Rodzina obok ekspozycji produktów w sklepie spożywczym.

Analiza koszyka: jak Retail Media odkrywa ukryte wzorce zakupowe

Koszyk może wskazywać, że makaron i sos pomidorowy pojawiają się razem. Sam w sobie nie pozwala jednak stwierdzić, czy reklama sosu przyczyni się do zwiększenia sprzedaży makaronu, czy shoppers kupili oba produkty na ten sam posiłek, ani czy to promocja spowodowała ten wzorzec.

To rozróżnienie stanowi punkt wyjścia do przeprowadzenia użytecznej analizy koszyka.

Analiza koszyka bada produkty lub kategorie, które występują w tej samej transakcji. Wykracza ona poza sam skład koszyka, który opisuje jedynie to, co się w nim znajduje, sprawdzając, czy pewne zależności powtarzają się w wielu koszykach. Zespoły ds. Retail Media mogą wykorzystać te wzorce do sformułowania hipotez dotyczących sprzedaży krzyżowej, audiencji i rozmieszczenia reklam. Metoda ta nie wyjaśnia jednak, dlaczego dana zależność istnieje.

W praktyce chodzi o przejście od wzorca do decyzji bez udawania, że związek ten ma charakter przyczynowo-skutkowy.

Co faktycznie mierzy analiza koszyka

Podstawowy zbiór danych zawiera identyfikator transakcji oraz powiązane z nią pozycje. W handlu spożywczym transakcja może oznaczać jeden koszyk przy kasie. W handlu elektronicznym może to być jedno zrealizowane zamówienie. W przypadku sprzedawcy stosującego mieszaną realizację zamówień zespół musi zdecydować, czy podzielone wysyłki, anulowane pozycje, zwroty i zamiany należą do pierwotnego koszyka.

Ten wybór ma znaczenie. Jeśli zmieni się definicja transakcji, wzorzec również może ulec zmianie.

Reguły asocjacyjne zazwyczaj mają postać:

Przykład reguły asocjacyjnej

Shoppersi, którzy kupili produkt A, kupili również produkt B.

Trzy miary pomagają zespołom w ocenie reguły. Definicje te są zgodne z uznaną literaturą dotyczącą reguł asocjacyjnych, a także z dokumentacją IBM wykorzystaną poniżej.[1][2][5]

Wsparcie to odsetek lub liczba transakcji zawierających dany zbiór elementów. Reguła o niskim wsparciu może być prawdziwa, ale zbyt rzadka, aby uzasadnić działanie.

Ufność to odsetek koszyków z produktem A, które zawierają również produkt B. Odpowiada ona na pytanie kierunkowe: kiedy pojawia się A, jak często pojawia się B?

Współczynnik lift porównuje tę ufność z normalną częstotliwością występowania elementu B. Wysoka ufność może nie robić wrażenia, gdy element B pojawia się w niemal każdym koszyku. Współczynnik lift koryguje wskaźnik bazowy, sprawdzając, czy elementy A i B występują razem częściej, niż wynikałoby to z hipotezy niezależności. Dokumentacja IBM dotycząca reguł asocjacyjnych definiuje te miary i pokazuje, dlaczego struktura transakcji oraz wybór progów wpływają na ostateczny zestaw reguł.[1][2]

Praktyczny analityk interpretuje te trzy miary łącznie:

Podstawowe wzory

Wsparcie(A i B) = koszyki zawierające A i B / wszystkie koszyki
Ufność(A → B) = koszyki zawierające A i B / koszyki zawierające A
Lift(A → B) = ufność(A → B) / udział wszystkich koszyków zawierających B

Wsparcie wskazuje na skalę. Ufność opisuje częstotliwość warunkową. Lift wskazuje, czy zależność wnosi dodatkową informację wykraczającą poza popularność drugiego elementu.

Zacznij od decyzji, a nie od algorytmu

Narzędzie do analizy koszyków zakupowych może wygenerować tysiące reguł. Większość z nich nie stanowi pomysłów na kampanię.

Przed przeprowadzeniem analizy określ decyzję:

Które produkty mogłyby posłużyć do kampanii sprzedaży krzyżowej?
Która kategoria może zapewnić odpowiednią audiencję dla premiery produktu?
Który brakujący produkt może sygnalizować niekompletną misję?
Które sąsiedztwo produktów zasługuje na in-store test?
Który promowany asortyment (SKU) tworzy szersze halo w kategorii?

Decyzja ta określa jednostkę analizy. Pytanie dotyczące marki może wymagać normalizacji numerów katalogowych. Pytanie dotyczące rozwiązań posiłkowych może wymagać pogrupowania według kategorii i okazji. Pytanie dotyczące mediów sklepowych może wymagać danych dotyczących dostępności na poziomie sklepu oraz danych strefowych. Pytanie dotyczące powtórnych zakupów może wymagać analizy koszyków powiązanych z konkretnymi klientami w czasie, a nie pojedynczych transakcji.

Progi powinny również wynikać z konkretnego przypadku użycia. Przykłady z praktyki IBM pokazują, w jaki sposób minimalne wsparcie, poziom ufności i lift zmniejszają liczbę generowanych reguł.[3] Nie chodzi o znalezienie jednego uniwersalnego progu. Chodzi o uniknięcie zestawu reguł tak obszernego, że każdy zbieg okoliczności wydaje się warty działania.

Praktyczny przykład Retail Media

Rozważmy hipotetyczną analizę 10 000 koszyków dla detalisty, który chce zwiększyć sprzedaż sosu do makaronu klasy premium.

Liczebności w przykładzie

Wszystkie koszyki: 10 000 (100%)
Koszyki z sosem premium: 500 (5%)
Koszyki ze świeżym nadziewanym makaronem: 800 (8%)
Koszyki z oboma produktami: 100 (1%)

Reguła „sos premium → makaron nadziewany” ma 1% poparcia (100 / 10 000), 20% poziom ufności (100 / 500) i współczynnik lift wynoszący 2,5 (20% / 8%). Nabywcy sosów byli zatem 2,5 razy bardziej skłonni do zakupu makaronu z nadzieniem niż wynosi średnia dla koszyków w tym przykładowym zbiorze danych.

Obliczenia sprawiają, że reguła jest powtarzalna, ale nie oznacza to, że można ją automatycznie wdrożyć. Zespół musi jeszcze sprawdzić, czy ta para produktów zachowuje swoją skuteczność przy zmianach tygodnia, formatu sklepu, promocji oraz dostępności obu produktów. Potrzebny jest też próg komercyjny: 100 koszyków zawierających oba produkty może uzasadniać mały test, ale nie kampanię ogólnokrajową.

Zasada ta może posłużyć do przeprowadzenia kilku testów:

Wykorzystaj nabywców makaronów z nadzieniem jako grupę docelową dla sosu, ale zastosuj grupę holdout, aby oszacować przyrostowy wskaźnik zakupu.
Przetestuj moduł sprzedaży łącznej onsite, gdy oba produkty są dostępne.
Umieść kreację reklamową sosu w pobliżu strefy gotowych posiłków w wybranych sklepach.
Zmierz konwersję sosu, współzakup produktu z zestawu, całkowitą sprzedaż w kategorii oraz zastąpienie innych sosów.

Analiza ta nie dowodzi, że którekolwiek z rozwiązań zadziała. Pozwala jednak sformułować lepsze hipotezy niż w przypadku ogólnej audiencji nabywców produktów z danej kategorii.

Kontrole zapobiegające błędnym regułom

Sprawdź dostępność produktu

Produkt nie może pojawić się w koszyku, jeśli jest niedostępny. Sprawdź, czy słabe powiązanie pokrywa się z lukami w dystrybucji, czy też nagłe powiązanie pojawia się, gdy dany produkt wraca do magazynu. Dostępność produktu powinna być uwzględniona w diagnozie.

Należy wykorzystać dane o dostępności SKU w sklepie z tego samego okresu, co transakcje. Jeśli dane te są niekompletne, należy zaznaczyć to ograniczenie.

Sprawdź promocje i ceny

Dwa produkty mogą występować razem, ponieważ były objęte tą samą ofertą. Obniżka ceny może również spowodować zmianę struktury shopperów w danej kategorii. Przed uznaniem tej zależności za trwałą należy porównać okresy objęte promocją z okresami bez promocji.

Sprawdź strukturę sklepów i kanałów

Sprawdź, czy reguła zbiorcza wynika z działania niewielkiej grupy dużych sklepów, asortymentu dostępnego wyłącznie w dostawie lub jednego regionu. Ponownie przeanalizuj wzorzec według formatu sklepu, regionu i kanału, o ile pozwala na to wielkość próby.

Sprawdź stabilność w czasie

Zasada świąteczna nie jest automatycznie zasadą stałą. Przeanalizuj kilka okresów i zwróć uwagę na sezonowość. Stabilność nie oznacza, że liczby muszą być identyczne; oznacza to, że interpretacja handlowa pozostaje aktualna pomimo rozsądnych zmian w przedziale czasowym.

Sprawdź kierunek i wskaźniki bazowe

Kierunek od A do B nie jest taki sam jak od B do A. Kawa może pojawiać się w wielu koszykach z wypiekami, podczas gdy wypieki pojawiają się w niewielu koszykach z kawą. Działania w mediach zależą od tego, który produkt zapewnia zasięg, a który jest zamierzoną reakcją.

Sprawdź, czy reguła może zostać uruchomiona

Wzorzec interesujący z punktu widzenia statystyki może okazać się nieudany z handlowego punktu widzenia, ponieważ audiencje są zbyt małe, produkty rzadko są dostępne razem, marża nie pokrywa kosztów mediów lub sprzedawca detaliczny nie jest w stanie dotrzeć do odbiorców na wymaganym poziomie.

Od powiązania do aktywacji

Poniższe wskazówki dla praktyków przekształcają zweryfikowaną regułę w projekt testu, a nie gwarantowaną reakcję na kampanię. Interpretacja komercyjna należy do powiązanej analizy wpływu koszyków zakupowych.

Opcje aktywacji

Tworzenie audiencji: wykorzystaj niedawny zakup produktu A i okno retrospektywne dopasowane do cyklu zakupowego; pokaż produkt B kwalifikującym się nabywcom A i wyklucz osoby, które niedawno kupiły B, gdy celem jest pozyskanie nowych klientów; wymagaj inkrementalnego zakupu B względem grupy kontrolnej.
Umieszczenie sprzedaży krzyżowej: wymagaj, aby produkt A znajdował się w otwartym koszyku, a produkt B był dostępny; prezentuj B, dopóki koszyk pozostaje otwarty; wymagaj inkrementalnego dodania produktu, a nie samych kliknięć.
Sąsiedztwo in-store: wymagaj stabilnej reguły A-B, wystarczającego ruchu w strefie i wspólnej dostępności; przetestuj łączony komunikat lub wybraną strefę; wymagaj liftu na poziomie sklepu z wiarygodną grupą kontrolną.
Diagnoza pomiarowa: użyj danych o ekspozycji i transakcjach na tym samym poziomie szczegółowości produktu; porównaj dodanie produktu, szerokość lub skład; przedstaw wynik opisowy i zastosuj scenariusz kontrfaktyczny do oceny wpływu przyczynowego.

Wytyczne IAB/MRC dotyczące Retail Media kładą nacisk na przejrzystość źródeł danych, definicji i metod w różnych środowiskach medialnych.[4] W przypadku analizy koszyka oznacza to podanie definicji transakcji, hierarchii produktów, okresu analizy, zasad kwalifikacji, wykluczeń oraz metody porównania.

Typowe błędy

Traktowanie poziomu ufności jako wystarczającego. Popularne produkty tworzą reguły o wysokim poziomie ufności, nawet jeśli pierwsza pozycja wnosi niewiele informacji.

Analiza wyłącznie na poziomie surowych jednostek SKU. Fragmentacja wielkości opakowań i smaków może ukrywać zależności między kategoriami lub powodować powielanie reguł.

Stosowanie jednego, uogólnionego modelu krajowego. Lokalny asortyment i format sklepu mogą generować różne wzorce.

Przekształcanie każdego powiązania w pakiet. Niektóre produkty występują razem, ale nie należą do tej samej wiadomości, oferty czy sytuacji.

Wnioskowanie o intencjach kupującego na podstawie jednego koszyka. Transakcja rejestruje wynik w określonych warunkach. Nie ujawnia ona pełnego motywu.

Nazywanie atrybucji dodania produktu „inkrementalną”. Większa liczba sprzedaży w parach wśród eksponowanych shopperów może wynikać raczej z doboru audiencji niż z mediów.

Lista kontrolna dla nabywców

Przed zatwierdzeniem kampanii opartej na koszyku należy zadać sobie następujące pytania:

Co liczy się jako jedna transakcja?
Czy zwroty, zamiany i anulowane pozycje są traktowane w spójny sposób?
Na jakim poziomie hierarchii produktów obliczana jest reguła?
Jakie są wartości wsparcia, ufności i liftu?
Czy reguła obowiązuje w różnych okresach, sklepach i kanałach?
Czy sprawdzono cenę, promocję i dostępność?
Czy audiencja lub miejsce ekspozycji są wystarczająco duże, aby uruchomić działanie?
Jakie działanie pozwoli zweryfikować hipotezę?
Jaki scenariusz alternatywny pozwoli oszacować inkrementalność?

Często zadawane pytania

Czy analiza koszyka to to samo, co skład koszyka?

Nie. Skład koszyka opisuje, co znajduje się w koszyku. Analiza koszyka to metoda stosowana do identyfikacji i oceny powtarzających się zależności między wieloma koszykami.

Czy wysoki wskaźnik liftu dowodzi, że jeden produkt powoduje zakup innego?

Nie. Lift wskazuje na powiązanie w odniesieniu do wskaźników bazowych. Wspólne cele, promocje, asortyment i cechy shopperów mogą wyjaśniać tę zależność.

Czy zespoły powinny korzystać z danych dotyczących jednostek magazynowych (SKU) czy kategorii?

Należy korzystać z poziomu, który odpowiada podejmowanej decyzji. Analiza na poziomie SKU może wspierać rozmieszczenie produktów; analiza na poziomie kategorii może ujawnić szersze cele. Wiele projektów wymaga wykorzystania obu tych poziomów.

Czy analiza koszyka pozwala wykryć substytucję?

Może ona wskazać negatywne lub zmieniające się relacje, ale identyfikacja substytutów wymaga starannej analizy dostępności, ceny oraz analizy długoterminowej. Sam brak danego produktu w tym samym koszyku nie wystarczy.

Jaki jest najlepszy wskaźnik sukcesu?

Wybierz wskaźnik powiązany z celem kampanii: przyrostowy wskaźnik współzakupu, pierwszy zakup, zakres kategorii, całkowita wartość koszyka lub przyrostowa sprzedaż. Nie stosuj jednego wskaźnika dla wszystkich reguł.

Podsumowanie

Analiza koszyka jest narzędziem do wykrywania wzorców. Jej wartość wynika z dyscypliny w interpretacji wyników.

Prawidłowo zdefiniuj transakcję. Analizuj jednocześnie wskaźniki wsparcia, ufności i liftu. Sprawdź cenę, promocję, dostępność i asortyment sklepu. Następnie przekształć niewielką liczbę stabilnych powiązań w kontrolowane testy kampanii.

W ten sposób ukryty wzorzec zakupowy staje się podstawą decyzji w zakresie Retail Media, a nie tylko wykresem w prezentacji analitycznej.

Źródła

[1] IBM, Wykorzystanie reguł asocjacyjnych.

[2] IBM, Współczynnik lift w regule asocjacyjnej.

[3] IBM, Przykłady tworzenia reguł asocjacyjnych.

[4] IAB i Media Rating Council, Wytyczne dotyczące pomiaru Retail Media.

[5] Agrawal, Imieliński i Swami, Wykrywanie reguł asocjacyjnych między zbiorami elementów w dużych bazach danych.

Chcesz zobaczyć, jak to działa w praktyce?

Footprints AI pomaga markom i detalistom mierzyć to, co naprawdę ma znaczenie. Zobacz nasze historie sukcesu klientów lub skontaktuj się z nami, aby porozmawiać o strategii Retail Media.