Powinowactwo kategorii: jak zachowania zakupowe przekształcają się w audiencję Retail Media
Większość planów audiencji w Retail Media opiera się na osobach, które już dokonały zakupu danej marki. Takie podejście sprawdza się w przypadku uzupełniania zapasów, budowania lojalności i odzyskiwania klientów. Jest to jednak niewystarczające rozwiązanie w przypadku strategii rozwoju, ponieważ grupa docelowa ogranicza się do znanych klientów.
Powinowactwo kategorii poszerza zakres poszukiwań. Szacuje ono, jak silnie zaobserwowane zachowanie shoppersa wiąże się z daną kategorią lub zestawem produktów, a następnie identyfikuje osoby, które nie dokonały zakupu, ale których zachowanie sugeruje, że dana kategoria jest dla nich istotna.
Kluczowym słowem jest tutaj „szacuje”. Powinowactwo kategorii to wynik modelowy, a nie fakt dotyczący konkretnej osoby ani dowód na to, że reklama zmieni zachowanie. Dobre narzędzie do analizy powinowactwa kategorii jasno określa dane wejściowe, okres analizy, wykluczenia i proces walidacji. Słabe narzędzie przypisuje szerokiej grupie audiencji znaną etykietę i pozwala nabywcy zakładać, że wyniki są precyzyjne.
Niniejszy przewodnik skupia się na kwestii skłonności behawioralnych: jak zbudować, aktywować i przetestować audiencję opartą na powinowactwie do kategorii. Uregulowana taksonomia i warstwa mapowania jednostek magazynowych (SKU) stanowią podstawę uniwersum produktów. Szerszy przewodnik dotyczący audiencji predykcyjnych obejmuje segmentację opartą na prawdopodobieństwie w odniesieniu do różnych wyników; powinowactwo do kategorii jest przypadkiem użycia specyficznym dla danej kategorii. Z kolei misje i momenty zakupowe opisują cel i kontekst wizyty w sklepie.
Co oznacza powinowactwo do kategorii
Nie ma jednej, standardowej w branży formuły określającej powinowactwo do kategorii. Poniższa metoda stanowi zalecany wzorzec wdrożeniowy: zdefiniuj uporządkowany zbiór produktów, skonstruuj przejrzyste cechy behawioralne, przypisz punktację wyraźnemu przyszłemu wynikowi i zweryfikuj wynik w czasie. Wynik powinowactwa z kategorią może wówczas odzwierciedlać względny związek shoppersa z daną kategorią na podstawie zakupów, częstotliwości, aktualności, wydatków, zmiany marki oraz koszyków z powiązanymi kategoriami.
Załóżmy, że klient nie kupił nowych płatków śniadaniowych z białkiem. Jednak w ciągu sześciu miesięcy wielokrotnie kupował jogurt grecki, granolę, owoce jagodowe, masło orzechowe i przekąski białkowe. Zakupy te mogą uzasadniać wysoką ocenę dla zestawu śniadaniowego zorientowanego na zdrowie. Ocena ta nie oznacza, że kupi on płatki śniadaniowe. Oznacza jedynie, że jego wzorzec zachowań jest bardziej podobny do wzorca nabywców produktów z tej kategorii niż do wzorca przeciętnego kwalifikującego się klienta.
Powinowactwo można definiować na kilku poziomach:
- szerokiej kategorii, takiej jak opieka nad zwierzętami;
- zestaw potrzeb, np. szybkie śniadanie;
- poziom cenowy lub propozycji, np. kawa premium;
- związek z kategorią pokrewną, np. piwo rzemieślnicze i przekąski premium;
- model wejścia marki ograniczony do nabywców z danej kategorii, którzy nie kupili reklamowanej marki.
Zbiór produktów musi być podzielony na wersje. Model zwany „affinity health” jest niemożliwy do zweryfikowania, jeśli nikt nie jest w stanie wymienić produktów, które stworzyły tę etykietę.
Powinowactwo nie jest retargetingiem, danymi demograficznymi ani deklarowanymi zainteresowaniami
Retargeting wybiera osoby, które już wykonały określoną czynność. Dane demograficzne opisują cechy populacji. Zadeklarowane zainteresowania wynikają z tego, co ludzie mówią lub wybierają w innym kontekście. Powinowactwo wykorzystuje obserwowane zachowanie do oszacowania relacji, która może wykraczać poza bezpośredni zakup reklamowanego produktu.
Artykuł Amazona dotyczący filtrowania opartego na współpracy „item-to-item” opisuje dopasowywanie każdego zakupionego lub ocenionego produktu do podobnych produktów oraz łączenie tych relacji w rekomendacje (artykuł Amazona dotyczący filtrowania opartego na współpracy „item-to-item”). Modelowanie powinowactwa kategorii działa na innym poziomie decyzyjnym, ale płynąca z niego lekcja jest istotna: podobieństwo behawioralne można budować na podstawie relacji między produktami, a nie na podstawie podobieństwa demograficznego.
Nie oznacza to jednak, że zachowania są nieomylne. Zakup dokonany przez gospodarstwo domowe może reprezentować kilka osób. Prezent może wyglądać na wynik osobistych preferencji. Jednorazowa promocja może zniekształcić częstotliwość zakupów. Model musi zatem zostać zweryfikowany w świetle przyszłych zachowań i stosowany z uwzględnieniem zabezpieczeń prywatności.
Najpierw zbuduj uniwersum produktów, a dopiero potem audiencje
Pierwszą decyzją dotyczącą modelowania nie jest wybór algorytmu. Jest nią uniwersum produktów.
Zdefiniuj:
- główną kategorię lub regulowany zestaw produktów;
- bezpośrednich nabywców w danej kategorii;
- nabywców marek reklamowanych, których należy uwzględnić lub pominąć;
- kategorie pokrewne dopuszczone jako sygnały;
- produkty lub transakcje, które należy wykluczyć;
- wersja hierarchii i mapowania;
- populacja kwalifikująca się.
Jeśli „kawa premium” zostanie wywnioskowana na podstawie niespójnego oznaczenia „premium”, model nauczy się błędów katalogowych. Jeśli sprzedawca niedawno przeniósł kawę gotową do spożycia do innej gałęzi taksonomii, zapytanie oparte wyłącznie na kategorii może pominąć istotne zakupy. Dlatego zasób afinityjny opiera się na kanonicznej taksonomii i warstwie mapowania SKU, pozostając jednocześnie odrębnym produktem dla grupy docelowej.
Wybieraj sygnały z uzasadnieniem
Większa liczba cech nie oznacza automatycznie lepszych audiencji. Każdy sygnał powinien opierać się na hipotezie.
Bezpośrednie zachowania w kategorii
Aktualność, częstotliwość, wydatki, liczba sztuk i udział w portfelu pozwalają odróżnić stałych nabywców od okazjonalnych. Należy uwzględnić cykle zakupowe poszczególnych kategorii: ostatnie zachowania mają inne znaczenie w przypadku świeżej żywności niż w przypadku materacy.
Zmiana marki
Zmianę marki można przetestować jako sygnał otwartości na wypróbowanie nowego produktu, zamiast zakładać, że to właśnie ona ją potwierdza. Cecha opisująca zmianę marki może pomóc oddzielić zaangażowanie w kategorię od trwałego przywiązania do marki, jeśli poprawia prognozy na przyszłość dla danego sprzedawcy i kategorii.
Zachowania międzykategorialne
Powtarzające się wspólne zakupy mogą ujawnić uzupełniające się potrzeby. Żywność dla niemowląt i pieluchy, makaron i sos lub ser premium i wino mogą tworzyć użyteczne powiązania. Traktuj te powiązania jako hipotezę, dopóki nie pozwolą one przewidzieć przyszłych zachowań poza próbą.
Kontekst koszyka i okazji
Związek między kategoriami może zmieniać się w zależności od wizyty w sklepie. Zachowania związane ze zdrowym śniadaniem w dni powszednie mogą być bardziej przydatne do podjęcia działań niż ten sam wynik uzyskany podczas zakupów związanych z imprezą. Warstwy „misji” i „chwili” należy zastosować po zdefiniowaniu podstawowego powinowactwa kategorii, a nie łączyć je w niezrozumiałą etykietę.
Dowody negatywne
Powtarzające się zakupy produktów z danej kategorii bez reakcji na podobne oferty, wykluczenia dietetyczne, niezgodne produkty lub niedawna utrata klienta mogą zmniejszyć kwalifikowalność. Wykluczenia mogą poprawić precyzję, gdy eliminują ewidentnie niezgodne przypadki; każde wykluczenie powinno zostać przetestowane pod kątem wartości predykcyjnej, utraty zasięgu i nieuczciwych efektów zastępczych.
Przykład przejrzystej punktacji
Sprzedawca detaliczny chce znaleźć potencjalnych nabywców nowej marki karmy dla kotów z segmentu premium. Poniżej przedstawiono przykładowy przebieg procesu, a nie punkt odniesienia dla wydajności.
- Ustal daty. Jako okno obserwacyjne wykorzystaj 26 tygodni kończących się w dniu kwalifikacji. Zdefiniuj wynik jako zakup karmy premium dla kotów lub marki wprowadzanej na rynek w późniejszym oknie ośmiotygodniowym. Wyklucz wszystkie transakcje z okna wynikowego z procesu tworzenia cech.
- Zdefiniuj kryteria kwalifikacyjne i wykluczenia. Zacznij od gospodarstw domowych powiązanych z programem lojalnościowym, aktywnych w ciągu ostatnich 90 dni. Wyklucz obecnych nabywców marki wprowadzanej na rynek w ramach kampanii penetracyjnej i zachowaj oddzielny znacznik dla pozostałych nabywców karmy dla kotów klasy premium.
- Znormalizuj przejrzyste sygnały. Przekształć aktualność zakupów karmy dla kotów na wartość od zera do jednego w odniesieniu do cyklu zakupowego w tej kategorii; przekształć częstotliwość zakupów na percentyl wśród kwalifikujących się gospodarstw domowych; wyraź udział produktów premium jako wydatki na karmę premium dla kotów podzielone przez wydatki na karmę dla kotów; oraz zakoduj powiązane zakupy produktów do pielęgnacji kotów oraz zmianę marki w tym samym zakresie od zera do jednego. Zastosuj wyraźne kary w przypadku koszyków zawierających wyłącznie produkty dla psów oraz w przypadku nieaktualnych lub niepewnych danych dotyczących gospodarstw domowych.
- Wybierz metodę. W przypadku pierwszej wersji oblicz średnią znormalizowanych sygnałów pozytywnych i odejmij udokumentowane kary. Jest to wynik oparty na regułach, a nie wyszkolony model prawdopodobieństwa. Wyszkolony model może go zastąpić tylko wtedy, gdy walidacja i monitorowanie poza bieżącym okresem wykażą istotną korzyść operacyjną.
- Utwórz przedziały punktowe. Sklasyfikuj kwalifikujących się niekupujących w stałych przedziałach kwantylowych, zachowaj stan niepewny lub niekwalifikujący się oraz zapisz identyfikatory zestawu produktów, cech i wersji oceny.
- Ustal politykę aktywacji na podstawie danych z grupy testowej. W przyszłym oknie czasowym porównaj wskaźniki zakupów według kategorii i marek dla każdego przedziału z wartością bazową populacji kwalifikującej się. Aktywuj tylko te przedziały, które wykazują stabilne rozróżnienie prognostyczne, wystarczającą skalę, do której można dotrzeć, oraz akceptowalne efekty tłumienia. Nie wymyślaj uniwersalnej wartości granicznej ani nie nazywaj najwyższego przedziału „wysokim zamiarem”.
Ta sekwencja pozwala innemu analitykowi odtworzyć ścieżkę od kwalifikujących się transakcji do przedziałów punktacji bez traktowania mechanizmów ilustracyjnych jako zmierzonych wyników.
Zweryfikuj model przed przypisaniem mu twierdzeń marketingowych
Jako zalecaną kontrolę podczas opracowywania modelu należy zastosować test na zbiorze testowym oparty na czasie. Należy zbudować cechy na podstawie okna obserwacyjnego, a następnie sprawdzić, czy wyższe przedziały wyników pozwalają przewidzieć z góry określone zachowanie docelowe w przyszłym oknie. Nie należy przeprowadzać walidacji na tych samych transakcjach, które posłużyły do stworzenia skali, oraz należy zweryfikować wzorzec oddzielnie dla danego sprzedawcy detalicznego, kategorii i docelowej populacji aktywacji.
Przydatne wskaźniki diagnostyczne obejmują:
- wskaźnik zakupów w danej kategorii według przedziału punktacji;
- wzrost w stosunku do wartości bazowej kwalifikującej się populacji;
- precyzja wśród najwyżej ocenionych klientów;
- zasięg i wielkość grupy docelowej;
- kalibrację, tak aby wzrost wyniku odpowiadał znacznemu wzrostowi prawdopodobieństwa;
- stabilność w różnych sklepach, regionach i porach roku;
- skuteczność w odniesieniu do nowych, rzadko kupujących i klientów o wysokiej wartości;
- pokrywanie się z audiencjami obecnych nabywców i audiencjami retargetingowymi.
Model powinowactwa może dobrze przewidywać zakupy w danej kategorii, a mimo to stanowić słabą audiencję kampanii. Najwyższy przedział może składać się głównie z osób, które i tak zamierzały dokonać zakupu. Wzrost prognozowany nie jest wzrostem przyrostowym.
Aktywacja zależy od celu kampanii
W przypadku retencji właściwą grupą docelową mogą być bezpośredni nabywcy. W przypadku penetracji należy wykluczyć osoby, które niedawno dokonały zakupu produktów danej marki, i dotrzeć do osób niebędących nabywcami, ale wykazujących zainteresowanie daną kategorią. W przypadku podnoszenia jakości zakupów należy zacząć od nabywców z danej kategorii, których koszyki i struktura cenowa wskazują na odpowiednią ofertę. W przypadku sprzedaży krzyżowej należy wykorzystać jasno zdefiniowaną relację między kategorią źródłową a kategorią docelową.
Podręcznik IAB zaleca dopasowanie umiejscowienia treści in-store do celu kampanii (Podręcznik IAB dotyczący cyfrowych nośników zewnętrznych (DOOH) i Retail Media). Sama nazwa audiencji nie wystarczy. Nabywca potrzebuje danych źródłowych, logiki, wskaźnika dopasowania adresowalnego oraz kanału medialnego.
Wybór kanału również ma znaczenie:
- Kanały offsite mogą dotrzeć do audiencji o podobnych zainteresowaniach jeszcze przed rozpoczęciem aktywnej sesji zakupowej.
- Onsite może łączyć wynik oceny z bieżącym przeglądaniem lub wyszukiwaniem.
- In-store reklama może wykorzystywać aktywację na poziomie kohorty lub lokalizacji, o ile pozwalają na to indywidualne powiązania i zgoda.
Kreacja powinna odzwierciedlać logikę audiencji. Osoba, która nie kupuje produktów z danej kategorii, potrzebuje powodu, aby się nią zainteresować. Osoba często nabywająca produkty z danej kategorii może potrzebować wyróżnienia na poziomie produktu. Osoba zmieniająca markę może zareagować na dowód różnicy, a nie na ogólny komunikat dotyczący kategorii.
Kampanię należy mierzyć oddzielnie od modelu audiencji
Powstają dwa różne pytania:
- Czy wynik powinowactwa pozwolił zidentyfikować osoby bardziej skłonne do wykonania docelowego zachowania?
- Czy media skierowane do tej grupy audiencji przyniosły dodatkowe efekty?
Pierwsze pytanie dotyczy walidacji predykcyjnej. Drugie wymaga eksperymentalnego lub wiarygodnego projektu kontrfaktycznego.
Wytyczne IAB/MRC rozróżniają wyniki w ramach atrybucji od pomiaru przyczynowego i wymagają jasnego określenia zakresu grupy docelowej oraz produktu (Wytyczne IAB/MRC dotyczące pomiaru Retail Media). Tam, gdzie to możliwe, należy losowo przydzielić kwalifikujących się shopperów do grupy eksperymentalnej i grupy holdout w ramach tych samych przedziałów powinowactwa. Pozwala to utrzymać stałą definicję grupy docelowej podczas testowania wpływu ekspozycji.
Raport:
- wielkość kwalifikującej się grupy odbiorców;
- wielkość dopasowanej i osiągalnej grupy;
- liczba osób w grupie eksperymentalnej i kontrolnej;
- ekspozycja i częstotliwość;
- wyniki zakupów w podziale na kategorie i marki;
- zasady new-to-brand;
- przyrostowy wzrost przy uwzględnieniu niepewności;
- wyniki według przedziałów punktowych;
- logika wykluczenia i nakładanie się z innymi audiencjami.
Jeśli przedział o najwyższym stopniu dopasowania charakteryzuje się wysoką konwersją, ale niewielkim przyrostem, plan może przewidywać zbyt wysokie koszty dotarcia do nieuniknionych nabywców. Przedział środkowy może generować niższą konwersję, ale większą liczbę nowych klientów.
Typowe przyczyny niepowodzeń
Powinowactwo staje się po prostu przemianowaną audiencją nabywców danej kategorii
Jeśli każdy klient kupił już produkt z danej kategorii, produkt może być przydatny, ale nie jest to model ekspansji. Należy to jasno zaznaczyć.
Model uwzględnia informacje dotyczące przyszłości
Cechy utworzone po ustaleniu kwalifikowalności do kampanii lub w oknie wyników sprawiają, że walidacja wydaje się silniejsza niż jest w rzeczywistości.
Etykieta ukrywa niezgodne sygnały
Pojedyncza audiencja docelowa „zainteresowań rodzinnych” może łączyć wzorce związane z dziećmi, obiadem szkolnym i środkami czystości. Należy rozdzielić te przypadki zastosowań komercyjnych.
Zestaw produktów ulega zmianom
Jeśli zmieniają się przypisania do kategorii, zmienia się wielkość audiencji i rozkład wyników. Należy powiązać model z taksonomią i wersją zestawu produktów.
Korelacja jest traktowana jako perswazja
Sam fakt, że dwie kategorie występują razem, nie dowodzi, że reklama jednej z nich wywoła popyt na drugą. Badania koszyków wielokategorialnych ostrzegają również, że produkty mogą występować razem, ponieważ się uzupełniają, mają wspólne cykle zakupowe lub odzwierciedlają nieobserwowane czynniki domowe (badanie koszyka zakupowego przeprowadzone przez Marketing Science).
Lista kontrolna dla nabywców
Zapytaj platformę:
- Jaki dokładnie zestaw produktów definiuje powiązanie?
- Jakie okno obserwacyjne i cykl zakupowy są stosowane?
- Czy obecni nabywcy marki są uwzględnieni, pominięci czy oceniani oddzielnie?
- Które cechy mają wpływ na ocenę?
- W jaki sposób traktowana jest tożsamość gospodarstwa domowego lub kupującego?
- W jaki sposób model został zweryfikowany poza okresem analizy?
- Jakiej wartości bazowej używa zgłaszany wzrost?
- W jakim stopniu audiencja docelowa pokrywa się z audiencją retargetingową?
- Czy grupy eksperymentalne i kontrolne mogą być losowo przypisywane w ramach przedziałów wyników?
- W jaki sposób aktualizacje taksonomii powodują unieważnienie lub odświeżenie modelu?
Często zadawane pytania
Czy powinowactwo do kategorii to to samo, co zamiar zakupu?
Nie. Szacuje ona behawioralny związek z daną kategorią. Zamiar jest bardziej bezpośredni i może nie być widoczny na podstawie samych historycznych transakcji.
Czy osoba, która nie dokonuje zakupów, może wykazywać wysokie powinowactwo do danej kategorii?
Tak, jeśli powiązane zachowania silnie wskazują na przyszłe zainteresowanie daną kategorią. Taka prognoza powinna zostać zweryfikowana, a nie traktowana jako pewnik.
Czy audiencje o wysokim stopniu powinowactwa kategorii są zawsze najlepsze?
Nie. Może ona generować dobre wyniki konwersji, ponieważ obejmuje potencjalnych nabywców. Efektywność przyrostowa może być wyższa w niższym przedziale, gdzie istnieje większe pole do perswazji.
Jaki jest minimalny model powinowactwa kategorii, który się sprawdzi?
Zdefiniowany zestaw produktów, określona grupa docelowa, cechy dotyczące aktualności i częstotliwości, wykluczenie nabywców marki tam, gdzie ma to znaczenie, weryfikacja oparta na czasie oraz grupa kontrolna kampanii.
Podsumowanie
Powinowactwo kategorii jest przydatne, gdy przekształca dane o produktach i transakcjach w przejrzystą, podlegającą weryfikacji hipotezę dotyczącą grupy docelowej. Należy zdefiniować zbiór produktów, wyjaśnić sygnały, zweryfikować je w świetle przyszłych zachowań oraz oddzielnie przetestować inkrementalność mediów. W przeciwnym razie „powinowactwo” jest jedynie atrakcyjną nazwą dla audiencji, której nikt nie jest w stanie zweryfikować.
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.




