Comment choisissez-vous les produits en magasin?

L'ingrédient unique le plus important dans la formule du succès est de savoir comment s'entendre avec les gens. Theodore roosevelt

Dans l'article précédent, j'ai essayé de couvrir les bases de l'analyse des prix. J'aimerais maintenant parler de quelque chose de plus intéressant.

Avez-vous déjà pensé pourquoi vous choisissez certains produits en magasin, pourquoi vous les préférez à d'autres similaires? De nombreux voyages de shopping sont spontanés, il est donc probablement impossible de donner une réponse claire pour toutes les fois que vous faites du shopping. Mais l'idée générale est évidente: vous faites du shopping pour une raison précise (pour acheter de la nourriture, un gadget, pour vous divertir, pour jouer au blackjack). Dans cet article, je vais utiliser les données disponibles auprès des détaillants en alimentation pour expliquer comment un ensemble d'hypothèses logiques de base et une analyse communautaire peuvent nous aider à déterminer la façon dont les clients choisissent les produits.

Présentation

Quand il s'agit d'histoires classiques sur la vente au détail, je ne peux m'empêcher de penser aux systèmes de recommandation qui utilisent l'analyse des reçus depuis longtemps. Comme les histoires célèbres sur les coupons Target, la bière et les couches.



Ces cas utilisent l'approche d'analyse de panier de marché (MBA) peu connue ou l'approche d'analyse d'affinité. L'idée principale est de développer un ensemble de règles qui ressemblent à "quand ils achètent X , ils achètent généralement Y " et ensuite de l'utiliser dans d'autres opérations (recommandations personnelles, merchandising visuel, etc.) Des règles sont utilisées pour déterminer les compléments, c'est-à-dire marchandises qui se complètent. Cette approche est assez populaire car elle est facile à mettre en œuvre et à interpréter les résultats. Le problème est qu'il n'est pas toujours clair comment utiliser les données de vos résultats et comment nous pouvons définir des produits de substitution, en plus des compléments. Essayons d'améliorer cette approche: nous pouvons regrouper les produits en fonction des besoins des clients, puis déterminer comment les consommateurs prennent des décisions d'achat.

Rendre le MBA plus complexe, déterminer les produits de substitution

Rendons l'approche MBA un peu plus complexe et étudions les informations des cartes de fidélité émises par de nombreux détaillants (pour les magasins en ligne, vous pouvez utiliser des identifiants client). Nous pouvons effectuer une analyse MBA pour les cartes de fidélité au lieu des reçus (en utilisant l'ID de carte / ID client au lieu du numéro de reçu). Cela nous donnera des paires de produits liés au niveau du client, c'est-à-dire que si un client achète X , il achète également Y. La clé ici est qu'ils peuvent acheter Y quand ils vont au magasin à un autre moment.

Réfléchissons à la façon dont nous pouvons déterminer les produits de substitution. Nous pouvons faire l'hypothèse logique que les gens n'ont pas tendance à acheter des produits de substitution ensemble (je suppose que vous n'achetez pas très souvent 150 et 300 fl oz de détergent à lessive en même temps). Il s'agit de l'hypothèse la plus importante de toute l'analyse et elle fonctionne très bien pour les détaillants en épicerie / articles ménagers et, avec quelques ajustements, pour les autres détaillants également. Cette hypothèse nous permet de conclure que si les clients achètent souvent deux produits particuliers, mais que ces deux produits peuvent rarement être trouvés sur un seul reçu, ils sont probablement des substituts. C'est une affirmation assez sérieuse qui nécessite une analyse qualitative préalable des paires - nous devons éliminer les paires statistiquement non pertinentes, éliminer les "bananes", etc. Pour les connexions restantes, nous pouvons introduire une métrique W qui reflète combien plus souvent les produits sont achetés avec une seule carte de fidélité qu'avec un seul reçu.

En fin de compte, nous aurons des paires de produits qui ressemblent à "des produits X et Y se produisent rarement dans un reçu, mais sont souvent achetés par les mêmes personnes" avec une certaine métrique de connexion W. Plus la métrique de connexion est élevée, plus nous pouvons être sûrs que ces produits sont des substituts.

Du MBA au SNA

La prochaine étape logique consiste à examiner toutes les paires de produits dans leur ensemble. Nous pouvons représenter chaque paire comme un bord d'un graphique avec une valeur W. Si nous créons une représentation visuelle de toutes les connexions, cela ressemblera à ceci:



Ici, nous pouvons clairement voir les groupes de produits qui ont des liens solides. Appliquons les algorithmes SNA (analyse des réseaux sociaux) et examinons les résultats. J'ai utilisé la méthode Louvain comme exemple. Nous devons nous retrouver avec des groupes de produits de substitution. Regardons le résultat potentiel:

• Cerise DANONE ACTIVIA 2,9% 150 g
• Fraise DANONE ACTIVIA 2,4% 150 g
• Myrtille DANONE ACTIVIA 2,9% 150 g
• DANONE ACTIVIA muesli 2,4% 150 g
• Fibres et céréales DANONE ACTIVIA 2,9% 150 g

Les résultats semblent prometteurs - ces produits ressemblent en effet à des substituts qui couvrent les besoins des consommateurs pour les yaourts DANONE. Tous les groupes de produits déterminés dans l'analyse sont conformes à la perception intuitive des produits de substitution. Il existe bien sûr des exemples moins évidents de produits que le détaillant a attribués à différents groupes, en partie à cause de la marque, mais du point de vue des consommateurs, ils couvrent toujours le même besoin:

• Lux Face Hydratant pour peau sèche
• Hydratant pour le visage Yantar pour les peaux normales à sèches
• Hydratant pour le visage Nevskaya Kosmetika Carrot pour les peaux sèches et sensibles
• Hydratant pour le visage au concombre Nevskaya Kosmetika pour les peaux grasses et mixtes
• Hydratant visage Nevskaya Kosmetika Olive pour peau sèche et normale
• Crème pour les yeux Nevskaya Kosmetika Ginseng

Maintenant, pour la hiérarchie

La méthode Louvain peut être utilisée pour créer des hiérarchies de groupes de produits. En termes simples, construisons des groupes de produits de différentes tailles, transformons-les en arbre (arbre de décision client) et examinons les résultats:



Oui! Notre arbre peut être facilement interprété en termes de logique commerciale et d'intuition - les consommateurs savent qu'ils veulent du lait condensé, puis ils choisissent entre une boîte et un doypack, choisissent le prix et ils sont prêts à acheter. Nous savons maintenant quels critères les gens utilisent pour satisfaire leur besoin de lait condensé - le type d'emballage et le prix. Dans cet exemple particulier, le choix n'a pas été déterminé par la marque ou tout autre élément que les gens peuvent souvent attribuer aux produits.

Bel arbre, quelle est la prochaine

Cet arbre nous aide à déterminer les besoins des clients (niveaux inférieurs de l'arbre) et les caractéristiques du produit qui affectent le choix final (selon la hiérarchie de l'arbre). Les résultats peuvent être appliqués à différents domaines de la vente au détail:

• idéalement, au moins un produit devrait couvrir chaque besoin. Ainsi, chaque magasin de la chaîne devrait avoir des produits qui répondent aux besoins des clients. Au lieu d'avoir 20 boîtes de lait concentré, il est préférable d'avoir 10 boîtes et 10 doypacks.
• dans un besoin client, les produits ont le taux de cannibalisation le plus élevé. Nous sommes maintenant limités à un ensemble de produits pour lesquels nous pouvons calculer les effets croisés des prix et des prévisions de la demande.
• cet arbre aide au marchandisage visuel (ou au placement de produits en ligne)
• pour des recommandations personnelles, c'est un ajout au MBA classique et aide à former des offres de vente croisée

Pour résumer: nous avons rendu le MBA classique un peu plus complexe et obtenu des résultats qui peuvent être utilisés dans différentes opérations de vente au détail. Ce fut une tâche assez intéressante - j'ai dû appliquer une pensée logique, analyser des données et des graphiques en grappes.

J'espère que ça vous a plu! Optimisez les processus, les graphiques de cluster, optimisez le stockage des données (car Garbage In, Garbage Out) et obtenez des résultats incroyables.