La fórmula más importante para el éxito es saber cómo manejar a las personas. Theodore Roosevelt
En un artículo anterior intenté hablar sobre los conceptos básicos de análisis de precios. Ahora hablemos de cosas más interesantes.
¿Alguna vez has pensado por qué compras ciertos productos en tiendas, cómo eliges entre muchos análogos? Lo más probable es que una respuesta clara para todos los viajes posibles a la tienda no funcione, muchos de ellos son espontáneos. Pero la idea general es obvia: cuando vas a la tienda estás tratando de cerrar tu necesidad actual (de comida, gadgets, entretenimiento, blackjack). En este artículo, utilizando a los minoristas de alimentos como ejemplo, hablaré sobre mi experiencia de cómo, utilizando algunos supuestos lógicos básicos y análisis de comunidades en gráficos, puede determinar cómo los clientes eligen el producto.
Introduccion
En las historias minoristas clásicas, uno recuerda inmediatamente historias de sistemas de referencia que han utilizado durante mucho tiempo el análisis de los datos de verificación de clientes. Por ejemplo, las famosas historias sobre Target y sobre cerveza con pañales .
Estos casos se basan en el enfoque conocido en círculos estrechos, que se llama Market Basket Analysis (MBA) o el análisis de reglas asociativas. La idea principal del enfoque es construir un conjunto de reglas de la forma "cuando compran X, generalmente compran Y" y usarlas en procesos adicionales (recomendaciones personales, cálculo, etc.). Las reglas le permiten definir complementos de bienes que se complementan entre sí. Este enfoque es bastante popular debido a la facilidad de implementación y la buena interpretación de los resultados. Los principales problemas son que no siempre está claro cómo aplicar las reglas y cómo, además de los complementos, determinar sustitutos sustitutos . Intentemos mejorar un poco este enfoque: agrupe los productos de acuerdo con las necesidades de los clientes y comprenda cómo el comprador toma una decisión de compra.
Complicamos el MBA, estamos buscando productos sustitutos
Vamos a complicar un poco el enfoque de MBA y considerar adicionalmente la información sobre las tarjetas de fidelidad que tienen muchos minoristas rusos (en línea, puede usar la identificación del cliente). Realizaremos un MBA no a nivel de datos de verificación, sino a nivel de tarjetas (es decir, en lugar de una identificación de verificación usaremos una identificación de tarjeta / identificación de cliente). Como resultado, obtenemos pares de bienes que están relacionados entre sí a nivel del cliente, es decir, si el cliente compró el producto X, también compra el producto Y y la clave aquí es que el producto Y se puede comprar durante otro viaje a la tienda.
Pensemos cómo puede definir productos sustitutos. Suponemos lógicamente que una persona no suele comprar productos sustitutos en un solo cheque (rara vez compra 3 y 5 kg de detergente al mismo tiempo). Este es el supuesto más importante en todo el análisis, que funciona bien para la venta al por menor de comestibles / artículos para el hogar y con pequeños ajustes para otros tipos de minoristas. A partir de esta suposición, podemos concluir que si los clientes suelen comprar un par de productos, pero rara vez se encuentran en un solo cheque, se puede decir con gran confianza que estos son sustitutos. La declaración es bastante sólida y requiere un análisis cualitativo preliminar de los enlaces: es necesario eliminar los enlaces estadísticamente insignificantes, eliminar los " plátanos ", etc. Para los enlaces restantes, puede ingresar la métrica W , que refleja la frecuencia con la que se compran bienes dentro de una tarjeta de fidelización que en un cheque.
Como resultado, hemos formado pares de bienes de la forma "los bienes X e Y rara vez se toman en un solo cheque, pero a menudo son tomados por las mismas personas" con alguna medida de comunicación W. Cuanto mayor sea esta medida de comunicación, más productos pueden considerarse sustitutos.
Hubo un MBA, se convirtió en un SNA
El siguiente paso lógico es mirar no a pares individuales de bienes, sino a todos los pares disponibles en total. Es decir cada par de productos se puede representar como un borde de un gráfico con un peso W. Si representa gráficamente las conexiones resultantes, obtendrá algo como esto:
Las "comunidades" de bienes que están fuertemente conectadas entre sí son claramente visibles desde el gráfico. Apliquemos algoritmos de búsqueda de análisis de redes sociales (SNA ) y veamos el resultado. Por ejemplo, se usa el algoritmo Luvain . El resultado debería ser un grupo de productos sustitutos. Veamos un ejemplo del resultado:
- DANONE ACTIVIA cereza 2.9% 150g
- DANONE ACTIVIA fresa 2.4% 150g
- DANONE ACTIVIA arándano 2.9% 150g
- DANONE ACTIVIA Muesli 2.4% 150g
- DANONE ACTIVIA salvado y cereales 2.9% 150g
El resultado parece positivo, estos productos son realmente similares a los productos sustitutos y cubren la necesidad de yogures DANONE. Todos los grupos de productos recibidos están de acuerdo con la comprensión intuitiva de los productos sustitutos. Por supuesto, hay ejemplos menos obvios de que el minorista se relacionó con diferentes grupos, en particular debido a la marca, pero desde el punto de vista del comprador, aún cubren una necesidad:
- Crema de lujo para pieles secas
- Cream Amber para pieles secas y normales
- Neva cosmetics zanahoria crema facial para pieles secas y sensibles
- Crema facial de pepino Neva cosmetics para pieles grasas y mixtas
- Neva cosmetics crema facial de oliva para pieles secas y normales
- Neva cosmetics ginseng crema facial alrededor de los ojos
Y ahora la jerarquía
El algoritmo de Luvain le permite construir una jerarquía de comunidades. En una forma simplificada: construyamos comunidades de diferentes tamaños, ampliémoslas en un árbol ( árbol de decisión del cliente, árbol de decisión del cliente ) y veamos un ejemplo del resultado:
¡Hurra! El árbol resultante se interpreta perfectamente desde el punto de vista de la lógica e intuición empresarial: una persona decidió que quería leche condensada, luego eligió entre el banco y el paquete, luego eligió el precio al que estaba lista para comprar los productos. Ahora entendemos por qué características una persona cierra la necesidad de leche condensada - tipo de envase y segmento de precios. En este ejemplo particular, no hay afecto de marca y otras cosas que a las personas les gusta atribuir a un producto.
El árbol es hermoso, y qué sigue.
El árbol resultante le permite determinar las necesidades de los clientes (niveles inferiores del árbol) y las características de los bienes que afectan la elección (de acuerdo con la jerarquía del árbol). Puede aplicar el resultado en varias áreas de venta minorista:
- idealmente, es necesario que al menos un producto cubra cada necesidad. Es decir Cada tienda de la cadena debe tener productos que cubran las necesidades de los clientes. Es decir En lugar de 20 latas de hierro de leche condensada, es mejor tener 10 latas de hierro y 10 bolsas.
- En el marco de una necesidad, la mayoría de los bienes se canibalizan entre sí. Es decir Ahora estamos limitados a un conjunto de productos, dentro del cual podemos calcular los efectos cruzados para el precio y la previsión de la demanda.
- este árbol ayuda al colocar productos en un estante (o el pedido de productos en el sitio)
- en recomendaciones personales complementa el MBA clásico para la formación de ofertas de venta cruzada
Como resultado, complicamos un poco el análisis clásico de MBA, obtuvimos resultados que se pueden usar de inmediato en varios procesos del minorista. La tarea es interesante, debe pensar lógicamente y analizar datos y gráficos de clúster.
¡Espero que haya sido interesante! Optimice procesos, gráficos de clúster, optimice el almacenamiento de datos (porque Garbage In - Garbage Out) y obtenga resultados geniales.