基于大数据和人工智能技术的货源投放模式探索

付二局 鲁钟情 张超

一、引言

当前，烟草行业处于高质量发展期，烟草公司面临着卷烟精准货源投放，满足目标客户差异化需求带来的挑战。在行业高质量发展要求下，本文从卷烟市场需求出发，利用大数据和人工智能技术，通过时间序列预测算法、神经网络算法等进行数据挖掘，形成目标客户特征数据，精准定位目标客户需求，从而预测未来市场发展，实现货源精准匹配，达到最优的市场投放目标。

二、研究背景

烟草行业作为国民经济的重要组成部分，推动高质量发展是行稳致远的必然途径。烟草行业始终坚持“十六字”方针战略导向，坚定不移推动行业高质量发展。货源投放精准化是当前行业高质量发展的一项重要探索领域，通过探索精准营销策略，提高供给水平、满足市场需求，达到供求平衡的目标。

目前，烟草行业正广泛采用数据挖掘、大数据分析、K均值聚类、机器学习、人工智能等技术进行探索研究，即将迈入精准营销的新阶段。本文从大数据和人工智能技术角度，对目标客户数据进行分析，形成目标客户特征数据，逐一实现各品规卷烟和目标客户精准匹配，实现动态最优货源投放策略，达到最优的市场状态。

三、计算机语言应用的重要性

按照烟草行业高质量发展要求，坚持“总量控制、稍紧平衡，增速合理、贵在持续”方针，探索研究计算机技术应用是深化市场营销的重要手段，是实现高质量发展的必然要求。

当前，对每个目标客户进行精准分析定位，做到目标客户个性分析和关联性分析相统一，解决了人为无法精准对目标客户分析探索研究的难题。本文立足于大数据和人工智能技术，考虑目标客户个性分析和关联性分析两大因素，兼顾目标客户公平性和货源投放的精准性，进而达到货源投放精准化目的。

计算机技术具备运算速度快、计算精确度高、逻辑运算能力强等特点，通过对目标客户分析，针对每款卷烟形成一套该品规卷烟的客户数据分析后，再将该品规本次投放量逐一分配到目标客户，进行循环分析投放，达到精准化投放目的。

四、建设思路

（一）目标客户数据收集分析思路

对目标市场客户进行数据收集，内容涵盖目标客户基本信息、货源购销信息和其他信息。通过对每个目标客户数据分析，分析各品规卷烟历次动态订购数据，从而形成下次卷烟投放预测量，进而形成“通过每次的货源投放数据分析动态调整下次货源精准投放的目标”。通过计算机技术，以历史投放的结果为依据，分析调整货源投放策略，将市场状态推向目标期望的精准状态。

（二）目标客户货源投放建设思路

货源精准投放的最终实现，要依赖数据分析的选择、多轮次卷烟投放作为基础数据分析。以大数据分析为基础，利用人工智能技术进行精准分析，明确每款卷烟和目标客户的对应关系，形成新一轮次的货源投放测算表，从而促进市场状态不断向好发展。基于目标数据的可用性分析，对一些不易采集又极为重要的个性数据，通过调整多轮次货源投放策略，利用计算机技术对导致该个性数据影响因素进行分析，确定数据的可用性。

（三）目标客户货源分配构建思路

在目标数据基础上，将每个客户作为目标进行分析，对每款卷烟的历次投放数据进行分析研究，利用人工智能技术进行数据筛选和应用，进而确定每款卷烟对应的每个客户的投放量，形成新一轮次货源投放策略测算表。在此基础上，采用大数据、人工智能技术对目标数据进行综合分析，形成货源投放测算表，为新一轮次货源投放提供依据。

五、主要路径

（一）目标市场数据分析

目标客户数据是实现精准投放的数据之源。目标客户数据又分为基础数据、订购数据和历史动销数据，基础数据为客户档位、信用等级等信息，订购数据为客户订购卷烟数量，通过基础数据和订购数据，建立完整的客户画像，了解不同的目标客户的消费群体、购买力等信息，从而为后续数据使用奠定基础。历史动销数据是客户实际销售过程中产生的数据，对目标客户数据分析意义重大，是建立数据挖掘和预测模型的核心数据，对算法的准确性和效率有着不可或缺的意义。但历史动销数据存在收集难和信息不完整等问题，可以通过建立客户动销数据库、利用社交媒体等方式收集客户动销数据。

（二）目标市场数据使用

目标市场数据的使用离不开数据挖掘和预测模型，而不同的数据挖掘和预测模型适用于不同的业务场景。时间序列预测算法是一种利用历史数据来预测未来趋势的机器学习算法，适合利用历史动销数据分析目标客户对单一产品的未来订购需求。神经网络算法可以用来预测客户在未来可能购买的商品种类和数量，适用于同一目标客户的不同卷烟种类分配投放。将算法和模型相结合，借助大数据相关技術，能有效解决在货源精准投放中存在的相关问题。

卷烟销售和市场状态密不可分，因此可以通过使用多种时间序列预测算法进行建模和预测。以下是几种常见的卷烟销售量时间序列预测算法。

ARIMA模型：这是一种基于自回归移动平均的统计模型，可以较好地拟合时间序列数据中的趋势和周期性变化。在卷烟销售量预测中，可以使用ARIMA模型对历史销售量数据进行建模，并预测未来的销售量。ARIMA模型有多个参数需要调整，需要根据实际情况选择合适的模型。

LSTM神经网络模型：它可以通过学习历史销售量数据中的长期依赖关系来预测未来的销售量。在卷烟销售量预测中，可以将历史销售量数据作为输入特征，将未来销售量作为输出目标，可以通过训练LSTM神经网络模型来进行预测。LSTM神经网络模型具有较好的时序建模能力，并且可以处理长序列数据。

Prophet模型：这是一种基于季节性分量的线性回归模型，可以较好地预测时间序列数据的未来趋势。在卷烟销售量预测中，可以使用Prophet模型对历史销售量数据进行建模，并预测未来的销售量。Prophet模型具有较好的可解释性和预测精度，并且支持对不同类型的季节性变化进行建模。

需要注意的是，卷烟销售量的时间序列预测涉及多个因素，如季节性、节假日、促销活动等，因此需要综合考虑各类因素来选择合适的算法和参数。同时，还需要对预测结果进行评估和调整，以提高预测准确度和实际应用效果。

神经网络算法：该算法通过对大量历史数据进行训练和学习，建立复杂的神经网络模型，预测未来市场需求和客户行为。例如，通过分析目标客户的购买历史等信息，可以建立神经网络模型，预测目标客户在未来可能购买的商品种类和数量。

（三）目标市场投放策略

通过大数据和人工智能技术，对每款卷烟的历次投放数据进行分析，利用时间序列预测算法，建立对应卷烟的神经网络模型，预测该卷烟目标客户订购量，计算该卷烟精准匹配目标客户实际需求量，逐一对每款卷烟进行测算，形成新一轮次货源投放测算表，作为货源投放策略依据。

六、结语

大数据时代，烟草行业货源投放探索不断深入，计算机技术在探索中不可或缺。本文立足于市场状态和目标客户需求，将历次货源投放数据作为数据积累，运用人工智能技术进行统计分析，避免人为因素影响，最终驱使卷烟市场不断趋向于理想状态。我们的目的在于使用计算机和AI技术，减少人工工作量，探索货源投放新方法，不断调整货源投放策略，对目标市场筛选、定性定量分析，最终形成可动态调整的货源投放策略，服务于目标市场客户。

作者单位：付二局 郑州市烟草公司西城区分公司

鲁钟情 河南省烟草公司郑州市公司

张超 郑州市烟草公司巩义市分公司