¿Cómo eliges productos en las tiendas?

El ingrediente individual más importante en la fórmula del éxito es saber cómo llevarse bien con las personas. Theodore Roosevelt

En el artículo anterior intenté cubrir los conceptos básicos de análisis de precios. Ahora me gustaría hablar de algo más interesante.

¿Alguna vez has pensado por qué eliges ciertos productos en las tiendas, por qué los prefieres a otros similares? Muchos viajes de compras son espontáneos, por lo que probablemente sea imposible dar una respuesta clara para todas las veces que vaya de compras. Pero la idea general es obvia: vas de compras por una razón específica (para obtener comida, un gadget, para entretenerte, para jugar al blackjack). En este artículo, usaré los datos disponibles de los minoristas de comestibles para hablar sobre cómo un conjunto de supuestos lógicos básicos y análisis de la comunidad pueden ayudarnos a determinar la forma en que los clientes eligen productos.

Introduccion

Cuando se trata de historias clásicas sobre el comercio minorista, no puedo evitar pensar en los sistemas de recomendación que han estado utilizando el análisis de recibos durante mucho tiempo. Como las famosas historias sobre cupones Target, cerveza y pañales.



Estos casos utilizan el análisis de cesta de la compra (MBA) o el enfoque de análisis de afinidad poco conocido. La idea principal es desarrollar un conjunto de reglas que se vean como "cuando compran X , generalmente compran Y " y luego lo usan en otras operaciones (recomendaciones personales, merchandising visual, etc.). Se usan reglas para determinar los complementos, es decir bienes que se complementan entre sí. Este enfoque es bastante popular ya que es fácil de implementar e interpretar los resultados. El problema es que no siempre está claro cómo usar los datos de sus hallazgos y cómo podemos definir productos sustitutos, además de los complementos. Intentemos mejorar este enfoque: podemos agrupar productos según las necesidades del cliente y luego descubrir cómo los consumidores toman decisiones de compra.

Hacer MBA más complejo, determinar bienes sustitutos

Hagamos que el enfoque de MBA sea un poco más complejo y estudiemos la información de las tarjetas de fidelidad emitidas por muchos minoristas (para las tiendas en línea, puede usar ID de clientes). Podemos llevar a cabo un análisis de MBA para las tarjetas de fidelización en lugar de los recibos (utilizando la identificación de la tarjeta / identificación del cliente en lugar del número de recibo). Esto nos dará pares de productos que están relacionados a nivel de cliente, es decir, si un cliente compra X , también compra Y. La clave aquí es que pueden comprar Y cuando van a la tienda en otro momento.

Pensemos cómo podemos determinar productos sustitutos. Podemos suponer lógicamente que la gente no tiende a comprar productos sustitutos juntos (supongo que no compra detergente para ropa de 150 y 300 fl oz al mismo tiempo muy a menudo). Este es el supuesto más importante en todo el análisis y funciona muy bien para los minoristas de comestibles / artículos para el hogar y, con algunos ajustes, también para otros minoristas. Esta suposición nos permite concluir que si los clientes a menudo compran dos productos en particular, pero esos dos productos rara vez se pueden encontrar en un recibo, entonces probablemente sean sustitutos. Este es un reclamo bastante serio que requiere un análisis cualitativo previo de pares: necesitamos eliminar pares estadísticamente irrelevantes, eliminar los "plátanos", etc. Para las conexiones restantes, podemos introducir una métrica W que refleje con qué frecuencia se compran productos dentro de una tarjeta de fidelización que dentro de un recibo.

Al final tendremos pares de productos que parecen "productos X e Y rara vez aparecen en un recibo, pero a menudo son comprados por las mismas personas" con una determinada métrica de conexión W. Cuanto más alta sea la métrica de conexión, más confianza tenemos en que estos productos son sustitutos.

De MBA a SNA

El siguiente paso lógico es observar todos los pares de bienes como un todo. Podemos representar cada par como un borde de un gráfico con valor W. Si creamos una representación visual de todas las conexiones, se verá más o menos así:



Aquí podemos ver claramente los grupos de productos que tienen fuertes conexiones. Apliquemos los algoritmos SNA (análisis de redes sociales) y echemos un vistazo a los resultados. He usado el método de Lovaina como ejemplo. Deberíamos terminar con grupos de productos sustitutos. Veamos el resultado potencial:

• DANONE ACTIVIA cereza 2.9% 150 g
• DANONE ACTIVIA fresa 2.4% 150 g
• DANONE ACTIVIA arándano 2.9% 150 g
• DANONE ACTIVIA muesli 2.4% 150 g
• DANONE ACTIVIA fibra y cereal 2.9% 150 g

Los resultados parecen prometedores: estos productos parecen sustitutos que cubren la necesidad del cliente de los yogures DANONE. Todos los grupos de productos determinados en el análisis están en línea con la percepción intuitiva de los productos sustitutos. Hay, por supuesto, algunos ejemplos menos obvios de productos que el minorista ha asignado a diferentes grupos, en parte debido a la marca, pero desde la perspectiva del consumidor todavía cubren la misma necesidad:

• Lux Face Hidratante para pieles secas
• Hidratante facial Yantar para pieles normales a secas
• Nevskaya Kosmetika Carrot Face Moisturizer para pieles secas y sensibles
• Hidratante facial de pepino Nevskaya Kosmetika para pieles grasas y mixtas
• Nevskaya Kosmetika Olive Face Hidratante para pieles secas y normales
• Crema de ojos Nevskaya Kosmetika Ginseng

Ahora, para la jerarquía

El método de Lovaina se puede usar para crear jerarquías de grupos de productos. En términos simples, construyamos grupos de productos de diferentes tamaños, conviértalos en un árbol (árbol de decisión del cliente) y veamos los resultados:



Si! Nuestro árbol se puede interpretar fácilmente en términos de lógica empresarial e intuición: los consumidores saben que quieren leche condensada, luego eligen entre una lata y un doypack, el precio y están listos para comprar. Ahora sabemos qué criterios utilizan las personas para satisfacer su necesidad de leche condensada: el tipo de envase y el precio. En este ejemplo en particular, la elección no fue determinada por la marca o cualquier otra cosa que las personas puedan atribuir a los productos.

Bonito árbol, ¿qué sigue?

Este árbol nos ayuda a determinar las necesidades del cliente (niveles más bajos del árbol) y las características del producto que afectan la elección final (de acuerdo con la jerarquía del árbol). Los resultados se pueden aplicar a diferentes áreas del comercio minorista:

• idealmente, al menos un producto debería cubrir cada necesidad. Por lo tanto, cada tienda de la cadena debe tener productos que cubran las necesidades del cliente. En lugar de tener 20 latas de leche condensada, es mejor tener 10 latas y 10 doypacks.
• Dentro de la necesidad de un cliente, los productos tienen la tasa de canibalización más alta. Ahora estamos limitados a un conjunto de productos para los cuales podemos calcular los efectos cruzados para la fijación de precios y el pronóstico de la demanda.
• este árbol ayuda con la comercialización visual (o la colocación de productos en línea)
• para recomendaciones personales, es una adición al MBA clásico y ayuda a formar ofertas de venta cruzada

En resumen: hemos hecho que el MBA clásico sea un poco más complejo y hemos logrado resultados que pueden usarse en diferentes operaciones minoristas. Ha sido una tarea bastante interesante: he tenido que aplicar el pensamiento lógico, analizar datos y gráficos de clúster.

¡Espero que lo hayas disfrutado! Optimice procesos, gráficos de clúster, optimice el almacenamiento de datos (porque Garbage In, Garbage Out) y obtenga resultados sorprendentes.