Теги

Data Mining в розничной торговле

 

Сегодня уже никого не удивишь средствами интеллектуального анализа данных (Data Mining), хотя для очень многих это остается за рамками восприятия. И всё-таки…

Для предприятий среднего и малого бизнеса еще каких-нибудь 3-5 лет назад это было недоступным, чем-то неведомым и непонятным. Но со временем все меняется. Сейчас руководству компаний есть серьезный повод задуматься, как можно эффективно использовать доступные по бюджету технологии обработки информации OLAP и Data Mining и обеспечить их качественное внедрение.

Наиболее широкое использование технология Data Mining получила в розничной торговле. Широко известен пример, когда специалисты одного из супермаркетов крупнейшей международной сети Wal-Mart выявили, что по пятницам вечером пиво часто продается вместе с детскими подгузниками. Менеджеры Wal-Mart умело этим воспользовались: поставив на полки рядом с подгузниками одни из самых дорогих марок пива, удалось добиться «геометрического роста» его продаж. Пример определения таких неочевидных связей – это и есть основная задача этой технологии, она позволяет лучше понимать потребности покупателя и его поведение, что, несомненно, нужно использовать для достижения финансовых целей.

Известно, что УДЕРЖАНИЕ СУЩЕСТВУЮЩЕГО КЛИЕНТА ОБХОДИТСЯ ГОРАЗДО ДЕШЕВЛЕ ДЛЯ КОМПАНИИ, ЧЕМ ПРИВЛЕЧЕНИЕ НОВОГО. Методы Data Mining позволят выделить именно тех потенциальных клиентов, на которых нужно сосредоточить свои усилия, чтобы сделать их активными клиентами, т.е. чтобы перевести их в другое состояние. Это значительно сэкономит усилия, ресурсы, и, как следствие, повысит прибыльность бизнеса. Представляют также большой интерес те клиенты, которые вероятно откажутся от услуг компании. ВОЗВРАТ УШЕДШЕГО КЛИЕНТА ОЦЕНИВАЮТСЯ ЭКСПЕРТАМИ В СОТНИ РАЗ ПРЕВЫШАЮЩИМИ СТОИМОСТЬ ПО УДЕРЖАНИЮ. Поэтому предотвратить уход хорошего клиента - одна из важнейших задач любого успешного бизнеса. Data Mining позволяет своевременно определить собирающихся уходить прибыльных клиентов. Это даст возможность провести эффективную кампанию, нацеленную на удержание таких клиентов.

Важным аспектом в работе отделов маркетинга и продаж является составление целостного представления о клиентах, информация об их особенностях, характеристиках, структуре клиентской базы. Как же можно провести сегментацию клиентской базы? Вероятно, основным является старое правило Парето «80/20»: примерно 80% доходов приносят 20% клиентов, поэтому максимальное внимание стоит уделить этим 20%. Увы, как много компаний не выполняет даже эту базовую сегментацию, чтобы выделить наиболее прибыльных клиентов. Методы выявления потребностей покупателей можно условно разделить на два вида: «количественные» – методы на основе анализа данных о совершаемых покупках (например, чеков) и «качественные» – на основе анализа результатов специально проводимых для этого маркетинговых исследований. В обоих случаях большинство российских компаний, даже с самыми сильными аналитическими отделами, для анализа обычно пользуются лишь стандартными статистическими методами. Если Ваша компания относится к их числу, то знайте: поступая так, Вы теряете множество нужной и полезной информации о Ваших покупателях, которую Ваши методы обнаружить не могут – просто потому, что они для этого не предназначены. Статистические методы преимущественно ориентированы лишь на обобщение информации, а не на ее глубокий анализ, который необходим для внимательного и всестороннего изучения Ваших клиентов. Согласитесь, вряд ли кто-то из специалистов, используя стандартные средства отчетности, сможет решать подобного рода задачи. Наличие в компании человека или лиц, выполняющих роль бизнес-аналитиков, обязательно подтолкнут руководство использовать средства Data Mining- это лишь вопрос времени.

Data Mining –  это кладезь для продаж, маркетинга и мерчандайзинга.

 

Основные задачи, решаемые интеллектуальным анализом для предприятий розничной торговли:

1.      Прогнозирование с использованием временных рядов. Используется при планировании и позволяет, например, построить модель прогноза продаж на основе анализа тенденций прошедших периодов.

2.      Анализ покупательской корзины. Позволяет решать задачи по раскладке товаров и ответить на вопросы «Какие товары покупают вместе?», «Если купили товар A и товар B, то с вероятностью 89% купят товар C».

3.      Анализ продаж товаров и формирование ассортимента. Построение подробных профилей различных категорий продаваемых товаров (например, продуктов с высокими объемами продаж или различных товарных групп) позволяет выяснять закономерности, характерные для продуктов-лидеров или продуктов-аутсайдеров, понять, кто покупает определенные продукты, то есть, например, отвечать на вопросы вроде «Кто покупает дорогие вина? Что является наиболее важным для таких покупателей?» или «Какая покупательская аудитория характерна для продукта, который мы недавно вывели на рынок?» и так далее. Это позволяет, в частности, более четко понимать целевую аудиторию различных продуктов и, следовательно, более грамотно их позиционировать и продвигать.

4.      Формирование и анализ профиля Вашего клиента и поставщика. Позволяет оптимизировать затраты на маркетинг и эффективно  работать с поставщиками. Структурирует клиентскую базу и даёт полное представление всей необходимой информации о клиентах: выполняет сегментирование, обеспечивает анализ прибыльности и лояльности, позволяет оценивать текущее состояние клиента и прогнозировать его перемещение различные состояния жизненного цикла: «возможные клиенты», «респонденты», «активные клиенты», «бывшие клиенты». И как следствие, управлять привлечением клиента, увеличением ценности клиента, удержанием хорошего клиента.

Под профилем клиента/поставщика понимаются некие общие характеристики, присущие определенной группе, например, при помощи технологии Data Mining можно построить профиль высокодоходных клиентов, то есть узнать, их общие характеристики и черты потребительского поведения. Затем эти знания можно использовать для проведения кампаний, ориентированных на высокодоходных клиентов, например, предложить систему скидок на услуги/товары, дополняющие те, что они покупают, или предложить им другие, сопутствующие товары. Особую ценность представляет анализ совокупности характеристик профиля, что в результате может дать те знания, которые из каждой отдельной характеристики получить невозможно.

 

Ниже рассмотрим примеры (на предприятии питания)

Анализ покупательской корзины с использованием алгоритма интеллектуального анализа Data Mining «Поиск ассоциативных правил»

Использование алгоритма «Поиск ассоциативных правил» в данном примере выполняет поиск неявных взаимосвязей между категориями товаров в чеках, и на основании поиска позволяет обеспечить кросс-продажи, т.е. стимулировать продажи одних товаров за счет их связи с другими. Данные рекомендации наглядно показаны на Рис.1

Рис. 1 «Сеть зависимостей»

В данном примере показана однонаправленная связь виски с безалкогольными напитками, т.е. при продаже виски будут продаваться безалкогольные напитки с вероятностью 83,8% (Рис.2). Эти две позиции присутствовали в чеках 835 раз (Рис.3). Система так же позволяет получить подробную информацию по выбранному правилу, используя операцию детализации.

Рис. 2 «Ассоциативные правила» 

Рис. 3 «Наборы элементов»

 

Прогнозирование спроса с использованием алгоритма интеллектуального анализа Data Mining «Временные ряды»

Рис. 4 «Прогноз»

 

Алгоритм временных рядов позволяет построить краткосрочные и долгосрочные прогнозы на основании анализа тенденций прошедших периодов. Прогнозирование – одна из самых популярных задач в торговле (Рис. 4). При наличии прогноза продаж на следующие недели/месяцы можно организовать закупку такого количества продукции, которая будет продана до момента следующей закупки. Несмотря на простоту формулировки, задача достаточно сложная, т.к. необходимо учитывать множество разнородных факторов, динамику развития, возможные отклонения.

 

Сегментация клиентов с использованием алгоритма интеллектуального анализа Data Mining «Кластеризация»

Одной из наиболее важных задач при применении кластерного анализа является анализ поведения потребителя, цель которого разбить клиентов на группы-кластеры и в дальнейшем исследовать их. Кластеры – это совокупности характеристик клиента, которые нельзя получить даже с помощью средств аналитической отчетности, - вот почему они несут особую ценность для маркетолога компании. Источником данных для этого обычно служат результаты опросов и анкетная информация дисконтной системы.

На диаграмме кластеров  (Рис.5) наглядно отражена степень взаимосвязи между кластерами клиентов. Для информативности названия кластеров могут тут же в интерфейсе  изменены, например «Студенты и школьники, до 400 р.» и т.д. Профили кластера (Рис.6) содержат информацию о характеристиках и степени их заполнения в каждом кластере. Сравнение кластеров (Рис.7)  определяет наиболее важные отличия между кластерами и отображает состояния характеристик, связанных с этими отличиями, в порядке важности. Полоса справа от характеристики показывает, какой кластер предпочтительнее, а размер полосы показывает степень предпочтения кластера.

 

Рис. 5 «Диаграмма кластеров»

 

Рис. 6 «Профили кластера»

  

Рис. 7 «Сравнение кластеров»

Вернуться к списку