PowerBI: análisis de productos relacionados
Todo el mundo debe haber oído la historia de la cerveza y los pañales. Cuando estos dos artículos aparentemente no relacionados se colocaron en los supermercados, sus ventas aumentaron significativamente. La autenticidad de este caso no se discutirá aquí, pero es muy vívido para comprender la relación entre productos. Y las buenas historias siempre se difunden más.
Si un cliente que compra el producto A tiene más probabilidades de comprar el producto B que otros productos, entonces el producto AB es más relevante. Para aumentar las ventas, deben colocarse lo más juntos posible. Las tiendas online también pueden incluir el producto A en la página de recomendaciones del producto B.
Primero, debemos averiguar qué productos son más relevantes.
Usemos PowerBI para analizar la correlación:
Supongamos los datos de ventas de algunos productos en un supermercado. Queremos calcular cuántos clientes que compraron el producto A también compraron el producto B. ¿Qué cantidad del producto B compraron estos clientes?
1. Correlación de clientes
Debido a que los productos A y B a analizar están ambos en la tabla de lista de productos, para calcular el impacto mutuo, se copió una tabla de lista de productos. denominado aquí 'Lista de productos 2' establece una relación de puntos con la tabla de pedidos. El modelo de datos es el siguiente.
Arrastre el nombre del producto de la lista de productos a la tabla como producto A y luego use la siguiente medida para calcular el número de clientes para el producto A,
[Número de clientes] =CONTADORES(valor( 'Tabla de pedidos' [número único]))
Luego se genera una segmentación de datos utilizando los nombres de los artículos de la tabla de la lista de artículos 2 para que se seleccionen diferentes productos y se seleccionen los productos asociados. se supone que son elementos b
Los siguientes son los puntos clave del análisis de correlación computacional. Entre los clientes que compraron A, ¿cuántos clientes también compraron B?
Es decir, el número de clientes que compran A y B al mismo tiempo. Los valores de medición son los siguientes:
Número de clientes que compraron A y B al mismo tiempo =
VAR B=
Tabla calculable (
Valor ( 'Pedido'[número único]),
USERELATIONSHIP('Lista de productos 2'[Nombre del producto],'Lista de pedidos'[Nombre del producto]),
Todos('Lista de productos '[Nombre del producto])
)
RETURN CALCULATE([Número de clientes], B)
Dividir lo anterior dos indicadores para calcular la proporción de clientes de productos relacionados.
Proporción de clientes asociados = Dividir ([Número de clientes que compraron A y B al mismo tiempo], [Número de clientes])
Coloque los indicadores anteriores en la tabla y haga clic en diferentes productos relacionados, la proporción de clientes habituales entre el producto A y el producto b se puede calcular automáticamente.
Sin embargo, el alto grado de coincidencia de clientes entre ambos productos no significa que las ventas vayan a ser mayores. Entonces, ¿necesitamos analizar las ventas del producto B comprado al mismo tiempo entre los clientes que compraron A? Analizar relaciones a través de la dimensión de cantidad.
2. Correlación de ventas
Primero escribimos dos medidas simples, las ventas del producto A y las ventas del producto B:
Producto Ventas del producto a. :
Ventas = suma('pedido'[ventas])
Ventas del producto b:
Ventas del producto relacionado B = ?
Calcular ([Ventas],
USERELATIONSHIP('Lista de productos 2' [Nombre del producto], 'Lista de pedidos' [Nombre del producto]),
Todo ('Lista de productos'[Nombre del producto]))
Debido a que el producto b proviene de la lista de productos 2, y la relación entre la lista de productos 2 y la tabla de pedidos es una línea de puntos, ¿entonces se usa? USERELATIONSHIP para activar la relación. ¿Principalmente para calcular la cantidad de producto B comprada por los clientes que compraron el producto A?
Luego podrás calcular la cantidad del producto B adquirida por los clientes que compran A y B al mismo tiempo.
Monto de compra de un cliente B =
VAR A=
CALCULATETABLE(valor('tabla de secuencia' [número único]))
VAR B=
Tabla calculable(
Valor('pedido'[número único]),
USERELATIONSHIP('lista de elementos 2'[nombre del elemento] , 'Lista de pedidos' [Nombre del producto]),
Todos ('Lista de productos' [Nombre del producto]))
¿Devolver?
Calcular ([Ventas del producto relacionado B],
NATURALINNERJOIN(A, B)))
Esta medida significa encontrar primero el producto A y el cliente. lista de bienes B, y luego pasar? La función NATURALINNERJOIN encuentra la intersección de estas dos listas de clientes, es decir, los clientes que compraron dos productos al mismo tiempo, y luego calcula las ventas del producto B para estos clientes.
Del mismo modo, si pones esta medida en una tabla, podrás ver las ventas relacionadas.
A veces, el volumen de ventas de productos relacionados generados por dos productos con una alta tasa de superposición de clientes puede no ser alto. Esto está relacionado con el precio del producto y el número de compras.
3. Análisis de correlación de cuatro cuadrantes
A través de las mediciones anteriores se obtuvieron los datos para el análisis de correlación. Para mostrar la correlación entre productos de forma más intuitiva, aquí se utiliza el método de análisis de cuatro cuadrantes.
De hecho, es un gráfico de dispersión con dos dimensiones: el eje Y es la proporción de clientes relacionados, el eje X es la cantidad de clientes A que compran B, la línea promedio de la proporción de los clientes de productos y ventas relacionados son una línea constante, corte cuatro cuadrantes, use el nombre del producto como leyenda, el efecto de visualización es el siguiente:
Los productos que aparecen en el primer cuadrante (esquina superior derecha ) son los productos seleccionados por el segmentador, no sólo la superposición de clientes es alta, sino que también puede generar mayores ventas y es muy relevante, por lo que se le debe prestar especial atención.
El modelo también puede analizar la correlación dentro de un período de tiempo determinado, como durante los períodos de promoción y días festivos, cuando las características de compra de los clientes probablemente sean diferentes de las épocas habituales.
En este punto, se ha establecido un modelo simple de análisis de productos relacionados, que muestra dinámicamente diferentes productos altamente relevantes basados en diferentes productos relacionados, y puede cambiar con cambios en los períodos de tiempo.
Si tiene datos como retratos de clientes y ubicaciones de ventas, también puede utilizar estos datos como filtros externos para extraer carteras de productos relacionados para diferentes clientes y diferentes regiones.
Por supuesto, los productos relacionados extraídos por este modelo son solo resultados preliminares. Este resultado necesita verificación adicional para evitar la correlación causada por factores accidentales o humanos, como si hay una venta combinada de dos productos.
El análisis de productos relacionados es un método de extracción de datos muy útil que puede ayudar a las empresas a llevar a cabo un marketing y una combinación de productos precisos, encontrar más clientes potenciales y utilizar realmente los datos para crear valor para la empresa.