Customer Shopping Behaviour Analytics: An Integrated Data Pipeline and Decision-Support System
Cet article présente un cadre d'analyse de données de bout en bout piloté par l'IA, intégrant l'ETL Python, la modélisation MySQL et des tableaux de bord interactifs pour analyser les transactions de détail, révélant que bien qu'une parité de dépenses entre les genres existe malgré un biais de volume, les modèles actuels de remises promotionnelles et d'abonnement ne parviennent pas à stimuler de manière significative la taille du panier ou la dépense par visite, mettant ainsi en évidence des lacunes critiques dans les stratégies d'acquisition et de monétisation.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde effervescent du commerce de détail moderne, chaque transaction laisse une empreinte numérique. Lorsqu'un client achète une veste, paie par carte de crédit ou laisse une note étoilée, il génère une donnée. Depuis des décennies, les directeurs de magasins et les planificateurs d'entreprises tentent de donner un sens à ces millions de notes éparpillées pour comprendre ce qui pousse les gens à acheter, ce qui les incite à revenir, et comment fixer le prix des articles pour un profit maximal. Le défi a toujours été une question de volume et de clarté ; la donnée existe, mais elle est souvent enfouie dans des feuilles de calcul désordonnées, truffée de chiffres manquants et verrouillée dans des formats qui nécessitent des compétences spécialisées pour être déverrouillés. L'objectif de cette recherche est de transformer ce tas chaotique de reçus et d'avis en une image claire et vivante du comportement des clients, permettant aux dirigeants d'entreprises de voir exactement ce qui se passe dans leurs magasins sans avoir besoin d'être des experts en informatique.
Pour y parvenir, les chercheurs ont conçu un nouveau type de système qui agit comme un traducteur automatisé entre les enregistrements de ventes bruts et la prise de décision humaine. Ils ont commencé avec une collection massive de 3 900 transactions réelles provenant d'un environnement de vente au détail, couvrant tout, des vêtements et chaussures aux accessoires. Sous leur forme originale, ces enregistrements étaient imparfaits ; certains scores de satisfaction client étaient manquants, et les données étaient dispersées dans différentes colonnes qui ne s'alignaient pas toujours. L'équipe a d'abord nettoyé ces données à l'aide d'un programme informatique qui a automatiquement complété les scores de satisfaction manquants en observant la note médiane pour ce type de produit spécifique, garantissant qu'aucune information de vente précieuse ne soit jetée. Ils ont ensuite organisé les données nettoyées dans une base de données structurée, un système de classement numérique qui permet une recherche et un tri instantanés. Enfin, ils ont construit un site web simple et interactif où un directeur de magasin peut cliquer sur quelques boutons pour poser des questions telles que « Combien les hommes dépensent-ils par rapport aux femmes ? » ou « Les réductions incitent-elles réellement les gens à acheter davantage ? » et obtenir une réponse immédiate.
Les résultats de cette enquête ont révélé plusieurs vérités surprenantes qui remettent en question les hypothèses courantes sur le comportement des acheteurs. L'une des découvertes les plus frappantes concerne le genre. Bien que les hommes aient effectué les deux tiers de tous les achats de l'ensemble de données, le montant dépensé par visite était pratiquement identique pour les hommes et les femmes. Les hommes ont dépensé en moyenne 59,57 $ par commande, tandis que les femmes ont dépensé 59,52 $. Cette infime différence de cinq cents prouve que le revenu total plus faible des acheteuses n'est pas dû au fait qu'elles dépensent moins lorsqu'elles font des achats, mais simplement parce que moins d'entre elles franchissent la porte. L'écart réside entièrement dans la manière dont les clients sont atteints, et non dans ce qu'elles sont prêtes à payer.
Une autre conclusion remet en question l'efficacité des tactiques de vente standards. Les chercheurs ont examiné de près ce qui se passait lorsque les clients utilisaient des coupons de réduction. Ils ont constaté que, bien que près de 42 % de toutes les commandes aient utilisé un coupon, la taille moyenne du panier d'achat augmentait à peine. Les clients utilisant un coupon ont dépensé en moyenne seulement 0,74 $ de plus que ceux qui payaient le prix fort. Cela suggère que, pour de nombreux acheteurs, une réduction n'encourage pas l'achat de plus d'articles ou une dépense plus élevée ; elle réduit simplement le prix des articles qu'ils avaient déjà l'intention d'acheter. Par conséquent, le magasin perd une partie significative de son profit potentiel sur ces ventes sans obtenir de volume supplémentaire pour compenser.
L'étude a également mis au jour un paradoxe concernant les programmes de fidélité et les abonnements. De nombreuses entreprises supposent que les clients qui paient pour un abonnement ou une adhésion sont plus précieux et dépensent plus par visite. Cependant, les données ont montré que les abonnés actifs ont dépensé en moyenne 59,47 $ par visite, tandis que les non-abonnés ont dépensé 59,59 $. La différence est négligeable, indiquant que ces adhésions fonctionnent actuellement davantage comme un moyen pratique de paiement ou un avantage pour les acheteurs fréquents plutôt que comme un outil qui les incite à dépenser plus. Les véritables moteurs des dépenses élevées ont été identifiés comme étant les types spécifiques de produits et la fréquence des visites. Par exemple, les clients qui achetaient des chaussures ont dépensé le plus par commande, soit 60,75 $, et les clients les plus fidèles, ceux qui avaient effectué plus de dix achats par le passé, représentaient près de la moitié de toutes les transactions.
En combinant ces étapes de nettoyage de données automatisées avec un site web convivial, les chercheurs ont démontré que des questions commerciales complexes peuvent être résolues en moins d'une seconde, une tâche qui prenait auparavant des heures de travail manuel sur tableur. Le système permet aux gestionnaires de filtrer instantanément les données par âge, genre ou type de produit, voyant exactement comment différents groupes se comportent. Par exemple, ils ont découvert que les clients ayant acheté des chaussures avaient la valeur de commande moyenne la plus élevée, tandis que le système confirmait également que les préférences d'expédition et les modes de paiement sont répartis uniformément, aucune option unique ne dominant les autres, ce qui suggère qu'offrir une variété de choix est essentiel pour satisfaire les clients.
La valeur ultime de ce travail réside dans sa capacité à transformer des chiffres bruts en stratégie exploitable sans nécessiter un diplôme en informatique. Les chercheurs ont montré que le chemin vers de meilleurs profits ne réside pas nécessairement dans des réductions plus agressives ou dans l'hypothèse que les membres dépenseront plus. Au lieu de cela, les données pointent vers la nécessité d'attirer plus d'acheteuses, puisqu'elles dépensent autant que les hommes une fois arrivées, et de repenser la structure des programmes de fidélité pour réellement encourager des dépenses plus élevées. Le système qu'ils ont construit sert d'outil fiable et à faible coût qui peut être utilisé par toute entreprise de vente au détail pour auditer ses performances, repérer ces modèles cachés et prendre des décisions basées sur ce que les clients font réellement, plutôt que sur ce que l'entreprise suppose qu'ils font.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.