将预测分析付诸实践
标签: 预测分析
Kimberly Chulis
发布: 2013-03-18
在任何给定的时间内，有许多因素一直影响着消费者的认知，同时也影响着最终决定购买成果和未来消费模式的态度和偏好。因为每个公司的产品供应、监管考虑和竞争场景是不同的，所以影响我们的购买决策的因素在各个行业都不相同。
消费者在制定决策的过程中所经历的事情非常复杂。消费者科学家已发现了购买行为所包含的五个不同阶段（参见 参考资料 ）。第一阶段是 需求认知 ，在这个阶段中，潜在的购买者认识到实际状态和首选状态之间的不平衡。这种认知可由内部和外部刺激引起，在外部刺激的情况下，消费者可能会通过自己或一些外部力量（如市场营销、广告），或简单了解他人的消费习惯并渴望拥有相同的产品，从而注意到这种差距。
意识到初始产品需求后，消费者开始进行 信息收集 。根据消费者对产品的感兴趣程度以及个人对风险的态度，他/她将花费或长或短的时间来收集所需信息以做出明智的购买决策。接下来是 审议 ，在这个阶段中，执行备用方案的识别和评估。在第三个阶段中，消费者分析产品属性，确定范围，并按个人重要性排列产品属性。这个阶段强调的是价格考量和备用方案的可用性。最后是 购买 ，紧接着是 售后服务 和认知失调过程，在这个阶段中，消费者会仔细考虑自己的行为并且想知道他们是否做出了正确决策，是否获得合适的产品，是否物有所值，同时从内心进行调整以达到平衡。
大量研究都在致力于了解零售环境下的购买动因。需要注意的是，这些基于销售渠道的动因也各不同。当购买发生在零售商店（参见 参考资料 ）时，购买会涉及到与服务人员面对面的交互。店内情况（如店铺陈列与展示、气氛、客户接待、店面布局、折扣和促销）均可以增强或削弱非虚拟购物体验，反之，电子商务站点体验因素包括网站设计、网站性能和可靠性、安全性以及客户服务。不管在什么渠道下，价格依然是消费者作出选择的关键性因素。
一些研究发现，在进行网上购物或通过移动渠道购物时，消费者的价格敏感性往往并不明显。一项研究（参见 参考资料 ）发现影响消费者选择的主要因素是渠道（商店、产品目录、Internet）和产品价格，并指出一部分完全不同的消费者更愿意通过 Internet 渠道进行交易。
在涉及到的产品数量和渠道方面，零售业代表了最复杂的行业之一。一家超市可能提供成千上万种产品，其中大概有 50% 是易腐商品。一个家装用品店也可提供无限的和不断变化的供应选项。考虑产品有限的公司，如电力公司和保险公司。这些公司通常只提供有限数量的产品。公共事业单位可能提供以下选项：计费、捆绑、计量、自我管理的使用、税率结构和预付；但是，消费者选择实质上仅限于单一产品：电、水或天然气。尽管保险公司提供了相对较多可供选择的产品，包括汽车、健康、生命、财产、租赁人、宠物和金融产品，但是与零售公司提供给潜在客户的一系列复杂产品类别和备选方案相比，该清单仍然是有限的。
因此，对于那些提供产品数量有限的公司而言，识别需求的决定性因素也相对不那么复杂，但零售业代表的是一个渠道和消费者数据收集均极其丰富和频繁的行业。零售业正处于不断变化的状态中，同时，竞争变得日益激烈，并且我们正在经历着购买渠道在技术上已突然转变为提供实时可选的产品定价、特性比较功能和一站式购物的移动渠道。采用预测分析以期能更好地了解其客户和微段级的预期行为的零售商，将会更有条理地制定更快的数据驱动决策并进一步了解客户需求和偏好。
考虑到整个多渠道系列的产品类别、品牌选择、包装、库存、定价、折扣和显示选项的所有复杂性，零售商如何有效地评估产品类别级的性能？对于大型零售商来说，这可以通过一个称为 类别管理 的零售和供应链管理方法来实现，在个方法中，产品范围被组合成按照相似性分类的广泛级别组。然后，每一组作为一个独立的业务单元进行运行。每个类别经理负责自己的产品类别业务单元的方向和性能并制定自己的盈利目标和业务策略（参阅 参考资料 ，获取有关类别管理的更多信息）。
围绕每个销售空间或产品类别的传统销售度量主导着该行业，同时这些关键绩效指标 (KPI) 在企业报告和库存管理系统中进行实时跟踪，而且管理者可通过报告仪表板查看。另一个源于市场规律的重要评估方法是评估该产品类别客户群的客户终生价值 (LTV)，并了解受众如何从跨产品类别的角度与品牌相互作用。
为达到我们的目的，我们假设已对传统的聚合 KPI（比如每平方英尺的销售额和每个雇员的销售指标）进行了跟踪，并存储在数据库中以支持其他高级分析建模计划。在了解针对产品类别的现有客户群整体潜力方面，从个体层面考虑消费者的什么信息可能有用，并考虑如何使用这些信息来增加销售额和管理库存。从数据角度来看，在消费者和家庭层面上可用于建模的变量列表实际上是无限的（且有绝对优势）。最近的技术进步已经解决了传统的结构化查询语言 (Structured Query Language, SQL) 数据库和在售统计工具，全新的 NoSQL 和基于云的系统脱颖而出，成为可扩展数据仓库架构改进的常见组件。数据库（如 Netezza、Cassandra 和 Pentaho）与 Apache Hadoop 和 MapReduce 之类的系统相结合，允许通过数以千兆的消费者数据样例访问自动分类功能和过滤器，以遗留系统不可能实现的交互方式进行。与消费者和品牌交互相关的社交、移动、Web、视频和图片数据的激增表示零售业中还有一些最重要且尚未开发的数据。该信息为精明的零售商提供了获取具有竞争优势的机会，因为他们通过将新的数据和方法与行业标准事务、条形码以及基于调查的数据相结合，发现了获取个人和产品级洞察的新方法。
零售业绩最终由销售量决定，而且定价策略是业务单元和整个企业的健康程度的一个重要组成部分。收集个人和家庭偏好、成交量、使用间隔、捆绑购买、补充和替代品牌及产品方面的消费者信息，同时在产品类别层面上，价格敏感性允许以自下而上的视角对这些信息进行深入了解。这些深入了解将支持客户的微细分用于推动定价和产品设计策略的配置文件开发，并提供数据来支持由下而上的销售预测和库存供应预测。作为细分和销售预测模式输入，价格敏感性是最重要的消费者级变量之一。本文其余部分主要介绍输入到该模式中的关键消费者价格敏感性的度量和使用。
价格敏感性 是针对产品级和用户级度量的市场营销术语，经济学家将其称为 需求价格弹性 。基础经济学（参见 参考资料 ）告诉我们所有的消费者生来都是不平等的。首先要介绍的概念是 消费者偏好 ，在这里，消费者必须选择捆装商品，同时服从预算约束的分配由无差异曲线来表现。消费者增加一单位某种商品的消费量与所需放弃的另一种商品的消费量之间的比率叫做 边际替代率 。
之前介绍的另一个概念是 需求价格弹性 （参见 参考资料 ），这是一种表示价格变化影响需求量的敏感性度量。如果用 Q 和 P 表示 数量 和 价格 ，那么，使用下列表达式表示需求价格弹性：
Ed = (∆Q / Q) ч (∆P / P)
该表达式表明数量变动百分比是由商品的价格变动百分比引起的。价格弹性受三个主要因素的影响：
- 第一个是可用替代品，一般来说，消费者的某一日渐昂贵的产品的替代产品越多，他们就越有可能转向一个类似的产品；在这种情况下，需求是有弹性的。
- 第二个要考虑的因素是消费者需要适应价格变动的时间范围。随着时间的推移，有关其他替代品的更多信息使需求变得更有弹性。
- 最后一个是分配给该产品的家庭预算比例的问题：预算份额越大，需求就越具有弹性。
这里所推荐的是一个两级估计模型。在第一系列的预测模型中，个人和家庭级别的价格敏感性度量已被确定。在第二个估计阶段，第一个建模阶段生成的价格敏感性输入变成了第二个预测性产品需求估计模型的输入。
本文提出的方法涉及到以产品类别级别为基础的价格敏感性的个人级初始估计。建议获取敏感性变化的移动平均数和滞后变量应源自一个时间序列的购买数据和其他开发或降低价格敏感性的指标，这些指标可能源于预算限制的发生或缓解（例如，失业、学生上大学、离婚、疾病，从负面意义上影响消费者信心的消极的宏观经济指标；或加薪、孩子完成大学学业、结婚和其他积极的经济指标）。促进需求的跨价格弹性表现（涉及到价格的产品变动的价格敏感性如何在补充或替代产品方面进行变化）的其他变量也应收集。
价格敏感性（如消费者忠诚度）可以以多种方式从大量不同的消费者数据方面进行度量。在新产品发布定价策略外部使用的方法称为 van Westendorp 价格敏感性分析法 （PSA；参见 参考资料 ），这是一个使用消费者调查反馈数据确定一系列可接受且最优定价的方法。该数据在确定撇脂定价（参见 参考资料 ）策略是否可行方面非常有用。
家庭级可用的调查级数据可能会添加到该模型中。记住，这是一个只代表一小部分家庭的样例；如果将该数据添加到敏感性估计模型中，就可以用两种方法管理该数据。第一，可以协调一个相似的模型来对预期响应的消费者数据库评分。第二种方法是覆盖位于微细分或偏好模型之上的调查数据，并假设在细分或概率阈值内的所有其他模型都有类似的响应。 参考资料 部分给出了一个提供示例的链接，在这个示例中，Taco Bell 能够通过调查识别价格敏感性。
社交媒体提供了一个丰富且未开发的，并在价格敏感性预测方面有价值的语义数据资源。收集客户社交媒体 ID 进行家庭级的建模是有必要的，同时越来越多的公司正在收集可以与客户的交易和调查数据合并的 Twitter 和 Facebook ID。如果该链接变量不可用，特定的品牌和产品类别价格敏感性就可能来自匿名的消费者评论，并且聚合以用于其他的敏感性分析验证目的。简言之，使用 昂贵、便宜、便宜货、优惠券 之类关键词的消费者通常具有价格意识，特别是对于质量、包装、服务和其他品牌类别评论相关的品牌，当评论分享高于平均值时。
企业在分类级别确认家庭级价格敏感性后，就可在整个企业中使用和更新该数据来提改进策略和进程。这样的一个特定示例是定价策略，以新产品为目的的特定家庭在产品发布的早期阶段有更高的支付溢价的倾向。在计划进行促销活动或降价的情况中，预测模型可以预测新的需求场景，并且这些预测与库存控制直接相关联以满足或增或减的预期需求。此外，就细分级消息传送而言，价格敏感性变量也非常有用。
目前，在汇总所有的消费者接触点和事务方面，集成仍在继续进行；同时结合了品牌如何与跨社交渠道（比如 Twitter 和 Facebook）的消费者互动以及消费者如何影响彼此的购买决策。零售业有望成为更加复杂和丰富的新数据源，从而推动那些将预测分析付诸实践并加以充分利用的品牌的竞争优势。
本文翻译自： Apply price sensitivity to improve retail performance（2013-03-18）