Melacak Merek di Ritel FMCG dengan Pembelajaran Mesin

Ritel FMCG dicirikan oleh dinamika yang cepat dan persaingan yang agresif. Pengecer dan merek CPG yang berusaha mempertahankan posisi pasar yang unik harus terus-menerus mengawasi kinerja merek mereka. Tetapi hanya di antara yogurt, ada sekitar 1500 produk berbeda di beberapa pasar; hampir tidak mungkin untuk melacak semuanya hanya dengan menggunakan riset panel atau analisis data manual. Studi kami di 147 toko grosir di Jerman membuktikan bahwa pembelajaran mesin dapat membantu.

Jika pengecer menemukan cara untuk memanfaatkan banyak sekali data transaksional yang mereka miliki tentang pelanggan, mereka dapat menawarkan pemahaman yang komprehensif kepada merek tentang posisi mereka di pasar. Terlebih lagi, pengecer juga dapat menggunakan data ini untuk lebih mengoptimalkan kategori, pilihan toko, dan penawaran promosi mereka.

Anda mungkin pernah mendengar tentang analisis struktur pasar product-to-vec (P2V). Pendekatan pembelajaran mesin ini memberi pengecer dan merek cara baru untuk bekerja dengan data. Penelitian di balik pendekatan ini oleh Dr. Sebastian Gabel, yang ditenagai oleh Mesin SO1 kami, telah memenangkan EHI Retail Science Award 2020 tahun ini dan diterbitkan dalam Journal of Marketing Research.

Pendekatan — berdasarkan jaringan saraf yang dalam — menggunakan data belanja pengecer dan melihat kemunculan bersama dari ribuan produk dalam jutaan keranjang belanja. Ini memungkinkannya untuk memetakan semua produk pada 800 vektor berbeda dan menempatkannya ke dalam peta visual di mana setiap produk dalam portofolio pengecer digambarkan sebagai satu titik:

Hal pertama yang harus diperhatikan adalah bahwa produk dikelompokkan dengan cara pelanggan berbelanja untuk mereka, bukan pengecer menempatkannya di rak. Contoh kelompok tersebut adalah makanan Italia, Barbekyu, Memanggang, Sarapan, Vegetarian, dan bahkan Produk Anak-anak (misalnya, kotak jus kecil, makanan ringan untuk sekolah, daging makan siang berbentuk boneka beruang, atau yogurt Disney). Kita juga dapat melihat produk mana dalam kelompok ini yang merupakan pelengkap (misalnya pasta + saus tomat) dan produk pengganti (dua jenis pasta yang berbeda).

Peta di atas berasal dari rantai grosir besar Jerman dan berasal dari 73 juta keranjang belanja. Analisis bekerja sepenuhnya secara mandiri, hanya menggunakan data belanja mentah dari sistem POS dan program loyalitas. Mari kita lihat beberapa contoh bagaimana merek dapat memperoleh manfaat dari pandangan yang tidak bias tentang struktur pasar ini.

Menemukan substitusi

Pengecer ingin menemukan substitusi untuk menyingkirkan merek yang berlebihan atau menegosiasikan kondisi yang lebih baik dengan mereka. Merek membutuhkan wawasan tentang pesaing terdekat mereka dan seberapa baik mereka membedakan dari mereka untuk mencegah substitusi di tempat pertama.

Untuk melihat bagaimana analisis ini dapat membantu, mari kita perbesar sub-cluster cokelat hitam:

Kami melihat bahwa produk Lindt (dianggap sebagai merek cokelat premium di Jerman) dengan persentase kakao yang sama, baik varietas 'ringan' dan 'biasa', sangat berdekatan. Merek Zetti dan Sarotti (merek yang lebih regional dan harga rendah) terletak jauh dari Lindt, tetapi sangat berdekatan, menunjukkan hubungan subsitutor yang kuat. Di kanan bawah, kita melihat subkategori cokelat batangan hitam dengan bahan tambahan (Jeruk, Cabai, Garam Laut...), yang menunjukkan bahwa mereka memiliki posisi unik mereka sendiri di pasar.

Ini memberi merek beberapa wawasan penting. Pertama, Lindt sangat membedakan dari merek lain, tetapi versi Mild tidak dikenali dengan jelas oleh pelanggan. Lindt mungkin ingin mengomunikasikan perbedaan antara keduanya dengan lebih baik pada paket atau dalam iklan.

Merek Zetti dan Sarotti tampaknya menjadi pengganti yang kuat satu sama lain. Pelanggan kemungkinan besar tidak membedakannya dengan baik dan tidak keberatan beralih jika salah satu merek sedang dalam masa promosi, kehabisan stok, atau benar-benar hilang. Perubahan dalam strategi pemasaran mungkin diperlukan untuk membedakan keduanya dengan lebih baik.

Apa yang mendorong diferensiasi?

Jadi kita sudah tahu produk mana yang merupakan substitusi dan mana yang diposisikan secara unik, tetapi apa sebenarnya yang mendorong diferensiasi ini? Melihat ke dalam subcluster dark chocolate, kita dapat melihat dua tren – harga menurun dari bawah ke atas (dengan Lindt seharga 2€ dan Zetti/Sarotti seharga 1,29€), dan persentase kakao dari kiri ke kanan. Oleh karena itu, kedua atribut ini terlihat menjadi pembeda utama, kecuali cokelatnya diberi rasa.

Bagi Zetti dan Sarotti, ini mungkin berarti kesempatan untuk memperkenalkan versi rasa cokelat mereka. Dengan harga yang lebih rendah dan sebagai merek regional, produk baru ini mungkin menjadi pesaing untuk cokelat rasa Lindt.

Mari kita perbesar ke cluster lain, kali ini wine. Kami melihat bahwa pembeda pertama dan terpenting adalah apakah itu anggur bersoda (“Sekt”) atau anggur standar. Anggur 0,25 liter kecil dan botol bersoda memegang posisinya sendiri cukup jauh dari yang lain.

Di sebelah kanan, kami memperbesar kluster anggur 0,7 liter. Harga tampaknya menjadi pembeda terkuat di sini, lebih dari jenis anggur yang sebenarnya (misalnya Chatou, Sauvignon, Riesling…). Ketika produk dipisahkan dengan jelas berdasarkan harga, kita berbicara tentang pasar yang sangat terkomoditasi seperti anggur. Hal ini menunjukkan bahwa kategori ini terutama didorong oleh harga dan promosi, tetapi masih ada tempat untuk diferensiasi, misalnya dengan branding yang lebih kuat atau asal daerah.

Penempatan produk

Pendekatan tersebut juga dapat digunakan untuk menentukan positioning produk tertentu. Misalnya, merek biskuit CPG mendekati kami untuk mengetahui apakah konsumen memandang produk mereka lebih sebagai makanan ringan atau sebagai produk sarapan. Melihat peta, kami segera mengenali bahwa produk biskuit dari merek ini terletak di antara produk sarapan, cukup jauh dari biskuit dan makanan ringan lainnya.

Wawasan ini digunakan untuk memperkuat posisi “sarapan” merek ini bahkan lebih melalui iklan dan pengemasan, memulai kemitraan dengan merek yang memproduksi kategori sarapan pelengkap seperti sereal atau selai, dan bahkan memperluas ke beberapa kategori ini juga.

Garis bawah

Manfaat utama dari pendekatan ini adalah kesederhanaan, objektivitas, dan otomatisasi. Karena pendekatan tersebut hanya menggunakan data belanja mentah dan mencerminkan perilaku konsumen yang sebenarnya, maka tidak ada bias yang sering terjadi pada pendekatan lain. Dan karena seluruh analisis dilakukan secara otomatis, analisis ini dapat diulang sesering yang diperlukan dengan data baru atau yang disaring untuk menilai efektivitas kampanye pemasaran, pengenalan produk baru, atau pengaruh musiman dan regional. Untuk memiliki pemahaman yang lebih baik tentang pendekatan P2V, lihat artikel lengkap oleh Dr. Sebastian Gabel.

Teknologi yang digunakan dalam penelitian ini – Mesin SO1 – juga digunakan dalam mesin personalisasi canggih kami. Berdasarkan wawasan yang diperoleh dalam proses ini, memungkinkan pengecer untuk secara mandiri merekomendasikan produk yang tepat dengan harga dan waktu yang tepat untuk setiap pelanggan individu — semua dengan mempertimbangkan tujuan bisnis pengecer dan merek.