Analizy i zalecenia — Smart Store Analytics

Strona szczegółowe informacje i zalecenia aplikacji Smart Store Analytics stosuje naukę o danych w celu głębszej analizy dotyczącej efektywności sklepu, klientów i produktów. Dzięki temu można uzyskać szczegółowe informacje o określonym sklepie lub całej sieci handlowej.

Uwaga

Dane przechowywane są zawsze przetwarzane i wyświetlane zgodnie z lokalną strefą czasową danego sklepu. W konsekwencji strefa czasowa dla raportów nie może być zmieniana w czasie rzeczywistym przez usługę PowerApps ani przez ustawienie na komputerze Mac lub komputerze PC.

Często kupowane razem

Funkcja Często zadawane pytania pozwala sklepowi lub menedżerowi ds. sprzedaży podejmować decyzje oparte na danych dotyczące rozmieszczenia produktów i promocji, na podstawie wiedzy o produktach blisko powiązanych. Określono w nim kombinacje produktów, które są ze sobą zdecydowanie skojarzone, aby sprzedawcy detaliczni mogą skutecznie promować działania w zakresie sprzedaży wzajemnej.

Dane z podróży klientów do sklepów oraz powiązane działania wzbogacają te wyniki w celu zapewnienia odpowiedniego kontekstu. W ten sposób można ujawniać dane dla mocno skojarzonych par produktów i można je umieścić blisko, aby zwiększyć sprzedaż tych dwóch produktów. Alternatywnie produkty o niskiej konwersji w sklepie mogą skorzystać z możliwości sprzedaży powiązanej z najpopularniejszymi produktami.

Istnieją dwa widoki dla często spotykanych powiązań między produktami:

Widok Produkty często kupowane razem

Widok Często skojarzeń z produktami zawiera najbliższych skojarzeń produktów w ciągu ostatnich 7, 30 i 90 dni.

Uwaga

Po wybraniu sklepu z menu rozwijanego w tabeli będą wyświetlane najlepsze kombinacje produktów oparte na transakcjach w dostępnym sklepie. Po wybraniu widoku sprzedawcy detalicznego w menu w tabeli będą wyświetlane najlepsze kombinacje produktów oparte na transakcjach w całej sieci handlowej.

W tabeli znajdują się następujące dane:

• Nazwy produktów: nazwy skojarzonych produktów

• Identyfikatory SKU produktów: identyfikatory produktów skojarzonych z produktami

• Siła kojarzenia: siła kojarzenia jest oparta na obliczeniach statystycznych reprezentujących jak często klienci kupują te produkty razem ze względu na ich pokrewność i nie losowo. W ten sposób można znaleźć bardziej szczegółowo skojarzone i znacząco skojarzone kombinacje produktów, a nie tylko typowe zakupu (zarówno ze sobą, jak i osobno).

  Kategorie są przypisywane na podstawie metryki statystycznej, która mierzy siłę związku. Na podstawie transakcji w sklepie lub sprzedawcy detalicznym metryka sortuje skojarzone pary produktów. Następnie pary są dzielone na trzy kategorie o równej wielkości, przy czym Doskonałe to górna trzecia pozycja, Dobre w środkowej trzeciej, a Właściwe będąc dolną trzecią. Czasami obok zidentyfikowanej siły skojarzenia może pojawić się wskazanie „Oparte na ograniczonych danych”, gdy charakterystyka transakcji w sklepie nie pozwala na wiarygodne wnioskowanie statystyczne. Przyczyną może być niewielka liczba transakcji w okresie, mały średni rozmiar koszyka lub niska zmienność w przypadku zakupionych produktów.

• Liczba wspólnych zakupów: liczba razy, gdy klienci kupili wybrane produkty razem w wybranym okresie.

• Opóźnienie odbioru produktów: opóźnienie rozwoju produktów jest średnim czasem, który minął między pobraniem przez klienta dwóch skojarzonych produktów. Wskazuje również, czy opóźnienie jest większe lub mniejsze niż średni czas, kiedy klienci odbierają dowolne produkty w sklepie. Jeśli opóźnienie wybrania obu skojarzonych produktów jest powyżej średniej, można rozważyć umieszczenie ich w bliżej siebie.

  • W tej kolumnie może się pojawić tekst Zbyt mało informacji, gdy brakuje danych do obliczenia średniego czasu pobierania.

  • Komunikat Nie dotyczy pojawia się w kolumnie dla kombinacji produktów w ramach transakcji sieciowych ze względu na zmienność w różnych układach sklepów.

Widok szczegółów dla określonego produktu

Szczegółowy widok specyficzny dla produktu pokazuje pięć najsilniej powiązanych skojarzeń produktów z ostatnich 7, 30 lub 90 dni.

W menu rozwijanym można wyszukać interesujące produkty. W tabeli przedstawiono pięć najważniejszych produktów najczęściej skojarzonych z wybranym produktem w okresie wyboru, na przykład 7, 30 lub 90 dni. Dane dotyczące skojarzonych produktów są podobne do poprzedniej tabeli często odwiedzanych produktów.

Menu zawiera tylko produkty, które identyfikują co najmniej jedną stanowczo skojarzoną kombinację. Ponadto w menu są wyświetlane wyniki wybranego produktu.

Współczynnik konwersji przedstawia współczynnik konwersji między liczbą interakcji produktu z sklepem a liczbą kupionych produktów przez klienta. Gdy produkt ma niskie współczynnik konwersji, można rozważyć możliwość sprzedaży skojarzonej z produktami zdecydowanie skojarzonymi z produktami, które są wyświetlane w tabeli widoków Często używane produkty w celu zwiększenia sprzedaży.

Zamienniki produktów

Funkcja rekomendacji zamienników produktów zawiera szczegółowe informacje na temat produktów, które klienci widzą jako alternatywę dla innych produktów w sklepie lub sieci handlowej. Te dane umożliwiają menedżerowi ds. sieci handlowej lub zespołowi zarządzania sklepem podejmowanie decyzji dotyczących danych przy wyborze zamiennika produktu, którego brak w sklepie. Menedżer może także analizować i porównywać wydajność alternatywnych produktów, ponieważ są potencjalnie konkurencyjne.

W modelu AI można analizować dane z pozyskiwania klientów oraz interakcje z produktami w sklepie i tworzyć zalecenia dotyczące produktów. W modelu AI są identyfikowane produkty często nabywane w tym samym kontekście, co ich potencjalne alternatywy. Kontekst produktów jest definiowany przez inne produkty wybierane podczas tej samej sesji zakupu oraz kolejność, w jakiej produkty są wybierane. Im bardziej podobny kontekst, tym większa jest prawdopodobieństwo, że dwa produkty będą identyfikowane jako alternatywne. Zalecane zamienniki produktów zaspokajałyby potrzeby klientów podobnie do pierwotnego produktu w oparciu o analizę.

Uwaga

Model AI jest nienadzorowany (nie jest przeszkolony do wstępnie zdefiniowanych zestawów alternatyw dla produktu), w związku z tym wnioskuje o substytucyjności produktów na podstawie aktywności klientów w sklepie oraz kontekstu innych produktów wybranych w tej samej sesji zakupu. Ponieważ podobny kontekst nie zawsze gwarantuje, że produkty są zamiennikami, czasami model może zalecać produkt, który nie powinien być uważany za odpowiedni zamiennik.

Ekran zamienników produktów

Na ekranie Zamienniki produktu są pokazane zalecane zamienniki dowolnego produktu w sklepie lub sieci handlowej. Można wybrać sklep, aby znaleźć najlepsze dostępne w tym sklepie alternatywę, lub przełączyć się na widok sprzedawców detalicznych, aby potencjalnie szerszy wybór był dostępny na poziomie sprzedawców detalicznych. Można także skupić się na alternatywach dla produktów o najwyższym lub najniższym poziomie sprzedaży w sklepie lub w sieci handlowej. Gdy zostanie wybrana jedna z opcji — wszystkie produkty, produkty o wysokiej sprzedaży lub niskiej sprzedaży — AI Insights zaktualizuje zawartość menu szczegółów, aby uwzględnić odpowiednie produkty według wybranego filtru.

Uwaga

Przejście do szczegółów wyboru produktów obejmuje tylko produkty z katalogu produktów sklepu/sprzedawców detalicznych, dla których istnieją potencjalne zamienniki, zależnie od specyfiki i częstotliwości interakcji z klientem. Produkty z katalogu sprzedawców detalicznych, które nie są wyświetlane w wyszczególnieniu (dla wszystkich produktów lub w menu produktów o wysokiej sprzedaży lub niskiej sprzedaży), które nie mają dostępnych zaleceń.

Tabela zamienników produktów

Zalecenia dotyczące produktu przedstawiono w pokazanej tabeli. Zalecenia są oparte na analizie danych zebranych w ciągu ostatnich 90 dni i są aktualizowane co 24 godziny.

W tabeli przedstawiono maksymalnie trzy zalecane zamienniki produktu wybranego w menu szczegółów oraz kilka dodatkowych szczegółów, które mogą mieć kluczowe znaczenie dla klienta w wybraniu jednego z zamienników czy innego lub w porównaniu wydajności oryginalnego produktu i różnych sugerowanych zamienników. Szczegółowe informacje dotyczące poszczególnych sugerowanych zamienników są następujące:

• Nazwy produktów: pokazuje nazwy alternatywnych produktów
• Jednostki SKU produktu: pokazuje identyfikatory alternatywnych produktów
• Lokowanie względem wybranego produktu: wskazuje, czy wybrany produkt i sugerowany zamiennik są umieszczone na tej samej półce, na tej samej gondoli (różne półki) czy w różnych miejscach w sklepie.

Uwaga

Ta kolumna jest istotnych tylko dla alternatywnych zaleceń dotyczących produktów na poziomie sklepu (i pozostanie pusta na poziomie sprzedawcy) z powodu różnic w rozmieszczeniu produktów w różnych sklepach w sieci detalicznej. Jeśli ten sam produkt jest umieszczony w kilku miejscach w sklepie, ta kolumna będzie reprezentować najbliższą lokalizację produktu.

• Średnia dzienna sprzedaż: pokazuje średnią dzienną sprzedaż jednostek wybranych produktów i alternatywnych produktów w ciągu ostatnich 90 dni.
• Średni współczynnik konwersji: pokazuje średni dzienny współczynnik konwersji wybranych produktów i alternatywnych produktów. Współczynnik konwersji to liczba oglądnięć produktu przez klientów w sklepie podzielona przez liczbę zakupionych produktów przez klientów.
• Względny współczynnik konwersji: pokazuje relację między współczynnikiem konwersji produktu a średnim współczynnikiem konwersji w sklepie lub sieci handlowej wszystkich produktów, aby ułatwić porównanie różnych produktów. Średni współczynnik konwersji w sieci handlowej/sklepie jest wyświetlany poniżej filtru sklepu.

Wydajność alternatywnych produktów

Wykresu wydajności alternatywnych produktów pozwala analizować wydajność wybranych i alternatywnych produktów w czasie.

Na tym wykresie przedstawiono dzienną sprzedaż jednostek wybranych i alternatywnych produktów w czasie. Na wykresie jest pokazana dzienna sprzedaż jednostek produktów w czasie wybranym w polach filtrowania daty.

Prognoza ruchu stopki

Sprzedaż i organizacja sklepu detalicznego zależy w dużym stopniu od tego, ilu klientów odwiedza dany sklep w ciągu dnia. Predyktywne określanie ruchu w sklepie oparte jest na modelu AI/ML, który analizuje ruch w przeszłości, biorąc pod uwagę czynniki zewnętrzne (na przykład okres wolny od pracy, święta) i daje dane, które umożliwiają sprzedawcom detalicznym przewidywanie zapotrzebowania klientów i odpowiednie dostosowywanie się. Model AI prognozy ruchu klientów w aplikacji Smart Store Analytics tworzy prognozę ruchu dla każdej godziny na nadchodzące siedem dni. Te dane zapewniają menedżerom sklepu i zespołowi marketingowym godzinową prognozę wizyt klientów w sklepie w ciągu najbliższych siedmiu dni.

Dzięki tej prognozie ruchu klientów sprzedawcy detaliczni mogą:

• Opracować zoptymalizowane harmonogramy zgodne z okresami szczytowymi, zapewniając odpowiedni poziom personelu.
• Przydzielać pracowników do każdego sklepu i między sklepami z godzinową szczegółowością.
• Zaplanować zadania, takie jak uzupełnianie półek i zapasów przed godzinami szczytowymi, aby umożliwić pracownikom sklepu skupienie się na pomocy klientom w okresach dużego ruchu.
• Optymalizowanie harmonogramów prac i ustalanie priorytetów dostaw w zależności od fluktuacji zapotrzebowania.

Dzienne prognozy ruchu są publikowane w postaci agregowanych wartości godzinowych ruchu dla danego dnia. Aby wykonać prognozę, model AI używa rzeczywistych wartości historycznych ruchu w sklepie oraz wykazu dni wolnych od pracy w regionie, w którym znajduje się sklep. Nie uwzględnia takich czynników, jak pogoda, harmonogramy sklepów, nieoczekiwane dni zamknięcia sklepów lub inne warunki, które mogą mieć wpływ na dokładność prognozy.

Pulpit nawigacyjny prognozy ruchu klientów

Pulpit nawigacyjny prognozy ruchu klientów umożliwia menedżerom i zespołom marketingowym monitorowanie prognoz ruchu w wybranym inteligentnym sklepie w określonym dniu.

Ważne

Aby model był w stanie podać prognozę, musi mieć dostęp do co najmniej 14 dni rzeczywistych danych historycznych dla danego sklepu. Z czasem prognoza staje się bardziej dokładna, gdy model będzie się uczyć na większym zestawie danych historycznych. Prognozy dla sklepów, w których jest mały lub sporadyczny ruch mogą być mniej dokładne.

Pulpit nawigacyjny prognozy ruchu klientów ma cztery kluczowe obszary:

• Filtry: grafik sprzedawców detalicznych i sklepów pokazuje wszystkie sklepy w sieci detalicznej, dla których są posiadane dane. Parametr Dzień pozwala wybrać jeden z siedmiu dni, dla których model AI/ML może przewidywać. Filtry dostępne dla Sprzedawcy detaliczni i Dzień mają zastosowanie do wszystkich danych na stronie.

Uwaga

Ostatnia aktualizacja w dniu mm/dd/rrrr hh:mm UTC podaje znacznik czasu odświeżenia pulpitu nawigacyjnego, a siedmiodniowe przewidywanie ruchu rozpoczyna się od tej daty. Należy zwrócić uwagę, że godziny są podawane jako godziny w czasie UTC, tzn. w strefie czasowej Greenwich.

• Wskaźniki KPI: wskaźniki KPI najwyższego poziomu ułatwiają ocenianie ruchu w porównaniu do poprzedniego tygodnia:

  • Prognoza ruchu w ciągu dnia: prognozowanie liczby osób wchodzących do wybranego sklepu, łącznie z ponownymi wejściami, w wybranym dniu. Sprzedawcy w grupie są liczone jako jeden. Dlatego też pięć rodziny jest liczone jako jeden unikatowy shopper.

    Zmienna w procentach (%). z tego samego dnia poprzedniego tygodnia jest również wyświetlana w tym widżecie. Pojawia się strzałka wskazująca trend, a tekst jest w kolorze zielonym dla wzrostu ruchu lub w kolorze czerwonym, aby wskazać zmniejszenie się ruchu.

    Model AI przedstawia prognozy ruchu na każdą godzinę na nadchodzące siedem dni. Dzienne prognozy ruchu są publikowane w postaci agregowanych wartości godzinowych ruchu dla danego dnia.

  • Rzeczywisty ruch dla tego samego dnia w poprzednim tygodniu: wyświetlany jest rzeczywisty (lub historyczny) ruch w tym samym dniu poprzedniego tygodnia. Obliczono datę tego samego dnia w poprzednim tygodniu. Ten widok umożliwia porównanie dwóch kolejnych poniedziałków lub dowolnych dni tygodnia.

  • Prognoza ruchu w ciągu najbliższych 7 dni: suma przewidywanej liczby klientów odwiedzających wybrany sklep przez siedem dni od terminu określonego zakresem dat: mm/dd/rrrr – mm/dd/rrrr. Na ten widget ma wpływ wybór sklepu, ale nie wybór dnia w filtrze.

    Zmiana w procentach (%). z ostatnich siedmiu dni jest również pokazana w tym widżecie. Pojawia się strzałka wskazująca trend, a tekst jest w kolorze zielonym dla wzrostu ruchu lub w kolorze czerwonym, aby wskazać zmniejszenie się ruchu.

  • Rzeczywisty ruch z ostatnich 7 dni: rzeczywisty (lub historyczny) ruch w ciągu poprzednich siedem dni, wskazanych w zakresie dat: mm/dd/rrrr — mm/dd/rrrr. Na ten widżet ma wpływ wybór sklepu, ale nie wybór dnia w filtrze.

• Wykresy szeregu czasowego: diagramy szeregów czasowych pokazują, przewidywany ruch w czasie w trzech wersjach:

  • Prognoza ruchu według godzin dnia pokazuje liczbę klientów dla godzin wybranego dnia

  • Prognoza ruchu w ciągu dnia dla najbliższych 7 dni: słupki pokazują przewidywaną liczbę klientów odwiedzających wybrany sklep w każdym z siedmiu dni od terminu określonego zakresem dat zakresem dat: mm/dd/rrrr – mm/dd/rrrr. Linia w żywym kolorze przedstawia rzeczywisty (lub historyczny) ruch w ciągu poprzednich 7 dni. Na ten widget ma wpływ wybór sklepu, ale nie wybór dnia w filtrze.

  • Prognoza ruchu w poszczególne dni i godziny dnia w ciągu najbliższych 7 dni przedstawia dni reprezentowane przez wiersze, a godziny jako kolumny. Kolor każdego kwadratu reprezentuje liczbę klientów w ciągu określonej godziny, określonego dnia, zgodnie z definicją w legendzie. Użyto konwencji: im ciemniejszy jest kwadrat tym większa jest liczba klientów. Godziny biegną od 0 do 23, a dni obejmują siedem dni od terminu określonego zakresem dat: mm/dd/rrrr–mm/dd/rrrr.

• Jak jest obliczana prognoza ruchu klientów? — W tej sekcji przedstawiono podstawowe informacje o modelu prognozy, danych wejściowych, to jest o znaczeniu historycznego zestawu danych oraz czynnikach, które obecnie nie są w tym modelu uwzględnione.