16.05.2017 / Ville Niemijärvi

Vähittäiskauppiaat ja kaupan alaa tuntevat huomio

Teimme jo pari vuotta sitten mainonnan optimoinnin -sovelluksen. Kyseessä on joukko algoritmeja, jotka opettamalla voidaan kertoa mitä tuotteita mainoskampanjaan kannattaa laittaa, jotta siitä saataisiin mahdollisimman suuri tuotto.

Se toimii niin perinteisessä printtimainonnassa, suoramainonnassa kuin web-mainonnassa. Missä tahansa tilanteessa missä kauppiaalla on iso määrä tuotteita, joista pitäisi päättää mitkä laittaa kampanjaan saadakseen eniten myyntiä.

Analysoimme tilastollisten mallien avulla historiamyyntiä ja menneitä kampanjoita, joiden pohjalta kauppias saa tietää:

  • Mitkä tuotteet ovat nosteessa ja mitkä laskussa?
  • Mille tuotteille mainonnalla on suurin vaikutus?
  • Mitkä tuotteet aiheuttavat suurimman ostoskorin eli nostavat myös muiden tuotteiden myyntiä?

Lopputuloksena on siis älykäs mainonnan suunnittelijan työväline, joka tarjoaa automaattisesti parhaimmat tuotteet kuhunkin kampanjaan.

Emme koodanneet vielä varsinaista käyttöliittymää vaan upotimme sovelluksen ensiksi QlikView:iin ja integroimme sen R:ään. Sitten teimme sen Azuren pilveen, jotta voimme tarjota sitä SaaS -palveluna. Ihan oikea käytännön sovelluskohde koneälylle tai data sciencelle. Se ratkaisee konkreettisen ongelman ja tuottaa lisämyyntiä, joka voidaan vielä todentaa.

Testasimme mainonnan optimointia kourallisella vähittäiskaupan asiakkaita, tulokset olivat todella hyviä.

Kohtasimme dataan liittyviä haasteita, niitä ratkottiin, algoritmeja ja sovellusta muokattiin. Myimme palvelun yhdelle tukkukaupalle, kiinnostusta oli usealla vähittäiskaupalla.

Myyntiponnistelut jäivät kuitenkin vähiin ja hautautuivat muiden päivätöiden sekaan. Piti laskuttaa ja uuden tuotteen vieminen markkinoille, vaikka kuinka hyvä tahansa, ei ole helppoa. Tuote ei breikannut. Se jäi pöytälaatikkoon. Ei siksi, että se olisi huono tai etteikö se toimisi. Emme vain osanneet ja ehtineet myydä sitä.

Uskon kuitenkin, että käsissämme on valtava potentiaali. Tai sitten ei.

Kokeilenkin nyt uudestaan. Tämä blogikirjoitus on välimuoto markkinakartoitusta ja myyntiä. Toisaalta jos joku haluaa pölliä tästä hyvän idean ja toteuttaa itse, siitä vain.

Hyviä ideoita ei kannata pantata itsellä. Pöytälaatikossa ne eivät hyödytä ketään.

Eli kaikki vähittäiskauppaa tuntevat. Arvostaisin kovasti jos voisitte auttaa ja kertoa:

  • Onko tällaiselle palvelulle tarvetta?
  • Onko kampanjasuunnittelussa ja mainonnassa petrattavaa isosti? Onko business riittävän suuri?
  • Kannattaako tätä lähteä myymään isosti?
  • Miten sitä pitäisi kehittää?
  • Ostaisitko tämän?

Mennään siis suoraan asiaan. Kerron seuraavasti miten mainonnan optimoinnilla voidaan tehdä miljoonia lisämyyntiä.

Ongelma: mainoskampanjat eivät tuota

Olen tehnyt yli 10 vuotta töitä vähittäiskaupan analytiikan ja raportoinnin parissa usean eri ketjun kanssa. Minua on kiinnostanut erityisesti mainostaminen, oli kyse verkkobannereista tai sanomalehdessä olevasta kokosivun mainoksesta.

Lehtimainos

Ongelma mainoskampanjoissa on käsittääkseni seuraava:

  • tuotteita pienemmälläkin kauppaketjulla on kymmeniä tuhansia, joillain nimikkeitä löytyy useita satojatuhansia
  • miten löytää satojentuhansien tuotteiden joukosta ne 10 tai 20 jotka tuovat suurimman myynnin tai katteen?
  • joissakin ketjuissa mainostettavat tuotteet toistavat itseään: kahvi, olut, vessapaperi ja sesonkiin liittyvät tuotteet eli vappuna simaa ja serpentiiniä, kesällä grillitarpeita jne.
  • mainostajat pelaavat varman päälle, jolloin tämä tarkoittaa, että esimerkiksi kahvia myydään miinuskatteella.

Mainonta ei ole siis kovin optimoitua. Se perustuu varman päälle pelaamiselle, tuotteiden myymiselle tappiolla tai sitten mututuntumaan.

Ja toki myös vuosien henkilökohtaiseen kokemukseen, joka on äärimmäisen arvokasta mutta harvemmin jaettavissa muille.

Lähdin pohtimaan miten mainoskampanjoihin löydettäisiin edistyneen analytiikan avulla parhaiten myyvät tuotteet.

Ratkaisu: algoritmit löytävät parhaiten myyvät tuotteet

Ensimmäinen ajatukseni oli etsiä kampanjaan ne tuotteet, joilla on nouseva kysynnän trendi. Eli miksi mainostaa tuotteita, joita kukaan ei osta muutenkaan tai joka on väistyvä.

Toisaalta piti tietää mikä tuote myy juuri mainostettavalla viikolla. Eihän esimerkiksi pääsiäissesonkituotteita, kuten mämmiä, osteta koko vuonna laisinkaan. Joten pelkän trendin katsominen ei riittäisi.

Aikasarja-analyysin avulla saamme myyntiennusteen ja tuotteen kysynnän trendin

Olimme tehneet Louhialla paljon myynnin ja kysynnän ennusteita. Hyödyntäen aikasarja-analyysiä. Toisin sanoen otetaan tuotteen (tai minkä tahansa asian) menekki usealta vuodelta taaksepäin ja pyöräytetään se algoritmin läpi. Lopputuloksena saamme kysynnän ennusteen valitulle ajanjaksolle, esimerkiksi mainosviikolle.

sales_prediction_Qlikview_R_sarimax_louhia

Tämä on lähes aina tarkempi vaihtoehto kuin laskea vuosien välistä keskiarvoa tai verrata vain edelliseen vuoteen (tai viikkoon/kuukauteen).

Aikasarja-analyysi kertoo myös tuotteen kysynnän trendin eli mihin suuntaan kysyntä menee: laskeeko se, pysyykö samana vai nouseeko.

Tätä voidaan hyödyntää myös mainonnassa, ehkä laskevan kysynnän tuotteeseen ei kannata tuhlata mainosrahoja. Tai sitten juuri sitä pitää buustata ja piristää sen myyntiä oikea-aikaisella mainoskampanjalla.

Mainoskampanjan vaikutus tuotteen myyntiin

Aikasarja-analyysin oheistuotoksena saamme ns. kovariantin avulla tietää mikä on mainonnan vaikutus kysyntään. Tai minkä tahansa muunkin ulkopuolisen tekijän.

Mainoskampanjan tuoma noste näkyy piikkeina myynnissä.

Jos vain tuote (tai vastaava tuote) on ollut riittävästi historian aikana mainoksessa, pystymme kertomaan sen perusmyynnin (baseline, myynti ilman mainosta) ja mainonnan tuoman nosteen.

Ja tämä tietenkin suhteutettuna ko. ajanjaksoon.

Esimerkki: Muumivaippoja myydään toukokuussa keskimäärin 5500€/viikko.

Kun muumivaipat ovat lehtimainoksessa, nousee niiden myynti 8000€/viikko.

Mainonnan vaikutus on siis 2500€/viikko eli n. 45% buusti.

Tämä itsessään on jo valtavan informatiivistä ja arvokasta tietoa mainostajalle ja auttaa löytämään ne tuotteet, joilla saadaan valtavasti lisämyyntiä.

Mutta emme olleet tyytyväisiä ihan vielä.

Ostoskorianalyysin avulla maksimoidaan ostoskorin suuruus

Olimme tehneet myös ostoskorianalyysejä monesti. Ostoskorianalyysin avulla tiedetään mitä muita tuotteita mainostettavan tuotteen ohella myydään ja millä todennäköisyyksillä.

Eli jos asiakkaan ostoskorissa on Muumivaipat, kertoo ostoskorianalyysi millä todennäköisyydellä koriin eksyy myös pilttipurkki, äidinmaidonvastike tai six-pack keskiolutta.

Mainonnassa tätä voidaan hyödyntää siten, että laitetaan mainokseen sellaisia tuotteita, jotka imevät sinne mahdollisimman paljon muitakin tuotteita. Toisin sanoen kasvatetaan ostoskorin kokoa oikeilla sisäänheittotuotteilla.

On hölmöä mainostaa tuotetta, vieläpä miinuskatteella, jos asiakkaat tulevat ja ostavat vain tuon yhden tuotteen.

Päätimme siis yhdistää aikasarja-analyysin ja ostoskorianalyysin.

Näin aikasarja-analyysin ja ostoskorianalyysin yhdistelmällä saatiin tietää:

  • millä tuotteilla on suurin myynti tulevilla viikoilla (myyntiennuste)
  • millä tuotteilla mainonnan vaikutus on suurin (kampanjan tuoma noste)
  • mitkä tuotteet keräävät mahdollisimman paljon muita tuotteita (ostoskorianalyysi)
  • mikä on mainoksen tuoma noste näille ostoskorista löytyville lisätuotteille

Tulokset

Kun myyntihistoria siis ajettiin näiden kahden algoritmin läpi, saatiin tuloksena optimaalisin mainostettavien tuotteiden setti, joka tuo suurimman myynnin.

Tai katteen. Tai asiakasmäärän. Mikä nyt mainostajaa eniten kiinnostaa.

Alla oleva kuva esittää kuvitteellisen tilanteen, jossa Partioaitta (ei asiakassuhdetta) käyttäisi mainonnan optimointia.

Mainonnan optimointi Louhia Analytics Oy

Esimerkki:

Mainoskampanjan suunnittelijalle esitetään järjestyksessä eniten lisämyyntiä (tai katetta) tuovat tuotteet.

Tai vaihtoehtoisesti hän voi hakea tiettyjä tuotteita ja vertailla niitä keskenään ja simuloida mikä olisi mainoksen kokonaistuotto tällä tuotekokoonpanolla.

Tässä esimerkissä Fjällräven Kånken repun laittaminen mainokseen nostaa ko. tuotteen myyntiä 186% eli 7310€.

Tämän lisäksi Fjällräven Kånken repun kanssa ostetaan erityisesti neljää yllä esitettyä tuotetta. Näistä saadaan tuotteiden normaaliin perusmyyntiin nähden lisämyyntiä yhteensä n. 8554€. Huom: ilman, että ne itse ovat mainoksessa.

Koska Fjällräven Kånken oli mainoksessa, toi se lisämyyntiä yhteensä 15 864€.

Tässä esimerkissä meillä on siis yksi suositeltu tuote mutta käytännössä mainonnan optimointi kertoo tuotteiden kokonaisvaikutuksen kaikille tuotteille eli kampanjan suunnittelija voi valita sen täydellisen tuotekombon, oli tilaa sitten viidelle tai kymmenelle tuotteelle.

Tuoden mukaan tietenkin oman asiantuntemuksen ja näin tehden mainoksesta vieläkin paremman.

Mainonnan optimointi yhdistää siis:

  • aikasarja-analyysin, joka kertoo paljonko tuotetta tullaan myymään tulevaisuudessa eli esimerkiksi kampanjaviikolla
  • mainonnan vaikutuksen tuotteen myyntiin eli mikä on mainoksen noste (lift)
  • ostoskorianalyysin, joka kertoo mitä tuotteita myydään mainostettavan tuotteen kanssa yhdessä ja mikä on niiden saama noste

Kaikki tämä automatisoituna, vaikka kerran yössä ja integroituna esimerkiksi business intelligence -työvälineeseen tai tuotuna vaikka sitten asiakkaan ERP:hen tai Exceliin.

Louhian mainoskampanjan optimointi 2

Lisämausteet: hintajousto, somepöhinä, menestyskampanjan resepti

Lähdimme jatkokehittämään ratkaisuamme, tehdäksemme siitä vieläkin paremman.

Hintajoustoanalyysi kertoo kannattaako tuotetta laittaa alennukseen

Saimme palautetta eräältä ketjulta. He haluavat mainostaessaan tietää kannattaako tuote laittaa alennukseen ja kuinka suureen. Eli mikä olisi sopiva alennus, jotta tuotteesta todella tulee sisäänheittotuote.

No problem.

Lisäsimme mukaan hintajoustoanalyysin, joka kertoo alennusprosentin vaikutuksen tuotteen kysyntään. Näin mainostaja tietää riittääkö normihinta, 5% alennus vai pitääkö laittaa kunnon jytky ja pudottaa hinta puoleen.

Suomen kattavin somedata mainonnan tukena

Tutustuimme myös kumppanimme Futusomen kautta somedataan ja sen käyttö kampanjoinnissa on kiinnostanut jo vuosia. Tähän liittyen olemme tehneet myös useita harjoituksia ja pystyneet näyttämään, että somedatan perusteella voidaan ennustaa tuotteen kysyntää.

Toisaalta somedatan avulla voidaan katsoa etukäteen onko tuotteen ympärillä pöhinää tai jälkikäteen aiheuttiko mainoskampanja keskustelua ja miten tämä korreloi myynnin kanssa.

Mikä on menestyskampanjan resepti ja voidaanko se toistaa?

Itseä on aina kiinnostanut onko tuotteiden lisäksi jotain muuta tekijää, joka toistuu niissä mainoskampanjoissa, jotka menestyvät.

Valittu media (printti, display, tv, radio), ajankohta, sesonki, tuotteiden määrä, kuvien määrä, koko, väri jne.

Joten lisäsimme mainonnan optimointiin lisäoptioksi mahdollisuuden selvittää ja oppia, mitkä mainokset toimivat ja miksi.

Tämän avulla voidaan selvittää menestyskampanjan resepti ja toistaa se.

Näin palvelumme eri komponentit hahmottuivat ja täydellisen mainoskampanjan kertova konsepti oli valmis.

 

Louhian mainoskampanjan optimointi
Louhian mainoskampanjan optimointipalvelun osa-alueet

 

Kiinnostaako mainonnan optimointi vähittäiskauppoja?

Palataan blogin alussa esitettyihin kysymyksiin.

  • Onko teidän mielestä tässä konseptissa tai tuotteessa ideaa?
  • Onko business case riittävän iso eli onko mainonnan suunnittelussa petrattavaa ja paljon?
  • Mitä ongelmia tai haasteita teille tulee mieleen ratkaisun käyttöönotossa yrityksessänne?
  • Ostaisitteko palvelun?

Kaikki kommentit, ideat ja ajatukset ovat erittäin tervetulleita ja otetaan kiitollisina vastaan.

Jos olet kiinnostunut juttelemaan palvelusta lisää, ota yhteyttä (+358 50 326 4989 / Ville).


25.01.2015 / Ville Niemijärvi


No niin, aion kertoa teille valituille siis ensimmäisenä maailmassa, uraa-uurtavasta prediktiivisen analytiikan menetelmästä, jolla voitte tahkoa miljoonia massia, pysäyttää ISIS, toteuttaa Sote-uudistus, päteä pomolle ja saattaapa teille lykästää tämän ansiosta kotonakin. Joten aloitetaan. Menetelmän pointtina on siis…

– Anteeksi keskeytys, mutta minulla olisi kysymys.

Joo, antakaa tulla vain.

– Mikä on paras analytiikkasofta? Onks SAS kova vai mitä? Kiinnostaisi tosi kovasti! 

Meillä on käytössä menetelmiä, joilla voimme oikeasti tehdä rahaa. Nostaa myyntiä, pienentää kustannuksia, ehkäistä kalliiden koneiden hajoaminen ennakkoon, ehkä jopa ehkäistä sairauksia, pelastaa ihmishenkiä, parantaa vähintäänkin asiakaspalvelua.

Silti löytyy kavereita, jota kiinnostaa vain softa. Kun keskustelemme prediktiivisestä analytiikasta, löytyy aina ihmisiä, joita ei kiinnosta hyödyt, sovelluskohteet, menetelmät, keinot, kustannukset. Ainoastaan mikä softa on paras.

Analytiikassa tuotteen merkitys on pieni

Olen monasti paasannut siitä, miten perinteisessä raportoinnissa (business intelligence) on oikeastaan aivan sama minkä tuotteen valitset. Kaikki pystyy tekemään kaiken.

Analytiikassa tämä on vielä selvempi asia. Analytiikassa tuotetta tärkeämpää on mitä mallinnusmenetelmää tai algoritmia käyttää mihinkin ongelmaan. Tuotteella ei ole tällöin merkitystä. Logistiset regressiot, päätöspuut, ARIMAXit ja satunnaiset metsät löytyy jotakuinkin kaikista.

Menetelmääkin tärkeämpää on päästä käsiksi oikeaan lähdedataan ja pystyä muokkaamaan sitä. Rikastamaan sitä, summaamaan, siivoamaan, korjaamaan. Sillä et koskaan saa täydellistä dataa. Tietovarastoinnista tuttu ETL-softa ja SQL-taidot ovatkin usein tärkeämmässä asemassa kuin analytiikkasofta.

Datan muokkaamistakin tärkeämpää on ymmärtää alkuperäinen liiketoimintaongelma. Ymmärtää liiketoiminnan lainalaisuudet. Liiketoiminnan ymmärtäminen on välttämätöntä, jotta ratkaistava ongelma voidaan määritellä ja jotta analyysin tuloksia voidaan tulkita ja soveltaa käytäntöön.

Liiketoiminnan ymmärrystä vielä tärkeämpää on saada valmiit tulokset tuotantoon. Sillä analyysi ilman tuotantoon vientiä on ajan ja rahan hukkaa. Tämä on vaikein kohta missä tahansa analytiikkahankkeessa. Tehdä analyysin tuloksilla rahaa. Pelastaa ne ihmishenget.

Kyse ei ole siitä, etteikö näin voisi tehdä. Useimmiten kyse on siitä, että analytiikkaprosessia ei ole määritelty loppuun asti. On tilattu pistemäinen ratkaisu. Tai yrityksen johtaminen ei ole kypsä vielä tiedolla johtamiselle.

Siinä tulikin käytyä analytiikkaprojekteissa käyttämämme standardoitu CRISP-DM prosessi läpi.

CRISP-DM Process

 

Huomaatko missä vaiheessa CRISP-mallia puhutaan analytiikkatuotteesta?

Ei missään.

Mallinnuksen osuus prosessissa on ehkä 5-10%. Tuotteen osuus tuosta mallinnuksesta on sitten se 5-10%. Eli tuotteella on häviävän pieni merkitys.

Suomesta löytyy kourallinen yrityksiä, jotka tekevät analytiikkaa siinä mittakaavassa ammattimaisesti ja liukuhihnalta, että tuotteiden ominaisuuksilla alkaa olemaan merkitystä prosessien tehokkuudessa. Tai heillä on spesifi liiketoimintaongelma, johon SAS:ilta löytyy valmis kilke ja tuhti hintalappu päälle. Muut pärjäisivät vaikka ilmaisella R:llä.

Siinä vaiheessa kun sinua kiinnostaa enemmän softat kuin tulokset, on aika pysähtyä ja miettiä mitä olet tekemässä. Haluatko saada CV:tä komistamaan uuden härpäkkeen vai haluatko tehdä oikeasti jotain merkittävää?


26.10.2014 / Ville Niemijärvi

LehtimainosEräs vähittäiskaupan edustaja heitti kerran palaverissa, että kauppa mainostaa sitä tuotetta mitä on jäänyt eniten lojumaan varastoon ja josta pitää päästä eroon.

Toisin sanoen asiakkaille tarjotaan tuotetta, jota se alunperinkään ei ole halunnut.

Ostajalle sattui vain pieni moka ja nyt Kiinasta raahatut miljoona hilavitkutinta tai rättiä pitää saada menemään ettei ne muistuta siellä varastossa tehdystä virheestä.

Ei mikään paras markkinointistrategia mutta sisäpiirin tiedon mukaan aika ajoin käytetty.

Viinan perässä Viroon, voita Ruotsista ja kahvia lähikaupasta

Toisinaan mainonnassa käytetään sisäänvetotuotteita. Eli laitetaan perusvarma kotitalouksien välttämättömyyshyödyke, kuten kahvipaketti, alennukseen ja toivotaan, että se vetää asiakkaita sisään. Ja vetäähän se, suomalaiset matkustaa vaikka rajan yli jos siellä on tarjolla halvalla voita, viinaa tai löpöä.

Sisäänvetotuotteissa on vain se ongelma, että yleensä ne myydään miinuskatteella koska alennus täytyy olla todella suuri, jotta asiakkaat liikahtavat.

Tilanne on siis hullunkurinen: mitä paremmin mainos puree eli mitä useampi asiakas tulee paikalle, sitä enemmän kauppa tekee tappiota – tuossa mainostetussa tuotteessa.

Toiveena tietenkin on, että asiakkaat ostavat muitakin tuotteita. Tässä piilee vaara jos kauppa ei seuraa mitä muita tuotteita myydään sisäänvetotuotteen rinnalla. Yleensä tuotteen myyntiä verrataan edelliseen vuoteen ja ollaan tyytyväisiä jos se on noussut. Mutta sitä, onko asiakkaat ostaneet vain tuon yhden tuotteen ja lähteneet pois, ei välttämättä seurata. Harva tekeekään systemaattista mainoskampanjaan linkitettyä ostoskorianalyysiä.

Mainoskampanjan on tarkoitus nostaa myyntiä, ei laskea sitä

Yleensä kaikessa raportoinnissa verrataan esimerkiksi viikon myyntejä edelliseen vuoteen ja katsotaan onko myynti kasvanut. Samoin saatetaan tehdä kampanjaseurannan osalta. Ja useimmissa yrityksissä tämä on täysin turhaa. Miksi? Siksi koska pelkkä edelliseen vuoteen vertailu ei kerro mikä on todellinen kampanjan tuoma noste (lift).

5% nousu myynnissä tällä viikolla verrattuna viime vuoden vastaavaan viikkoon, on saattanut tulla hyvinkin yleisestä talouden ja ostovoiman noususuhdanteesta. Yritys on saattanut kasvaa, se on perustanut uusia myymälöitä, avannut uuden verkkokaupan. Viime vuonna saattoi olla jokin erityinen tapahtuma tai sesonki, joka nosti tai laski myyntiä.  Saattaa jopa olla, että mainoskampanja on itse asiassa haitannut myyntiä ja ilman kampanjaa myynti olisi ollut vieläkin isompaa.

Tätä markkinoija ei näe ellei hän erota kokonaismyynnistä perusmyyntiä (sales baseline), kausivaihtelua, trendiä ja kampanjan tuomaa myyntiä. Vasta kun nämä myynnin osat on eroteltu, voidaan arvioida mikä on kampanjan noste (=kampanjamyynti/perusmyynti) ja sitä kautta mikä on kampanjan todellinen teho.

4 keinoa tehostaa kampanjaseurantaan ja optimoida mainoskampanjoita (huom: sisältää tuotesijoittelua)

Tässä muutama idea suomalaisille kaupoille ja miksei muillekin yrityksille, miten parantaa mainoskampanjoiden seurantaa ja sitä kautta niiden tehokkuutta. Eli miten saadaan lisää myyntiä:

1. Monipuolisempi kampanjanseuranta: tuotteesta koko yritykseen

Pelkkä mainostettavien tuotteiden myynnin seuranta ei välttämättä riitä kertomaan tehosiko koko mainos. Olettaen, että mainoksessa oli useampia tuotteita. Jotta kampanjan vaikutus todella saadaan irti, pitää arvioida:

  • tuotteen myyntiä
  • tuoteryhmän myyntiä
  • myymälän myyntiä
  • koko yrityksen myyntiä

Vasta tällöin voidaan arvioida, kannattiko kampanja ja voidaan ottaa siitä opiksi.

Kun seurataan systemaattisesti oliko mainoskampanja onnistunut vai ei ja tallennetaan tuo tieto, voidaan jatkossa analytiikan avulla muodostaa menestyskampanjan resepti – ja toistaa se uudestaan ja uudestaan.

2. Monipuolisempi kampanjanseuranta: baseline vs. lift

Tuotteen myynnistä pitää erottaa perusmyynti ja kampanjan tuoma lisämyynti. Näin saadaan tietää mikä on kampanjan noste ja jälleen kerran – onnistuiko kampanja vai ei. Jos edellä tarkasteltiin koko mainosta, nyt tarkastellaan yksittäistä tuottetta.

Miten perusmyynti ja kampanjan aiheuttama noste saadaan irti? Tähän tarvitset analytiikkaa eli tilastotieteestä tuttuja menetelmiä, esimerkiksi SARIMAX -mallia (Seasonal autoregressive moving average). Sitä varten tarvitset taas analytiikkaan erikoistuneen softan, kuten R:n, RapidMinerin, SPSS:n, MS Analysis Servicen tai SAS:in.

sales_prediction_Qlikview_R_sarimax_louhia
Tuotteen myyntiennuste ja kampanjan vaikutuksen analysointi Louhian Predictorilla (QlikView+R).

 

Asiakkaille, joilla ei ole analytiikkasoftaa käytössä ja kalliit lisenssihankinnat eivät kiinnosta, olemme integroineet QlikView:n ja R:n yhteen. Näin liiketoiminnan käyttäjät voivat tehdä myyntiennusteita ja kampanjaseurantaa suoraan QlikView:stä käsin ja analytiikkaprosessiin kuluneesta ajasta mallintamisesta tuotantoon on pystytty nipistämään rapiat 99%. Kirjoittelemme tästä aiheesta vielä myöhemmin lisää sillä uskomme, että tämä tulee mullistamaan tavan tehdä analytiikkaa. Pidättele hengitystä.

3. Ostoskorianalyysi: 

Jokaisen kivijalan ja verkkokaupan perustyökalupakista löytyvä ostoskorianalyysi. Kun markkinointiosasto miettii mitä tuotteita laittaa ensi viikon Hesariin, sen tulisi tarkastaa ostoskorianalyysin avulla:

  • mitä muita tuotteita ostetaan valitun tuotteen kanssa
  • kuinka paljon ja millä todennäköisyydellä (ns. support & confidence)

Valitse sellainen sisäänvetotuote, joka nostaa mahdollisimman montaa muutakin tuotetta.

Mutta jos haluat ovipumpun laulamaan oikein kunnolla, yhdistät ostoskorianalyysin ja edellä kuvatun kampanjavaikutuksen analyysin kuten me olemme tehneet.

Toisin sanoen tuotteemme nuuskii kuittidataa, etsii ostoskorianalyysin avulla ne tuotteet, jotka keräävät mukanaan mahdollisimman paljon tukituotteita. Samalla tarkastetaan, että sekä mainostettavan tuotteen että tukituotteiden myynti on korkea ja bonuksena tarkastamme, että mainonnan tuoma noste on todella korkea.

Tällöin voimme automaattisesti etsiä tuhansien tuotteiden joukosta aina kulloiseenkin mainokseen parhaiten sopivat tuotteet eli tuotteet, joiden aiheuttama kokonaismyynti on mahdollisimman iso.

paljon tukituotteita eli tuote on ostoskorin magneetti
+
tuotteen ja sen mukanaan vetämien tukituotteiden myynti on isoa
+
tuotteet ovat sellaisia, että kampanja aiheuttaa niille nostetta

= Paras mahdollinen tuote, jota mainostaa

ostoskorianalyysi Louhia
Ostoskorianalyysi yhdistettynä kampanjan vaikutuksen analysointiin kertoo mitkä tuotteet kannattaa laittaa mainokseen saadaksesi parhaimman kokonaismyynnin.

Ja tämä kaikki automaattisesti. Nappia painamalla.

4. Nuuski sosiaalista mediaa ja löydä missä on kuhinaa

Palatakseni kirjoituksen alkuun, jossa vähän kärjistäen kuvasin suomalaisen kaupan markkinointistrategiaa. Miten välttää lastin homehtuminen varastossa, miten tutkia onko jollakin tuotteella kysyntää? Mikä on tämän hetkinen trendituote ja uppoaako uusi treenilauta joulumarkkinoille kuin veitsi possuun?

Vastaus: tutki sosiaalista mediaa, miten tuote tai brändi aiheuttaa keskusteluja.

Hankalaa ja vaivalloista? Vaatii bigdata härpäkkeen ja miljoonainvestoinnin?

Ei laisinkaan. Se käy nappia painamalla. Kumppanimme Futusomen kautta meillä on käytössä maailman suurin suomenkielinen sosiaalisen median tietokanta. Täsmähauilla tuotteen 10 vuoden somedata saadaan asiakkaamme raportille myynnin viereen alle 10 sekunnin.

Se sisältää maan isoimpien keskustelupalstojen keskustelut. Tähän kun lisätään Twitter, Youtube, Instagram, Facebook ja Suomen suurimmat ja suosituimmat blogit – niin päästään tekstitiedon louhian aarreaittaan.

Sosiaalisen median analytiikka osana myynnin raportointia.
Sosiaalisen median analytiikka osana myynnin raportointia.

Kaikki tuo tieto on integroitavissa yrityksen raportointi- ja analytiikkaohjelmistoihin. Saamme tuotteen myyntisi, varastosaldojen ja kampanjatietojen viereen tiedon aiheuttiko kampanja tai tuotelanseeraus pöhinää somessa ja montako kertaa siitä puhuttiin viime viikolla vaikkapa vauva.fi:ssä, Instagrammissa tai missä tahansa (avoimessa) sosiaalisessa mediassa. Ja tietenkin käyttäjä voi porautua myös keskustelujen sisältöihin.

Aika huikeaa, vai mitä.

Tällöin päästään oikeasti kiinni mainostamisen ytimeen. Enää ei kauppiaan tarvitse laittaa kylän tiedonantajaan viime kesäisiä nuttuja vaan hän voi tarkastaa mitä kansa oikeasti haluaa.


Tässä pieniä maistiaisia siitä, mitä saadaan aikaan analytiikalla mainonnan ja myynnin tehostamisessa. Avaamme näitä aihealueita jatkossa lisää ja esittelemme tarkemmin videoiden kera keinoja saada mainonnasta enemmän irti.

Uudet mainonnan optimoinnin analytiikkatuotteet tulevat mullistamaan printtimainonnan tehokkuuden ja seurannan. Hesari ja muut mediatalot voivat alkaa kirjoittamaan kiitoskortteja valmiiksi, media-alan ahdinko on nimittäin ohi.


11.09.2014 / Ville Niemijärvi

Sanomalehdessä oli otsikko: Kaupungin uimahalli oli kasvattanut kävijämääriä edellisen vuoden vastaavaan ajanjaksoon verrattuna. Kaupungin uimahalleista vastaava pomo uhkui tyytyväisyyttä. Mainiota, että ihmiset liikkuu.

Asiakasmäärät_pieni
Shamppanjat esiin, nyt menee kovaa!

Mutta kun luki juttua pidemmälle, paljastui että itseasiassa nyt ollaan samoissa kävijämäärissä kuin vuonna 2008. Vuosina 2009-2011 uimahalli oli remontissa ja tämän jälkeen käyntiinlähtö on ollut todella takkuista – kävijämäärät ovat romahtaneet. Pari viime vuotta uimahalli onkin ammottanut tyhjyyttään…

Nousu viime vuoteen verrattuna on selvä, sitä ei voi kiistää. Mutta jos ajatellaan uimahallin todellista kehittymistä ajan saatossa, ei vertailu kerro totuutta.

  • asukkaiden määrä on kasvanut –> kävijämäärätkin pitäisi olla kasvanut. Se, että myynti nousee 5% ei ole välttämättä hyvä indikaatio jos markkinat ovat kasvaneet 10%. Tällöin olet jäänyt jälkeen ja se on huono asia.
  • kokonaistrendi voi olla laskeva ja vaikka nyt ollaan paremmassa kuin viime vuonna kun katsotaan yhtä pistettä, vääristää se totuuden. Jos katsot päiväkohtaista raporttia ja yhtenä päivänä olet saanut myyntiä enemmän kuin viime vuonna vastaavana päivänä, ei se paljoa lohduta jos kumulatiivinen myynti vuoden alusta on pahasti jäljessä.
Asiakasmäärät
Eikun hetkinen… ei korkatakaan vielä.

Jos tehtävänäsi on saada raporttien luvut näyttämään hyvältä (esimiehellesi/asiakkaallesi/itsellesi), lykkyä pyttyyn. Urasi tulee olemaan pitkä ja menestyksekäs kuin kanan lento. Mutta jos tehtävänäsi on tehdä lisää myyntiä, voi olla parempi keskittyä mittaamaan sitä mikä myynnin aiheuttaa.


Then you better start swimmin’
Or you’ll sink like a stone
For the times they are a-changin’.

Bob Dylan


14.04.2014 / Lasse Liukkonen

Blogikirjoituksen tarkoituksena on esitellä yksi keino estimoida kampanjan vaikutusta myyntiin. Aineistona on yrityksen “Lassen lelutehdas” myyntieurot vuodesta 1996 vuoteen 2003. Lelutehtaalla on vuosien saatossa ollut vain yksi kampanja tammikuusta (1997) elokuun (1997) alkuun saakka. Kampanjan todellinen vaikutus myyntiin tunnetaan, mutta sitä tietoa käytetään vain ennustetarkkuuden laskennasta, ts. käytämme vain tietoa kampanjan alkamisajankohdasta (ja ripauksen loppumisajankohdasta arvioitaessa kampanjan vaikutusta kampanjan jälkeiseen aikaan). Blogikirjoitus on tarkoitettu ensisijaisesti R-osaajille tai luomaan yksinkertaisen kuvan pikaisesta kampanjan vaikutuksen estimoinnista. Kampanjan vaikutuksen tutkimisessa suoritetaan seuraavat vaiheet:

  1. Myyntiaineiston redusointi; katkaistaan myyntiaineisto kampanjan alkamisajan kohdasta.
  2. Muodostetaan SARIMA-malli katkaistulle aineistolle.
  3. Ennustetaan estimoidun mallin avulla myyntiennuste seuraavalle vuodelle (1997).
  4. Tarkastellaan kampanjan vaikutuksen päättymistä ennusteen avulla
  5. Lasketaan todellisen ja ennustetun aikasarjan erotus estimoidulta kampanjan vaikutusajalta => kampanjan vaikutus (euroina).

1. Aineisto ja sen redusointi

Aineisto ja sen muodostama aikasarja graafina.

aika_sarja_kampanjaMyynti_data

aika_sarja_kampanjaMyynti_2

Kampanjan vaikutus on määritelty aikavälille 1.1997-7.1997:

(17325,15473,15443,9876,6758,3215,4360), kampanjan vaikutus=72450.

Redusoitu aikasarja 1992-1996:

aika_sarja_kampanjaMyynti_1992_1996

2. SARIMA-malli

Aikasarja malliksi valittiin acf/pacf-tarkasteluiden päätteeksi SARIMA-malli seuraavilla estimoiduilla parametreilla, jossa ar1=AR-kerroin, sar1/2=AR-kausikertoimet, 1:length(timeseries_1_48)=drifti.

sarima_malli

3. Mallin tuottamat ennusteet seuraavan vuoden myynnille

Mallin tuottamat sovitteet ja ennusteet seuraavalle vuodelle:

aika_sarja_kampanjaMyynti_1992_1996_ennuste

ennusteet_aikasarja_kampanja

4. Kampanjan vaikutuksen päättyminen

Esimerkin tapauksessa käy hyvin kampanjan päättymisen ennustamisessa, sillä kriteerinä kampanjan vaikutuksen päättymiselle voidaan pitää hetkeä, jolloin tarkasteltava aikasarja leikkaa ennustetta. Aina tilanne ei ole yhtä ruusuinen, joskus joudutaan tekemään “silmämääräinen” päätös kampanjan vaikutuksesta aineiston ja ennusteen avulla (graafien/luottamusvälien avulla). Seuraavasta kuvasta huomataan, että kampanjan vaikutus estimoidaan loppuneeksi heinäkuussa 1996 (sama kuin todellisuudessa):

aika_sarja_kampanja_vaikutus

5. Kampanjan vaikutuksen estimaatti

Edellisestä kappaleesta saamme laskettua estimoidun kampanjan vaikutuksen summaamalla positiiviset arvot yhteen. Estimoitu kampanjan vaikutus on 68581, kun oikea arvo oli 72450. Pääsimme siis hyvin lähelle todellista vaikutusta yksinkertaisella aikasarjamallinnuksella.

Esitetyn lähestymistavan etuna on sen helppo toteutus. On kuitenkin aikasarjoja, jotka eivät ole yhtä “säännöllisiä” kuin esimerkin aikasarja, jolloin kampanjan vaikutusajan estimoinnissa voi tulla ongelmatilanteita, eikä myöskään ARIMA-mallin sovittaminen ole aina järkevää/mahdollista. Mikäli ARIMA-perheen mallit eivät ole tuttuja, voi myynnin ennusteet (redusoidusta aineistosta) estimoida esimerkiksi Holt-Winters:llä tai aikasarjan dekomponoinnin avulla (estimoi trendi tuleville kuukausille lineaarisella regressiolla ja lisää trendiin kausivaihtelukomponentti).


13.03.2014 / Antti Ollikainen

Moni yritys pohtii, mikä on sen markkinointiponnistelujen vaikutus myyntiin. Kysymyksen ratkaisemisella on suuri arvo, koska tehottomista kampanjoista haluttaisiin luopua ja tehokkaisiin panostaa lisää.

Tässä esitellään kaksi yleisesti käytössä olevaa tekniikkaa kampanjan vaikutuksen arviointiin sekä näytetään, kuinka harhaan ne voivat johtaa ja miksi näin käy. Lopuksi näytetään, kuinka aikasarja-analyysillä voidaan arvioida näitä tekniikoita olennaisesti tarkemmin ja luotettavammin kampanjan vaikutus myyntiin.

Lähdetään liikkeelle esimerkillä: alla on graafi, josta ilmenee (kuvitteellisen) ”Nisupulla” -tuotteen myynti ja hinta. Tehtävänä on arvioida, onko sen mainostaminen huhti-syyskuussa 2013 nostanut sen myyntiä vai ei ja jos on, niin kuinka paljon.

Aikasarja1

Yleisiä käytössä olevia tekniikoita tutkia asiaa ja sitä myötä näkökulmia on (ainakin) kaksi:

  1. Nisupullan myynti on laskenut kampanjan alkuun verrattuna. Ja heti kampanjan loputtua sen myynti on taas noussut dramaattisesti – surkea kampanja siis!
  2. Nisupullallahan on selvä kuuden kuukauden kausivaihtelu. Jos verrataan vuoden takaiseen myyntiin, on Nisupullan myynti noussut huimasti – loistava kampanja siis!

Alla on graafi, joka havainnollistaa tätä näkemyseroa:

Aikasarja2

Näkemykset ovat niin kaukana toisistaan kuin olla ja voi. Kumpi on oikeassa?

Ei kumpikaan.

Mikä meni pieleen?

  1. Kampanjan alkuun vertaaminen ei huomioinut kausivaihtelua: Nisupullaa ostetaan tavanomaista enemmän touko- ja marraskuussa. Tämä selittää sekä kampanjan aikaisen heikon myyntimenestyksen että kampanjan jälkeisen myynnin huiman nousun.
  2. Vuoden takaiseen vertaaminen ei huomioinut trendiä: Nisupullan myynti on kasvanut tasaisesti useita vuosia. Tämä nousu ei ole kampanjan ansiota, koska trendi on ollut olemassa jo kauan ennen kampanjaa.
  3. Kumpikaan tekniikka ei huomioinut hinnan vaikutusta: sen nousu kampanjan aikana selittää osittain myynnin laskun, kuten myös hinnan lasku avitti myynnin nousua kampanjan jälkeen.
  4. Kumpikin tekniikka sivuutti sen tosiasian, että Nisupullan myynti on osittain satunnaisilmiö, eikä satunnaisesti heilahtelevaa osaa myynnistä tule laskea kampanjasta aiheutuvaksi. Esimerkiksi kampanjan jälkeinen myynnin nousu selittyy osittain sillä, että lokakuussa 2013 on ollut pienehkö sattumanvarainen lisänotkahdus alaspäin ja marraskuussa niinikään pieni satunnainen lisänousu.
  5.  
    Kampanjan todellinen vaikutus tunnistetaan soveltamalla aikasarja-analyysiä myyntihistoriaan

    Ratkaisu edellä esitettyyn ongelmaan on analysoida kampanjan vaikutus aikasarja-analyysillä. Tämä on tavanomaisesta poikkeava tapa käyttää aikasarja-analyysiä, koska melkein aina sitä käytetään tulevan ennustamiseen eikä menneen analysointiin.

    Aikasarja-analyysi puree tähän ongelmaan, koska se pystyy samanaikaisesti tunnistamaan mikä osuus myynnin vaihtelusta johtuu:

    1. Kausivaihtelusta
    2. Trendistä
    3. Hinnasta
    4. Muista tekijöistä (esim. kilpailevan samankaltaisen tuotteen hinnasta)
    5. Sattumasta
    6. Kampanjasta
    7.  
      Aikasarja-analyysillä siis tunnistetaan, mikä on kampanjan itsenäinen vaikutus, kun myynnin vaihtelusta on poistettu kaikkien muiden em. luettelossa olevien tekijöiden vaikutus. (Teknisesti tämä tehdään siten, että arimax-malliin lisätään kampanjan vaikutuksen itseensä imevät apumuuttujat. Tämän kuvailu ansaitsisi melkeinpä oman bloginsa.)

      Palataan Nisupulla-esimerkkiin. Ao. kuvassa on tehty (MS SQL Server Analysis Service:llä) aikasarja-analyysi Nisupullan myyntihistorialle. Aikasarjamallin tuottama hintaennuste (keltainen) pystyy toistamaan erittäin hyvin myynnin (sininen) säännönmukaisena toistuvat vaihtelut, tärkeimpinä trendin ylöspäin, kausivaihtelut ja hinnan (punainen) vaikutuksen. Toteutuneen myynnin ja mallin ennusteen erotus tulkitaan satunnaiseksi myynnin vaihteluksi. Näistä yli jäävä osuus myynnin vaihtelusta on kampanjan aiheuttamaa (harmaa).

      Aikasarja3

      Havaitaan, että kampanjan todellinen vaikutus oli pienempi kuin vuoden takaiseen vertaamalla saatiin tulokseksi mutta suurempi kuin kampanjan alkuun vertaaminen näytti.

      Aikasarja-analyysi mahdollistaa myös sen todentamisen, että Nisupullan kampanjoinnilla on ollut tilastollisesti merkitsevästi positiivinen vaikutus sen myyntiin (mikä on toki eri asia kuin asiallisesti merkitsevä). Vuoden takaiseen tai kampanjan alkuun vertaaminen eivät tähän kykene.

      Aikasarja-analyysin rajoitteet

      Tämäkään tilastollinen tekniikka ei ole suinkaan täydellinen, kuten ei mikään tekniikka kampanjan vaikutuksen arvioimiseksi. Yleisesti voi todeta, että kampanjan vaikutuksen tunnistaminen onnistuu aikasarjamallilla sitä paremmin, mitä säännönmukaisempaa on myynnin vaihtelu muista kuin kampanjasta johtuvista syistä (kohdat 1-5 edellä). Jos myynti on aivan kaoottista kohinaa, on vaikea erottaa kampanjan vaikutusta. Tosin silloin ajautuvat ongelmiin muutkin tähän tähtäävät tekniikat.

      Toinen haaste on se, että aikasarjamalli tulkitsee kaiken em. kohtien 1-5 ulkopuolelle jäävän myynnin vaihtelun kampanjasta johtuvaksi. Jos kampanjoita onkin täysin samaan aikaan ollut vaikkapa kaksi, tunnistaa aikasarjamalli niiden yhteisvaikutuksen. Sama pätee, jos on tapahtunut jotain muuta myyntiin vaikuttavaa samanaikaisesti kampanjan kanssa. Nisupullan tapauksessa tämä voisi olla vaikkapa kampanjan ajankohtaan osunut uutinen Nisupullassa käytetyn elintarvikevärin haitallisuudesta terveydelle. Ja jälleen on todettava, että tämä toki tuottaa ongelmia muillekin kampanjan vaikutusta arvioiville tekniikoille.

      Yhteenveto

      Perinteisillä tekniikoilla saatetaan ajautua aivan hakoteille sen arvioinnissa, mikä on kampanjan vaikutus myyntiin. Esimerkin tapauksessa kampanjan alkuun vertaaminen tuotti aivan liian synkän kuvan ja vuoden takaiseen vertaaminen aivan liian optimistisen kuvan kampanjan vaikutuksesta. Molemmat tekniikat epäonnistuivat, koska ne eivät kyenneet huomioimaan kaikkia myynnin vaihtelun säännönmukaisuuksia. Niiden avulla ei myöskään voida arvioida onko kampanjan vaikutus tilastollisesti merkitsevä vai ei.

      Aikasarja-analyysi on olennaisesti parempi tekniikka, koska se pystyy arvioimaan, mikä osuus myynnin vaihtelusta johtuu kausivaihtelusta, trendistä, hinnasta, sattumasta, muista tiedossa olevista tekijöistä ja kampanjasta. Näin kampanjan vaikutus arvioidaan realistisesti. Samalla selviää, onko vaikutus tilastollisesti merkitsevä vai ei.

      Itse asiassa aikasarja-analyysillä voidaan tunnistaa tässä esitetyllä tavalla minkä tahansa tapahtuman tai toimenpiteen vaikutus mihin tahansa aikasarjan muodossa esitettävissä olevaan ilmiöön… Vaikkapa tulivuorenpurkauksen vaikutus lentoliikenteeseen.

      – Antti O.

      P.S. Lue myös Lasse Liukkosen blogi aikasarja-analyysin alkuaskeleista.