基于人工智能算法的零售終端及卷煙品牌數(shù)字畫像研究

劉佳

摘?要：文章以煙草行業(yè)高質(zhì)量發(fā)展與“互聯(lián)網(wǎng)+”為背景前提，基于“數(shù)據(jù)+算法”，探索研究基于人工智能算法等新一代信息技術(shù)的零售終端（人、場、貨）與卷煙品牌的數(shù)字畫像體系，圍繞畫像體系細化可采集的源數(shù)據(jù)，運用人工智能算法對零售終端進行科學精準畫像，在畫像基礎(chǔ)上研究客戶細分、品牌培育、客戶服務(wù)、消費追蹤和精準投放等功能，從而提升零售終端盈利能力，為卷煙營銷網(wǎng)絡(luò)建設(shè)注入新的動能。

關(guān)鍵詞：零售終端；品牌；人工智能；數(shù)字畫像

中圖分類號：F832????文獻標識碼：A?文章編號：1005-6432（2024）01-0118-04

DOI：10.13939/j.cnki.zgsc.2024.01.029

1?研究背景

在“互聯(lián)網(wǎng)+”浪潮下，煙草零售市場已經(jīng)由以往的大眾化市場變成了分層化、小眾化、個性化的需求市場。在高質(zhì)量發(fā)展的大環(huán)境下，如何利用新技術(shù)、創(chuàng)新思維，挖掘零售終端的卷煙機會點，實現(xiàn)卷煙精準營銷，是一個值得研究的課題。

通過對西安卷煙市場環(huán)境的洞察，在卷煙實現(xiàn)價值“最后一跳”的零售終端環(huán)節(jié)，仍存在堵點和薄弱環(huán)節(jié)，具體表現(xiàn)在以下幾個方面。

1.1?零售終端部分功能發(fā)揮不足

近年來，西安煙草零售終端建設(shè)數(shù)量逐年增長，比重增加，已呈現(xiàn)規(guī)模發(fā)展趨勢。但在功能作用的發(fā)揮方面，目前還難以形成引導消費的作用，而品牌培育、精準推薦、精準營銷還處于起步階段。信息采集和消費跟蹤的功能覆蓋面仍未達到預期目標，難以形成支撐工商零銷供應鏈日常信息的基礎(chǔ)數(shù)據(jù)庫。因此，終端的部分功能發(fā)揮并不明顯［1］。

1.2?零售終端價值評估體系較主觀

當前有關(guān)零售終端的客戶評價體系主要停留在基本的銷售數(shù)據(jù)上，指標評價的權(quán)重為主觀判斷，缺乏科學的依據(jù)，與現(xiàn)在復雜多變的市場環(huán)境已經(jīng)出現(xiàn)不適應性，無法對客戶價值進行全方位的評估，難以真實反映出零售終端各自的特點與其未來的發(fā)展?jié)摿Α?/p>

1.3?商業(yè)企業(yè)對客戶控制力不足

面對新冠肺炎疫情及市場經(jīng)濟發(fā)展的雙重沖擊，阿里巴巴、京東等電商實體化和便利蜂、全家等新零售連鎖企業(yè)通過積極嘗試，在經(jīng)營戰(zhàn)略、運營模式、品類策略和科技應用上做出改變和創(chuàng)新，從而實現(xiàn)企業(yè)的擴張發(fā)展［2-3］。雖然其與煙草零售客戶所占的市場份額并不沖突，但零售客戶對其品牌、商品采購、配送支撐、金融支持等方面的認同卻要高于煙草，因此煙草商業(yè)企業(yè)對零售終端的控制力略顯不足。

基于以上背景，文章以煙草行業(yè)高質(zhì)量發(fā)展與“互聯(lián)網(wǎng)+”為背景前提，以西安煙草零售終端及卷煙品牌為目標對象，基于“數(shù)據(jù)+算法”，探索研究基于人工智能算法等新一代信息技術(shù)的零售終端（人、場、貨）與卷煙品牌的數(shù)字畫像指標體系，圍繞畫像體系細化可采集的源數(shù)據(jù)，運用人工智能算法對零售終端進行科學精準畫像，在畫像基礎(chǔ)上研究客戶細分、品牌培育、客戶服務(wù)、消費追蹤和精準投放等功能，從而提升零售終端盈利能力，為卷煙營銷網(wǎng)絡(luò)建設(shè)注入新的動能。

2?研究目標及內(nèi)容

2.1?研究目標

（1）精確區(qū)分客戶屬性?；谛袠I(yè)內(nèi)外數(shù)據(jù)，運用人工智能算法對零售終端進行分層分類標簽化管理，評估零售終端的價值，發(fā)揮零售終端標簽在卷煙營銷和網(wǎng)絡(luò)建設(shè)中的關(guān)鍵作用，提升營銷管理工作的科學性。

（2）提升品牌培育水平。將品牌、客戶與消費者精準相連，搭建商業(yè)企業(yè)、零售終端與消費者之間的互動平臺，提升品牌培育精準度。

（3）精準開展客戶服務(wù)。基于零售終端的多維度數(shù)字畫像與價值評估體系，客戶經(jīng)理發(fā)掘每個零售終端的優(yōu)勢與不足。找到對標零售終端店的各項數(shù)據(jù)，為零售店提供個性化的指導與支持。

（4）精準開展消費者追蹤。通過消費者掃碼信息精準追溯每一包卷煙的流向，研究商圈環(huán)境、消費者與卷煙品牌的對應關(guān)系。

（5）實現(xiàn)卷煙精準投放。在零售終端與卷煙品牌數(shù)字畫像的基礎(chǔ)上，結(jié)合商圈大數(shù)據(jù)，研究零售終端標簽與卷煙市場需求的相互關(guān)系，分析卷煙的優(yōu)勢消費環(huán)境，實現(xiàn)卷煙精準投放。

2.2?研究內(nèi)容

2.2.1?客戶多維度數(shù)字畫像與動態(tài)評估

基于多平臺多維度采集信息，實現(xiàn)客戶全角度畫像［2-3］，分析并挖掘客戶優(yōu)劣勢，圍繞優(yōu)劣勢進行針對性的應用和提升。

（1）人（經(jīng)營者素質(zhì)）。這一指標建立的目的是主要通過人的能力、素質(zhì)、執(zhí)行力等角度分析零售終端的素能。主要指標體系：一是守法合規(guī)情況。主要數(shù)據(jù)來自信用中國、消費者對店的評價調(diào)研數(shù)據(jù)、社會第三方誠信評價數(shù)據(jù)、與行業(yè)的配合程度如明碼標價、市場價格、價格執(zhí)行情況等；二是經(jīng)營者基本情況，如個人經(jīng)歷、年齡、性別愛好、社會關(guān)系網(wǎng)、從業(yè)年限等指標。

（2）貨（經(jīng)營能力）。這一指標建立的目的是主要通過經(jīng)營者的具體經(jīng)營情況對店鋪的經(jīng)營能力進行畫像。主要在于利用現(xiàn)有信息平臺數(shù)據(jù)和其他零售終端數(shù)據(jù)對店鋪的經(jīng)營能力進行深度挖掘。一是卷煙商品。進貨量、進貨額、單箱結(jié)構(gòu)、毛利、發(fā)展趨勢等；品牌寬度、訂足率、訂足面、再訂率等指標。終端陳列柜臺總數(shù)、營銷資源、卷煙陳列數(shù)量、陳列面積、陳列規(guī)范性等。二是非煙銷售能力。經(jīng)營品規(guī)數(shù)量、經(jīng)營類別、非煙商品銷售金額、非煙銷售比重、非煙商品銷售利潤、鋪貨面積等。三是消費溯源。此處需要今后打碼到盒技術(shù)實現(xiàn)后，可更深入地探索消費者與卷煙、店鋪的對應關(guān)系。

（3）場（店鋪價值）。這一指標建立的目的是主要通過對店鋪的評價對店鋪的經(jīng)營價值進行判斷，為卷煙品牌與消費者找到合適的橋梁。主要分析店鋪所屬商圈的潛力及消費能力，用飽和、潛力、均衡三個維度判斷商圈潛力，同時結(jié)合POI環(huán)境數(shù)據(jù)判斷店鋪的輻射人群和消費能力。

2.2.2?卷煙品牌數(shù)字畫像

結(jié)合商圈消費環(huán)境數(shù)據(jù)、內(nèi)部交易數(shù)據(jù)、消費者掃碼數(shù)據(jù)，從以下兩個維度實現(xiàn)卷煙品牌的多維度數(shù)字畫像［4］。

（1）卷煙品牌優(yōu)劣勢環(huán)境畫像。零售終端的進貨量和銷售量，是消費者消費需求的具體反應。不同的地理環(huán)境，消費者的需求并不一樣，即使同一個消費者，在不同的地理環(huán)境，其卷煙的消費習慣也會不同，這個差異是客觀的環(huán)境驅(qū)動的。因此，卷煙的進貨、銷售數(shù)據(jù)是環(huán)境消費的表現(xiàn)，消費環(huán)境是驅(qū)動卷煙銷售的真實原因。商圈在、消費者在，市場需求就在，不會因為某個零售終端的關(guān)店而需求在減少。

文章應用人工智能等算法，首先對某一規(guī)格在商圈內(nèi)進行環(huán)境分析，找到與該規(guī)格銷售相關(guān)的強勢環(huán)境因子，綜合各類環(huán)境因子對卷煙銷量的影響度，結(jié)合每個POI到零售終端的距離，計算出各環(huán)境因子的貢獻度。在此基礎(chǔ)上，將環(huán)境數(shù)據(jù)、銷售數(shù)據(jù)和零售終端數(shù)據(jù)等結(jié)合起來進行科學的消費環(huán)境畫像。

（2）品牌發(fā)展趨勢畫像。運用行業(yè)內(nèi)品牌購進數(shù)據(jù)、商圈數(shù)據(jù)、零售終端特征數(shù)據(jù)，建立指標體系，對品牌和零售終端進行細分，將不同類型品牌及零售終端數(shù)據(jù)輸入品牌發(fā)展趨勢模型中，實現(xiàn)卷煙品牌的發(fā)展趨勢畫像。

3?核心技術(shù)

3.1?神經(jīng)網(wǎng)絡(luò)算法

BP（back?propagation）神經(jīng)網(wǎng)絡(luò)［5］是1986年由Rumelhart和McClelland為首的科學家提出的概念，是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡(luò)。BP算法（即反向傳播算法）是適合于多層神經(jīng)元網(wǎng)絡(luò)的一種學習算法，建立在梯度下降法的基礎(chǔ)上?［6］。其信息處理能力來源于簡單非線性函數(shù)的多次復合，因此具有較強的函數(shù)復現(xiàn)能力。

文章基于BP神經(jīng)網(wǎng)絡(luò)與模糊綜合評價模型，建立適應西安煙草特征的零售終端多維度評估系統(tǒng)，并對其自動評分，便于客戶經(jīng)理的精準服務(wù)和貨源的精準投放，精準地實現(xiàn)為產(chǎn)品找市場（終端）、為市場（終端）找產(chǎn)品。

3.2?環(huán)境因子貢獻度分析

使用決策樹模型對零售終端情況進行評價評分。運用層次聚類算法將經(jīng)營能力相關(guān)的維度進行分類并賦分，結(jié)合商圈特征數(shù)據(jù)、零售終端進貨數(shù)據(jù)、零售終端特征數(shù)據(jù)對目標品規(guī)的零售終端進行精準細分：核心客戶、潛力客戶、一般客戶和不穩(wěn)定客戶。用皮爾遜相關(guān)系數(shù)對特征集合進行初步篩選，選出線性相關(guān)性較高的Top200個組合特征，將選擇出的特征進行逐步回歸，然后進行多重共線性檢驗，結(jié)合逐步回歸的結(jié)果，探索出合理的容差值標準，最終得到線性回歸的結(jié)果，即環(huán)境因子貢獻度。

3.3?模糊綜合評判

3.3.1?復合物元R的建立

待分類的零售終端稱為樣本，令R為n個樣本的樣本集，記為：R={r1，r2，…，rn}，每個樣本有m個特征（影響因素），記為：ri={ri1，ri2，…，rim}，這樣，樣本集可用一個描述事物特征的模糊矩陣來確定，記為R=（rij）n×m（i=1，2，…，n;j=1，2，…，m）。

3.3.2?效用函數(shù)的計算

描述事物特征的物理量差異很大，但在分類時，只需從數(shù)值上分析，必須消除物理量單位的干擾。本研究使用的處理方法如下：

越大越優(yōu)型指標，其效用函數(shù)的計算為bij=rij-（rij）min（rij）max-（rij）min，越小越優(yōu)型指標，其效用函數(shù)的計算為bij=1-rij-（rij）min（rij）max-（rij）min，式中，（rij）min表示第i個特征中n個樣本的最小值；?（rij）max表示第i個特征中n個樣本的最大值。

由此可得效用函數(shù)矩陣B=bij。

3.3.3?模糊關(guān)系矩陣的建立

假設(shè)有m個影響因素，便可以得到各個影響因素對n個樣本的影響因素參考數(shù)列因素集。用這一因素的特征量值，從而得到某個影響因素的特征量值矩陣。RB=x11…x1n………

xm1…xmn（i=1，2，…，n;j=1，2，…，m），根據(jù)有效函數(shù)的處理方法可以把評價因素特征量值矩陣RB轉(zhuǎn)化為一個由評價因素隸屬度為元素的模糊矩陣RA=u11…u1n

………

um1…umn（i=1，2，…，n;j=1，2，…，m）。

3.3.4?各因素權(quán)重計算

總權(quán)重計算原理：若上一層有n個因素，其權(quán)重分別為a1，?a2，?a3，?…，?an，本層次n個因素對于上一層每個的相對權(quán)重為W1i，?W2i，?…，?Wmi（i=1，?2，?3，?…，?m），?則本層的組合權(quán)重為：a1Wi1，?a2Wi2，…，??anWin?。

3.3.5?綜合評判集的確定

U上的集合R為評價因素的權(quán)重分配。在建立了評價因素與樣本庫優(yōu)劣的模糊關(guān)系以及得到評價因素隸屬度為元素的模糊矩陣RA之后，將評價因素權(quán)重分配與模糊矩陣合成，從而求出零售終端的評價集B=R×RA，?最后可以根據(jù)評價集中的隸屬度的大小進行候選樣本庫的優(yōu)劣評判，最終選出有價值的卷煙零售終端。

4?基于人工智能算法的數(shù)據(jù)畫像分析研究

4.1?零售終端畫像

首先，使用決策樹模型對零售終端經(jīng)營者情況進行評價評分。

其次，使用聚類方法將經(jīng)營能力相關(guān)的維度進行分類并賦分，使用各指標加權(quán)求和的方法評價零售終端周圍消費水平、商圈潛力類型、消費者類型。

最后，得到經(jīng)營者分類及評分、消費能力評估、商圈潛力、消費者類型、環(huán)境價值評分等指標，形成零售終端畫像。

4.2?消費環(huán)境畫像

首先，計算每個商圈內(nèi)各級POI（大類、中類、小類）周邊消費者的消費區(qū)間、消費頻次、消費能力等環(huán)境特征數(shù)據(jù)，使用LightGBM集成模型進行特征篩選，使用加權(quán)指標從3477個特征中篩選出300個供后續(xù)使用，然后對特征分箱操作，對稀疏特征進行了隨機組合求和操作（線性組合），再對分箱特征與隨機組合求和特征進行特征交叉，得到特征集合。

其次，用皮爾遜相關(guān)系數(shù)對特征集合進行初步篩選，選出線性相關(guān)性較高的Top200個組合特征，將選擇出的特征進行逐步回歸，然后進行多重共線性檢驗，結(jié)合逐步回歸的結(jié)果，探索出合理的容差值標準，得到線性回歸的結(jié)果，即環(huán)境因子貢獻度。

最后，對各環(huán)境因子的貢獻度進行標準化，結(jié)合環(huán)境因子與商圈類型之間的關(guān)系，計算出每個商圈類型的貢獻度評分，輸出不同商圈屬性及環(huán)境因子對品規(guī)的貢獻度，形成消費環(huán)境畫像，挖掘出優(yōu)勢消費環(huán)境。

4.3?品牌發(fā)展趨勢畫像

首先，利用層次聚類算法，結(jié)合商圈特征數(shù)據(jù)、零售終端進銷存數(shù)據(jù)、零售終端特征數(shù)據(jù)對目標品規(guī)的零售終端進行精準細分。采用每周（月）每個規(guī)格的投放量、需求量、需求次數(shù)、訂購量、訂購次數(shù)、訂足率、訂單滿足率、市場狀態(tài)等作為特征，提取特征在不同的時間尺度下各數(shù)據(jù)項歷史前期和歷史同期的移動平均、變化比率、方差、趨勢等以及一次復雜變換，將其納入特征集。

其次，利用XGBoost預測每個規(guī)格不同級別零售終端的需求量并求和。根據(jù)消費者畫像構(gòu)建每個商圈的消費者特征群，分析消費者特征與消費環(huán)境畫像的匹配度，在此基礎(chǔ)上對預測的需求量給予調(diào)整系數(shù)。

最后，根據(jù)年需求量趨勢，結(jié)合消費者畫像與消費環(huán)境畫像的調(diào)整系數(shù)對初始值進行調(diào)整，輸出不同品規(guī)年度發(fā)展趨勢及在不同商圈的發(fā)展趨勢，實現(xiàn)品牌發(fā)展趨勢畫像。

5?結(jié)語

文章基于人工智能算法，結(jié)合商圈大數(shù)據(jù)，研究零售終端標簽與卷煙市場需求的相互關(guān)系，分析卷煙的優(yōu)勢消費環(huán)境，探索零售終端及卷煙品牌的多維度數(shù)字畫像與價值評估體系，從而提升零售終端獲利能力，促進精細化客戶服務(wù)，實現(xiàn)了卷煙的精準營銷。

參考文獻：

［1］白明.推動卷煙零售終端轉(zhuǎn)型升級的探索研究［J］.現(xiàn)代營銷（下旬刊），2019（4）：96-97.

［2］郝書雅.大數(shù)據(jù)營銷背景下的消費者畫像分析［J］.全國流通經(jīng)濟，2019（20）：8-9.

［3］張麗娟.基于大數(shù)據(jù)分析的用戶畫像助力精準營銷研究［J］.電信技術(shù)，2017（1）：61-62，65.

［4］劉坤達，宋紅文，張衛(wèi)東，等.品牌優(yōu)先的零售客戶細分研究［J］.現(xiàn)代商貿(mào)工業(yè)，2021，42（32）：45-46.

［5］邱際倫.基于顏色統(tǒng)計特征與LPQ-plus的計算機生成圖像盲鑒別算法［D］.長春：吉林大學，2019.

［6］肖峻波.基于BP神經(jīng)網(wǎng)絡(luò)的電信企業(yè)供應商績效評估研究［D］.北京：北京郵電大學，2019.