Śledzenie marek w handlu detalicznym FMCG za pomocą uczenia maszynowego

Handel detaliczny FMCG charakteryzuje się dużą dynamiką i agresywną konkurencją. Sprzedawcy detaliczni i marki CPG dążące do utrzymania wyjątkowej pozycji rynkowej muszą stale monitorować wyniki swojej marki. Ale wśród jogurtów na niektórych rynkach jest około 1500 różnych produktów; śledzenie ich wszystkich jest prawie niemożliwe tylko za pomocą badań panelowych lub ręcznej analizy danych. Nasze badanie przeprowadzone w 147 sklepach spożywczych w Niemczech udowadnia, że ​​uczenie maszynowe może pomóc.

Jeśli detaliści znajdą sposób na wykorzystanie ogromnej ilości danych transakcyjnych, które mają na temat klientów, mogą zaoferować markom kompleksowe zrozumienie ich pozycji na rynku. Co więcej, detaliści mogą również wykorzystać te dane do lepszej optymalizacji swoich kategorii, asortymentu sklepów i ofert promocyjnych.

Być może słyszeliście już o analizie struktur rynku między produktami a vec (P2V). Takie podejście do uczenia maszynowego daje sprzedawcom i markom zupełnie nowy sposób pracy z danymi. Prace badawcze stojące za tym podejściem autorstwa dr. Sebastiana Gabela, oparte na naszym silniku SO1, zdobyły tegoroczną nagrodę EHI Retail Science Award 2020 i zostały opublikowane w Journal of Marketing Research.

Podejście — oparte na głębokich sieciach neuronowych — wykorzystuje dane zakupowe detalisty i analizuje współwystępowanie tysięcy produktów w milionach koszyków zakupowych. Umożliwia to mapowanie wszystkich produktów na 800 różnych wektorach i umieszczanie ich na wizualnej mapie, na której każdy produkt w portfolio sprzedawcy jest przedstawiony jako pojedyncza kropka:

Pierwszą rzeczą, na którą należy zwrócić uwagę, jest to, że produkty są pogrupowane w sposób, w jaki klienci robią dla nich zakupy, a nie sprzedawcy umieszczają je na półkach. Przykładami takich klastrów są włoskie jedzenie, grill, pieczenie, śniadania, dania wegetariańskie, a nawet produkty dla dzieci (np. małe pudełka na soki, przekąski do szkoły, wędliny w kształcie misiów czy jogurt Disneya). Możemy też zobaczyć, które produkty w tych grupach są dopełnieniami (np. makaron + sos pomidorowy), a które zamiennikami (dwa różne rodzaje makaronów).

Powyższa mapa pochodzi z dużej niemieckiej sieci spożywczej i pochodzi z 73 milionów koszyków zakupów. Analiza działa całkowicie autonomicznie, wykorzystując jedynie surowe dane zakupowe z systemów POS i programów lojalnościowych. Przyjrzyjmy się kilku przykładom, w jaki sposób marki mogą skorzystać z tego bezstronnego poglądu na struktury rynku.

Odkrywanie substytucji

Detaliści chcą odkryć substytucję, aby pozbyć się zbędnych marek lub wynegocjować z nimi lepsze warunki. Marki potrzebują informacji na temat swoich najbliższych konkurentów i tego, jak dobrze się od nich odróżniają, aby przede wszystkim zapobiec zastępowaniu.

Aby zobaczyć, jak ta analiza może pomóc, przyjrzyjmy się podgrupie gorzkiej czekolady:

Widzimy, że produkty Lindt (uważane za markę czekolady premium w Niemczech) o podobnym udziale procentowym kakao, zarówno „łagodnych”, jak i „zwykłych”, są bardzo blisko siebie. Marki Zetti i Sarotti (bardziej regionalne i tańsze) są zlokalizowane z dala od Lindt, ale bardzo blisko siebie, co wskazuje na silną zależność substytucyjną. W prawym dolnym rogu widzimy podkategorię batoników gorzkiej czekolady z dodatkowymi składnikami (pomarańcza, chili, sól morska…), co wskazuje, że zajmują one swoją wyjątkową pozycję na rynku.

Daje to markom kilka ważnych informacji. Po pierwsze, Lindt mocno odróżnia się od innych marek, ale wersja Mild nie jest wyraźnie rozpoznawana przez klientów. Lindt może chcieć lepiej przekazać różnicę między nimi na opakowaniu lub w reklamie.

Marki Zetti i Sarotti wydają się być dla siebie silnymi substytutami. Klienci prawdopodobnie nie rozróżniają ich zbyt dobrze i nie mieliby nic przeciwko zmianie, gdyby któraś z marek była w promocji, brak w magazynie lub całkowicie brakowało. Może być potrzebna zmiana strategii marketingowej, aby lepiej je rozróżnić.

Co napędza zróżnicowanie?

Wiemy więc już, które produkty są substytutami, a które są wyjątkowo pozycjonowane, ale co właściwie napędza to zróżnicowanie? Patrząc na podgrupę gorzkiej czekolady, możemy zauważyć dwa trendy – cena spada od dołu do góry (z Lindtem za 2 € i Zetti/Sarotti za 1,29 €) oraz procent kakao od lewej do prawej. Dlatego te dwa atrybuty wydają się być głównymi wyróżnikami, chyba że czekoladki są aromatyzowane.

Dla Zetti i Sarotti może to oznaczać możliwość wprowadzenia smakowej wersji ich czekolady. Przy niższych cenach i jako marka regionalna, ten nowy produkt może stanowić konkurencję dla czekoladek o smaku Lindt.

Przejdźmy do innej gromady, tym razem wina. Widzimy, że pierwszym i najważniejszym wyróżnikiem jest to, czy jest to wino musujące („Sekt”) czy standardowe. Małe 0,25l wina i butelki musujące mają swoją pozycję dość daleko od innych.

Po prawej stronie powiększamy klaster wina o pojemności 0,7 l. Cena wydaje się być tu najsilniejszym wyróżnikiem, znacznie bardziej niż sam rodzaj wina (np. Chatou, Sauvignon, Riesling…). Kiedy produkty są wyraźnie oddzielone ceną, mówimy o wysoce utowarowionym rynku, na który wygląda wino. Sugeruje to, że ta kategoria jest napędzana głównie ceną i promocjami, ale wciąż jest miejsce na zróżnicowanie, na przykład silniejszym brandingiem lub regionalnym pochodzeniem.

Pozycjonowanie produktu

Podejście to można również wykorzystać do określenia pozycjonowania niektórych produktów. Na przykład marka ciastek CPG zwróciła się do nas, aby dowiedzieć się, czy konsumenci postrzegają swoje produkty bardziej jako przekąskę, czy jako produkt śniadaniowy. Patrząc na mapę szybko zauważyliśmy, że produkty biszkoptowe tej marki lokowały się wśród produktów śniadaniowych, dość daleko od innych ciastek i przekąsek.

Ta wiedza została wykorzystana do jeszcze większego wzmocnienia tego „śniadanie” pozycjonowania marki poprzez reklamę i opakowania, nawiązania współpracy z markami produkującymi uzupełniające kategorie śniadaniowe, takie jak płatki zbożowe czy dżemy, a nawet rozszerzenie się na niektóre z tych kategorii.

Najważniejsze!

Główne zalety tego podejścia to prostota, obiektywność i automatyzacja. Ponieważ podejście wykorzystuje tylko surowe dane dotyczące zakupów i odzwierciedla prawdziwe zachowanie konsumentów, nie ma błędów, które często występują w innych podejściach. A ponieważ cała analiza jest zautomatyzowana, można ją powtarzać tak często, jak potrzeba z nowymi lub przefiltrowanymi danymi, aby ocenić skuteczność kampanii marketingowych, wprowadzanie nowych produktów czy wpływy sezonowe i regionalne. Aby lepiej zrozumieć podejście P2V, zapoznaj się z pełnym artykułem dr Sebastiana Gabela.

Technologia zastosowana w tych badaniach – silnik SO1 – jest również wykorzystywana w naszym zaawansowanym silniku personalizacji. W oparciu o spostrzeżenia zdobyte w tym procesie, umożliwia detalistom autonomiczne rekomendowanie właściwych produktów w odpowiedniej cenie i czasie dla każdego indywidualnego klienta — wszystko z uwzględnieniem celów biznesowych detalistów i marek.