Вопрос или проблема
Цель: сгенерировать список из 100 товаров по каждой категории (например, мода, электроника), которые команды должны закупить, сделать скидки и разместить на сайте в течение определенного периода. Вы можете предположить, что все клиенты являются исключительно онлайн.
Мои мысли до сих пор:
- Предсказать клиентов, которые посетят сайт в течение
определенного периода (временной ряд). Только 30-40% клиентов возвращаются ежегодно. - Понять, что они хотят (использовать данные поиска, добавления в корзину, но не завершения покупки и т.д.). Потенциально можно дополнительно сегментировать их, рассматривая тех клиентов, которые генерируют наибольший доход в целом, по сравнению с однократными покупателями.
- Дополнительно отфильтровать те товары, которые эти клиенты добавляют (или перемещают из состояния ‘просмотренных или сохранённых’ в состояние ‘корзина’), как только продукт попадает на акцию.
- Потенциально использовать кластеризацию для рекомендации товаров, аналогичных тем, которые были на шаге 3, но которые никогда не попадали на акцию?
Я не могу влиять на размер скидки. Я могу лишь повлиять на то, какие товары мы закупаем. Поэтому я хочу закупить те, которые имеют наивысший потенциал покупателей со стороны клиентов.
Есть ли мысли по поводу приведенного выше подхода?
Кластеризация плохо подходит для предсказания.
Вместо этого используйте рекомендательную систему.
Если вы знаете товары, оставленные в корзине, или покупки, которые пользователь совершал в прошлом, вы можете использовать методы извлечения ассоциативных правил, чтобы найти наиболее вероятные покупки для клиентов. Вы можете выбрать топ-n товаров/категорий и разработать стратегию скидок для них.
Вот хорошая статья о характеристиках анализа корзины с ассоциативными правилами.
Если у вас нет очень специфических данных о продажах (например, B2B с небольшим количеством клиентов и низким объемом покупок), вы должны обнаружить некоторые инсайты.
Ответ или решение
Подход к выбору (дисконтированных) продуктов для клиентов
Для достижения поставленной цели по генерации списка из 100 продуктов в каждой вертикали (например, мода, электроника), которые команды должны закупить, предложить скидки и разместить на сайте в течение определенного периода, предлагаю следующий комплексный подход:
-
Анализ прогноза трафика: Начните с прогноза числа клиентов, которые посетят веб-сайт в заданный период, используя временные ряды. Учитывая, что только 30-40% клиентов возвращаются ежегодно, важно определить, какой объем новых клиентов можно ожидать.
-
Изучение потребностей клиентов: Опираясь на данные о поисковых запросах, просмотра товаров и товарах, добавленных в корзину, но не купленных, рекомендуется сегментировать клиентов. Основное внимание следует уделить тем, кто приносит наибольшую долю дохода (например, постоянные клиенты) и тем, кто совершает однократные покупки. Это позволит лучше понять, какие продукты представляют наибольший интерес.
-
Фильтрация продуктов: После того как будет составлен список заинтересовавших клиентов, необходимо идентифицировать продукты, которые они добавляют в корзину или рассматривают, когда те находятся на распродаже. Продукты с наибольшим числом добавлений в корзину, но не купленных, будут представлять наибольшую ценность.
-
Использование рекомендательных систем: Вместо кластерного анализа, который не подходит для предсказания, можно воспользоваться рекомендательными системами. Эти системы могут послужить инструментом для выявления продуктов, которые, скорее всего, будут интересовать клиентов на основе их предыдущих действий.
-
Анализ ассоциативных правил: Примените метод ассоциативного анализа для выявления взаимосвязей между продуктами на основе данных о корзинах и предыдущих покупках. Это позволит определить наиболее вероятные продукты для покупки клиентами на основе их истории. Рекомендуется выбрать топ-N продуктов/категорий и разработать стратегию дисконта для них.
-
Тестирование гипотез: После того как будет сформирован список из 100 продуктов для каждой вертикали, полезно протестировать, как они реагируют на промоакции со скидками. Это позволит выявить, какие продукты эффективнее привлекают клиентов и генерируют продажи.
Пример применения метода
Допустим, мы работаем с вертикалью «Электроника». Мы можем проанализировать данные по следующим категориям:
- Смартфоны
- Наушники
- Умные часы
- Ноутбуки
- Аксессуары для компьютеров и мобильных устройств
Собрав информацию о поведении клиентов, мы можем использовать алгоритм ассоциативных правил, чтобы выявить, что клиенты, покупающие смартфоны, также часто интересуются наушниками. Исходя из этого, можно закупить определенные модели наушников и предложить на них скидку одновременно с акцией на смартфоны.
Заключение
Такой многоуровневый подход позволит нам эффективно выявить и закупить ассортимент продуктов с максимальным потенциалом продаж. Важно непрерывно анализировать данные и адаптировать ассортимент в зависимости от изменений в потребительских предпочтениях и рыночной ситуации.