Erkenntnisse und Empfehlungen – Smart Store Analytics

Die Seite „Erkenntnisse und Empfehlungen“ von Smart Store Analytics wendet Data Science an, um tiefere Erkenntnisse in die Leistung des Geschäfts, der Kunden und der Produkte zu gewinnen. Sie können Erkenntnisse für ein bestimmtes Geschäft oder die gesamte Einzelhandelskette abrufen.

Anmerkung

Die Daten des Stores werden immer in Übereinstimmung mit der lokalen Zeitzone des jeweiligen Stores verarbeitet und angezeigt. Daher kann die Zeitzone für Berichte nicht in Echtzeit über PowerApps oder durch Anpassung der Einstellungen auf einem Mac oder PC geändert werden.

Häufig zusammen gekauft

Die Funktion „Häufig zusammen gekauft“ ermöglicht es dem Filial- oder dem Merchandising-Leiter, basierend auf Erkenntnissen über eng verknüpfte Produkte, datengestützte Entscheidungen über die Platzierung und über Werbeaktionen von Produkten zu treffen. Sie identifiziert Kombinationen von Produkten, die eng miteinander verknüpft sind, damit Einzelhändler Cross-Selling-Aktivitäten effektiv fördern können.

Die Daten aus Kundenkontaktverläufen und Aktionen angereicher reichern diese Ergebnisse an, um einen relevanten Kontext bereitzustellen. Auf diese Weise erhalten Sie Daten für eng miteinander verknüpfte Produktpaare, die dann näher beieinander platziert werden könnten, um den gemeinsamen Verkauf der beiden Produkte zu steigern. Alternativ könnten Produkte mit niedrigen Konvertierungsraten im Geschäft möglicherweise vom Cross-Selling mit populäreren verwandten Produkten profitieren.

Es gibt zwei Ansichten für die Zuordnung häufig zusammen gekaufter Produkte:

Ansicht „Häufig zusammen gekaufte Produkte“

Die Ansicht „Häufig zusammen gekaufte Produkte“ zeigt die am engsten zusammenhängenden Produkte für die letzten 7, 30 oder 90 Tage.

Anmerkung

Wenn Sie ein Geschäft aus dem Auswahlmenü wählen, zeigt die Tabelle die besten Produktkombinationen basierend auf Transaktionen im ausgewählten Geschäft an. Wenn Sie die Händleransicht im Menü auswählen, zeigt die Tabelle die führenden Produktkombinationen basierend auf Transaktionen in der gesamten Einzelhandelskette an.

Diese Tabelle enthält die folgenden Daten:

• Produktnamen: Namen der zugehörigen Produkte

• Produkt-SKUs: Produkt-IDs der zugehörigen Produkte

• Stärke der Assoziation: Die Stärke der Assoziation basiert auf einer statistischen Berechnung, die angibt, wie wahrscheinlich es ist, dass Kunden diese Produkte aufgrund ihrer Zugehörigkeit und nicht aufgrund eines Zufalls zusammen kaufen. Auf diese Weise können Sie interessantere und aussagekräftigere Produktkombinationen finden, die besonders eng miteinander verbunden sind, anstatt nur häufige gemeinsame oder getrennte Käufe allgemein.

  Die Kategorien werden basierend auf einer statistischen Metrik zugewiesen, die die Stärke des Zusammenhangs misst. Basierend auf den Geschäfts- oder Einzelhändlertransaktionen sortiert die Metrik die zugehörigen Produktpaare. Dann werden die Paare in drei gleich große Kategorien eingeteilt, wobei Ausgezeichnet das obere Drittel bildet, Gut in der Mitte liegt und Mittelmäßig das untere Drittel bildet. Manchmal kann neben der identifizierten Stärke des Zusammenhangs ein Hinweis auf „basierend auf wenigen verfügbaren Daten“ erscheinen, wenn aus den Merkmalen der Filialtransaktionen kein zuverlässiger statistischer Rückschluss möglich ist. Der Grund kann die geringe Anzahl von Transaktionen pro Zeitraum, die geringe durchschnittliche Warenkorbgröße oder die geringe Variabilität der gekauften Produkte sein.

• Anzahl der gemeinsamen Käufe: Gibt an, wie häufig die Kunden die beiden Produkte im ausgewählten Zeitraum zusammen gekauft haben.

• Verzögerung bei der Abholung von Produkten: Die Verzögerung bei der Abholung von Produkten ist die durchschnittliche Zeit, die zwischen der Abholung von zwei zugehörigen Produkten durch Kunden vergeht. Hier wird auch angezeigt, ob die Verzögerung länger oder kürzer ist als die durchschnittliche Zeit, in der Kunden zwei beliebige Produkte im Geschäft abholen. Wenn die Zeitverzögerung bei der Abholung der beiden verbundenen Produkte überdurchschnittlich hoch ist, können Sie in Erwägung ziehen, sie näher beieinander zu platzieren.

  • Nicht ausreichend Informationen kann angezeigt werden, wenn nicht genügend Daten vorhanden sind, um die durchschnittliche Abholverzögerung zuverlässig zu berechnen.

  • Die Nachricht Nicht zutreffend kann in der Spalte für Produktkombinationen aller Einzelhandelskettentransaktionen aufgrund der Variabilität in verschiedenen Filiallayouts angezeigt werden.

Ansicht „Produktspezifischer Drilldown“

Die Ansicht „Produktspezifischer Drilldown“ zeigt die fünf am engsten zusammenhängenden Produkte für die letzten 7, 30 oder 90 Tage.

Im Dropdownmenü können Sie nach einem interessanten Produkt suchen. Die Tabelle zeigt die Top-5-Produkte, die im ausgewählten Zeitraum – z. B. in den letzten 7, 30 oder 90 Tagen – am stärksten mit dem ausgewählten Produkt in Verbindung gebracht wurden. Die Daten zu zugehörigen Produkten ähneln der vorherigen Ansichtstabelle für häufig zusammen gekaufte Produkte.

Das Menü enthält nur Produkte, die mindestens eine stark assoziierte Kombination identifizieren. Außerdem zeigt das Menü die Leistung des ausgewählten Produkts an.

Die Konvertierungsrate stellt das Verhältnis dar zwischen der Häufigkeit, mit der das Produkt mit dem Geschäft interagiert hat, und der Häufigkeit, mit der ein Kunde es gekauft hat. Wenn ein Produkt eine niedrige Konvertierungsrate hat, können Sie Cross-Selling mit stark verbundenen Produkten in Betracht ziehen, die in der Tabelle „Häufig zusammen gekaufte Produkte“ angezeigt werden, um den Verkauf zu steigern.

Produktersatz

Die Funktion „Produktersatzempfehlungen“ bietet Einblicke in Produkte, die Kunden als Alternativen zu anderen Produkten im Geschäft oder in der Einzelhandelskette gezeigt werden. Diese Erkenntnisse ermöglichen es dem Merchandising-Manager der Einzelhandelskette oder dem Filialleitungsteam, datengesteuerte Entscheidungen bei der Auswahl eines Ersatzes für ein nicht vorrätiges Produkt zu treffen. Alternativ kann der Manager die Leistung der Alternativprodukte untereinander analysieren, da es potenzielle Konkurrenzprodukte sind.

Ein KI-Modell analysiert granulare Daten aus Kundenkontaktverläufen und Interaktionen mit Produkten im Geschäft und erstellt Produktempfehlungen. Das KI-Modell identifiziert Produkte, die oft im gleichen Kontext gekauft werden, als potenzielle Alternativen. Der Kontext der Produkte wird durch andere Produkte festgelegt, die Kunden während derselben Sitzung abholen, und durch die Reihenfolge, in der sie abgeholt werden. Je ähnlicher der Kontext, desto größer ist die Chance, dass zwei Produkte als Alternativen identifiziert werden. Die empfohlenen Ersatzprodukte erfüllen auf Basis der Analyse ähnliche Kundenbedürfnisse wie das Originalprodukt.

Vorsicht

Das KI-Modell ist unbeaufsichtigt (wird nicht auf vordefinierte Dataset von Produktalternativen trainiert) und leitet daher die Produktersetzbarkeit auf der Grundlage der Kundenaktivität im Geschäft und des Kontexts der anderen in derselben Sitzung abgeholten Produkte ab. Da ein ähnlicher Kontext nicht immer garantiert, dass die Produkte auch wirklich Ersatzprodukte sind, kann es vorkommen, dass das Modell ein Produkt empfiehlt, das nicht als geeigneter Ersatz angesehen wird.

Bildschirm mit Produktersatz

Der Bildschirm „Produktersatz“ zeigt die empfohlenen Ersatzstoffe für jedes Produkt in einem Geschäft oder in der gesamten Einzelhandelskette. Sie können ein Geschäft auswählen, um die beste verfügbare Alternative in diesem Geschäft zu finden, oder zur Händleransicht wechseln, um eine potenziell größere Auswahl auf Händlerebene zu haben. Es ist auch möglich, sich auf Alternativen für die meistverkauften oder am wenigsten verkauften Produkte im Geschäft oder in der Einzelhandelskette zu konzentrieren. Wenn Sie eine der Optionen auswählen – alle Produkte, umsatzstark oder umsatzschwach – aktualisieren die AI Insights den Inhalt des Drilldownmenüs, um die relevanten Produkte dem gewählten Filter entsprechend einzuschließen.

Anmerkung

Der Produktauswahl-Drilldown umfasst nur Produkte aus dem Laden-/Händlerkatalog, für die es potenzielle Ersatzprodukte gab, basierend auf der Art und Häufigkeit der Kundeninteraktion. Produkte aus dem Händlerkatalog, die nicht im Drilldown ausführen erscheinen (entweder für alle Produkte oder für die Menüs mit den umsatzstärksten und umsatzschwächsten Produkten), für die keine Empfehlungen verfügbar sind.

Produktersatztabelle

Die Produktempfehlungen werden wie abgebildet in einer Tabelle angezeigt. Die Empfehlungen basieren auf der Analyse der in den letzten 90 Tagen gesammelten Daten und werden alle 24 Stunden aktualisiert.

Die Tabelle zeigt bis zu drei empfohlene Ersatzprodukte für das aus dem Detailinformationen-Menü ausgewählte Produkt sowie einige zusätzliche Details an, die dem Kunden helfen, eines der Ersatzprodukte auszuwählen oder die Leistung des Originalprodukts und der verschiedenen vorgeschlagenen Alternativen zu vergleichen. Die Details für jede der folgenden Ersatzprodukte sind folgende:

• Produktnamen: Zeigt die Namen der Alternativprodukte
• Produkt-SKUs: Zeigt die Produkt-IDs der Alternativprodukte
• Platzierung relativ zum ausgewählten Produkt: Zeigt an, ob das ausgewählte Produkt und der vorgeschlagene Ersatz im selben Regal, in derselben Gondel (verschiedene Regale darin) oder an verschiedenen Orten im Geschäft platziert sind.

Anmerkung

Diese Spalte ist nur für alternative Produktempfehlungen auf Filialebene relevant (und bleibt für die Händlerebene leer), da sich die Produktplatzierung in den verschiedenen Filialen der Einzelhandelskette unterscheiden. Wenn das gleiche Produkt an mehreren Standorten in einem Geschäfts platziert wird, stellt die Spalte den nächstgelegenen Standort dar.

• Durchschnittlich verkaufte tägliche Einheiten: Zeigt die durchschnittlich verkauften täglichen Einheiten der ausgewählten und alternativen Produkte in den letzten 90 Tagen an.
• Durchschnittliche Konversionsrate: Zeigt die durchschnittliche tägliche Konversionsrate der ausgewählten und alternativen Produkte an. Die Konversionsrate ist die Häufigkeit, mit der Kunden das Produkt im Geschäft angesehen haben, geteilt durch die Häufigkeit, mit der Kunden das Produkt gekauft haben.
• Relative Konversionsrate: Zeigt das Verhältnis zwischen der Produkt-Konversionsrate und der durchschnittlichen Konversionsrate im Geschäft oder in der Einzelhandelskette über alle Produkte hinweg an, um einen einfacheren Vergleich zwischen verschiedenen Produkten zu ermöglichen. Die durchschnittliche Konversionsrate der Einzelhandelskette/Filiale wird unterhalb des Filialfilters angezeigt.

Leistung alternativer Produkte

Mit dem Diagramm „Leistung alternativer Produkte“ können Sie die Leistung der ausgewählten und alternativen Produkte im Zeitverlauf analysieren.

Diese Grafik zeigt die täglichen Stückverkäufe der ausgewählten und alternativen Produkte im Zeitverlauf. Die Grafik zeigt die täglichen Stückverkäufe der Produkte im in den Datumsfilterfeldern ausgewählten Zeitraum.

Besucherfrequenzprognose

Die Verkäufe und Geschäftsorganisation der Einzelhändler hängt stark davon ab, wie viel Kundschaft tagsüber die Geschäfte besucht. Vorhersagener Besucherverkehr ist ein KI/ML-Modell, das den bisherigen Besucherverkehr mit externen Faktoren (z. B. Saison, Feiertage) analysiert und Erkenntnisse liefert, die es Einzelhändlern ermöglichen, die Kundennachfrage zu antizipieren und ihre Aktivitäten entsprechend anzupassen. Das KI-Modell für die Prognose des Besucherverkehrs in Smart Store Analytics erstellt eine Prognose für den Besucherverkehr für jede Stunde der kommenden sieben Tage. Diese Daten liefern Filialleitern und dem Marketingteam eine stündliche Prognose darüber, wie viele Kunden in den Nächsten sieben Tagen eine Filiale besuchen können.

Mit einer Prognose des Besucherverkehr können Einzelhändler:

• Entwickeln Sie optimierte Zeitpläne, die auf Spitzenzeiten abgestimmt sind, und sorgen Sie so für eine angemessene Personalausstattung.
• Weisen Sie Arbeitskräfte jeder Filiale und zwischen den Filialen zu, mit stündlicher Granularität.
• Planen Sie Aufgaben wie das Auffüllen der Regale und die Wiederauffüllung vor Spitzenzeiten, damit sich die Filialmitarbeiter in Zeiten hoher Nachfrage auf die Betreuung der Kunden konzentrieren können.
• Optimieren Sie Nachschubpläne und priorisieren Sie Lieferungen basierend auf Nachfrageschwankungen.

Die Prognose des Besucherverkehrs für einen Tag wird durch die Aggregation der stündlichen Werte des Besucherverkehrs für diesen Tag erstellt. Um eine Prognose zu erstellen, verwendet das KI-Modell tatsächliche historische Werte des Besucherverkehrs in einem Geschäft und eine Liste von Feiertagen in der Region, in der sich das Geschäft befindet. Sie berücksichtigt keine Faktoren wie Wetter, Ladenöffnungszeiten, unerwartete Ladenschließungen oder andere Bedingungen, die die Genauigkeit der Planung beeinträchtigen.

Dashboard zur Prognose des Besucherverkehrs

Das Dashboard zur Prognose des Besucherverkehrs ermöglicht es Filialleitern und Marketingteams, Prognosen zum Besucherverkehr für einen ausgewählten Smart Store an einem bestimmten Datum zu überwachen.

Wichtig

Damit das Modell eine Prognose anzeigen kann, muss es Zugriff auf tatsächliche historische Daten von mindestens 14 Tagen für ein bestimmtes Geschäft haben. Die Prognose wird mit der Zeit genauer, da das Modell aus größeren historischen Datensätzen lernt. Für Geschäfte mit extrem geringem und zeitweisem stündlichem Besucherverkehr ist die Prognose möglicherweise weniger genau.

Das Dashboard zur Prognose des Besucherverkehrss besteht aus vier Hauptbereichen:

• Filter: Das Dropdown-Menü „Einzelhändler und Geschäfte“ zeigt alle Geschäfte in der Einzelhandelskette an, für die Sie Daten haben. Mit „Tag“ können Sie einen der sieben Tage auswählen, für die das KI/ML-Modell eine Vorhersage erstellt hat. Die für „Einzelhändler und Geschäfte“ sowie „Tag“ verfügbaren Filter gelten für alle Daten auf der Seite.

Anmerkung

„Letzte Aktualisierung am MM/TT/JJJJ hh:mm UTC“ liefert den Zeitstempel, wenn das Dashboard aktualisiert wird und die siebentägige Vorhersage des Besucherverkehrs ab diesem Datum beginnt. Es ist wichtig zu beachten, dass die Stunden in der koordinierten Weltzeit UTC berücksichtigt werden, d. h. in der Zeitzone Null Längengrad: Greenwich, Großbritannien.

• KPIs: KPIs der obersten Ebene helfen bei der Bewertung des prognostizierten Besucherverkehrs im Vergleich zur vergangenen Woche:

  • Prognose des Besucherverkehrs für den Tag: Vorhersage der Anzahl der Käufer, die das ausgewählte Geschäft betreten, einschließlich wiederholter Eintritte, für den ausgewählten Tag. Käufer in einer Gruppe werden als ein Käufer gezählt. Somit wird eine fünfköpfige Familie als ein einzigartiger Käufer gezählt.

    In diesem Widget wird auch die prozentuale Abweichung (%) gegenüber dem gleichen Tag der Vorwoche angezeigt. Es gibt einen Pfeil, der den Trend anzeigt, und der Text ist grün gefärbt, um ein Wachstum anzuzeigen, oder rot, um einen Rückgang des Besucherverkehrs anzuzeigen.

    Das vorausschauende KI-Modell für den Besucherverkehr in Smart Store Analytics erstellt eine Prognose für den Besucherverkehr für jede Stunde der kommenden sieben Tage. Die Prognose des Besucherverkehrs für einen Tag wird durch die Aggregation der stündlichen Werte des Besucherverkehrs für diesen Tag erstellt.

  • Tatsächlicher Besucherverkehr für denselben Tag der Vorwoche: Der tatsächliche (oder vergangene) Besucherverkehr für denselben Tag der Vorwoche wird angezeigt. Außerdem wird das berechnete Datum für denselben Tag der Vorwoche angezeigt. Diese Ansicht ermöglicht einen wertvollen Vergleich zwischen zwei aufeinanderfolgenden Montagen oder einem beliebigen Wochentag.

  • Prognose des Besucherverkehrs für die nächsten 7 Tage: Die Summe der prognostizierten Anzahl von Käufern, die das ausgewählte Geschäft für die kommenden sieben Tage betreten, angegeben durch den Datumsbereich: mm/tt/jjjj – mm/tt /yyyy. Dieses Widget wird durch die Auswahl eines Geschäfts beeinflusst, nicht jedoch durch die Auswahl eines Tages im Filter.

    In diesem Widget wird auch die prozentuale Veränderung (%) der letzten sieben Tage angezeigt. Es gibt einen Pfeil, der den Trend anzeigt, und der Text ist grün gefärbt, um ein Wachstum anzuzeigen, oder rot, um einen Rückgang des Besucherverkehrs anzuzeigen.

  • Tatsächlicher Besucherverkehr der letzten sieben Tage: Der tatsächliche (oder vergangene) Besucherverkehr der letzten sieben Tage, angezeigt durch den Datumsbereich: MM/TT/JJJJ – MM/TT/JJJJ. Dieses Widget wird durch die Auswahl eines Geschäfts beeinflusst, nicht jedoch durch die Auswahl eines Tages im Filter.

• Zeitreihendiagramme: Die Zeitreihendiagramme zeigen den prognostizierten Besucherverkehr im Zeitverlauf in drei Varianten:

  • Prognose des Besucherverkehrs pro Stunde des Tages zeigt die Anzahl der Käufer pro Stunde des ausgewählten Tages

  • Prognose des Besucherverkehrs pro Tag für die nächsten 7 Tage zeigt die Summe der prognostizierten Anzahl von Käufern, die das ausgewählte Geschäft an jedem Tag für die kommenden sieben Tage betreten, angegeben durch den Datumsbereich: mm/tt/jjjj – mm/tt /yyyy. Die Linie in leuchtenden Farben zeigt den tatsächlichen (oder vergangenen) Besucherverkehr der letzten sieben Tage. Dieses Widget wird durch die Auswahl eines Geschäfts beeinflusst, nicht jedoch durch die Auswahl eines Tages im Filter.

  • Prognose des Besucherverkehrs nach Tag und Stunde für die nächsten 7 Tage zeigt jeden Tag als Zeile und die Stunden als Spalten an. Die Farbe jedes Quadrats stellt die Anzahl der Käufer zu einer bestimmten Stunde an einem bestimmten Tag dar, wie in der Legende definiert. Konventionell gilt: Je dunkler der Platz, desto höher die Zahl der Käufer. Die Stunden reichen von 0 bis 23 und die Tage umfassen sieben Tage im Voraus, wie durch den Datumsbereich angegeben: MM/TT/JJJJ – MM/TT/JJJJ.

• Wie wird die Prognose für den Besucherverkehr berechnet? - Dieser Abschnitt enthält grundlegende Informationen zum Vorhersageprognosemodell, zu Eingabedaten, d. h. zur Bedeutung des historischen DataSet, und zu den Faktoren, die derzeit im Modell nicht berücksichtigt werden.