Makine Öğrenimi ile FMCG Perakendesinde Markaları Takip Etme

FMCG perakende hızlı dinamikler ve agresif rekabet ile karakterizedir. Benzersiz bir pazar konumunu korumaya çalışan perakendeciler ve CPG markaları, marka performanslarını sürekli olarak takip etmelidir. Ama sadece yoğurtlar arasında bazı marketlerde 1500 civarında farklı ürün var; Sadece panel araştırması veya manuel veri analizi kullanarak hepsini takip etmek neredeyse imkansız. Almanya'daki 147 markette yaptığımız araştırma, makine öğreniminin yardımcı olabileceğini kanıtlıyor.

Perakendeciler, müşteriler hakkında sahip oldukları büyük miktardaki işlemsel veriden yararlanmanın bir yolunu bulurlarsa, markalara pazardaki konumları hakkında kapsamlı bir anlayış sunabilirler. Dahası, perakendeciler bu verileri kategorilerini, mağaza çeşitlerini ve promosyon tekliflerini daha iyi optimize etmek için de kullanabilir.

Üründen vec'e (P2V) pazar yapıları analizini zaten duymuş olabilirsiniz. Bu makine öğrenimi yaklaşımı, perakendecilere ve markalara verilerle çalışmanın yepyeni bir yolunu sunuyor. Bu yaklaşımın arkasındaki SO1 Motorumuz tarafından desteklenen Dr. Sebastian Gabel'in araştırma çalışması, bu yılki EHI Perakende Bilim Ödülü 2020'yi kazandı ve Journal of Marketing Research'te yayınlandı.

Derin sinir ağlarına dayanan yaklaşım, perakendecinin alışveriş verilerini kullanır ve milyonlarca alışveriş sepetinde binlerce ürünün bir arada bulunmasına bakar. Bu, tüm ürünleri 800 farklı vektör üzerinde eşleştirmesine ve bunları, perakendecinin portföyündeki her ürünün tek bir nokta olarak gösterildiği görsel bir haritaya yerleştirmesine olanak tanır:

Dikkat edilmesi gereken ilk şey, ürünlerin perakendecilerin raflara yerleştirmesi değil, müşterilerin kendileri için alışveriş yaptığı şekilde gruplandırıldığıdır. Bu tür kümelere örnek olarak İtalyan yemekleri, Barbekü, Fırın, Kahvaltı, Vejetaryen ve hatta Çocuk Ürünleri (örneğin, küçük meyve suyu kutuları, okul için atıştırmalıklar, oyuncak ayı şeklinde öğle yemeği etleri veya Disney yoğurdu) verilebilir. Bu gruplardaki hangi ürünlerin tamamlayıcı (örneğin makarna + domates sosu) ve hangilerinin ikame (iki farklı makarna çeşidi) olduğunu da görebiliriz.

Yukarıdaki harita büyük bir Alman bakkal zincirinden alınmıştır ve 73 milyon alışveriş sepetinden türetilmiştir. Analiz, yalnızca POS sistemlerinden ve sadakat programlarından gelen ham alışveriş verilerini kullanarak tamamen özerk olarak çalışır. Markaların pazar yapılarına ilişkin bu tarafsız görüşten nasıl yararlanabileceğine dair birkaç örneğe bakalım.

ikame keşfetmek

Perakendeciler, gereksiz markalardan kurtulmak için ikameyi keşfetmek veya onlarla daha iyi koşullar için pazarlık yapmak istiyor. Markaların, en başta ikameyi önlemek için en yakın rakipleri ve onlardan ne kadar farklı oldukları hakkında içgörülere ihtiyacı var.

Bu analizin nasıl yardımcı olabileceğini görmek için, koyu çikolata alt kümesini yakınlaştıralım:

Benzer kakao yüzdelerine sahip Lindt ürünlerinin (Almanya'da birinci sınıf bir çikolata markası olarak kabul edilir) hem 'hafif' hem de 'normal' çeşitlerin birbirine çok yakın olduğunu görüyoruz. Zetti ve Sarotti markaları (daha bölgesel ve düşük fiyatlı markalar) Lindt'ten uzakta, ancak birbirine çok yakın, bu da güçlü bir ikame ilişkisine işaret ediyor. Sağ altta, ek içerikli (Portakal, Biber, Deniz Tuzu…) bitter çikolata alt kategorisini görüyoruz, bu da pazarda kendi benzersiz konumlarını koruduklarını gösteriyor.

Bu, markalara birkaç önemli fikir verir. İlk olarak, Lindt diğer markalardan güçlü bir şekilde ayrılmaktadır, ancak Mild versiyonu müşteriler tarafından açıkça tanınmamaktadır. Lindt, ikisi arasındaki farkı pakette veya reklamda daha iyi iletmek isteyebilir.

Zetti ve Sarotti markaları birbirlerinin güçlü ikameleri gibi görünüyor. Müşteriler muhtemelen aralarında çok iyi bir ayrım yapmıyorlar ve markalardan biri promosyondaysa, stokta yoksa veya tamamen kayıpsa, değiştirmeyi düşünmezler. İkisini daha iyi ayırt etmek için pazarlama stratejisinde bir değişiklik gerekebilir.

Farklılaşmayı sağlayan nedir

Hangi ürünlerin ikame olduğunu ve hangilerinin benzersiz bir şekilde konumlandırıldığını zaten biliyoruz, ancak bu farklılaşmayı tam olarak ne yönlendiriyor? Bitter çikolata alt kümesine baktığımızda, iki eğilim görebiliriz – fiyat aşağıdan yukarıya doğru düşüyor (2€ için Lindt ve 1,29€ için Zetti/Sarotti ile) ve kakao yüzdesi soldan sağa. Bu nedenle, çikolatalar aromalı değilse, bu iki özellik ana farklılaştırıcılar olarak görünmektedir.

Zetti ve Sarotti için bu, çikolatalarının aromalı bir versiyonunu tanıtma fırsatı anlamına gelebilir. Daha düşük fiyatlar ve bölgesel bir marka olarak bu yeni ürün, Lindt aromalı çikolatalar için bir rekabet olabilir.

Bu sefer şarap olan başka bir kümeye yakınlaşalım. İlk ve en önemli farklılığın köpüklü (“Sekt”) veya standart şarap olması olduğunu görüyoruz. Küçük 0,25 l şarap ve köpüklü şişeler, diğerlerinden oldukça uzakta kendi konumlarını koruyor.

Sağda, 0,7 l şarap kümesini yakınlaştırıyoruz. Fiyat burada gerçek şarap türünden (örneğin Chatou, Sauvignon, Riesling…) çok daha fazla, en güçlü farklılaştırıcı gibi görünüyor. Ürünler bu kadar net bir şekilde fiyata göre ayrıldığında, şarabın göründüğü son derece metalaşmış bir pazardan bahsediyoruz. Bu, bu kategorinin esas olarak fiyat ve promosyonlar tarafından yönlendirildiğini, ancak örneğin daha güçlü markalaşma veya bölgesel kökenler gibi farklılaşma için hala bir yer olduğunu gösteriyor.

Ürün konumlandırma

Yaklaşım ayrıca belirli ürünlerin konumunu belirlemek için de kullanılabilir. Örneğin, bir CPG bisküvi markası, tüketicilerin ürünlerini daha çok atıştırmalık mı yoksa kahvaltılık ürün olarak mı algıladıklarını öğrenmek için bize ulaştı. Haritaya baktığımızda bu markanın bisküvi ürünlerinin kahvaltılık ürünler arasında, diğer bisküvi ve atıştırmalıklardan oldukça uzak olduğunu hemen anladık.

Bu içgörü, markanın bu “kahvaltı” konumunu reklam ve paketleme yoluyla daha da güçlendirmek, kahvaltılık gevrekler veya reçeller gibi tamamlayıcı kahvaltı kategorileri üreten markalarla ortaklıklar başlatmak ve hatta bu kategorilerden bazılarına genişletmek için kullanıldı.

Alt çizgi

Bu yaklaşımın temel faydaları basitlik, nesnellik ve otomasyondur. Yaklaşım yalnızca ham alışveriş verilerini kullandığından ve gerçek tüketici davranışını yansıttığından, diğer yaklaşımlarda sıklıkla ortaya çıkan önyargılar yoktur. Ve tüm analiz otomatik olduğundan, pazarlama kampanyalarının, yeni ürünlerin tanıtımının veya mevsimsel ve bölgesel etkilerin etkinliğini değerlendirmek için yeni veya filtrelenmiş verilerle gerektiği kadar tekrarlanabilir. P2V yaklaşımını daha iyi anlamak için Dr. Sebastian Gabel'in tam makalesine bakın.

Bu araştırmada kullanılan teknoloji – SO1 Motoru – gelişmiş kişiselleştirme motorumuzda da kullanılmaktadır. Bu süreçte kazanılan içgörülere dayanarak, perakendecilerin her bir müşteri için doğru ürünleri, doğru fiyat ve zamanda otonom bir şekilde önermesine olanak tanır - tüm bunlar perakendecilerin ve markaların iş hedeflerini göz önünde bulundurarak.