Analiza koszykowa

W artykule przedstawiamy coraz częściej stosowaną wśród naszych klientów metodę analizy koszykowej. Omówimy przykłady jej zastosowania oraz przedstawimy elementy niezbędne do jej wykonania. 

W artykule “Analiza koszykowa przy wykorzystaniu Qlika i Pythona” opisujemy szczegółową instrukcję wykonania analizy koszykowej przy wykorzystaniu Qlika zintegrowanego z Pythonem.

Czym jest i do czego służy analiza koszykowa?

Analiza koszykowa to technika, która identyfikuje siłę powiązań (asocjacji) między obiektami i identyfikuje wzorce występowania tych obiektów jednocześnie. Jej częstym zastosowaniem, od którego wzięła nazwę, jest wyszukiwanie kombinacji produktów, które są często kupowane razem, co pozwala detalistom zidentyfikować wzorce w zestawach produktów kupowanych przez klientów. 

Analiza koszykowa, zwana również analizą reguł asocjacyjnych, jest od lat z powodzeniem używana w wielu obszarach biznesowych do wykrywania powiązań pomiędzy obiektami. 

Jest to prosta i bardzo skuteczna metoda, pozwalająca na analizę bardzo dużej ilości danych przy wykorzystaniu metod statystycznych, co wykracza poza możliwości systemów operacyjnych i analitycznych, którymi dysponują firmy. 

Istnieje wiele narzędzi, także bezpłatnie dostępnych, które potrafią wykonać taką analizę, ale zwykle nie nadają się ani do łatwego przygotowania danych źródłowych ani do wygodnej analizy jej wyników, łącznie z innymi danymi biznesowymi.

Integracja narzędzi statystycznych z Qlikiem, likwiduje te bariery, pozwalając na łatwe wykonanie wszystkich operacji w jednolitym środowisku.

Jaki jest wynik analizy koszykowej?

Bezpośrednim wynikiem analizy koszykowej są reguły asocjacyjne, oparte na częstości występowania obiektów w obserwacjach. 

Każda reguła wskazuje na relacje dwóch obiektów i jest opisana miarami (liczbami) określającymi:

• częstość występowania danej pary obiektów,
• prawdopodobieństwo wystąpienia jednego z obiektów, jeśli wystąpił drugi.

Zbiór reguł asocjacyjnych jest łatwy do interpretacji i na potrzeby wykorzystania w biznesie jest zwykle łączony z innymi danymi.

Zastosowanie analizy koszykowej

Poniższe przykłady pokazują, że analiza koszykowa znajduje w biznesie szerokie i czasami zupełnie niespodziewane zastosowanie.

Sprzedaż

W handlu detalicznym analiza koszykowa służy do wykrywania powiązań pomiędzy produktami. W szczególności, do identyfikacji produktów, które są kupowane razem lub tworzą sekwencje zakupowe. Powiązania takie są wykorzystywane powszechnie i na wiele sposobów.

• Układ sklepu: wykorzystanie powiązań produktów przy projektowaniu układu sklepu zwiększa przychody. Produkty powiązane, w więc często kupowane razem, umieszczane są blisko siebie, co ułatwia klientom ich zakupy.
• Układ treści: w sklepach internetowych odpowiednikiem układu sklepu jest układ treści na witrynie sklepowej. I tak jak przy planowaniu układu towarów na półkach, warto wykorzystywać powiązania produktów przy planowaniu układu treści w e-sklepie. W efekcie klienci łatwiej znajdą potrzebne produkty, co poprawi ich ocenę sklepu i zwiększy współczynniki konwersji.
• Polityka cenowa: ustalanie cen w oparciu o zawartość koszyka jest skutecznym sposobem zachęcania klientów do większych zakupów. Sklepy internetowe wykorzystują tą metodę w trakcie wizyty klienta, nie tylko podpowiadając odpowiednie produkty, ale zmieniając ich cenę lub włączając dodatkowe promocje, w zależności od zawartości koszyka.
• Przekazy marketingowe: wykorzystanie powiązań produktów zwiększa skuteczność przekazów marketingowych. Pomaga dobierać produkty do gazetek, akcji promocyjnych,  reklam czy pytań zadawanych klientom przez obsługę w sklepie. W połączeniu z danymi z programów lojalnościowych, pomaga precyzyjnie kierować przekaz i sterować ofertami.
• Prognozy sprzedaży i utrzymanie zapasów: powiązania produktów pozwalają na skuteczniejsze prognozy sprzedaży i zaplanowanie wymaganego poziomu zapasów. Pozwoli nam uwzględnić w prognozach jak spodziewany wzrost  sprzedaży produktów np. objętych akcją promocyjną lub sezonowych, wpłynie na wzrost sprzedaży produktów powiązanych.
• Silniki rekomendacji: powiązania produktów zdecydowanie poprawiają skuteczność silników rekomendacji odpowiedzialnych za proponowanie klientom kolejnych, potencjalnie interesujących ich produktów.

• Produkcja: wykorzystanie wyników analizy koszykowej do analizy danych produkcyjnych jest dotychczas rzadko spotykane i koncentruje się na wykrywaniu zdarzeń prowadzących do awarii oraz związków pomiędzy parametrami surowców a problemami z jakością produktów. Lawinowo rosnąca ilość danych w tym obszarze wskazuje, że będą one w najbliższym czasie zdecydowanie częściej poddawane zaawansowanej analizie, z analizą koszykową włącznie.
• Telekomunikacja: typowym zastosowaniem analizy koszykowej jest identyfikacja usług, jakie klienci kupują a z jakich rzeczywiście korzystają. Pozwala to lepiej projektować pakiety usług oferowane na rynku oraz lepiej dopasowywać przekazy marketingowe do prawdopodobnych zachowań klientów.
• Usługi finansowe: w sektorze finansowym, banki i ubezpieczyciele wykorzystują asocjacje do wykrywania oszustw. Banki – analizując transakcje dokonywane kartami, firmy ubezpieczeniowe – analizując roszczenia.

Oczywiście w obszarze sprzedaży także instytucje finansowe wspierają się wynikami analizy koszykowej do optymalizacji oferty i opracowywania rekomendacji produktów podpowiadanych klientom.

Warto pamiętać, że analiza koszykowa ma szerokie zastosowanie a dzięki prostocie jej wykonania, łatwo sprawdzić jej przydatność na własnych danych.

Elementy projektu analizy koszykowej

Uruchomienie środowiska pozwalającego na wykonanie analizy koszykowej na rzeczywistych danych z systemów firmowych w środowisku Qlik Sense jest łatwe i tanie. Wymaga jedynie użycia łatwo dostępnego oprogramowania i wsparcia specjalisty, potrafiącego je wykorzystać.

Wykorzystywane są trzy składniki:

1. Qlik Sense – obecny w setkach firm w Polsce. Pilotażowe uruchomienie integracji z Pythonem można też wykonać na bezpłatnej licencji testowej.

2. Konektora – dostępny jest bezpłatny konektor do Pythona.

3. Silnika obliczeniowego – silnik Pythona jest bezpłatny.

Przygotowanie środowiska wymaga raptem kilku dni pracy specjalisty znającego te trzy składniki. Włącznie z przygotowaniem danych w Qliku i pobraniem wyników analizy koszykowej, projekt testowego uruchomienia powinien zmieścić się dziesięciu dniach roboczych. A jeśli w firmie są już obecne aplikacje Qlik Sense zawierające dane wejściowe do analizy, np. pozycje dokumentów sprzedaży (analiza paragonowa), to czas ten może jeszcze ulec skróceniu.

Czytaj także: Qlik Sense: narzędzie pomocne w analizie biznesowej i modelowaniu danych