Analýza nákupního košíku
Analýza nákupního košíku je postup zkoumání, které produkty mají zákazníci tendenci nakupovat společně v rámci jedné transakce, s cílem odhalit smysluplné nákupní vzorce. Podporuje rozhodování o tvorbě balíčků, křížovém prodeji, uspořádání obchodu a merchandisingu tím, že odhaluje skutečné, daty podložené vztahy mezi produkty namísto předpokládaných.
Definice analýzy nákupního košíku
Analýza nákupního košíku je technika zkoumání transakčních dat s cílem identifikovat, které produkty mají zákazníci tendenci nakupovat společně v rámci jedné objednávky. Název pochází z fyzického nákupního košíku: namísto analýzy produktů izolovaně se analýza nákupního košíku dívá na celý obsah každé dokončené transakce, aby našla opakující se vzorce společných nákupů. Jedná se o základní techniku stojící za tvorbou produktových balíčků, doporučeními “často kupované společně” a merchandisingovými rozhodnutími, protože nahrazuje dohady o tom, které produkty k sobě pasují, důkazy získanými přímo z reálného chování zákazníků.
Jak analýza nákupního košíku funguje
Analýza nákupního košíku se opírá o tři základní statistické míry, které vyhodnocují, zda je vztah mezi dvěma produkty smysluplný. Support měří, jak často se konkrétní dvojice vyskytuje napříč všemi transakcemi – pokud 50 z 1 000 celkových objednávek obsahuje produkt A i produkt B, je support pro tuto dvojici 5 %. Confidence měří, jak často nákup produktu A vede také k nákupu produktu B, a vypočítá se jako počet transakcí obsahujících oba produkty dělený počtem transakcí obsahujících pouze produkt A – pokud 200 objednávek obsahuje produkt A a 50 z nich také produkt B, je confidence 25 %. Lift měří, zda se společný nákup vyskytuje častěji, než by se dalo očekávat při pouhé náhodě, a vypočítá se porovnáním skutečné confidence s tím, co by předpovídala celková popularita produktu B – lift nad 1 naznačuje skutečný pozitivní vztah, zatímco lift blízko 1 nebo pod ním naznačuje, že dvojice je náhodná nebo dokonce negativně asociovaná.
Konkrétní příklad to objasní. Předpokládejme, že obchod má 1 000 celkových objednávek. Produkt A (pouzdro na telefon) se vyskytuje ve 200 z nich. Produkt B (ochranná fólie) se vyskytuje ve 150 z nich. Z 200 objednávek obsahujících produkt A jich 60 obsahuje také produkt B. Support pro tuto dvojici je 60 ÷ 1 000 = 6 %. Confidence je 60 ÷ 200 = 30 %. Pro výpočet liftu porovnáme tuto 30% confidence se základní popularitou produktu B 150 ÷ 1 000 = 15 %: lift je 30 % ÷ 15 % = 2,0, což znamená, že zákazníci, kteří kupují produkt A, mají dvakrát větší pravděpodobnost, že si koupí také produkt B, než náhodný zákazník. Lift 2,0 s přiměřeným supportem a confidence je silným kandidátem na balíček nebo doporučení křížového prodeje, protože vztah je statisticky smysluplný a zároveň dostatečně častý, aby se na něm dalo stavět.
Proč na analýze nákupního košíku záleží e-commerce značkám
Na analýze nákupního košíku záleží, protože merchandisingová rozhodnutí učiněná bez ní se obvykle opírají o předpoklady – sousedství kategorií, instinkt nebo to, co “se zdá”, že by k sobě mělo pasovat – které často neodpovídají skutečnému chování zákazníků. Obchod může předpokládat, že dva produkty ve stejné kategorii se přirozeně prodávají společně, jen aby prostřednictvím analýzy nákupního košíku zjistil, že zákazníci ve skutečnosti jeden z těchto produktů párují s něčím z úplně jiné kategorie. Jednání na základě ověřených výsledků analýzy nákupního košíku namísto předpokládaných vztahů obvykle produkuje balíčky a doporučení křížového prodeje, které mají vyšší konverzi, protože odrážejí poptávkové vzorce, které již skutečně existují, nikoli vzorce, které si obchodník přeje, aby existovaly.
| Metrika | Co měří | Příklad interpretace |
|---|---|---|
| Support | Četnost dvojice napříč všemi objednávkami | Nízký support může znamenat příliš málo dat pro spolehlivý výsledek |
| Confidence | Pravděpodobnost, že B je koupen, pokud je koupen A | Vysoká confidence naznačuje silný směrový vztah |
| Lift | Zda dvojice překonává náhodu | Lift blízko 1 znamená žádný skutečný vztah |
Analýza nákupního košíku a AI řízený obchod
AI nákupní asistenti jako ChatGPT Shopping a Perplexity Shopping stále častěji odpovídají na implicitní otázky “co se k tomu hodí”, když pomáhají nakupujícímu porovnávat nebo dokončovat nákup. To znamená, že ověřené výsledky analýzy nákupního košíku dané značky mohou sloužit jako vstup pro tvorbu přesných nabídek balíčků a doporučení, které tito asistenti s větší pravděpodobností zprostředkují nakupujícím. Nástroj eshop_get_product_bundles od AmICited provádí tuto analýzu přímo na reálné historii objednávek obchodu a zobrazuje dvojice ohodnocené pomocí supportu, liftu a confidence, takže obchodník může jednat na základě skutečně silných vztahů namísto předpokladů – ať už je cílem vytvořit balíček, zlepšit umístění křížového prodeje na webu, nebo prostě lépe porozumět skutečné nákupní struktuře katalogu.
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Nejlepší postupy pro analýzu nákupního košíku
- Vyžadujte minimální úroveň supportu, než začnete dvojici považovat za spolehlivou – dvojice s nízkým objemem jsou náchylné k šumu
- Upřednostňujte lift společně s confidence, protože dvojice s vysokou confidence může být stále neinformativní, pokud je lift blízko 1
- Provádějte analýzu nákupního košíku pravidelně, protože nákupní vzorce se mění se sezónností, akcemi a změnami v katalogu
- Segmentujte analýzu nákupního košíku podle typu zákazníka nebo kanálu tam, kde to dává smysl – noví a opakovaní zákazníci mohou párovat produkty odlišně
- Používejte výsledky k informovanému rozhodování o balíčcích, umístění křížového prodeje a dokonce i struktuře stránek kategorií, nejen o propagačních nabídkách
Časté chyby při analýze nákupního košíku
Častou chybou je jednání na základě samotného supportu bez kontroly liftu, což může odhalit dvojice dvou jednoduše oblíbených produktů, které spolu nemají žádný skutečný vztah – dva bestsellery se budou vyskytovat společně v určitém počtu objednávek čistě náhodou, takže lift je nezbytný k odfiltrování těchto falešně pozitivních výsledků. Dalším častým problémem je provádění analýzy nákupního košíku na příliš malém datasetu, například u nově uvedeného produktu s pouze několika objednávkami, a považování výsledné dvojice za spolehlivou, když je ve skutečnosti jen artefaktem malého vzorku; stanovení minimálního počtu objednávek před tím, než výsledku důvěřujete, tomu předchází. Některé firmy také nechávají výsledky analýzy nákupního košíku zastarat – postaví balíček nebo doporučení na základě vzorce, který již dávno neplatí, protože katalog i zákaznická základna se mezitím změnily. Pravidelné opakování analýzy na aktuálních datech tento posun zachytí. Další chybou je považovat každou dvojici s vysokým liftem za stejně realizovatelnou, protože silný statistický vztah mezi dvěma nízce maržovými, zřídka vyhledávanými produkty nemusí stát za merchandisingové úsilí, i když čísla vypadají čistě; výsledky analýzy nákupního košíku by měly být posuzovány podle obchodní hodnoty, nikoli pouze statistické významnosti.