تجزیه و تحلیل سبد بازار 101: پیش بینی رفتار مشتری

ساخت وبلاگ

تجزیه و تحلیل سبد بازار (MBA) یک روش داده کاوی است که برای کشف الگوهای خرید در هر محیط خرده فروشی استفاده می شود. MBA مجموعه ای از محاسبات وابستگی آماری است که به رهبران مشاغل کمک می کند تا با برجسته کردن الگوهای خرید ، مشتریان خود را بهتر درک کنند و در نهایت خدمت کنند. به روش ساده ترین ، MBA به دنبال آنچه ترکیباتی از محصولات اغلب در معاملات با هم اتفاق می افتد ، می گردد. از این روابط می توان برای افزایش سودآوری از طریق فروش متقابل ، توصیه ها ، تبلیغات یا حتی قرار دادن موارد در یک منو یا فروشگاه استفاده کرد.

این رویکرد مبتنی بر این تئوری است که مشتریانی که کالای خاصی (یا گروهی از موارد) خریداری می کنند ، احتمالاً مورد خاص دیگری (یا گروهی از موارد) را خریداری می کنند. به عنوان مثال: در حالی که در یک رستوران با سرویس سریع (QSR) ، اگر کسی ساندویچ و کوکی خریداری کند ، بیشتر از کسی که ساندویچ خریداری نکرده است ، نوشیدنی خریداری می کنند. این همبستگی اگر به نظر می رسد قوی تر از ساندویچ و نوشیدن بدون کوکی ها باشد ، با ارزش تر می شود.

بینش بیشتری را برای رستوران ها کشف کنید

از MBA می توان برای پیشنهاد خرید بر اساس عدم وجود یک جفت مشترک استفاده کرد ، مانند زمانی که مشتری در QSR فقط یک ساندویچ کوچک سفارش می دهد. آنها ممکن است بیشتر از کسی که یک ساندویچ بزرگ خریداری کرده است ، دسر یا ساندویچ دوم بخرند. کارکنان آموزش دیده برای تشخیص این شرایط می توانند موارد اضافی را به مشتریان خود ارائه دهند ، احتمالاً با تخفیف برای جذاب تر شدن این گزینه.

با استفاده عمیق تر ، MBA به شرکتها اجازه می دهد تا محصولات Keystone را شناسایی کنند ، آنهایی که آنها را در بازار متمایز می کنند و در صورت عدم دسترسی یا گران تر می توانند به تجارت آسیب برساند. Gourmet یا سایر موارد تخصصی در یک فروشگاه مواد غذایی ممکن است جذابیت محدودی داشته باشد ، اما مشتریانی که آنها را جذب می کنند (و هزینه های بعدی آنها) می توانند قرار دادن با دید بالا را توجیه کنند. مشتریانی که از طریق برنامه شرکت سفارش می دهند می توانند به مواردی یا ترکیبی که امتیاز وفاداری بیشتری ارائه می دهند ، علاقه مند باشند.

تولید بینش قابل اعتماد از MBA به طور معمول به حجم زیادی از داده های معامله نیاز دارد. پردازش داده های بزرگ بدون ذخیره سازی بسیار مقیاس پذیر و محاسبه منابع دشوار است. معماری های مدرن مبتنی بر ابر ، داده های چابک تر و تجزیه و تحلیل را با توانایی آزمایش تعدادی از تئوری های رفتار مشتری یا بررسی اثربخشی یک کمپین بازاریابی اخیر امکان پذیر می کنند. مشتریان SmartBridge از Microsoft Azure با Microsoft Synapse یا Snowflake به عنوان یک دریاچه داده با ابزارهای تحلیلی مانند Power BI ، یکپارچه با پایتون یا بسته های آماری R تخصصی ، برای حل این مشکلات استفاده می کنند.

تجزیه و تحلیل سبد بازار ، توضیح داد

MBA با هدف یافتن روابط و ایجاد الگوهای در بین خریدها. این رابطه به شکل یک الگوریتم مشروط مدل می شود:

در نماد کوتاه ، که به "موارد در سمت راست ترجمه می شود ، احتمالاً با موارد موجود در سمت چپ سفارش داده می شود:"

مجموعه ای از کالاهای خریداری شده توسط مشتری ، یک مورد است. مجموعه موارد در سمت چپ (ساندویچ ، کوکی های موجود در مثال فوق) پیشینه این قانون است ، در حالی که یکی از سمت راست (نوشیدنی) نتیجه آن است. احتمال وقوع رویداد پیشین ، یعنی مشتری ، ساندویچ و کوکی ها را خریداری می کند ، پشتیبانی از این قانون است. این به سادگی به فرکانس نسبی اشاره دارد که یک مورد در معاملات ظاهر می شود. در QSR ، پشتیبانی از یک مورد یا ترکیب مورد به شناسایی محصولات Keystone کمک می کند. از این رو ، اگر ساندویچ و کوکی از پشتیبانی بالایی برخوردار باشند ، می توان آنها را برای جذب افراد به فروشگاه قیمت گذاری کرد.

براساس تجزیه و تحلیل سبد بازار ، مشتری که این وعده غذایی را سفارش می دهد ، بیشتر می تواند نوشیدنی سفارش دهد.

این احتمال وجود دارد که مشتری به شرط خرید ساندویچ و کوکی ها نوشیدنی خریداری کند ، به اطمینان از این قانون گفته می شود. اعتماد به نفس می تواند برای استراتژی قرار دادن محصول و افزایش سودآوری استفاده شود. قرار دادن وسایل حاشیه ای بالا در نزدیکی موارد اعتماد به نفس بالا (راننده) می تواند حاشیه کلی خریدها را افزایش دهد.

بالابر این قانون نسبت حمایت از سمت چپ قانون (ساندویچ ، کوکی ها) است که با سمت راست (نوشیدنی) همراه است ، که بر اساس این احتمال که سمت چپ و راست سمت چپ باشد تقسیم می شوداگر این دو مستقل باشند ، طرف جانشین همکار است.

آسانسور بیشتر از 1 نشان می دهد که حضور پیشین احتمال وقوع نتیجه در یک معامله معین را افزایش می دهد

آسانسور زیر 1 نشان می دهد که خرید پیشینه احتمال خرید نتیجه را در همان معامله کاهش می دهد. توجه: این می تواند نشان دهد که این موارد توسط مشتریان به عنوان گزینه های دیگر دیده می شود

هنگامی که آسانسور 1 است ، پس از آن خرید پیشینه هیچ تفاوتی در احتمال خرید نتیجه ندارد

تحلیلگران سبد بازار قوانینی را با آسانسور جستجو می کنند که بیشتر از 1 با ارزش اعتماد به نفس بالا و اغلب پشتیبانی بالایی دارند.

الگوریتم Apriori یک تکنیک متداول در آمار محاسباتی است که مواردی را که با پشتیبانی بیشتر از یک مقدار از پیش تعریف شده (فرکانس) رخ می دهد ، شناسایی می کند و اعتماد به نفس کلیه قوانین ممکن را بر اساس آن موارد محاسبه می کند.

مثال تجزیه و تحلیل سبد بازار

الگوریتم Apriori در بسته Arules اجرا شده است که می تواند در R نصب و اجرا شود. داده ها در قالب زیر در موتور بارگذاری می شوند:

ستون اول شماره سفارش/معامله و دوم نام مورد یا بیشتر اوقات شناسه مورد است. مراحل بعدی معمولاً شامل تجمع هر معامله در سوابق در یک رکورد واحد به عنوان یک آرایه و تبدیل مجموعه داده به معامله R است. نتیجه آن تجمع همانطور که در زیر نشان داده شده است:

سرانجام ، منطق apriori با نتیجه زیر برای معاملات اعمال می شود:

به طور کلی ، ما تعدادی ترکیب قوی (RHS) با سودا را مشاهده می کنیم ، که می تواند نشان دهد که سودا یک دسته از محصولات keystone است. یک مدیر می تواند تصمیم بگیرد که قیمت و حاشیه های سودا را پایین نگه دارد تا حجم فروش را هدایت کند. آب بطری استثنا است ، اما می توانیم فرض کنیم که این موارد گزینه دیگری برای یکدیگر در نظر گرفته می شود.

شاید نتیجه جالب تر این باشد که تمام قوانین مربوط به بستنی با اعتماد به نفس 1 آسانسور قابل توجهی را نشان می دهند (انجمن ها در جهت دیگر تقریباً به احتمال زیاد نیستند.) این می تواند ما را به سمت ارتقاء بیشتر بستنی ها با انتظار این امر سوق دهد. مشتریان موارد دیگر را همزمان خریداری می کنند.

کاربردهای دیگر برای تجزیه و تحلیل سبد بازار

علاوه بر این محبوبیت آن به عنوان تکنیک خرده فروش ، MBA در بسیاری از مناطق دیگر قابل اجرا است:

تولید: تجزیه و تحلیل پیش بینی کننده عدم موفقیت تجهیزات

داروسازی/بیوانفورماتیک: کشف روابط همزمان در بین تشخیص و مواد فعال دارویی تجویز شده برای گروههای مختلف بیمار

مالی/جرم شناسی: تشخیص کلاهبرداری بر اساس داده های استفاده از کارت اعتباری

رفتار مشتری: مرتبط کردن خریدها با داده های جمعیتی و اقتصادی و اجتماعی

سازمان های بیشتر و بیشتر در حال کشف روش های استفاده از تجزیه و تحلیل سبد بازار برای به دست آوردن بینش مفید در مورد انجمن ها و روابط پنهان هستند. از آنجا که رهبران صنعت به کشف ارزش تکنیک ادامه می دهند ، یک نسخه پیش بینی کننده تجزیه و تحلیل سبد بازار در بسیاری از بخش ها در تلاش برای شناسایی خریدهای پی در پی در حال انجام است.

مبانی تجارت فارکس...
ما را در سایت مبانی تجارت فارکس دنبال می کنید

برچسب : نویسنده : سحر دولتشاهی بازدید : 51 تاريخ : چهارشنبه 2 فروردين 1402 ساعت: 15:34