Актуальність. Сучасна економічна парадигма характеризується повним переосмисленням традиційних підходів до управління бізнес-процесами підприємств. Так, наразі в сфері маркетингу превалюють тенденції до пошуку шляхів максимізації прибутку підприємства шляхом збору та аналізу величезних обсягів різноманітних даних: транзакцій, вподобань клієнта, його поведінки на сайтах тощо. Тема застосування big data в економіці розглядалася науковцями Біллом Френксом, Еріком Сігелем, Джоном Форманом тощо. Особливо цінними в цій сфері є праці Парага Агравала, Томаша Імієлінського, Аруна Свамі, Григорія Пятецького-Шапіро, які досліджували методи обробки big data з метою пошуку проривних бізнес-рішень. Тому обрана тема дослідження є доволі актуальною.
Постановка проблеми. При проведенні аналізу big data одним із аспектів, на якому повинен концентрувати увагу маркетолог, є виявлення особливостей поведінки спожива при купівлі товару. До методів аналізу даних, які допомагають це зробити, належить вивчення асоціативних правил. Нашим завданням є дослідження можливості його застосування в сфері маркетингу з метою оптимізації збутової стратегії підприємства.
Результати дослідження. Припустимо, на підприємстві, що займається роздрібною торгівлею, дані про всі покупки (транзакції) заносяться в базу даних. Метод пошуку асоціативних правил допомагає виявити моделі покупок, які описують пари продуктів, що з високою ймовірністю будуть куплені разом. Асоціативне правило – це пара продуктів, для яких визначено певні статистичні показники [1]. Спочатку вибирається набір даних для аналізу: в ньому повинно бути більше 10000 транзакцій задля забезпечення статистичної репрезентативності. Транзакція складається з набору продуктів, придбаних покупцем. Кількість транзакцій за день дорівнює кількості актів купівлі. Далі математичним методом перестановки в межах кожної транзакції формуються всі можливі варіанти поєднання продуктів в пари, які будуть підраховані. Потім розраховуються два показники: впевненість та підтримка. Впевненість – це відношення кількості транзакцій, які містять два продукти (пару) до кількості транзакцій, які містять перший продукт пари [1]. Тобто, якщо 300 замовлень містили спагеті, а 250 з них – кетчуп, то показник впевненості для асоціативного правила «спагеті – кетчуп» становить 83% (250 / 300). Це говорить про те, що у 83% випадків покупець при купівлі спагеті купить і кетчуп. Цікаво, що впевненість для асоціативних правил «спагеті – кетчуп» та «кетчуп – спагеті» є неоднаковою; саме тому для формування пар продуктів застосовано метод перестановок, а не комбінацій. Показник підтримки – це абсолютна кількість транзакцій, що містять пару продуктів. У випадку зі спагеті та кетчупом підтримка дорівнює 250. Цей показник є однаковим як для асоціації «спагеті – кетчуп», так і для «спагеті – кетчуп». Розрахунок двох показників важливий з наступних причин. По-перше, рідкісні продукти можуть мати високий показник впевненості, але це ще не свідчить про стійкий зв’язок в асоціативному правилі. Наприклад, якщо було лише два замовлення, що містять арахіс, і одне з них містило гірчицю, впевненість для асоціації «арахіс – гірчиця» становила б 50% (доволі високий показник). По-друге, доволі поширені продукти можуть мати високу підтримку через свою популярність, однак це ще не свідчить про наявність тісного зв’язку. Наприклад, якщо є мільйон замовлень, що містять масло, та мільйон замовлень, що містять морозиво, а кількість замовлень, які містять і те, і інше становить 10000, маркетолог не може стверджувати про наявність сильного асоціативного зв’язку. Саме тому важливо встановлювати ліміт для показників підтримки та впевненості, щоб виявляти дійсно важливі та достовірні зв’язки. Наприклад, вважати сильним асоціативний зв’язок, при якому показник впевненості не менше 25%, а показник підтримки – не менше тисячі транзакцій [2].
Виявлення подібних асоціативних моделей може суттєво розширити простір для розробки збутової стратегії підприємства. Дані, отримані при застосуванні методу пошуку асоціативних правил для продуктів, можливо застосовувати для правильного розміщення товару на полицях торгівельних закладів, розробці промоакцій, плануванні рекламних кампаній (оскільки дешевше рекламувати перший товар з асоціативної пари високої впевненості, адже другий товар куплять в будь-якому разі при купівлі першого). Наприклад, товари з високою впевненістю (такі як спагеті та кетчуп) можна розмістити в різних відділах магазину, щоб підвищити ймовірність купівлі покупцем третього товару, коли він буде здійснювати перехід між відділами. Або ж навпаки – розмістити ці товари на суміжних полицях, щоб підвищити ймовірність покупки.
Висновки. Отже, метод пошуку асоціативних правил має на меті пошук пар продуктів, один з яких буде з високою ймовірністю придбаний при купівлі іншого. З цією метою для кожної пари продуктів розраховуються показники впевненості та підтримки, які слід аналізувати разом, оскільки окремо вони можуть спотворювати статистичну репрезентативність. Маркетолог повинен визначити ліміти для цих показників, аби відсіяти асоціативні правила зі слабкими зв’язками. Отримані асоціативні правила можуть застосовуватися в сфері мерчендайзингу для оптимального розміщення продуктів на полицях, при рекламуванні продуктів, розробці рекламних кампаній тощо. Усе це свідчить про високий потенціал методу пошуку асоціативних правил для підвищення рівня прибутковості та розробки результативної маркетингової стратегії підприємства.
Список використаних джерел:
1. Piatetsky-Shapiro, Gregory (1991), Discovery, analysis, and presentation of strong rules, in Piatetsky-Shapiro, Gregory; and Frawley, William J.; eds., Knowledge Discovery in Databases, AAAI/MIT Press, Cambridge, MA.
2. Agrawal, R.; Imieliński, T.; Swami, A. (1993), Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD international conference on Management of data, SIGMOD '93. p. 207.
___________________
Науковий керівник: Архипова Тетяна Василівна, кандидат економічних наук, доцент, Київський національний економічний університет імені Вадима Гетьмана
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter