Visa mig din kundkorg så ska jag säga vem du är

Share this post:

Som vi tidigare skrivit här på bloggen, så kan detaljhandeln räkna med tuffare tider framöver. Jag tror dock att det kommer finnas vissa som kommer att klara sig mycket bättre än andra. De företag som använder sig av den information de har, på ett smartare sätt, kommer alltid att vara vinnare, även i snålblåst.

Många gånger när jag pratar om prediktiv analys och speciellt i samband med detaljhandel brukar ICA:s Mina Varor dyka upp som exempel på något som borde falla inom denna kategori av analys.

Utifrån min kunskap om det, som mottagare av deras erbjudande, så skulle jag vilja påstå att det inte är speciellt prediktivt. Det är dock ett väldigt bra exempel på att använda information för att bygga lojalitet och få mottagaren till butiken.  Skälet till att jag påstår detta är att, i alla fall jag, i stort sett aldrig fått erbjudande på varor/varugrupper som jag inte har köpt hos ICA tidigare och i de flesta fall är det varor jag skulle ha köpt oavsett om jag fick rabatten eller inte.

Så i stället för att i stort sett endast ge mig erbjudande på sådant jag köpt så skulle de kunna ge mig erbjudande på sådant jag inte köper med nog borde.

Hur skulle man då kunna ta detta ett steg längre, och dra nytta av det som prediktiv analys kan ge?

Ett första steg är att använda korganalys, Market Basket Analysis (MBA), vars syfte är att ta fram till exempel vilka produkter som säljs ofta i kombination, vilket i data mining kallas för en associationsanalys.

Vad man kan använda resultatet från denna analys till är exempelvis för att ta fram erbjudanden. Om man finner att produkt A och B ofta köps i kombination så kan man erbjuda alla medlemmar som ofta köper produkt A men inte B ett erbjudande på B och vice versa.

Men i och med att vi i detta fall analyserar medlemmar kan vi också få reda på i vilken ordning varor köps, till exempel att vecka 1 köper man produkt A och i vecka 3 så köper man produkt B, i en så kallad sekvensanalys.

Det denna analys ger är möjligheten att ha mer händelsestyrda erbjudanden, till exempel om man finner att man först köper produkt B sedan F och slutligen A så skulle man kunna ge ett erbjudande på A så fort kunden har köpt F, om det är så att vi vill att kunden skall köpa A så snart som möjligt.

Ovan är bara två exempel på enkla prediktiva analyser som skulle kunna göras baserat på endast kvittodata samt medlemsnummer. Det skulle till exempel kunna ta ett koncept som ICA:s Mina Varor ett steg längre.

Det gömmer sig också mycket kunskap i kvittodata. Baserat på mina inköp av blöjor och barnmat så går det exempelvis att med ganska stor säkerhet dra slutsatsen att jag har minst två barn. Kombinerat med information från medlemsdata, så som ålder, kön, civilstatus med mera, så går det att göra ytterligare förfinade analyser.

För mer läsning och tankar runt detta ämne så rekommenderar jag följande rapport; Delivering a Smarter Shopping Experience with Predictive Analytis – Innovative Retail Strategies

Läs även mina tidigare inlägg runt Prediktiv Analys, Smartare analys för en smartare planet och Analys och trafik.