Big data в маркетингу: асоцiативнi правила

BIG DATA В МАРКЕТИГУ: АСОЦІАТИВНІ ПРАВИЛА

Гновенко Давид Олександрович, студент

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. 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. 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.