［摘要］在全球控烟政策趋严与消费者需求多元化的背景下，烟草行业面临传统市场增速放缓、客户分类静态化与策略适配性不足等挑战。本研究以某市云岩区3 855户零售客户为样本，整合销售数据、27项外部商业环境指标及地理空间信息，构建融合区域配套、业态结构与人口特征的多模态聚类模型，创新运用t-SNE非线性降维与Gibbs采样优化的K-Means算法，实现客观可量化的零售客户分类与空间异质性分析。研究发现，零售客户呈现显著的圈层化分布特征，其价值呈现显著的空间异质性与环境依赖性，外部环境变量（如区域经济指数、业态丰富度）与客户行为存在链式关联。本研究突破了传统客户分类的静态内生属性局限，通过高维数据降维与特征筛选的技术创新，为烟草企业制定差异化货源投放策略提供了数据驱动的决策支持。

　　［关键词］烟草零售客户；聚类分析；商圈特征；数据融合

　　0引言

　　中国烟草总公司“十四五”规划明确提出构建“数据驱动的现代营销体系”战略目标，要求实现对零售客户的精准画像、聚类组合，为精准营销奠定基础。但在当前的实际运用中，零售客户划分仍然多依赖历史销量、客户规模等内生变量，忽视市场特征与空间关联性，常常导致市场细分失真。因此，本研究提出通过整合订购数据、外部商业环境数据及地理空间信息，构建零售客户多模态聚类模型，以解决传统分类在环境适应性、关联复杂性和全局协同性上的缺陷。为烟草行业提供更精细化的客户管理工具，并形成可复制的行业解决方案，助力其他区域烟草商业应对“市场分化加剧、政策约束强化”的双重挑战，推动行业从“经验驱动”向“数据驱动”转型。

　　1理论分析

　　1.1烟草行业的零售客户分类管理

　　零售客户划分是客户关系管理（CRM）的核心环节，早期零售客户划分主要有三种。第一种是按照档位进行划分，如按照销售量、烟民吸食量划分卷烟零售客户[1]。第二种是结合业态对零售客户进行分类，实际操作中的客户分类主要依赖客户经理的经验或感觉。第三种则是依赖网格等方式进行划分，有学者从客户的当前价值、潜在价值、忠诚价值三个方面确定了零售客户价值评价指标体系，并运用网络层次分析法确定了指标权重[2]。以上几种方法虽然能够在一定程度上划分零售客户，但在刻画外部环境时难以保证准确性和全面性。

　　1.2聚类分析在烟草零售客户分类中的运用

　　聚类分析方法最早源于分类学，通过数学工具和多元分析技术形成定量分类方法。在零售领域，有学者基于RFM模型的三个特征，通过K-Means聚类算法将客户划分为VIP、重要、普通和小客户四类[3]。也有学者以烟草证号为标志，用DBSCAN算法研究卷烟零售客户的集群热点和空间分布情况并形成分类图[4]。还有学者通过用K-Means算法客观分析零售客户的当前价值和潜在价值[5]。

　　尽管零售客户划分已从早期单一指标转向运用聚类分析，能得到更准确的分类和真实的销售环境[6]，但聚类分析也存在一定的局限性。例如，K-Means算法在簇数选择、质心选择上有难度，且可能将离群点归为一类；同时，零售客户划分的依据以内部数据为主，目前仍缺乏以外部商业环境特征向量的聚类分析。

　　2研究设计与方法

　　首先，本文构建了涵盖区域配套、业态构成及人口特征的外部经营环境指标体系，反映不同零售户的外部市场发展水平；其次，采用融合t-SNE与Gibbs采样的K-Means迭代聚类法分析零售客户；最后，将聚类结果映射到地图，探究不同类别零售客户的空间分布规律、市场环境与销售绩效之间的关联及成因，进而提出更合理的货源投放优化策略。

　　2.1外部商业环境指标构建

　　烟草零售作为强属地化的商业活动，其经营绩效受外部环境制约显著。尽管国家烟草专卖局已发布烟草零售业态分类标准，但实际分类多依赖客服经理的经验判断，缺乏量化依据和可重复性。本研究从“区域配套—业态结构—人口特征”三大维度建立外部商业环境指标体系。其中，区域配套包含区域配套概览、商业配套、住宅、交通4个二级指标和16个三级指标，反映区域基础设施与公共服务能力；业态结构包含餐饮、零售、教育培训等9个三级指标，反映商业生态与消费层级特征；人口特征包括居住人口总量和办公人口总量，反映了消费需求结构与市场潜力（详见表1）。

　　2.2基于t-SNE+K-Means的零售客户聚类分析

　　聚类是将物理或抽象对象的集合划分为多个类或簇的过程，使同簇对象相似度高、不同簇差别大。目前烟草公司对客户的分类主要依据业态、经营规模、订购频次等内部指标，较少基于外部商业环境进行聚类。因此，本文拟从27个外部商业环境指标出发，对3855户零售客户进行K-Means聚类分析，并结合t-SNE和Gibbs采样以解决高维数据降维与特征选择的难题。

　　2.2.1运用t-SNE实现高维数据降维

　　t-SNE（t-Distributed Stochastic Neighbor Embedding）是适用于高维数据的降维方法，相比PCA等线性方法，更适用于非线性数据集。第一，它保留了局部结构。t-SNE注重将相近的数据点在低维空间中保持接近，便于揭示数据中局部的群集结构。第二，可捕捉数据中的复杂非线性关系，在某些情况下比线性方法更有效。

　　2.2.2 K-Means聚类分析

　　k均值聚类模型是一个从样本到类的函数。把每个样本用一个整数i∈{1，2，…,n}表示，每个类ı∈{1，2，…,k}也用一个整数表示，那么划分或者聚类可以用函数1=C(i)表示。k均值聚类的陈列是通过损失函数的最小化选择最优的划分或者函数C。具体步骤如下。

　　3实证分析与结果

　　3.1数据收集

　　本研究共收集了销售、空间和环境三类数据。首先，我们采集了某市云岩区4 836户卷烟零售户2022—2023年的季度销量、空间地理位置等数据，包括许可证号、零售户名称、档位、经营地址、经纬度以及两年8个季度的销量和销售额。通过IDV（许可证号）作为唯一主键，将不同来源的数据进行融合。在数据清洗过程中，剔除包含缺失值、重复及异常的数据，最终保留3 855个有效样本。其次，环境数据以每个许可证号对应的经纬度坐标为中心点，搜索其半径0.5公里范围内各外部经营环境指标的POI数量①。

　　3.2零售客户聚类结果与特征分析

　　3.2.1零售客户聚类结果及其空间分布

　　3.2.1.1零售客户聚类结果

　　在t-SNE降维和Gibbs特征选择后，使用K-Means算法将3 855个样本聚为6类。本文对各指标均值及变差系数进行统计与比较分析，结合外部商业环境与地理区位分析，得到以下特征（见图2）。

　　第一类零售客户位于地理空间核心区，呈高密度都市发展特征：空间功能配置中住宅单元、商业区、办公设施密度高，公共服务配套完善，教育、医疗、交通设施密度均值分别为9.57个、20.69个、10.94个。在商业活力与消费能力维度，该区域住宅均价8 800元/平方米，餐饮消费人均达25元，商业设施占比突出，已形成高消费群体集聚、商业业态丰富的发展格局，发展潜力强劲。

　　第二类零售客户所在区域表现为居住功能主导，商业与办公功能相对薄弱。商业区数量（均值0.27）、百货商场占比（均值0.03）极低，零售（均值153.13）和餐饮、休闲娱乐等服务业设施较少，印证了该区域消费业态多样性不足、商业活力有限的发展现状。

　　第三类零售客户所在区域有一定规模的居住和办公人群，人口密度中等，学校数量（均值11.33）和教育培训数量（均值86.07）较高，重点发展教育导向性商业。此外，该区域公共服务设施较为齐全，公共交通、学校和医院等基础设施分布稳定，支撑区域稳定发展。

　　第四类零售客户所在区域为次级商业中心，以居住为基础、商务为主导，但其商业设施规模与活跃度远低于第一类区域，三大商业形态占比偏低。该区域虽然具备一定的消费基础，但商业集聚效应和辐射能力明显弱于核心商圈。

　　第五类零售客户所在区域处于城市经济发展过渡层级，居住人口（25 117人）中等，办公人口（1 442人）极低，属于普通居住社区，以社区型商业为主，地铁站点少且分布不均，消费市场和劳动力资源较少，生活服务、零售数量中等，但标准差低（如零售标准差224.10），商业分布均匀，且以低端消费为主导。

　　第六类零售客户所在区域居住与商业功能相对均衡，已形成中等规模的消费业态体系，为卷烟零售消费提供配套支撑。在人口活力维度，居住人口密度均值高达29 181.52人，办公人口均值为3 628.32人。这种“居住为主，办公为辅”的人口结构保障了稳定的日常消费需求，办公人群的流动性消费提升了区域商业活力，形成了良性的商业循环。

　　3.2.1.2空间分布

　　将零售客户的聚类结果及其经纬度坐标映射到高德地图上，形成聚类零售客户群落的电子地图。六个聚类整体空间分布呈现明显的圈层特点。核心区（聚类1、4）商业设施密集，销售额领先。过渡区（聚类3、5）商业密度中等，销售额略低。边缘区（聚类2、6）商业活动稀疏，销售额居后，符合“核心→边缘”销售额递减的逻辑。

　　虽然整体外部商业环境越发达销售额越高，但仍存在负相关情况。例如，聚类3学校数量（均值11.33所）和教育培训设施（均值86.07个）突出，但商业密度中等（餐饮数量均值439.22），销售额却低于过渡区，这可能是由于教育主导的消费场景限制了高附加值业态发展，客群以家庭和学生为主，导致该区域整体消费能力有限。聚类5社区型商业依赖固定客群，消费结构稳定，但缺乏高流量或高客单价场景。聚类4销售额最高但波动大，工作日消费集中但节假日流量下降，这说明该区域商业生态单一，削弱了持续盈利能力。

　　3.2.2零售客户环境差异对卷烟销售的影响对比分析

　　3.2.2.1区域配套与销售绩效的双重效应

　　实证结果表明，第一类零售客户所在区域商业设施密集且均衡，具有稳定客流量和交叉消费机会，但因过度竞争和市场饱和，销售额易出现大幅波动。第四类区域商业设施较为匮乏，有利于形成稳定的区域商业生态系统，但也限制了销售规模的扩张。第二类区域“居住功能单极化”，消费生态存在缺陷，销售表现稳定，但增长动能不足。第六类区域空间功能配置均衡，“产城融合”的空间结构产生消费协同效应，适度的办公功能引入了高质量的商务消费群体，这种多元化消费场景提升了消费能级。

　　3.2.2.2人口结构与消费需求的动态匹配

　　从人口经济学视角来看，居住与办公人口数量及结构差异影响消费需求。第一类区域表现为“高密度—高流动性”，人口规模带来的规模经济带动了销售，但人口流动和消费偏好的动态变化也导致需求不确定性。第二类区域表现为居住功能主导，居住与办公人口密度之比高达20:1，消费需求单一，卷烟消费时段集中于早晚高峰，消费品类和升级动力不足，客单价提升受限。第六类区域人口结构均衡，工作日办公人群的商务消费与休息日居民的日常消费良性互补，销售波动较小。

　　3.3不同聚类类别货源投放优化策略

　　本研究以某市云岩区卷烟零售户为样本，经系统聚类分为6个类别，各类别在区域配套、人口结构、消费水平等维度差异显著（见表2）。

　　聚类1位于繁华商业核心区，货源投放需构建多元化、高品质卷烟组合，引入高端特色品牌，减少中低端产品库存。同时，借助大数据监测市场动态和消费偏好变化，灵活、精准地调整货源投放品类与数量，实现供需匹配。

　　聚类2为低密度居住区，商业活力匮乏，消费场景相对单一。货源投放应以保障居民日常基本卷烟消费需求为核心，重点投放中低档产品，增设自助售货机或社区便利店合作点以稳定供应，联合零售户开展促销激发消费。

　　聚类3和聚类5作为中等发展水平的居住功能主导区域，人口密度高但商业活跃度不足。货源投放应注重产品性价比，重点投放价格适中、品质可靠的产品。同时，结合学校、医院等办公消费人群的作息周期动态调整库存，以提升销售业绩与市场竞争力。

　　聚类4区域为次级商业中心，商业设施规模与活跃度不及聚类1区域，但消费基础稳定。可增加体验式烟草文化馆等特色商业配套，适度降低高端产品投放比例，增加中高端性价比产品的市场供给。

　　聚类6区域居住与商业功能相对均衡，人口活跃度较高，消费业态体系初具规模。货源投放可聚焦高端市场，引入进口烟草等高价产品。此外，可借助区域商业活动与人口流动优势开展针对性的品牌推广活动，提升品牌知名度与美誉度，拓展市场份额。

　　4结论与讨论

　　本研究聚焦烟草行业零售客户分类的环境适应性困境，通过整合3 855户零售客户的订购数据、27项外部商业环境指标及地理空间信息，揭示了外部环境变量与客户行为的多维动态关联机制，构建了融合区域配套、业态结构与人口特征的多模态聚类模型，形成对客户分类理论与实践的系统性突破。研究发现：第一，基于t-SNE与K-Means的迭代聚类算法有效解决了高维数据的降维与特征选择难题，将某市云岩区零售客户划分为6类异质性显著的群体，其空间分布呈现圈层化特征，验证了地理空间异质性对客户分群的影响。第二，零售客户价值呈现显著的空间异质性与环境依赖性，区域配套、人口结构与消费水平上的差异显著影响卷烟销售绩效。

主要参考文献

　　［1］尹朝阳.刍议卷烟客户的分类［J］.商场现代化，2006（8）：82-83.

　　［2］范奥哲.面向海量零售户的客户价值分类与精准推荐研究［D］.杭州：浙江理工大学，2020.

　　［3］邓基刚，郑成德，刘景燕，等.基于RFM模型的烟草客户聚类分析研究［J］.价值工程，2015，34（6）：20-22.

　　［4］许菲.基于DBSCAN聚类算法的卷烟零售客户分类研究［J］.中国市场，2023（23）：121-124.

　　［5］闫磊，刘旭，徐斌.基于客户价值的卷烟零售客户分类研究与应用［J］.价值工程，2019，38（25）：89-90.

　　［6］陆静.k-means算法在电信客户关系管理中的应用［J］.福建电脑，2012，28（8）：83-84.