I. Liiv IT Akadeemia
-
Upload
new-vision-baltic -
Category
Documents
-
view
460 -
download
4
description
Transcript of I. Liiv IT Akadeemia
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