使用機器學習跟踪快速消費品零售中的品牌

已發表: 2022-04-12

快速消費品零售的特點是快速的動態和激烈的競爭。努力保持獨特市場地位的零售商和 CPG 品牌必須不斷關注其品牌表現。但僅在酸奶中，一些市場上就有大約 1500 種不同的產品；僅使用小組研究或手動數據分析來跟踪所有這些幾乎是不可能的。我們對德國 147 家雜貨店的研究證明機器學習可以提供幫助。

如果零售商找到一種方法來利用他們擁有的大量客戶交易數據，他們就可以讓品牌全面了解他們在市場上的地位。此外，零售商還可以使用這些數據來更好地優化他們的類別、商店分類和促銷優惠。

您可能已經聽說過 product-to-vec (P2V) 市場結構分析。這種機器學習方法為零售商和品牌商提供了一種全新的數據處理方式。由我們的 SO1 引擎驅動的 Sebastian Gabel 博士在這種方法背後的研究工作贏得了今年的 2020 年 EHI 零售科學獎，並發表在《營銷研究雜誌》上。

該方法基於深度神經網絡，使用零售商的購物數據，並查看數百萬購物籃中數千種產品的共現情況。這使它能夠將所有產品映射到 800 個不同的向量上，並將它們放入可視化地圖中，其中零售商產品組合中的每個產品都被描繪為一個點：

首先要注意的是，產品是按照顧客購買的方式進行分組的，而不是零售商將它們放在貨架上。此類集群的示例包括意大利食品、燒烤、烘焙、早餐、素食，甚至兒童產品（例如，小果汁盒、學校零食、泰迪熊形狀的午餐肉或迪士尼酸奶）。我們還可以看到這些組中的哪些產品是補充品（例如意大利面 + 番茄醬），哪些是替代品（兩種不同類型的意大利面）。

上圖來自德國一家大型雜貨連鎖店，來源於 7300 萬個購物籃。該分析完全自主地進行，僅使用來自 POS 系統和忠誠度計劃的原始購物數據。讓我們看幾個例子，品牌如何從這種對市場結構的公正觀點中受益。

發現替代

零售商希望發現替代品以擺脫冗餘品牌或與他們協商更好的條件。品牌需要深入了解最接近的競爭對手，以及他們與競爭對手的差異化程度，以防止被替代。

要了解此分析如何提供幫助，讓我們放大黑巧克力子集群：

我們看到 Lindt 產品（在德國被視為優質巧克力品牌）具有相似百分比的可可，無論是“溫和”品種還是“普通”品種，都非常接近。 Zetti 和 Sarotti 品牌（更具區域性和低價品牌）位於遠離 Lindt 的位置，但非常接近，表明強大的替代關係。在右下角，我們看到帶有附加成分（橙子、辣椒、海鹽……）的黑巧克力棒子類別，表明它們在市場上擁有自己獨特的地位。

這為品牌提供了一些重要的見解。首先，Lindt 與其他品牌有很強的差異化，但 Mild 版本並沒有得到客戶的明確認可。 Lindt 可能希望在包裝或廣告中更好地傳達兩者之間的區別。

Zetti 和 Sarotti 品牌似乎是彼此的有力替代品。客戶可能無法很好地區分它們，並且如果其中一個品牌正在促銷、缺貨或完全丟失，他們也不介意更換。可能需要改變營銷策略以更好地區分兩者。

是什麼推動了差異化

所以我們已經知道哪些產品是替代品，哪些產品定位獨特，但究竟是什麼推動了這種差異化？觀察黑巧克力子集群，我們可以看到兩個趨勢——價格自下而上下降（瑞士蓮為 2 歐元，Zetti/Sarotti 為 1.29 歐元），可可的百分比從左到右。因此，這兩個屬性看起來是主要的區別，除非巧克力是調味的。

對於 Zetti 和 Sarotti 來說，這可能意味著有機會推出他們巧克力的風味版本。由於價格較低且作為區域品牌，這種新產品可能會成為瑞士蓮風味巧克力的競爭者。

讓我們放大另一個集群，這次是葡萄酒。我們看到，首要的區別是它是起泡酒（“Sekt”）還是標準酒。 0.25 升的小酒瓶和起泡酒瓶在各自的位置上與其他酒瓶相距甚遠。

在右側，我們放大了 0.7 升的葡萄酒集群。價格似乎是這裡最強大的差異化因素，遠遠超過葡萄酒的實際類型（例如，Chatou、Sauvignon、Riesling……）。當產品按價格明確區分時，我們談論的是一個高度商品化的市場，葡萄酒看起來就是這樣。這表明該類別主要受價格和促銷活動的推動，但仍有差異化的地方，例如通過更強大的品牌或地區起源。

產品定位

該方法還可用於確定某些產品的定位。例如，一個 CPG 餅乾品牌與我們聯繫，以了解消費者是否將其產品更多地視為零食或早餐產品。查看地圖，我們很快發現該品牌的餅乾產品位於早餐產品中，與其他餅乾和零食相距甚遠。

這種洞察力被用來通過廣告和包裝進一步加強品牌的這種“早餐”定位，開始與生產互補早餐品類（如穀物或果醬）的品牌建立合作夥伴關係，甚至還擴展到其中的一些品類。

底線

這種方法的主要好處是簡單、客觀和自動化。由於該方法僅使用原始購物數據並反映真實的消費者行為，因此不存在其他方法中經常出現的偏差。由於整個分析是自動化的，因此可以根據需要使用新數據或過濾數據重複進行，以評估營銷活動的有效性、新產品的推出或季節性和區域影響。要更好地了解 P2V 方法，請查看 Sebastian Gabel 博士的完整文章。

本研究中使用的技術——SO1 引擎——也用於我們先進的個性化引擎。基於在此過程中獲得的見解，它允許零售商以合適的價格和時間為每位客戶自主推薦合適的產品——所有這些都考慮到零售商和品牌的業務目標。