تجزیه و تحلیل سبد خرید روشی برای تجزیه و تحلیل همبستگی بر اساس داده های (کلان) رفتار کاربر است. این بر اساس داده های سبد خرید همه مشتریان در یک دوره زمانی است و قوانین همبستگی پنهان را از طریق ابزارهای فنی تجزیه و تحلیل داده ها و کاوی کشف می کند. در نهایت، از این نتیجه گیری های همبستگی که از طریق داده کاوی به دست آمده است برای خدمت رسانی بهتر به مشتریان و ایجاد ارزش تجاری استفاده کنید.

تجزیه و تحلیل همبستگی می تواند تجزیه و تحلیل کند که کدام محصولات یا ترکیبات محصول اغلب با هم خریداری می شوند. اگر ترکیبی از این محصولات را پیدا کنید که اغلب با هم خریداری می شوند، می توانید کارهای ارزشمند زیادی انجام دهید. این مقادیر حداقل در سه جنبه زیر قابل تجسم هستند:

1. چیدمان و قرار دادن محصولات در فروشگاه های آفلاین را راهنمایی کنید

کالاهایی که اغلب با هم خریداری می شوند را می توان در نزدیکی فضای فروشگاه آفلاین قرار داد، که انتخاب آن برای مشتریان راحت است و زمان پیدا کردن مشتریان را کاهش می دهد. این باعث بهبود تجربه کاربر و افزایش نامحسوس حجم فروش کالا می شود. کسب درآمد بیشتر از فروش

اگر یک فروشگاه آنلاین مانند Taobao و JD.com است، یکی از محصولاتی که اغلب خریداری می شود می تواند به عنوان توصیه مرتبط برای محصول دیگری استفاده شود، که احتمال اینکه ترکیبی از محصولات مرتبط با هم در معرض دید قرار گیرد را افزایش می دهد و تبدیل خرید کاربر را افزایش می دهد. تصویر زیر در برنامه Hema Browse Baxi، توصیه‌های تطبیق داده شده در زیر است. این قسمت را در سناریوی کاربردی سوم توضیح خواهیم داد.


2. تدارکات آفلاین، زنجیره تامین و موجودی را بهینه کنید

کالاهایی که اغلب با هم خریداری می شوند را می توان برای برنامه ریزی کلی در تهیه، بسته بندی، حمل و نقل و موجودی، مانند انتخاب تامین کنندگان در همان منطقه و ذخیره آنها در مکان های مشابه در انبار، کنار هم قرار داد. برای معرفی این بخش، خوانندگان می توانند مطالب مرتبط را جستجو کنند.

3. برای بازاریابی رویداد پشتیبانی داده ارائه دهید

کالاهایی که اغلب با هم خریداری می‌شوند نیز می‌توانند برای فعالیت‌های بازاریابی استفاده شوند (حتی برند کالاهای مرتبط نیز می‌توانند با هم بازاریابی مشترک انجام دهند)، مانند تخفیف در هنگام خرید با هم، و خرید یکی از گران‌ها برای دریافت کالاهای ارزان‌تر دیگر. اغلب با هم خریداری می شوند و غیره صبر کنید.

موارد فوق تنها چند مورد تجاری است که همه به راحتی می توانند در تحلیل همبستگی سبد خرید به آنها فکر کنند. سناریوهای کاربردی بیشتری باید در ترکیب با وضعیت واقعی شرکت آزمایش و بررسی شوند. مهمترین چیز در تحلیل سبد خرید در واقع دیجیتالی کردن رفتار خرید کاربر است. با داده ها به عنوان پایه و منابع، آنچه باقی می ماند استفاده از تجزیه و تحلیل داده، داده کاوی، یادگیری ماشین و سایر الگوریتم ها برای کشف داده ها و بهره برداری از ارزش تجاری بالقوه است. با داده‌های رفتار خرید کاربر، صرف‌نظر از ارزش تجاری به‌دست‌آمده از تجزیه و تحلیل همبستگی، بسیاری از مقادیر تجاری دیگر را می‌توان کشف کرد. در زیر نیز مرتب‌سازی ساده‌ای از مقادیر دیگر داده‌های خرید کاربر انجام می‌دهم تا ایده‌های فکری و دیدگاه گسترده‌تری را در اختیار شما قرار دهم.

تا زمانی که داده‌های خرید مشتریان برای یک دوره زمانی جمع‌آوری می‌شود و داده‌ها دیجیتالی می‌شوند (وارد سیستم اطلاعاتی سوپرمارکت می‌شوند)، می‌توان از تحلیل‌های آماری ساده استفاده کرد (در صورتی که داده‌ها در یک پایگاه داده رابطه‌ای مانند ذخیره شده باشد. SQL، فقط یک دستور SQL مورد نیاز است). شمارش کنید که چه اقلامی اغلب توسط مشتریان خریداری می شود.

دانستن محصولاتی که اغلب خریداری می شوند (یعنی محصولات پرفروش یا روزانه) چه فایده ای دارد؟ من معتقدم که می توانید به راحتی به مفید بودن آن فکر کنید. اول از همه، خرید و سفارش برای مراکز خرید قطعا مفید است. منبع کالاهایی که اغلب خریداری می شود و زنجیره تامین باید به خوبی محافظت شود و مراکز خرید باید برای اطمینان از عرضه کافی توجه کنند. علاوه بر این، قرار دادن کالاهای گرم خریداری شده نیز می تواند بهینه شود. بسیاری از فروشگاه ها اقلام محبوب را در قابل توجه ترین و در دسترس ترین مکان ها برای مشتریان قرار می دهند. به همین دلیل بسیاری از سوپرمارکت ها آدامس و کاندوم را در محل صندوق قرار می دهند.

خرید بسیاری از کالاها ممکن است دارای نوسانات دوره زمانی و فصلی باشد. به عنوان مثال، شیر تازه معمولاً در صبح خریداری می شود، در حالی که کویل پشه در تابستان خریداری می شود. از طریق تجزیه و تحلیل زمان خرید، می توان به طور تقریبی قانون نوسانات برخی کالاها را در زمان و فصل دانست و قانون چرخه زمانی خرید فوق را تحلیل کرد. بهتر است به کسب و کارها در خرید، ذخیره و بازاریابی کالاها کمک کنید.

اگر با اطلاعات پرتره کاربر ترکیب شود (راه های زیادی برای به دست آوردن اطلاعات پرتره کاربر وجود دارد، به عنوان مثال، برخی از شرکت ها می توانند یک سیستم عضویت داشته باشند و کاربران می توانند برای یک APP آنلاین ثبت نام کنند تا اطلاعات مربوط به کاربر به دست آید. علاوه بر این، اگر دوربین ها و سایر تجهیزات در مرکز خرید وجود دارد، همچنین ممکن است اگر یک پرتره کلی از کاربر دریافت کنید، این موارد خارج از حوصله این مقاله هستند و دیگر تکرار نمی شوند، می توانید ویژگی های خرید گروه های مختلف را تجزیه و تحلیل کنید (مانند به عنوان تفاوت خرید جنسیت های مختلف، گروه های سنی مختلف، درآمدهای مختلف و غیره) و بازاریابی شخصی.

بسیاری از شرکت های خرده فروشی شرکت های زنجیره ای (یا حتی شرکت های چند ملیتی) هستند. آن‌ها می‌توانند داده‌های فروش را از فروشگاه‌های مختلف جمع‌آوری کنند، داده‌های مرتبط جغرافیایی را در مناطق مختلف تجزیه و تحلیل کنند، رفتار خرید کاربران در مناطق مختلف را بررسی کنند و استراتژی‌های سفارشی‌سازی شده برای مناطق مختلف ایجاد کنند. . به عنوان مثال، کاربران در مناطق مختلف ممکن است محصولات پرفروش متفاوتی داشته باشند، کاربران در مناطق مختلف اغلب محصولات مختلف را با هم خریداری می کنند و تغییرات فصلی در دوره خرید کاربران در مناطق مختلف نیز ممکن است متفاوت باشد. این تحلیل دقیق‌تر برای اتخاذ استراتژی‌های محلی برای مناطق مختلف (حتی فروشگاه‌های مختلف) مفید است.

بسیاری از شرکت‌های خرده‌فروشی هم برنامه‌های آنلاین و هم فروشگاه‌های فیزیکی آفلاین دارند (مانند Hema دارای APP Hema و فروشگاه‌های آفلاین Hema)، بنابراین نحوه پیوند آنلاین و آفلاین بسیار ارزشمند است. فروشگاه های آنلاین نیز دارای سبدهای به اصطلاح خرید هستند (محصولات خریداری شده توسط کاربر در اپلیکیشن را می توان به عنوان سبد خرید نیز در نظر گرفت) که می توانند از روش ها و استراتژی های تحلیل سبد خرید نیز استفاده کنند.

اگر یک شرکت خرده‌فروشی فقط به صورت آنلاین شروع به کار کند، و سپس به صورت آفلاین شروع به کار کند، تجزیه و تحلیل داده‌های آنلاین می‌تواند تجارت آفلاین را تقویت کند. به عنوان مثال، بر اساس تجزیه و تحلیل داده های رفتار خرید کاربر آنلاین، شما همچنین می توانید اطلاعات مختلف ذکر شده (مانند محصولات محبوب، محصولاتی که اغلب با هم خریداری می شوند و غیره) را کشف کنید و از این اطلاعات می توان به طور مستقیم برای انتخاب و چیدمان استفاده کرد. از فروشگاه های آفلاین برعکس

از داده های آنلاین نیز می توان برای انتخاب مکان فروشگاه های آفلاین استفاده کرد. به عنوان مثال، می توان وضعیت خرید کاربران آنلاین را تجزیه و تحلیل کرد و توزیع کاربران در مناطق مختلف را به دست آورد که برای راهنمایی تصمیم گیری تعداد و انتخاب مکان فروشگاه ها برای افتتاح فروشگاه در مناطق مختلف مفید است.

به طور خلاصه، در شرایطی که سود سهام اینترنت فعلی تمام شده است، یکپارچگی و پیوند آنلاین و آفلاین مسیر و فرصت است. ادغام آنلاین و آفلاین و توانمندسازی متقابل روندهای آینده صنعت خرده فروشی است. هر کسی که بتواند این روند را درک کند، بلیط مرحله بعدی توسعه طلایی صنعت خرده فروشی (حتی هر صنعتی) را خواهد گرفت.