Análisis de la canasta de compras: cómo Retail Media descubre patrones de compra ocultos

Una canasta de compras puede indicarte que la pasta y la salsa de tomate aparecen juntas. Por sí sola, no puede decirte si un anuncio de la salsa hará que se venda más pasta, si los compradores adquirieron ambos productos para la misma comida o si fue una promoción la que generó ese patrón.

Esa distinción es el punto de partida para un análisis de canasta útil.

El análisis de canasta examina los productos o categorías que aparecen en la misma transacción. Va más allá de la composición de la canasta, que describe lo que está presente, al comprobar si las relaciones se repiten en muchas canastas. Los equipos de Retail Media pueden usar esos patrones para formular hipótesis de venta cruzada, audiencias y ubicación. El método no explica por qué existe una relación.

La tarea práctica consiste en pasar de un patrón a una decisión sin pretender que la asociación sea causalidad.

Lo que realmente mide el análisis de canasta

El conjunto de datos básico cuenta con un identificador de transacción y los artículos asociados a ella. En el sector de comestibles, una transacción puede ser una canasta de compra en la caja. En el comercio electrónico, podría ser un pedido completado. Para un Retailer con cumplimiento mixto, el equipo debe decidir si los envíos divididos, las líneas canceladas, las devoluciones y las sustituciones pertenecen a la canasta original.

Esa elección es importante. Si cambia la definición de la transacción, el patrón también puede cambiar.

Las reglas de asociación suelen adoptar una forma como la siguiente:

Ejemplo de regla de asociación

Los shoppers que compraron el producto A también compraron el producto B.

Hay tres medidas que ayudan a los equipos a evaluar la regla. Estas definiciones siguen la literatura establecida sobre reglas de asociación, así como la documentación de IBM que se utiliza a continuación.[1][2][5]

El soporte es la proporción o el recuento de transacciones que contienen el conjunto de artículos. Una regla con bajo soporte puede ser real, pero demasiado poco frecuente como para justificar su aplicación.

La confianza es la proporción de canastas de A que también contienen B. Responde a una pregunta direccional: cuando ocurre A, ¿con qué frecuencia ocurre B?

El «lift» compara esa confianza con la incidencia normal de B. Una confianza alta puede resultar poco significativa cuando B aparece en casi todas las canastas. El «lift» corrige la tasa base al preguntar si A y B ocurren juntos con más frecuencia de lo que predeciría la independencia. La documentación de IBM sobre reglas de asociación defina estas medidas y muestra por qué la estructura de las transacciones y la elección de los umbrales determinan el conjunto de reglas resultante.[1][2]

Un analista competente interpreta las tres medidas en conjunto:

Fórmulas básicas

• Soporte(A y B) = canastas que contienen A y B / todas las canastas
• Confianza(A → B) = canastas que contienen A y B / canastas que contienen A
• Lift(A → B) = confianza(A → B) / proporción de todas las canastas que contienen B

El soporte indica la escala. La confianza describe la frecuencia condicional. El lift indica si la relación aporta información más allá de la popularidad del segundo artículo.

Comienza con la decisión, no con el algoritmo

Una herramienta de canasta de compras puede generar miles de reglas. La mayoría no son ideas para campañas.

Antes de ejecutar el análisis, defina la decisión:

• ¿Qué productos podrían respaldar una campaña de venta cruzada?
• ¿Qué categoría puede proporcionar una audiencia relevante para un lanzamiento?
• ¿Qué artículo que falta podría indicar que una misión está incompleta?
• ¿Qué producto adyacente merece una prueba in-store?
• ¿Qué SKU promocionado genera un halo más amplio en la categoría?

La decisión determina la unidad de análisis. Una pregunta a nivel de marca puede requerir la normalización de SKU. Una pregunta sobre soluciones de comida puede necesitar agrupaciones por categoría y ocasión. Una pregunta sobre medios en tienda puede requerir datos de disponibilidad a nivel de tienda y por zona. Una pregunta sobre compras repetidas puede requerir canastas vinculadas a Shoppers a lo largo del tiempo en lugar de transacciones aisladas.

Los umbrales también deben ajustarse al caso de uso. Los ejemplos prácticos de IBM muestran cómo el soporte mínimo, la confianza y el lift reducen el volumen de reglas generadas.[3] El objetivo no es encontrar un umbral universal. El objetivo es evitar un conjunto de reglas tan grande que cada coincidencia parezca susceptible de acción.

Un ejemplo práctico de Retail Media

Consideremos un análisis hipotético de 10 000 canastas para un Retailer que desea impulsar las ventas de una salsa de pasta premium.

Recuentos del ejemplo

• Todas las canastas: 10.000 (100 %)
• Canastas con salsa premium: 500 (5 %)
• Canastas con pasta fresca rellena: 800 (8 %)
• Canastas con ambos productos: 100 (1 %)

La regla «salsa de alta gama → pasta rellena» tiene un soporte del 1 % (100 / 10 000), una confianza del 20 % (100 / 500) y un lift de 2,5 (20 % / 8 %). Por lo tanto, los compradores de salsa tenían 2,5 veces más probabilidades de comprar pasta rellena que el carrito promedio en este conjunto de datos ilustrativo.

El cálculo hace que la regla sea reproducible, pero no automáticamente aplicable. El equipo aún debe verificar si la combinación se mantiene ante cambios en la semana, el formato de la tienda, la promoción y la disponibilidad conjunta. También se necesita un umbral comercial: 100 canastas conjuntas pueden justificar una pequeña prueba, pero no una campaña nacional.

Esa regla puede servir de base para varias pruebas:

1. Utilice a los compradores de pasta rellena como audiencia para la salsa, pero emplear un grupo holdout para estimar la incorporación incremental.
2. Probar un módulo onsite de venta conjunta cuando ambos productos estén disponibles.
3. Colocar la publicidad de la salsa cerca de una zona de soluciones para comidas en tiendas seleccionadas.
4. Mida la conversión de la salsa, la adhesión al producto emparejado, las ventas totales de la categoría y la sustitución de otras salsas.

El análisis no prueba que ningún tratamiento vaya a funcionar. Genera hipótesis mejores que las basadas en una audiencia genérica de compradores de la categoría.

Las verificaciones que evitan reglas erróneas

Verifica la disponibilidad del producto

Un producto no puede aparecer en una canasta si no estaba disponible. Verifique si una asociación débil coincide con brechas en la distribución, o si una asociación repentina comienza cuando un producto vuelve a estar en inventario. La disponibilidad del producto forma parte del diagnóstico.

Utiliza la disponibilidad de SKU de la tienda para el mismo período que las transacciones. Si esos datos están incompletos, indica la limitación.

Verificar las promociones y el precio

Dos artículos pueden aparecer juntos porque se incluyeron en la misma oferta. Una rebaja de precio también puede atraer a un grupo diferente de Shoppers a la categoría. Compara los períodos con y sin promociones antes de considerar que la relación es duradera.

Revisa la combinación de tiendas y canales

Verifica si una regla agrupada está impulsada por un pequeño grupo de tiendas grandes, un surtido exclusivo para entrega a domicilio o una sola región. Vuelve a analizar el patrón por formato de tienda, región y canal cuando el tamaño de la muestra lo permita.

Verifica la estabilidad temporal

Una regla de temporada no es automáticamente una regla permanente. Examina varios períodos y mantén visible la estacionalidad. La estabilidad no significa que los números deban ser idénticos; significa que la interpretación comercial se mantiene a pesar de cambios razonables en el intervalo de tiempo.

Revisa la dirección y las tasas base

De A a B no es lo mismo que de B a A. El café puede aparecer en muchas canastas de pasteles, mientras que los pasteles aparecen en pocas canastas de café. La acción publicitaria depende de qué producto genera el alcance y cuál es el producto al que se busca generar una respuesta.

Verifica si la regla se puede activar

Un patrón estadísticamente interesante puede fracasar comercialmente porque las audiencias son demasiado pequeñas, los productos rara vez están disponibles juntos, el margen no puede cubrir el costo de los medios o los Retailers no pueden segmentar al nivel requerido.

De la asociación a la activación

La guía a continuación: convierte una regla validada en un diseño de prueba, no en una respuesta garantizada de la campaña. La interpretación comercial forma parte del análisis de influencia de las canastas relacionadas.

Opciones de activación

• Creación de audiencias: use una compra reciente de A con una ventana retrospectiva basada en la cadencia; muestre B a compradores elegibles de A y excluya a quienes compraron B recientemente cuando el objetivo sea la adquisición; exija una compra incremental de B frente a un grupo de control.
• Ubicación de venta cruzada: exija que A esté en la canasta abierta y que B esté disponible; presente B mientras la canasta siga abierta; exija una incorporación incremental, no solo clics.
• Adyacencia in-store: exija una regla A-B estable, tráfico suficiente en la zona y disponibilidad conjunta; pruebe un mensaje combinado o una zona candidata; exija lift a nivel de tienda con un control creíble.
• Diagnóstico de medición: use datos de exposición y transacción con el mismo nivel de detalle del producto; compare incorporación, amplitud o composición; reporte el resultado descriptivo y use un contrafactual para estimar el impacto causal.

Las directrices de Retail Media de la IAB/MRC hacen hincapié en la transparencia de las fuentes de datos, las definiciones y los métodos en todos los entornos de medios.[4] Para el análisis de la canasta, eso significa informar sobre la definición de la transacción, la jerarquía de productos, el período de análisis, las reglas de elegibilidad, las exclusiones y el método de comparación.

Errores comunes

Considerar que la confianza es suficiente. Los productos populares generan reglas de alta confianza, incluso cuando el primer artículo aporta poca información.

Analizar únicamente a nivel de SKU sin procesar. La fragmentación por tamaño de empaque y sabor puede ocultar una relación de categoría o generar reglas duplicadas.

Usar un único modelo nacional agrupado. El surtido local y el formato de la tienda pueden generar patrones diferentes.

Convertir cada asociación en un paquete. Algunos productos aparecen juntos, pero no pertenecen al mismo mensaje, oferta o momento.

Inferir la intención del comprador a partir de una sola canasta. Una transacción registra un resultado bajo condiciones específicas; no revela el motivo completo.

Calificar de «incremental» el incorporación atribuida. Un mayor número de ventas emparejadas entre shoppers expuestos puede ser resultado de la selección de audiencias más que de los medios.

Lista de verificación para el comprador

Antes de aprobar una campaña basada en la canasta de compras, pregúntese:

• ¿Qué se considera una transacción?
• ¿Se manejan de manera consistente las devoluciones, las sustituciones y los artículos cancelados?
• ¿En qué jerarquía de productos se calcula la regla?
• ¿Cuáles son los valores de soporte, confianza y lift?
• ¿La regla se mantiene a lo largo de los períodos, tiendas y canales?
• ¿Se verificaron el precio, la promoción y la disponibilidad?
• ¿Es la audiencia o la ubicación lo suficientemente grande como para activarla?
• ¿Qué tratamiento pondrá a prueba la hipótesis?
• ¿Qué escenario contrafactual estimará la incrementalidad?

Preguntas frecuentes

¿El análisis de la canasta es lo mismo que la composición de la canasta?

No. La composición de la canasta describe lo que hay en una canasta. El análisis de la canasta es el método utilizado para identificar y evaluar relaciones recurrentes entre muchas canastas.

¿Un «lift» alto prueba que un producto provoca la compra de otro?

No. El lift muestra una asociación en relación con las tasas de referencia. Las misiones compartidas, las promociones, el surtido y las características de los Shoppers pueden explicar la relación.

¿Deberían los equipos usar datos de SKU o de categoría?

Utilicen el nivel que se ajuste a la decisión. El análisis de SKU puede respaldar la ubicación de un producto; el análisis de categorías puede revelar objetivos más amplios. Muchos proyectos necesitan ambos.

¿Puede el análisis de canasta detectar sustituciones?

Puede señalar relaciones negativas o cambiantes, pero la sustitución requiere un análisis cuidadoso de la disponibilidad, el precio y un análisis longitudinal. La ausencia de un producto en la misma canasta no es suficiente.

¿Cuál es la mejor métrica de éxito?

Elige la métrica vinculada al objetivo de la campaña: incorporación incremental, primera compra, amplitud de la categoría, valor total de la canasta o ventas incrementales. No uses una sola métrica para todas las reglas.

Conclusión

El análisis de canasta es una herramienta para detectar patrones. Su valor proviene de una interpretación disciplinada.

Define correctamente la transacción. Analiza conjuntamente el soporte, la confianza y el lift. Verifica el precio, la promoción, la disponibilidad y la mezcla de tiendas. Luego, convierte un pequeño número de asociaciones estables en pruebas de campaña controladas.

Así es como un patrón de compra oculto se convierte en una decisión de Retail Media en lugar de un gráfico en una presentación de análisis.

Fuentes

[1] IBM, Uso de reglas de asociación.

[2] IBM, Efecto de elevación en una regla de asociación.

[3] IBM, Ejemplos para crear reglas de asociación.

[4] IAB y Media Rating Council, Pautas de medición de Retail Media.

[5] Agrawal, Imieliński y Swami, Minería de reglas de asociación entre conjuntos de elementos en grandes bases de datos.

¿Listo para ver cómo funciona en la práctica?

Footprints AI ayuda a marcas y Retailers a medir lo que importa. Consulta nuestros casos de éxito de clientes o ponte en contacto para hablar sobre tu estrategia de Retail Media.