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

Tänan kuulamast!

• Küsimusi, mõtteid, ideid..?

Innar Liivinnar.liiv@ttu.eetel.5200552