Formula terpenting untuk sukses adalah mengetahui cara menangani orang. Theodore Roosevelt
Dalam artikel sebelumnya saya mencoba berbicara tentang dasar-dasar analisis penetapan harga. Sekarang mari kita bicara tentang hal-hal yang lebih menarik.
Pernahkah Anda memikirkan mengapa Anda membeli produk tertentu di toko, bagaimana Anda memilih di antara banyak analog? Kemungkinan besar, jawaban yang jelas untuk semua kemungkinan perjalanan ke toko tidak akan berfungsi, banyak dari mereka spontan. Tapi ide umumnya jelas - ketika Anda pergi ke toko Anda mencoba untuk menutup kebutuhan Anda yang ada (untuk makanan, gadget, hiburan, blackjack). Dalam artikel ini, dengan menggunakan pengecer makanan sebagai contoh, saya akan berbicara tentang pengalaman saya tentang bagaimana, menggunakan beberapa asumsi logis dasar dan analisis komunitas dalam grafik, Anda dapat menentukan bagaimana pelanggan memilih produk.
Pendahuluan
Dalam cerita ritel klasik, orang langsung ingat cerita tentang sistem rujukan yang telah lama menggunakan analisis data cek pelanggan. Misalnya, cerita terkenal tentang Target dan tentang bir dengan popok .
Kasus-kasus ini didasarkan pada pendekatan yang dikenal dalam lingkaran sempit, yang disebut Analisis Pasar Keranjang (MBA) atau analisis aturan asosiatif. Gagasan utama dari pendekatan ini adalah untuk membangun seperangkat aturan bentuk "ketika mereka membeli X, mereka biasanya membeli Y" dan menggunakannya dalam proses lebih lanjut (rekomendasi pribadi, perhitungan, dll.). Aturan memungkinkan Anda untuk mendefinisikan pelengkap barang yang saling melengkapi. Pendekatan ini cukup populer karena kemudahan implementasi dan interpretasi hasil yang baik. Masalah utama adalah bahwa tidak selalu jelas bagaimana menerapkan aturan dan bagaimana, terlepas dari komplemen, untuk mengidentifikasi pengganti pengganti . Mari kita coba sedikit meningkatkan pendekatan ini: kelompokkan produk sesuai dengan kebutuhan pelanggan dan pahami bagaimana pembeli membuat keputusan pembelian.
Kami menyulitkan MBA, kami mencari produk pengganti
Mari kita sedikit mempersulit pendekatan MBA dan mempertimbangkan informasi tambahan tentang kartu loyalitas yang dimiliki banyak pengecer Rusia (untuk online, Anda dapat menggunakan ID klien). Kami akan melakukan MBA bukan pada tingkat data pemeriksaan, tetapi pada tingkat kartu (yaitu alih-alih ID cek, kami akan menggunakan ID kartu / ID klien). Sebagai hasilnya, kami mendapatkan pasangan barang yang terkait satu sama lain di tingkat pelanggan, yaitu jika pelanggan membeli produk X, ia juga membeli produk Y dan kuncinya di sini adalah bahwa produk Y dapat dibeli selama perjalanan lain ke toko.
Mari kita pikirkan bagaimana Anda dapat mendefinisikan produk pengganti. Kami membuat asumsi logis bahwa seseorang tidak sering membeli barang pengganti dalam satu cek (Anda jarang membeli bubuk cuci 3 dan 5 kg secara bersamaan). Ini adalah asumsi yang paling penting dalam keseluruhan analisis, yang bekerja dengan baik untuk pengecer / barang rumah tangga dan dengan sedikit penyesuaian untuk jenis pengecer lainnya. Dari asumsi ini, kita dapat menyimpulkan bahwa jika sepasang barang sering dibeli oleh pelanggan, tetapi jarang ditemukan dalam satu cek, dapat dikatakan dengan keyakinan besar bahwa ini adalah barang pengganti. Pernyataan tersebut cukup kuat dan memerlukan analisis kualitatif awal tautan - perlu untuk menghapus tautan yang tidak signifikan secara statistik, menghapus " pisang ", dll. Untuk tautan lainnya, Anda dapat memasukkan metrik W , yang mencerminkan seberapa sering barang dibeli dalam satu kartu loyalitas daripada dalam satu cek.
Sebagai hasilnya, kami telah membentuk pasangan barang dalam bentuk “barang X dan Y jarang diambil dalam satu cek, tetapi sering diambil oleh orang yang sama” dengan beberapa ukuran komunikasi W. Semakin besar ukuran komunikasi ini, semakin banyak produk yang dapat dianggap sebagai pengganti.
Ada MBA, menjadi SNA
Langkah logis berikutnya adalah melihat bukan pada masing-masing pasangan barang, tetapi pada semua pasangan yang tersedia secara total. Yaitu setiap pasangan produk dapat direpresentasikan sebagai ujung grafik dengan bobot W. Jika Anda menggambarkan koneksi yang dihasilkan secara grafis, Anda mendapatkan sesuatu seperti ini:
"Komunitas" barang yang sangat terhubung satu sama lain terlihat jelas dari grafik. Mari kita terapkan algoritma pencarian jejaring sosial (SNA ) dan lihat hasilnya. Misalnya, algoritma Luvain digunakan . Hasilnya harus berupa kelompok produk pengganti. Mari kita lihat contoh hasilnya:
- DANONE ACTIVIA cherry 2,9% 150g
- DANONE ACTIVIA strawberry 2.4% 150g
- DANONE ACTIVIA blueberry 2,9% 150g
- DANONE ACTIVIA Muesli 2.4% 150g
- DANONE ACTIVIA dedak dan sereal 2,9% 150g
Hasilnya terlihat positif, produk-produk ini benar-benar mirip dengan produk pengganti dan menutupi kebutuhan akan yoghurt DANONE. Semua kelompok barang yang diterima sesuai dengan pemahaman intuitif produk pengganti. Ada, tentu saja, contoh-contoh yang kurang jelas bahwa pengecer terkait dengan berbagai kelompok, khususnya karena merek, tetapi dari sudut pandang pembeli, mereka masih mencakup satu kebutuhan:
- Krim Wajah mewah untuk kulit kering
- Krim Kuning untuk kulit kering dan normal
- Neva kosmetik wortel krim wajah untuk kulit kering dan sensitif
- Neva kosmetik mentimun krim wajah untuk kulit berminyak dan kombinasi
- Neva kosmetik olive face cream untuk kulit kering dan normal
- Neva kosmetik ginseng krim wajah di sekitar mata
Dan sekarang hirarki
Algoritma Luvain memungkinkan Anda untuk membangun hierarki komunitas. Dalam bentuk yang disederhanakan - mari bangun komunitas dengan ukuran berbeda, perluas mereka menjadi pohon ( pohon keputusan pelanggan, pohon keputusan pelanggan ) dan lihat contoh hasilnya:
Hore! Pohon yang dihasilkan ditafsirkan dengan sempurna dari sudut pandang logika bisnis dan intuisi - seseorang memutuskan bahwa dia ingin susu kental, kemudian dia memilih antara bank dan paket, kemudian dia memilih harga di mana dia siap untuk membeli barang. Sekarang kita mengerti dengan karakteristik apa seseorang menutup kebutuhan akan susu kental - jenis kemasan dan segmen harga. Dalam contoh khusus ini, tidak ada kasih sayang merek dan hal-hal lain yang sering orang sukai untuk dikaitkan dengan suatu produk.
Pohon itu indah, dan selanjutnya apa
Pohon yang dihasilkan memungkinkan Anda untuk menentukan kebutuhan pelanggan (tingkat pohon yang lebih rendah) dan karakteristik barang yang mempengaruhi pilihan (sesuai dengan hierarki pohon). Anda dapat menerapkan hasilnya di berbagai bidang ritel:
- idealnya, perlu bahwa setidaknya satu produk mencakup setiap kebutuhan. Yaitu setiap toko dalam rantai harus memiliki produk yang memenuhi kebutuhan pelanggan. Yaitu alih-alih 20 kaleng susu kental, lebih baik memiliki 10 kaleng besi dan 10 kantong.
- dalam kerangka satu kebutuhan, barang-barang paling dikanibalisasi satu sama lain. Yaitu Sekarang kami terbatas pada serangkaian produk, di mana kami dapat menghitung efek-silang untuk penetapan harga dan perkiraan permintaan.
- pohon ini membantu ketika meletakkan barang di rak (atau urutan barang di situs)
- dalam rekomendasi pribadi melengkapi MBA klasik untuk pembentukan penawaran cross-sale
Akibatnya, kami sedikit mempersulit analisis MBA klasik, kami mendapatkan hasil yang dapat segera digunakan dalam berbagai proses pengecer. Tugasnya menarik, Anda perlu berpikir secara logis, dan menganalisis data, dan mengelompokkan grafik.
Saya harap itu menarik! Mengoptimalkan proses, mengelompokkan grafik, mengoptimalkan penyimpanan data (karena Garbage In-Garbage Out) dan mendapatkan hasil yang keren.