Menu

GDO – Market Basket Analysis

In breve: Vi è mai capitato di “diventare matti” nel comporre le promozioni degli articoli? Di non avere tutte le informazioni per promuovere gli articoli che ne spingono altri? la Basket analysis calcola le associazioni significative tra prodotti, misurando la probabilità di acquisti congiunti.

Esempio per 10 mila articoli su 20 milioni di righe di vendita

ba formula

Esigenze:  necessità di analizzare il comportamento dei propri clienti al fine di individuare preferenze e il loro paniere ideale, ovvero tutte le  combinazioni di prodotti che essi gradiscono acquistare.  L’azienda in questo modo vuole sia migliorare la comprensione del comportamento d’acquisto dei clienti, e prevedere le dinamiche di acquisto, sia collegare i risultati a costi e marginalità per fare simulazioni ed organizzare le campagne.

Tali esigenze si ottemperano analizzando le n-uple (coppie, triplette ecc) degli articoli acquistati dal cliente, per identificare le possibili associazioni esistenti tra prodotti/eventi e l’analisi si attua su elevati volumi transazionali che interessano centinaia di categorie merceologiche

In considerazione della mole di dati giornalieri, i fattori critici di successo riguardavano i tempi di calcolo, la fruibilità dei risultati e  la governance dei parametri utili a delimitare i  perimetri di analisi.

Soluzioni: Il nocciolo della soluzione è stata la scrittura di una  algoritmo specifico per l’analisi voluta.. il modello dell’algoritmo utilizza una tecnica di data mining utilizzata per identificare le possibili associazioni esistenti tra prodotti ed eventi, tramite determinazione della loro probabilità di accadimento congiunto. Le frequenze di acquisto congiunte vengono calcolate per tutte le n-uple possibili tra i prodotti presenti nel perimetro di analisi.

Per esempio, per un’area geografica che comprende 5 punti vendita, un carello di 11mila articoli, elabora una decina di milioni di righe, in meno di due ore, questi tempi dipendono anche dal server messo a disposizione.

Si è ottenuta  la possibilità di identificazione dei comportamenti di acquisto per  simulare, offrire e promuovere, i ‘prodotti giusti’ ai ‘clienti giusti’  per cluster di clienti, con l’obiettivo di minimizzazione del tasso di abbandono della base clienti, e la conseguente massimizzazione della fidelizzazione. Al contempo sono state rese possibili la predisposizione di promozioni personalizzate per cliente in base alle sue abitudini d’acquisto, sia destinate a prodotti che vengono ‘acquistati congiuntamente’ (obiettivo di cross-selling), sia destinate a prodotti caratterizzati da maggior marginalità (obiettivo di up-selling).
Mette in relazione i comportamenti di acquisto con costi e marginalità.

Attraverso i modelli di ITReview e l’utilizzo di cruscotti di Business intelliegence personalizzati  il cliente ha confermato che sono stati raggiunti gli obiettivi di progetto.

 

Pubblicato il 2017-06-17

Privacy Policy - Progetto di ITREVIEW / Sviluppato da
x

inserisci la tua Email per visionare i documenti:

Accetto il trattamento dei dati sulla privacy

x

inserisci la tua Email ed il numero di telefono per scaricare il documento:

Accetto il trattamento dei dati sulla privacy