Indsigt og anbefalinger - Smart Store Analytics

På siden Indsigter og anbefalinger i Smart Store Analytics kan du bruge data til at få mere viden om butiksresultater, kunder og produkter. Du kan få indblik i en bestemt butik eller hele detailkæden.

Bemærk

Lagerdataene behandles altid og vises i overensstemmelse med den lokale tidszone i det bestemte lager. Tidszonen for rapporter kan derfor ikke ændres i realtid eller PowerApps ved at justere indstillingerne på en Mac eller pc.

Ofte købt sammen

Funktionen Ofte købt sammen giver butiks- eller marketingchefen mulighed for at træffe databaserede beslutninger om produkters placering og kampagner på baggrund af indsigt i nært relaterede produkter. Den identificerer kombinationer af produkter, der er stærkt knyttet til hinanden, så detailhandlere kan fremme krydssalgsaktiviteten på en effektiv måde.

Dataene fra kunders adfærd i butikken og handlinger underbygger disse resultater for at skabe relevant kontekst. På denne måde afslører du data for stærkt tilknyttede produktpar, som kan anbringes tættere på hinanden for at øge salget af de to produkter. Alternativt kan produkter, der har lave konverteringsrater i butikken, få fordel af krydssalg med mere populære relaterede produkter.

Produkter, der ofte købes sammen, har to visninger:

Visningen Produkter, der ofte købes sammen

Visningen Produkter, der ofte købes sammen viser de bedst relaterede produkttilknytninger for de seneste 7, 30 eller 90 dage.

Bemærk

Når du vælger en butik på rullelisten, vises de bedste produktkombinationer i tabellen baseret på transaktioner i den valgte butik. Når du vælger detailhandlervisningen i menuen, vises de bedste produktkombinationer i tabellen baseret på transaktioner på tværs af hele detailkæden.

Tabellen indeholder følgende data:

• Produktnavne : Navnene på de tilknyttede produkter

• Produktnøgletal : Produkt-id'er for de tilknyttede produkter

• Tilknytningsstyrke : Tilknytningsstyrken er baseret på en statistisk beregning, der angiver, hvor sandsynligt det er, at kunderne køber disse produkter sammen på grund af deres relaterethed og ikke tilfældigheder. På denne måde kan du finde mere interessante og meningsfulde produktkombinationer, der er stærkt knyttet specifikt til hinanden, i stedet for blot at være almindelige køb, enten sammen eller hver for sig.

  Kategorierne tildeles på baggrund af en statistisk metrikværdi, der måler tilknytningens styrke. Metrikværdien sorterer de tilknyttede produktpar på baggrund af transaktionerne i butikken eller hos forhandleren. Derefter er parrene opdelt i tre kategorier af samme størrelse, hvor Glimrende er i den øverste tredjedel, God i den midterste tredjedel, og Rimelig er den nederste tredjedel. Undertiden kan der vises en indikation af "baseret på begrænsede data" ud for den identificerede tilknytningsstyrke, når egenskaberne for butikstransaktionerne ikke gør det muligt at have pålidelige statistiske oplysninger. Årsagen kan være et lille antal transaktioner pr. periode, en lille gennemsnitlig kurvestørrelse eller lav varians i købte produkter.

• Antal gange købt sammen : Det antal gange, kunderne købte de to produkter sammen i den valgte periode.

• Forsinkelse i at tage produkter op : Forsinkelse i at tage produkter op er den gennemsnitlige tid, der er gået mellem, at kunderne har taget to tilknyttede produkter op. Det er også angivet, om forsinkelsen er mere eller mindre end den gennemsnitlige tid, når kunder tager to produkter op i butikken. Hvis tidsforsinkelsen i de to tilknyttede produkter er over gennemsnittet, kan du overveje at placere dem tættere på hinanden.

  • Der vises muligvis Ikke nok oplysninger i denne kolonne, når der ikke er nok data til at beregne den gennemsnitlige forsinkelse for at tage produkter op på en pålidelig måde.

  • Der vises en meddelelse om Ikke relevant i kolonnen for produktkombinationer på tværs af detailkædetransaktioner på grund af variationer i forskellige butiksindretninger.

Produktspecifik detaljevisning

Visningen Produktspecifik detaljevisning viser de fem bedst relaterede produkttilknytninger for de seneste 7, 30 eller 90 dage.

I rullemenuen kan du søge efter et produkt, der har interesse. I tabellen vises de fem vigtigste produkter, der er mest knyttet til det valgte produkt i løbet af den valgte periode, f.eks. de seneste 7, 30 eller 90 dage. Dataene om tilknyttede produkter svarer til den tidligere tabel i visningen Produkter, der ofte købes sammen.

Menuen indeholder kun produkter, der identificerer mindst én kombination, der er stærkt tilknyttet. Derudover vises ydeevnen af det valgte produkt i menuen.

Konverteringsraten repræsenterer forholdet mellem det antal gange, produktet har interagereret med butikken, til det antal gange, en kunde har købt det. Når et produkt har en lav konverteringsrate, kan du overveje at krydssælge det med stærkt tilknyttede produkter, der vises i tabellen Produkter, der ofte købes sammen, for at forbedre deres salg.

Produkterstatninger

Funktionen til anbefaling af produkterstatninger giver indsigt i produkter, som kunderne ser som alternativer til andre produkter i butikken eller detailkæden. Med denne indsigt kan markedsføringschefen for detailkæden eller butiksledelsesteamet træffe databaserede beslutninger, når der vælges en erstatning for et produkt, der ikke er på lager. Lederen kan også analysere resultaterne af de alternative produkter med hinanden, da de potentielt er konkurrerende produkter.

En AI-model, der indeholder detaljerede data fra kundekampagneforløb og interaktioner med produkter i butikken, og som udarbejder produktanbefalinger. AI-modellen identificerer produkter, der ofte købes sammen med potentielle alternativer. Produkternes kontekst defineres af andre produkter, som kunderne afhenter i løbet af samme session, og den rækkefølge, de afhentes i. Jo mere ens konteksten er, jo større er sandsynligheden for, at to produkter identificeres som alternativer. De anbefalede erstatningsprodukter imødekommer kundebehov på samme måde som det oprindelige produkt, baseret på en analyse.

Advarsel

AI-modellen er ikke-overvåget (er ikke trænet i foruddefinerede datasæt med produktalternativer) og udleder derfor produktets substituerbarhed på baggrund af kundeaktivitet i butikken og konteksten for de andre produkter, der vælges i samme session. Da en lignende kontekst ikke altid garanterer, at produkterne er erstatninger, kan modellen undertiden anbefale et produkt, der ikke opfattes som en velegnet erstatning.

Skærmbilledet Produkterstatninger

I skærmbilledet Produkterstatninger vises de anbefalede erstatninger for et produkt i en butik eller i detailkæden. Du kan vælge en butik for at finde det bedste tilgængelige alternativ i den pågældende butik eller skifte til forhandlervisning for eventuelt at få et større udvalg på forhandlerniveau. Det er også muligt at fokusere på alternativer til de bedst sælgende eller dårligst sælgende produkter i butikken eller detailkæden. Når du vælger en af mulighederne – alle produkter, bedst sælgende eller dårligst sælgende – vil AI Insights opdatere indholdet i detaljeadgangsmenuen, så det indeholder de relevante produkter i henhold til det valgte filter.

Bemærk

Detailudledningen af produktvalget inkluderer kun produkter fra den butik/det forhandlerkatalog, som der var potentielle erstatninger for, baseret på kundekontaktens form og hyppighed. Produkter fra forhandlerkataloget, der ikke vises i detailudledningen (enten for alle produkter eller for de bedst sælgende og dårligst sælgende produktmenuer), som ikke har tilgængelige anbefalinger.

Tabellen Produkterstatninger

Produktanbefalingerne præsenteres i en tabel som vist. Anbefalingerne er baseret på analyse af data, der er indsamlet i løbet af de seneste 90 dage, og de opdateres hver 24. time.

I tabellen vises op til tre anbefalede produkterstatninger for det produkt, der er valgt i detailudledningsmenuen, og nogle ekstra detaljer, der kan være væsentlige, for at kunden vælger én erstatning frem for en anden, eller som sammenligner ydelsen af det oprindelige produkt og de forskellige forslag til alternativer. Detaljerne for hver af de foreslåede erstatninger vises på følgende måde:

• Produktnavne: viser navnene på de alternative produkter
• Produktvarenumre: viser produkt-id'erne for de alternative produkter
• Placering i forhold til det valgte produkt: angiver, om det valgte produkt og den foreslåede erstatning er placeret på samme hylde, den samme gondol (forskellige hylder i den) eller forskellige steder i butikken.

Bemærk

Denne kolonne er kun relevant for alternative produktanbefalinger på butiksniveau (og vil forblive tom for forhandlerniveau) på grund af variationerne i produktplaceringer på tværs af forskellige butikker i detailkæden. Hvis det samme produkt placeres flere steder i en butik, repræsenterer kolonnen den nærmeste placering blandt dem.

• Solgt daglige enheder i gennemsnit: viser de daglige enheder, der i gennemsnit er solgt af de valgte og de alternative produkter i løbet af de seneste 90 dage.
• Gennemsnitlig konverteringsrate: viser den gennemsnitlige daglige omregningsrate for de valgte og alternative produkter. Konverteringsraten er det antal gange, kunderne har set produktet i butikken, divideret med det antal gange, kunderne har købt produktet.
• Relativ konverteringsrate: viser relationen mellem produktets konverteringsrate og den gennemsnitlige konverteringsrate i en butik eller i detailkæden på tværs af alle produkter, så det er nemmere at sammenligne forskellige produkter. Den gennemsnitlige konverteringsrate for detailkæde/butik vises under butiksfilteret.

Ydeevne for alternative produkter

Diagrammet over ydeevnen for alternative produkter giver dig mulighed for at analysere ydeevnen for de valgte og alternative produkter over tid.

I dette diagram vises det daglige enhedssalg af de valgte og alternative produkter over tid. I diagrammet vises det daglige enhedssalg af produkterne på tværs af tid, der er valgt i datofilterfelterne.

Prognose for de gåendes trafik

Forhandlerens salgs- og butiksafdeling er stærkt afhængig af, hvor mange kunder der besøger deres forretninger i løbet af dagen. Forudsigende gående trafik er en AI/ML-model, der analyserer tidligere gående trafik med eksterne faktorer (f.eks. årstid, helligdage) og giver indsigt, som giver forhandlerne mulighed for at forudse kundernes behov og justere deres aktiviteter efter behov. AI-modelens prognose for gående trafik i Smart Store Analytics foretager en prognose for den gående trafik for hver time i de kommende syv dage. Disse data giver butikschefer og marketinggruppen en timevis prognose for, hvor mange kunder der kan besøge en butik inden for de næste syv dage.

Forhandlere kan bruge prognose for gående trafik til at:

• Udarbejd optimerede planer, der er tilpasset myldretiden, for at sikre et tilstrækkeligt bemandingsniveau.
• Alloker arbejdsstyrken til de enkelte lagre og mellem forretninger med timegranularitet.
• Planlæg opgaver, f.eks. opgaveopfyldning og genopfyldning før myldretiderne, så butiksmedarbejdere kan fokusere på at hjælpe kunder i perioder med stor efterspørgsel.
• Optimer tidsplaner for forskydninger, og prioriter forsendelser baseret på behovsoptimering.

Prognosen gående trafik for en dag foretages ved at aggregere timeværdierne for fodgængere for den pågældende dag. I AI-modellen bruges de faktiske historiske værdier for gående trafik i en forretning og en liste over helligdage i det område, hvor forretningen er placeret, til at lave en prognose. Der tages ikke højde for faktorer som f.eks. planlægning af lagre, uventede lukninger af lagre eller andre forhold, der kan påvirke prognosen.

Dashboard for prognose for de gåendes trafik

Med dashboard for forventet gående trafik kan butikschefer og marketingteam overvåge forudsigelser om gående trafik for en valgt smart butik på en bestemt dato.

Vigtigt

Hvis modellen skal vise en prognose, skal den have adgang til mindst 14 dages faktiske historiske data for en bestemt butik. Prognosen bliver mere nøjagtig med tiden, efterhånden som modellen lærer af større historiske datasæt. Butikker, der har lav og periodisk gående trafik time for time, kan opnå en mindre nøjagtig prognose.

Dashboardet til prognose for gående trafik har fire nøgleområder:

• Filtre: Rullelisten for Forhandler og butikker viser alle de butikker i forhandlerens kæde, du har data for. Punktet Dag giver dig mulighed for at vælge en af de syv dage, som AI/ML-modellen har givet en forudsigelse for. De filtre, der er tilgængelige for 'Forhandler og butikker' og 'Dag', gælder for alle data på siden.

Bemærk

"Sidst opdateret på mm/dd/åååå tt:mm UTC" giver et tidsstempel, når dashboardet opdateres, og de syv dage med forudsigelse af gående trafik starter fra denne dato. Det er vigtigt at bemærke, at timer tages i betragtning i UTC-tidszonen, der er koordineret af Universal Time, dvs. nul længdegrad: Greenwich, Storbritannien.

• Nøgletal: Nøgletal på øverste niveau er med til at evaluere forventet gående trafik i forhold til den forgangne uge:

  • Prognose for gående trafik for dagen: Forudsigelse af antallet af kunder, der kommer ind i den valgte butik, herunder gentagne gange, for den valgte dag. Handlende i en gruppe tælles som én. En familie på fem tælles derfor som en enkelt entydig handlende.

    Procentdelen (%) fra samme dag i den foregående uge vises også i denne widget. Der er en pil, der angiver trenden, og teksten er farvet grøn for vækst eller rød for at indikere mindre gående trafik.

    AI-modellen med forventet gående trafik foretager en prognose for den gående trafik for hver time i de kommende syv dage. Prognosen gående trafik for en dag foretages ved at aggregere timeværdierne for fodgængere for den pågældende dag.

  • Faktisk gående trafik for den samme dag i den foregående uge: Den faktiske (eller historiske) gående trafik på samme dag i den foregående uge vises. Den beregnede dato for den samme dag den foregående uge vises også. Denne visning gør det muligt at foretage en værdifuld sammenligning mellem to på hinanden følgende mandage eller en hvilken som helst dag i ugen.

  • Prognose for gående trafik over de næste 7 dage: Summen af det antal kunder, der kommer ind i den valgte butik i de kommende syv dage, som angivet efter datointerval: mm/dd/åååå – mm/dd/åååå. Denne widget påvirkes af valget af butik, ikke af valget af en dag i filteret.

    Variationen i procentsats (%) fra de sidste syv dage vises også i denne widget. Der er en pil, der angiver trenden, og teksten er farvet grøn for vækst eller rød for at indikere mindre gående trafik.

  • Faktisk gående trafik for de foregående 7 dage: Den faktiske (eller historiske) gående trafik de foregående syv dage som angivet efter datointerval: mm/dd/åååå – mm/dd/åååå. Denne widget påvirkes af valget af butik, ikke af valget af en Dag i filteret.

• Søjlediagrammer i tidsserier: Graferne i tidsserien viser forventet gående trafik over tid i tre varianter:

  • Prognosen for gående trafik pr. time på dagen viser antallet af kunder pr. time på den valgte dag

  • Prognose for gående trafik pr dag over de næste 7 dage viser det forventede antal kunder, der kommer ind i den valgte butik for hver af de 7 kommende dage, som angivet efter datointerval: mm/dd/åååå – mm/dd/åååå. Linjen i en skrap farve viser den faktiske (eller historiske) gående trafik de foregående syv dage. Denne widget påvirkes af valget af butik, ikke af valget af en dag i filteret.

  • Prognosen for gående trafik pr. dag og time i løbet af de næste 7 dage viser hver dag, der repræsenteres i en række, og timerne som kolonner. Farven på hver firkant repræsenterer antallet af kunder i en bestemt time, på en bestemt dag, som defineret i forklaringen. Efter normal konvention angiver de mørkere firkanter højere antal kunder. Timerne kører fra 0 til 23, og dagene dækker syv dage forud som angivet i datointervallet: mm/dd/åååå – mm/dd/åååå.

• Hvordan beregnes prognosen for gående trafik? - Dette afsnit indeholder grundlæggende oplysninger om den forudsigende prognosemodel, inputdata, dvs. betydningen af den historiske datasæt, og de faktorer, der i øjeblikket ikke tages i betragtning i modellen.