Bagaimana Anda memilih produk di toko?

Unsur tunggal terpenting dalam formula kesuksesan adalah mengetahui cara bergaul dengan orang-orang. Theodore roosevelt

Pada artikel sebelumnya saya mencoba membahas dasar-dasar analisis penetapan harga. Sekarang saya ingin berbicara tentang sesuatu yang lebih menarik.

Pernahkah Anda memikirkan mengapa Anda memilih produk tertentu di toko, mengapa Anda lebih memilih produk yang serupa? Banyak perjalanan belanja spontan, jadi mungkin tidak mungkin memberikan jawaban yang jelas untuk semua waktu Anda berbelanja. Tapi ide umumnya jelas: Anda pergi berbelanja karena alasan tertentu (untuk mendapatkan makanan, gadget, untuk hiburan, bermain blackjack). Dalam artikel ini saya akan menggunakan data yang tersedia dari pengecer grosir untuk berbicara tentang bagaimana seperangkat asumsi logis dasar dan analisis komunitas dapat membantu kami menentukan cara pelanggan memilih produk.

Pendahuluan

Ketika datang ke cerita klasik tentang ritel, saya tidak bisa tidak memikirkan sistem rekomendasi yang telah menggunakan analisis tanda terima untuk waktu yang lama. Seperti kisah-kisah terkenal tentang kupon Target dan bir dan popok.



Kasus-kasus ini menggunakan Analisis Keranjang Pasar (MBA) yang kurang dikenal atau pendekatan analisis afinitas. Gagasan utamanya adalah untuk mengembangkan seperangkat aturan yang terlihat seperti "ketika mereka membeli X , mereka biasanya membeli Y " dan kemudian menggunakannya dalam operasi lebih lanjut (rekomendasi pribadi, visual merchandising, dll.) Ada aturan yang digunakan untuk menentukan komplemen, mis. barang yang saling melengkapi. Pendekatan ini cukup populer karena mudah diimplementasikan dan diinterpretasikan hasilnya. Masalahnya adalah tidak selalu jelas bagaimana menggunakan data dari temuan Anda dan bagaimana kami dapat mendefinisikan barang pengganti, selain pelengkap. Mari kita coba untuk meningkatkan pendekatan ini: kita dapat mengelompokkan produk berdasarkan kebutuhan pelanggan dan kemudian mencari tahu bagaimana konsumen membuat keputusan pembelian.

Membuat MBA lebih kompleks, menentukan barang pengganti

Mari kita buat pendekatan MBA sedikit lebih rumit dan pelajari informasi dari kartu loyalitas yang dikeluarkan oleh banyak pengecer (untuk toko online, Anda dapat menggunakan ID pelanggan). Kami dapat melakukan analisis MBA untuk kartu loyalitas alih-alih tanda terima (menggunakan ID kartu / ID pelanggan alih-alih nomor tanda terima). Ini akan memberi kita pasang produk yang terkait pada tingkat pelanggan, yaitu jika pelanggan membeli X , mereka juga membeli Y. Kuncinya di sini adalah bahwa mereka dapat membeli Y ketika mereka pergi ke toko pada waktu yang berbeda.

Mari kita pikirkan bagaimana kita dapat menentukan produk pengganti. Kita dapat membuat asumsi logis bahwa orang-orang tidak cenderung membeli barang-barang pengganti secara bersamaan (saya berasumsi Anda tidak sering membeli deterjen cucian 150 dan 300 floz secara bersamaan). Ini adalah asumsi paling penting dalam keseluruhan analisis dan ini bekerja sangat baik untuk pengecer kelontong / barang rumah tangga dan, dengan beberapa penyesuaian, untuk pengecer lain juga. Asumsi ini memungkinkan kita untuk menyimpulkan bahwa jika pelanggan sering membeli dua produk tertentu, tetapi kedua produk tersebut jarang dapat ditemukan dalam satu kwitansi, maka mereka mungkin merupakan pengganti. Ini adalah klaim yang cukup serius yang memerlukan analisis kualitatif pasangan sebelumnya - kita perlu menghilangkan pasangan yang tidak relevan secara statistik, menghapus "pisang", dll. Untuk koneksi yang tersisa, kami dapat memperkenalkan metrik W yang mencerminkan seberapa sering produk dibeli dalam satu kartu loyalitas daripada dalam satu kwitansi.

Pada akhirnya kita akan memiliki pasangan produk yang terlihat seperti "produk X dan Y jarang terjadi dalam satu kwitansi, tetapi sering dibeli oleh orang yang sama" dengan metrik koneksi W tertentu. Semakin tinggi metrik koneksi, semakin yakin kami bahwa produk ini adalah pengganti.

Dari MBA ke SNA

Langkah logis berikutnya adalah melihat semua pasangan barang secara keseluruhan. Kami dapat mewakili setiap pasangan sebagai tepi grafik dengan nilai W. Jika kita membuat representasi visual dari semua koneksi, itu akan terlihat seperti ini:



Di sini kita dapat dengan jelas melihat kelompok-kelompok produk yang memiliki koneksi kuat. Mari kita terapkan algoritma SNA (analisis jaringan sosial) dan lihat hasilnya. Saya telah menggunakan metode Louvain sebagai contoh. Kita harus berakhir dengan kelompok produk pengganti. Mari kita lihat hasil potensial:

• DANONE ACTIVIA cherry 2,9% 150 g
• DANONE ACTIVIA strawberry 2.4% 150 g
• DANONE ACTIVIA blueberry 2,9% 150 g
• DANONE ACTIVIA muesli 2.4% 150 g
• DANONE ACTIVIA serat dan sereal 2,9% 150 g

Hasilnya terlihat menjanjikan - produk ini memang terlihat seperti pengganti yang memenuhi kebutuhan pelanggan akan yogurt DANONE. Semua kelompok produk yang ditentukan dalam analisis ini sejalan dengan persepsi intuitif barang pengganti. Tentu saja ada beberapa contoh produk yang kurang jelas yang telah ditugaskan oleh pengecer ke kelompok-kelompok yang berbeda, sebagian karena merek, tetapi dari perspektif konsumen mereka masih memenuhi kebutuhan yang sama:

• Lux Face Moisturizer untuk kulit kering
• Yantar Face Moisturizer untuk kulit normal ke kering
• Nevskaya Kosmetika Carrot Face Moisturizer untuk kulit kering dan sensitif
• Nevskaya Kosmetika Cucumber Face Moisturizer untuk kulit berminyak dan kombinasi
• Nevskaya Kosmetika Olive Face Moisturizer untuk kulit kering dan normal
• Nevskaya Kosmetika Ginseng Eye Cream

Sekarang, untuk hierarki

Metode Louvain dapat digunakan untuk membuat hierarki grup produk. Secara sederhana, mari kita membangun kelompok produk dengan ukuran berbeda, mengubahnya menjadi pohon (pohon keputusan pelanggan) dan lihat hasilnya:



Ya! Pohon kami dapat dengan mudah ditafsirkan dari segi logika bisnis dan intuisi - konsumen tahu mereka menginginkan susu kental, kemudian mereka memilih antara kaleng dan doypack, memilih harga, dan mereka siap untuk membeli. Sekarang kita tahu kriteria apa yang digunakan orang untuk memenuhi kebutuhan mereka akan susu kental - jenis kemasan dan harganya. Dalam contoh khusus ini, pilihan tidak ditentukan oleh merek atau apa pun yang sering dikaitkan orang dengan produk.

Pohon yang bagus, selanjutnya apa

Pohon ini membantu kami menentukan kebutuhan pelanggan (tingkat pohon yang lebih rendah) dan karakteristik produk yang memengaruhi pilihan akhir (sesuai dengan hierarki pohon). Hasilnya dapat diterapkan ke berbagai bidang ritel:

• idealnya, setidaknya satu produk harus memenuhi setiap kebutuhan. Jadi, setiap toko dalam rantai harus memiliki barang yang memenuhi kebutuhan pelanggan. Daripada memiliki 20 kaleng susu kental, lebih baik memiliki 10 kaleng dan 10 bungkus kue.
• dalam satu kebutuhan pelanggan, produk memiliki tingkat kanibalisasi tertinggi. Sekarang kami terbatas pada satu set produk yang kami dapat hitung efek silang untuk perkiraan harga dan permintaan.
• pohon ini membantu dengan penjualan visual (atau penempatan produk secara online)
• untuk rekomendasi pribadi, ini merupakan tambahan untuk MBA klasik dan membantu membentuk penawaran cross-sale

Singkatnya: kami telah membuat MBA klasik sedikit lebih kompleks, dan mencapai hasil yang dapat digunakan dalam berbagai operasi ritel. Sudah tugas yang cukup menarik - saya harus menerapkan pemikiran logis, menganalisis data dan grafik cluster.

Saya harap Anda menikmatinya! Mengoptimalkan proses, mengelompokkan grafik, mengoptimalkan penyimpanan data (karena Garbage In, Garbage Out) dan mendapatkan hasil yang luar biasa.