تحلیل سبد بازار چیست و چگونه می‌تواند منجر به افزایش فروش شود؟

تحلیل سبد بازار

آیا تابه‌حال به این موضوع فکر کرده‌اید که آمازون، نتفلیکس و اسپاتیفای چگونه محصولات پیشنهادی را به شما نشان می‌دهند؟ در قلب این سیستم‌ها از تکنیکی به نام تحلیل سبد بازار استفاده می‌شود.

تعریف اقداماتی حول اینکه مشتریان چه محصولاتی خریداری می‌کنند، یک استراتژی بازاریابی شناخته شده است. با این وجود، شناسایی برخی از ترکیبات محصولات ساده است، این در حالی است که برخی دیگر نیاز به تحلیل بیشتری دارند.  

مثال‌هایی از تحلیل سبد بازار وجود دارد که شامل پیشنهاد محصول هنگام خرید آنلاین؛ کمپین‌های ایمیل؛ پیشنهادات کوپن و موارد دیگر است.

آیا می‌خواهید بدانید که خرده فروشان مشهور چگونه پیشنهادات مربوط به محصول را ارائه می‌کنند؟ این مقاله به شما نشان می‌دهد که تحلیل سبد بازار چیست و چگونه می‌تواند منجر به افزایش فروش شود.

تحلیل سبد بازار چیست؟

تحلیل سبد بازار تکنیکی است که به دنبال ترکیبی از محصولات در هنگام خرید است. از همه مهم‌تر؛ پایه و اساس آن این است که مشتریانی که یک گروه خاص از محصولات را خریداری می‌کنند، کم و بیش احتمال دارد از گروه دیگری از محصولات خرید کنند.

یک تحلیل از این دست:

  • اطلاعات تراکنش تحلیل می‌شود. به‌عنوان‌مثال محصولات موجود در هر فاکتور بررسی می‌شود.
  • قدرت ارتباط بین محصولات خریداری شده با هم تحلیل می‌شود.
  • به کسب و کارها امکان داده می‌شود تخمین بزنند که احتمال وقوع دو یا چند رویداد با هم چقدر است.
  • قوانینی را در قالب سناریوهای اگر – آنگاه تولید می‌کند. این قوانین احتمالی هستند. یعنی احتمال وقوع یک رویداد چقدر است، نه اینکه همیشه اتفاق بیفتد.

هدف از تحلیل سبد بازار

هدف مدل‌های تحلیل سبد بازار، شناسایی محصول بعدی است که مشتری ممکن است به آن علاقه‌مند باشد. در نتیجه، تیم‌های بازاریابی و فروش می‌توانند استراتژی‌های قیمت‌گذاری مؤثرتر، قرار دادن محصول، فروش مکمل و بیش فروشی را توسعه دهند.

که به نوبه خود می‌تواند به پیش بینی فروش محصول بر اساس موقعیت‌های خاص کمک کند و زمان حمل و نقل و عملیات انبار را بهبود بخشد. بنابراین منجر به افزایش درآمد، هزینه کمتر و سود بیشتر می‌شود.

این ویژگی آمازون توسط نرم افزاری پشتیبانی می‌شود که حجم وسیعی از داده‌های جمع‌آوری‌شده را درک می‌کند.

برای مشتری استفاده از این ویژگی راحت است چون مجبور نیست که مجدداً برای خرید کالای دیگری برگردد. همچنین برای کسب و کار هم مناسب است چون به معنای فروش بیشتر است. در این معامله هر دو طرف برنده هستند.

علاوه بر این، یک کسب و کار می‌تواند چیزی فراتر از نمایش محصولات مرتبط به مشتریان باشد. برای مثال:

  • برای اقلام دیگر (اقلام مرتبط یا مشابه) در زمان فروش تخفیف بدهید.
  • بعداً، یک خبرنامه یا کمپین ایمیلی حاوی محصولات جذاب را برای مشتری ارسال کنید.
  • پس از اتمام فروش، یک کوپن ارائه دهید که مشتری را ترغیب به بازگشت و خرید اقلام دیگر می‌کند.
  • اگر یک فروشگاه خرده فروشی brick-and-mortar (تجارت خشت و ملات) دارید، می‌توانید آیتم‌ها را نزدیک یکدیگر قرار دهید.

تحلیل سبد بازار برای چه مواردی استفاده می‌شود؟

تحلیل سبد بازار لیستی از مجموعه محصولات را بر اساس احتمال آنها ایجاد می‌کند. چنین فهرستی می‌تواند برای موارد زیر کاربرد داشته باشد:

  • جاذبه یا دافعه بین محصولات را بشناسید. در نتیجه، یک کسب و کار می‌تواند تصمیمات آگاهانه‌تری در مورد قرار دادن محصول بگیرد.
  • هر مجموعه از محصولات را بر اساس احتمال آنها رتبه بندی کنید. بنابراین، می‌توانید یاد بگیرید که کدام محصولات نسبت به دیگری از محبوبیت بیشتری برخوردار است.
  • برای افزایش خریدهای پکیج‌ها، مشخص کنید کدام محصولات را در یک پکیج قرار دهید.
  • تبلیغات بازاریابی را حول محصولاتی برنامه ریزی کنید که منجر به فروش سایر محصولات می‌شوند.
  • از قرار دادن هر دو محصول در یک تبلیغ خودداری کنید (چون می‌دانید که یکی باعث فروش دیگری می‌شود).
  • فرصت‌های فروش مکمل و بیش فروشی را افزایش دهید. شما می‌توانید این کار را انجام دهید زیرا می‌دانید کدام محصولات پرفروش هستند و کدام یک باعث فروش اقلام اضافی می‌شوند.
  • به سازمان‌های بازاریابی و فروش کمک می‌کند تا منابع خود را بهتر توزیع کنند (بهینه سازی کانال).
  • بر اساس رفتار خرید مشتریان، کمپین‌های بازاریابی آنلاین را ارائه دهید.

برای انجام این کار، شرکت‌ها از موتورهای پیشنهاد کننده (توصیه گر) استفاده می‌کنند. اینها اجزای نرم افزاری هستند که قوانین توصیه را در اختیار سایر سیستم‌ها قرار می‌دهند. به‌عنوان‌مثال، یک فروشگاه آنلاین می‌تواند یک موتور توصیه گر را برای ارائه پیشنهادات (آفرها) یا قرار دادن محصولات ادغام کند.

به طور خلاصه، تجزیه و تحلیل سبد بازار روشی ارزشمند برای استفاده از اطلاعاتی است که بر اساس آنها شما باید از قبل پیش بینی کنید که مشتریان چه آیتم‌هایی را خریداری می‌کنند.

کجا می‌توان از تحلیل سبد بازار استفاده کرد؟

کاربرد تحلیل سبد بازار چیزی فراتر از کسب و کارهای آنلاین و خرده فروشی‌ها است. در هر فعالیتی که در آن شناسایی الگو یا رفتار از داده‌های تراکنش می‌تواند مفید باشد می‌توان از تحلیل سبد بازار استفاده کرد. برای مثال:

تشخیص تقلب: یک مشتری آمریکایی چقدر احتمال دارد که یک حساب روسیه‌ای را با کارت اعتباری خود بپردازد؟ یک کسب و کار می‌تواند معاملات مشکوک را برای بررسی بیشتر علامت گذاری کند.

بیمارانی که خطرات سلامتی دارند: بر اساس سوابق سلامتی می‌توانید بیماران با ریسک بالا را پیدا کنید.

فیلتر وب یا ایمیل: مجموعه قوانین انجمنی می‌تواند ایمیل‌های هرزنامه را شناسایی کند. به‌عنوان‌مثال، ایمیلی حاوی کلمه “جایزه ” چقدر احتمال دارد که هرزنامه باشد؟ یادگیری قوانین انجمن می‌تواند ارتباط بین این دو رویداد را آشکار کند.

تحلیل سبد بازار و موتورهای توصیه گر

خرده‌فروشان این تکنیک را برای به دست آوردن بینشی در مورد چگونگی بهینه‌سازی فضای قفسه‌ها به منظور افزایش فروش استفاده می‌کنند. قبلاً آنها

1) از الگوریتم‌های داده کاوی برای تولید گزارش استفاده می‌کردند.

2) گزارش‌ها به آنها می‌گفتند که قوانین انجمن قوی‌ترین قوانین هستند. علاوه بر این، با این اطلاعات، آنها تبلیغات را برنامه ریزی می‌کنند و فرصت‌های فروش مکمل را شناسایی می‌کنند.

اما با پیدایش اینترنت، خرده فروشی‌های آفلاین به آنلاین آنلاین شدند و فرصت‌های جدیدی ایجاد شد. بر این اساس، حالا خرده‌فروشان آنلاین می‌توانند زمانی که مشتریان کالای خاصی را بررسی می‌کنند، توصیه‌هایی برای محصول ارائه دهند.

موتورهای پیشنهاد کننده، برنامه‌های نرم‌افزاری هستند که قادر به شناسایی محصولات مرتبط هستند. آنها پشت ویژگی‌هایی مانند “افرادی که این اقلام را خریداری کردند” هستند.

تحلیل سبد بازار تنها تکنیک تحلیلی نیست که توسط موتورهای توصیه گر استفاده می‌شود. آنها همچنین می‌توانند ترجیحات و خریدهای قبلی کاربران را در نظر بگیرند.

بنابراین، تکنیک‌های مورد استفاده توسط موتورهای توصیه گر می‌تواند به شرح زیر باشد:

    مبتنی بر مشتری: موتور توصیه کننده، خریدهای گذشته و محصولات بررسی شده مشتریان را پیگیری می‌کند. علاوه بر این، فعالیت سایر بازدیدکنندگان را نیز ردیابی می‌کند.

بر اساس آیتم: آیتم‌های جدید مشابه یا مرتبط با محصول فعلی را نشان می‌دهد.

چند مثال از موتورهای توصیه گر به صورت عملی عبارت‌اند از:

  • وقتی نتفلیکس فیلم‌هایی را به شما نشان می‌دهد که ممکن است دوست داشته باشید، آیا دقت کرده‌اید که این پیش بینی‌ها چقدر درست هستند؟ (که ممکن است این فیلم‌ها را دوست داشته باشید).
  • هنگامی که اسپاتیفای یک “ایستگاه رادیویی” را بر اساس آهنگ یا آلبوم فعلی تولید می‌کند.
  • صفحه اصلی آمازون از موتورهای توصیه گر استفاده می‌کند تا مواردی مشابه مواردی که در گذشته مرور کرده‌اید را به شما نمایش دهد.

مبانی تحلیل سبد بازار

یک هدف رایج از تحلیل سبد بازار فراهم آوردن مجموعه‌ای از قوانین انجمنی به شکل زیر است:

اگر [مقدم] آنگاه [برآیند/ نتیجه]

بخش اول قاعده «بدنه» یا «مقدم» است، در حالی که بخش دوم قاعده «هد» یا «نتیجه» است. علاوه بر این، مقدم و تالی آن می‌تواند شامل شرایط بسیاری باشد که قوانین پیچیده‌تری را ایجاد می‌کند. مثلاً:

اگر [گوشی هوشمند] سپس [قاب]

یک قانون پیچیده‌تر می‌تواند این باشد:

اگر ] گوشی هوشمند، قاب [ آنگاه ] محافظ صفحه نمایش، باتری جایگزین[

قوانین انجمنی دارای 3 معیار قابلیت اطمینان (پشتیبان، اطمینان و بالابری) هستند.

پشتیبان

تعداد دفعات تکرار یک آیتم در مجموعه داده را اندازه گیری می‌کند. برای مثال:

تعداد تراکنش‌های حاوی”گوشی هوشمند”، ” قاب”، “محافظ صفحه نمایش” و ” باتری جایگزین” تقسیم بر تعداد کل تراکنش‌ها

پشتیبان 3 درصدی به این معناست که از هر 100 فروش، 3 مورد شامل چهار آیتم ذکر شده است.

اطمینان

اطمینان معیاری است که درست بودن یک قانون را اندازه گیری می‌کند. در ادامه مثالی از نحوه محاسبه اطمینان آورده شده است:

اطمینان = تعداد تراکنش‌های حاوی «تلفن هوشمند»، «قاب»، «محافظ صفحه نمایش» و «باتری جایگزین» تقسیم بر تعداد تراکنش‌های حاوی گوشی هوشمند و قاب

اطمینان 40 درصد به این معنا است که 4 تراکنش از 10 تراکنش فروش حاوی گوشی هوشمند و قاب؛ شامل محافظ صفحه نمایش و باتری جایگزین می‌باشد.

به عبارت دیگر؛ اگر گوشی هوشمند و قاب بخرید، به احتمال 40 درصد محافظ صفحه نمایش و باتری جایگزین هم خریداری می‌کنید.

لیفت یا بالابری تحلیل سبد بازار

بالابری نسبت اعتماد به اطمینان مورد انتظار است.

اطمینان مورد انتظار، اطمینان از شرایط «نتیجه» است. یعنی تعداد خریدها با شرط نتیجه تقسیم بر تعداد کل تراکنش‌ها می‌شود. در نتیجه، بالابری به ما می‌گوید که یک قانون در پیش بینی نتیجه چقدر بهتر از فرض کردن آن در وهله اول بوده است.

در اینجا مثالی از نحوه محاسبه بالابری آورده شده است:

اطمینان تقسیم بر (تعداد تراکنش‌های حاوی گوشی هوشمند و قاب تقسیم بر تعداد کل تراکنش‌ها)

لیفت یک معیار ارزشمند برای تعیین رتبه بندی و اولویت بندی قوانین انجمنی است. علاوه بر این، هرچه بالابری و پشتیبانی بیشتر باشد، بهتر است. برای پیاده سازی این آپشن شما نیاز به یک تیم متخصص دارید،داشبوردهای مدیریتی بازاریابی هوش تجاری ویترای میتواند به شما در به دست آوردن این اطلاعات کمک کند.

به اشتراک بگذارید

اشتراک گذاری در linkedin
اشتراک گذاری در twitter
اشتراک گذاری در email
اشتراک گذاری در whatsapp
اشتراک گذاری در telegram

یک قدم تا داده محوری

کافیست اطلاعات تماس خود را وارد کنید. ما با شما تماس خواهیم گرفت.

یک قدم تا داده محوری فاصله دارید

کافیست فرم زیر را تکمیل کنید.