Beneficios del big data en supermercados

El big data presenta beneficios probados en todos los sectores, y el de los supermercados no es ajeno a ello. Iniciativas como la de Kroger, que aumentó un 70% el uso de sus cupones o la del supermercado Consum, más cerca, que ofreció una experiencia de consumo más personalizada son solo un ejemplo de la gran variedad de acciones que se pueden realizar para aumentar los beneficios y diferenciarse de los competidores, obteniendo así ventajas competitivas.

Ejemplos de este tipo de acciones son las siguientes:

  • Personalización de las promociones
  • Recomendador de productos en e-commerce
  • Cambiar productos en líneal
  • Reordenar productos en el e-commerce
  • Gestionar el stock en tiendas evitando faltas de productos y con un mayor control de la caducidad
  • Precios dinámicos en tienda
  • Invertir en las acciones de Márketing que tengan más impacto en el negocio

Mediante todas estas acciones, se persiguen objetivos como:

  • Aumentar los beneficios
  • Mejorar la negociación con los proveedores: se pueden negociar los acuerdos teniendo en cuenta que se harán comunicaciones personalizadas de determinados productos.
  • Aumentar el margen de beneficio por producto
  • Optimizar la gestión del stock
  • Incrementar la rentabilidad de las acciones de Márketing

¿Y cómo se pueden llevar a cabo todas estas acciones? Mediante procesos de integración, análisis y visualización de datos como:

  • Análisis Cesta de la compra
  • Integración de datos externos: climatología, festividades
  • Construcción de un Customer Data Platform, CDP
  • Análisis de previsión de la demanda

Si tu cadena de supermercados quiere probar alguna de estas acciones o persigue alguno de estos objetivos y no sabe cómo implementar un proyecto de big data, no dudes en contactar con nosotros.

Segmentación de clientes en supermercados

Contexto

No hay dos clientes iguales. Cada uno tiene su perfil, preferencias, hábitos de compra, cesta de productos. ¿Cómo podríamos agrupar a los clientes de comportamiento parecido? El gran número de variables y volumen de datos del histórico de transacciones de un supermercado hace que segmentación no sea un reto fácil.

Problema

Identificar y cuantificar a los distintos grupos de clientes de un supermercado es el primer paso para definir una estrategia CRM diferenciada para cada grupo de cliente.

Solución

Modelo de segmentación para identificar grupos homogéneos y clasificar a los clientes en ellos.

Exploratorio

  • Estadísticas de resumen de las variables por tipo de datos
  • Distribuciones de variables por tipo de datos
  • Correlaciones y asociaciones importantes entre las variables.
  • Identificación de las variables relevantes para la estimación de la demanda. Datos transaccionales (tickets): productos y marcas, precios, cantidades, frecuencia y recència de compra, canal, fecha compra etc… Datos clientes: edad, sexo , dirección…

Preparación

  • Eliminación de outliers
  • Transformación de los datos y creación de nuevas variables: normalización, categorización, índices, variables indicadoras, etc.
  • Selección de la muestra: Train (75%) y Test (25%)

Modelización

Modelo Cluster, en dos etapas. Herramienta de exploración diseñada para descubrir las agrupaciones naturales de un conjunto de datos. Permite analizar grandes bases de datos mediante la construcción de un árbol de características de conglomerados que resume los registros. Permite trabajar conjuntamente con variables de tipo mixto (cuali y cuantitativas). Step1: Construcción del árbol Cluster Features (CF). Agregación de casos, dentro de un mismo nodo o formando otro nodos hojas (número elevado de preclusters). Nos basamos en la similaridad existente, usando las medidas de distancia. Step 2: Aplicación del método jerárquico (Agrupación de los nodos hojas). Usamos un algoritmo aglomerativo de clusters, produciendo un rango de soluciones.Para determinar el número de clusters, cada solución es comparada usando los criterios Schwarz’s Bayesian Criterion (BIC) o Akaike Information Criterion (AIC).

Validación

Comparación de los resultados de la muestras aleatorias Train (75%) y la Test (25%). El modelo Cluster obtenido es correcto si los resultados entre las dos muestras son consistentes respecto al número de clusters y el perfil de cada uno.

Mapa de posición de segmentos en matriz Lealtad/Valor

Cada uno de los grupos obtenidos pueden ser descritos y posicionados en una matriz Lealtad/Valor.

Posteriormente, con una finalidad operativa, realizamos una segunda agrupación.

Resultados

Encontramos grupos de clientes con comportamiento distinto y los pudimos describir en términos demográficos, patrón de compra, ciclo de vida, recencia, frecuencia y valor de compra…

Fue una información necesaria para:

  • Definir la estrategia principal por grupo: reconocimiento, up&cross selling, retención y abandono.
  • Definir el volumen de inversión y propuesta de valor
  • Definir el plan de contactos