Korrelationsanalys kan analysera vilka produkter eller produktkombinationer som ofta köps tillsammans. Om du hittar en kombination av dessa produkter som ofta köps tillsammans kan du göra många värdefulla saker. Dessa värden kan förkroppsligas i åtminstone följande tre aspekter:
1. Styr arrangemanget och placeringen av produkter i offlinebutiker
Varor som ofta köps tillsammans kan placeras nära utrymmet i offlinebutiken, vilket är bekvämt för kunderna att välja och minskar tiden för kunderna att hitta. Detta förbättrar användarupplevelsen och ökar immateriellt försäljningsvolymen av varorna. Få mer försäljningsintäkter.
Om det är en onlinebutik som Taobao och JD.com kan en av de ofta köpta produkterna användas som en relaterad rekommendation för en annan produkt, vilket ökar sannolikheten för att en kombination av relaterade produkter kommer att exponeras tillsammans och främjar användarköpkonvertering ( bilden nedan är i Hema APP Bläddra i Baxi, de matchande rekommendationerna nedan). Vi kommer att förklara denna del i det tredje tillämpningsscenariot.
2. Optimera offlineupphandling, leveranskedja och lager
Varor som ofta köps ihop kan sättas ihop för övergripande planering inom inköp, förpackning, transport och lager, som att välja leverantörer i samma region och lagra dem på liknande platser i lagret. För introduktionen av detta avsnitt kan läsarna söka efter relaterat material.
3. Tillhandahålla datastöd för evenemangsmarknadsföring
Råvaror som ofta köps tillsammans kan också användas för marknadsföringsaktiviteter (även varumärkessidan av relaterade varor kan också göra gemensam marknadsföring tillsammans), såsom rabatter vid köp tillsammans och köp av en av de dyra för att få de andra billigare som köps ofta tillsammans etc. Vänta.
Ovanstående är bara några affärsfall som alla lätt kan tänka på i varukorgens korrelationsanalys. Fler tillämpningsscenarier behöver prövas och utforskas i kombination med företagets faktiska situation. Det viktigaste i varukorgsanalys är faktiskt att digitalisera användarens köpbeteende. Med data som grund och resurser är det som återstår att använda dataanalys, datautvinning, maskininlärning och andra algoritmer för att utforska data och utnyttja det potentiella kommersiella värdet. Med data om användarens shoppingbeteende, oavsett det kommersiella värdet som erhålls genom korrelationsanalys, kan många andra kommersiella värden avslöjas. Nedan kommer jag också att göra en enkel sortering av andra värden av användarinköpsdata, för att ge dig några tänkande idéer och ett bredare perspektiv.
Så länge kundernas inköpsdata samlas in under en period, och uppgifterna digitaliseras (läggs in i snabbköpets informationssystem), kan enkel statistisk analys användas (om uppgifterna lagras i en relationsdatabas som t.ex. SQL, endast en SQL-sats krävs). Räkna ut vilka varor som ofta köps av kunder.
Vad är fördelen med att känna till de mest köpta produkterna (dvs. bästsäljande eller dagliga produkter)? Jag tror att du lätt kan tänka på nyttan. Först och främst är det definitivt användbart för köpcentra att köpa och beställa. Källan till de mest köpta varorna och försörjningskedjan måste skyddas väl, och köpcentrumen måste vara uppmärksamma för att säkerställa tillräcklig tillgång. Dessutom kan även placeringen av varmköpta varor optimeras. Många butiker placerar populära varor på de mest iögonfallande och mest tillgängliga platserna för kunderna. Många stormarknader lägger tuggummi och kondomer vid kassan av denna anledning.
Inköp av många råvaror kan ha tidsperiod och säsongsmässiga fluktuationer. Till exempel köps färsk mjölk vanligtvis på morgonen, medan myggslingor köps på sommaren. Genom analysen av inköpstidpunkten kan vi grovt känna till fluktuationslagen för vissa varor i tid och säsong, och analysera lagen för ovanstående köptidscykel. Bättre hjälpa företag att köpa, reservera och marknadsföra varor.
Om det kombineras med användarporträttinformation (det finns många sätt att få användarporträttinformation, till exempel kan vissa företag ha ett medlemskapssystem, och användare kan registrera sig för en online-APP, så att användarrelaterad information kan erhållas. Dessutom, om det finns kameror och annan utrustning i köpcentret, det är också möjligt Om du får ett allmänt porträtt av användaren, dessa ligger utanför ramen för denna artikel och kommer inte att upprepas), kan du analysera köpegenskaperna för olika grupper (t.ex. som köpskillnader mellan olika kön, olika åldersgrupper, olika inkomster etc.), och gör personlig marknadsföring.
Många detaljhandelsföretag är kedjeföretag (eller till och med multinationella företag). De kan samla in försäljningsdata från olika butiker, analysera geografiskt relaterad data i olika regioner, utforska köpbeteendet hos användare i olika regioner och göra skräddarsydda strategier för olika regioner. . Till exempel kan användare i olika regioner ha olika hettsäljande produkter, användare i olika regioner köper ofta olika produkter tillsammans, och säsongsmässiga förändringar i köpperioden för användare i olika regioner kan också vara olika. Denna mer förfinade analys bidrar till att anta lokala strategier för olika regioner (även olika butiker).
Många detaljhandelsföretag har både anslutna online APP och offline fysiska butiker (som Hema har Hema APP och Hema offline butiker), så hur man länkar online och offline är mycket värdefullt. Nätbutiker har också så kallade varukorgar (de produkter som användaren köpt i appen kan också betraktas som en varukorg), som också kan använda varukorgsanalysens metoder och strategier.
Om ett detaljhandelsföretag bara startar online och sedan startar offline, kan onlinedataanalys stärka offlineaffärer. Till exempel, baserat på onlineanvändares köpbeteendedataanalys, kan du också gräva fram ovannämnda olika information (såsom populära produkter, produkter som ofta köps tillsammans, etc.), och denna information kan direkt användas för urval och arrangemang av offlinebutiker. vice versa.
Onlinedata kan också användas för platsval av offlinebutiker. Det är till exempel möjligt att analysera köpsituationen för onlineanvändare och få fram fördelningen av användare i olika regioner, vilket är till hjälp för att styra nummerbeslutet och lokaliseringsvalet av butiker för att öppna butiker i olika regioner.
Kort sagt, i samband med att den nuvarande internetutdelningen är uttömd, är integration och länkning online och offline riktningen och möjligheten. Integrering online och offline och ömsesidigt bemyndigande är detaljhandelns framtida trender. Den som kan förstå denna trend kommer att få biljetten till nästa gyllene utvecklingsstadium för detaljhandeln (även vilken bransch som helst).
