Eine dunnhumby Perspektive von Julie Sharrocks und David Ciancio
Vor fast einem halben Jahrhundert, im Sommer 1974, wurde der erste Scanner für Lebensmittelgeschäfte in einem Marsh Supermarkt in Troy, Ohio, installiert. Der allererste Barcode-gescannte Artikel war eine Packung saftiges Fruchtgummi. Kaum ein Lebensmittelhändler hatte sich dann die vielen transformativen Konsequenzen vorgestellt, die sich aus diesem Scanner und einem bisschen Kaugummi ergeben würden.
Die Wissenschaft, die den Scanner ermöglichte – vom Laser über das UPC-Etikett (Universal Product Code) bis hin zum Computergerät, dass die Produktdetails, Preise und die Transaktionsdetails aufzeichnete – waren Wunder der Erfindung. Aber es ist die Wissenschaft, die sich bei der Analyse der Transaktionsdetails des Scanners entwickelt hat, die sich für den Einzelhandel, die verarbeitende Industrie und die Forschungsbranche wohl transformativer gestaltet, da diese Wissenschaft die moderne Lieferkette von End-to-End-, Category Management- und Lieferantenzusammenarbeit, Arbeitsproduktivität in den Filialen, und alle Anwendungen von Customer Data Science, einschließlich CRM, Insights und Personalisierung vorantreibt.
Ganz einfach: Scanner haben die Daten selbst revolutioniert, indem sie seit 47 Jahren jeden Artikel, jeden Coupon, jeden Rabatt und jede Zahlung bei jeder Transaktion in jedem Geschäft in riesigen elektronischen Kassensystemen (EPOS) speichern.
Es ist nicht allgemein bekannt, dass diese EPOS-Daten das Kundenverhalten genau beschreiben, wenn Sie wissen, wie Sie nach ihm suchen – und EPOS-Daten können zur Verbesserung der Kundenerfahrung und zur Steigerung der Loyalität extrahiert und auf ähnliche Weise wie Loyalitätsdaten operationalisiert und monetisiert werden.
Auch heute gibt es eine neue transformative Wissenschaft für nicht-personalisierte Daten, die reiche Einblicke in die Kunden für Kanäle und Wertangebote ohne Kundenkarte und in den Formaten und Abteilungen ermöglicht, in denen die Kundenkarten nur wenig durchdringen (für solche mit Karten). Tatsächlich bietet diese leistungsstarke neue EPOS -Wissenschaft viel mehr von den Vorteilen der Customer Data Science, als Einzelhändler vielleicht für verfügbar halten, einschließlich tiefer Erkenntnisse zur Verbesserung von Entscheidungen in Bezug auf Sortiment, Preise und Werbung.
Der Hauptunterschied zwischen EPOS-Daten und Loyalitätsdaten liegt in der individuellen Identifizierbarkeit und Adressierbarkeit von Kunden – und diese Unterschiede könnten je nach Ihrem Kundenversprechen und Ihrem Markt oder Kanal überbewertet werden!
EPOS-Daten:
Maskierte Daten:
Tokenisierte Daten:
Treuedaten:
Grundlegende Kundendatenwissenschaft
Mit dem Aufkommen von Kundenbindungsdaten (Mitte der 1990er Jahre) konnte dunnhumby – der erste Datenwissenschaftler im Kundenbereich – die Einkäufe der Kunden im Laufe der Zeit verfolgen. Diese sogenannte Längsschnittanalyse bedeutete, dass wir sehen konnten, welche Produkte immer wieder vom gleichen Kunden gekauft wurden und welche Möglichkeiten Kunden getroffen haben, ein Produkt zu ersetzen, wenn es nicht mehr vorrätig war, das Sortiment gewechselt wurde oder sich der Preis oder die Werbeaktion geändert hat. Das Verständnis der Ersetzbarkeit von Produkten wurde zum Grundpfeiler aller kundengeführten Fachkategorien und erschließt die Möglichkeit, Einzelhandelsentscheidungen im Hinblick auf Sortiment oder Preis und Promotion zu bewerten, zu optimieren und vorherzusagen.
Jede Unze Daten ausschöpfen
Natürlich möchten nicht alle Händler je nach Strategie oder Kundenvorstellung Treueprogramme oder -Karten anbieten, insbesondere in Discount- und Convenience-Kanälen.
Darüber hinaus verzeichnet der typische Einzelhändler selbst im besten Fall 70 % der Verkäufe, die über Kundenkarten abgewickelt werden (bei Convenience-Formaten oder bestimmten Kundensegmenten oft deutlich weniger). Es ist von entscheidender Bedeutung, jedes bisschen der verfügbaren Daten zu nutzen. Die Zeiten, in denen die restlichen 30 % der „EPOS“-Daten einfach weggeworfen wurden, sind daher vorbei.
Ein gemischter Ansatz, bei dem das Beste aus EPOS-Wissenschaft und das Beste aus der Kundenwissenschaft gemeinsam überlegen und zunehmend notwendig ist, um schwierige Entscheidungen im Einzelhandel in einem ständig gestörten Einzelhandelsumfeld zu treffen.
Dementsprechend musste sich die Datenwissenschaft weiterentwickeln, um Produktsubstitute ohne die personenbezogenen Daten und Längsschnittdaten abzuleiten, die ursprünglich die Grundlage der Wissenschaft selbst bildeten. Glücklicherweise haben sich auch Wissenschaft und Machine Learning erheblich weiterentwickelt. So hat sich dunnhumby beispielsweise über unser Programm für akademische Partnerschaften die neue Wissenschaft der „Vektoreinbettung“ zu eigen gemacht, die in der natürlichen Sprachverarbeitung bereits weit verbreitet ist.
Coole und leistungsstarke neue EPOS Data Science
Vector-Embedding-Techniken werden häufig für Suchbegriffe und das Abrufen von Dokumenten verwendet. Die „Vektoren“ sind wie Fingerabdrücke, da jedes Wort eine eindeutige numerische Zeichenfolge (Vektor) hat, abhängig vom Kontext, in dem es relativ zu anderen Wörtern im selben Dokument oder auf derselben Webseite gefunden wird. Die Idee ist, dass Wörter mit eng abgestimmten Fingerabdrücken (ähnliche Vektoren) ähnliche Bedeutungen haben.
Nun ist das coole – wir nehmen das Konzept und wenden es auf die Welt des Lebensmitteleinkaufs an, aber statt eines Wortes im Kontext eines Dokuments haben wir ein Produkt im Kontext eines Korbes. Wenn wir den Inhalt aller Körbe betrachten, in denen wir ein bestimmtes Produkt finden, erstellen wir einen Fingerabdruck für dieses Produkt. Wir stellen beispielsweise fest, dass eine bestimmte Kaffeeart oft mit Orangensaft und Croissant gekauft wird. Im einfachsten Sinne, Orangensaft und Croissant, ohne anderen Produkten, würde der Fingerabdruck für dieses Produkt. Und wenn wir nach Produkten mit einem ähnlichen Fingerabdruck suchen, werden wir wahrscheinlich zu anderen Kaffeeprodukten geführt.
Stellen Sie sich vor, dass diese Wissenschaft auf Tausende von Produkten in Millionen von Körben optimiert werden kann. Diese Wissenschaft kann nicht nur extrem leistungsfähig werden, sondern wohl sogar noch leistungsfähiger als von Treuekarten abgeleitete Methoden allein.
Unsere Erfahrung mit Kundendaten hat uns zu Experten für nicht personalisierte Daten gemacht.
Diese Art des unbeaufsichtigten Machine Learnings ist nicht leicht zu implementieren. In der Kategorie Wissenschaft gibt es zum Beispiel keine absolute Wahrheit, auf die die Maschine verweisen kann, keinen wahren Norden, keine objektive Funktion, mit der die neuen Ergebnisse modelliert oder gemessen werden können. Zum Beispiel, einige setzen Pepsi Max als den besten Ersatz für Produkt Coke Zero, während andere für Diät Pepsi argumentieren; entweder kann richtig sein.
dunnhumby hat zwei große Vorteile: Über 25 Jahre Erfahrung mit Hunderten von Category Management-Experten in den Top-Händlern auf der ganzen Welt und eine bewährte Substitutionswissenschaft auf der Grundlage personalisierter Kundendaten (Loyalitätsdaten). Dies bedeutete, dass wir die EPOS-Ersetzbarkeit mit unserer branchenführenden Ersetzbarkeit für Kunden vergleichen und die Ergebnisse für beide herausfordern konnten. Die Vergleiche kamen zu dem Schluss, dass die EPOS-Substituierbarkeit die bestehende Kundenwissenschaft gut ergänzt.
Coole Convenience-Channel-Anwendungen von EPOS Data Science
Die Betreiber von Convenience-Stores stehen im Vergleich zu ihren Supermarktketten vor einzigartigen Herausforderungen, wie z.B. verschiedenen Sortimenten und Sets nach Geschäften oder Franchise, und dies führt zu Datenkomplexität und einer Art „Chaos“ im gesamten Netzwerk. Die neue EPOS-Datenwissenschaft macht dieses Chaos zu einem Vorteil und nicht zu einer Barriere, indem sie Machine Learning Methoden wie Empfehlungsalgorithmen einsetzt, um Beziehungen in volatilen Umgebungen zu erlernen.
Die kollaborative Filterung ist eine Art Empfehlungsalgorithmus, der von vielen Websites verwendet wird, um ihren Kunden Produkte vorzuschlagen, z.B. „Käufer mit ähnlichen Interessen wie Sie haben auch das Produkt X gemocht“. Tatsächlich lernen diese Algorithmen aus chaotischen Produktzusammenhängen, „Menschen wie mich“ zu verstehen. In der neuen EPOS-Wissenschaft lernen ähnliche Empfehlungsalgorithmen von anderen Convenience-Stores, wie gut ein Produkt im Kontext einer bestimmten Unterkategorie funktioniert, und die daraus resultierende Wissenschaft liefert eine „Laden wie ich“ Empfehlung, die den typischen Ansatz übertrifft (bei dem es beispielsweise nur um meistverkaufte Artikel geht).
Unterschätzen Sie nicht den Wert von EPOS-Daten ohne Loyalität: Wichtige Erkenntnisse
dunnhumby verfügt über mehr als 25 Jahre Erfahrung in der transformativen EPOS-Kundendatenforschung und arbeitet mit Discount-, Convenience- und Supermärkten ohne ein traditionelles Treueprogramm zusammen. Setzen Sie sich mit Ihrem lokalen dunnhumby -Team in Verbindung, um zu erfahren, wie Sie Ihre EPOS-Daten maximieren können, um Ihre Kunden besser zu verstehen.
Cookie | Description |
---|---|
cli_user_preference | The cookie is set by the GDPR Cookie Consent plugin and is used to store the yes/no selection the consent given for cookie usage. It does not store any personal data. |
cookielawinfo-checkbox-advertisement | Set by the GDPR Cookie Consent plugin, this cookie is used to record the user consent for the cookies in the "Advertisement" category . |
cookielawinfo-checkbox-analytics | Set by the GDPR Cookie Consent plugin, this cookie is used to record the user consent for the cookies in the "Analytics" category . |
cookielawinfo-checkbox-necessary | This cookie is set by GDPR Cookie Consent plugin. The cookies is used to store the user consent for the cookies in the category "Necessary". |
CookieLawInfoConsent | The cookie is set by the GDPR Cookie Consent plugin and is used to store the summary of the consent given for cookie usage. It does not store any personal data. |
viewed_cookie_policy | The cookie is set by the GDPR Cookie Consent plugin and is used to store whether or not user has consented to the use of cookies. It does not store any personal data. |
wsaffinity | Set by the dunnhumby website, that allows all subsequent traffic and requests from an initial client session to be passed to the same server in the pool. Session affinity is also referred to as session persistence, server affinity, server persistence, or server sticky. |
Cookie | Description |
---|---|
wordpress_test_cookie | WordPress cookie to read if cookies can be placed, and lasts for the session. |
wp_lang | This cookie is used to remember the language chosen by the user while browsing. |
Cookie | Description |
---|---|
CONSENT | YouTube sets this cookie via embedded youtube-videos and registers anonymous statistical data. |
fs_cid | This cookie is set by FullStory to store the user’s cookie consent preferences for session tracking. |
fs_lua | This cookie is set by FullStory to record the time of the user’s last activity, helping manage session timeouts. |
fs_uid | This cookie is set by FullStory to assign a unique ID to each user and record session replays and interactions. |
osano_consentmanager | This cookie is set by FullStory’s consent management system (Osano) to store the user’s cookie consent preferences and ensure compliance with privacy regulations. |
osano_consentmanager_uuid | This cookie is set by FullStory’s consent management system (Osano) to uniquely identify a user’s consent session for consistent consent tracking. |
vuid | Vimeo installs this cookie to collect tracking information by setting a unique ID to embed videos to the website. |
yt-remote-device-id | YouTube sets this cookie to store the video preferences of the user using embedded YouTube video. |
yt.innertube::nextId | This cookie, set by YouTube, registers a unique ID to store data on what videos from YouTube the user has seen. |
yt.innertube::requests | This cookie, set by YouTube, registers a unique ID to store data on what videos from YouTube the user has seen. |
_fs_tab_id | This temporary session value is used by FullStory to track user activity across multiple tabs. |
_ga | The _ga cookie, installed by Google Analytics, calculates visitor, session and campaign data and also keeps track of site usage for the site's analytics report. The cookie stores information anonymously and assigns a randomly generated number to recognise unique visitors. |
_gat_gtag_UA_* | This cookie is set by Google Analytics to throttle request rates and limit data collection on high-traffic sites. |
_ga_* | Set by Google Analytics to persist session state. |
_gid | Installed by Google Analytics, _gid cookie stores information on how visitors use a website, while also creating an analytics report of the website's performance. Some of the data that are collected include the number of visitors, their source, and the pages they visit anonymously. |
_lfa | This cookie is set by the provider Leadfeeder to identify the IP address of devices visiting the website, in order to retarget multiple users routing from the same IP address. |
__q_state_* | This cookie is set by FullStory to track session state and user interactions across page views. It helps rebuild session context for accurate session replay and analytics. |
Cookie | Description |
---|---|
aam_uuid | Set by LinkedIn, for ID sync for Adobe Audience Manager. |
AEC | Set by Google, ‘AEC’ cookies ensure that requests within a browsing session are made by the user, and not by other sites. These cookies prevent malicious sites from acting on behalf of a user without that user’s knowledge. |
AMCVS_14215E3D5995C57C0A495C55%40AdobeOrg | Set by LinkedIn, indicates the start of a session for Adobe Experience Cloud. |
AMCV_14215E3D5995C57C0A495C55%40AdobeOrg | Set by LinkedIn, Unique Identifier for Adobe Experience Cloud. |
AnalyticsSyncHistory | Set by LinkedIn, used to store information about the time a sync with the lms_analytics cookie took place for users in the Designated Countries (which LinkedIn determines as European Union (EU), European Economic Area (EEA), and Switzerland). |
bcookie | LinkedIn sets this cookie from LinkedIn share buttons and ad tags to recognise browser ID. |
bscookie | LinkedIn sets this cookie to store performed actions on the website. |
DV | Set by Google, used for the purpose of targeted advertising, to collect information about how visitors use our site. |
ELOQUA | This cookie is set by Eloqua Marketing Automation Tool. It contains a unique identifier to recognise returning visitors and track their visit data across multiple visits and multiple OpenText Websites. This data is logged in pseudonymised form, unless a visitor provides us with their personal data through creating a profile, such as when signing up for events or for downloading information that is not available to the public. |
gpv_pn | Set by LinkedIn, used to retain and fetch previous page visited in Adobe Analytics. |
lang | Session-based cookie, set by LinkedIn, used to set default locale/language. |
lidc | LinkedIn sets the lidc cookie to facilitate data center selection. |
lidc | Set by LinkedIn, used for routing from Share buttons and ad tags. |
li_gc | Set by LinkedIn to store consent of guests regarding the use of cookies for non-essential purposes. |
li_sugr | Set by LinkedIn, used to make a probabilistic match of a user's identity outside the Designated Countries (which LinkedIn determines as European Union (EU), European Economic Area (EEA), and Switzerland). |
lms_analytics | Set by LinkedIn to identify LinkedIn Members in the Designated Countries (which LinkedIn determines as European Union (EU), European Economic Area (EEA), and Switzerland) for analytics. |
NID | Set by Google, registers a unique ID that identifies a returning user’s device. The ID is used for targeted ads. |
OGP / OGPC | Set by Google, cookie enables the functionality of Google Maps. |
OTZ | Set by Google, used to support Google’s advertising services. This cookie is used by Google Analytics to provide an analysis of website visitors in aggregate. |
s_cc | Set by LinkedIn, used to determine if cookies are enabled for Adobe Analytics. |
s_ips | Set by LinkedIn, tracks percent of page viewed. |
s_plt | Set by LinkedIn, this cookie tracks the time that the previous page took to load. |
s_pltp | Set by LinkedIn, this cookie provides page name value (URL) for use by Adobe Analytics. |
s_ppv | Set by LinkedIn, used by Adobe Analytics to retain and fetch what percentage of a page was viewed. |
s_sq | Set by LinkedIn, used to store information about the previous link that was clicked on by the user by Adobe Analytics. |
s_tp | Set by LinkedIn, this cookie measures a visitor’s scroll activity to see how much of a page they view before moving on to another page. |
s_tslv | Set by LinkedIn, used to retain and fetch time since last visit in Adobe Analytics. |
test_cookie | Set by doubleclick.net (part of Google), the purpose of the cookie is to determine if the users' browser supports cookies. |
U | Set by LinkedIn, Browser Identifier for users outside the Designated Countries (which LinkedIn determines as European Union (EU), European Economic Area (EEA), and Switzerland). |
UserMatchHistory | LinkedIn sets this cookie for LinkedIn Ads ID syncing. |
UserMatchHistory | This cookie is used by LinkedIn Ads to help dunnhumby measure advertising performance. More information can be found in their cookie policy. |
VISITOR_INFO1_LIVE | A cookie set by YouTube to measure bandwidth that determines whether the user gets the new or old player interface. |
YSC | YSC cookie is set by YouTube and is used to track the views of embedded videos on YouTube pages. |
yt-remote-connected-devices | YouTube sets this cookie to store the video preferences of the user using embedded YouTube video. |
_gcl_au | Set by Google Tag Manager to store and track conversion events. It is typically associated with Google Ads, but may be set even if no active ad campaigns are running, especially when GTM is configured with default settings. The cookie helps measure the effectiveness of ad clicks in relation to site actions. |