Vat dit blogbericht samen met:
Noot van de redactie: Vergeet de ouderwetse methoden voor marktanalyse. Nu Generative AI onvermijdelijk de aandacht trekt van alles waar marketeers zich op richten, kan het de moeite waard zijn om eens goed na te denken over hoe data science-methoden een nieuwe wending krijgen dankzij GenAI. Bereid je voor op slimmere aanbevelingen, hypergerichte campagnes en een oneerlijk voordeel ten opzichte van je concurrentie – en geef je retailstrategie een enorme boost!
Marktmandanalyse (MBA) staat al tientallen jaren op het verlanglijstje van elke retailer (om het koopgedrag van klanten te begrijpen en weloverwogen zakelijke beslissingen te nemen), maar slechts een handjevol retailers gaat nog een stap verder om te ontdekken:
- Prioriteitsartikelen aanbevolen op basis van het seizoen en de dag van de week.
- Naamgevingsrichtlijnen voor nieuwe lanceringsproducten
- Campagnes die zijn ontworpen om gratis diners en groepsdiners aan bedrijven aan te bieden tijdens de feestperiode.
Het is een eenvoudige maar belangrijke analyse: begrijpen welke klanten geneigd zijn artikelen te kopen die elkaar aanvullen. Klanten die bijvoorbeeld brood kopen, zullen waarschijnlijk ook boter, jam en kaas kopen. Maar als we naar 2024 kijken, zullen traditionele methoden voor marktmandanalyse (MBA) waarschijnlijk tekortschieten.
Voeg daar nog een snufje generatieve AI aan toe en deze engine kan zich gemakkelijk transformeren in een krachtige aanbevelingsautomaat. (Hallo JARVIS/FRIDAY/EDITH!)
Walmart's GenAI productaanbevelingssysteem Marketingmixmodel 2.0
De door analyses en AI aangedreven MMM voor een hoger marketingrendement.
Ontdek het e-book Als u bekend bent met marktmandanalyse en het datawetenschappelijke raamwerk dat daarbij hoort,
Ga direct naar de onvermijdelijke verstoring die generatieve AI voor retailers veroorzaakt >>>
Maar laten we eerst eens begrijpen hoe marktmandanalyse in de detailhandel werkt.
Het diagram integreert analyse van menselijke factoren met AI-identiteit om taakgerichte benaderingen te verbeteren en interdisciplinaire samenwerking te bevorderen. Het benadrukt het belang van het overwegen van cognitieve belasting, taakanalyse en gebruikerservaring bij het ontwerpen van AI-systemen.
Inzicht in Lift, Confidence en Support – de pijlers van marktmandanalyse
Traditionele marktmandanalyse in de detailhandel is gebaseerd op bestaande aankoopgegevens om patronen en correlaties te ontdekken. Door deze gegevens te combineren, kunnen retailers waardevolle inzichten verkrijgen in klantgedrag en datagestuurde beslissingen nemen om hun bedrijf te verbeteren. Het identificeren van productcombinaties met een hoge ondersteuning en vertrouwen kan bijvoorbeeld helpen bij productplaatsing, cross-promoties en gerichte aanbevelingen .
Marktmandanalyse — Associatieregels. Bron: UofT Laten we teruggaan naar de ontbijttafel om de concepten te begrijpen.
Support meet de frequentie waarmee een itemset in transacties voorkomt. Het is simpelweg het percentage transacties dat een specifieke set artikelen bevat. Als bijvoorbeeld brood en boter in 10% van alle transacties samen voorkomen, is de support voor de itemset "brood & boter" 10%. Een hogere support duidt op een frequentere associatie tussen de artikelen.
De betrouwbaarheid geeft aan hoe waarschijnlijk het is dat klanten die een bepaald product (het antecedent) kopen, ook een ander product (het consequent) kopen. Dus, als 80% van de klanten die brood kopen ook boter kopen, is de betrouwbaarheid voor de regel "brood -> boter" 80%. Een hoge betrouwbaarheid duidt op een sterke samenhang tussen het antecedent en het consequent.
Lift gaat nog een stap verder: het vergelijkt de waargenomen steun voor een itemset met de steun die je zou verwachten als de items onafhankelijk van elkaar waren. Een liftwaarde groter dan 1 duidt op een positieve associatie (items worden vaker samen gekocht dan verwacht), terwijl waarden kleiner dan 1 wijzen op een negatieve associatie (items worden minder vaak samen gekocht dan verwacht).
Hoewel traditionele methoden ons goed van dienst zijn geweest, hebben ze hun beperkingen.
Traditionele, op regels gebaseerde marktmandanalyse (MBA) identificeert het gelijktijdig voorkomen van artikelen, maar heeft moeite met complexe relaties en causaliteit. Generatieve AI introduceert probabilistische grafische modellen (PGM's), terugkerende neurale netwerken (RNN's) en causale inferentietechnieken om causale verbanden tussen promoties, productplaatsing en aankoopbeslissingen te ontrafelen.
|
| Functies | Uitdagingen | Generatieve AI-oplossingen |
|---|
|
| Gegevensverzameling en -voorbereiding | - Weinig data en infrequent aankopen
- Onvolledige of onnauwkeurige gegevens
- Moeilijkheden bij het segmenteren van klanten | - Genereer synthetische transactiegegevens om schaarse datasets te verrijken.
- Ontbrekende waarden invullen en inconsistenties corrigeren met realistische gegevens
- Maak virtuele klantprofielen aan voor gerichte analyses. |
|
| Algoritmeselectie en parameteroptimalisatie | - Het identificeren van optimale algoritmen voor specifieke doelen
- Het kiezen van de juiste drempelwaarden voor ondersteuning en vertrouwen
- Gebrek aan interpreteerbaarheid in complexe modellen | - Automatisch afstemmen van algoritme-parameters op basis van gewenste doelstellingen
- Genereer verklaarbare modellen met redeneermogelijkheden
- Stel alternatieve algoritmen voor op basis van de kenmerken van de gegevens. |
|
| Patroonherkenning en -interpretatie | - Het identificeren van schijnverbanden en valse positieven
- Overfitting als gevolg van beperkte gegevens
- Moeite met het begrijpen van complexe onderlinge verbanden | - Detecteer en filter valse associaties eruit met behulp van anomaliedetectie.
- Genereer contrafeitelijke scenario's om causaliteit te onderzoeken
- Visualiseer patronen in hoogdimensionale data met interactieve dashboards |
|
| Bruikbare inzichten en besluitvorming | - Inzichten vertalen naar praktische aanbevelingen
- Prioriteren van acties op basis van impact en haalbaarheid
- Het overwinnen van cognitieve vertekeningen bij het interpreteren van resultaten | - Aanbevelingen doen voor specifieke productplaatsingen, promoties of cross-sellingstrategieën
- Modelleer de mogelijke uitkomsten van verschillende beslissingen op basis van gesimuleerde gegevens.
- Gebruik methoden waarbij mensen actief betrokken zijn om vooroordelen te verminderen en gezamenlijke besluitvorming te bevorderen. |
|
| Ethische en privacyoverwegingen | - Zorgen over gegevensprivacy en toestemmingsvereisten
- Potentiële aanwezigheid van discriminerende vooroordelen in gegenereerde gegevens
- Gebrek aan transparantie in AI-modellen | - Ontwikkel modellen met privacybehoudende technieken zoals federated learning.
- Implementeer garanties voor eerlijkheid en beperk vooroordelen in data en algoritmen.
- Geef duidelijke uitleg en onderbouwing voor inzichten die door AI zijn gegenereerd. |
De afbeelding toont de fasen van een data-analyseproces, gesymboliseerd door een kronkelende weg met gele borden die specifieke mijlpalen markeren. Deze fasen begeleiden het traject van data-invoer tot de implementatie van inzichten.- Gegevensinvoer: de in elke transactie gekochte artikelen, het tijdstip en de datum van de transactie, en alle andere relevante informatie.
- Gegevensvoorverwerking: het verwijderen van irrelevante informatie, het omgaan met ontbrekende waarden en het converteren van de gegevens naar een geschikt formaat voor analyse.
- Algoritmeselectie: Gebruik data mining-algoritmen zoals Apriori of FP-Growth om veelvoorkomende itemsets te identificeren, oftewel sets van items die vaak samen voorkomen in een transactie.
- Genereer associatie: Bereken de ondersteuning en het vertrouwen voor elke veelvoorkomende itemset – de waarschijnlijkheid dat een bepaald artikel wordt gekocht gegeven de aankoop van een ander artikel.
- Interpreteer de resultaten – de sterkte van de samenhang tussen de items en relevante inzichten in klantgedrag en -voorkeuren.
- Inzichten voor implementatie: Onderbouw zakelijke beslissingen zoals productaanbevelingen, optimalisatie van de winkelindeling en gerichte marketingcampagnes.
Omzetverhoging: Door klanttrajecten en verborgen koopgedragspatronen in kaart te brengen, kunnen bedrijven de winkelervaring personaliseren om de conversieratio en de gemiddelde orderwaarde te verhogen door producten voor te stellen die waarschijnlijk het meest aanspreken bij individuele klanten.
Verbeterde klanttevredenheid: Gepersonaliseerde aanbevelingen en relevante productsuggesties verbeteren de klantreis en bevorderen klantloyaliteit.
Minder voorraadtekorten en overschotten: Door de toekomstige vraag nauwkeurig te voorspellen, kunnen bedrijven kostbare voorraadtekorten en overschotten voorkomen en hun voorraadbeheer optimaliseren.
GenAI zou een grote rol kunnen spelen bij het ontwikkelen van een strategie voor bederfelijke producten. Het verwerken van externe data zoals weerpatronen, feestdagen en trends op sociale media kan de voorspellende marktanalyse voor de komende tien jaar aanzienlijk verbeteren. AI kan gerichte promoties en kortingen voorstellen voor specifieke producten die bijna over de houdbaarheidsdatum heen zijn, waardoor de verkoop wordt gestimuleerd en verspilling wordt verminderd.
Betere besluitvorming: AI-gestuurde inzichten bieden een dieper inzicht in klantgedrag, waardoor bedrijven datagestuurde beslissingen kunnen nemen op alle gebieden van hun bedrijfsvoering.
Hoewel generatieve AI enorm veel potentie heeft om marktanalyse (Market Basket Analysis, MBA) te revolutioneren, roept het ook belangrijke ethische vraagstukken op die op verantwoorde wijze moeten worden aangepakt. Hier volgen enkele belangrijke aandachtspunten:
- Vooroordelen en eerlijkheid Generatieve AI-modellen worden getraind op enorme hoeveelheden data, die bestaande maatschappelijke vooroordelen kunnen weerspiegelen en versterken. Dit kan leiden tot oneerlijke en discriminerende uitkomsten, zoals bevooroordeelde productaanbevelingen of onnauwkeurige voorspellingen over klantgedrag. Bedrijven moeten ervoor zorgen dat hun AI-modellen worden getraind op diverse en representatieve datasets om vooroordelen te verminderen en eerlijkheid te bevorderen.
- Transparantie en verklaarbaarheid Generatieve AI-modellen kunnen complex en ondoorzichtig zijn, waardoor het moeilijk is om hun besluitvormingsproces te begrijpen. Dit gebrek aan transparantie kan onzekerheid creëren en het vertrouwen in de technologie ondermijnen. Bedrijven moeten investeren in technieken voor verklaarbare AI (XAI) om inzicht te krijgen in hoe hun modellen werken en verantwoorde besluitvorming te garanderen.
- Privacy en beveiliging Generatieve AI-modellen vereisen vaak toegang tot persoonsgegevens, wat zorgen baart over privacy en beveiliging. Bedrijven moeten robuuste maatregelen implementeren om gebruikersgegevens te beschermen en te voldoen aan de relevante privacywetgeving. Daarnaast moeten ze transparant zijn over het verzamelen, gebruiken en opslaan van gebruikersgegevens.
- Verantwoordelijkheid en aansprakelijkheid Naarmate bedrijven steeds meer vertrouwen op generatieve AI voor besluitvorming, is het cruciaal om duidelijke verantwoordelijkheidslijnen vast te stellen. Wie is verantwoordelijk voor de resultaten die door AI-modellen worden gegenereerd? Hoe kunnen we ervoor zorgen dat bedrijven deze technologie ethisch en verantwoord gebruiken?
Het is essentieel om deze ethische overwegingen zorgvuldig te plannen en te implementeren om ervoor te zorgen dat generatieve AI op een goede manier wordt ingezet in de context van marktmandanalyse (MBA).
Generatieve AI biedt bedrijven een voorsprong bij het analyseren van waardevolle klantinzichten, het voorspellen van toekomstige trends en het personaliseren van de winkelervaring. Op CES 2024 onthulde Walmart hun innovatieve Generative AI-zoektechnologie, gericht op het verbeteren van de online winkelervaring. Stel je voor dat je kunt winkelen op basis van je behoeften in plaats van op basis van producten. Deze nieuwe functie, ontwikkeld met behulp van Microsoft AI-modellen en klantgegevens van Walmart, maakt een naadloze en natuurlijke winkelervaring mogelijk.
Hoewel het slechts een op AI gebaseerde UX-functie is die Walmart heeft geïntroduceerd om winkelen gemakkelijker te maken, wordt verwacht dat het de nog nauwelijks benutte voordelen van marktmandanalyse voor D2C e-commerce merken aan het licht zal brengen.
Doorgaans vertrouwen nieuwe D2C-merken sterk op naamsbekendheid en voorlichting bij de introductie van nieuwe categorieën consumentenproducten.
Maar als ze AI-modellen effectief kunnen trainen met hun eigen data, kunnen ze productontdekking naadloos laten verlopen. We kunnen dan ook nog meer innovatieve toepassingen van AI verwachten in marktmandanalyse, wat zal leiden tot een nieuw tijdperk van klantgerichtheid en succes in de detailhandel .