상관 분석은 어떤 제품 또는 제품 조합이 자주 함께 구매되는지 분석할 수 있습니다. 함께 구매하는 경우가 많은 이 제품들의 조합을 찾으면 많은 가치 있는 일을 할 수 있습니다. 이러한 가치는 적어도 다음 세 가지 측면에서 구현될 수 있습니다.
1. 오프라인 매장에서의 상품 배치 및 배치 안내
자주 함께 구매하는 상품들을 오프라인 매장 공간과 가깝게 배치할 수 있어 고객의 선택이 편리하고 찾는 시간이 단축된다. 이것은 사용자 경험을 향상시키고 상품의 판매량을 무형으로 증가시킵니다. 더 많은 판매 수익을 얻으십시오.
타오바오, 징동닷컴과 같은 온라인 쇼핑몰이라면 자주 구매하는 상품 중 하나를 다른 상품의 관련 추천으로 활용할 수 있어 관련 상품의 조합이 함께 노출될 확률이 높아지고 사용자의 구매 전환이 촉진된다( 아래 그림은 Hema APP Browse Baxi에 있으며 아래에 제공된 일치하는 권장 사항). 이 부분은 세 번째 적용 시나리오에서 설명하겠습니다.
2. 오프라인 조달, 공급망 및 재고 최적화
같이 구매하는 경우가 많은 상품은 같은 지역의 공급자를 선택하여 창고의 유사한 장소에 보관하는 등 조달, 포장, 운송 및 재고의 전반적인 계획을 위해 함께 할 수 있습니다. 이 섹션의 소개를 위해 독자는 관련 자료를 검색할 수 있습니다.
3. 이벤트 마케팅을 위한 데이터 지원 제공
함께 구매하는 경우가 많은 상품은 함께 구매 시 할인, 더 저렴한 상품을 구매하기 위해 비싼 상품을 구매하는 등의 마케팅 활동(관련 상품의 브랜드 측에서도 공동 마케팅을 할 수 있음)에도 사용할 수 있습니다. 함께 구입하는 경우가 많습니다. 기다립니다.
위의 내용은 장바구니 상관관계 분석에서 누구나 쉽게 생각할 수 있는 몇 가지 비즈니스 사례에 불과합니다. 기업의 실제 상황과 결합하여 더 많은 애플리케이션 시나리오를 시도하고 탐색해야 합니다. 장바구니 분석에서 가장 중요한 것은 실제로 사용자의 구매 행동을 디지털화하는 것입니다. 데이터를 기반과 자원으로 하고 남은 것은 데이터 분석, 데이터 마이닝, 기계 학습 및 기타 알고리즘을 사용하여 데이터를 탐색하고 잠재적인 상업적 가치를 활용하는 것입니다. 사용자 쇼핑 행동 데이터를 사용하면 상관 분석을 통해 얻은 상업적 가치와 상관없이 다른 많은 상업적 가치를 발굴할 수 있습니다. 아래에서 사용자 쇼핑 데이터의 다른 값에 대한 간단한 정렬도 수행하여 생각하는 아이디어와 더 넓은 관점을 제공할 것입니다.
일정 기간 동안 고객의 쇼핑 데이터를 수집하고 데이터를 디지털화(슈퍼마켓의 정보 시스템에 입력)하면 간단한 통계 분석을 사용할 수 있습니다(데이터가 다음과 같은 관계형 데이터베이스에 저장되어 있으면 SQL, 하나의 SQL 문만 필요함). 고객이 자주 구매하는 품목을 카운트합니다.
가장 자주 구매하는 제품(예: 베스트셀러 또는 일일 판매 제품)을 아는 것이 무슨 소용입니까? 유용성을 쉽게 생각할 수 있다고 생각합니다. 우선 쇼핑몰에서 구매하고 주문하는데 확실히 도움이 됩니다. 가장 자주 구매하는 상품의 출처와 공급망을 잘 보호해야 하며 쇼핑몰은 충분한 공급을 보장하기 위해 주의를 기울여야 합니다. 또한, 핫 구매 상품의 배치도 최적화할 수 있습니다. 많은 상점에서 인기 상품을 고객이 가장 눈에 잘 띄고 접근하기 쉬운 장소에 배치합니다. 이러한 이유로 많은 슈퍼마켓에서 계산대에 껌과 콘돔을 넣습니다.
많은 상품의 구매에는 기간과 계절적 변동이 있을 수 있습니다. 예를 들어 신선한 우유는 일반적으로 아침에 구입하고 모기향은 여름에 구입합니다. 구매 시점의 분석을 통해 특정 상품의 시간과 계절의 변동 법칙을 대략적으로 알 수 있고 위의 구매 시간 주기의 법칙을 분석할 수 있습니다. 기업이 상품을 구매, 예약 및 판매하는 데 더 나은 도움이 됩니다.
사용자 초상화 정보와 결합하면(사용자 초상화 정보를 얻는 방법은 여러 가지가 있습니다. 예를 들어 일부 회사는 회원제를 가질 수 있으며 사용자는 온라인 APP에 등록하여 사용자 관련 정보를 얻을 수 있습니다. 또한, 쇼핑몰에 카메라 및 기타 장비가 있으며 가능합니다. 사용자의 일반적인 초상화를 얻는 경우에도 가능합니다. 이는 이 기사의 범위를 벗어나므로 반복하지 않습니다.) 다른 그룹의 구매 특성을 분석할 수 있습니다(예: 다른 성별, 다른 연령대, 다른 소득 등의 구매 차이로), 개인화 마케팅을 수행합니다.
많은 소매 회사는 체인 회사(또는 다국적 회사)입니다. 그들은 다른 상점에서 판매 데이터를 수집하고, 다른 지역에서 지리적으로 관련된 데이터를 분석하고, 다른 지역에서 사용자의 구매 행동을 탐색하고, 다른 지역에 대한 맞춤형 전략을 세울 수 있습니다. . 예를 들어, 다른 지역의 사용자는 다른 인기 상품을 가질 수 있고, 다른 지역의 사용자는 종종 다른 제품을 함께 구매하고, 다른 지역 사용자의 구매 기간의 계절적 변화도 다를 수 있습니다. 이 보다 정제된 분석은 다른 지역(심지어 다른 상점)에 대한 현지 전략을 채택하는 데 도움이 됩니다.
많은 소매 회사는 유선 온라인 APP와 오프라인 실제 매장(예: Hema에는 Hema APP 및 Hema 오프라인 매장이 있음)이 있으므로 온라인과 오프라인을 연결하는 방법이 매우 중요합니다. 온라인 상점에는 또한 장바구니 분석의 방법과 전략을 사용할 수 있는 소위 장바구니(사용자가 앱에서 구매한 제품을 장바구니로 간주할 수 있음)가 있습니다.
소매 회사가 온라인에서만 시작한 다음 오프라인에서 시작한다면 온라인 데이터 분석을 통해 오프라인 비즈니스를 강화할 수 있습니다. 예를 들어, 온라인 사용자의 구매 행동 데이터 분석을 기반으로 위에서 언급한 다양한 정보(인기 상품, 함께 구매하는 경우가 많은 상품 등)를 발굴할 수도 있으며, 이 정보는 선택 및 정렬에 직접 사용할 수 있습니다. 오프라인 매장의 . 반대의 경우도 마찬가지입니다.
온라인 데이터는 오프라인 매장의 위치 선택에도 사용할 수 있습니다. 예를 들어, 온라인 사용자의 구매 상황을 분석하고 다른 지역의 사용자 분포를 얻을 수 있으므로 다른 지역에 상점을 여는 상점의 수 결정 및 위치 선택을 안내하는 데 도움이 됩니다.
요컨대 현재 인터넷 배당금이 고갈되고 있는 상황에서 온·오프라인 통합과 연계가 방향이자 기회다. 온라인 및 오프라인 통합 및 상호 권한 부여는 소매 산업의 미래 트렌드입니다. 이 추세를 파악할 수 있는 사람은 소매 산업(모든 산업 포함)의 다음 황금 개발 단계로 가는 티켓을 얻을 수 있습니다.
