A fórmula mais importante para o sucesso é saber como lidar com as pessoas. Theodore Roosevelt
Em um artigo anterior, tentei falar sobre o básico da análise de preços. Agora vamos falar de coisas mais interessantes.
Você já pensou em por que compra certos produtos nas lojas, como escolhe entre muitos análogos? Provavelmente, uma resposta clara para todas as viagens possíveis para a loja não funcionará, muitas delas são espontâneas. Mas a idéia geral é óbvia - quando você vai à loja, tenta fechar a sua necessidade existente (de comida, acessórios, entretenimento, blackjack). Neste artigo, usando varejistas de alimentos como exemplo, falarei sobre minha experiência de como, usando algumas suposições lógicas básicas e análises de comunidades em gráficos, você pode determinar como os clientes escolhem o produto.
1. Introdução
Nas histórias clássicas do varejo, recorda-se imediatamente histórias de sistemas de referência que há muito usam a análise dos dados de verificação do cliente. Por exemplo, as histórias famosas sobre Target e sobre cerveja com fraldas .
Esses casos são baseados na abordagem conhecida em círculos estreitos, denominada MBA (Market Basket Analysis) ou na análise de regras associativas. A idéia principal da abordagem é criar um conjunto de regras da forma "quando eles compram X, geralmente compram Y" e usá-las em outros processos (recomendações pessoais, cálculo, etc.). As regras permitem definir complementos de mercadorias que se complementam. Essa abordagem é bastante popular devido à facilidade de implementação e boa interpretabilidade dos resultados. Os principais problemas são que nem sempre é claro como aplicar as regras e como, além de complementos, determinar substitutos substitutos . Vamos tentar melhorar um pouco essa abordagem: agrupe os produtos de acordo com as necessidades dos clientes e entenda como o comprador toma uma decisão de compra.
Nós complicamos o MBA, estamos procurando produtos substitutos
Vamos complicar um pouco a abordagem do MBA e considerar informações adicionais sobre os cartões de fidelidade que muitos varejistas russos possuem (para online, você pode usar o ID do cliente). Realizaremos um MBA não no nível dos dados de verificação, mas no nível de cartões (ou seja, em vez de um ID de cheque, usaremos um ID de cartão / ID de cliente). Como resultado, obtemos pares de mercadorias relacionados entre si no nível do cliente, ou seja, se o cliente comprou o produto X, ele também comprou o produto Y e a chave aqui é que o produto Y pode ser comprado durante outra viagem à loja.
Vamos pensar em como você pode definir produtos substitutos. Assumimos uma lógica de que uma pessoa nem sempre compra mercadorias substitutas em um cheque (você raramente compra 3 e 5 kg de sabão em pó ao mesmo tempo). Essa é a suposição mais importante em toda a análise, que funciona bem para varejo de alimentos / utensílios domésticos e com pequenos ajustes para outros tipos de varejistas. Partindo dessa premissa, podemos concluir que, se um par de mercadorias é frequentemente comprado pelos clientes, mas raramente é encontrado em um cheque, pode-se dizer com grande confiança que esses são substitutos. A afirmação é bastante forte e requer uma análise qualitativa preliminar dos links - é necessário remover links estatisticamente insignificantes, remover as “ bananas ” etc. Para os links restantes, você pode inserir a métrica W , que reflete a frequência com que as mercadorias são compradas em um cartão de fidelidade e em um cheque.
Como resultado, formamos pares de mercadorias da forma "as mercadorias X e Y raramente são recebidas em um cheque, mas geralmente são realizadas pelas mesmas pessoas" com alguma medida de comunicação W. Quanto maior essa medida de comunicação, mais produtos podem ser considerados substitutos.
Houve um MBA, tornou-se um SNA
O próximo passo lógico é não observar pares individuais de mercadorias, mas todos os pares disponíveis no total. I.e. cada par de produtos pode ser representado como uma aresta de um gráfico com um peso W. Se você descreve as conexões resultantes graficamente, obtém algo como isto:
As “comunidades” de mercadorias fortemente conectadas são claramente visíveis no gráfico. Vamos aplicar os algoritmos de pesquisa de análise de redes sociais (SNA ) e ver o resultado. Por exemplo, o algoritmo de Luvain é usado . O resultado deve ser um grupo de produtos substitutos. Vejamos um exemplo do resultado:
- DANONE ACTIVIA cereja 2,9% 150g
- DANONE ACTIVIA morango 2.4% 150g
- DANONE ACTIVIA blueberry 2,9% 150g
- DANONE ACTIVIA Muesli 2,4% 150g
- DANONE ACTIVIA farelo e cereais 2,9% 150g
O resultado parece positivo, esses produtos são realmente semelhantes aos produtos substitutos e cobrem a necessidade de iogurtes DANONE. Todos os grupos de mercadorias recebidos estão de acordo com o entendimento intuitivo dos produtos substitutos. Obviamente, existem exemplos menos óbvios de que o varejista relacionou-se com diferentes grupos, principalmente por causa da marca, mas do ponto de vista do comprador, eles ainda cobrem uma necessidade:
- Creme Face de luxo para pele seca
- Creme âmbar para pele seca e normal
- Neva cosmetics cenoura creme para o rosto para pele seca e sensível
- Neva cosmetics pepino creme facial para pele oleosa e mista
- Neva cosmetics creme facial de oliva para peles secas e normais
- Neva cosmetics ginseng creme para o rosto em volta dos olhos
E agora a hierarquia
O algoritmo Luvain permite construir uma hierarquia de comunidades. De uma forma simplificada - vamos construir comunidades de tamanhos diferentes, expandi-las para uma árvore ( árvore de decisão do cliente, árvore de decisão do cliente ) e ver um exemplo do resultado:
Viva! A árvore resultante é perfeitamente interpretada do ponto de vista da lógica e da intuição dos negócios - uma pessoa decidiu que quer leite condensado, depois escolheu entre o banco e o pacote, depois escolheu o preço pelo qual estava pronto para comprar as mercadorias. Agora entendemos por quais características uma pessoa encerra a necessidade de leite condensado - tipo de embalagem e segmento de preço. Neste exemplo em particular, não há afeto à marca e outras coisas que as pessoas geralmente gostam de atribuir a um produto.
A árvore é linda e o que vem a seguir
A árvore resultante permite determinar as necessidades dos clientes (níveis mais baixos da árvore) e as características dos produtos que influenciam a escolha (de acordo com a hierarquia da árvore). Você pode aplicar o resultado em várias áreas do varejo:
- idealmente, é necessário que pelo menos um produto cubra cada necessidade. I.e. cada loja da cadeia deve ter produtos que atendam às necessidades dos clientes. I.e. em vez de 20 latas de ferro com leite condensado, é melhor ter 10 latas de ferro e 10 sacos.
- no âmbito de uma necessidade, os bens mais canibalizam-se. I.e. Agora, estamos limitados a um conjunto de produtos, dentro dos quais podemos calcular efeitos cruzados para preços e demanda de previsão.
- essa árvore ajuda ao colocar mercadorias em uma prateleira (ou a ordem das mercadorias no local)
- em recomendações pessoais complementa o MBA clássico para a formação de ofertas de venda cruzada
Como resultado, complicamos um pouco a análise clássica do MBA, obtivemos resultados que podem ser usados imediatamente em vários processos do varejista. A tarefa é interessante, você precisa pensar logicamente e analisar dados e gráficos de cluster.
Espero que tenha sido interessante! Otimize processos, agrupe gráficos, otimize o armazenamento de dados (como Garbage In - Garbage Out) e obtenha resultados interessantes.