머신 러닝으로 FMCG 소매에서 브랜드 추적

FMCG 소매는 빠른 역동성과 공격적인 경쟁이 특징입니다. 독특한 시장 지위를 유지하기 위해 노력하는 소매업체와 CPG 브랜드는 브랜드 성과를 지속적으로 주시해야 합니다. 그러나 요구르트 중 일부 시장에는 약 1500가지 제품이 있습니다. 패널 조사나 수동 데이터 분석만으로 모든 것을 추적하는 것은 거의 불가능에 가깝습니다. 독일의 147개 식료품점에 대한 우리의 연구는 기계 학습이 도움이 될 수 있음을 증명합니다.

소매업체가 고객에 대한 방대한 양의 거래 데이터를 활용할 수 있는 방법을 찾으면 브랜드에 시장에서의 위치에 대한 포괄적인 이해를 제공할 수 있습니다. 또한 소매업체는 이 데이터를 사용하여 카테고리, 매장 구색 및 판촉 행사를 더 잘 최적화할 수 있습니다.

P2V(product-to-vec) 시장 구조 분석에 대해 이미 들어보셨을 것입니다. 이 기계 학습 접근 방식은 소매업체와 브랜드에 데이터 작업을 위한 완전히 새로운 방법을 제공합니다. SO1 엔진으로 구동되는 Dr. Sebastian Gabel의 이 접근 방식에 대한 연구 작업은 올해 EHI Retail Science Award 2020을 수상했으며 Journal of Marketing Research에 게재되었습니다.

심층 신경망을 기반으로 하는 접근 방식은 소매업체의 쇼핑 데이터를 사용하고 수백만 개의 장바구니에서 수천 개의 제품이 동시에 발생하는지 살펴봅니다. 이를 통해 모든 제품을 800개의 서로 다른 벡터에 매핑하고 소매업체 포트폴리오의 모든 제품이 단일 점으로 표시되는 시각적 맵에 배치할 수 있습니다.

가장 먼저 주목해야 할 점은 소매업체가 제품을 선반에 올려놓는 것이 아니라 고객이 구매하는 방식으로 제품을 그룹화한다는 것입니다. 이러한 클러스터의 예로는 이탈리아 음식, 바베큐, 제빵, 아침 식사, 채식주의자 및 아동용 제품(예: 작은 주스 상자, 학교 간식, 테디베어 모양의 점심 고기 또는 디즈니 요구르트)이 있습니다. 또한 이 그룹에서 어떤 제품이 보완 제품(예: 파스타 + 토마토 소스)이고 어떤 제품(두 가지 다른 유형의 파스타)이 대체 제품인지 확인할 수 있습니다.

위의 지도는 독일의 대형 식료품 체인에서 가져온 것이며 7,300만 개의 장바구니에서 파생된 것입니다. 분석은 POS 시스템 및 로열티 프로그램의 원시 쇼핑 ​​데이터만 사용하여 완전히 자율적으로 작동합니다. 브랜드가 시장 구조에 대한 편향되지 않은 관점에서 혜택을 얻을 수 있는 몇 가지 예를 살펴보겠습니다.

대체 발견

소매업체는 중복 브랜드를 제거하거나 더 나은 조건을 협상하기 위해 대체품을 찾고 싶어합니다. 브랜드는 대체를 방지하기 위해 가장 가까운 경쟁자와 얼마나 잘 차별화하는지에 대한 통찰력이 필요합니다.

이 분석이 어떻게 도움이 되는지 알아보기 위해 다크 초콜릿 하위 클러스터를 확대해 보겠습니다.

'마일드' 품종과 '일반' 품종 모두 비슷한 비율의 코코아를 가진 Lindt 제품(독일에서 프리미엄 초콜릿 브랜드로 간주됨)이 매우 가깝다는 것을 알 수 있습니다. 브랜드 Zetti와 Sarotti(지역 및 저가 브랜드)는 Lindt에서 멀리 떨어져 있지만 서로 매우 가깝기 때문에 강력한 대체 관계를 나타냅니다. 오른쪽 하단에는 추가 재료(오렌지, 칠리, 바다 소금…

이것은 브랜드에 몇 가지 중요한 통찰력을 제공합니다. 첫째, Lindt는 다른 브랜드와 확연히 차별화되지만 Mild 버전은 고객에게 명확하게 인식되지 않습니다. Lindt는 패키지나 광고에서 둘 사이의 차이점을 더 잘 전달하기를 원할 수 있습니다.

브랜드 Zetti와 Sarotti는 서로를 위한 강력한 대안으로 보입니다. 고객은 브랜드를 잘 구별하지 못할 가능성이 높으며 브랜드 중 하나가 프로모션 중이거나 재고가 없거나 완전히 누락된 경우 전환에 신경을 쓰지 않을 것입니다. 둘을 더 잘 구별하기 위해서는 마케팅 전략의 변화가 필요할 수 있습니다.

차별화를 이끄는 요소

따라서 우리는 이미 어떤 제품이 대체 제품이고 어떤 제품이 고유하게 포지셔닝되어 있는지 알고 있지만 정확히 이러한 차별화를 이끄는 것은 무엇일까요? 다크 초콜릿 하위 클러스터를 살펴보면 두 가지 추세를 볼 수 있습니다. 가격은 아래에서 위로 하락하고 있습니다(Lindt는 2€, Zetti/Sarotti는 1.29€). 그리고 코코아 비율은 왼쪽에서 오른쪽입니다. 따라서 이 두 가지 속성은 초콜릿에 맛을 가미하지 않는 한 주요 차별화 요소로 보입니다.

Zetti와 Sarotti에게 이것은 초콜릿의 맛 버전을 소개할 기회를 의미할 수 있습니다. 가격이 저렴하고 지역 브랜드로서 이 신제품은 Lindt 맛 초콜릿에 대한 경쟁이 될 수 있습니다.

이번에는 와인인 다른 클러스터를 확대해 보겠습니다. 우리는 그것이 스파클링("섹트(Sekt)")인지 아니면 표준 와인인지 여부가 가장 중요한 차별화 요소라는 것을 알 수 있습니다. 작은 0.25l 와인과 스파클링 병은 다른 사람들과 상당히 멀리 자신의 위치를 ​​​​유지합니다.

오른쪽에서 0.7리터 와인 클러스터를 확대합니다. 가격은 실제 와인 유형(예: Chatou, Sauvignon, Riesling 등)보다 훨씬 더 강력한 차별화 요소인 것 같습니다. 제품을 가격으로 명확하게 구분할 때 우리는 와인이 보이는 고도로 상품화된 시장에 대해 이야기하고 있습니다. 이것은 이 카테고리가 주로 가격과 판촉에 의해 주도되지만 더 강력한 브랜딩이나 지역적 기원과 같은 차별화의 여지가 있음을 시사합니다.

제품 포지셔닝

이 접근 방식은 특정 제품의 위치를 ​​결정하는 데에도 사용할 수 있습니다. 예를 들어, CPG 비스킷 브랜드는 소비자가 자신의 제품을 스낵으로 인식하는지 아니면 아침 식사 제품으로 더 많이 인식하는지 알아보기 위해 우리에게 접근했습니다. 지도를 살펴보니 이 브랜드의 비스킷 제품이 다른 비스킷이나 스낵과는 거리가 먼 아침식사 제품에 속해 있다는 것을 금방 알 수 있었습니다.

이 통찰력은 광고 및 포장을 통해 브랜드의 이러한 "아침 식사" 포지셔닝을 더욱 강화하고 시리얼 또는 잼과 같은 보완적인 아침 식사 카테고리를 생산하는 브랜드와 파트너십을 시작하고 이러한 카테고리 중 일부로 확장하는 데 사용되었습니다.

결론

이 접근 방식의 주요 이점은 단순성, 객관성 및 자동화입니다. 이 접근 방식은 원시 쇼핑 ​​데이터만 사용하고 실제 소비자 행동을 반영하기 때문에 다른 접근 방식에서 자주 발생하는 편향이 없습니다. 그리고 전체 분석이 자동화되기 때문에 마케팅 캠페인의 효율성, 신제품 도입 또는 계절적 및 지역적 영향을 평가하기 위해 새 데이터 또는 필터링된 데이터로 필요한 만큼 자주 반복할 수 있습니다. P2V 접근 방식을 더 잘 이해하려면 Dr. Sebastian Gabel의 전체 기사를 살펴보십시오.

이 연구에 사용된 기술인 SO1 엔진은 당사의 고급 개인화 엔진에도 사용됩니다. 이 프로세스에서 얻은 통찰력을 기반으로 소매업체는 소매업체와 브랜드의 비즈니스 목표를 염두에 두고 각 개별 고객에게 적절한 가격과 시간에 적절한 제품을 자율적으로 추천할 수 있습니다.