Empfehlungssystem auf Basis von Hunderttausenden Kassenbons
Einzelhandel und E-Commerce
Das Projekt hat Michael Jan Rogocki vor der Gründung von cm-opti umgesetzt. Dieselbe Methode setzen wir heute in Kundenprojekten ein.
Branche und Unternehmen
Eine Handelskette mit eigenem E-Commerce-Kanal und Hunderttausenden Transaktionen. In den Kassenbons steckte Wissen, das niemand auswertete: was Kunden zusammen kaufen.
Ausgangslage
Die Kette verfügte über die vollständige Kaufhistorie, doch dieses Wissen blieb in den Bons ungenutzt. Entscheidungen darüber, was nebeneinander platziert, an der Kasse angeboten und auf Lager gehalten wird, fielen nach Erfahrung, obwohl die Antwort in den Bons selbst steckte: was tatsächlich zusammen im Warenkorb landet.
Vorgehen und Leistungsumfang
Hunderttausende Kassenbons wurden mit der Warenkorbanalyse (Market Basket Analysis), einer der klassischen Techniken des Data Mining, ausgewertet, um Assoziationsregeln abzuleiten: welche Produkte zusammen in den Warenkorb wandern und wie oft. Aus diesen Mustern entstand ein Empfehlungssystem, das Kombinationen vorschlägt, die durch Verkaufsdaten belegt sind.
Dasselbe Ergebnis lässt sich an mehreren Stellen nutzen: bei der Datenanalyse für die Bestandsplanung, im Verkauf als Hinweis für das Personal und als Produktempfehlungen auf der Website.
Grundlage des Projekts war die Warenkorbanalyse. Sie arbeitet mit anonymen Bons, weil für sie nur der Inhalt des Warenkorbs zählt, und umfasste den gesamten Verkauf: online wie auch die Kassenbons aus den stationären Filialen. Collaborative Filtering dagegen ist eine allgemeine Empfehlungsmethode, die auf dem Verhalten von Kunden mit ähnlichen Warenkörben beruht („Kunden wie du kauften auch“). Sie setzt voraus, dass Käufe einem Kunden zugeordnet werden können, und eignet sich daher überall dort, wo das möglich ist: online ebenso wie über die Kundenkarte in der Filiale.
Ergebnis für das Unternehmen
Hunderttausende
analysierte Kassenbons
Muster, welche Produkte zusammen gekauft werden
3 Anwendungen
Cross-Selling, Bestände, Online-Hinweise
ein Modell, viele Einsatzorte
Die Produktkombinationen beruhen auf dem, was tatsächlich in den Warenkörben passiert, nicht auf Vermutungen. Dieselbe Analyse zeigt, was im Verkauf angeboten, was nebeneinander platziert und was auf Lager gehalten werden sollte.
Die Warenkorbmuster zeigen zwei Dinge, die mit bloßem Auge schwer zu erkennen sind. Langsam drehende Ware wird oft zusammen mit einem bestimmten Bestseller gekauft. Wer sie in eine solche Kombination aufnimmt, baut Bestand ab, der sonst liegen bliebe. Sichtbar werden auch nicht offensichtliche Verbindungen zwischen Produkten, die bereits im Sortiment sind und die vorher niemand bewusst kombiniert hatte. Jede davon ist eine fertige Idee für ein neues Produktset.
Umfang des Projekts
Die Analyse umfasste die vollständige Verkaufshistorie der Kette. Je länger die Historie, desto verlässlicher die erkannten Kaufmuster.
Wenn du eine Verkaufshistorie hast, aus der niemand Schlüsse zieht, beschreib uns deinen Fall. Wir prüfen, welche Muster sich daraus herauslesen lassen.
Verwandte Artikel in der cm-opti-Wissensdatenbank
Leistungsbereich: Machine Learning und Prognosen (Datenanalyse und Empfehlungssysteme).