Customer Shopping Behaviour Analytics: An Integrated Data Pipeline and Decision-Support System
Este artículo presenta un marco de análisis de datos de extremo a extremo impulsado por IA que integra ETL en Python, modelado en MySQL y tableros interactivos para analizar transacciones minoristas, revelando que, si bien existe paridad de gasto de género a pesar del sesgo de volumen, los descuentos promocionales y los modelos de suscripción actuales no logran impulsar significativamente el tamaño de la cesta o el gasto por visita, destacando así brechas críticas en las estrategias de adquisición y monetización.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el bullicioso mundo del comercio minorista moderno, cada transacción deja una huella digital. Cuando un cliente compra una chaqueta, paga con una tarjeta de crédito o deja una calificación de estrellas, genera un dato. Durante décadas, los gerentes de tiendas y los planificadores corporativos han intentado dar sentido a estos millones de notas dispersas para comprender qué impulsa a la gente a comprar, qué hace que vuelvan y cómo fijar los precios de los artículos para maximizar las ganancias. El desafío siempre ha sido uno de volumen y claridad; los datos existen, pero a menudo están enterrados en hojas de cálculo desordenadas, plagadas de números faltantes y bloqueados en formatos que requieren habilidades especializadas para ser desbloqueados. El objetivo de esta investigación es transformar ese montón caótico de recibos y reseñas en una imagen clara y viva del comportamiento del cliente, permitiendo que los líderes empresariales vean exactamente lo que está sucediendo en sus tiendas sin necesidad de ser expertos en computación.
Para lograr esto, los investigadores construyeron un nuevo tipo de sistema que actúa como un traductor automático entre los registros de ventas brutos y la toma de decisiones humana. Comenzaron con una colección masiva de 3,900 transacciones reales de un entorno minorista, que abarcaba desde ropa y calzado hasta accesorios. En su forma original, estos registros eran imperfectos; algunos puntajes de satisfacción del cliente faltaban y los datos estaban dispersos en diferentes columnas que no siempre coincidían. El equipo primero limpió estos datos utilizando un programa informático que completaba automáticamente los puntajes de satisfacción faltantes buscando la calificación mediana para ese tipo específico de producto, asegurando que no se desechara ninguna información valiosa de ventas. Luego, organizaron los datos limpios en una base de datos estructurada, un sistema de archivo digital que permite la búsqueda y clasificación instantánea. Finalmente, construyeron un sitio web sencillo e interactivo donde un gerente de tienda puede hacer clic en unos pocos botones para hacer preguntas como "¿Cuánto gastan los hombres en comparación con las mujeres?" o "¿Realmente los descuentos hacen que la gente compre más?" y obtener una respuesta inmediata.
Los resultados de esta investigación revelaron varias verdades sorprendentes que desafían las suposiciones comunes sobre cómo se comportan los compradores. Uno de los descubrimientos más impactantes concierne al género. Si bien los hombres representaron dos tercios de todas las compras en el conjunto de datos, la cantidad de dinero gastado por visita fue virtualmente idéntica para hombres y mujeres. Los hombres gastaron un promedio de $59.57 por pedido, mientras que las mujeres gastaron $59.52. Esta mínima diferencia de cinco centavos demuestra que los ingresos totales más bajos de las compradoras no se deben a que gasten menos cuando compran, sino simplemente a que menos de ellas cruzan la puerta. La brecha reside enteramente en cuántos clientes se alcanzan, no en cuánto están dispuestas a pagar.
Otro hallazgo cuestiona la efectividad de las tácticas de ventas estándar. Los investigadores analizaron de cerca lo que sucedía cuando los clientes usaban cupones de descuento. Encontraron que, si bien casi el 42% de todos los pedidos utilizaron un descuento, el tamaño promedio de la cesta de la compra apenas creció. Los clientes que usaron un cupón gastaron solo $0.74 más en promedio que aquellos que pagaron el precio completo. Esto sugiere que, para muchos compradores, un descuento no los incentiva a comprar más artículos o a gastar más dinero; simplemente reduce el precio de los artículos que ya planeaban comprar. En consecuencia, la tienda pierde una parte significativa de sus ganancias potenciales en esas ventas sin ganar ningún volumen adicional que lo compense.
El estudio también descubrió una paradoja con respecto a los programas de lealtad y suscripciones. Muchas empresas asumen que los clientes que pagan por una membresía o suscripción son más valiosos y gastan más por visita. Sin embargo, los datos mostraron que los suscriptores activos gastaron un promedio de $59.47 por visita, mientras que los no suscriptores gastaron $59.59. La diferencia es insignificante, lo que indica que estas membresías funcionan actualmente más como una forma conveniente de pagar o un beneficio para compradores frecuentes que como una herramienta que los impulse a gastar más. Los verdaderos impulsores del alto gasto se encontraron en los tipos específicos de productos y la frecuencia de las visitas. Por ejemplo, los clientes que compraron calzado gastaron lo más por pedido, con $60.75, y los clientes más leales, aquellos que habían realizado más de diez compras en el pasado, representaron casi la mitad de todas las transacciones.
Al combinar estos pasos de limpieza de datos automatizados con un sitio web fácil de usar, los investigadores demostraron que las preguntas comerciales complejas pueden responderse en menos de un segundo, una tarea que antes tomaba horas de trabajo manual con hojas de cálculo. El sistema permite a los gerentes filtrar instantáneamente los datos por edad, género o tipo de producto, viendo exactamente cómo se comportan los diferentes grupos. Por ejemplo, encontraron que los clientes que compraron calzado tenían el valor de pedido promedio más alto, mientras que el sistema también confirmó que las preferencias de envío y los métodos de pago están distribuidos uniformemente, sin que una sola opción domine a las otras, lo que sugiere que ofrecer una variedad de opciones es esencial para mantener satisfechos a los clientes.
El valor último de este trabajo reside en su capacidad para convertir números brutos en estrategias accionables sin requerir un título en ciencias de la computación. Los investigadores demostraron que el camino hacia mejores ganancias no reside necesariamente en descuentos más agresivos o en asumir que los miembros gastarán más. En cambio, los datos apuntan hacia la necesidad de atraer a más compradoras, ya que gastan tanto como los hombres una vez que llegan, y a replantear cómo se estructuran los programas de lealtad para fomentar realmente un mayor gasto. El sistema que construyeron sirve como una herramienta confiable y de bajo costo que puede ser utilizada por cualquier negocio minorista para auditar su desempeño, detectar estos patrones ocultos y tomar decisiones basadas en lo que los clientes están haciendo realmente, en lugar de lo que la empresa asume que están haciendo.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.