Размещено на http://www.allbest.ru/

Исследование потребительских предпочтений при выборе вина и сыра: анализ рыночной корзины

Аннотация

потребительский алгоритм ассоциативный

В данном исследовании проводился поиск ассоциативных правил (поиск наиболее частых сочетаний) характеристик вина и сыра для розничной сети «Семья», функционирующей на территории Пермского края, в период 2014-2015 гг. Это является важным для ритейлера, поскольку позволяет узнать больше о предпочтениях клиентов. Исследования в области сочетания вина и сыра были осуществлены только с точки зрения вкусовой составляющей. Данное исследование затрагивает потребительское поведение, исходя из их корзины покупок в магазине. Для поиска сочетаний был выбран анализ рыночной корзины, а именно применение метода ассоциативных правил (Априори-алгоритм). На основании полученных результатов были получены выводы о том, что твердый сыр является универсальным для вин, плавленый сыр потребители покупают совместно с красным сухим вином, брынза и рассольные сыры клиенты розничной сети покупают как к красному (сухому и полусладкому), так и к белому. Данная информация поможет маркетологам розничной сети применить совместное ценообразование, кросс-продажи и повысить эффективность мерчендайзинга.

Введение

потребительский алгоритм ассоциативный

1.1 Спрос на группу товаров

Потребители делают мультикатегориальный выбор (то есть выбор нескольких товаров одновременно) в различных ситуациях: поездки за продуктами, онлайн покупки, выбор финансового портфеля и т.д. Общее в данных ситуациях то, что выбранные элементы (товары) могут быть связаны между собой каким-либо образом, например, пара обуви может быть заказана в сочетании с определенным платьем. В контексте розничной торговли (ритейла) этот мультикатегориальный выбор приводит к формированию так называемых потребительских корзин покупок, которые включают в себя набор товаров, которые клиенты покупают в конкретный поход в магазин. Ритейлеры заинтересованы в понимании состава корзины покупок, а именно, какие товары потребители покупают совместно. Эксперты в области теории отраслевых рынков отмечают, что определение «замещающих» и «дополняющих» товаров имеет важное значение для понимания того, как формируются эти корзины покупок (Terbreek 1993). Помимо ориентации на разные категории (мультикатегориального выбора), маркетологи также заинтересованы в реализации маркетинговых кампаний на уровне отдельных домохозяйств (Росси и др., 1996). Данная информация позволит разделить группы товаров на более мелкие подгруппы, например, молочные продукты и товары для дома могут анализироваться маркетологами как отдельные подгруппы.

Исследования в области моделирования совместного мультикатегориального потребления можно разделить на три группы. Первая группа исследований рассматривает интересующую проблему по разным отдельным категориям товаров. В одной из самых ранних статей (Fader and Lodish, 1990), показано, что определенные потребительские характеристики такие как портрет отдельного домохозяйства и частота покупок, как правило, объясняют ценообразование и рекламные кампании в ритейле на уровне категорий, т.е. маркетинговые действия направлены на продвижение товаров, часто покупаемых отдельными категориями потребителей (домохозяйств). Позднее Нарасиман и др. (1996) показали, что изменение рекламной стратегии для товара зависит от структуры товарной категории и потребительских характеристик. Хоть и эта группа исследований распространяется на разные категории товаров, но авторы игнорирует взаимосвязь товаров из разных категорий, которые выбирают клиенты для совместного потребления.

Вторая группа исследований рассматривает, как переменные, представляющие интерес (например, выбор точки продаж), влияют на мультикатегориальный выбор потребителя. Например, Белл и Латтин (1998) исследуют, как выбор потребителем точки продаж зависит от ценовой стратегии перекрестных продаж магазина. Хотя они специально не моделируют зависимость между категориями, они определяют мультикатегориальную составляющую за счет использования составной переменной (общая сумма, потраченная на поход по магазинам). Кроме того, Бодапати (1996) рассматривает влияние совместной рекламы на несколько товаров на выбор потребителя. Стоит отметить, что результаты исследований указывают на существование некоторой взаимозависимости категорий товаров, которая влияет на выбор потребителя.

Третья группа исследований явно учитывает зависимость между товарами, потребляемыми клиентом. Например, Мюлхерн и Лионе (1991) моделируют продажи в магазинах с использованием регрессионных методов и показывают, что на продажи брендов одной категории влияет ценообразование и продвижение брендов в заранее определенной «дополняющей» категории. Чинтагунта и Хаклар (1998) исследуют как цена одного товара по заранее заданным парам категорий влияет на спрос другого товара из пары. Авторы рассматривали в качестве пары товаров макароны и соус. Выяснилось, что снижение цены на макароны стимулирует спрос на оба товара. Манчанда и Гупта (1997) изучают частоту покупок и выбор бренда для пар категорий, создавая альтернативные составные корзины. Другие исследователи (Manchanda, Ansari, Gupta, 1999) также явно учитывают зависимость между товарами при покупке, беря во внимание совпадение (т.е. совместная покупка товаров, не зависящая характеристик клиента или комплементарности товаров) и неоднородность потребителей. Во-первых, они учитывают дополняемость покупки или перекрестные продажи, то есть две категории товаров могут быть взаимодополняемыми. В такой ситуации авторы утверждают, что маркетинговая деятельность (скидка или продвижение) в одной категории повлияет на покупку в другой категории. Во-вторых, авторы учитывают, что совместный выбор товаров может быть произведен случайно или на это влияет неоднородность потребителей, т.е. отдельные характеристики клиента влияют на его поведение. Совокупность этих фактов приводит к совместным мультикатегориальным покупкам.

Более современная работа в продолжении третьей группы исследований (George, Kumar, Grewal, 2013) учитывает, как мультикатегориальная реклама в каталогах влияет на спрос другого товара. Авторы выяснили, что такая реклама увеличивает показатель жизни клиента (customer lifetime value - CLV). Другими словами, учет совместной покупки товаров увеличивает лояльность клиентов, а, как следствие, увеличивает прибыль ритейла.

Кроме того, существует множество практических примеров, которые подтверждают модель совместного спроса. Например, на платформе Amazon.com есть площадка, где любой может выставить на продажу различные предметы (книги, электронику, инструменты и оборудование, кухонную и домашнюю утварь и др.). Там часто можно найти дополнительные товары (например, мониторы и клавиатуры, необходимые для полной комплектации ПК). В розничных магазинах некоторые продукты почти всегда продаются и потребляются совместно и в определенной пропорции (Wang, 2004).

Говоря про сочетание таких товаров как вино и сыр, выбор данных товаров можно считать мультикатегориальным, потому что они являются товарами разных категорий и зачастую потребляются совместно. Данное сочетание может быть достаточно распространено из-за вкусовой сочетаемости, а также вследствие устоявшихся традиций.

1.2 Вкусовые сочетания: мнения экспертов и потребителей

Рекомендации экспертов о наиболее подходящих вкусовых сочетаниях продуктов питания и напитков могут иметь большое значение для успешной работы компаний как в сфере розничной торговли, так и в ресторанном бизнесе. Данные сочетания могут быть использованы компаниями для увеличения эффективности имеющегося мерчендайзинга (расставления продуктов на полках магазинов), проведения различных промоакций с несколькими товарами (например, комбо-обед), а также для применения кросс-продаж и совместного ценообразования. Это, в конечном счете, может способствовать увеличению выручки ритейлера или ресторанной сети. Правильные сочетания еды и напитков часто определяются кулинарными профессионалами или сомелье, однако в литературе мало внимания уделяется восприятию таких сочетаний потребителем, а именно, каким образом сочетания напитков и продуктов питания влияют на спрос данных товаров (Paulsen, Rognsе, Hersleth, 2015).

Культура потребления вина состоит в том, чтобы сочетать данный напиток с соответствующими продуктами питания. Данное утверждение подтверждается исследованием Петтигрю и Чартерс (2006), в котором было проведено 105 глубинных интервью с респондентами из разных регионов Австралии. Исследователи выяснили, что респонденты сочетают вино с другими продуктами питания по двум причинам. Во-первых, вино в сочетании с едой во время мероприятий (например, званый ужин) создают соответствующую атмосферу, что известно также как ситуативное сопровождение еды. Кроме того, опрошенные считали важным то, что вкус вина должен соответствовать вкусу пищи и усиливать вкус еды, с которой оно потребляется.

Однако, более поздняя статья (Lahne, 2018) заключает, что у потребителей нет конкретного правила сочетания вина и продуктов: потребители выбирают по интенсивности вкуса вина и блюд (ярко выраженный вкус напитка или блюда, например, терпкость, сладость, острота и т.д.), учитывая важность события. Обычно интенсивность вина должна быть менее выражена, чем у пищи. Напротив, вина со слабо выраженным вкусом лучше подавать к пище, обладающей доминирующим вкусом. Кроме того, автор работы (Jackson, 2017) выяснил, что более дорогое вино потребители чаще выбирают на значимые мероприятия и праздничные случаи.

Говоря о сочетаемости вин с разными продуктами, существует подтвержденное исследованиями (например, (Jackson, 2017)) мнение экспертов, что красные вина лучше сочетаются с «красными» продуктами питания (например, мясо, красная рыба, красные соусы и т.д.), в то время как белые вина лучше сочетаются с «белыми» продуктами (например, белая рыба, сыр, белые соусы и т.д.). Это объясняется так называемой «мягкостью» вкуса одного продукта и «интенсивностью» другого. В статье Ронка (2003) также было выявлено, что употребление красного вина с «красными» продуктами относительно полезно для здоровья. Это объясняется химическим составом вина и продуктов. Девять экспертов в винной области выбрали сочетания блюд и вина, а в дальнейшем эксперты пищевой и химической промышленности обнаружили, что фенолы, содержащиеся в красном вине, благоприятно влияют на переваривание белка продуктов питания.

Исследование вина в комбинации с сыром является наиболее часто встречающимся в литературе. Вино и сыр является естественным сочетанием, обеспечивающим безопасный источник белка, употребляемым вместе с алкогольным напитком (King, Cliff, 2005). Другой вывод, к которому пришли авторы статьи (King, Cliff, 2005), - вино и сыр - это два продукта, полученные процессом ферментации. Поскольку ферментация была одной из самых ранних форм сохранения продуктов, то, возможно, поэтому вино и сыр долгое время употреблялись вместе.

Отметим, что Кинг и Клифф (2005) рассматривали сочетания вина и сыра, используя подход «идеальной пары». Участникам было предложено определить комбинации вина и сыра на основе биполярной линейной шкалы (12 единиц). Для данной шкалы 1 является крайней точкой доминирования (т.е. по интенсивности вкуса сыр перебивал вкус вина) сыра, а 12 - крайней точкой доминирования вина. Отметка 6 (средняя точка шкалы) является точкой идеального сочетания вина и сыра, т.е. «идеальной парой», определяемой как та комбинация вина и сыра, где не доминировали (т.е. по вкусу не выделялись) ни вино, ни сыр. В комбинациях сыра и вина использовались 9 канадских сыров и 18 канадских вин 6 белых, 6 красных и 6 специальных видов (например, поздний урожай, ледяное вино и т.д.).. Сыры были выбраны таким образом, чтобы объять широкий спектр сыров, которые доступны на канадском рынке Твердые сыры, сыры с плесенью и мягкие козьи сыры.. Вина были отобраны экспертами, исходя из их знаний о характеристиках и качестве вин. В качестве экспертов выступили 8 рестораторов и 19 работников винодельческой отрасли, имеющих большой опыт подбора вина и еды. 27 профессионалов в области вина и продуктов питания оценили пары вина и сыра с использованием биполярной линейной шкалы. Пары вина и сыра были назначены с использованием частично сбалансированного блочного дизайна. В этой схеме каждая пара сыра и вина встречалась в каждой позиции дегустации (первая, вторая, третья) одинаковое количество раз. Вина были разделены на три блока по шесть белых, красных и специальных вин соответственно. Белые и красные вина были опробованы в случайном порядке, в то время как для специальных вин был назначен первый порядок игристых вин, а для ледяных - последний. Считалось, что это необходимо, потому что ледяные вина очень сладкие и насыщенные с потенциалом сильного эффекта переноса, который может помешать судьям оценить другие пары сыра и вина. Каждый эксперт попробовал три сыра с шестью винами. Сыры систематически соединялись с винами, так что после трех блоков вина судья попробовал все девять сыров, и каждый сыр оценивался девять раз с каждым вином. Перед тем, как перейти к следующему сыру, судьям было предложено оценить пригодность сочетания для каждого сыра со всеми винами в блоке. Результаты исследования показали, что белые вина ближе к идеалу, чем красные и специальные. Также, выводы показали, что белые вина являются более универсальными при сочетании с различными сырами.

Нигрен и др. (2002) рассмотрели влияние сыров с голубой плесенью на восприятие вкуса белого вина. Эксперты в винной области оценивали интенсивность вкуса белого вина по шкале от 1 до 6 (6 - наиболее сильно выраженный вкус, 1 - наименее выраженный вкус) до и после дегустации сыра с плесенью. В исследовании было обнаружено, что сыры с плесенью оказывают существенное влияние на ароматические свойства вина. В частности, большинство атрибутов (характеристик) аромата белого вина снизилось после дегустации сыра с плесенью (то есть цитрусовый, яблочный вкус, а также кислинка), тогда как другие остались неизменными (пряный, горький и сладкий вкус).

Другие исследователи (Harrington, Hammond, 2005) проверили взаимосвязь между характеристиками шести вин Рислинг (белое сухое), Совиньон Блан (белое полусухое), Шардоне (белое сухое), Пино Нуар (красное сухое), Мерло (красное сухое) и Каберне (красное сухое) и характеристиками четырех сыров (мягких, твердый и голубых с плесенью). В исследовании принимали участие 13 экспертов, по оценкам которых Пино Нуар (красное сухое) является наиболее подходящим красным вином при сочетании с различными сырами, а Рислинг (белое сухое) - наиболее подходящим белым вином для сочетания с разными сырами. В свою очередь, твердый сыр был самым универсальным при сочетании с винами.

Мадригал-Галан и Хейман (2006) рассматривали, как употребление различных видов сыры повлияло на восприятие вкуса красного вина. В ходе исследования группа из 11 экспертов оценила вкус восьми вин четырех разных сортов до и после дегустации сыра Рассматривались красные вина Каберне Совиньон (красное сухое вино), Мерло (красное сухое вино), Пино Нуар (красное сухое вино) и Шираз (красное сухое вино) и следующие сыры: мягкие сорта (моцарелла), средней твердости (чеддер), твердый и с плесенью (горгонзола). . Авторы обнаружили, что сыр оказывал значительное влияние на восприятие вкуса красного вина. Некоторые характеристики, такие как терпкость, значительно снизились, когда вино оценивалось после дегустации сыра. Также, было обнаружено, что не было значимого эффекта взаимодействия конкретного вина с сыром. Другими словами, эффект конкретного сыра эквивалентен для всех вин. Несмотря на значимые эффекты влияния сыра на восприятие вкуса вина, общие характеристики вин без предварительной дегустации сыра и воздействия сыра были очень похожими.

В статьях о вкусовой сочетаемости вина и сыра, описанных выше, в основном, используются методы, которые оценивают только один конкретный момент дегустации вина и сыра, давая статическую оценку сочетания этих двух продуктов. Это позволяет оценить сочетаемость вина и сыра только при одновременном употреблении продуктов. Но некоторые авторы (например, Galmarini et al., 2018) утверждают, что восприятие - это динамическое явление, на которое влияет, например, послевкусие. Для более глубокого понимания того, что на самом деле воспринимают потребители, требуется более сложная методология, которая учитывает послевкусие продуктов. Гальмарини и др. (2018) для оценки сочетаемости вина и сыра используют метод временного доминирования ощущений (Temporal Dominance of Sensation, TDS). Он заключается в представлении дегустаторам списка атрибутов, из которых они могут выбрать тот, который они считают доминирующим, то есть обладающим более ярким вкусом, в данный конкретный момент времени. Использование этого метода позволяет выяснить, как доминирующие ощущения, воспринимаемые во время потребления вина и сыра, изменяются с точки зрения продолжительности времени после употребления продуктов. Используя метод временного доминирования ощущений для дегустаторов, авторы обнаружили, что белое вино лучше сочетается с исследуемыми сырами (сливочный, мягкий, рассыпчатый; мягкий кремовый; твердый зернистый), чем красное вино. Терпкое и кислое вино плохо сочетается с исследуемыми сырами.

Описанные выше статьи, посвященные вкусовым сочетаниям вина и сыра, представляют собой исследования, изучающие процесс дегустации пар вино-сыр, которые осуществляли эксперты в области вина. Однако, Бастиан и др. (2010) в продолжение предыдущих работ по вкусовой сочетаемость вина и сыра рассмотрели уровень согласия потребителей вина и сыра с предлагаемыми сочетаниями «идеальных пар», выбранных экспертами, так как мнение потребителей определяет покупку вин тех или иных производителей. Под уровнем согласия понимается то, как отреагировали потребители вина на выбранные экспертами «идеальные пары» «Идеальной парой» в литературе называют сочетание вина и сыра, которые по биполярной шкале (12 см) набирают 6, то есть ни вино и сыр в сочетании не доминируют. вина и сыра. Исследователями были отобраны 10 австралийских вин Шираз в достаточно широком ценовом диапазоне (от 13 до 46 австралийских долларов), которые доступны на австралийском рынке. Вина были куплены у небольших семейных и крупных международных винодельческих предприятий. Экспертная группа для данного исследования состояла из 12 мужчин и 10 женщин, занятых в винодельческой промышленности, включая виноделов, розничных продавцов и т.д. В качестве потребителей были выбраны работники и студенты университета Аделаиды (54 человека). Они участвовали в эксперименте по собственному желанию и не получали никакого денежного вознаграждения, но получали вино, сыр и шоколад (последний продукт был лишь в качестве вознаграждения и не входил в исследование). Потребители отдавали предпочтения как винам, так и парам вина и сыра, а также, указывали, доминировали ли вино и сыр в каждой паре. Группа судей оценила свойства вина до и после употребления сыра. Выяснилось, что потребление сыра Чеддер (твердый сыр) перед дегустацией вина оказывало одинаковое воздействие на все вина. Также, исследователи выяснили, что все вина доминировали над вкусом сыра. Две из трех пар вино-сыр имели наивысшие оценки со стороны экспертов винной отрасли. Напротив, две наименее понравившиеся потребителям пары вино-сыр включали в себя вина, которые имели невысокие оценки экспертов. Таким образом, в целом, потребители были согласны с выбором экспертов в этой области.

Также, в более ранней работе Бастиан и др. (2009) изучали «идеальные» сочетания вина и сыра. Однако, в данном исследовании авторы изучали сочетания разных вин и сыров. Данное исследование также предполагало, что потребители оценивают комбинации вина и сыра, предложенные экспертами в винной отрасли. 46 потребителей вина и сыра оценили «идеальные» сочетания восьми различных сыров и вин, используя биполярную линейную шкалу. Оказалось, что красное столовое вино было немного более универсальным, чем белое столовое. Чеддер (твердый сыр) и Грюйер (твердый сыр) были самыми универсальными сырами, в то время как сыры с белой и голубой плесенью доминировали над винами. При всех этих выводах, потребители почти во всем были согласны с мнениями экспертов.

Харрингтон и др. (2010), в отличие от исследования Бастиан и др. (2009), при поиске «идеальной пары» вина по биполярной шкале (12 см) разграничивал сочетание на уровне интенсивности вкуса и на уровне отдельного индивида, т.е. учитывались и личные предпочтения людей. Используя биполярную шкалу, участники этого исследования оценивали шесть вин и пять сыров (всего шесть пар вина и сыра). Во время дегустации использовались последовательные и смешанные методы дегустации. Для обоих методов дегустации вина и сыра участникам было предложено откусить небольшой кусочек сыра, а затем сделать глоток вина. После этого участники эксперимента должны были поставить оценку по шкале, указывающей, доминирует ли сыр в этой комбинации вина и сыра, создает ли идеальное соответствие или доминирует ли вино в интенсивности вкуса. Таким образом, идеальные пары вин и сыров следующие: игристые вина и сыр фета, Шардоне (белое вино) и fleur de lis (сыр из пастеризованных сливок), Пино-нуар (красное сухое вино) и полумягкий сыр (thmasville tome), Osoyoos Larose Le Grand Vin (красное сухое вино) и Montebello (итальянский сыр), Vidal Icewine (белое сладкое вино) и люмьер (мягкий выдержанный козий сыр с плесенью), Riesling Icewine (белое сладкое вино) и люмьер (мягкий выдержанный козий сыр с плесенью). В данной статье потребители также были согласны с выводами экспертов винной области.

Таким образом, на основе проанализированной литературы можно сделать вывод о том, что твердый сыр - самый универсальный сыр при сочетании с вином, чем сыры с плесенью и мягкие сыры. Однако, нельзя сделать однозначный вывод об универсальном вине. Одни авторы делают вывод о том, что наиболее универсальные красные вина (Bastian, 2009), другие - что белые (Harrington, Hammond, 2010). Возможно, это может быть связано с различной культурой употребления вина в странах, где проводились исследования (Австралия и Канада). Также, авторами были выделены «идеальные пары» вин и сыров: красное сухое вино и полумягкий сыр, белое сладкое вино и сыр с плесенью, белое сладкое вино и сыр с плесенью. Более того, потребители вина также согласны с таким выбором «идеальных сочетаний».

1.3 Анализ рыночной корзины

В статьях, посвященных вкусовой сочетаемости вина и сыра, оценивается сочетание продуктов посредством дегустаций. Мнение потребителей об идеальных сочетаниях вина и сыра хоть и оценивается, но нельзя с точность утверждать, что только вкусовая сочетаемость влияет на реальный выбор потребителей в магазинах. Реальное поведение потребителей можно оценить по информации о покупках клиентов.

С быстрым развитием информационных технологий, возможность сбора данных быстро увеличивается. Информационные технологии влияют на все общество, затрагивая каждый аспект жизни. В международном бизнесе применение методов интеллектуального анализа данных быстро изменили способ ведения бизнеса. Во-первых, компании внедрили интеллектуальный анализ данных, чтобы преобразовать традиционную CRM-систему (Customer Relationship Management) в аналитическую, чтобы автоматически взаимодействовать со своими клиентами через сегментацию для маркетинговых кампаний и удержания клиента. Затем, в последние годы, компании начали использовать интеллектуальный анализ данных для анализа больших объемов данных, так что аналитические возможности переместились от одной или отдельной базы данных в корпоративную. Интеллектуальный анализ данных - процесс выявления закономерностей и поиска аномалий и взаимосвязей в больших наборах данных, которые можно использовать для прогнозирования будущих тенденций.

Как правило, интеллектуальный анализ данных можно разделить на следующие этапы:

1) Определение проблемы (определение масштаба проблемы бизнеса и целей проекта исследования данных);

2) Изучение данных (исследование и сбор данных, которые помогут решить заявленную бизнесом проблему);

3) Подготовка данных (очистка и систематизация собранных данных для подготовки к дальнейшим процедурам моделирования);

4) Моделирование (создание модели с использованием методов интеллектуального анализа данных, которые помогут решить указанную проблему);

5) Интерпретация и оценка результатов (сделать выводы из модели данных и оценить ее достоверность).

Анализ рыночной корзины (Market Basket Analysis, MBA) является одним из разделов интеллектуального анализа данных и представляет собой метод выявления моделей потребительского поведения путем излечения совпадений или ассоциативных правил Ассоциативное правило - комбинация двух или более товаров, которая наиболее часто встречается в базе данных транзакций. из транзакционных баз данных магазина (Brijs et al., 2000). Задача разработки правил ассоциаций состоит из двух этапов: обнаружение частых наборов товаров в базе данных и последующее извлечение интересных правил из этих частых наборов (Ahn, 2012).

Алгоритм ассоциативных правил изначально разрабатывался для очень разных типов данных, то есть транзакционных данных из сектора розничной торговли для анализа рыночной корзины (Agrawal, 1993). Самый распространенный алгоритм Ариори (Apriori) используется во многих исследовательских работах. Алгоритм Априори основан на следующей идее: «любое подмножество частого набора элементов должно быть частым» (Hemalatha, 2012). Подход ассоциативных правил в основном остался прежним со времен его первоначального представления. Однако, были проведены значительные исследования для ускорения процесса поиска ассоциативных правил для очень больших баз данных. Например, были разработаны другие алгоритмы поиска ассоциативных правил, которые помогали намного быстрее рассчитывать нужные показатели для поиска частых наборов элементов в базе данных транзакций. Наиболее распространенные алгоритмы: ECLAT (Equivalence CLAss Transformation) (Zaki et al., 1997), FP-Growth Algorithm и другие.

Ассоциативные правила впервые были предложены Агравал и др. (1993) из IBM Almaden Research с целью поиска интересных взаимосвязанных или релевантных сочетаний товаров в больших массивах данных. Пей и Хан (2004) отмечают, что правила ассоциации - это интересные взаимосвязанные отношения между различными товарами, которые были куплены в одно и то же время и были записаны базе данных транзакций. Ассоциативные правила могут также использоваться для профилирования клиентов, сегментации клиентов и целевого маркетинга (обращение к целевым клиентам и объединение ассоциативных правил влечет за собой обязательные продажи для сопутствующих товаров) (Liu, Su, Zhang, 2007).

Возможно, наиболее известным примером ассоциативных правил является связь между пивом и подгузниками (т.е. частые совместные покупки этих товаров), обнаруженная в работах Тсур и др. (1998). Авторами было проведено исследование на данных 25 магазинов ритейла “Orso Drug” (формат магазинов у дома), было проанализировано 1,2 миллиона транзакций. Исследователи выявили, что самым сильным правилом оказалось «Между 17:00 и 19:00 чаще всего пиво и подгузники покупают вместе». Авторы объясняют это тем, что отцы детей, идя в магазин, покупают подгузники для своих детей и одновременно покупают и пиво для своего времяпрепровождения. Несмотря на нетривиальность и объяснимость правила, владельцы торговой сети отказались класть данные продукты рядом на полки. Возможно, это могло бы увеличить прибыль компании, потому что чеков с таким сочетанием продуктов было достаточно много.

Кроме того, помимо ритейла, ассоциативные правила также применяются в ресторанной отрасли. В данном случае, ассоциативные правила выявляют, какие блюда чаще всего заказывают вместе (например, салат и гарнир) (Berry, Linoff, 2004). Для ресторанной отрасли, заказ представляет собой одну покупку покупателя. Здесь можно провести аналогию с транзакцией в супермаркете.

Наиболее часто анализ рыночной корзины применяется ритейлерами в маркетинге для продвижения товаров. Анализ рыночной корзины применяется для эффективных перекрестных продаж, анализа поведения клиентов и эффективного управления взаимоотношениями с ними (Tang, Chen, Hu, 2008; Haughton, 2014). Полученная информация о сочетаниях товаров также может применяться, например, для разработки дизайна каталога (исходя из сочетания продуктов), размещении товаров (совместное расположение сочетающихся товаров в торговом зале), продвижении и перекрестные продажи. В свою очередь, эффективные маркетинговые мероприятия увеличивают лояльность клиентов и, соответственно, увеличивают выручку компании (Auslender, 2008; Berry, Linoff, 2004).

Поскольку сегодня практически все розничные продавцы среднего и крупного бизнеса обладают системами электронных продаж (транзакций), ритейлеры понимают, что конкурентное преимущество больше не будет достигнуто простым использованием этих систем в целях управления запасами или облегчения проверки клиентов. Напротив, конкурентное преимущество получат те ритейлеры, которые могут извлекать знания, скрытые в данных, генерируемых этими системами, и использовать их для оптимизации своих маркетинговых решений. В этом контексте знание о том, как клиенты ведут себя при покупке тех или иных товаров (какие товары покупают совместно), имеет решающее значение, и те ритейлеры, которым наиболее удастся извлечь полезные знания из этих данных, получат конкурентные преимущества.

2. Постановка исследовательского вопроса

Исходя из обзора литературы, можно сказать, что сочетания вина и сыра достаточно широко обсуждается в литературе. Эти товары являются подходящими с точки зрения вкусовой сочетаемости. В статьях, посвященных данной теме, сыр - наиболее распространенная пара к вину. Кроме того, исходя из этого, можно предположить, что вино и сыр являются товарами-комплементами. Товарами-комплементами в контексте данной работы будут пары вина и сыра, которые были куплены вместе в течение изучаемого периода. Если такие подберутся, то ритейлеру необходимо пользоваться стратегиями совместного ценообразования и мерчендайзинга для более эффективной деятельности компании (увеличение продаж, прибыли, увеличение количества лояльных клиентов).

В данной работе исследуются потребительские предпочтения при выборе (сочетании) вина и сыра на примере розничной сети «Семья». Сеть магазинов "Семья" является одной из лидирующих розничных сетей в Пермском крае. На сегодняшний день в состав "Семьи" входят 76 магазинов в Перми, и в городах Пермского края: Березниках, Добрянке, Чусовом, Кунгуре, Лысьве, Краснокамске, Чернушке, Соликамске. Одним из интересных, с точки зрения потребительского спроса, товаров является вино. На этот товар розничная сеть обращает особое внимание (акции, фестивали вина, специально оформленная витрина для вина и др.). Такое внимание к данному товару может существовать по двум причинам: либо вино достаточно часто покупают, и для еще большего увеличения лояльности клиентов к бренду торговая сеть разрабатывает различные маркетинговые кампании, либо, наоборот, вино является не самым продаваемым товаров, но достаточно перспективным с точки зрения прибыли, поэтому торговая сеть привлекает потенциальных клиентов для покупки данного товара. Также, известно, что алкогольные напитки, а, в частности, вино употребляют в сочетании с различными продуктами. Наиболее распространенной парой к вину является сыр (King, Cliff, 2005). Поэтому сочетание именно этих продуктов будет рассмотрено в данной работе. Кроме того, важно не просто сочетание названий вина и сыра, а сочетание их атрибутов (характеристик). Это важно, потому что зачастую, приходя в магазин, клиенты не выбирают конкретного производителя вина или сыра, а обращают внимание на характеристики. А затем, из необходимой группы товаров (например, сухое вино) выбирают подходящее для себя.

Таким образом, исследовательский вопрос данной работы заключается в следующем: какие атрибуты вина и сыра пользуются наибольшим спросом у покупателей.

Исходя из проанализированной литературы можно выделить следующие гипотезы.Во-первых, твердый сыр является более универсальным при сочетании с вином. Во-вторых, «идеальные пары»: красное сухое вино и полумягкий сыр, белое сладкое вино и сыр с плесенью, белое сладкое вино и сыр с плесенью.

3. Методология исследования

3.1 Структура исследования

Поиск частых сочетаний вина и сыра в данной работе можно разделить на три основных шага. На первом шаге, производится первичная обработка данных для приведения их к нужной структуре. На втором шаге, поиск наиболее частых пар вина и сыра производится посредством фильтров в Excel, то есть осуществляется поиск «наивных» или «базовых» правил. На третьем шаге, частые пары вина и сыра находятся с помощью анализа рыночной корзины, который в свою очередь осуществляется посредством поиска ассоциативных правил. Рассмотрим каждый их них более подробно.

На первом шаге необходимо привести базу данных транзакций к следующему виду. Единицей наблюдения должна является транзакция, а в качестве переменных выступают товары, которые были куплены/не куплены в данной транзакции.

На втором шаге на основе полученных данных необходимо найти сочетания вина и сыра, которые наиболее часто встречаются в базе данных транзакций. Это является начальным этапом поиска сочетаний. Для этого осуществляется попарный перебор пар вина и сыра и считается доля таких сочетаний от всех транзакций. Для начала таблица с правилами должна быть отсортирована по уверенности (“confidence”). Данный показатель характеризуется уровень частоты работы данного правила для всего массива данных. Затем, должны быть оставлены только правила, в которых есть только два элемента в наборе. Далее, необходимо отобрать только те правила, в левой части которых стоит характеристика вина, а в правой - сыра. И, также, нужно проконтролировать, чтобы “lift” (зависимость) правил был больше 1, чтобы совместное появление этих товаров было эффективнее, чем одиночное. Зависимость показывает, насколько наборы элементов зависят друг от друга Однако, данный способ является ограниченным, так как может быть не значимым для всего массива данных.

Более продвинутый способ поиска наиболее частых комбинаций вина и сыра является анализ рыночной корзины (третий шаг). Анализ осуществляется методами машинного обучения, в частности, методом «обучения без учителя», поиском ассоциативных правил. В случае «обучения без учителя» (“Unsupervised Learning”) есть набор из N наблюдений (x₁, x₂,…,x_n) случайного вектора X, плотность которого Pr(X). Цель «обучения без учителя» состоит в том, чтобы непосредственно вывести свойства этой вероятности без помощи «учителя», представляющего собой истинные наблюдения и степень ошибки для каждого наблюдения.

В более общем виде обучение с помощью ассоциативных правил можно описать как «Кто купил x, также купил и y». Цель данного анализа - найти совместные значения переменных X = (X₁,X₂,...,X_p), которые наиболее часто встречаются в массиве данных (то есть наиболее часто встречающиеся атрибуты вина и сыра). Наиболее часто данный анализ применяется для бинарных переменных X_j ? {0,1} либо X_j ? {True, False}, где это называется «анализом рыночной корзины». В контексте данного подхода наблюдения представляют собой транзакции. Для i-го наблюдения каждой переменной X_j назначается одно из двух значений: x_ij = 1 (True), если j-й предмет был приобретен как часть транзакции, тогда как x_ij = 0 (False), если он не был приобретен. Соответственно, те переменные, которые часто имеют общие значения, равные 1, представляют собой товары, которые покупаются вместе.

3.2 Формальная модель поиска ассоциативных правил

Пусть - набор бинарных атрибутов, называемых элементами. Пусть является базой данных транзакций.

В более общем виде основная цель правил ассоциаций состоит в том, чтобы найти набор значений X v₁, v₂,…,v_L для вектора признаков X так, чтобы плотность вероятности Pr(v_l), оцененная для каждого из этих значений, была относительной большой. Задача, сформулированная в таком общем виде, является крайне сложной. Естественной оценкой для каждого Pr(v_l) является доля наблюдений, для которой X = v_l. Для задач, которые используют большое количество переменных, каждая из которых может принимать большое количество значений, количество наблюдений, для которых X = v_l, почти всегда будет слишком малым, чтобы получить надежные результаты. Чтобы получить поддающуюся решению задачу, цели анализа и общность данных, к которым они применяются, должны быть значительно упрощены.

Первое упрощение изменяет цель. Однако, оно не используется на практике, оно приводит далее ко второму упрощению. Вместо поиска значений x, где Pr(x) велико, ищутся области X-пространства с высокой вероятностью относительно их размера или поддержки (“support”). Поддержка - это показатель частотности появления набора элементов во всей выборке. Пусть S_j представляет собой множество всех возможных значений j-ой переменной (ее поддержка (“support”)), и пусть s_j ? S_j - подмножество этих значений. Модифицированная цель может сформулирована как попытка найти подмножества значений переменной s₁,s₂,…,s_p так что вероятность того, что каждая из переменных одновременно примет значение в своем существующем подмножестве, является относительно большой. Пересечение множеств называется конъюнктивным правилом. Для количественных переменных подмножества s_j являются интервалами; для категориальных переменных подмножества явно разграничены. Стоит отметить, что если подмножество s_j фактически является полным набором значений s_j = S_j, как это часто бывает, то говорят, что переменная X_j не появляется в правиле (формула 1).

 (1)

3.3 Анализ рыночной корзины

Предыдущее упрощение может быть весьма полезным во многих приложениях. Однако, оно неосуществимо для очень больших (p?10⁴ переменных, N?10⁸ наблюдений) баз данных компаний, к которым часто применяется «Анализ рыночной корзины». Требуется несколько дополнительных упрощений к формуле 1, которые будут использованы для поиска правил ассоциации вина и сыра. Во-первых, рассматриваются только два типа подмножеств; либо s_j состоит из одного значения X_j, s_j=v_oj, либо состоит из всего набора значений, которые может принимать X_j, s_j=S_j. Это упрощает задачу, поставленную в начале, для поиска подмножеств целых чисел J ? {1,…,p} и соответствующих значений v_oj, j J, достаточно больших. Формула 2 иллюстрирует эту предпосылку.

(2)

В работе была применена техника фиктивных переменных, чтобы превратить предыдущую задачу в задачу, включающую только бинарные переменные. В данном случае предполагается, что поддержка (“support”) S_j конечна для каждой переменной X_j. В частности, создается новый набор переменных Z₁,…,Z_k, каждая такая переменная для каждого из значений v_lj, достижимых каждой из исходных переменных X₁,…,X_p. Количество фиктивных переменных K определяется по формуле (формула 3):

(3)

где |S_j| - количество различных значений, достижимых X_j.

Каждой фиктивной переменной присваивается значение Z_k = 1, если переменная, с которой она связана, принимает соответствующее значение, которому присваивается Z_k, и Z_k = 0 в противном случае. Это преобразует Формулу 2 в поиск большого подмножества целых чисел . Это стандартная формулировка задачи «анализа рыночной корзины». Набор K называется «набором элементов» (“item set”). Количество переменных Z_k в наборе элементов называется его «размером» (“size”). Стоит отметить, что размер не превышает p (количество переменных). Оцененное значение, получаемое по формуле 3,

(4)

принимается за долю наблюдений в базе данных, для которых истинно выражение (формула 5):

(5)

В данном случае z_ik - это значение Z_k для i-го случая. Это называется «поддержкой» (“support”) или «распространенностью» (“prevalence”) T(K) набора элементов K. Наблюдение i, для которого называется «содержащим» набором элементов K. При поиске правил ассоциации указывается нижняя граница поддержки (“support”) t, и каждый ищет все наборы элементов K_l, которые могут быть сформированы из переменных Z₁,…,Z_k с поддержкой большей, чем эта нижняя граница t (формула 6):

(6)

3.4 Алгоритм Априори

Решение задачи поиска ассоциативных правил для вина и сыра (формула 6) было получено с помощью «Априори» (“Apriori”) алгоритма (Agrawal, 1993).

Чтобы определить данный метод необходимо ввести некоторые метрики. Они используются как пороговые значения при запуске алгоритма. Во-первых, как говорилось выше, важно определить понятие “support” (или «поддержка»). Данная метрика рассчитывается по следующей формуле (формула 7):

, (7)

где X-набор элементов, содержащий i элементов, а Т- количество транзакций в имеющемся массиве данных.

Иначе говоря, поддержка (“support”) - это показатель частотности набора элементов во всей выборке. Однако, такая формулировка распространяется только на X. Для поиска ассоциативных правил интереснее и важнее знать, когда в одном наборе элементов встречаются x₁ и x₂. Тогда, исходная формула выглядит следующим образом (формула 8):

 (8)

где - количество транзакций, содержащих x₁ и x₂, T - общее количество транзакций.

Для ясности приведем иллюстративный пример расчета данного показателя на простом примере. Например, есть набор транзакций. В данных указаны номер транзакции. Кроме того, в виде дамми-переменных представлены товары (например, Вино1, Вино2 и Сыр), которые были куплены в каждой транзакции (таблица 1).

Таблица 1Пример базы данных транзакций

Рассчитаем показатель поддержки для Вина 2 и Сыра (формула 9).

(9)

Следующей ключевой метрикой является «достоверность» (“confidence”). Данный показатель характеризуется уровень частоты работы данного правила для всего массива данных. Показатель рассчитывается по следующей формуле (формула 10):

(10)

Возвращаясь к примеру, рассчитаем достоверность (“confidence”) к правилу «кто покупает Вино 2, тот покупает и Сыр». Для расчета данного показателя необходимо посчитать поддержку (“support”) для правила «покупает Вино 2», а затем этот же показатель для правила «покупает Вино 2 и Сыр». Таким образом, рассчитаем достоверность (“confidence”) для Вино 2 и Сыр (формула 11):

(11)

Следующая важная метрика - “lift” («зависимость»). В целом данный показатель характеризует отношение «зависимости» набора элементов к их «независимости». Иными словами, зависимость (“lift”) показывает, насколько наборы элементов зависят друг от друга. Показатель поддержки рассчитывается по следующей формуле (формула 12):

(12)

Если показатель lift = 1, то это означает, что элементы в наборе не зависимы и среди этих товаров нет совместной покупки. В случае, если lift > 1, то величина, на которую lift превышает 1, показывает «силу» правила. И чем больше превышение, тем больше вероятность того, что эти товары сочетаются при покупке. Если же уровень поддержки меньше 1, это означает данные товары не сочетаются вместе в транзакциях.

Вернемся к нашему примеру. Показатель “lift” для нашего примера будет следующим (формула 13):