使用机器学习跟踪快速消费品零售中的品牌

已发表: 2022-04-12

快速消费品零售的特点是快速的动态和激烈的竞争。努力保持独特市场地位的零售商和 CPG 品牌必须不断关注其品牌表现。但仅在酸奶中，一些市场上就有大约 1500 种不同的产品；仅使用小组研究或手动数据分析来跟踪所有这些几乎是不可能的。我们对德国 147 家杂货店的研究证明机器学习可以提供帮助。

如果零售商找到一种方法来利用他们拥有的大量客户交易数据，他们就可以让品牌全面了解他们在市场上的地位。此外，零售商还可以使用这些数据来更好地优化他们的类别、商店分类和促销优惠。

您可能已经听说过 product-to-vec (P2V) 市场结构分析。这种机器学习方法为零售商和品牌商提供了一种全新的数据处理方式。由我们的 SO1 引擎驱动的 Sebastian Gabel 博士在这种方法背后的研究工作赢得了今年的 2020 年 EHI 零售科学奖，并发表在《营销研究杂志》上。

该方法基于深度神经网络，使用零售商的购物数据，并查看数百万购物篮中数千种产品的共现情况。这使它能够将所有产品映射到 800 个不同的向量上，并将它们放入可视化地图中，其中零售商产品组合中的每个产品都被描绘为一个点：

首先要注意的是，产品是按照顾客购买的方式进行分组的，而不是零售商将它们放在货架上。此类集群的示例包括意大利食品、烧烤、烘焙、早餐、素食，甚至儿童产品（例如，小果汁盒、学校零食、泰迪熊形状的午餐肉或迪士尼酸奶）。我们还可以看到这些组中的哪些产品是补充品（例如意大利面 + 番茄酱），哪些是替代品（两种不同类型的意大利面）。

上图来自德国一家大型杂货连锁店，来源于 7300 万个购物篮。该分析完全自主地进行，仅使用来自 POS 系统和忠诚度计划的原始购物数据。让我们看几个例子，品牌如何从这种对市场结构的公正观点中受益。

发现替代

零售商希望发现替代品以摆脱冗余品牌或与他们协商更好的条件。品牌需要深入了解最接近的竞争对手，以及他们与竞争对手的差异化程度，以防止被替代。

要了解此分析如何提供帮助，让我们放大黑巧克力子集群：

我们看到 Lindt 产品（在德国被视为优质巧克力品牌）具有相似百分比的可可，无论是“温和”品种还是“普通”品种，都非常接近。 Zetti 和 Sarotti 品牌（更具区域性和低价品牌）位于远离 Lindt 的位置，但非常接近，表明强大的替代关系。在右下角，我们看到带有附加成分（橙子、辣椒、海盐……）的黑巧克力棒子类别，表明它们在市场上拥有自己独特的地位。

这为品牌提供了一些重要的见解。首先，Lindt 与其他品牌有很强的差异化，但 Mild 版本并没有得到客户的明确认可。 Lindt 可能希望在包装或广告中更好地传达两者之间的区别。

Zetti 和 Sarotti 品牌似乎是彼此的有力替代品。客户可能无法很好地区分它们，并且如果其中一个品牌正在促销、缺货或完全丢失，他们也不介意更换。可能需要改变营销策略以更好地区分两者。

是什么推动了差异化

所以我们已经知道哪些产品是替代品，哪些产品定位独特，但究竟是什么推动了这种差异化？观察黑巧克力子集群，我们可以看到两个趋势——价格自下而上下降（瑞士莲为 2 欧元，Zetti/Sarotti 为 1.29 欧元），可可的百分比从左到右。因此，这两个属性看起来是主要的区别，除非巧克力是调味的。

对于 Zetti 和 Sarotti 来说，这可能意味着有机会推出他们巧克力的风味版本。由于价格较低且作为区域品牌，这种新产品可能会成为瑞士莲风味巧克力的竞争者。

让我们放大另一个集群，这次是葡萄酒。我们看到，首要的区别是它是起泡酒（“Sekt”）还是标准酒。 0.25 升的小酒瓶和起泡酒瓶在各自的位置上与其他酒瓶相距甚远。

在右侧，我们放大了 0.7 升的葡萄酒集群。价格似乎是这里最强大的差异化因素，远远超过葡萄酒的实际类型（例如，Chatou、Sauvignon、Riesling……）。当产品按价格明确区分时，我们谈论的是一个高度商品化的市场，葡萄酒看起来就是这样。这表明该类别主要受价格和促销活动的推动，但仍有差异化的地方，例如通过更强大的品牌或地区起源。

产品定位

该方法还可用于确定某些产品的定位。例如，一个 CPG 饼干品牌与我们联系，以了解消费者是否将其产品更多地视为零食或早餐产品。查看地图，我们很快发现该品牌的饼干产品位于早餐产品中，与其他饼干和零食相距甚远。

这种洞察力被用来通过广告和包装进一步加强品牌的这种“早餐”定位，开始与生产互补早餐品类（如谷物或果酱）的品牌建立合作伙伴关系，甚至还扩展到其中的一些品类。

底线

这种方法的主要好处是简单、客观和自动化。由于该方法仅使用原始购物数据并反映真实的消费者行为，因此不存在其他方法中经常出现的偏差。由于整个分析是自动化的，因此可以根据需要使用新数据或过滤数据重复进行，以评估营销活动的有效性、新产品的推出或季节性和区域影响。要更好地了解 P2V 方法，请查看 Sebastian Gabel 博士的完整文章。

本研究中使用的技术——SO1 引擎——也用于我们先进的个性化引擎。基于在此过程中获得的见解，它允许零售商以合适的价格和时间为每位客户自主推荐合适的产品——所有这些都考虑到零售商和品牌的业务目标。