La era de la moda rápida y la evolución de las tendencias de compra de los consumidores han hecho que sea mucho más desafiante y complicado para las marcas predecir el comportamiento de compra futuro y obtener productos que probablemente tengan demanda. El acceso de Intelligence Node a una gran cantidad de datos en línea y de la competencia y al análisis de inteligencia artificial patentado lo coloca en una ventaja para comprender las tendencias basadas en más de un factor y analizar estos datos. para pronosticar la probabilidad de éxito futuro basado en datos históricos y atributos del producto.
En el artículo, arrojaremos luz sobre el modelo de probabilidad de éxito futuro creado por el equipo de análisis de Intelligence Node.
El Modelo de Probabilidad de Éxito Futuro fue desarrollado como un modelo reactivo que se ha convertido en un Modelo de memoria limitada. Teniendo en cuenta la aplicación del modelo y si los sistemas de 'Teoría de la mente' son más avanzados, podemos hacer la transición y hacer que los pronósticos sean 'conscientes de las variables que realmente pueden influir en los sentimientos y comportamientos'. Podemos comenzar a ver el mercado minorista (que se puede segmentar aún más en grupos) como un individuo(s) con sus propios sentimientos y rabietas... el 'Sr. Mercado' alegoría creado por Benjamin Graham me viene a la mente.
Una inmersión profunda en el modelo de probabilidad de éxito futuro
El modelo de probabilidad de éxito futuro de Intelligence Node se ejecuta en 4 pasos clave. Cada paso es fundamental para generar datos que se puedan usar juntos para inferir el nivel de éxito probable que verá un producto en los próximos 6 a 12 meses en función del comportamiento histórico de ciertos atributos.
Metodología
Paso 1: analizar datos históricos
- La evolución de una tendencia/atributo puede tener múltiples resultados posibles. Al analizar los datos históricos, podemos estimar la probabilidad de éxito futuro.
Paso 2: Realice un seguimiento de los atributos de productos establecidos y emergentes
- Los atributos pueden ser controlados por bibliotecas (establecidos) o controlados por máquinas (emergentes). El seguimiento del rendimiento del atributo durante un período de tiempo puede ayudarnos a comprender la probabilidad de su progreso futuro
Paso 3: Evaluar el rendimiento de las métricas clave
- Para cada tendencia/atributo, evaluamos la participación en el anaquel, el rango de tiempo y el rango de poder (los subcomponentes incluyen la velocidad de revisión, la velocidad de ventas, la visibilidad del producto, la dinámica del ciclo de vida del producto, etc.)
Paso 4: Analizar la probabilidad de éxito futuro
- Con base en una revisión histórica superpuesta con la dinámica actual del mercado de los KPI de señal, podemos identificar tendencias/atributos que tienen una alta probabilidad de éxito en el futuro
Paso 1: analizar datos históricos
Los datos históricos son un factor clave para poder determinar las tendencias futuras y la probabilidad de éxito de un producto. Al comprender cómo se ha desempeñado un producto en el pasado, dónde se encuentra en el ciclo de vida del producto y cómo fue recibido por la audiencia, se puede obtener información sobre su éxito futuro (y el éxito futuro de las tendencias emergentes que son similares) si se combina con otros determinantes clave. La evolución de una tendencia/atributo puede tener múltiples resultados posibles y el análisis de datos históricos puede ayudar a estimar la probabilidad de éxito futuro para varios casos.
Paso 2: Realice un seguimiento de los atributos de productos establecidos y emergentes
Podemos identificar las tendencias del mercado mediante el análisis de atributos impulsados por máquinas (y palabras clave similares). Tomemos el ejemplo de la palabra clave 'Jeans reciclados' a continuación y entendamos cómo usamos el enfoque impulsado por la máquina para identificar palabras clave/atributos similares:
Paso 1: copia del producto minero para palabras clave
Capturamos las palabras clave recurrentes del nombre/descripción del producto en todos los dominios de la competencia utilizando nuestras completas bibliotecas de atributos (la visión por computadora también se implementa para una cobertura máxima).
Paso 2: Filtrado de valores de atributo
Filtramos los valores de atributo existentes de la biblioteca de atributos y analizamos las palabras clave de equilibrio (los modelos de transformadores se implementan + la implementación personalizada de BERT extrae los vectores de oraciones y los usa para entrenar un NN feedforward completamente conectado).
Paso 3: Ejecución de clústeres de tiro cero en palabras clave de equilibrio
Ejecutamos un modelo personalizado de agrupamiento de tiro cero (el modelo está programado para reconocer y ajustarse a sus sesgos internos) para crear grupos "lógicos".
Paso 4: Identificar palabras clave/atributos similares
Además, el modelo (NN desarrollado a medida que mide la similitud del contexto) busca palabras clave similares que puedan girar en torno al tema inicial identificado por el agrupamiento, por ejemplo, la conciencia ambiental.
Paso 3: Evaluar el rendimiento de las métricas clave
La evaluación de las métricas clave es uno de los pasos más importantes en el modelo de probabilidad de éxito futuro. En este paso, analizamos métricas como la participación en el estante, el rango de tiempo y el rango de poder para evaluar exhaustivamente el desempeño de un producto e inferir la probabilidad de su éxito futuro:
Cuota de estantería: Seguimiento de la participación de un atributo en comparación con los datos generales
“Cuota de estantería digital” es el porcentaje de visibilidad que obtiene un producto a partir de una consulta de palabra clave/atributo.
Ejemplo:
Rango de poder: Un criterio importante que genera una puntuación conjunta de indicadores clave de rendimiento tales como:
un. Reacción del cliente (número y velocidad de reseñas y calificaciones de productos)
Hacemos un seguimiento de este KPI calculando el recuento total de reseñas de clientes en el sitio web junto con la velocidad de estas reseñas (qué tan recientemente se publicaron estas reseñas) para analizar el sentimiento del cliente a nivel de atributo.
Ejemplo:
En el ejemplo anterior, rastreamos el número de reseñas y la velocidad de las reseñas de los jeans de tiro alto de GAP.
B. Acción del cliente (seguimiento de la velocidad de ventas y la visibilidad del producto en todos los dominios)
Nuestros algoritmos de "raspado inteligente de recetas" pueden realizar un seguimiento de la velocidad de las ventas raspando el recuento de inventario de múltiples fuentes incluyendo la página del producto, el carrito de compras, el cuadro de compra de Amazon, etc. y analizando la frecuencia con la que los niveles de inventario se agotan durante un período determinado.
Ejemplo:
C. Visibilidad del cliente (seguimiento de la capacidad de búsqueda y popularidad del producto mediante el algoritmo de búsqueda del dominio del competidor objetivo)
Desde una perspectiva de capacidad de búsqueda, seguimiento de los primeros 100 productos en los dominios de la competencia y analice la participación de cada atributo.
Ejemplo:
Por ejemplo, los “mom jeans” representan el 26% de los primeros 100 productos listados en H&M.
También rastreamos la popularidad semanal/mensual de un atributo en las tendencias de Google. Este dato es un reflejo directo del 'interés de búsqueda real' en toda la región definida.
D. Ciclo de vida del producto
Podemos analizar la dinámica del ciclo de vida del producto mediante el seguimiento de las actividades clave del producto en un nivel de atributo como promociones de productos, relación de descuento, afinidad de productos, disponibilidad de productos, tasa de reposición, intervalo promedio de desabastecimiento de productos, etc.
Ejemplo:
3. Rango de tiempo: seguimiento de la antigüedad de un atributo
Podemos rastrear la edad (tiempo desde el inicio) para cada atributo. Esto puede ayudar a identificar nuevas tendencias en una etapa temprana, y también arrojó luz sobre las tendencias decrecientes en el mercado.
Ejemplo
Paso 4: Análisis de la probabilidad de éxito futuro
Con base en el desempeño histórico de todas las métricas cubiertas en el paso 3, podemos identificar tendencias/atributos que tienen una alta probabilidad de éxito en el futuro o que probablemente dejarán de ser tendencia. Con este análisis, los fabricantes y las marcas pueden planificar con 6-12 meses de antelación sobre qué productos se deben fabricar u ordenar, qué SKU almacenar o invertir y qué productos se pueden descontinuar para optimizar el almacenamiento y almacenamiento de inventario, ahorrar costos y gastos generales y satisfacer la demanda del consumidor de manera planificada y basada en datos.
En el ejemplo anterior, hemos analizado el desempeño de las métricas clave para 'jeans de corte recto' durante los últimos 24 meses. Al aplicar nuestro enfoque analítico, podemos predecir la probabilidad de éxito de los jeans de corte recto en los próximos meses.
Preguntas Respuestas de análisis de datos para empresas minoristas
Un enfoque basado en datos para la toma de decisiones minoristas, como el modelo de probabilidad de éxito futuro explicado en este artículo, es un nuevo enfoque impulsado por el mercado para identificar tendencias futuras y probabilidad de éxito para atributos de productos específicos basado en una serie de métricas y atributos preconfigurados. Responde a muchas preguntas principales relacionadas con áreas comerciales clave en función de datos históricos y en tiempo real confiables, análisis de datos en profundidad, inteligencia intuitiva y tendencias del mercado y del consumidor. Veamos algunas de las preguntas que el modelo de probabilidad de éxito futuro ayuda a responder:
- ¿Qué nuevas tendencias debo incorporar?
- ¿Cómo debo calibrar las tendencias establecidas para maximizar mis posibilidades de éxito?
- ¿Las tendencias establecidas están aumentando en poder?
- ¿Las tendencias establecidas están disminuyendo en potencia?
Palabra final: análisis basados en datos para el futuro del comercio minorista
El ritmo al que evolucionan las preferencias minoristas y de los consumidores en la actualidad ha hecho que sea esencial para las empresas minoristas aprovechar el poder de la tecnología minorista avanzada y el análisis de IA. El éxito de las empresas minoristas dependerá en gran medida de su eficacia para aprovechar los datos como una herramienta estratégica para la toma de decisiones. Aprovechar el análisis avanzado ayudará a los minoristas a obtener información para identificar tendencias futuras y preferencias de los consumidores para negocios minoristas a prueba de futuro y tomar decisiones basadas en datos que tendrán un impacto positivo en los resultados futuros. Esto es exactamente lo que el último modelo de probabilidad de éxito futuro de Intelligence Node pretende ofrecer al ecosistema minorista. Es una solución que empoderará a marcas, minoristas y fabricantes con información procesable sobre el futuro probable mediante el análisis y la obtención de información a partir de grandes cantidades de datos, parámetros y atributos; permitiéndoles tomar decisiones de fabricación, abastecimiento, fijación de precios y surtido con precisión.
Yasen Dimítrov es cofundador y director de análisis de Intelligence Node, una plataforma de inteligencia minorista que ofrece una precisión de datos del 99 % con IA patentada.
- Coinsmart. El mejor intercambio de Bitcoin y criptografía de Europa.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. ACCESO LIBRE.
- CriptoHawk. Radar de altcoins. Prueba gratis.
- Fuente: https://www.kdnuggets.com/2022/02/analyzing-probability-future-success-intelligence-node-attributes-evolution-model.html?utm_source=rss&utm_medium=rss&utm_campaign=analyzing-the-probability-of- futuro-éxito-con-inteligencia-nodos-atributos-evolución-modelo
