ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ 18.11.2012 Radim Tvardek, Petr Bulava, Daniel Mašek U&SLUNO a.s. I Sadová 28 I 702 00 Ostrava I Czech Republic
PŘEDPOKLADY PRO ANALÝZU NÁKUPNÍHO KOŠÍKU 18.11.2012 Daniel Mašek U&SLUNO a.s. I Sadová 28 I 702 00 Ostrava I Czech Republic
OBSAH A CÍLE PREZENTACE Stanovení cílů Datové zdroje Segmentace zákazníků Segmentace prodejen Věrnostní systém 3
METODOLOGIE Dataminingová úloha 4
STANDARDY Best practises Využití standardní data miningové metodologie 5
SPECIFIKA ANALÝZY NÁKUPNÍHO KOŠÍKU Nesupervizovaná úloha Popisná analýza V datech není pevný cíl Hledání anomálií Supervizovaná úloha Predikční model Hledání odpovědi na jasné zadání Definice vstupních a výstupních proměnných Interpretace modelu Snadná interpretace vs. praktický přínos Výběr pravidel 6
OBCHODNÍ CÍLE Up-sell, cross-sell Segmentace zákazníků a prodejen Optimální složení plošné promoční nabídky Optimalizace produktů, marže Cílená promoční nabídka Výběr zákazníků a produktů Složení balíčků (produkty, služby) Omezení přechodů zákazníků ke konkurenci Přizpůsobení layoutu prodejny nákupním zvyklostem 7
CÍLE ANALÝZY NÁKUPNÍHO KOŠÍKU Identifikace složení nákupních košíků dle typů zákazníka Identifikace nejprofitabilnějších a nejztrátovějších košíků Predikce chybějícího zboží v košíku Vizualizace nákupního košíku Optimalizace hrubého zisku marketingové kampaně Odhad pravděpodobnosti nákupu určitého zboží 8
RIZIKA Dostupnost dat Data v transakčním formátu Neúplnost dat Počet vazeb (asociací) Roste exponenciálně s počtem produktů Kategorizace sortimentu Omezení rozsahu pro analýzu Složitá praktická interpretovatelnost 9
DATOVÉ ZDROJE Transakční databáze POS data na úrovni řádek účtenky Identifikace prodejů věrnostního systému Datové sklady Určitá ztráta detailu Ostatní datové zdroje Exporty z databází Excel Volná data Záznamy z call center, hodnocení atd. Neelektronická data Kniha přání a stížností Externí zdroje Data z marketingových agentur Registry (obchodní, dlužníků atd.) 10
POROZUMĚNÍ DATŮM Datový audit Obsahují data všechny potřebné informace? Jsou data opravdu tím, čím mají být? Jednoduchá analýza dat pro kontrolu (prázdné údaje, povolený rozsah, chybná struktura atd.) Jednorázová příprava dat Aktualizace Chybovost Závislost na IT oddělení nebo dodavateli Definice cílové jednotky Košík, zákazník 11
PŘÍPRAVA DAT Čištění dat Kategorizace sortimentu Sloučení produktů do skupin Podle charakteru úlohy Restrukturalizace dat Sloučení dat ze struktury databáze do jedné tabulky = denormalizace Agregace (snížení objemu dat a granularity) Transponování řádků na sloupce Připojení dalších datových zdrojů Informace o zákaznících, produktech, prodejnách atd. 12
VÝBĚR MODELU Asociační model Použití pro predikci Může zahrnout i statické informace Nezohledňuje posloupnost Vhodné pro anonymní nákupy Sekvenční přístup Zahrnuje časovou dimenzi (jak jdou události za sebou) Obtížné zahrnutí statických vlastností Vhodné pro adresné nákupy Pavučinový graf Zobrazení vztahů 13
SEGMENTACE Proces, kdy se rozdělí celek na menší homogenní části (se stejnými vlastnostmi) Zvyšuje efektivitu vložených prostředků vystihnutím podstaty daného segmentu Vhodné segmentace Zákaznické profily Profily prodejen 14
SEGMENTACE ZÁKAZNÍKŮ Pro které společnosti je určena Různé potřeby zákazníků z hlediska prodávaného zboží Dostatečný počet transakcí Přínosy Znásobení odpovědí a konverzí oslovené skupiny Znásobení návratnosti kampaně (ROI) Vyšší důvěryhodnost značky (lepší vnímání nabídek) Snížení informační zátěže neoslovených Jak na to Externí marketingové agentury Datamining Kombinace 15
SEGMENTACE ZÁKAZNÍKŮ Dimenze Sociodemografické Hodnota zákazníka (generovaný obrat) Loajalita zákazníka Nákupní chování Potenciál zákazníka Cenová citlivost Potřeby zákazníka Náklady na získání a udržení zákazníka a další 16
SEGMENTACE PRODEJEN Relativně jednoduchá Externí vstupy (potenciál prodejen) vs. datamining Dimenze Demografické složení spádové oblasti Celkový obrat, celkový hrubý zisk Potenciál Nárůst/pokles Složení nákupních košíků Ziskovost (náklady vs. prodeje) Loajalita zákazníků a další 17
VĚRNOSTNÍ SYSTÉM Řádově mění potenciál pro vyhodnocení Nebezpečí přecenění významu Věrnostní systém je pouze nástrojem k poznání zákazníka Riziko devalvace Při jeho ne/přítomnosti nutno zvolit správný model vyhodnocení 18
19
Děkuji Vám za pozornost Daniel Mašek U&SLUNO a.s. dmasek@sluno.cz kontakt: +420 724 666 411 20