機械学習によるFMCG小売のブランドの追跡

公開: 2022-04-12

FMCG小売は、速いダイナミクスと激しい競争が特徴です。独自の市場での地位を維持しようと努力している小売業者とCPGブランドは、常にブランドのパフォーマンスを監視する必要があります。しかし、ヨーグルトの中には、いくつかの市場で約1500の異なる製品があります。パネル調査または手動データ分析のみを使用してそれらすべてを追跡することはほぼ不可能です。ドイツの147の食料品店を対象とした調査では、機械学習が役立つことが証明されています。

小売業者が顧客に関する豊富なトランザクションデータを活用する方法を見つけた場合、ブランドに市場での位置付けについての包括的な理解を提供できます。さらに、小売業者はこのデータを使用して、カテゴリ、店舗の品揃え、およびプロモーションのオファーをより適切に最適化することもできます。

Product-to-vec（P2V）市場構造分析についてはすでに聞いたことがあるかもしれません。この機械学習アプローチにより、小売業者やブランドはデータを操作するまったく新しい方法を利用できます。 SO1エンジンを搭載したSebastianGabel博士によるこのアプローチの背後にある研究成果は、今年のEHI Retail Science Award 2020を受賞し、Journal ofMarketingResearchに掲載されました。

このアプローチは、ディープニューラルネットワークに基づいており、小売業者のショッピングデータを使用して、数百万の買い物かごの中の数千の製品の共起を調べます。これにより、800の異なるベクトルにすべての製品をマッピングし、それらを視覚的なマップに配置して、小売業者のポートフォリオ内のすべての製品を1つのドットとして表すことができます。

最初に気付くのは、製品は、小売業者が棚に置くのではなく、顧客が購入する方法でグループ化されていることです。このようなクラスターの例としては、イタリア料理、バーベキュー、ベーキング、朝食、ベジタリアン、さらには子供向け製品（小さなジュースボックス、学校のスナック、テディベアの形をしたランチミート、ディズニーヨーグルトなど）があります。また、これらのグループのどの製品が補完品（パスタ+トマトソースなど）であり、どの製品が代替品（2種類のパスタ）であるかを確認できます。

上の地図は、ドイツの大規模な食料品チェーンからのもので、7,300万個の買い物かごから派生しています。分析は完全に自律的に機能し、POSシステムとロイヤルティプログラムからの生のショッピングデータのみを使用します。市場構造に関するこの偏りのない見方からブランドがどのように利益を得ることができるか、いくつかの例を見てみましょう。

代替の発見

小売業者は、冗長なブランドを取り除くため、またはそれらとより良い条件を交渉するための代替品を見つけたいと考えています。ブランドは、そもそも代替を防ぐために、最も近い競合他社と、それらとどの程度差別化されているかについての洞察を必要としています。

この分析がどのように役立つかを確認するために、ダークチョコレートのサブクラスターを拡大してみましょう。

「マイルド」と「レギュラー」の両方の品種のカカオの割合が同じであるリンツ製品（ドイツではプレミアムチョコレートブランドと見なされています）は非常に接近していることがわかります。ブランドZettiとSarotti（より地域的で低価格のブランド）はLindtから離れた場所にありますが、非常に近くにあり、強力な代替関係を示しています。右下には、追加の材料（オレンジ、チリ、シーソルトなど）が入ったダークチョコレートバーのサブカテゴリがあり、市場で独自の位置を占めていることを示しています。

これにより、ブランドはいくつかの重要な洞察を得ることができます。まず、Lindtは他のブランドと大きく差別化されていますが、Mildバージョンは顧客に明確に認識されていません。 Lindtは、パッケージまたは広告で2つの違いをよりよく伝えたいと思うかもしれません。

ブランドZettiとSarottiは、お互いの強力な代替品のようです。顧客はそれらをうまく区別できない可能性が高く、ブランドの1つがプロモーション中、在庫切れ、または完全に欠落している場合でも、切り替えてもかまいません。 2つをよりよく区別するために、マーケティング戦略の変更が必要になる場合があります。

差別化を推進するもの

したがって、どの製品が代替品であり、どの製品が独自の位置にあるかはすでにわかっていますが、この差別化を正確に推進しているのは何ですか？ダークチョコレートのサブクラスターを見ると、価格が下から上に向かって下がっていること（Lindtが2ユーロ、Zetti / Sarottiが1.29ユーロ）と、カカオの割合が左から右に下がっていることがわかります。したがって、チョコレートにフレーバーが付いていない限り、これら2つの属性が主な差別化要因のように見えます。

ゼッティとサロッティにとって、これは彼らのチョコレートのフレーバーバージョンを紹介する機会を意味するかもしれません。低価格で地域ブランドとして、この新製品はリンツ風味のチョコレートの競争相手になる可能性があります。

別のクラスター、今回はワインにズームインしてみましょう。何よりも重要な差別化要因は、それがスパークリング（「セクト」）なのか、標準的なワインなのかということです。 0.25リットルの小さなワインとスパークリングボトルは、他のワインとはかなりかけ離れています。

右側では、0.7リットルのワインクラスターを拡大しています。価格はここで最も強力な差別化要因のようであり、実際の種類のワイン（シャトゥ、ソーヴィニヨン、リースリングなど）よりもはるかに優れています。製品がこれを価格で明確に区別するとき、私たちはワインがどのように見えるかという非常にコモディティ化された市場について話します。これは、このカテゴリが主に価格とプロモーションによって推進されていることを示唆していますが、たとえば、より強力なブランディングや地域の起源によって、差別化の余地があります。

製品の位置付け

このアプローチは、特定の製品の位置付けを決定するためにも使用できます。たとえば、CPGビスケットのブランドは、消費者が自分の製品をスナックとして認識しているのか、朝食製品として認識しているのかを調べるために私たちにアプローチしました。地図を見ると、このブランドのビスケット製品が朝食用製品の中にあり、他のビスケットやスナックからかなり離れていることがすぐにわかりました。

この洞察は、広告やパッケージングを通じてブランドのこの「朝食」の位置付けをさらに強化し、シリアルやジャムなどの補完的な朝食カテゴリを作成するブランドとのパートナーシップを開始し、これらのカテゴリの一部にも拡大するために使用されました。

結論

このアプローチの主な利点は、シンプルさ、客観性、および自動化です。このアプローチは生のショッピングデータのみを使用し、真の消費者行動を反映しているため、他のアプローチで頻繁に発生するバイアスはありません。また、分析全体が自動化されているため、マーケティングキャンペーンの有効性、新製品の導入、季節や地域の影響を評価するために、新しいデータやフィルタリングされたデータを使用して必要に応じて分析を繰り返すことができます。 P2Vアプローチをよりよく理解するには、SebastianGabel博士の記事全文をご覧ください。

この調査で使用されたテクノロジーであるSO1エンジンは、高度なパーソナライズエンジンでも使用されています。このプロセスで得られた洞察に基づいて、小売業者は、小売業者とブランドのビジネス目標をすべて念頭に置いて、個々の顧客に適切な価格と時間で適切な製品を自律的に推奨することができます。