Nästa generations marknadskorganalys inom detaljhandeln: Ta dig upp i nivå med generativ AI

I årtionden har marknadskorganalys (MBA) funnits på önskelistanav alla återförsäljare (för att förstå kundernas köpmönster och fatta välgrundade affärsbeslut) men bara en handfull pressas till det lilla extra för att ta reda på det:

• Prioriterade artiklar rekommenderas baserat på säsong och veckodag
• Riktlinjer för namngivning av nya lanseringsartiklar
• Kampanjer utformade för att marknadsföra gratis middagar och middagar för grupp till företag under helgerna.

Det är en enkel men betydelsefull analys – Förstå vilka kunder som tenderar att köpa varor som kompletterar varandra. Till exempel är det troligt att kunder som köper bröd också köper smör, sylt och ost. Men när vi hoppar fram till 2024 kommer traditionella marknadskorganalystekniker (MBA) sannolikt att vara till korta.

Strö nu en nypa generativ AI ovanpå så kan den här motorn enkelt omvandlas till en kraftfull rekommendationsautomat. (Hej JARVIS/FRIDAY/EDITH!)

Om du är bekant med marknadskorganalys och datavetenskapsramverket som bakgrund,

hoppa till den oundvikliga störningen orsakad av generativ AI för återförsäljare >>>

Men låt oss först förstå, hur fungerar marknadskorganalys inom detaljhandeln?

Förstå lyft, förtroende och stöd – grundpelarna i marknadskorganalys

Traditionell marknadskorganalys inom detaljhandeln förlitar sig på befintlig köpdata för att avslöja mönster och korrelationer. Genom att använda dessa mätvärden tillsammans kan återförsäljare få värdefulla insikter ikundbeteendeoch fatta datadrivna beslut för att förbättra sin verksamhet. Till exempel kan det hjälpa att identifiera artikeluppsättningar med högt stöd och förtroende.Produktplacering, korsmarknadsföringochRiktade rekommendationer.

Låt oss gå tillbaka till frukostbordet för att förstå koncepten.

Stödmäter frekvensen av en uppsättning objekt som förekommer i transaktioner. Det är helt enkelt andelen transaktioner som innehåller en specifik uppsättning objekt. Om till exempel bröd och smör förekommer tillsammans i 10 % av alla transaktioner är stödet för objektuppsättningen "bröd och smör" 10 %. Högre stöd indikerar en mer vanlig association mellan objekt.

Konfidensen visar hur sannolikt det är att kunder som köper en vara (antacedent) också köper en annan vara (konsekvent). Så om 80 % av kunderna som köper bröd också köper smör är konfidensen för regeln "bröd -> smör" 80 %. Hög konfidens antyder ett starkt samband mellan antecedenten och konsekventen.

Lyftatar det ett steg längre – det jämför i huvudsak det observerade stödet för en uppsättning föremål med det stöd man skulle förvänta sig om föremålen var oberoende. Ett lyftvärde större än 1 indikerar en positiv association (föremål köps tillsammans mer än förväntat), medan värden mindre än 1 antyder en negativ association (föremål köps tillsammans mindre än förväntat).

Utmaningar med traditionell marknadskorgsanalys (MBA)

Även om traditionella metoder har tjänat oss väl, har de begränsningar.

Traditionell regelbaserad marknadskorganalys (MBA) identifierar samtidiga förekomster av varor men kämpar med komplexa samband och kausalitet. Generativ AI introducerarProbabilistiska grafiska modeller (PGM), återkommande neurala nätverk (RNN)ochKausala inferensteknikeratt reda ut orsakssamband mellan kampanjer, produktplaceringar och köpbeslut.

Hur ser det typiska flödet för en GenAI-driven marknadskorganalys (MBA) ut?

• Datainmatning:varor som köpts i varje transaktion, tid och datum för transaktionen och all annan relevant information.


• Dataförbehandling:ta bort all irrelevant information, hantera saknade värden och konvertera data till ett lämpligt format för analys.


• Algoritmval:Använd miningalgoritmer som Apriori eller FP-Growth för att identifiera frekventa objektuppsättningar, uppsättningar av objekt som ofta förekommer tillsammans i en transaktion.


• Generera association:Beräkna stödet och förtroendet för varje frekvent uppsättning föremål – sannolikheten att en vara köps givet köpet av en annan vara.


• Tolka resultaten– styrkan i sambandet mellan artiklarna och relevanta insikter i kundernas beteende och preferenser.


• Insikter om implementering:Fatta välgrundade affärsbeslut som produktrekommendationer, optimering av butikslayout och riktade marknadsföringskampanjer.

Vilka är fördelarna med generativ AI-driven marknadskorgsanalys (MBA)?

Intäkterna ökar:Identifiera kundresor och dolda köpmönster – företag kan anpassa shoppingupplevelsen för att öka konverteringsfrekvensen och det genomsnittliga ordervärdet genom att föreslå produkter som mest sannolikt kommer att tilltala enskilda kunder.

Förbättrad kundnöjdhet: Personalized recommendations and relevant product suggestions enhance the customer journey, strengthen customer loyalty, and encourage repeat purchases.

Minskade lagerstopp och överlager:Genom att exakt förutsäga framtida efterfrågan kan företag undvika kostsamma lagerbrister och överlager, vilket optimerar lagerhanteringen.

GenAI skulle kunna spela en stor roll i utformningen av strategin för färskvaror – bearbetning av externa data som vädermönster, helgdagar och trender i sociala medier kommer sannolikt att förbättra prediktiv analys av marknadsvaror för det kommande decenniet. AI kan föreslå riktade kampanjer och rabatter för specifika produkter som närmar sig utgångsdatum, vilket driver försäljningen och minskar svinnet.

Bättre beslutsfattande:AI-drivna insikter ger en djupare förståelse för kundbeteende,gör det möjligt för företag att fatta datadrivna beslutinom alla aspekter av deras verksamhet.

Etiska överväganden vid användning av generativ AI i MBA

Även om generativ AI har enorma potential att revolutionera marknadsbasketanalys (MBA) väcker den också viktiga etiska överväganden som måste hanteras ansvarsfullt. Här är några viktiga vägar att fundera över:

• Partiskhet och rättvisa Generativa AI-modellerär utbildade på stora mängder data, vilket kan återspegla och förstärka befintliga samhälleliga fördomar. Detta kan leda till orättvisa och diskriminerande resultat, såsom partiska produktrekommendationer eller felaktiga förutsägelser om kundbeteende. Företag måste se till att deras AI-modeller är utbildade på olika och representativa datamängder för att minska partiskhet och främja rättvisa.


• Transparens och förklarbarhetGenerativa AI-modeller kan vara komplexa och ogenomskinliga, vilket gör det svårt att förstå deras beslutsprocess. Denna brist på transparens kan skapa osäkerhet och hindra förtroendet för tekniken. Företag behöver investera i Explainable AI (XAI)-tekniker för att ge insikter i hur deras modeller fungerar och säkerställa ansvarsfullt beslutsfattande.


• Sekretess och säkerhetGenerativa AI-modeller kräver ofta tillgång till personuppgifter, vilket väcker oro kring integritet och säkerhet. Företag måste implementera robusta åtgärder för att skydda användardata och följa relevanta dataskyddsregler. Dessutom bör de vara transparenta kring insamling, användning och lagring av användardata.


• Ansvarsskyldighet och ansvarstagandeI takt med att företag i allt högre grad förlitar sig på generativ AI för beslutsfattande är det avgörande att etablera tydliga ansvarsfördelningar. Vem ansvarar för resultaten som genereras av AI-modeller? Hur kan vi säkerställa att företag använder denna teknik etiskt och ansvarsfullt?

Att ta itu med dessa etiska överväganden genom noggrann planering och implementering är avgörande för att säkerställa att generativ AI används för något gott i samband med marknadskorgsanalys (MBA).

Framtiden för marknadskorgsanalys

Generativ AI är redo att ge företag ett försprång när det gäller att tolka värdefulla kundinsikter, förutsäga framtida trender och anpassa shoppingupplevelsen. På CES 2024 presenterade Walmart sin innovativa generativa AI-sökteknik, som syftar till att förbättra shoppingupplevelsen online. Tänk dig att kunna handla baserat på dina behov istället för produktbaserat. Den här nya funktionen, utvecklad med hjälp av Microsofts AI-modeller och Walmarts kunddata, möjliggör en sömlös och naturlig shoppingupplevelse.

Även om det bara är en AI-baserad UX-funktion som Walmart debuterade för att göra shopping bekvämare, förväntas den avslöja sällan använda fördelarna med marknadskorganalys för D2C e-handelsvarumärken.

Vanligtvis förlitar sig nya D2C-varumärken mycket på medvetenhet och utbildning när de introducerar nya kategorier av konsumentprodukter.

Men om de effektivt kan träna AI-modeller med hjälp av sina egna data, kan de göra produktutvecklingen friktionsfri, och vi kan förvänta oss ännu fler innovativa tillämpningar av AI inom marknadskorgsanalys, vilket leder till en ny era avkundcentrering och framgång i detaljhandelnfördelar med marknadskorganalys.