Met correlatieanalyse kan worden geanalyseerd welke producten of productcombinaties vaak samen worden gekocht. Als je een combinatie van deze producten vindt die vaak samen worden gekocht, kun je veel waardevolle dingen doen. Deze waarden kunnen worden belichaamd in ten minste de volgende drie aspecten:
1. Begeleiden van de rangschikking en plaatsing van producten in offline winkels
Goederen die vaak samen worden gekocht, kunnen dicht bij de ruimte in de offline winkel worden geplaatst, wat handig is voor klanten om te kiezen en de tijd voor klanten om te vinden verkort. Dit verbetert de gebruikerservaring en verhoogt immaterieel het verkoopvolume van de goederen. Haal meer omzet uit verkoop.
Als het een online winkel is zoals Taobao en JD.com, kan een van de vaak gekochte producten worden gebruikt als een gerelateerde aanbeveling voor een ander product, wat de kans vergroot dat een combinatie van gerelateerde producten samen wordt weergegeven en de conversie van gebruikersaankopen bevordert ( onderstaande afbeelding staat in de Hema APP Browse Baxi, de bijpassende aanbevelingen hieronder). Dit deel lichten we toe in het derde toepassingsscenario.
2. Optimaliseer offline inkoop, toeleveringsketen en voorraad
Goederen die vaak samen worden ingekocht, kunnen worden samengesteld voor algemene planning van inkoop, verpakking, transport en voorraad, zoals het selecteren van leveranciers in dezelfde regio en het opslaan ervan op vergelijkbare plaatsen in het magazijn. Voor de introductie van deze sectie kunnen lezers zoeken naar gerelateerd materiaal.
3. Gegevensondersteuning bieden voor evenementmarketing
Goederen die vaak samen worden gekocht, kunnen ook worden gebruikt voor marketingactiviteiten (zelfs de merkkant van gerelateerde goederen kunnen ook gezamenlijk aan marketing doen), zoals kortingen bij samen kopen, en het kopen van een van de dure om de andere goedkopere te krijgen die worden vaak samen gekocht, enz. Wacht.
Bovenstaande zijn slechts enkele businesscases die iedereen gemakkelijk kan bedenken in de winkelmandcorrelatieanalyse. Er moeten meer toepassingsscenario's worden uitgeprobeerd en onderzocht in combinatie met de feitelijke situatie van de onderneming. Het belangrijkste bij winkelmandanalyse is eigenlijk het digitaliseren van het koopgedrag van de gebruiker. Met data als basis en middelen, rest er niets anders dan data-analyse, datamining, machine learning en andere algoritmen te gebruiken om de data te verkennen en de potentiële commerciële waarde te benutten. Met gegevens over het winkelgedrag van gebruikers, ongeacht de commerciële waarde die wordt verkregen door correlatieanalyse, kunnen tal van andere commerciële waarden worden opgegraven. Hieronder zal ik ook een aantal eenvoudige sorteringen doen van andere waarden van winkelgegevens van gebruikers, om u enkele denkideeën en een breder perspectief te bieden.
Zolang de winkelgegevens van klanten voor een bepaalde periode worden verzameld en de gegevens worden gedigitaliseerd (ingevoerd in het informatiesysteem van de supermarkt), kan eenvoudige statistische analyse worden gebruikt (als de gegevens worden opgeslagen in een relationele database zoals SQL, er is slechts één SQL-instructie vereist). Tel uit welke artikelen vaak door klanten worden gekocht.
Wat is het nut van het kennen van de meest gekochte producten (dwz best verkochte of dagelijks verkochte producten)? Ik geloof dat je het nut gemakkelijk kunt bedenken. Allereerst is het zeker handig voor winkelcentra om te kopen en te bestellen. De bron van de meest gekochte goederen en de toeleveringsketen moeten goed worden beschermd, en de winkelcentra moeten erop letten dat er voldoende aanbod is. Daarnaast kan ook de plaatsing van hot-ingekochte goederen worden geoptimaliseerd. Veel winkels plaatsen populaire artikelen op de meest opvallende en meest toegankelijke plaatsen voor klanten. Veel supermarkten zetten daarom kauwgom en condooms bij de kassa.
De aankoop van veel grondstoffen kan onderhevig zijn aan tijds- en seizoensschommelingen. Verse melk wordt bijvoorbeeld meestal 's ochtends gekocht, terwijl muggenspiralen in de zomer worden gekocht. Door de analyse van het tijdstip van aankoop kunnen we ruwweg de fluctuatiewet van bepaalde goederen in tijd en seizoen kennen en de wet van de bovenstaande aankooptijdcyclus analyseren. Bedrijven beter helpen bij het kopen, reserveren en op de markt brengen van goederen.
Indien gecombineerd met informatie over gebruikersportretten (er zijn veel manieren om informatie over gebruikersportretten te verkrijgen, sommige bedrijven kunnen bijvoorbeeld een lidmaatschapssysteem hebben en gebruikers kunnen zich registreren voor een online APP, zodat gebruikersgerelateerde informatie kan worden verkregen. er zijn camera's en andere apparatuur in het winkelcentrum, het is ook mogelijk Als u een algemeen portret van de gebruiker krijgt, deze vallen buiten het bestek van dit artikel en zullen niet worden herhaald), kunt u de aankoopkenmerken van verschillende groepen analyseren (zoals zoals de aankoopverschillen van verschillende geslachten, verschillende leeftijdsgroepen, verschillende inkomens, enz.), en doe gepersonaliseerde marketing.
Veel retailbedrijven zijn ketenbedrijven (of zelfs multinationals). Ze kunnen verkoopgegevens van verschillende winkels verzamelen, geografisch gerelateerde gegevens in verschillende regio's analyseren, het koopgedrag van gebruikers in verschillende regio's onderzoeken en aangepaste strategieën maken voor verschillende regio's. . Gebruikers in verschillende regio's kunnen bijvoorbeeld verschillende hot-selling-producten hebben, gebruikers in verschillende regio's kopen vaak verschillende producten samen en seizoensgebonden veranderingen in de aankoopperiode van gebruikers in verschillende regio's kunnen ook verschillen. Deze meer verfijnde analyse is bevorderlijk voor het aannemen van lokale strategieën voor verschillende regio's (zelfs verschillende winkels).
Veel retailbedrijven hebben zowel een bekabelde online APP als offline fysieke winkels (zoals Hema heeft Hema APP en Hema offline winkels), dus het koppelen van online en offline is erg waardevol. Online winkels hebben ook zogenaamde winkelmandjes (de producten die door de gebruiker in de app worden gekocht, kunnen ook worden beschouwd als een winkelmandje), die ook de methoden en strategieën van winkelmandanalyse kunnen gebruiken.
Als een retailbedrijf alleen online begint en vervolgens offline begint, kan online data-analyse offline zakendoen versterken. Zo kunt u op basis van online gebruikersaankoopgedraggegevensanalyse ook de bovengenoemde verschillende informatie (zoals populaire producten, producten die vaak samen worden gekocht, enz.) opgraven en deze informatie kan direct worden gebruikt voor de selectie en rangschikking van offline winkels. vice versa.
Online gegevens kunnen ook worden gebruikt voor locatieselectie van offline winkels. Het is bijvoorbeeld mogelijk om de aankoopsituatie van online gebruikers te analyseren en de distributie van gebruikers in verschillende regio's te verkrijgen, wat handig is om de nummerbeslissing en locatieselectie van winkels te begeleiden om winkels in verschillende regio's te openen.
Kortom, in de context van de huidige internetdividenden die uitgeput raken, zijn online en offline integratie en koppeling de richting en kans. Online en offline integratie en wederzijdse empowerment zijn de toekomstige trends van de detailhandel. Wie deze trend kan vatten, krijgt het ticket naar de volgende gouden ontwikkelingsfase van de detailhandel (zelfs elke branche).3
