Drevo odločanja kupcev za fajn trgovine

Drevo odločanja kupcev za fajn trgovine
11 maja, 2023 Omnibus

Uspešni trgovci poznajo proces nakupovalnega vedenja kupcev: kako  iščemo > izbiramo > kupujemo izdelke in storitve v trgovinah.

Gre za eno od ključnih trgovskih iger, v kateri trgovci skušajo čim bolje zadovoljiti pričakovanja in rešiti težave kupcev. Morda pa še malo presenečenje, dodatek nad pričakovanji (up-sell).

Pri tem se dobri trgovci zavedajo, da ljudje nismo le racionalna bitja, ki mehanično jemljemo izdelke s polic in vselej iščemo najnižjo ceno.

Kupci smo tudi čustvena bitja. K trgovcem se vračamo, ker dobro rešujejo naše TEŽAVE, nam zbujajo ZAUPANJE, ker verjamemo OBLJUBAM ponujenih brandov, ker imamo dobre SPOMINE na pretekle nakupovalne izkušnje. Zaradi dobrih OBČUTKOV, ki jih na koncu seveda zaokroži razumljiva cena.

— TEŽAVE Z RAZUMEVANJEM KUPCEV

A domači in regijski trgovci, pa tudi dobavitelji, so – na žalost – še naprej v zaostanku za mednarodnimi na področju razumevanja nakupovalnih navad kupcev. Kar se potem pozna na področju dobre asortimanske igre, predvsem pa organizacije prodajnega prostora in dizajna trgovin.

S povečevanjem tekmovanja med številnimi kanali, inflacijskimi pritiski na cenovno percepcijo, bolj stisnjenimi potrošniškimi denarnicami, itd. navedene pomanjkljivosti še bolj pridejo do izraza.

Pritiski – časovni, rezultatski, stroškovni – se stopnjujejo, zato tudi širi prostor za hitre rešitve, ki bodo čudežno potegnile voz naprej.

Nekateri trgovci verjamejo v takšne čarovnije in menijo, da se da igro odigrati “na preskok”. Kot nogometne ekipe, ki pošiljajo dolge žoge po terenu v upanju, da jih bo kdo prestregel – ali pa se slučajno znašel v priložnosti.

Morda … Morda vžge.

Toda dejstvo je naslednje: na hitro skrpane asortimanske igre, podkrepljene z nenadzorovanim premikanjem blaga v prodajnih prostorih, kjer odsotnost razumevanja kupcev nadomeščajo startupovske optimizacijske čarovnije, so praviloma obsojene na neuspeh.

— ALTERNATIVA: MODEL IGRE S KUPCI

Alternativa pa je izgradnja dobrega modela “igre”.

Takšen model temelji na

a) sistematičnem spremljanju kupcev,

b) poznavanju njihovih nakupovalnih navad in

c) kolikor toliko razčiščeni strategijah zadovoljevanja pričakovanj kupcev.

Seveda ta igra ni lahka.

V njej je treba upoštevati množico spremenljivk, ki so poleg vsega še medsebojno povezane – asortiman, cene, nakupovalne navade, konkurenca, format trgovin.

Tako ima vsak supermarket dnevno na tisoče obiskovalcev, različnih nakupovalnih potreb, upravljati pa mora z več kot 20.000 izdelki in jih razmeščati v prostoru, ki ima npr. 1000m2.

“Fajn trgovina” zato v časih velikih količin podatkov kliče po podatkovnem modelu, ki temelji na razumevanju vedenja kupcev in povezavi zgoraj navedenih spremenljivke.

Drevo odločanja kupcev (DOK) je takšen model, ki pomaga pri igranju zahtevne kompleksne igre.

— ČLANEK, KI PREDSTAVLJA DELOVANJE IN KORISTI UPORABE MODELA

V pojasnitev in podkrepitev potencialnih koristi (pa tudi pasti) tega modela v angleščini sem pred letom napisal članek “In-Store Customer Decision Making“.

V članku predstavljam Drevo odločanja kupcev oz. #CustomerDecisionTree kot model, ki v spretnih rokah odlično poveže:

– vedenje kupcev
– tržne trende
– asortimanske odločitve
– upravljanje s prodajnimi prostori

in seveda realiziran v trgovini pripelje do

– pozitivne nakupovalne izkušnje.

Članek je sčasoma pritegnil dovolj mednarodnih bralcev, da je na Google Search priplezal na prvo stran neplačanega, organskega iskanja za ključno besedo #CustomerDecisionTree in pa vedenje kupcev v trgovinah (“In-Store Customer Decision Making”).

Vključil sem prikaz, kako lahko umetna inteligenca oz. #MachineLearning prispeva k boljšim nakupovalnim izkušnjam, poleg tega pa tudi učinkovito podpre lokalne dobavitelje, trajnostne brande in kakovostne izdelke v prodajnih prostorih.

A kakor vsepovsod pri strojnem učenju in algoritmih. Dopolniti jih je treba s pravim “človeškim dotikom” in usmeriti k uresničevanju strategij.

Kadar je tako, je lahko drevo odločanja kupcev s svojo večopravilnostjo ključ za hitro odzivanje na spremenjene nakupovalne navade in izboljšave nakupovalnih izkušenj.

Članek je obsežen, a ima tudi kazalo, tako da lahko mirno preskakujete na teme, ki vas morda bolj zanimajo, haha.

Vabljeni k branju, seveda pa tudi komentiranju, itd.

Povezava na članek: “In-Store Customer Decision Making

#DataScience #DataDrivenRetail #RetailAnalytics #MachineLearning

0 Comments

Leave a reply

Vaš e-naslov ne bo objavljen.

*