ARL-анализ и его практическое применение
Работая в розничной торговле мы последовательно решаем три задачи:
Привлечение покупателя (трафик)
Формирование у него привычки тратить много в нашем магазине (товарооборот)
Повышение доходности (продажа высоко маржинальных товаров и получение лучших условий от поставщиков).
Привлечение покупателя (трафик)
Формирование у него привычки тратить много в нашем магазине (товарооборот)
Повышение доходности (продажа высоко маржинальных товаров и получение лучших условий от поставщиков).
Приглашаем на наши тренинги
1 марта – 5 апреля 2024 года – On-line курс «Эффективные закупки. Переговоры и управление запасами»
1 марта – 5 апреля 2024 года – On-line курс «Менеджер по работе с торговыми сетями. Повышение квалификации»
9-10 апреля 2024 года – тренинг в Москве «Категорийный менеджмент. Первый уровень»
11-12 апреля 2024 года – тренинг в Москве «Категорийный менеджмент. Продвинутый уровень»
1 марта – 5 апреля 2024 года – On-line курс «Менеджер по работе с торговыми сетями. Повышение квалификации»
9-10 апреля 2024 года – тренинг в Москве «Категорийный менеджмент. Первый уровень»
11-12 апреля 2024 года – тренинг в Москве «Категорийный менеджмент. Продвинутый уровень»
Для решения первых двух задач необходим позитивный покупательский опыт. А для того, чтобы он был позитивным – надо понимать желания и поведения своего покупателя.
Раньше мы опрашивали покупателей или смотрели, что у них в корзинах – но такая методика трудоемка и не всегда достоверна.
Развитие технологий и работа с Big Data позволяют использовать сложные алгоритмы анализа покупательного поведения на основе уже совершенных покупок.
Один из таких методов - ARL-анализ (Association Rule Learning) исследует закономерности в данных. В нашем случае – объектом исследования будет сочетаемость различных товаров внутри чека и частота появления различных сочетаний.
Я давно использую этот метод, привязав сценарии исследования к ситуации потребления или к факту покупки товаров, которые я называю «генераторами цепочки покупок».
Раньше мы опрашивали покупателей или смотрели, что у них в корзинах – но такая методика трудоемка и не всегда достоверна.
Развитие технологий и работа с Big Data позволяют использовать сложные алгоритмы анализа покупательного поведения на основе уже совершенных покупок.
Один из таких методов - ARL-анализ (Association Rule Learning) исследует закономерности в данных. В нашем случае – объектом исследования будет сочетаемость различных товаров внутри чека и частота появления различных сочетаний.
Я давно использую этот метод, привязав сценарии исследования к ситуации потребления или к факту покупки товаров, которые я называю «генераторами цепочки покупок».
Алгоритм работы следующий
1. Формирование первоначальной гипотезы о сочетающихся товарах.
В различных сферах торговли возможны разные варианты:
В магазине у дома «хлеб+колбаса+яйца+молоко» или «хлеб+колбаса+яйца+молоко+йогурт+печенье+шоколад» (при наличии детей).
В алкогольном бутике интересно проанализировать сценарии «пиво+чипсы», «пиво+вино» и «пиво+водка» и т.д.
Гипотезы вытекают из наших предварительных знаний о целевой аудитории и ситуации потребления. Можно, конечно, провести анализ без предварительных версий, просто исследуя частоту совпадения самых покупаемых товаров с менее покупаемыми, но в этом случае можно пропустить интересные сценарии покупки.
2. Далее по различным алгоритмам дается ответ на вопросы:
Как часто покупаются вместе товары А и В (доля от общего количества чеков – аналог так любимой нами пенетрации)
Как часто товар А покупается без товара В (в %)
Как часто товар В покупается без товара А (в %).
3. При увеличении количества сочетаемых товаров сложность оценки итогового показателя растет.
В различных сферах торговли возможны разные варианты:
В магазине у дома «хлеб+колбаса+яйца+молоко» или «хлеб+колбаса+яйца+молоко+йогурт+печенье+шоколад» (при наличии детей).
В алкогольном бутике интересно проанализировать сценарии «пиво+чипсы», «пиво+вино» и «пиво+водка» и т.д.
Гипотезы вытекают из наших предварительных знаний о целевой аудитории и ситуации потребления. Можно, конечно, провести анализ без предварительных версий, просто исследуя частоту совпадения самых покупаемых товаров с менее покупаемыми, но в этом случае можно пропустить интересные сценарии покупки.
2. Далее по различным алгоритмам дается ответ на вопросы:
Как часто покупаются вместе товары А и В (доля от общего количества чеков – аналог так любимой нами пенетрации)
Как часто товар А покупается без товара В (в %)
Как часто товар В покупается без товара А (в %).
3. При увеличении количества сочетаемых товаров сложность оценки итогового показателя растет.
Эта методика в большей степени соответствует методу FP-growth (Frequent Pattern growth):
Он основан на том, что выстраивается некоторое «прогнозное» дерево принятия покупателем решения и на основе него оценивается достоверность гипотезы о составе корзины. Но, как я уже писал выше, сложность в том, что необходимо иметь априорную информацию.
Второй популярный метод ARL-анализа называется Apriori, согласно которому путем полной обработки статистической информации выявляются наиболее часто встречающиеся с наиболее ликвидными товарами сочетания. Недостаток метода: необходимы серьезные вычислительные мощности.
Он основан на том, что выстраивается некоторое «прогнозное» дерево принятия покупателем решения и на основе него оценивается достоверность гипотезы о составе корзины. Но, как я уже писал выше, сложность в том, что необходимо иметь априорную информацию.
Второй популярный метод ARL-анализа называется Apriori, согласно которому путем полной обработки статистической информации выявляются наиболее часто встречающиеся с наиболее ликвидными товарами сочетания. Недостаток метода: необходимы серьезные вычислительные мощности.
Есть другие методы, которые также имеют свои плюсы и минусы.
Для использования метода в розничной торговле я рекомендую один из двух алгоритмов:
Для использования метода в розничной торговле я рекомендую один из двух алгоритмов:
- Оценить портреты покупателя и ситуации потребления и целенаправленно проверять наличие и частоту определенных корзин.
- Проводить анализ на уровне категорий, в первую очередь оценивая закрытие потребности на этом уровне, а потом, при необходимости спускаясь на уровень ценовых корзин и отдельных SKU.
Хотите записаться на обучение?