見解與建議 - Smart Store Analytics

Smart Store Analytics 的 [見解與建議] 頁面運用資料科學來深入了解商店業績、購物者和產品。 您可以深入了解特定商店或整個零售連鎖店。

注意

商店資料始終根據特定商店的當地時區進行處理和顯示。 因此，無法透過 PowerApps 或藉由調整 Mac 或 PC 上的設定，即時變更報表的時區。

經常一起購買

[經常一起購買] 功能可讓店長或行銷經理，根據對緊密相關產品的深入解析，做出資料導向決策和進行促銷。 這會找出彼此密切關聯的產品組合，讓零售商可以有效推廣交叉銷售活動。

客戶商店旅程和動作的資料充實了這些結果，以提供相關的內容。 通過這種方式，您可以揭露關聯性強的產品組資料，這些產品組可以更緊密地放在一起，以促進兩種產品的聯合銷售。 或者，商店中轉換率低的產品可能會因為與較受歡迎的相關產品交叉銷售而受益。

「經常一起購買的產品」關聯有兩個檢視表：

[經常一起購買的產品] 檢視表

[經常一起購買的產品] 檢視表會顯示過去 7、30 或 90 天內最高度相關的產品關聯。

注意

從下拉式功能表選擇商店時，表格會根據所選商店中的交易來顯示排程名靠前的產品組合。 選取功能表中的零售店檢視表時，表格會根據整個零售連鎖店來顯示排程名靠前的產品組合。

表格包含下列資料：

• 產品名稱：相關聯產品的名稱

• 產品 SKU：相相關產品的產品識別碼

• 關聯強度：關聯強度根據統計計算而定，表示客戶緣於相關性 (並非隨機性) 而一起購買這些產品的可能性。 透過這種方式，您可以找到更有趣且有意義的產品組合，無論是放在一起還是分開，這些組合彼此之間有高度明確的關聯，而不只是整體上常見購買。

  類別是根據衡量關聯強度的統計計量所指派。 計量會根據商店或零售店交易，將相關聯的產品配對排序。 這些配對接著分成三個大小相等的類別，優秀是前三分之一，良好是中間三分之一，普通是後三分之一。 當商店交易的特性不容進行可靠的統計推斷時，已識別的關聯強度旁邊有時可能會出現「根據有限的資料」的指示。 原因可能是每個期間的交易數量少、平均購物籃大小很小或已購產品的變異性低。

• 一起購買的次數：在選擇的期間中，客戶一起購買兩種產品的次數。

• 挑選產品的延遲：挑選產品的延遲是客戶挑選兩個相關聯產品之間經過的平均時間。 這也指示延遲是多於還是少於客戶在商店中挑選任何兩種產品的平均時間。 如果拿取兩個相關產品的時間延遲高於平均值，則可以考慮讓兩者擺放得更靠近一些。

  • 當沒有足夠的資料來可靠地計算平均挑選延遲時，此欄會顯示資訊不足。

  • 跨零售連鎖店交易的產品組合欄中會因為不同商店配置的變化性而顯示不適用訊息。

[產品特定向下鑽研] 檢視表

[產品特定向下鑽研] 檢視表會顯示過去 7、30 或 90 天內最高度相關的五個產品關聯。

在下拉式功能表中，您可以搜尋感興趣的產品。 表格會顯示所選期間內 (例如過去 7、30 或 90 天) 與所選產品關聯最密切的前五項產品。 相關聯產品的資料與前述經常一起購買的產品檢視表格類似。

此功能表僅包含找出至少一個高度關聯組合的產品。 此外，該功能表也會顯示所選產品的績效。

轉換率表示產品與商店互動次數對客戶購買產品次數之間的比率。 當產品轉換率較低時，您可以考慮使用 [經常一起購買的產品] 檢視表中出現高度關聯產品進行交叉銷售，以改善其銷售。

替代產品

產品替代品建議功能提供對客戶視為商店或零售連鎖店中其他產品替代品之產品的深入解析。 這些深入解析可讓零售連鎖店的銷售規劃經理或商店管理團隊，在選擇缺貨產品的替代品時做出資料導向決策。 另外，經理也可以交互分析替代產品之間的績效，因為這些產品是可能的競爭產品。

AI 模型會分析客戶旅程中的細微資料以及與店內產品的互動，並產生產品建議。 AI 模型會找出經常在與潛在替代品相同的情境中購買的產品。 產品的情境是根據客戶在同一段時間選取的其他產品以及選取這些產品的順序來定義。 情境越相似，將兩種產品標識為替代品的可能性就越高。 根據分析，建議的替代產品將會滿足客戶對原始產品的相似需求。

注意

AI 模型是無監督模型 (未根據任何預先定義的產品替代品資料集進行訓練)，因此會根據商店中的客戶活動和同一段時間中所選其他產品的情境推斷產品的可替代性。 由於情境相似不一定保證產品是替代品，因此模型可能會推薦不被視為合適替代品的產品。

替代產品畫面

替代產品畫面顯示商店或整個零售連鎖店中任何產品的建議替代產品。 您可以選取商店來尋找該商店中的最佳可用替代品，或者切換至零售店檢視表，以便在零售店層級進行盡可能廣泛的選擇。 您也可以將重點放在商店或連鎖店中最暢銷或最不暢銷產品的替代品上。 選取其中一個選項 (所有產品、高銷售或低銷售) 時，AI Insights 會更新向下切入功能表的內容，以根據選擇的篩選條件包含相關的產品。

注意

根據客戶互動的特性和頻率，產品選項向下切入僅包含商店/零售店目錄中存在潛在替代產品的產品。 零售店目錄中未顯示於向下切入 (適用於所有產品或高銷售和低銷售產品功能表)，且沒有可用建議的產品。

替代產品表格

產品建議以表格形式呈現，如圖所示。 這些建議是根據對過去 90 天所收集資料的分析產生，每 24 小時更新一次。

表中顯示最多三個替代向下切入功能表中所選產品的建議產品，以及一些額外詳細資料，這些資料有助於客戶選擇其中一個替代品而不是另一個，或用於比較原始產品的效能和各種建議的替代產品。 每個建議替代產品的詳細資料如下所示：

• 產品名稱：顯示替代產品的名稱
• 產品 SKU：顯示替代產品的產品識別碼
• 相對於所選產品的位置：指示選取的產品和建議的替代產品是放在同一個貨架、同一個陳列櫃 (其中的不同貨架)，還是放在店內不同的位置。

注意

此欄僅與商店層級的替代產品建議相關 (對於零售店層級，此欄會保持空白)，因為零售連鎖店中不同商店的產品陳設位置存在差異。 如果相同產品放置在店內的多個位置，則此欄表示其中最接近的位置。

• 平均每日售出單位數：顯示過去 90 天內所選產品和替代產品的平均每日售出單位數。
• 平均轉換率：顯示所選產品和替代產品的平均每日轉換率。 轉換率是客戶在商店中檢視產品的次數除以客戶購買產品的次數。
• 相對轉換比率：顯示產品轉換率與商店或零售連鎖店中所有產品平均轉換率之間的關聯，以便在不同的產品之間進行比較。 零售連鎖店/商店平均轉換率會出現在商店篩選下方。

替代產品的績效

替代產品績效圖表可讓您分析所選產品與替代產品在一段時間內的績效。

此圖表顯示所選產品和替代產品在一段時間內的每日單位銷售。 圖表顯示產品在日期篩選欄位中所選時間內的每日單位銷售額。

顧客流量預測

零售商的銷售及店鋪組織十分重視一天中有多少顧客光臨商店。 預測客流量是一種 AI/ML 模型，可分析過去的客流量以及外部因素 (例如，季節、假日)，並提出見解，使零售商能夠預測客戶需求並相應調整其活動。 Smart Store Analytics 中的客流量趨勢預測 AI 模型會預測未來七天每小時的客流量。 這些資料為店長和行銷團隊提供未來七天內每小時可能光臨商店的顧客數量預測。

有了客流量趨勢預測，零售商就可以：

• 制定與高峰期一致的最佳化排程，確保有足夠的人員配置。
• 依每小時的細微性，為每個商店以及在商店間配置工作力。
• 在尖峰時間之前安排貨架補貨和重新進貨等工作，讓店員可以在高需求時段集中精力為顧客提供協助。
• 最佳化補貨排程，並根據需求波動排定裝運優先順序。

一天的客流量預測是透過彙總當天客流量的每小時數值得出。 為了進行預測，AI 模型使用商店客流量的實際歷史值以及商店所在地區的公眾假期清單。 不考慮天氣、商店排程、意外商店關閉或其他影響預測正確性的因素。

客流量趨勢預測儀表板

客流量趨勢預測儀表板可讓店長和行銷團隊監控所選智慧商店在特定日期的客流量預測。

重要

若要讓模型顯示趨勢預測，模型必須有權存取特定商店至少 14 天的實際歷史資料。 隨著模型從更大的歷史資料集中學習，預測會逐漸變得更加準確。 每小時客流量極低且時斷時續的商店，其預測可能不太準確。

客流量趨勢預測儀表板有四個主要區域：

• 篩選：[零售商和商店] 下拉式清單會顯示零售商連鎖店中所有您有其資料的商店。 「日期」可讓您從 AI/ML 模型產生預測的七天中挑選一天。 適用於「零售商和商店」與「日期」的篩選條件會套用至頁面上的所有資料。

注意

「上次更新時間：yyyy/mm/dd hh:mm UTC」提供重新整理儀表板時的時間戳記，而七天的預測客流量即是從此日期開始。 需要注意的是，小時以國際標準時間 UTC 表示，即零經度：英國格林威治時區。

• KPI：最上層 KPI 有助於評估預測客流量與過去一週的比較：

  • 當天客流量預測：預測所選日期進入所選商店的購物者數量，包括重複進入。 群組中的購物者計為一個。 因此一個五口之家算作單獨一個購物者。

    與上週同一天相比的百分比 (%) 變化也會顯示在此 widget 中。 有箭頭指示趨勢，而文字以綠色表示客流量增長，或以紅色表示減少。

    AI 模型會預測未來七天每小時的客流量。 一天的客流量預測是透過彙總當天客流量的每小時數值得出。

  • 上週同一天的實際客流量：顯示上週同一天的實際 (或歷史) 客流量。 還會顯示上週同一天的計算日期。 此檢視表可讓您在連續兩個星期一或一週中任何一天之間進行有價值的比較。

  • 接下來 7 天客流量預測：未來 7 天 (如日期範圍所示) 進入所選商店的購物者預測數量加總：yyyy/mm/dd – yyyy/mm/dd。 此 widget 會因選擇商店而受影響，但不受篩選條件中對某一天的選擇影響。

    過去七天的百分比 (%) 變化也顯示在此 widget 中。 有箭頭指示趨勢，而文字以綠色表示客流量增長，或以紅色表示減少。

  • 過去 7 天的實際客流量：過去 7 天 (如日期範圍所示) 的實際 (或歷史) 客流量：yyyy/mm/dd – yyyy/mm/dd。 此 widget 會因選擇商店而受影響，但不受篩選條件中對「日期」的選擇影響。

• 時間序列圖表：時間序列圖表顯示一段時間內的預測客流量，有三種變化：

  • 當天各小時的客流量預測按所選日期各小時顯示購物者數目

  • 接下來 7 天每日的客流量預測：顯示橫條以指示示未來 7 天 (如日期範圍所示) 中每日進入所選商店的購物者預測數目：yyyy/mm/dd – yyyy/mm/dd。 色彩鮮豔的線條顯示前七天的實際 (或歷史) 客流量。 此 widget 會因選擇商店而受影響，但不受篩選條件中對某一天的選擇影響。

  • 接下來 7 天中每日和各小時的客流量預測顯示每一天為一列，各小時為一欄。 每個方格的顏色代表特定日期在特定小時的購物者數量，如圖例所定義。 依慣例，方格顏色越深，購物者數量越多。 時間從 0 時持續至 23 時，日期涵蓋未來 7 天，如日期範圍所示：yyyy/mm/dd – yyyy/mm/dd。

• 如何計算客流量預測？ - 本節提供預測性趨勢預測模型的基本資訊、輸入資料 (即歷史資料集的重要性)，以及目前在模型中未考慮的因素。