A lire sur: http://www.decideo.fr/Big-Data-et-analyse-des-affinites-produits_a6034.html
Identifier les produits qui sont vendus ensemble et utiliser cette
information pour mieux définir certains programmes marketing est une
démarche très profitable, elle permet par exemple de mieux fixer les
assortiments, les communications et les offres promotionnelles.
L’analyse des « affinités produits » est une des dimensions de l’analyse
des paniers des consommateurs, elle donne la possibilité d’approfondir
la connaissance des habitudes des acheteurs et de compléter les analyses
traditionnelles : nombre de paniers, panier moyen, variété des achats,
sensibilité aux prix, aux promotions, heures de fréquentation, type de
paiement, etc.
Michel BRULEY, Lundi 8 Avril 2013
Identifier les produits qui sont vendus ensemble et utiliser cette
information pour mieux définir certains programmes marketing est une
démarche très profitable, elle permet par exemple de mieux fixer les
assortiments, les communications et les offres promotionnelles.
L’analyse des « affinités produits » est une des dimensions de l’analyse
des paniers des consommateurs, elle donne la possibilité d’approfondir
la connaissance des habitudes des acheteurs et de compléter les analyses
traditionnelles : nombre de paniers, panier moyen, variété des achats,
sensibilité aux prix, aux promotions, heures de fréquentation, type de
paiement, etc.
Michel Bruley, Directeur Marketing EMEA de Teradata Aster
L’analyse des « affinités produits » participe à la détection des
tendances d'achat, des liens entre des produits ou services, des
opportunités de ventes croisées, et l’augmentation du chiffre
d’affaires. L’apport de ce type d’analyse est de pouvoir identifier,
avec un haut degré de précision, le profil des clients susceptibles
d’être les plus intéressés par certains produits ou services
spécifiques, ou certaines offres groupées.
Cette approche est fondée sur la théorie que si vous achetez certains produits/services, vous êtes plus (ou moins) susceptibles d'acheter certains autres produits/services. Ce qu’achète un client, est considéré comme un ensemble, et l’analyse de paniers cherche à trouver des relations entre les ensembles achetés par différents consommateurs. Au final des relations sont mises en lumière et se présentent sous forme de règle, par exemple : si {bière & pas de repas} alors {chips}. Ainsi sur internet pour générer des ventes additionnelles, des analyses de paniers sont faites pour mettre au point des suggestions du type: «Les clients qui ont acheté le livre A ont également acheté le livre B». Ayant compris que les clients sont très susceptibles d'acheter le shampooing et le revitalisant ensemble, le détaillant ne met pas les deux articles en promotion en même temps. La promotion d'un seul est susceptible de stimuler les ventes de l'autre.
Les données historiques des paniers sont utilisées pour améliorer la connaissance des clients, mieux comprendre ce qu’ils sont susceptibles d'acheter et de ne pas acheter, et pour créer des programmes marketing plus efficaces. Les historiques des achats servent à identifier les produits/services acquis ensemble par des types de clients définis. Des analyses prédictives sont réalisées pour découvrir parmi les non clients ceux qui sont les plus susceptibles d'acheter les produits/services ciblés et de répondre favorablement à des campagnes spécifiques de ventes croisées. Des associations de produits sont aussi déterminées pour construire des offres groupées. Les produits ou les associations de produits/services qui ne plaisent pas sont mises en lumière et cette information est utilisée pour ne pas promouvoir des offres non désirées. Au final tout cela permet d’augmenter les revenus et de réduire les coûts en ciblant de façon plus précise, plus économique, les clients les plus susceptibles de répondre favorablement aux campagnes.
Concrètement il s’agit d’établir des liens (associations) entre des enregistrements, ou des ensembles, dans une base de données, de trouver les éléments qui impliquent la présence statistique d'autres éléments. Les affinités entre les éléments sont représentées par des règles d'association, par exemple «Lorsque quelqu’un loue un bien immobilier pendant plus de 2 ans et à plus de 25 ans, dans 40% des cas, il achètera un bien ou dans les trois mois qui suivent l'achat d’un bien immobilier, les nouveaux propriétaires vont acquérir des articles ménagers : cuisinières, congélateurs, machines à laver, etc. ».
Techniquement il convient de faire des analyses sur des séries temporelles d’événements et de découvrir des liens dans des séries séquentielles de transactions. Or faire cette analyse via un programme SQL et une base de données relationnelles classiques, est bien sûr possible mais n’est pas optimum, et implique par exemple l’écriture de programmes longs (longs à écrire, longs à exécuter), générant de multiples lectures de la base, ce dernier point étant très pénalisant lorsque la volumétrie des données est importante. C’est pourquoi aujourd’hui on a recours à des solutions MapReduce type Hadoop ou Aster Data, qui peuvent se permettre de ne lire qu’une seule fois la base pour fournir le résultat de l’analyse, via des programmes beaucoup plus simples à écrire et à maintenir.
Avec les nouveaux moyens cités ci-dessus, les analyses des « affinités produits » connaissent un grand développement actuellement. En effet l’analyse de l’affinité peut être faite à tous les niveaux de la hiérarchie produit (produit, famille, rayon, univers), à l'intérieur d'une famille ou à l'extérieur, elle peut porter sur des attributs articles (produits bio, produits nouveaux, régionaux), ou tenir compte des évènements liés aux produits (promo, mise en avant, changement de prix). L'affinité temporelle peut être inversé entre la semaine et le weekend, la semaine j'achète du low cost et le weekend je me paye des extras, elle peut être déclinée sur des saisons particulière, elle peut être ajustée en fonction du cycle de vie (étudiant, travailleur, chômeur, indépendant, travailleur, retraité, rentier), l'affinité peut se faire entre les canaux : super, hyper, proxi, web, etc.
Pour aller plus loin sur ce sujet vous pouvez suivre le webcast « Teradata Aster Big Analytics Appliance » : http://www.asterdata.com/webcasts/big-analytics-appliance.php
Cette approche est fondée sur la théorie que si vous achetez certains produits/services, vous êtes plus (ou moins) susceptibles d'acheter certains autres produits/services. Ce qu’achète un client, est considéré comme un ensemble, et l’analyse de paniers cherche à trouver des relations entre les ensembles achetés par différents consommateurs. Au final des relations sont mises en lumière et se présentent sous forme de règle, par exemple : si {bière & pas de repas} alors {chips}. Ainsi sur internet pour générer des ventes additionnelles, des analyses de paniers sont faites pour mettre au point des suggestions du type: «Les clients qui ont acheté le livre A ont également acheté le livre B». Ayant compris que les clients sont très susceptibles d'acheter le shampooing et le revitalisant ensemble, le détaillant ne met pas les deux articles en promotion en même temps. La promotion d'un seul est susceptible de stimuler les ventes de l'autre.
Les données historiques des paniers sont utilisées pour améliorer la connaissance des clients, mieux comprendre ce qu’ils sont susceptibles d'acheter et de ne pas acheter, et pour créer des programmes marketing plus efficaces. Les historiques des achats servent à identifier les produits/services acquis ensemble par des types de clients définis. Des analyses prédictives sont réalisées pour découvrir parmi les non clients ceux qui sont les plus susceptibles d'acheter les produits/services ciblés et de répondre favorablement à des campagnes spécifiques de ventes croisées. Des associations de produits sont aussi déterminées pour construire des offres groupées. Les produits ou les associations de produits/services qui ne plaisent pas sont mises en lumière et cette information est utilisée pour ne pas promouvoir des offres non désirées. Au final tout cela permet d’augmenter les revenus et de réduire les coûts en ciblant de façon plus précise, plus économique, les clients les plus susceptibles de répondre favorablement aux campagnes.
Concrètement il s’agit d’établir des liens (associations) entre des enregistrements, ou des ensembles, dans une base de données, de trouver les éléments qui impliquent la présence statistique d'autres éléments. Les affinités entre les éléments sont représentées par des règles d'association, par exemple «Lorsque quelqu’un loue un bien immobilier pendant plus de 2 ans et à plus de 25 ans, dans 40% des cas, il achètera un bien ou dans les trois mois qui suivent l'achat d’un bien immobilier, les nouveaux propriétaires vont acquérir des articles ménagers : cuisinières, congélateurs, machines à laver, etc. ».
Techniquement il convient de faire des analyses sur des séries temporelles d’événements et de découvrir des liens dans des séries séquentielles de transactions. Or faire cette analyse via un programme SQL et une base de données relationnelles classiques, est bien sûr possible mais n’est pas optimum, et implique par exemple l’écriture de programmes longs (longs à écrire, longs à exécuter), générant de multiples lectures de la base, ce dernier point étant très pénalisant lorsque la volumétrie des données est importante. C’est pourquoi aujourd’hui on a recours à des solutions MapReduce type Hadoop ou Aster Data, qui peuvent se permettre de ne lire qu’une seule fois la base pour fournir le résultat de l’analyse, via des programmes beaucoup plus simples à écrire et à maintenir.
Avec les nouveaux moyens cités ci-dessus, les analyses des « affinités produits » connaissent un grand développement actuellement. En effet l’analyse de l’affinité peut être faite à tous les niveaux de la hiérarchie produit (produit, famille, rayon, univers), à l'intérieur d'une famille ou à l'extérieur, elle peut porter sur des attributs articles (produits bio, produits nouveaux, régionaux), ou tenir compte des évènements liés aux produits (promo, mise en avant, changement de prix). L'affinité temporelle peut être inversé entre la semaine et le weekend, la semaine j'achète du low cost et le weekend je me paye des extras, elle peut être déclinée sur des saisons particulière, elle peut être ajustée en fonction du cycle de vie (étudiant, travailleur, chômeur, indépendant, travailleur, retraité, rentier), l'affinité peut se faire entre les canaux : super, hyper, proxi, web, etc.
Pour aller plus loin sur ce sujet vous pouvez suivre le webcast « Teradata Aster Big Analytics Appliance » : http://www.asterdata.com/webcasts/big-analytics-appliance.php
Aucun commentaire:
Enregistrer un commentaire