Цель этого документа — представить набор конкретных вариантов использования, но не исчерпывающий список, в которых возможности науки о данных, искусственного интеллекта и машинного обучения могут быть применены в масштабе розничной торговли.
В цифровом мире ориентация на клиента является ключевым моментом, и любой ритейлер, который фокусируется на покупателе и его опыте, выигрывает у своих конкурентов. На это есть несколько причин. Во-первых, индустрия розничной торговли развивается в направлении «вытягивающей», а не «выталкивающей» стратегии. Стратегия вытягивания эффективно пытается привлечь к себе своих клиентов, тогда как стратегия проталкивания подталкивает розничного продавца и его продукты к покупателю. Стратегия вытягивания — не новая концепция. Телевизионная реклама, которая существует уже давно, считается стратегией привлечения, поскольку она пыталась побудить клиента проявить интерес к своей продукции, хотя эти клиенты им неизвестны. Примером стратегии продвижения может быть отправка брошюры о продуктах непосредственно покупателю.
Теперь давайте рассмотрим проблему, с которой сталкивается розничный торговец по сравнению с производителем или продавцом/поставщиком розничного торговца. Например, компания Gillette, производитель бритвенных станков, использовала телевизионную рекламу для рекламы своей продукции. Как насчет таких розничных продавцов, как Walmart или Target, которые продают конечным покупателям тысячи и тысячи товаров (включая все товары Gillette)? Непонятно, как в этом случае эффективно реализовать «стратегию вытягивания». Конечно, они по-прежнему будут использовать телевизионную рекламу, чтобы привлечь внимание своих потенциальных клиентов, но это все еще далеко от эффективной стратегии привлечения, которая привлекает покупателей к конкретным продуктам в магазине, чтобы получить полное впечатление от клиента.
Далее мы рассмотрим, как развивался жизненный цикл покупки продукта покупателем. Ранее было три этапа, как показано ниже:
Стимул (Клиент заинтересован в продукте) — — — -🡪 Первый момент истины (Клиент покупает продукт) — — — 🡪 Второй момент истины (Клиент испытывает продукт).
Теперь, с широким доступом к Интернету, Google придумал «Нулевой момент истины», когда покупатель изучает в Интернете информацию об этом продукте. Это будет включать информацию о ценах и предыдущих настроениях клиентов. На этом этапе также существует вероятность того, что клиент, который изначально был «стимулирован» к покупке автомобиля Honda, теперь может в конечном итоге купить автомобиль Toyota (конкурент). Таким образом, мы можем представить новый жизненный цикл, как показано ниже:
Стимул (Клиент заинтересован в продукте) — — — -🡪 Нулевой момент истины (Клиент изучает продукт, а также проекты конкурентов в Интернете)………. -›Первый момент истины (покупатель покупает продукт) — — — 🡪 Второй момент истины (покупатель испытывает продукт).
Согласно нулевому моменту истины Google, процент клиентов, изучающих продукт в Интернете, достигает 70%, что означает, что этот аспект жизненного цикла покупки продукта больше нельзя игнорировать. Кроме того, на этапе «Первый момент истины» покупатель вполне может приобрести продукт в Интернете или в обычном магазине.
Короче говоря, реализация ориентированной на клиента стратегии притяжения в розничной торговле представляет собой сложную проблему. Тем не менее, вознаграждение может быть значительным не только на стороне клиента, но и в управлении запасами и более эффективной координации цепочки поставок с бесчисленным множеством поставщиков/поставщиков.
Теперь, когда мы сосредоточились на клиентоориентированности, становится ясно, что было бы очень ценно получить всестороннее представление о покупателе, которое, по сути, состоит в том, чтобы получить полное представление о покупателе через его исторические взаимодействия и покупки продуктов, а также различные точки соприкосновения, которые покупатель использует для взаимодействия с продавцом (электронная почта, телефон, социальные сети, веб-сайт, магазин и т. д.). Это может значительно помочь розничному продавцу реализовать эффективную стратегию вытягивания, адаптированную к отдельному покупателю, а также помочь розничному продавцу в распределении запасов и места на полках для различных продуктов.
Несмотря на то, что мы сосредоточены на клиентоориентированности, сложность розничных операций требует от нас понимания концепции «многоканальности», которая существует сегодня, в эпоху цифровых технологий. Многоканальную розничную торговлю можно условно разделить на две — офлайн и онлайн. Даже эти два могут быть подклассифицированы. Например, офлайн-каналы включают в себя обычные магазины, каталоги почтовых заказов, а также прямой телемаркетинг для потребителей. С другой стороны, онлайн-каналы включают сайты электронной коммерции, социальные сети, электронную почту и торговые площадки.
Мы завершаем наше знакомство с наиболее желательным атрибутом в цепочке создания ценности — предоставлением истинного клиентского опыта. Это должно позволить «многоканальную розничную торговлю». Это отличается от многоканальной розничной торговли, которая направлена на то, чтобы позволить покупателю взаимодействовать с продавцом через несколько каналов, как упоминалось в предыдущем разделе. Многоканальная розничная торговля ориентирована на «связь» между различными каналами, чтобы обеспечить непрерывное взаимодействие с клиентами по многим каналам, с которыми покупатель может пожелать взаимодействовать для создания персонализированного взаимодействия с брендом. Три основных атрибута омниканальной розничной торговли — бесшовная, интегрированная и последовательная.
Еще до того, как мы перейдем к аспекту науки о данных многоканальной розничной торговли, следует отметить, что ИТ-системы и инфраструктура, необходимые для достижения этого, будут очень сложными. Из-за динамического характера новых каналов, которые могут появиться в будущем (что, если покупатель захочет взаимодействовать с продавцом через устройство IoT, такое как смарт-часы). По общему мнению, для достижения этого с точки зрения реализации ИТ следует принять подход к подключению на основе API. Чтобы понять проблему, клиент может переключаться между несколькими каналами, чтобы просмотреть цены и другие атрибуты, прежде чем окончательно принять решение о покупке. Затем эта информация должна возвращаться в системы ERP и обновлять запасы в режиме реального времени в зависимости от используемого канала.
Хотя основное внимание в этом документе уделяется влиянию науки о данных и аналитики на отрасль розничной торговли, следует отметить, что для действительного достижения максимальных преимуществ аналитики необходима надежная и гибкая ИТ-инфраструктура.
Представив наши мысли о том, как типичный розничный клиент должен позиционировать себя для получения конкурентного преимущества в современном мире, мы теперь сосредоточимся на том, что требуется для раскрытия полного потенциала аналитики. Мы считаем, что есть три этапа достижения этой цели, перечисленные ниже:
- Хранилище данных
- Применение искусственного интеллекта/машинного обучения/алгоритмов оптимизации
- Презентация действенной бизнес-аналитики
Хранилище данных
Хотя мы не сосредоточены на механизме создания хранилища данных (или архитектуры озера данных), хранилище данных — это отправная точка любого пути аналитики. Сказав, что специалист по данным должен быть достаточно опытным, чтобы иметь возможность вводить данные из разных таблиц данных или источников с помощью сложных SQL-запросов, а также очищать веб-сайты и сайты социальных сетей для получения соответствующих данных. Следует также отметить, что некоторые данные могут быть неструктурированными и могут потребоваться для обработки с использованием методов обработки естественного языка. Тем не менее, наше внимание будет полностью сосредоточено на следующих двух этапах.
Применение AI/ML/алгоритмов оптимизации
Это та область, в которой мы хотели бы подчеркнуть наш опыт. Этот этап пути тесно связан с последним этапом, и эти два этапа должны итеративно взаимодействовать друг с другом для успешного выполнения проекта.
Как правило, получив доступ к данным, мы проводим «описательный анализ». По сути, это попытается понять особенности данных, их корреляции, а также сводную статистику. Это может быть представлено экспертам в предметной области визуально с помощью панели инструментов (Tableau, Qlik или PowerBI) или даже презентации PowerPoint. Этот шаг затем даст нам обратную связь с точки зрения того, как мы должны действовать в части моделирования.
Как только мы достаточно хорошо разберемся в данных с помощью экспертов в предметной области, мы готовы встать на путь выполнения «предписывающего анализа». Именно здесь мы устанавливаем структуру AI/ML для получения наилучшей модели, которая дает нам лучший прогноз. Стандартные процедуры, такие как «к-кратная перекрестная проверка» для сравнения различных алгоритмических подходов, разделение данных на обучающую часть и тестовую часть, а также соответствующие показатели производительности модели — все это встроено в эту структуру. Выбор правильной технологии на основе реализуемого алгоритма также осуществляется здесь (R, Python, TensorFlow, H2O и т.д.)
Во многих случаях конечным результатом могут быть просто прогнозы (например, прогнозирование посещаемости розничного магазина). Тем не менее, может быть много вариантов использования, когда мы можем продвинуться дальше по цепочке создания стоимости в область «предписывающего анализа» (обычно связанного с оптимизацией), который помогает клиенту принимать правильные решения (например, механизм рекомендаций или распределение места на полке). в розничном магазине).
Презентация полезной бизнес-аналитики
Любой проект по науке о данных неизбежно потерпит неудачу, если конечный пользователь не сможет использовать его результаты и сделать их пригодными для действий. Возможность действий со стороны конечного пользователя — это только один из аспектов успеха внедрения ИИ. Другим аспектом является возможность измерить влияние принятых решений и то, оказали ли такие решения положительное влияние на прибыль и прибыль рассматриваемого ритейлера. Например, когда мы предоставляем механизм рекомендаций, который выполняется периодически или в режиме реального времени, необходимо измерить, какой процент рекомендаций привел к успеху.
Способ представления опять же зависит от контекста. Информационные панели отлично подходят для моментальных снимков в реальном времени, когда в некоторых случаях может быть достаточно даже презентаций PowerPoint. Контекст также будет отличаться в зависимости от рассматриваемого варианта использования. Для одного и того же ритейлера одной аудиторией может быть офис директора по маркетингу, а другой аудиторией могут быть продавцы/поставщики, которые, интегрируя продукцию в свои операции цепочки поставок, могут повысить эффективность, приносящую пользу самому ритейлеру.
Далее мы представляем несколько вариантов использования, характерных для розничной торговли, и излагаем алгоритмические подходы к их решению. Как упоминалось ранее в этом документе, эти варианты использования не составляют исчерпывающий список, а служат цели демонстрации наших возможностей в решении нескольких сложных аналитических задач, возникающих в сфере розничной торговли.
- Системы рекомендаций
Это очень важный вариант использования в цифровом мире, где властвует клиент, и его необходимо постоянно вовлекать. Важность этого также подтверждается успехом таких организаций, как Amazon, которые утверждают, что 35% их онлайн-продаж приходятся на их систему рекомендаций. Таким образом, для розничных продавцов крайне важно иметь возможность использовать возможности машинного обучения и искусственного интеллекта для предоставления персонализированных рекомендаций своим клиентам.
По сути, существует две категории подходов — фильтрация на основе контента и совместная фильтрация. Контентная фильтрация зависит от пользователя в том смысле, что она рассматривает пользовательские предпочтения на основе исторических данных и дает рекомендации, основанные на сходстве с прошлым поведением. Недостатком этого подхода является то, что розничному предприятию необходимо иметь некоторый доступ к некоторому историческому поведению для каждого пользователя, и его нельзя применять в целом к новым пользователям.
Другая категория известна как совместная фильтрация, основанная на взаимодействии между пользователями. Существует два вида подметодов совместной фильтрации — от пользователя к пользователю, один из которых находит сходство между пользователями и на основе поведения пользователей в сегменте дает рекомендации другому пользователю в том же сегменте. В качестве примера рассмотрим, что пользователи A и B находятся в одном сегменте, и допустим, мы создаем механизм рекомендаций, чтобы рекомендовать продукт к покупке. Для целей обсуждения предположим, что имеется четыре элемента {элемент 1, элемент 2, элемент 3, элемент 4}. Теперь рассмотрим имеющиеся у нас данные. Допустим, пользователь А купил элемент 1, элемент 2 и элемент 3, а пользователь Б купил элемент 1, элемент 2 и элемент 4. Система рекомендаций рекомендует элемент 4 для пользователя А и элемент 3 для пользователя Б. Второй тип совместной фильтрации подобие предмета к элементу. Здесь мы по-прежнему используем данные других пользователей, но только для выявления сходства между купленными ими товарами. Эти сходства затем используются для выработки рекомендаций для конкретного клиента. Фактически, на практике большинство организаций пытаются реализовать гибридный подход, часто сочетая нюансы фильтрации на основе контента и фильтрации на основе совместной работы.
Методы машинного обучения, которые применяются для этого конкретного варианта использования, представляют собой довольно стандартизированные методы, основанные на метриках расстояния, таких как косинусное сходство, евклидово расстояние, корреляция Пирсона и даже простая регрессия. Настоящей проблемой здесь является масштаб данных, которые необходимо обработать, учитывая количество потенциальных клиентов и большое количество потенциальных продуктов, которые можно рекомендовать.
- Анализ рыночной корзины
Этот вариант использования в розничной торговле тесно связан с рекомендательной системой, в которой мы заинтересованы в том, чтобы выяснить, какие товары обычно появляются вместе в рыночной корзине. Причина, по которой мы сохранили это как отдельный вариант использования, заключается в существовании специализированного подхода, известного как анализ правил ассоциации, который представляет собой подход машинного обучения на основе правил, который можно применить к этой проблеме.
В качестве примера рассмотрим POS-продажу в супермаркете. Мы могли бы рассмотреть следующее правило {лук, картофель} => {гамбургер}, чтобы проверить, может ли клиент, купивший лук и картофель, съесть гамбургеры. Все применение интеллектуального анализа ассоциативных правил заключается в проверке «силы» этих правил на основе базовых данных для получения практических идей. Здесь предпринятое действие может быть не персонализированной рекомендацией клиенту, а решениями по маркетинговым кампаниям, таким как ценообразование, размещение продукта и разработка сделок, объединяющих несколько элементов. Эти идеи также могут быть использованы для управления запасами.
После того, как мы зафиксировали правило для оценки, мы смотрим, как правило, на три атрибута правила, которые помогут нам понять важность отношения. Это поддержка, уверенность и подъем. Поддержка указывает, как часто набор элементов появляется в наборе данных. Набор элементов — это набор элементов, отображаемых в левой части правила. Уверенность — это показатель того, как часто правило оказывалось верным. Поддержка и Доверие обязательно могут не сообщать всей истории. Другая распространенная метрика, известная как «Подъем», учитывает поддержку правила и общий набор данных.
- Оптимизация цен (оптимизация уценки)
Это область, представляющая большой интерес для розничной торговли из-за растущего применения методов AI/ML. До того, как эта оптимизация цен была ограничена отраслями с ограниченными запасами, такими как авиалинии и отели, но с наличием растущих внутренних и внешних данных и увеличением скорости вычислений стало возможным даже реализовать стратегии оптимизации цен в реальном времени.
По сути, существует три этапа реализации эффективной стратегии оптимизации цен. Первым шагом является прогнозирование цены. Это не совсем просто, поскольку цена может влиять на спрос, и эту эластичность следует предсказывать. Это означало бы просмотр истории продаж аналогичных продуктов в прошлом и построение модели «дерева регрессии», которая помогла бы нам вывести кривую спроса и цены. Дерево регрессии — это не что иное, как метод ML (основанный на правилах if-then else), который можно использовать для прогнозирования цены на основе различных уровней спроса, наблюдаемых в прошлом.
За фазой прогнозирования обычно следует фаза обучения, на которой мы сравниваем нашу цену с фактическими продажами, при необходимости перерисовывая нашу кривую цены на основе фактических результатов, поскольку мы точно знаем, насколько хорошо продается продукт, и мы можем уточнить нашу кривую цены спроса для него. . Последний шаг включает в себя применение новой кривой и оптимизацию цен для сотен продуктов и периодов времени. Например, простое эмпирическое правило при реализации метода оптимизации будет состоять в том, чтобы установить цену каждого продукта на уровне «р» таким образом, чтобы спрос на эту цену, которую мы обозначаем «D(p)», был бы таким, что «p*D( p)» является максимальным на кривой спроса-цены (максимизирует верхнюю линию). Однако тот факт, что теперь мы можем оптимизировать несколько продуктов во времени, мы можем учитывать другие сложные ограничения, такие как ограниченное пространство на полках, а также максимизировать чистую прибыль.
Приведенный выше трехэтапный процесс представляет собой лишь набор общих рекомендаций. В реальных условиях у человека может не быть возможности реализовать все три шага. Фаза обучения — это роскошь, поскольку она включает в себя наблюдение за фактическим поведением после введения цены, и многие розничные клиенты могут быть не склонны к этому, поскольку они хотели бы зафиксировать цену после фазы прогнозирования на фиксированный период времени (скажем, следующие 48 дней). часа или двух дней). Также могут быть случаи, когда процесс прогнозирования может быть неприменим, и в этом случае этап обучения имеет решающее значение, поскольку он обеспечивает обратную связь по эластичности спроса и цены.
Одной из задач любого ритейлера является оптимизация цен на «товары первой экспозиции», которые никогда раньше не продавались. Предположим, что есть два товара, товар А и товар В, и для каждого установлена цена Р(А) и Р(В) соответственно. Кроме того, предположим, что предложение было доступно в течение периода времени T (скажем, 48 часов или 2 дня). Теперь, если мы заметим, что после того факта, что запас товара А закончился задолго до окончания периода времени Т, а запас товара В остался наполовину после Т, мы могли бы обосновать, что лучшей ценой было бы увеличение P. (A) и уменьшить P(B) . Это именно то, чего пытается достичь метод оптимизации цен. Один из подходов к решению этой проблемы состоит в том, чтобы создать две группы из истории, где одна группа состоит из комбинаций «товар-событие», у которых был дефицит, а другая группа состоит из комбинаций, у которых запасы остались в конце периода предложения. Для каждой группы мы можем вывести кривые цены-спроса для конкретного товара, после чего мы применяем кластеризацию, чтобы объединить эти кривые цены-спроса в меньшее количество кривых цены-спроса. Опять же, мы применяем метод дерева регрессии, чтобы предсказать цену товара.
В качестве примечания, должно быть интересно отметить, почему мы выбираем подход дерева регрессии, а не метод регрессии. Причина в том, что подход с использованием дерева регрессии является более общим, поскольку он может обрабатывать больше нюансов реального мира. Например, он может моделировать «перевернутые ценовые отношения», которые иногда возникают на рынке предметов роскоши, где спрос может фактически возрасти, если цена вырастет. Теперь мы завершаем этот раздел, упомянув, что те же методы, которые мы обсуждали ранее, могут применяться в случае «уценки», когда кто-то стремится снизить цену по сравнению с существующей с целью устранения запасов в течение определенного периода времени. время.
- Управление запасами
Управление запасами не является новой областью, поскольку оно составляет основную часть эффективных операций цепочки поставок. Одна из первых систем управления запасами, известная как «точно вовремя» (JIT), впервые предложенная Toyota Motors, стала очень популярной, поскольку такие методы с некоторым успехом применялись в розничной торговле. Системы JIT нацелены именно на то, чего мы хотели бы достичь, а именно на способность точно прогнозировать спрос таким образом, чтобы производственные графики фиксировались заранее, а товары у поставщиков/продавцов заказывались только по мере необходимости. В идеальном мире нет затрат на инвентарь, а также нет запасов какой-либо детали поставщика. Одним из основных недостатков этой системы является то, что она ненадежна в том смысле, что любой незначительный сбой в этом симбиозе может вызвать массовый сбой в работе цепочки поставок.
Однако из-за существования множества каналов взаимодействия в розничном цифровом мире заблаговременное прогнозирование спроса на продукт всегда является проблемой, и поэтому новые подходы, основанные на методах AI/ML, нашли свое применение в этой области. Прогнозирование спроса по-прежнему является ключевым моментом, но еще важнее то, что это область, в которой нужно двигаться вверх по цепочке создания стоимости от прогнозной аналитики к области предписывающей аналитики, где механизм AI/ML должен не только останавливаться на прогнозах, но и должны принимать оптимальные решения по заказу/повторному заказу на основе этих прогнозов.
В этой области применялись одни из самых сложных алгоритмов AI/ML. Мы называем обучение с подкреплением особой техникой, которую можно применять для беспрепятственного управления запасами и контроля. Обучение с подкреплением — это специальное приложение марковского процесса принятия решений, возникшее в области динамического программирования.
Существует два типа процессов управления запасами — системы запасов, управляемых продавцом (RIM), и системы запасов, управляемых поставщиком (VIM). Walmart — крупная организация, которая успешно внедрила систему VIM. Хотя мы могли бы утверждать, что система VIM позволяет розничному продавцу отказаться от контроля над принятием решений о заказе, преимущества внедрения системы VIM многочисленны. Во-первых, требуется полная прозрачность данных о запасах розничного продавца для продавца/поставщика, что обеспечивает бесперебойную работу цепочки поставок. Кроме того, это позволяет розничному продавцу полностью сосредоточиться на покупателе, а не беспокоиться о дефиците товара или, наоборот, о незанятом товарном запасе, занимающем место на полке.
- Прогноз жизненного цикла
Для любого розничного продавца важно иметь возможность оценить «пожизненную ценность клиента» (CLV), которую можно определить как «дисконтированную стоимость будущей прибыли, полученной от покупателя». Теперь прибыль указывает на то, что задействованы как «затраты», так и «доходы», но мы больше сосредоточимся на доходах, поскольку их сложнее предсказать для отдельного клиента. Есть также «материальная» и «нематериальная» части. Материальная часть включает в себя все прямые покупки покупателем. Нематериальная часть, особенно в эпоху социальных сетей, относится к «влиянию клиента» (например, «Нравится» для продукта на странице продукта в Facebook), которое побуждает других клиентов совершать покупки напрямую вместе с клиентом. Для простоты остановимся только на материальной части.
Прежде чем мы представим алгоритмы, необходимые для достижения этой цели, давайте разберемся в различных типах бизнес-контекстов. Бизнес-контекст может быть определен в двух измерениях: договорное и неконтрактное в одном измерении и непрерывное и дискретное (с точки зрения времени совершения покупок) во втором измерении. Мы сосредоточимся на одной конкретной комбинации, которая применима к большинству розничных продавцов, и которая является «недоговорной и непрерывной» (отметим, что специальные магазины, такие как Costco, подпадают под категорию «договорная и непрерывная»).
Прежде чем мы представим модели машинного обучения, которые можно применить к этому варианту использования, есть три скрытых (ненаблюдаемых) параметра, которые необходимо оценить (вероятностно) для каждого клиента:
- Lifetime — период взаимодействия между покупателем и розничной организацией.
- Показатель покупок — количество покупок, которые клиент совершит в течение срока действия.
- Денежная стоимость — сумма в долларах, присваиваемая каждой будущей транзакции.
Применяемая здесь общая модель известна как модель «Парето/NBD». NBD означает «отрицательное биномиальное распределение». Модель Парето/NBD используется для оценки первых двух из трех вышеупомянутых скрытых параметров. Ожидается, что срок службы будет следовать экспоненциальному распределению с параметром «мю», а курс покупки будет следовать распределению Пуассона с параметром «лямбда». Скрытые параметры «мю» и «лямбда» дополнительно ограничены двумя априорными гамма-распределениями, которые отражают наше мнение о том, как эти параметры распределяются среди клиентов. Два гамма-распределения имеют собственный набор параметров, которые необходимо оценить. Процесс оценки довольно стандартный и требует, чтобы параметры оценивались на наборе обучающих данных, а затем проверялись на наборе тестовых/задерживающих данных. Как видите, мы заранее делаем предположения о распределении, поэтому стоит отметить, что существуют и другие модели, которые можно применять, такие как «BG/NBD», где BG означает «бета-геометрическая», а «BG/ BB», где BB означает «бета-биномиал». Мы могли бы сравнить эти фреймворки и выбрать тот, который лучше всего соответствует предоставленным данным.
Теперь нам нужно дополнить приведенную выше модель другой моделью, которая оценивает денежную стоимость, связанную с каждой прогнозируемой покупкой для клиента. Одной из таких моделей является модель «Гамма-Гамма», в основе которой лежат три допущения: денежная стоимость данной транзакции изменяется случайным образом относительно средней стоимости транзакций, средняя стоимость транзакции варьируется в зависимости от клиентов, но не меняется во времени для конкретного клиента. а распределение средних значений транзакций между клиентами не зависит от процесса транзакций.
Комбинируя две модели, упомянутые выше, мы получаем оценки трех скрытых параметров для каждого клиента, что напрямую дает нам оценку CLV для конкретного клиента.
- Оптимизация рыночного комплекса
Маркетинговая концепция, лежащая в основе «рыночного микса», очень актуальна в современном мире, когда отделам маркетинга предприятий розничной торговли необходимо оптимизировать свои маркетинговые расходы по нескольким каналам, чтобы обеспечить положительное влияние на свои доходы и прибыль. Легендарный гуру маркетинга Филип Котлер представил 4P, которые определяют структуру рынка. Это «продукт», «цена», «место» (то есть распространение) и «продвижение» (реклама).
Цель заключается в следующем. Учитывая фиксированный маркетинговый бюджет, розничному предприятию необходимо определить сумму, которую необходимо распределить между 4 P. Это сложная проблема, поскольку каналы могут быть очень разнообразными — телевидение, почтовые рассылки, поисковая оптимизация (SEO), сайты социальных сетей, электронная почта, дисплеи, журналы и т. д. Кроме того, некоторые маркетинговые инициативы не обязательно должны включать все 4 P. . Например, розничный торговец может размещать рекламу по телевидению без упоминания продукта (и, следовательно, цены и места), просто для того, чтобы привлечь внимание. Тот же розничный торговец может рекламировать по телевидению специальную скидку на определенный продукт (например, Best Buy рекламирует распродажу определенного ассортимента своих ноутбуков. Здесь и продукт, и цена находятся в контексте, но, возможно, не в месте, как это предложение могло бы быть). быть доступным как в Интернете, так и в обычных магазинах). Единственный P, который непротиворечив, — это используемое «продвижение» или «канал».
Таким образом, первый шаг к пониманию основы оптимизации рыночного комплекса заключается в том, что «агрегирование» происходит по разным параметрам. Второй шаг — интегрировать это с системой прогнозирования, которая будет прогнозировать спрос как функцию маркетинговых расходов (это может быть на уровне продукта, который может быть агрегирован, или непосредственно на агрегированном уровне). Здесь не нужны специальные алгоритмы, задача состоит в том, чтобы иметь возможность оптимизировать различные маркетинговые сценарии, которые потенциально могут взорваться из-за количества продуктов и количества каналов продвижения. Последним шагом является выполнение механизма оптимизации. Цель состоит в том, чтобы «максимизировать рентабельность инвестиций (ROI)» с учетом конкретных ограничений, таких как общий бюджет, потолок бюджета по каналам продвижения и т. д. Концепция на основе ROI является наиболее популярной моделью, используемой на практике для разработки оптимального рыночного сочетания расходов.
- Расположение объекта
Решение открыть новый магазин является проблемой не только для обычной розничной компании, но также актуально для компании, занимающейся исключительно электронной коммерцией, которая будет заинтересована в том, где разместить свои склады, чтобы минимизировать транспортные расходы, а также первоначальные высокие фиксированные затраты на открытие магазина. Проблема не нова, но что изменилось, так это богатство данных, доступных в нынешнюю цифровую эпоху. Одними из таких данных являются данные мобильного устройства или данные мобильной трассировки, основанные на геозоне (например, вблизи торгового центра). Другим решением, заслуживающим изучения, будет «потенциальное закрытие обычных магазинов» для розничной организации, которая ведет бизнес как в автономном, так и в онлайновом режиме, и иногда лучшим решением будет закрыть магазин в определенном месте и сосредоточиться на получении доходов для этого населения через онлайн. продажи. Розничные продавцы могут использовать комбинацию демографических, психографических данных, информации о конкурентах и другой ключевой информации о клиентах, чтобы лучше принимать решения о том, где разместить новый объект.
Структура моделирования включает в себя прогностическую часть, основанную на применении методов AI/ML для прогнозирования посещаемости, спроса и т. д., которые могут быть преобразованы в потенциальный потенциал роста в случае строительства объекта в этом конкретном месте. Положительный эффект может быть компенсирован фиксированными затратами на строительство объекта, а также переменными затратами на содержание объекта. Анализ местоположения объекта облегчается структурой оптимизации, которая способна оптимизировать множество потенциальных местоположений в одной модели (например, легко сформулировать модель, которая может выбрать максимум 10 местоположений из набора 200 потенциальных местоположений по всему миру). страна, которая максимизирует их прибыль).