Modelling Customer Trajectories with Reinforcement Learning for Practical Retail Insights
Dieser Artikel schlägt ein Maximum-Entropy-Reinforcement-Learning-Framework zur Modellierung von Kundenpfaden in Einzelhandelsräumen vor und zeigt, dass es durch die Bereitstellung genauerer, verhaltensbasiert fundierter Erkenntnisse für die Optimierung von Ladenlayouts und die Gewinnmaximierung ohne kostspielige Erhebung realer Daten traditionelle Heuristiken wie TSP und PNN übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie besitzen einen kleinen Convenience-Store. Ihr Ziel ist einfach: so viel Geld wie möglich verdienen. Sie wissen, dass Menschen oft Dinge kaufen, die sie nicht geplant hatten – wie einen Schokoriegel oder eine Limonade –, einfach weil sie sie beim Gehen durch den Gang gesehen haben. Dies nennt man einen „Impulskauf".
Um Menschen dazu zu bringen, diese Artikel zu kaufen, müssen Sie genau wissen, wo sie entlanggehen. Wenn Sie den Schokoriegel direkt auf ihrem Weg platzieren, werden sie ihn greifen. Wenn Sie ihn in einer Ecke verstecken, die sie nie betreten, werden sie es nicht tun.
Das Problem: Das „Raten-Spiel" versus der „teure Spion"
Um herauszufinden, wo Kunden entlanggehen, haben Sie zwei schlechte Optionen:
- Der Spion (Echte Daten): Sie stellen Leute ein, die Kunden mit Kameras und Karten verfolgen. Dies liefert perfekte Informationen, ist aber unglaublich teuer und invasiv. Die meisten kleinen Geschäfte können sich das nicht leisten.
- Die Schätzung (Heuristiken): Sie verwenden einfache mathematische Regeln, um den Weg zu erraten.
- Die „Kürzester-Weg"-Regel (TSP): Diese geht davon aus, dass Kunden Roboter sind, die immer die absolut kürzeste Route nehmen, um ihre Artikel zu erhalten.
- Die „Nächster-Nachbar"-Regel (PNN): Diese geht davon aus, dass Kunden etwas zufällig handeln, aber dennoch meist den ihnen nächsten Artikel auswählen.
Die Studie ergab, dass diese „Raten"-Regeln in 28 % der Fälle falsch liegen. Echte Menschen sind chaotisch. Sie schlendern, sie machen Umwege, und sie nehmen nicht immer den kürzesten Weg. Da die Schätzungen so stark abweichen, platzieren Ladenbesitzer Produkte an den falschen Stellen und verpassen Umsätze.
Die Lösung: Ein „Videospiele"-Schüler
Die Autoren entwickelten eine neue Methode zur Vorhersage von Kundenwegen mittels Reinforcement Learning (RL). Stellen Sie sich dies wie das Trainieren eines Videospiele-Charakters (eines „Agenten") vor, der sich wie ein echter menschlicher Käufer verhält.
Anstatt dem Charakter nur zu sagen, er solle „den kürzesten Weg nehmen", lehrten sie ihm eine menschlichere Lektion:
- Holen Sie sich die Artikel: Sie erhalten Punkte dafür, dass Sie kaufen, was Sie benötigen.
- Seien Sie ein wenig unvorhersehbar: Sie erhalten auch Punkte dafür, verschiedene Routen zu erkunden, nicht immer nur dieselbe langweilige.
Dies nennt man „Maximum Entropy"-Lernen. Es zwingt den Computer zu erkennen, dass Menschen keine Roboter sind; wir haben eine „begrenzte Rationalität". Wir machen Fehler, wir lassen uns ablenken, und wir nehmen unterschiedliche Wege, selbst wenn wir dieselben Dinge kaufen.
Was sie taten
Sie nahmen echte Daten aus einem Convenience-Store (wo sie über 3.000 echte Käufer verfolgten) und nutzten sie, um ihren „Videospiele-Schüler" zu trainieren. Anschließend ließen sie den Schüler 10.000 Einkaufsfahrten simulieren.
Die Ergebnisse: Der Schüler gewinnt
Als sie die Wege des „Videospiele-Schülers" mit den Wegen echter Menschen verglichen:
- Die „Kürzester-Weg"-Regel versagte kläglich. Sie verpasste ganze Bereiche des Geschäfts, weil sie nur nach der schnellsten Route suchte.
- Die „Nächster-Nachbar"-Regel war besser, verpasste aber immer noch das „Schlendern"-Verhalten echter Menschen.
- Der RL-Schüler war die genaueste Übereinstimmung. Er erkannte, dass Menschen manchmal durch den unteren Teil des Geschäfts laufen, selbst wenn der obere Teil kürzer ist, einfach weil sie so gerne einkaufen.
Warum dies für Ihren Geldbeutel wichtig ist
Die Studie testete dies, indem sie versuchte, ein bestimmtes Produkt (wie Erfrischungsgetränke) auf ein neues Regal zu verlegen, um mehr Geld zu verdienen.
- Wenn Sie die Kürzester-Weg- oder Nächster-Nachbar-Schätzungen verwendeten, sagten diese, Sie sollten das Produkt auf ein Regal verlegen, das tatsächlich leer und selten besucht war. Dies wäre eine Verschwendung von Platz gewesen.
- Der RL-Schüler identifizierte korrekt die belebten, stark frequentierten Regale, an denen echte Menschen tatsächlich vorbeigehen.
Als sie das Produkt an die Stelle verlegten, die der RL-Schüler vorgeschlagen hatte, erzielte der Geschäft fast den gleichen zusätzlichen Gewinn, als hätten sie die teuren „Spion"-Daten verwendet. Die einfachen Raten-Regeln versagten darin, den richtigen Ort zu finden.
Das Fazit
Diese Studie zeigt, dass Sie kein Vermögen ausgeben müssen, um jeden Kunden mit Kameras zu verfolgen, um Ihren Laden zu optimieren. Stattdessen können Sie ein intelligentes Computermodell verwenden, das lernt, wie ein menschlicher Käufer zu „denken". Es schließt die Lücke zwischen „zu einfach, um wahr zu sein" (die Raten-Regeln) und „zu teuer, um praktikabel zu sein" (echte Daten) und bietet Ladenbesitzern eine kostengünstige, genaue Möglichkeit, ihre Regale für maximalen Gewinn anzuordnen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.