La formule la plus importante pour réussir est de savoir comment gérer les gens. Theodore Roosevelt
Dans un article précédent, j'ai essayé de parler des bases de l'analyse des prix. Parlons maintenant de choses plus intéressantes.
Avez-vous déjà réfléchi à la raison pour laquelle vous achetez certains produits en magasin, comment choisissez-vous parmi de nombreux analogues? Très probablement, une réponse claire pour tous les voyages possibles au magasin ne fonctionnera pas, beaucoup d'entre eux sont spontanés. Mais l'idée générale est évidente - lorsque vous allez au magasin, vous essayez de fermer votre besoin existant (nourriture, gadgets, divertissement, blackjack). Dans cet article, en utilisant les détaillants alimentaires à titre d'exemple, je vais parler de mon expérience de la façon dont, en utilisant certaines hypothèses logiques de base et l'analyse des communautés dans les graphiques, vous pouvez déterminer comment les clients choisissent le produit.
Présentation
Dans les histoires de vente au détail classiques, on se souvient immédiatement des histoires de systèmes de référence qui ont longtemps utilisé l'analyse des données de contrôle client. Par exemple, les célèbres histoires sur Target et sur la bière avec des couches .
Ces cas sont basés sur l'approche connue dans les cercles étroits, qui s'appelle l' analyse du panier de marché (MBA) ou l'analyse des règles associatives. L'idée principale de l'approche est de construire un ensemble de règles de la forme «quand ils achètent X, ils achètent généralement Y» et les utilisent dans d'autres processus (recommandations personnelles, calcul, etc.). Les règles vous permettent de définir des compléments de marchandises qui se complètent. Cette approche est assez populaire en raison de la facilité de mise en œuvre et de la bonne interprétabilité des résultats. Les principaux problèmes sont qu'il n'est pas toujours clair comment appliquer les règles et comment, en plus des compléments, déterminer les remplaçants . Essayons d'améliorer un peu cette approche: regrouper les produits en fonction des besoins des clients et comprendre comment l'acheteur prend une décision d'achat.
Nous compliquons le MBA, nous recherchons des substituts de produits
Compliquons un peu l'approche MBA et considérons également les informations sur les cartes de fidélité que de nombreux détaillants russes possèdent (pour en ligne, vous pouvez utiliser l'ID client). Nous effectuerons un MBA non pas au niveau des données de contrôle, mais au niveau des cartes (c'est-à-dire qu'au lieu d'un ID de contrôle, nous utiliserons un ID de carte / ID client). En conséquence, nous obtenons des paires de produits liés les uns aux autres au niveau du client, c'est-à-dire si le client a acheté le produit X, il achète également le produit Y et la clé ici est que le produit Y peut être acheté lors d'un autre voyage au magasin.
Réfléchissons à la façon dont vous pouvez définir des produits de substitution. Nous supposons logiquement qu'une personne n'achète pas souvent des produits de substitution en un seul chèque (vous achetez rarement 3 et 5 kg de lessive en même temps). Il s'agit de l'hypothèse la plus importante de toute l'analyse, qui fonctionne bien pour la vente au détail de produits alimentaires / articles ménagers et avec des ajustements mineurs pour d'autres types de détaillants. De cette hypothèse, nous pouvons conclure que si une paire de produits est souvent achetée par les clients, mais qu'elle est rarement trouvée dans un chèque, on peut dire avec une grande confiance que ce sont des substituts. La déclaration est assez forte et nécessite une analyse qualitative préliminaire des liens - il est nécessaire de supprimer les liens statistiquement non significatifs, de supprimer les « bananes », etc.
En conséquence, nous avons formé des paires de marchandises de la forme «les marchandises X et Y sont rarement prises en une seule fois, mais souvent prises par les mêmes personnes» avec une certaine mesure de communication W. Plus cette mesure de communication est importante, plus les produits peuvent être considérés comme des substituts.
Il y avait un MBA, est devenu un SCN
La prochaine étape logique consiste à examiner non pas les paires individuelles de marchandises, mais toutes les paires disponibles au total. C'est-à-dire chaque paire de produits peut être représentée comme un bord d'un graphique avec un poids W. Si vous décrivez graphiquement les connexions résultantes, vous obtenez quelque chose comme ceci:
Les «communautés» de biens fortement liés les uns aux autres sont clairement visibles sur le graphique. Appliquons des algorithmes de recherche d' analyse de réseau social (SNA ) et examinons le résultat. Par exemple, l'algorithme Luvain est utilisé . Le résultat devrait être un groupe de produits de substitution. Regardons un exemple du résultat:
- Cerise DANONE ACTIVIA 2,9% 150g
- DANONE ACTIVIA fraise 2,4% 150g
- DANONE ACTIVIA myrtille 2.9% 150g
- DANONE ACTIVIA Muesli 2,4% 150g
- Son et céréales DANONE ACTIVIA 2,9% 150g
Le résultat semble positif, ces produits sont vraiment similaires aux produits de substitution et couvrent le besoin de yaourts DANONE. Tous les groupes de marchandises reçus sont en bon accord avec la compréhension intuitive des produits de substitution. Il existe, bien sûr, des exemples moins évidents que le détaillant a liés à différents groupes, en particulier en raison de la marque, mais du point de vue de l'acheteur, ils couvrent toujours un besoin:
- Crème visage luxe pour peaux sèches
- Crème ambrée pour peaux sèches et normales
- Neva Cosmetics Crème Visage à la Carotte pour Peaux Sèches et Sensibles
- Neva Cosmetics Crème Visage Concombre pour Peaux Grasses et Mixtes
- Neva cosmetics crème visage olive pour peaux sèches et normales
- Neva Cosmetics Crème pour le visage au ginseng autour des yeux
Et maintenant la hiérarchie
L'algorithme Luvain vous permet de construire une hiérarchie de communautés. Sous une forme simplifiée - construisons des communautés de différentes tailles, développons-les dans un arbre ( arbre de décision client, arbre de décision client ) et regardons un exemple du résultat:
Hourra! L'arbre résultant est parfaitement interprété du point de vue de la logique commerciale et de l'intuition - une personne a décidé qu'il voulait du lait condensé, puis il a choisi entre la banque et le paquet, puis il a choisi le prix auquel il était prêt à acheter la marchandise. Nous comprenons maintenant par quelles caractéristiques une personne ferme le besoin de lait concentré - type d'emballage et segment de prix. Dans cet exemple particulier, il n'y a pas d'affection de marque et d'autres choses que les gens aiment souvent attribuer à un produit.
L'arbre est magnifique, et quelle est la prochaine
L'arbre résultant vous permet de déterminer les besoins des clients (niveaux inférieurs de l'arbre) et les caractéristiques des marchandises qui affectent le choix (selon la hiérarchie de l'arbre). Vous pouvez appliquer le résultat dans différents domaines de la vente au détail:
- idéalement, il est nécessaire qu'au moins un produit couvre chaque besoin. C'est-à-dire chaque magasin de la chaîne devrait avoir des produits qui répondent aux besoins des clients. C'est-à-dire au lieu de 20 bidons en fer de lait condensé, il est préférable d'avoir 10 bidons en fer et 10 sacs.
- dans le cadre d'un besoin, les biens se cannibalisent le plus. C'est-à-dire Maintenant, nous sommes limités à un ensemble de produits, dans lequel nous pouvons calculer les effets croisés pour la tarification et la prévision de la demande.
- cet arbre aide à poser des marchandises sur une étagère (ou à commander des marchandises sur le site)
- en recommandations personnelles complète le MBA classique pour la formation d'offres de vente croisée
En conséquence, nous avons légèrement compliqué l'analyse MBA classique, nous avons obtenu des résultats qui peuvent être immédiatement utilisés dans divers processus du détaillant. La tâche est intéressante, vous devez penser de manière logique et analyser les données et les graphiques de cluster.
J'espère que c'était intéressant! Optimisez les processus, les graphiques de cluster, optimisez le stockage des données (parce que Garbage In - Garbage Out) et obtenez des résultats sympas.