К какой категории продуктов относятся


Классификация продуктов питания

Существует несколько классификаций продуктовых товаров, каждая из которых отвечает своему целевому назначению. Например: учебная, производственная, биологическая, торговая и т.д.

За их основу могут быть взяты следующие признаки:

- происхождение товара — в этом случае товары подразделяются на продукты растительного, животного и минерального происхождения;
- степень обработки сырья — продукты делятся полуфабрикаты, на сырые и на готовые изделия;
- назначение — вкусовое и пищевое;
- химический состав — всем известные белки, жиры, углеводы и минеральные вещества.

Однако для предприятий общественного питания наиболее популярной классификацией продуктов является учебная. Группировка товаров в ней проводится по основной сырьевой составляющей (например, молоко, мясо, зерно), по схожести использования продуктов (вкусовые товары), или по общности состава продукта (например, мед и кондитерские изделия; жиры). Поскольку эта классификация проводится обобщенно, в совокупности нескольких признаков, ее нельзя назвать научной, однако на практике – в сфере общественного питания, при складском учете, оптовой торговле продуктами она используется повсеместно и отлично себя оправдывает. Рассмотрим ее подробнее.

Учебная классификация продуктов питания. Согласно данному делению продукты относят к девяти различным группам:

1. Мясо (в том числе мясо птицы) и продукция из него. Мясо - незаменимый источник животного белка, который является основным строительным материалом для организма. Кроме того, мясо обладает питательной ценностью, высокими вкусовыми качествами, содержит некоторые важные минеральные вещества. К числу производный товаров из мяса относятся полуфабрикаты, колбасы, сосиски, копченые изделия, субпродукты, другие изделия. 2. Плодоовощные товары. К ним относят фрукты, овощи, грибы и ягоды, а также продукты их переработки - консервы, соленья, проч. Отличительными особенностями данной группы являются невысокая энергетическая ценность и при этом ярко выраженные вкусовые качества. По содержанию различных веществ в составе данная группа выделяется повышенным содержанием природных сахаров, минеральных веществ, витаминов и полезных пищевых волокон. 3. Вкусовые товары. Данная группа товаров, исходя из своего названия, призвана воздействовать через вкусовые рецепторы организма на нервную и пищеварительную системы человека. Основными действующими веществами, входящими в состав продуктов данной группы, являются кофеин, эфирные масла, спиртовые компоненты, ваниль. К числу данных товаров относятся чай и кофе, алкогольные напитки. Особо выделяют сладкие и острые специи и пряности, которые вызывают разнообразные вкусовые ощущения. 4. Пищевые жиры. К их числу относят масла и жиры как животного, так и растительного происхождения, а также маргарин и майонез. Отличительной особенностью данной группы является высокое содержание жиров - самой энергоемкой категории пищи. Кроме того, отдельные виды растительных и животных жиров содержат важные для организма витамины A, D, Е. 5. Молочные продукты. Молоко, сыры, линейка кисломолочных товаров (творог, кефир, ряженка, сметана, йогурт и др.), сливочное масло, сливки, а также молочная консервация. Данную группу продуктов отличает высокое содержание белков и жиров, которые способны обеспечить организм всеми необходимыми питательными веществами, которые к тому же легко усваиваются. 6. Крахмал, сахар, мед и кондитерские товары. Они также обладают высокими вкусовыми характеристиками, однако их отличие от предыдущей группы заключается в повышенном содержании углеводов, которые легко усваиваются организмом, то есть обладают питательными свойствами, но не участвуют в других важных процессах жизнедеятельности. Итак, к числу данных товаров относятся конфеты и кондитерские изделия, сладкие мучные и сдобные изделия, в том числе восточные сладости, какао, шоколад, карамель и другие изделия из сахара. 7. Зерно-мучные товары. Мука всех сортов, зерна, крупы и изделия из них, макароны и хлебобулочные изделия). Отличительной особенностью данных продуктов является повышенной содержание в них углеводов. 8. Рыба и рыбные продукты. Подобно мясу, рыба является источником незаменимых строительных белков, а также ряда незаменимых минеральных веществ и витаминов. К числу товаров данной группы относится живая, охлажденная и замороженная рыба, рыбные консервы, полуфабрикаты, морепродукты. 9. Яйца и продукция из них. К ним относятся также яичный порошок, меланж и др. По содержанию полезных веществ и степени усваиваемости приравниваются к продуктам предыдущей группы.

Компания ООО «АльфаТрейд» предлагает купить продукты питания оптом в Москве и области. Мы работаем в сфере снабжения предприятий общественного питания с 2010 года и готовы предоставить вам лучшие условия снабжения и весь необходимый ассортимент продуктов.

Приглашаем к сотрудничеству все виды предприятий сегмента  HoReCa: кафе, рестораны, бары, столовые, пиццерии, кондитерские, закусочные, быстро, фаст-фудные, кулинарии, вагоны-рестораны, комбинаты питания, буфеты, чайные, шашлычные, пельменные, блинные, пирожковые, чебуречные, сосисочные.

Ознакомьтесь с нашим предложением подробнее - Продукты питания оптом для предприятий общепита.

Статьи по теме:

— Правила оказания услуг общественного питания;
— Советы по расчету стоимости дополнительных услуг для предприятий общепита;
— Правила и секреты составления меню для предприятий общественного питания;
— Что видит клиент, открывая карту вашего меню;
— Современные технологии в помощь бизнесу общественного питания;


ML-Powered Классификация продуктов для умных покупок | by Abhimanyu Sundar

Возьмем пример веб-сайта агрегатора электронной коммерции на базе искусственного интеллекта, который радует клиентов, предоставляя им разумные варианты покупки. Хотите подарить близким в этот праздничный сезон, но не хотите прожечь дыру в кармане? Просто войдите в этот агрегатор электронной коммерции, и мы не только скажем вам, где вы можете купить его дешевле, но также предложим вам другие варианты, такие как покупка универсального продукта вместо фирменного.Более того, вы также можете получить кэшбэк на свои покупки.

Рис. 1. Варианты покупок у розничных продавцов в агрегаторе электронной коммерции

Итак, что мы делаем скрытно, чтобы вызвать это волшебство? Этот блог даст вам представление о передовых методах Machine Learning и искусственного интеллекта, которые мы применяем для решения некоторых из самых сложных проблем, с которыми сталкивается отрасль. В частности, этот блог может стать примером того, как мы решили назойливую проблему категоризации продуктов.

Категоризация продуктов незаменима для веб-сайтов электронной коммерции. Он ускоряет поиск по произвольному тексту и обеспечивает более удобное взаимодействие с пользователем за счет предварительного выделения основных категорий. Каждый розничный торговец, такой как Amazon, Walmart и т. Д., Маркирует все свои продукты категорией продукта. Например, если вы ищете Nintendo на Amazon и переходите на страницу отображения продукта, вы можете найти его категорию, как показано ниже

Рис.2: Категория продукта для Nintendo, отображаемая на Amazon

Вы можете выполнить поиск того же продукта на Walmart и Best Buy.Вы можете найти категории продуктов на соответствующих страницах отображения продуктов, как показано ниже.

Рис.3: Категория продукта для Nintendo, отображаемая в Walmart Рис.4: Категория продукта для Nintendo, отображаемая в Best Buy

Хотя эта категоризация хорошо работает на веб-сайтах розничных продавцов, она становится проблемой для агрегаторов электронной торговли. Как видно из приведенных выше снимков экрана, категории продуктов были по-разному определены разными розничными торговцами для одного и того же продукта.Это создает проблему при отнесении одного и того же продукта от разных розничных продавцов к одним и тем же категориям, из-за чего страдает качество результатов поиска и пользовательский опыт.

Желательно, чтобы конкретный продукт классифицировался одинаково для всех розничных продавцов. Доступна универсальная таксономия, такая как таксономия Google, которую можно использовать для сопоставления продуктов с универсальными категориями в розничном магазине. Но как выполнить сопоставление? Для этого есть два интуитивно понятных подхода:

a) Сопоставление вручную - Это предполагает просмотр названий продуктов и присвоение категорий из универсальной таксономии вручную.Типичный агрегатор электронной коммерции будет иметь около 50–75 миллионов списков товаров. Это исключает возможность делать это вручную, поскольку это займет невероятно много времени и подвержено человеческой ошибке.

b) Категоризация на основе правил - Другой вариант - написать правила категоризации на основе категорий розничных продавцов и названий продуктов. Но сколько таких правил вам понадобится, чтобы составить исчерпывающий набор категорий? Слишком много. И даже при очень большом количестве правил трудно сказать, является ли он исчерпывающим или нет.Таким образом, этот вариант не масштабируется и принесет ограниченный успех.

Итак, как же нам это сделать? Входит в машинное обучение !!

Подход машинного обучения (ML) использует методы классификации текста, чтобы отнести каждый продукт к категории на основе названия / описания продукта. Прежде чем вдаваться в подробности метода, давайте посмотрим на проблемы при реализации подхода машинного обучения.

Доступность обучающих данных - Алгоритмам машинного обучения требуются обучающие данные, чтобы получить правильные ответы, прежде чем они начнут прогнозировать.В большинстве приложений машинного обучения эти данные поступают из исторических бизнес-процессов. Но в данном случае он недоступен. В таких случаях очень часто создаются обучающие данные вручную или с помощью какого-либо эвристического метода. Для задачи классификации текста должно быть существенное представление каждой категории, которую пытаются предсказать. Ручной подход требует времени и подвержен ошибкам, как обсуждалось ранее. Вот как выглядят данные обучения в нашем случае.

Рис.5: Обучающие данные со всем блоком категорий как одной категорией

Мы использовали сочетание ручных усилий и эвристических приложений на основе правил, таких как Feedonomics, для создания обучающего набора из 25 миллионов продуктов

Крупномасштабные данные - Количество списков продуктов для типичных агрегаторов электронной коммерции находится в диапазоне 45–50 миллионов.Такие огромные данные требуют огромного хранилища и во многих случаях распределенных вычислительных мощностей. Классификация текста требует методов предварительной обработки текста, которые сами по себе требуют больших вычислительных ресурсов.

Мы использовали машину с ОЗУ 32 ГБ на AWS для создания прототипа модели и проведения экспериментов.

Иерархическая таксономия - Как видно из приведенных выше примеров, категории, которые мы хотим прогнозировать, являются иерархическими с разными уровнями. В примере ниже есть 4 уровня: Дом и сад на уровне 1, Товары для дома на уровне 2 и так далее.

Есть два подхода к решению этой проблемы:

i) Все уровни вместе как одна категория - В этом подходе весь блок, показанный в приведенном выше примере, рассматривается как одна категория. Если существует 10 различных категорий продуктов на уровне 1, 15 на уровне 2 и 20 на уровне 3, таких категорий будет 3000 (10 * 15 * 20). Как видите, количество категорий будет расти экспоненциально с увеличением количества отдельных категорий на каждом уровне. С большим количеством категорий трудно работать, и это приводит к снижению точности методов классификации текста.

ii) Различная классификация для разных уровней - Этот метод предполагает вложенный / итерационный подход.На первом проходе прогнозируется уровень 1 иерархии. Во втором проходе для каждой категории на уровне 1 запускается отдельная модель, чтобы предсказать категорию уровня 2. Этот метод дает лучшую точность, но увеличивает количество моделей, которые необходимо обучить.

Во втором случае столбец категории будет разделен на несколько уровней, как показано ниже.

Рис.6: Данные обучения с категориями, разбитыми на подуровни. Каждый уровень категории прогнозируется отдельно.

На первом проходе, в подходе 2, Level_1_Cat становится переменной, которую мы обучаем и прогнозируем.В первом проходе всего 1 модель. На следующем этапе создаются две отдельные модели классификации для продуктов в Apparel & Accessories и Health & Beauty . Level_2_Cat становится переменной, на которой мы обучаемся для каждой из моделей. Для третьего прохода мы возьмем отдельные группы комбинаций из Level_1_Cat и Level_2_Cat и построим модели для каждой группы с Level_3_Cat в качестве переменной, на которой мы будем обучать модель

В подходе 1 было бы только 1 модель.Напротив, в подходе 2 будет столько моделей, сколько уникальных групп продуктов на этом проходном уровне. Если существует 10 различных категорий продуктов на уровне 1, 15 на уровне 2 и 20 на уровне 3, будет 1 модель на проходе 1, 10 моделей на проходе 2 и 150 (10 * 15) моделей на проходе 3. Всего 161 модель.

Требование вложенности также увеличивает объем кодирования. Но разбиение одной модели на несколько небольших моделей дает лучшую общую точность, поскольку каждая модель имеет управляемое количество категорий.В интересах точности мы остановились на подходе 2.

Звучит нормально. Но как на самом деле реализовать методы классификации на основе машинного обучения? Какие шаги и какие инструменты и методы следует использовать? Эти вопросы естественным образом возникают у вас в голове. В этом разделе мы ответим на эти вопросы.

Шаги категоризации продуктов можно разделить на предварительную обработку данных, оценку модели, проверку и оптимизацию модели и т. Д. Вот краткий обзор шагов, которые мы выполнили:

Количество уникальных продуктов в разных категориях продуктов сильно различается.Как правило, распределение продуктов по категориям следует принципу Парето, согласно которому 80% продуктов содержатся в 20% категорий.

Метод грубой силы для устранения этой асимметрии заключается в исключении из анализа категорий продуктов с очень малой представленностью. Но это приводит к потере данных, что нежелательно.

Вместо этого используется случайная выборка, а точнее стратифицированная случайная выборка, для обеспечения справедливого представительства каждой категории. Да даже машинам нравится равенство! Социализм FTW !!

Стратифицированная случайная выборка также может использоваться для создания быстрого прототипа модели с выборкой, содержащей все категории из большого набора данных.

Предварительная обработка текстовых данных сильно отличается от обычного набора данных. Текстовые данные сначала необходимо преобразовать в числовое представление, прежде чем к ним будут применены алгоритмы машинного обучения. Методы, которые достигают этой цели, называются методами векторизации текста. Самые популярные из них - Bag of Words, TF-IDF и Word2Vec. В большинстве случаев они приводят к так называемой матрице терминологического документа (TDM).

Методы векторизации текста сочетаются с этапами предварительной обработки, такими как n-граммы, удаление стоп-слов, выделение корней / лемметизация и т. Д.n-граммы принимают блоки из 2 последовательных слов или 3 последовательных слов в дополнение к отдельным словам при создании TDM. Удаление стоп-слов исключает знаки препинания и другие несущественные слова, такие как артикли (a, an, the), предлоги и союзы (о, среди, так или иначе и т. Д.) Из TDM. Стемминг и лемметизация обрезают слово до корня. Множественное число становится единичным, различные варианты времени сводятся к своей простой настоящей форме.

После преобразования текстовых данных в числовое представление можно применять модели классификации.Самыми популярными алгоритмами, которые используются для классификации текста, являются полиномиальный наивный байесовский алгоритм и машины опорных векторов (SVM). Также можно попробовать другие методы классификации, такие как случайные леса с методами повышения.

Наивный Байес - это метод классификации, основанный на вероятности. Он вычисляет условную вероятность принадлежности блока слов (названия продукта) к определенному классу (категории продукта). Название продукта присваивается той категории продукта, для которой условная вероятность наиболее высока.

SVM - это классификатор на основе гиперплоскости, который хорошо работает даже с небольшим объемом данных. Он максимизирует расстояние векторов (точек данных) от разделяющей гиперплоскости.

Как наивный байесовский, так и SVM-методы имеют несколько параметров модели, которые можно настраивать. Производительность / точность моделей во многом зависит от правильных значений параметра. На этом этапе для каждого параметра предоставляется диапазон значений и создается несколько моделей, чтобы увидеть, какие значения параметра дают наилучший результат.Этот метод необходим для точной настройки и поиска оптимальных значений параметров модели.

Это основная часть, в которой модель переходит от прогнозирования уровня основной категории к прогнозированию другого подуровня. Как объяснялось ранее, существует столько же моделей, сколько и групп на предыдущем уровне. Одна и та же модель обучается отдельно для каждой группы с собственными данными поезда, состоящими из продуктов из этой группы.

Погрешность рассчитывается для каждой модели отдельно.Средняя точность по всем моделям увеличивается в результате вложения. Во время экспериментов с выборочным набором данных с 21 категорией на уровне основной категории мы обучили 21 модель для прогнозирования первого подуровня. Уровень точности моделей варьировался, как показано ниже.

Рис. 7: Точность модели для 100 различных моделей (по одной для каждой категории на уровне основной категории), предсказывающих первый подуровень

Общая точность увеличивается до 89% с 78% как только мы перейдем от прогноза категории единого блока (Здоровье и красота> Личная гигиена> Уход за волосами> Расчески и щетки) к прогнозированию уровня категории на основе иерархии (сначала прогнозирование Health & Beauty , затем Hair Care и т. д.) до 2 уровни.Точность увеличивается по мере того, как мы углубляемся во вложение.

Обученную модель можно использовать несколькими способами. Обученную модель можно использовать для прогнозирования категорий продуктов из файла в пакетном режиме. В качестве альтернативы обученную модель можно протравить для дальнейшего использования. Протравленный объект сохраняет атрибуты / параметры обученной модели в физическом файле, который можно сохранить на жестком диске. Этот файл может быть загружен в память всякий раз, когда кто-то хочет сделать прогноз, или может храниться на веб-сервере, где он постоянно доступен для прогнозирования с использованием HTTP-запросов.

Чтобы получить представление о том, насколько легко сделать прогноз после завершения обучения, взгляните на фрагмент кода ниже, где мы используем обученную модель для прогнозирования категорий двух продуктов на основе их названия

Рис.8: Прогнозирование категории продукта на основе названий продуктов с использованием обученной модели

Вот краткое изложение задействованных шагов и методов, используемых на каждом шаге этого процесса.

Рис.9: Этапы создания модели категоризации продукта

В этом разделе представлен список используемых инструментов и методов

Инструменты - Python, Scikit Learn, Jupyter Notebook

Было использовано несколько других библиотек Python .Их список показан ниже

Рис.10: Библиотеки, используемые при обучении модели

Машины - Windows 8 ГБ ОЗУ (для прототипирования), машины AWS 32 ГБ EC2 (для производства)

В следующей таблице приведены сводные данные о время, затрачиваемое различными машинами для загрузки файла рассола и прогноза

Рис.11: Время, затраченное на прогнозы

Категоризация продуктов может использоваться для решения множества проблем в электронной или электронной коммерции компания-агрегатор.Немногие из них были прослушаны ниже.

Проблема : UPC - это универсальный идентификатор продукта среди розничных продавцов. Но у некоторых розничных продавцов, которые продают новые брендовые продукты, и у большинства розничных торговцев, продающих непатентованные и бывшие в употреблении продукты, нет UPC для продуктов. В таком случае сопоставление похожих товаров становится действительно трудным. Бесплатное сопоставление текста на основе названия продукта (с использованием эластичного поиска) дает плохие результаты для большого набора.

Решение : После того, как продукты распределены по категориям, мы можем найти категорию названия продукта запроса (новый брендовый) и выполнить сопоставление текста на основе названия продукта только для продуктов из этой категории.Это дает более релевантные результаты. Такой подход значительно улучшил наши поисковые запросы.

Проблема : Розничные торговцы постоянно обновляют свои товарные запасы. Частота этих обновлений варьируется от ежедневного до ежемесячного. Количество продуктов, обновленных в одном диапазоне обновлений, до тысяч продуктов. Для такого агрегатора электронной коммерции, как мы, это переводится в 100 000 обновлений продуктов в розничных магазинах (более 200 розничных продавцов). Классификация их вручную или с помощью эвристики чревата проблемами, о которых говорилось ранее.

Решение : Обученную модель категоризации (сохраненную как файл pickle) можно использовать для прогнозирования категорий для этих новых продуктов в течение нескольких минут. Прогноз на основе рассола также может быть вставлен в поток ETL в начале процесса, чтобы каждый продукт имел универсально (для всех розничных продавцов) идентифицируемую категорию до того, как он попадет в систему.

Проблема: есть много случаев, когда пользователь попадает на страницу отображения продукта розничного продавца, кто-то хотел бы получить свою универсальную категорию продукта на лету

Решение: это может быть достигнуто путем размещения консервированного файла на веб-сервере и отправки HTTP-запрос с названием продукта каждый раз при загрузке страницы.

Построение этой модели категоризации - кропотливая работа, но, глядя на ценность, которую она внесла в наш бизнес, кажется, что она того стоит. Благодаря этим новым функциям на основе машинного обучения мы уверены, что наши умные варианты покупок значительно улучшат опыт покупок в Интернете.

Автор - Ашиш Кумар

Ашиш - автор и специалист в области обработки данных с многолетним опытом работы в области расширенной аналитики. Он имеет степень бакалавра технических наук в IIT Madras и является стипендиатом Young India Fellow, эксклюзивной годичной академической программой по лидерству и гуманитарным наукам, предлагаемой 215 молодым ярким индийцам, демонстрирующим исключительные интеллектуальные и лидерские способности.

Его книга под названием «Learning Predictive Analytics with Python» признана обязательной к прочтению любителями науки о данных журналом Analytics India. Он проводил обучающие семинары по Data Science и обучал кандидатов с разным опытом.

.

Какие продукты у вас есть на складе?

Составить правильный ассортимент продукции непросто, но абсолютно необходимо для успеха в розничной торговле. В отличие от управления запасами и ценообразования, где у розничных продавцов есть много данных и аналитических инструментов для принятия решений, оптимизация ассортимента по-прежнему является скорее искусством, чем наукой. А неправильный звонок может иметь катастрофические последствия. Рассмотрим эти примеры:

  • После опроса, в ходе которого покупатели заявили, что они хотели бы меньше загроможденных магазинов, Walmart представил Project Impact в 2008 году, удалив 15% своих товаров.Продажи значительно упали, и пришлось отменить большинство изменений.
  • Super Fresh, принадлежащая продуктовому ритейлеру A&P, прекратила продажу многих низкопродажных сухих продуктов, чтобы расширить ассортимент свежих продуктов. Но исключенные продукты оказались необходимыми для клиентов; когда они не могли их найти, они переводили свой бизнес в другое место, и розничный торговец объявлялся банкротом.
  • Розничный продавец товаров для дома использовал демографические данные для локализации своего ассортимента, чтобы лучше удовлетворить вкусы покупателей.Все началось с модных постельных принадлежностей и было приятно увидеть рост выручки на 18%. Но когда он применил данные к категории модных ванн, доходы не изменились. Обескураженный, продавец отказался от этой попытки.
  • Когда новый генеральный директор розничного продавца шин сместил ассортимент с дешевых шин на более дорогие, он на собственном горьком опыте понял, что цена имеет значение для его клиентов. Генеральный директор был заменен через два года, а его преемник восстановил большинство продуктов, которые были ликвидированы.

Подобно многим изменениям в стратегии ассортимента, эти шаги были в основном актами веры. Конечно, легко заметить собак в вашем ассортименте - об этом вам скажут данные о продажах, - но далеко не очевидно, чем следует заменить медленных продавцов. И всегда есть настойчивое беспокойство, что медленный продавец, которого вы удаляете, может быть важным продуктом для некоторых из ваших лучших клиентов, побуждая их переходить на сторону конкурентов. Как известно всем розничным торговцам, выбор лучшего ассортимента - это баланс; любое изменение может иметь волновой эффект.

Множество программных инструментов утверждают, что они поддерживают планирование ассортимента, помогая розничным продавцам решить, какая комбинация продуктов приведет к максимальному увеличению продаж. Но, за очень немногими исключениями, у них нет возможности прогнозировать спрос на новые продукты или оценивать, какой спрос переместится на другие продукты, если прекратится медленный продавец. Эти инструменты не более чем упрощают процесс ручного планирования, основанный на суждении менеджеров в отношении ключевых входных данных. Они ничего не делают для снижения риска, связанного с каждым выбором продуктового ассортимента.

Чтобы устранить этот недостаток, мы разработали метод, который делает планирование ассортимента гораздо более научным. Это основано на нашем наблюдении, что большую часть времени клиенты не покупают продукты; они покупают набор атрибутов. Вспомните, когда вы в последний раз покупали телевизор. Вы сказали: «Я хочу TV X»? Или вы думали о размере экрана, разрешении, цене, сравнении ЖК-дисплея и плазмы и о бренде? Наш подход использует продажи существующих продуктов для оценки спроса на их различные характеристики, а затем использует эти оценки для прогнозирования спроса на потенциальные новые продукты.Вооруженные этими данными, розничные торговцы могут проверить свои догадки более научно.

Наш подход особенно полезен для предприятий розничной торговли в сегменте товаров повседневного спроса и продуктового магазина; он менее применим в сегменте модной одежды, где товары меняются быстро. В настоящее время продуктовые розничные торговцы используют множество доступных рыночных данных для выявления потенциальных дополнений - наименования, которые они не продают, которые хорошо продаются в других розничных магазинах. Но проведенное нами исследование показывает, что наш подход, основанный на атрибутах, имеет меньшую погрешность.

Это также помогает розничным продавцам получить ответы на следующие вопросы:

  • Можем ли мы улучшить наш ассортимент, заменив медленно продаваемые товары новыми? Каков вероятный спрос на потенциальные новинки?
  • Если покупатели не найдут свой идеальный продукт, какова вероятность, что они заменят его другим?
  • Как изменится объем продаж, если мы увеличим или уменьшим количество товаров, которые мы продаем?
  • Имеет ли смысл локализация - настройка ассортимента по магазинам или кластерам магазинов? Если да, то для каких категорий? Если мы решим создать кластеры магазинов с различным ассортиментом, сколько нам следует создать и по каким критериям мы должны их создавать?

Сосредоточив внимание на характеристиках продуктов, розничные продавцы могут максимизировать количество клиентов, которые говорят либо «Это именно то, что я хочу», либо «Этот продукт может быть не тем, что мне в идеале, но он достаточно близок, и я купи это.«Давайте теперь посмотрим на этот процесс на двух примерах из розничной торговли автозапчастями: шинный отдел одной сети (исследовательский проект, который мы проводили) и отдел химии внешнего вида другой (консультирование). Хотя процесс описывается здесь шаг за шагом, на самом деле он многомерен и очень итеративен; Большая часть анализа выполняется с помощью компьютерной модели, которая дает окончательные рекомендации.

Поймите, какие атрибуты наиболее важны для клиентов

Использование нашего метода по-прежнему требует некоторого суждения о том, какие атрибуты важны для потребителей и как эти предпочтения могут повлиять на их решения о покупке, если они не сделают свой первый выбор.Приведенные ниже шаги могут помочь розничным продавцам ответить на эти вопросы.

Определите, какие атрибуты важны для клиентов.

Большинство розничных продавцов уже думают о своих товарах с точки зрения атрибутов и могут легко определить те, которые имеют значение в их категории. Они могут включать цену, марку, размер, вкус и цвет.

Когда мы начали наш исследовательский проект по шинам, менеджер по категориям розничного продавца сказал нам, что важными атрибутами шин являются марка, гарантия на пробег и размер.Розничный торговец предлагал несколько рекламируемых на национальном уровне брендов, которые, по мнению менеджера, покупатели считали взаимозаменяемыми. Мы сгруппировали их вместе как национальные бренды. Ритейлер также предлагал три собственных бренда разного качества и цены, которые мы назовем House 1 (премиальный бренд), House 2 (средний уровень) и House 3 (нижний уровень). Было предложено несколько гарантий пробега, но продавец полагал, что многие потребители сочли эквивалентными. Поэтому мы сгруппировали гарантии по пробегу на три уровня: низкий (от 15 000 до 40 000 миль), средний (от 40 001 до 60 000 миль) и высокий (более 60 000 миль).

Четыре бренда и три уровня гарантии подразумевают 12 комбинаций гарантии бренда, которые розничный торговец теоретически может предложить, но некоторые из них не имеют особого смысла, например, гарантия с большим пробегом для недорогой марки. Фактически было предложено только шесть комбинаций (в порядке убывания качества): National High, National Medium, House 1 High, House 2 High, House 2 Medium и House 3 Low.

Легко заметить собак в вашем ассортименте, но далеко не очевидно, чем следует заменить медлительных продавцов.

Третий ключевой атрибут для шин, размер, включает тип (например, радиальный) и то, для легкового автомобиля или какого-либо другого транспортного средства. Шины бывают 64 размеров, что означает, что розничный продавец мог иметь 384 возможных SKU (64 размера × 6 комбинаций марки и гарантии). Но в большинстве магазинов их было всего 105 штук. Количество покупок в сети варьировалось, в основном, в зависимости от размера магазина. Ассортимент тоже был разнообразным, но в большинстве магазинов были самые популярные артикулы.

Определите, что будут делать покупатели, если вы не предложите их предпочтительный товар.

Готовность покупателей купить другой товар, если они не найдут своего первого выбора, является решающим фактором, когда розничный торговец рассматривает возможность отказаться от товаров. Их готовность сильно зависит от атрибута. Покупатели, вероятно, не станут заменять один размер платья другим, но они могут купить синий, если красного нет в ассортименте. Точно так же люди не собираются покупать 14-дюймовую шину вместо 15-дюймового колеса, но они могут заменить одну марку и комбинацию гарантии на пробег на другую.Таким образом, при создании ассортимента розничным торговцам необходимо учитывать тот факт, что, если покупатели не найдут свой идеальный товар, некоторые из них купят следующий лучший вариант, а некоторые нет. В нашем примере с шинами нас интересовал процент клиентов, которые сместились бы на один уровень качества, если бы их первый выбор был недоступен, и процент, который сместился бы вниз.

Анализировать текущие и потенциальные продажи по атрибуту

Теперь мы выясним, насколько хорошо будут продаваться предметы, которых вы сейчас не носите, и как их добавление в ассортимент повлияет на общий объем продаж.Вот где приходит наука.

Соберите данные о продажах за последний период.

Начните с того, что вы знаете: единичные продажи артикулов, которые у вас есть в настоящее время, и доля каждой комбинации бренда и гарантии в общих продажах. Это основа модели. Обычно мы смотрим на последние данные за шесть месяцев или за год.

В рамках проекта шин мы собрали данные о продажах по артикулам для каждого магазина за последние шесть месяцев. На рис. 1 показаны данные одного магазина по 15 из 64 размеров шин. Это необработанные данные для нашего анализа.(Данные были изменены для защиты конфиденциальной информации.)

Прогнозирование спроса на все возможные артикулы.

Тот факт, что у некоторых SKU продажи были только однозначными, предполагал, что их замена может увеличить доход, но проблема заключалась в том, чтобы выяснить, какие новые SKU будут продаваться лучше. Первым шагом является использование данных о продажах для прогнозирования общего спроса на шины каждого размера, если бы были предложены все комбинации марки и гарантии.

Для иллюстрации рассмотрим размер F.(См. Рис. 2.) Обратите внимание, что в настоящее время розничный торговец предлагает размер F в четырех из шести комбинаций гарантии марки. Мы начинаем с суммирования долей от общего объема продаж каждой из комбинаций, предлагаемых в размере F (7,7% + 2,6% + 19,2% + 57,5%). Это говорит нам о доле общего спроса на размер F, который в настоящее время покрывает розничный торговец (87%). Другими словами, розничный торговец теоретически теряет долю продаж, связанных с двумя комбинациями, которые он не предлагает: National Medium, 2%, и House 3 Low, 11%.

Чтобы рассчитать общий спрос на размер F, мы просто разделим общий объем продаж для размера F на долю охваченного спроса: 1 204 ÷ 87% = 1384. Как только мы узнаем общий спрос на размер F, мы сможем оценить спрос на любую SKU этого размера, умножив общий спрос на размер на долю продаж, полученную при сочетании бренда и гарантии. Например, House 3 Low имеет общую долю 11%; Применение этого процента к 1384 дает нам прогноз в 152 единицы для Дома 3 Low размером F.

Уточните прогноз.

Этот расчет приближает нас к точному прогнозу лишь частично, так как вы это увидите, если спрогнозируете продажи предмета, который вы действительно несете. Выше мы определили, что если бы были предложены все комбинации для размера F, общий объем продаж составил бы 1384 единицы. Таким образом, спрос на House 2 Medium, лидера продаж ритейлера, оценивается в 796 единиц (1384 x 57,5%). Однако фактические продажи были немного ниже: 763 единицы.

Одна из причин несоответствия заключается в том, что доли продаж зависят от предлагаемого ассортимента.House 2 High и Medium предлагались почти всех размеров, что увеличивало их общие доли продаж по сравнению с комбинациями бренд-гарантия, предлагаемыми в меньших размерах.

Чтобы исправить такие несоответствия, нам нужно настроить доли продаж по гарантии бренда, чтобы минимизировать среднюю разницу - то, что статистики называют средним абсолютным отклонением - между оценками и фактическими продажами. Этот высоко повторяющийся процесс выполняется с помощью инструмента оптимизации, такого как Excel Solver. По сути, инструмент вставляет пробные значения для числа долей гарантии бренда в расчеты оценки спроса для всех текущих SKU и видит, насколько близки полученные прогнозы к фактическим продажам.Затем он корректирует значения долей, чтобы сделать прогнозы ближе, и повторяет до тех пор, пока не достигает значений долей, которые минимизируют сумму всех расхождений по предлагаемым артикулам. Именно так вы получаете рецепт на очки: начните с пробной линзы, попробуйте другую линзу - лучше или хуже? - отрегулируйте и повторяйте, пока не будет никаких дальнейших улучшений.

В результате этого процесса были получены «наиболее подходящие» доли спроса для шести комбинаций бренда и гарантии: 2,4%, 1,1%, 1,5%, 6,7%, 18,6% и 69,6%.(См. Рис. 3.) Сравните доли спроса с фактическими долями продаж, и начинает вырисовываться кардинально иная картина оптимального ассортимента.

Обратите внимание, что прогнозы, хотя и близки к фактическим продажам, не совсем точны. На ошибки прогнозов влияют два фактора. Во-первых, это случайные колебания продаж. Во-вторых, наше предположение о том, что спрос на артикул равен спросу на размер, умноженному на долю бренда и гарантии, является несовершенным, поскольку доли комбинаций бренда и гарантии могут различаться по размеру.(Например, спрос был выше на шины эконом-класса в размерах, которые подходят для более старых и менее дорогих автомобилей, чем шины других размеров.)

Определив наиболее подходящую стоимость акций, можно оценить спрос на все потенциальные SKU. (См. Рисунок 4.)

Счет для торговли вверх и вниз.

Теперь рассмотрим еще одну загвоздку: замещение. Вышеописанные расчеты не учитывают явным образом тот факт, что клиенты могут быть готовы купить другую комбинацию марки и гарантии, если их предпочтительный вариант не предлагается.Например, продавец подозревал, что доля продаж House 2 Medium в 57,5% не обязательно означает, что более половины его покупателей предпочитают эту комбинацию; они могли бы согласиться на это, потому что их предпочтительный вариант, более дешевый House 3 Low, не был предложен. Один из признаков того, что это могло быть так, заключался в том, что, когда House 3 Low предлагался в заданном размере, он превосходил House 2 Medium примерно в шесть раз.

Еще больше усложняет ситуацию то, что степень, в которой покупатели торгуют вверх и вниз, может не быть одинаковой для всех уровней качества.Если вы считаете, что это относится к артикулам, которые особенно важны для вашего бизнеса, вам необходимо учесть это в своих расчетах. Что касается проекта шин, мы предположили, что доли покупателей, которые будут торговать вверх или вниз, равны для всех комбинаций бренда и гарантии, за исключением клиентов, переходящих с House 3 Low на House 2 Medium. (На эти две комбинации бренда и гарантии пришлось более двух третей продаж.)

Итак, наша модель теперь требует девять параметров: шесть долей гарантии бренда и три параметра замены, которые включают долю клиентов, которые торгуют на один уровень качества выше, которые торгуются на один уровень качества ниже, и которые переходят с House 3 Low на House 2 Средний.Как и прежде, мы используем такой инструмент, как Excel Solver, который подставляет пробные значения для долей и дробей, вычисляет оценки спроса и видит, насколько близки полученные прогнозы к фактическим продажам. Он корректирует доли и дроби, чтобы сделать прогнозы ближе, и повторяется до тех пор, пока не исчезнет дальнейшее улучшение. Окончательные результаты: 35% покупателей, которым не удалось найти House 3 Low в ассортименте своего размера, обменялись бы и купили House 2 Medium. Для других уровней качества 2% продавали бы вверх, а 1% - вниз, если бы не смогли найти то, что искали.

Это не так просто, как определить 100 самых прибыльных SKU и назвать их ассортиментом.

Когда вы узнаете доли клиентов, торгующихся вверх или вниз, вы можете учесть замещение в своих оценках спроса. Рассмотрим Дом 2 среднего размера F. Поскольку Дом 3 Низкий не предлагается в этом размере, возьмите оценку спроса для Дома 2 Среднего размера и прибавьте к нему оценку спроса Дома 3 Низкий, умноженную на долю клиентов, которые готовы были бы обменять вверх. Для размера A, напротив, в ассортименте присутствуют как House 2 Medium, так и House 3 Low, поэтому в оценке House 2 Medium не учитывается стоимость замещающего спроса.

Ищите сбывающиеся пророчества.

Теперь рассмотрим этот знакомый сценарий: розничный торговец думает, что его покупатели не хотят покупать продукт определенного типа (или розничный торговец не хочет его продавать). Таким образом, компания предлагает ограниченную сумму и поэтому не продает ее в большом количестве, что, по-видимому, подтверждает исходное предположение о том, что покупатели этого не хотят. Но в конечном итоге ассортимент отражает продукты, которые розничный торговец хочет иметь, а не те, которые хотят покупать его клиенты, - рискованное предложение.Одним из преимуществ нашей методики является то, что она позволяет розничным продавцам обнаруживать такие ситуации.

Например, сравнивая предполагаемый спрос и фактические продажи у автомобильного ритейлера, мы обнаружили один удивительный результат: доля продаж House 3 Low составила 11%, но по нашим оценкам, спрос составил колоссальные 69,6% от общего объема продаж. Низкая доля продаж произошла из-за того, что розничный торговец предлагал эту очень дешевую шину всего в нескольких размерах и поэтому не продал много. Но, как показывают данные, когда у клиентов был выбор между House 3 Low и House 2 Medium, они сильно предпочли первое.Этот образец сохранялся по всей сети. Было девять размеров, в которых предлагались и House 3 Low, и House 2 Medium, и в каждом случае House 3 Low превзошел House 2 Medium по общим сетевым продажам - более чем в семь раз.

Розничный торговец предлагал ограниченный выбор самых дешевых шин, потому что его менеджеры думали, что они могут обменять клиентов на House 2 Medium по несколько более высокой цене. Но им удавалось продвигать продажи только в 35% случаев. Действительно, наша модель показывает это, игнорируя оценочные 69.6% доли House 3 Low, компания теряла 45% своих потенциальных продаж (65% из 69,6% клиентов, которые хотят House 3 Low и не идут на повышение).

Наш подход превосходит традиционный, который требует от ритейлеров угадывать, как атрибуты влияют на спрос.

Чтобы лучше понять этот вывод, мы составили таблицу среднего дохода в районе, обслуживаемом каждым магазином, и использовали его для создания рисунка 5, который показывает, что доля самого дешевого House 3 Low и нежелание торговать вверх обратно коррелировали с доходом.Другими словами, чем ниже средний доход в районе, который обслуживает магазин, тем больше его покупатели предпочитают наименее дорогие шины и тем меньше у них желания покупать более дорогие.

Оптимизировать ассортимент

Теперь мы опишем, как использовать нашу модель, чтобы решить, какие существующие и новые артикулы составят оптимальный ассортимент.

1. Решите, хотите ли вы максимизировать выручку или прибыль.

Наиболее естественным показателем прибыли в контексте розничной торговли является общая валовая прибыль, обычно выручка за вычетом стоимости проданных товаров.Бизнес-школы и экономисты проповедуют максимизацию прибыли, но розничные торговцы также заботятся о доходах, отчасти потому, что Уолл-стрит внимательно следит за этим показателем. Как в случае с шинами, так и в случае с химическими веществами для внешнего вида, которые мы рассмотрим позже, цель заключалась в максимальном увеличении дохода.

2. Определитесь с ценами на потенциальные SKU.

Чтобы оптимизировать ассортимент, вам необходимо знать, какой доход (или маржа) принесет каждая SKU. Цены являются ключевыми входными данными в этом расчете. Цены на существующие артикулы, конечно, известны.Если цены на новые SKU недоступны, сделайте оценки, сравнив атрибуты текущих SKU с атрибутами потенциальных новых.

В примере с шинами мы наблюдали, что цены на шины определенного размера последовательно снижались от самой дорогой комбинации марки и гарантии (National High) до самой низкой (House 3 Low). Мы применили это снижение для оценки цен на непроданные артикулы.

3. Определитесь с окончательным ассортиментом.

Затем рассчитайте потенциальную выручку от каждой SKU, умножив прогнозируемые продажи за единицу продукции на ее розничную цену.

Теперь у вас есть данные, необходимые для создания вашего ассортимента. Начните с артикула, которая принесет наибольший доход или прибыль магазину или сети. Затем добавьте артикул, который даст второй по величине прирост дохода. Продолжайте добавлять SKU, пока не наберете максимальное количество SKU, которое вы хотите иметь, скажем, 100 из возможных 400.

Не заблуждайтесь: это не так просто, как определить 100 самых прибыльных SKU и назвать их ассортиментом.Из-за замещения спроса каждый раз, когда вы добавляете артикул в ассортимент, вы должны корректировать свои цифры, чтобы учесть, как этот новый артикул влияет на спрос на те, которые вы уже добавили. Очевидно, что этот процесс очень итеративен.

Когда мы применили этот процесс для создания оптимального ассортимента шин для розничной торговли автозапчастями, мы обнаружили, что 47 из 105 SKU необходимо заменить. (Неудивительно, что многие из предложенных на замену артикулов были House 3 Low.)

Ритейлер частично выполнил наши рекомендации: добавил 10 новых артикулов и удалил 10 других.Одна из причин частичного внедрения заключалась в том, что розничный торговец не мог найти поставщиков для производства всех 47 предложенных новых SKU.

Мы отслеживали продажи после внедрения и обнаружили, что даже такая частичная корректировка ассортимента увеличила выручку на 5,8% и валовую прибыль на 4,2% - значительное улучшение. Наш анализ ассортимента также побудил продавца немного поднять цену на самую дешевую шину и снизить цену на следующую по цене шину, что повысило шансы того, что покупатели будут торговать.

Прелесть нашего подхода в том, что он позволяет увидеть, как доход меняется в зависимости от широты ассортимента. На рисунке 6 показано, как на доходы продавца шин влияет количество SKU в ассортименте. Верхняя строка показывает выручку, если в каждом магазине был свой оптимальный ассортимент, а нижняя строка показывает выручку для одного оптимального ассортимента для сети. Подобные графики можно использовать для изменения места на полке, выделенного для категорий, с целью увеличения продаж. Они также могут помочь ритейлерам избежать ошибок, допущенных Walmart и Super Fresh, которые сократили ассортимент с катастрофическими результатами.

Локализация ассортимента

Создание локализованного ассортимента сложно. Розничному продавцу необходимо понимать, как различается спрос в разных магазинах, а затем создавать ассортимент, соответствующий вкусам конкретного магазина. Большинство розничных торговцев считают слишком сложным иметь уникальный ассортимент для каждого магазина; вместо этого они создают кластеры магазинов, которые используют один и тот же ассортимент. В таких случаях им необходимо решить, сколько кластеров создать, на каком основании кластеры должны формироваться (например, по доходу или погоде) и какой ассортимент использовать в каждом кластере.

Наша методика, основанная на атрибутах, - отличный способ ответить на эти вопросы, как мы можем видеть в исследовании категории химикатов внешнего вида, которое мы провели для розничного продавца автозапчастей, у которого были сотни магазинов. Химические вещества для внешнего вида включают в себя множество жидкостей и паст, используемых для мытья, воска, блеска, полировки и защиты автомобилей. В ходе исследования мы определили шесть атрибутов продуктов в категории: поверхность автомобиля, которую нужно обработать, что с ней делать, режим нанесения, размер упаковки, марка и уровень качества (хорошо, лучше или Лучший).Розничный торговец стремился понять, как структура спроса различается в разных магазинах, а затем использовать эту информацию для локализации своего ассортимента. Было рассмотрено не более пяти кластеров, полагая, что с эксплуатационной точки зрения невозможно иметь более пяти ассортиментов.

Мы применили описанный выше метод для оценки долей спроса для различных уровней атрибутов, использовали эти оценки для прогнозирования спроса на потенциальные новые SKU и создали ассортимент, увеличивающий доход для каждого магазина.

Используя сформированный ассортимент, мы создали кластеры магазинов. Мы начали процесс с предположения, что каждое хранилище представляет собой кластер. Затем мы определили два магазина, у которых меньше всего снизится выручка, если бы им пришлось делить один и тот же ассортимент, и объединили их, чтобы создать кластер из двух магазинов. Мы повторили процесс, определив следующие два магазина, которые могут лучше всего разделить ассортимент, или добавив третий магазин к двум, которые мы уже объединили - в зависимости от того, что приведет к наименьшему снижению дохода.Мы продолжали работать, каждый раз уменьшая количество кластеров магазинов на единицу, пока у нас не остался один кластер из всех магазинов. Это дало нам данные о выручке для всех уровней локализации, от единого ассортимента для всей сети до индивидуального ассортимента для каждого магазина.

На рис. 7 показаны доходы для пяти вариантов локализации, от одного до пяти кластеров магазинов, скорректированные таким образом, чтобы выручка от одного ассортимента 100. Как вы можете видеть, прибыль от добавления кластеров магазинов уменьшается, что побудило ритейлера внедрить двухкластерное решение.

Данные также показали, что в одном из двух кластеров, на который приходится около трети магазинов сети, было продано гораздо больше товаров, связанных с шинами. Этот кластер имел особую этническую принадлежность, которую продавец назвал городской / двуязычной. Таким образом, в ассортименте этих магазинов было больше товаров, связанных с шинами, и ритейлер создал вывески, привлекающие к ним внимание.

После отслеживания продаж в течение шести месяцев мы обнаружили, что выручка сети в категории товаров для внешнего вида выросла на 3.5%. Этот выигрыш стал результатом как локализации, так и улучшения базового ассортимента. Более того, новый ассортимент и новые вывески помогли ритейлеру и в другом: он терял продажи из-за конкуренции в городских / двуязычных магазинах, но после изменений начал показывать рост продаж сопоставимых магазинов в этой категории. Мы считаем, что этот основанный на спросе подход к кластеризации превосходит традиционный подход, который требует от ритейлеров угадывать, как атрибуты магазина влияют на спрос.Аналитика не слишком широко применялась для планирования ассортимента, особенно на операционном уровне, когда решается, какие артикулы хранить. Наш метод использует аналитику, чтобы получить представление об атрибутах продукта, которые предпочитают ваши покупатели в каждом магазине, а затем на основе этой информации создавать локализованный ассортимент. Планирование ассортимента может значительно увеличить продажи в одном магазине; но сделанное неправильно, это может нанести вред розничному продавцу на долгие годы. Наш метод может помочь розничным продавцам сделать это хорошо.

Версия этой статьи появилась в ноябрьском номере журнала Harvard Business Review за 2012 год..

10 вопросов для обзора продукции, которые нужно задать

Лучшие советы по вопросам опроса продуктов

Перед тем, как начинать опрос, у вас должна быть цель. Так что планируйте заранее, узнайте ключевую информацию, которую вы хотите получить от своих клиентов, и составьте свой опрос на основе этого плана.

Вероятно, вы не захотите включать все вопросы из списка выше. Не утомляйте клиентов бесконечным списком - в противном случае вы получите поспешные ответы. Просто выберите вопросы, на которые вам нужно ответить сейчас, и запустите еще один опрос в будущем, если вам есть что спросить.

Наконец, сообщите вашим клиентам, что их отзывы будут использованы. Они тратят свое время на то, чтобы помочь улучшить ваш продукт, так что не тратьте его зря. После того, как вы соберете свои ответы и внимательно их прочитаете, вернитесь к людям, которые ответили, и сообщите им, что их ждет в будущем.

Есть много способов провести опрос и еще больше способов использовать полученную информацию. Если вы хотите проанализировать свои данные в электронной таблице Google Sheets, связать свои ответы через Hubspot или автоматизировать ответы и обмен данными с Mailchimp, Typeform поможет вам.

.

php - Добавить пользовательскую кнопку для определенной категории продукта в Woocommerce

Переполнение стека
  1. Около
  2. Продукты
  3. Для команд
  1. Переполнение стека Общественные вопросы и ответы
  2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
  3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
  4. Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
  5. Реклама Обратитесь к разработчикам и технологам со всего мира
  6. О компании
.

Смотрите также