Upload
new-vision-baltic
View
463
Download
4
Embed Size (px)
DESCRIPTION
IT Akadeemia 16. november 2011“Trendid klientide ostuharjumuste analüüsimisel”
Citation preview
Click to edit Master title styleTrendid klientide ostuharjumuste analüüsimisel
INNAR LIIVTTÜ INFORMAATIKAINSTITUUT
Tallinn, 16.11.2011
Teadus ja äri?
“Lojaalsus!Lojaalsus!”
?
andmeanalüüs, andmekaevandamine
Ürituse teema: "Lojaalsus – rahulolev klient on eduka kauplemise alus"
KLIENT SINA KONKURENT
SINU probleem
ISETEENENDUS + LOJAALSUS = PERSONAALSUS
Vastuolude maailm
“Loomulikut, kui teadmine on võim, siis mõlemad – jaemüüjad ja tootjad – võiksid tõsta oma võimu ja kasumlikkust jagades informatsiooni ning koordineerides turundust– selle asemel, et tülitseda, nagu ikka.”
Allikas: ECR Europe POS Data Management Group
• Jah, vangis (Article 82 EC Treaty)
Trendid klientide ostuharjumuste analüüsimisel
• Mis on üldised trendid andmete analüüsimisel?
• Kuidas ostuharjumust analüüsida?• Mis võiksid olla jaekaubanduse
eripärad?• Mis me ülikoolis sel teemal teeme?• Mis on sõnum?• Mis ma Teilt ootan?
OSTUHARJUMUS…
Andmete (tähelepanu!) uputus
• Tohutu kogus andmeid voolab sisse (10TB pika talveööga teleskoobilt, 25TB päevas kogub Yahoo inimeste käitumiselt; võrreldav binaarne andmetabel 5M*5M)
• Facebook: 15 miljardit uut infokildu kuus, 100+ miljonit kasutajat päevas, 40 minutit kulutatakse keskmiselt päevas.
• Youtube: 20 tundi videot laetakse ülesiga minut, 1 miljardit video vaatamist päevas
• Laiem levik ettevõtetes - surve lõpptarbijale “suupärasemaks” muutmiseks
Trendid andmete analüüsimisel• Social Data Revolution• Andreas Weigend,
− ex-Chief Scientist @ Amazon.com− Täna lektor @Stanford,UC
Berkeley,Tsinghua• Kaks andmete tekke “revolutsiooni”
− Klassikaliselt: kaalutletud kogumine− 1. laine: igal pool tekib palju, secondary
data, mõtestamine− 2. laine: inimesed ise panevad
motivatsiooni korral infot enda hetkeseisundi ja eelistuste kohta (staatused, twitter, linkedin, google)
Suur potentsiaal: ostukorvianalüüs
ostsid ka (AFFINITY ANALYSIS)
Need, kes ostsid:
Motivatsioon• Amazon’s käive aastal 2009: $24.5B• ~$5B tuli toodetest, mida soovitati
ostukorvi automaatse analüüsi tulemusel• See töötab online poodides, kuid kuidas
“päris kauplustes” välja näeks? • Walmart’s RetailLink, Dunnhumby
(TESCO), APT Market Basket Analyzer (US, Family dollar w/ 6600+ shops), IntelliStats Market Basket Analyzer (Castle Rock, CO), Oracle Retail (Retek), NetPerceptions (KD1) Market Basket Analyzer, deployed at Walgreens, Lowes and Meijer
Uued avanevad küsimused
• Kuidas ostukäitumine on seotud praeguse kategooriapuuga?
• Millised on tüüpilised ostukorvid, kus mu toode X on sees? (category mix %, avg price)
• Kuidas toote X kampaania mõjutab teisi tooteid ja kategooriaid?
• Kuidas müük/kampaaniad teistes kategooriates mõjutavad mu toodet X?
• Brändieelistused ja seotud brändieelist. (sh asenduskaupade leidmine)
• Kas kampaania muutis kliendi brändieelistust?
Uued avanevad küsimused (2)
• Milline % kliente tuli seda toodet ostma (ja kauplust külastama) vaid kampaania pärast? (cherry-picking)
• Mis toodetega nii juhtub kõige rohkem? • Mis on tegelik selliste klientide
proportsioon?• Mis kategooriaid ostetakse tihti koos?• On see eri piirkondades ja poodides
erinev?
Uued avanevad küsimused (3)
• Mis tüüpi ostukorvides uued tooted hakkavad ilmuma kõigepealt?
• Mis tüüpi ostukorvid reageerisid kampaaniale kõige paremini?
• Millised näevad välja ostukorvid, milles omatoodete (private label) osakaal on suur? Mis seal veel on?
• Millised on tüüpostukorvid?• Kui inimene valib juustu (kampsuni,
kipsplaadi) brandiks Valio Atleet (Tommy Hilfiger, Knauf), millise brändi liha (pükse, tööriistu) ta ostab?
KUIDAS?Kuidas ostuharjumust ostukorvist analüüsida?
Informatsiooni visualiseerimine
• Tööriist mõtlemise võimendamiseks!• Paigutub arvutiteaduse, graafika,
(nägemis)psühholoogia ning inim-masin suhete (HCI) valdkonnas;
• Ei midagi uut, kuid esimest korda väljakutse visualiseerida nii suurt hulka andmeid ning kasutada silmataju halvasti defineeritavate ning arvutusmahukate ülesannete jaoks.
VISUALISEERITUD VÄLISKAUBANDUS 1924
Anscombe’s quartet: numbrites
Keskmine, variatsioon,korrelatsioon ning regressioonivõrrand identsed!
Anscombe’s quartet: visuaalselt
“Üks pilt on väärt ...”
Kuidas see jaekaubanduses töötaks?
• Joonistame ostukorvi tooted ja nende vahele seose (niidi, joone).
Desserdid ja kohukesed
Töödeldudliha
Köögiviljad
Puuviljadja marjad
Jätkame kuni saame sellise pildi
Huumorinurk (kurb reaalsus)
ÕLU
TAARA PABER & KILEKOTID
Esimene praktiline vastulöök
• Programm pannakse otsima seoseid ostukorvi toodete (SKU-de) vahel.
• Tulemus: Mitte ühtegi reeglit (seaduspära) müra seast ei leitud.
Olulisem vastulöök ületamiseks
• Projekti arvutatav ROI ehk Kuidas me kliendist paremini aru saades saame rohkem teenida?
So what?!??+(Igavesed) Andmekvaliteedi küsimused (tooteinfo + kategooriad) + muutuvate kategooriate haldamine
Põhisõnum
• Jälgige, et Teile jäävad alles andmed iga ostukorvi kohta (POS data).
Raamatusoovitused