• 品类缺项推荐及多一单预测

    这是一个智能推荐的研究

    预测原理

    通过企业的小票我们可以预测不同品类之间的关系,“啤酒和尿裤”虽然是营销领域自我鼓吹的一个善意的谎言,但其背后的逻辑是必然存在的。通过小票品类,我们可以做以下两个维度的分析:
    1、 收集一段时间内所有会员的购物品类,分析每一个会员购买品类的决策关系
    2、 收集每一张小票的购物品类,分析每一单的购买品类决策关系
    前者是“一段时间”内的“会员购物需求”,他体现的是品类与品类之间的需求关系,适合做缺项推荐;后者是“每一张小票”上的购物需求,体现的是同一时间的品类之间关联关系,适合做门店多一单预测。

    典型案例

    FP-Growth(Frequency Pattern Growth)算法,是数据分析领域分析“关联”的经典算法,其算法原理是将提供频繁项集的数据库压缩到一棵频繁模式树,找出项与项之间的最优关系。以典型门店为例,通过1年内的所有消费数据分析,其会员品类关联及小票品类关联关系的举例规则如下:

    会员品类关联关系,以Rule#1为例,所有消费会员中,即买了营辅,又买了喂养用品的(并非在同一单)占41.92%;而购买了营辅的会员,购买喂养用品的概率为61%。前者表示该规则的适用度有多宽,后者表明了该规则的成功率有多高

    小票品类关联关系,以Rule#4为例,所有消费小票中,同时购买了喂养用品+童装童鞋+洗护用品的(在同一单)占2.22%;而如果发现会员购买了喂养用品+童装童鞋,那么此时给他推荐洗护用品的成功率将是33.85%。同样前者表示该规则的适用度有多宽,后者表明了该规则的成功率有多高。

    缺项推荐:根据会员品类关联关系,在抽奖类营销活动以及缺项推荐类经营业务里使用,根据消费者历史消费品类及缺项品类,给出最高概率的品类优惠。

    多一单预测:根据小票品类关联关系,在门店下单后,系统立刻分析这笔订单的消费品类,找到最优概率的购买预测,可以通过微商城的“单单有礼”将品类优惠给出,促成在门店再一单生意机会。