Customer Shopping Behaviour Analytics: An Integrated Data Pipeline and Decision-Support System
Questo articolo presenta un framework di analisi dei dati end-to-end guidato dall'IA che integra l'ETL in Python, la modellazione MySQL e dashboard interattive per analizzare le transazioni al dettaglio, rivelando che, sebbene esista una parità di spesa tra i generi nonostante lo sbilanciamento nei volumi, gli attuali sconti promozionali e i modelli di abbonamento non riescono a incrementare significativamente la dimensione del carrello o la spesa per visita, evidenziando così lacune critiche nelle strategie di acquisizione e monetizzazione.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel frenetico mondo del commercio moderno, ogni transazione lascia un'impronta digitale. Quando un cliente acquista una giacca, paga con una carta di credito o lascia una valutazione a stelle, genera un dato. Per decenni, i direttori di negozio e i pianificatori aziendali hanno cercato di dare un senso a questi milioni di note sparse per capire cosa spinge le persone ad acquistare, cosa le spinge a tornare e come prezzare gli articoli per massimizzare il profitto. La sfida è sempre stata una questione di volume e chiarezza; i dati esistono, ma sono spesso sepolti in fogli di calcolo disordinati, pieni di numeri mancanti e racchiusi in formati che richiedono competenze specializzate per essere sbloccati. L'obiettivo di questa ricerca è trasformare quel caos di ricevute e recensioni in un quadro chiaro e vivo del comportamento dei clienti, permettendo ai leader aziendali di vedere esattamente cosa sta accadendo nei loro negozi senza dover essere esperti di informatica.
Per raggiungere questo obiettivo, i ricercatori hanno costruito un nuovo tipo di sistema che funge da traduttore automatico tra i registri delle vendite grezzi e il processo decisionale umano. Sono partiti da una vasta collezione di 3.900 transazioni reali provenienti da un ambiente di vendita al dettaglio, che copriva tutto, dall'abbigliamento alle calzature fino agli accessori. Nella loro forma originale, questi record erano imperfetti; alcuni punteggi di soddisfazione del cliente erano mancanti e i dati erano sparsi in diverse colonne che non sempre coincidevano. Il team ha prima pulito questi dati utilizzando un programma informatico che ha compilato automaticamente i punteggi di soddisfazione mancanti cercando la valutazione mediana per quel tipo specifico di prodotto, assicurando che nessuna informazione di vendita preziosa venisse scartata. Hanno poi organizzato i dati puliti in un database strutturato, un sistema di archiviazione digitale che consente una ricerca e un ordinamento istantanei. Infine, hanno costruito un sito web semplice e interattivo dove un direttore di negozio può cliccare alcuni pulsanti per porre domande come "Quanto spendono gli uomini rispetto alle donne?" o "Gli sconti rendono davvero le persone più propense ad acquistare?" e ottenere una risposta immediata.
I risultati di questa indagine hanno rivelato diverse verità sorprendenti che sfidano le ipotesi comuni su come si comportano i clienti. Una delle scoperte più significative riguarda il genere. Sebbene gli uomini rappresentassero i due terzi di tutti gli acquisti nel dataset, l'importo di denaro speso per visita era quasi identico per uomini e donne. Gli uomini hanno speso in media 59,57 dollari per ordine, mentre le donne hanno speso 59,52 dollari. Questa minuscola differenza di cinque centesimi dimostra che il minor fatturato totale derivante dalle clienti donne non è dovuto al fatto che spendano meno quando acquistano, ma semplicemente perché meno di loro varca la soglia della porta. Il divario risiede interamente nel modo in cui vengono raggiesti i clienti, non in quanto siano disposti a pagare.
Un'altra scoperta mette in discussione l'efficacia delle tattiche di vendita standard. I ricercatori hanno esaminato attentamente cosa accadeva quando i clienti utilizzavano coupon di sconto. Hanno scoperto che, sebbene quasi il 42% di tutti gli ordini avesse utilizzato uno sconto, la dimensione media del carrello era aumentata appena. I clienti che hanno usato un coupon hanno speso solo 0,74 dollari in più in media rispetto a quelli che hanno pagato il prezzo pieno. Ciò suggerisce che, per molti acquirenti, uno sconto non incoraggia l'acquisto di più articoli o una spesa maggiore; semplicemente abbassa il prezzo degli articoli che avevano già intenzione di acquistare. Di conseguenza, il negozio perde una parte significativa del suo potto potenziale su quelle vendite senza ottenere alcun aumento di volume a compensazione.
Lo studio ha anche svelato un paradosso riguardante i programmi fedeltà e gli abbonamenti. Molte aziende presumono che i clienti che pagano un abbonamento o un membro siano più preziosi e spendano di più per visita. Tuttavia, i dati hanno mostato che gli abbonati attivi hanno speso in media 59,47 dollari per visita, mentre i non abbonati hanno speso 59,59 dollari. La differenza è trascurabile, indicando che questi abbonamenti fungono attualmente più da un modo comodo per pagare o da un privilegio per i clienti frequenti piuttosto che da uno strumento che li spinga a spendere di più. I veri motori della spesa elevata sono stati identificati nei tipi specifici di prodotti e nella frequenza delle visite. Ad esempio, i clienti che hanno acquistato calzature hanno speso di più per ordine, ovvero 60,75 dollari, e i clienti più fedeli, ovvero quelli che avevano effettuato più di dieci acquisti in passato, rappresentavano quasi la metà di tutte le transazioni.
Combinando questi passaggi di pulizia automatica dei dati con un sito web facile da usare, i ricercatori hanno dimostrato che domande aziendali complesse possono essere risolte in meno di un secondo, un compito che precedentemente richiedeva ore di lavoro manuale sui fogli di calcolo. Il sistema consente ai manager di filtrare istantaneamente i dati per età, genere o tipo di prodotto, vedendo esattamente come si comportano i diversi gruppi. Ad esempio, hanno scoperto che i clienti che acquistavano calzature avevano il valore medio dell'ordine più alto, mentre il sistema ha anche confermato che le preferenze di spedizione e i metodi di pagamento sono distribuiti uniformemente, senza che un'opzione singola domini sulle altre, suggerendo che offrire una varietà di scelte è essenziale per mantenere soddisfatti i clienti.
Il valore ultimo di questo lavoro risiede nella sua capacità di trasformare i numeri grezzi in una strategia azionabile senza richiedere una laurea in informatica. I ricercatori hanno dimostrato che la strada verso profitti migliori non risiede necessariamente in sconti più aggressivi o nel presumere che i membri spenderanno di più. Invece, i dati indicano la necessità di attirare più clienti donne, poiché una volta arrivate spendono quanto gli uomini, e di ripensare come sono strutturati i programmi fedeltà per incoraggiare realmente una spesa più elevata. Il sistema che hanno costruito funge da strumento affidabile e a basso costo che può essere utilizzato da qualsiasi attività di vendita al dettaglio per controllare le proprie prestazioni, individuare questi schemi nascosti e prendere decisioni basate su ciò che i clienti stanno effettivamente facendo, piuttosto che su ciò che l'azienda presume stiano facendo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.