Como você escolhe produtos nas lojas?

O ingrediente único mais importante na fórmula do sucesso é saber como se dar bem com as pessoas. Theodore roosevelt

No artigo anterior, tentei abordar o básico da análise de preços. Agora eu gostaria de falar sobre algo mais interessante.

Você já pensou em por que escolhe certos produtos nas lojas, por que prefere-os a outros similares? Muitas viagens de compras são espontâneas, por isso é provavelmente impossível dar uma resposta clara para todas as vezes que você vai às compras. Mas a idéia geral é óbvia: você vai às compras por um motivo específico (para conseguir comida, um gadget, entretenimento, jogar blackjack). Neste artigo, usarei os dados disponíveis dos varejistas de supermercados para falar sobre como um conjunto de suposições lógicas básicas e análises da comunidade podem nos ajudar a determinar a maneira como os clientes escolhem os produtos.

1. Introdução

Quando se trata de histórias clássicas sobre varejo, não consigo deixar de pensar em sistemas de recomendação que usam a análise de recibos há muito tempo. Como as histórias famosas sobre cupons Target, cerveja e fraldas.



Esses casos usam o pouco conhecido Market Basket Analysis (MBA) ou abordagem de análise de afinidade. A idéia principal é desenvolver um conjunto de regras que se parecem com "quando eles compram X , geralmente compram Y " e depois o usam em outras operações (recomendações pessoais, visual merchandising etc.). Regras são usadas para determinar complementos, ou seja, bens que se complementam. Essa abordagem é bastante popular, pois é fácil de implementar e interpretar os resultados. O problema é que nem sempre é claro como usar os dados de suas descobertas e como podemos definir bens substitutos, além de complementos. Vamos tentar melhorar essa abordagem: podemos agrupar produtos com base nas necessidades do cliente e depois descobrir como os consumidores tomam decisões de compra.

Tornando o MBA mais complexo, determinando produtos substitutos

Vamos tornar a abordagem do MBA um pouco mais complexa e estudar as informações dos cartões de fidelidade emitidos por muitos varejistas (para lojas on-line, você pode usar IDs de clientes). Podemos realizar uma análise de MBA para os cartões de fidelidade em vez dos recibos (usando o ID do cartão / ID do cliente em vez do número do recibo). Isso nos dará pares de produtos relacionados ao nível do cliente, ou seja, se um cliente compra X , ele também compra Y. A chave aqui é que eles podem comprar Y quando vão à loja em um horário diferente.

Vamos pensar em como podemos determinar produtos substitutos. Podemos fazer uma suposição lógica de que as pessoas não tendem a comprar produtos substitutos juntos (presumo que você não compre detergente para roupas de 150 a 300 fl oz ao mesmo tempo com muita frequência). Essa é a suposição mais importante em toda a análise e funciona muito bem para varejistas de produtos de mercearia / utensílios domésticos e, com alguns ajustes, também para outros varejistas. Essa suposição nos permite concluir que, se os clientes costumam comprar dois produtos específicos, mas esses dois produtos raramente podem ser encontrados em um recibo, provavelmente são substitutos. Essa é uma afirmação bastante séria que requer uma análise qualitativa prévia dos pares - precisamos eliminar pares estatisticamente irrelevantes, remover as "bananas" etc. Nas demais conexões, podemos introduzir uma métrica W que reflete com que frequência os produtos são comprados em um cartão de fidelidade e em um recibo.

No final, teremos pares de produtos parecidos com "os produtos X e Y raramente ocorrem em um recibo, mas geralmente são comprados pelas mesmas pessoas" com uma determinada métrica de conexão W. Quanto maior a métrica de conexão, mais confiantes podemos estar de que esses produtos sejam substitutos.

Do MBA ao SNA

O próximo passo lógico é examinar todos os pares de mercadorias como um todo. Podemos representar cada par como uma aresta de um gráfico com o valor W. Se criarmos uma representação visual de todas as conexões, será algo parecido com isto:



Aqui podemos ver claramente os grupos de produtos que possuem fortes conexões. Vamos aplicar os algoritmos SNA (análise de redes sociais) e dar uma olhada nos resultados. Eu usei o método Louvain como exemplo. Devemos acabar com grupos de produtos substitutos. Vejamos o resultado potencial:

• DANONE ACTIVIA cereja 2,9% 150 g
• DANONE ACTIVIA morango 2,4% 150 g
• DANONE ACTIVIA blueberry 2,9% 150 g
• muesli DANONE ACTIVIA 2,4% 150 g
• Fibra e cereal DANONE ACTIVIA 2,9% 150 g

Os resultados parecem promissores - esses produtos realmente parecem substitutos que cobrem a necessidade do cliente de iogurtes DANONE. Todos os grupos de produtos determinados na análise estão alinhados com a percepção intuitiva de produtos substitutos. Obviamente, existem alguns exemplos menos óbvios de produtos que o varejista atribuiu a diferentes grupos, em parte por causa da marca, mas da perspectiva do consumidor eles ainda cobrem a mesma necessidade:

• Hidratante Facial Lux para pele seca
• Hidratante Facial Yantar para pele normal a seca
• Nevskaya Kosmetika Carrot Face Moisturizer para pele seca e sensível
• Nevskaya Kosmetika Pepino Hidratante Facial para pele oleosa e mista
• Nevskaya Kosmetika Olive Face Moisturizer para pele seca e normal
• Creme para os olhos Nevskaya Kosmetika Ginseng

Agora, para a hierarquia

O método Louvain pode ser usado para criar hierarquias de grupos de produtos. Em termos simples, vamos criar grupos de produtos de tamanhos diferentes, transformá-los em uma árvore (árvore de decisão do cliente) e analisar os resultados:



Sim Nossa árvore pode ser facilmente interpretada em termos de lógica de negócios e intuição - os consumidores sabem que desejam leite condensado, depois escolhem entre uma lata e uma doypack, escolhem o preço e estão prontos para comprar. Agora sabemos quais critérios as pessoas usam para satisfazer sua necessidade de leite condensado - o tipo de embalagem e o preço. Neste exemplo em particular, a escolha não foi determinada pela marca ou qualquer outra coisa que as pessoas possam atribuir aos produtos.

Bela árvore, o que vem a seguir

Essa árvore nos ajuda a determinar as necessidades do cliente (níveis mais baixos da árvore) e as características do produto que afetam a escolha final (de acordo com a hierarquia da árvore). Os resultados podem ser aplicados a diferentes áreas do varejo:

• idealmente, pelo menos um produto deve atender a cada necessidade. Portanto, todas as lojas da cadeia devem ter mercadorias que atendam às necessidades dos clientes. Em vez de ter 20 latas de leite condensado, é melhor ter 10 latas e 10 doypacks.
• dentro de uma necessidade do cliente, os produtos têm a maior taxa de canibalização. Agora, estamos limitados a um conjunto de produtos para os quais podemos calcular efeitos cruzados para preços e previsão de demanda.
• essa árvore ajuda no visual merchandising (ou na colocação de produtos on-line)
• para recomendações pessoais, é uma adição ao MBA clássico e ajuda a formar ofertas de venda cruzada

Em resumo: tornamos o MBA clássico um pouco mais complexo e alcançamos resultados que podem ser usados ​​em diferentes operações de varejo. Tem sido uma tarefa bastante interessante - tive que aplicar o pensamento lógico, analisar dados e gráficos de cluster.

Espero que tenham gostado! Otimize processos, agrupe gráficos, otimize o armazenamento de dados (como Garbage In, Garbage Out) e obtenha resultados surpreendentes.