，平均需求量提升度達271.00%，平均訂購次數(shù)提升198.84%，各卷煙提升度數(shù)據(jù)詳見表4。由此，本文認為新產(chǎn)品G值投放策略在理論上能夠提高投放效率。

表4 G值策略相對于星級策略新產(chǎn)品投放效果歷史數(shù)據(jù)驗證Tab. 4 Validation of new product launch effect improvement by G value strategy over traditional star-evaluation strategy according to in terms of data

2.3.2 實際投放驗證新產(chǎn)品兩策略效果對比

在理論支撐的基礎(chǔ)下，為用實際數(shù)據(jù)印證理論觀點，本文實際投放了6款卷煙規(guī)格，將廈門市思明區(qū)、湖里區(qū)、集美區(qū)、同安區(qū)、海滄區(qū)和翔安區(qū)劃分為2個樣本組——G值策略樣本組和星級策略樣本組。為保證樣本的非特殊性，本文隨機設計將中南海（軟藍色時光）、黃山（中國松）按照G值策略投放在思明區(qū)和湖里區(qū)，其他4區(qū)按照原策略投放；類似地，將七匹狼（新圣典）和泰山（東方）投放在集美區(qū)和同安區(qū)；將紅塔山（硬欣經(jīng)典）和威斯（硬經(jīng)典）按G值策略投放在翔安區(qū)和海滄區(qū)。

表5 G值策略相對于星級策略新產(chǎn)品投放效果外部驗證Tab. 5 Validation of new product launch effect improvement by G value strategy over star strategy in practice

從表5可以看出，經(jīng)過為期一年的分區(qū)域G值策略投放實驗，6款卷煙投放G值策略區(qū)域的平均訂購量、平均需求量和平均訂購次數(shù)相對于星級策略都會有較大提升，平均提升度分別為：276.62%、259.54%和170.91%。

2.4 純G值策略投放效果分析

盡管本文已經(jīng)從理論和分區(qū)域投放的實踐兩方面證明了G值策略投放在訂購量、需求量和訂購次數(shù)等方面優(yōu)于星級策略，但仍需要進一步考察全市按照G值策略投放時能夠?qū)崿F(xiàn)的效果。因此，本文以2014年1月開始投放的4款卷煙為樣本，計算了全廈門市G值投放策略的客戶分布和訂購行為差異性。本文設計將客戶按照G值大小從高到低排列，取前50%的客戶歸為A客戶，后50%的客戶歸為B客戶。通過對比A和B兩類客戶的平均訂購量、平均需求量和平均訂購次數(shù)，進而得到G值策略的投放效率——效率比。

表6 G值策略下前50%客戶（A）相對于后50%客戶（B）的效率對比Tab. 6 Ef fi ciency comparison of leading 50% customers and remainder under G strategy

根據(jù)表6，可以觀察到4款卷煙的純G值策略投放得到A類平均訂購量、平均需求量和平均訂購次數(shù)的效率比均超過B類客戶，說明G值策略能夠有效識別訂購量大、需求量大且平均訂購次數(shù)較高的優(yōu)質(zhì)客戶。因此，我們可以認為G值策略投放方法是有效的。

3 結(jié)論與展望

DM模糊綜合評判法以產(chǎn)品內(nèi)在性質(zhì)為切入點，通過尋找影響新產(chǎn)品投放效果的實質(zhì)性因素，發(fā)掘了產(chǎn)品屬性與客戶行為之間的本質(zhì)聯(lián)系，準確評估區(qū)域市場客戶對該產(chǎn)品的銷售潛力，從而實現(xiàn)以客戶銷售潛力為核心制定相應的市場營銷策略。其次，實際分析驗證表明，G值策略能有效定位區(qū)域市場內(nèi)最具有銷售潛力的客戶群，對新產(chǎn)品的投放策略制定具有優(yōu)越的指導性與實踐性。根據(jù)廈門煙草在實例驗證階段得到的相應數(shù)據(jù)表現(xiàn)，可以認為屬性認可系數(shù)能夠較為準確的反映消費者在卷煙購買時對卷煙屬性的優(yōu)先考慮程度，結(jié)合模糊綜合評判后，通過評估客戶的銷售潛力以指導新產(chǎn)品投放的方法有效解決了新產(chǎn)品對不同客戶的區(qū)別投放問題，在煙草行業(yè)是可取的。

最后，新產(chǎn)品開發(fā)是企業(yè)成長的重要支柱，開發(fā)出的新產(chǎn)品在實際投放中的市場收效對企業(yè)未來的運營情況和發(fā)展前景有嚴重的影響，由此凸顯了新產(chǎn)品投放對企業(yè)的指導性意義。本文進行實證檢驗的案例為卷煙這類新產(chǎn)品創(chuàng)新性屬性較少的行業(yè)，因而未對創(chuàng)新因子數(shù)值的確定進行詳細闡述。應用于其他行業(yè)中時，尤其對于出現(xiàn)新屬性的新產(chǎn)品，筆者建議主要通過前期市場調(diào)研、同時結(jié)合歷史上相似屬性的情況，確定創(chuàng)新因子的具體取值，調(diào)整新屬性的屬性認可系數(shù)，在此基礎(chǔ)上應用DM模糊綜合評判法，采用G值策略對新產(chǎn)品進行投放。

[1] Bass, Frank M. A new product growth for model consumer durables[J]. Management Science, 1969,15(5):215-227.

[2] 許博,龔國華.新產(chǎn)品投放市場的最佳時間分析[J].物流科技,2004(28):105-108.

[3] Druehl, Cheryl D, Glen M S, Gilvan C S. The optimal pace of product updates[J]. European Journal of Operational Research,2009,192(2):621-633.

[4] 全雄文,魏杰,涂莑生.更新產(chǎn)品投放市場時間的優(yōu)化[J].南京大學學報,2008(6):67-71.

[5] 宮俊,汪定偉.新產(chǎn)品市場投放策略的研究綜述[J].管理工程學報,2003(3):102-104.

[6] 劉寬虎,蘭海娜,王璠.替代產(chǎn)品投放策略與競爭性反應研究[J].理論探索,2006(9):6-10.

[7] 劉向峰,于洪鵬.基于數(shù)據(jù)挖掘的煙草消費者數(shù)據(jù)庫營銷研究[J].物流科技,2010(6):140-142.

[8] 康江峰,陳輝.基于數(shù)據(jù)挖掘的煙草精準營銷策略研究[J].商業(yè)經(jīng)濟,2012(4):75-76.

[9] 崔吉峰,乞建勛,楊尚東.基于粒子群改進BP神經(jīng)網(wǎng)絡的組合預測模型及其應用[J].中南大學學報,2009(1):190-194.

[10] 路宏偉,楊國平,劉三陽.西安煙草精準營銷及服務系統(tǒng)方案設計[J].西安大學學報,2012(5):753-757.

[11] Breiman L. Random forests [J]. Machine Learning, 2001,45(1):5-32.

[12] Ho T. The random subspace method for constructing decision forests [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20 (8): 832-844.

Study on strategy for new cigarette products launch based on retailers’ sales potential (G value)

XU Hong1, LIU Wenqian2
1 Xiamen Municipal Tobacco Monopoly Administration, Xiamen 361005, Fujian, China 2 Xiamen Rito Information Technology Co., Ltd, Xiamen 361005, Fujian, China

A G value strategy for new cigarette products launch and promotion for cigarette retailers was proposed. Cigarette retailers were measured by G value as for whether new products launch would be appropriate. Such value was put forward through evaluation of the importance of new products by data mining method and assessment of marketing and sales potential by fuzzy integrated valuation of retailers. The empirical results showed that G value strategy worked better than traditional methods in new products marketing and promotion.

DM fuzzy integrated evaluation method; G value strategy; new product launch

許泓, 劉文倩. 基于卷煙零售戶銷售潛力分值（G值）的新產(chǎn)品投放策略研究[J]. 中國煙草學報，2016,22（1）

2013年度省級科技項目【計劃文號：閩煙司科（2013）2號 合同號：閩煙合同（2013）60號】

許泓（1983—），碩士，研究方向為軟件信息系統(tǒng)，Email: 593302146@qq.com

2014-10-25

: XU Hong, LIU Wenqian. Study on strategy for new cigarette products launch based on retailers' sales potential (G value) [J]. Acta Tabacaria Sinica, 2016,22(1)