Huvudmeny

Customer Behavior Analysis

Tillförlitliga prognoser är ett ovärderligt verktyg inom alla former av handel. Att i förhand och med rimlig felmarginal kunna förutsäga kommande efterfrågan innebär att ICA kan köpa in korrekta volymer av respektive vara. På detta sätt kan minimala lager hållas vilket medför att kostnaderna kan hållas nere. Ett vanligt förekommande arbetssätt är att använda historisk marknadsförings- och försäljningsdata för att skapa linjära prognosmodeller. Dessa har många fördelar, bl a är de enkla att applicera och kan användas för att ge en förklaring till ett visst utfall. De fungerar ofta relativt väl under stabila förhållanden, t ex när varumärket har sådan kraft att försäljningen inte radikalt påverkas av tillfälliga faktorer, exempelvis egna eller andras marknadsföringsåtgärder. De fungerar dock relativt dåligt när stora volymförändringar orsakas av sällan förekommande faktorer, vilket är fallet vid vissa typer av marknadsföringsåtgärder. Det finns därför ett behov av att utveckla modeller som kan fusionera information från flera källor och prognostisera utfall för denna typ av marknadsföring. Baserat på detta skulle man kunna möta den efterfrågan som blir resultatet av markandsföringsåtgärden för produkten i fråga. Dagens tekniksituation gör det även möjligt att få tillgång till data från ett flertal olika källor (företagsinterna såväl som externa), och utnyttja denna för att göra mera tillförlitliga modeller. Det kan till exempel röra sig om information om vädret kopplat till en kampanj, för att förutsäga efterfrågan på vissa varor (t ex glass vid soligt och varmt väder). En önskvärd situation är när en butik kan förutse efterfrågan både baserad på marknadsföring, kundernas normala köpbeteende (vilket givetvis är beroende på den kundbas den aktuella butiken har) och andra viktiga faktorer. Att göra en prognos blir således en process där ett flertal informationskällor ska fusioneras.

Projektets mål är att förbättra teknikerna inom data mining.

Områden

Samarbetspartner