מה ההסתברות לרכוש משקה דיאטטי יחד עם לחם דל קלוריות בסופרמרקט ומה ההסתברות שאדם שנכנס לקנות נעליים יקנה גם גרביים? מי קונה יותר כרטיסי גירוד –גברים או נשים? כיום ניתן לחזות מבעוד מועד את תכולת סל הקניות של הלקוח ולהיערך לכך בהתאם, באמצעות מודל למידת מכונה (Machine learning) לניתוח נתונים אשר משלב בין בינה מלאכותית (Artificial intelligence) עם המידע המנותח במערכת הבינה העסקית (Business intelligence) כך שהמערכת לומדת את התנהגות הצרכנים ומשתפרת בכל עת.
כיצד הדבר יבוא לידי ביטוי? באמצעות ניתוח המידע העסקי של לקוחות הארגון ולעיתים גם שילוב של מידע חיצוני (כמו נתונים גאוגרפיים או נתונים דמוגרפיים – לקוח בפריפריה קונה מוצרים שונים מרווק תל אביבי, את הנתונים הללו אנחנו יכולים לספק בעזרת שותפים עסקיים) אנחנו יכולים ליצור תחזית מכירות שמאפשרת לדייק את ההצעות שיווקיות ולהגדיל את סל המכירות של הלקוחות באמצעות ניתוח של סלי מכירות על פי מאפייני לקוח.
סל מכירות
סל המכירות הוא סך המוצרים שהלקוח רכש בקניה אחת, לדוגמה: הלקוח נכנס לסופרמרקט ורכש חלב, לחם, גבינה, ביצים, שמן, סוכר, מלח, תפוחים ומלפפונים – זה סל הקנייה שלו וסכום סל הקנייה שלו יהיה הסכום שהוא ישלם למוכר החנות.
עסקים ששואפים כיום להגדיל מכירות, מעדיפים שלקוחות ירכשו יותר פריטים בפחות כסף, גם אם שורת הרווח שלהם נמוכה יותר כתוצאה ממהלך זה. הסיבה לכך נובעת מיתרון הגודל – שכן ככל שהלקוח רוכש יותר פריטים, העסק יכול לרכוש כמות גדולה יותר של פריטים מהספק במחיר זול יותר, אז אומנם הרווח עבור כל לקוח יורד (נניח בשל מבצעי 1+2 או השני ב-50%) אך בפועל עלויות הרכש נמוכות יותר וכך גם עלויות השיווק. משום שזול יותר להגדיל סל מכירות מלקוח קיים מאשר להשקיע משאבים בלמשוך לקוחות חדשים.
המודל של Qlik מבוסס על אלגוריתם אשר מנתח את כלל העסקאות על פי סלי הקניות של כל לקוח ולקוח, במטרה לחזות את התנהגות הצרכנים ולמצוא קשרים בין מוצרים. לדוגמה: אילו פריטים תמיד ימכרו יחדיו? או מה הסיכוי שאם לקוח קונה קפה הוא ירכוש באותה הקנייה גם עוגה? בדרך זו ניתן מראש להציע ללקוח הצעות שיווקיות המותאמות אליו באופן פרטני ולעודד אותו לרכוש עוד
הרגלי צריכה
הרגלי צריכה של צרכן מודרני מבוססים על הנאה. הוא אוהב למלא את סל הקניות, הוא מתפתה לרכוש מוצרים שיסבו לו עונג והוא נהנה אף יותר לשלם על מוצרים שניתנים לו בהנחה. בשנתיים האחרונות מרכיב נוסף התווסף להרגלי הצריכה של הצרכן הישראלי – החרדה ממוות – ולכן ממש בדומה לתקופות אחרות בהיסטוריה שנסובו סביב אסונות (למשל אסון התאומים) הצרכנים קונים יותר "מציאות/מותרות" וחשים שהם ממצים את היום בצורה טובה יותר על ידי צריכה מופרזת.
על פי הלשכה המרכזית לסטטיסטיקה סך הרכישות באשראי לשנת 2021 עלה ב-14.9% וזאת לאחר עליה נוספת של כ-3% בשנת 2020. ברכישת מוצרים ושירותים נרשמה עלייה בהיקף הצריכה של 15% בשנת 2021 בהמשך לעלייה של כ-13% בשנת 2020, כאשר במוצרי מזון נרשמה עליה של 5.8% לאחר עליה של כ-9% בשנת 2020. הנתונים הללו ממשיכים לעלות גם במגזר התעשייתי עם עליה של כ-15% בשנת 2021 ברכישת מוצרי תעשייה, וגם במגזר השירותים עם עליה של כ-21% בשנת 2021. במילים אחרות, חרף המצב הכלכלי, עליות המחירים ונתוני האבטלה – הישראלים קונים יותר. לנתונים המלאים באתר הלשכה המרכזית לסטטיסטיקה לחצו כאן.
כעת השאלה הנשאלת היא כיצד ניתן למנף את הנתונים הללו "לשטח". חנויות, רשתות שיווק ובכלל כל אדם שמוכר פריט או שירות כלשהו ורוצים להגדיל את סל הקנייה של הצרכנים, יכולים להיעזר במערכת למידת מכונה (ML) שלומדת את הרגלי הצריכה של כל לקוח ולקוח, משקללת את הדאטה הקיים בארגון וממליצה על מוצרים או שירותים מתאימים. לדוגמה: ספריית "נטפליקס" מבססת את המלצות צריכת התוכן שלה על סמך שאלון ראשוני וניתוח הרגלי הצריכה של הצופים. המידע שנאגר מאפשר בניית פרופיל לקוח שבאמצעותו ההמלצות מבוצעות. אותו הדבר נעשה בשילוב של יכולות למידת מכונה (ML) במערכת הבינה העסקית.
ניתוח הרגלי צריכה לפי סל מכירות.
סל המכירות של אישה בעשור הרביעי לחייה יהיה שונה מסל המכירות של גבר באותו הגיל מאותו אזור ואף מאותו משק בית, בין אם מדובר על חנות בגדים (כמות הפריטים וסוג הפריטים) ובין אם מדובר על סופרמרקט. הנה מספר דוגמאות רווחות לניתוח סל מכירות בקנייה במקום כמו בסופרמרקט, בחנויות בגדים, בתי קפה ובחנויות נוחות, בחנויות לאביזרי רכב, והגדלת מכירות באינטרנט שמבוססות על פילוח לקוחות ועל התפלגות לקוחות.
סל מכירות בקנייה במקום.
אנשים רוכשים פריטים בתדירות יום יומית, מזון, חומרי ניקוי, ביגוד, הנעלה, טכנולוגיה ועוד. כל רכישה מתועדת במערכות המידע של רשתות השיווק, אך במרבית המקרים הרשתות כמעט ולא עובדות עם הדאטה המצטבר ולא ממנפות אותו לצורך הגדלת מכירות בחנות – כלומר ייתכן מאוד ורשתות יודעות לזהות את ההקשרים בין פריטים שונים (לדוגמה: באותו סל קניות של חולצה מכופתרת הלקוח ירכוש גם גופייה) אבל לא מחברות את ההצעות השיווקיות למאפייני הלקוח, משום שמבחינה טכנולוגית לא הייתה להם אפשרות לעשות זאת. עם זאת כיום המצב שונה. מודל ניתוח הקניות של Qlik מתממשק אל מאגרי מידע חיצוניים ומאפשר להגיע להצעות אישיות יותר המותאמות להרגלי הצריכה של הלקוח.
הנה דוגמה לגרף מתוך מודל ניתוח סל הקניות של Qlik:
בדוגמה זו אנחנו רואים מפת קשרים על בסיס דאטה קיים, הצבעים מציינים את סוג המוצר, אך מה שחשוב פה הוא למעשה סוג הקשר – פריטים שנמכרים בכמויות גדולות מסומנים בעיגולים גדולים.
הקלקה על כל נקודה מפנה את מנהל המכירות או את מנהל השיווק למסך אשר מפרט את התנועות שבוצעו בפריט – לדוגמה: היקף מכירות, זהות הרוכשים ועוד. בדרך זו ניתן לאפיין את האוכלוסייה שרוכשת את הפריט, ולמצוא הקשרים נוספים בין פריטים שלא בהכרח נמכרים יחד אך קשורים בקשר עקיף לפריט הנבחן. יתרה מזאת מחלקת השיווק יכולה לקדם את המחקר ולדעת כיצד ליצור קשרים בין פריטים שלא נמכרים יחד וכך להביא להגדלת מכירות בחנות.
הנה כמה דוגמאות מעשיות לסלי קניות רווחים בחנויות שונות:
- סופרמרקט – על סמך סל המוצרים של הלקוח, האלגוריתם של מודל הקניות ממליץ על קופונים בעלי הסתברות גבוהה למימוש. כלומר גם אם הלקוח לא תכנן לרכוש את המוצר באותו סל מכירות, הוא עדיין ירכוש אותו כי המחיר שבו המוצר מוצע לו, משתלם. סופרמרקט שרוצה לגייס לקוחות חדשים ולהביא להגדלת מכירות בחנות יכול להיעזר במודל סל הקניות שמחובר למאגרי מידע דמוגרפיים במטרה לדייק את תמהיל המוצרים ואת ההצעות השיווקיות שהוא יציע ללקוחות אלו. במילים אחרות, הלקוח החדש הוא לא "דף לבן" עבור בית העסק, משום שניתן מראש ליצור עבורו מסעות פרסום מדויקים, שמותאמים להרגלי הצריכה שלו גם אם הוא מעולם לא רכש בחנות.
- חנויות בגדים – הרשתות הגדולות מדוורות ללקוחות סלי מוצרים אפשריים בהתאם לקשרים כלליים בין מוצרים ולאו דווקא בהקשר פרטני להרגלי צריכה של לקוח – לדוגמה דיוור של פריטים בגוון אדום, דיוור של פריטים ממותג מסוים, או דיוור של פריטים מקטגוריה מסוימת (לדוגמה מותגי יוקרה). במקום זאת, הם יכלו לנתח את סל המכירות של כל לקוח ולקוח בהתאם לכמות הפריטים, למותגים ולמחיר ששילם בעד המוצרים ולהציע לו מוצרים משלימים או שתואמים את מאפייני הרכישות הקודמות, בשקלול מאפייני רכישה של לקוחות עם נתונים דמוגרפיים ועם מאפייני רכישה הדומים לשלו.
ניתוח לקוחות זה נעשה באמצעות למידת מכונה, מבוסס כבר על הדאטה הארגונית וניתן להשלמה באמצעות מאגרי מידע חיצוניים, שמתממשקים אל הדשבורד ניתוח הנתונים. קרי המודל. ככל שהמודל יוזן בדאטה מדויק ונכון יותר לצד הגדרת מטרות עסקיות ברורות – כך רמת הדיוק והסיכוי שההמרה מהפרסום אכן תתרחש גבוהים יותר, וכך גם עולה הסיכוי להגדלת מכירות בחנות.
- בתי קפה וחנויות נוחות – מה הסבירות שלקוח שרוכש כוס קפה בקרטון ירכוש גם קרואסון שוקולד? מה הסיכוי שנהג שעצר לתדלוק ירכוש מסטיקים ועץ ריח לרכב? בתי קפה וחנויות נוחות יכולים להיעזר במודל למידת מוכנה כדי לנתח סלי מכירות רווחים של לקוחות מזדמנים ושל לקוחות קבועים וכך להיערך טוב יותר הן בהיבטים לוגיסטיים והן בהיבטים של הצעות שיווקיות מותאמות לצורך הממשי שיביאו להגדלת מכירות בחנות.
- חנות לאביזרי רכב – בעל החנות יכול להיעזר במודל סל הקניות כדי לנתח היכן למקם מוצרים מסוימים שבדרך כלל נרכשים באותו סל מכירות, לדוגמה: נוזל לניקוי שמשות יחד עם מטלית ג'ילדה, אם הוא ימקם את שני המוצרים יחד הוא יעלה את הסיכוי לביצוע הרכישה. כך גם נכון הדבר לגבי מוצרים שלא נרכשים בדרך כלל באותו סל מכירות אבל יש ביניהם קשר עקיף, לדוגמה: אם הלקוח בדרך כלל קונה מטלית ג'ילדה יחד עם מגבים אבל לא נוזל שמשות, המוכר יכול להציע הנחת מחיר על נוזל השמשות, למקם אותם בקרבת מטלית הג'ילדה והמגבים וכך להביא להגדלת מכירות.
סל מכירות באתר אינטרנט
ניתוח רכישות לצורך הגדלת סל מכירות באינטרנט מבוצע גם עם מוצרים ועל שירותים כדוגמת משחקי קונסולה, סדרות, סרטים וסחורה בדגש על חישוב ההסתברות לסיכוי לרכוש מוצר X יחד עם מוצר Y. לדוגמה: אם לקוח של חברה המציעה שירותי "סטרימינג" רוכש סרט ילדים, מה הסיכוי שבאותה הרכישה הוא ירכוש גם קומדיה משפחתית, או אם חברה המשווקת מוצרי קונסולה כמו משחקים לקונסולה מציעה רישיונות למשחקים ברשת מה הסיכוי שהלקוח ירכוש שני מוצרים מקטגוריה זהה או דומה? ניתוח לקוחות נכון ובניית הצעה שיווקית מתאימה, יאפשרו להגיע להגדלת מכירות באינטרנט.
הדבר נכון גם לממכר של סחורות ברשת. למשל רשת קוסמטיקה המפעילה חנות e-commerce יכולה להמליץ ללקוחות באמצעות ניתוח סל המכירות לרכוש בשמים בניחוחות דומים, או בשמים שנרכשו יחד בסלי קניות של לקוחות עם מאפיינים דומים, ולהגדיל את סיכויי המכירה לאותו הסל באמצעות מבצעים והנחות מדויקות ומותאמות יותר, כמו כן היא יכולה ליצור הגדלת מכירות באינטרנט אם היא מזהה קשרים בין מוצרים – למשל כאשר רוב הלקוחות שקנו סבון גוף קנו גם שמפו. ולסיום, כבר כיום אפשר לשים לב שבמסך עגלת הקניות, בסמיכות לכפתור התשלום יש שורה של הצעות לפריטים דומים שלקוחות אחרים רכשו (על פי ניתוח לקוחות שרכשו מוצר X רכשו גם את מוצר Y). מסך זה יכול להיות מוצג גם כ"מסך קופץ".
המלצות אלו נחשבות לאמינות מאוד ומוכחות כאמצעים להגדלת מכירות באינטרנט, כך גם רמת הדיוק גבוהה יותר וגם הסיכוי להמיר את ההצעה לרכישה בפועל גבוה יותר – כאשר ההמלצה מבוססת על שקלול של מאפיינים דמוגרפיים ולא רק על סוג המוצר.
סל מכירות של שירות.
כוחו של מודל ניתוח סל הקניות טוב גם למכירות של שירותים. לדוגמה: שירותי מוסך ושירותים של קוסמטיקאית. ברוב המקרים ה"דאטה" העסקי מצוי אצל בעלי המקצוע, כלומר בעל המוסך יודע שמי שמגיע אליו לטיפול שנתי, יבקש לבצע בדיקות נוספות ברכב כמו החלפת מגבים או תיקון רכיבים, כך גם לגבי הקוסמטיקאית, ייתכן מאוד והקוסמטיקאית מזהה מגמה שלקוחה שמזמינה טיפול מניקור רוכשת באותו המעמד גם טיפול פדיקור רפואי, כלומר הקשר בין הרכישות מבוסס על זהות המוצר, ואין הכרח שבאותו המועד אנשים ירכשו את "השירותים המשלימים",. כיצד בכל זאת אפשר להביא להגדלת סל הרכישות של הלקוח? הנה שתי דוגמאות מעשיות מבוססות על מודל ניתוח סל הקניות של Qlik.
- רכישת שירותי תיקון לרכב – בעל מוסך יכול לזהות שבעלי רכב מסוג מסוים מבקשים בדרך כלל שני שירותים במקביל – לדוגמה: טיפול שנתי וכיוון פרונט אם הוא משקלל את הנתונים עם מאפיינים דמוגרפיים (שמתממשקים אל מודל סל הקניות של Qlik) הוא יכול לזהות שנשים בשנות ה-30 וה-40 מגיעות אליו בסמיכות למועד ביצוע מבחן רישוי לצורך הבדיקה השנתית, בדרך זו הוא יכול להציע להן מוצר משלים – לבצע מבחן רישוי לרכב במחיר מבצע, וכך למעשה הוא מגדיל את סל המכירות מאותן הלקוחות.
- קוסמטיקאית – קוסמטיקאית יכולה לזהות שנשים חולות סוכרת מגיעות אליה לפדיקור רפואי אחת לחודש, אך אם היא תשקלל את הנתונים הדמוגרפים של חולות הסוכרת עם הרגלי הצריכה שלהן היא עשויה לגלות, שאם נשים אלו יגיעו בתחילת השבוע יש סיכוי גבוה שהן ירכשו גם שירותי מניקור (מודל סל הקניות מנתח עבורה את המידע), לכן היא יכולה להציע פדיקור רפואי במחיר מוזל בימי ראשון ושני על סמך התפלגות לקוחות וכך להעלות את הסיכוי שנשים אלו ירכשו במועד הביקור גם שירותי מניקור.
ניתוח הרגלי צריכה לפי מאפיינים נוספים.
הרגלי צריכה מבוססים על כמה וכמה מאפיינים: מגדר, גיל, תקופות או עונות.
ניתוח הרגלי צריכה לפי מגדר
מודל סל הקניות ממליץ המלצות מדויקות יותר ככל שהוא משקלל יותר מידע – כמו מגדר למשל. לדוגמה: נניח וגברים המתגוררים בשכונה מסוימת ברעננה ומשתכרים בגובה של 15,000 ₪, רוכשים חולצה מכופתרת אחת לחודש בחנות מסוימת. כך עולה הסיכוי שלקוח עם פרופיל זהה ירכוש אף הוא חולצה מכופתרת ואף מאותה החנות.
באשר להבדלים בין נשים לגברים, הרי שאם ננתח הרגלי צריכה על פי מגדר נוכל לא רק להתאים את תמהיל המוצרים לצרכן אלא גם להתאים את מבנה ועיצוב המודעה. נשים יקבלו המלצות על מוצרים ממחלקת נשים ואילו גברים יקבלו המלצות על מוצרים ממחלקת גברים, עיצוב המודעה לנשים יבליט איכויות הנוגעות לנשים כמו גוון או החוויה סביב המוצר ואילו עיצוב המודעה לגברים יבליט איכויות שחשובות לגברים כמו מותג, מחיר וכן הלאה.
ניתוח הרגלי צריכה לפי גיל
ניתוח סל מכירות בשקלול מאפייני הגיל עשוי להניב תוצאות מעניינות גם כן, לדוגמה סל מכירות בסופרמרקט של רווק או רווקה בשנות ה-20 או ה-30 לחייהם שונה מאוד מסל קניות של משפחה. רוב הסיכויים שלא היינו מציעים הנחות על תרכובת מזון לתינוקות, חיתולים ומוצרים באריזות משפחתיות לרווקים בשנות ה-20 ואפילו לכל אדם בתחילת שנות ה-20 שלו, בפרט כאשר הסופרמרקט ממוקם באזור שבו לא מתגוררות משפחות צעירות או שלא נהוג למסד את היחסים בגיל צעיר. עם זאת, אם באזור הסופרמרקט מתגוררות בעיקר משפחות לנערים מתבגרים הרי שאפשר להתאים את ההצעות השיווקיות על פי הצורך המשפחתי וכך לעלות גם את הסיכוי להגדלת סל הרכישה בפועל.
ניתוח סל קניות עונתי או תקופתי
עסקים יודעים כיום להיערך לתקופות בהן צפויה עלייה בהיקף המכירות: לדוגמה – לפני חגים, בעונת הקיץ (מסעדות, בתי קפה) בעונת החורף (מזון, ביגוד חם). הם יכולים מבעוד מועד לחזות אילו מוצרים יירכשו על ידי קהל הלקוחות, היכן למקם מוצרים אלו בחנות, ואילו מוצרים למקם בסמיכות זה לזה. הם אף יכולים להגדיל לעשות ולהקים הצעות שיווקיות המורכבות ממוצרים מבוקשים ביותר וממוצרים פחות מבוקשים ולהם קשר עקיף למוצרים המבוקשים. במילים אחרות, הם יכולים לעלות את הסיכויים להגדלת מכירות גם בסמיכות לתקופות בהן יש צפי להגדלת מכירות או לירידה בהיקפן.
הנה דוגמה שממחישה את הנושא: מותג בגדי ים נהנה מעלייה בביקוש לקראת האביב ובתקופת הקיץ, עם זאת בתקופת החורף אין ביקוש לבגדי ים. כיצד הוא יכול להגדיל את המכירות גם בתקופות הפעילות פחות? באמצעות דאטה. נניח והדאטה הארגוני מתממשק אל מסד נתונים של מנויי קאנטרי קלאב או בריכות שחייה מקורות, האם ניתן לפרסם מודעות ישירות למי שלובש בגד ים לאורך כל השנה ולהציע לו הנחות משתלמות? איזה מוצר משלים אפשר להציע ללקוח או ללקוחה בחורף במטרה להגדיל את סל המכירות? אולי חלוק רחצה, אולי נעלי בית מבד. המידע הנוסף מאפשר להגיע להחלטות עסקיות מוצלחות יותר.
מודל ניתוח סל הקנייה של Qlik נועד לסייע לכל לקוח שהטמיע את פלטפורמת Qlik Sense להגדיל את היקף המכירות על פי דפוסי קנייה והסקת מסקנות. לדוגמה: אם לקוח רכש פריט מסוים, מה תהיה הסבירות שהוא ירכוש פריט אחר באותה הקנייה. (וזאת בהתאם לממדי ניתוח נוספים כמו מאפיינים דמוגרפים ועוד. באמצעות המודל ניתן לחשוף את הקשרים בין פריטים שונים, למשל אם לקוח רכש פריט ממותג מסוים, מה הסיכוי שהוא ירכוש פריט משלים? ואם כן למה שלא נעזור לו לבצע את הרכישה ולהציע לו הנחה מותאמת? המודל מזהה את הצורך ובונה פרופיל המלצות למחלקת השיווק במטרה לייעל את מסעות הפרסום.
היתרונות של המודל החדש מאפשרים לראות את ההקשרים בין פריטים רבים מבלי "להעמיס" על העין, הנתונים מוצגים באמצעות מפה, והקלקה על נקודה במפה מובילה למידע המקושר אליה בבסיס הנתונים, לדוגמה: פרטי המוצר, מי רכש את המוצר, מתי המוצר נרכש ובאיזה סניף, מה המחיר הממוצע למוצר וכן הלאה. בדרך זו ניתן לקדם את הניתוח ואת תהליך החקירה, לקבל רמזים מרכזיים ואף לקדם תהליכי מכירה. בנוסף לכך ניתן באמצעות המודל ליצור רשימת שיווק מונחת מראש המועברת לספריית רשת או למסע שיווקי ומדוורת ללקוחות בהתאמה פרטנית בהתאם למאפייני הצריכה שלהם. לבסוף מודל לניתוח סל קניות משמש כמנגנון שמקצר תהליכים ומייעל את התקציב.
כותב המאמר אופיר ויינרמן, מנהל אנליטיקה עסקית ב Qlik Israrel
לקבלת פרטים נוספים על המודל, צרו קשר.
