Einführung
Jeder Dollar, der ein Kunde ausgibt, bietet mehr Informationen als nur seinen Wert. Eine der aussagekräftigsten strategischen Kennzahlen im Einzelhandel ist die Kaufvielfalt der Kunden, die mit der Shannon-Entropie quantifiziert wird. Dieses Konzept misst die zufällige Häufigkeit der Ausgaben eines Kunden. Es gibt auch einen Aufschluss darüber, wie gleichmäßig seine Käufe auf verschiedene Produktlinien verteilt sind. Also gib zwei Kunden zwar beide 100\$ von, aber der Kunde mit hoher Entropie kauft 25\$ in der Vierteilung, während der Kunde mit niedrigerer Entropie 95\$ nur in einer Abteilung ist. Diese Zahl ist wichtig für das Risikomanagement und die maximale Effektivität der Personalisierung. Wir erklären Ihnen warum. Ihre Effizienz, wenn sie mit herkömmlichen mehrdimensionalen Berechnungen generiert werden, ist jedoch nicht ideal, da es sich um eine nichtadditive Kennzahl handelt, die eine zeilenweise Berechnung der Transaktionsdaten erfordert. Wir skizzieren, warum es diese Komplexität gibt, und machen uns klar, wie ein tabellarischer Ansatz uns das ermöglicht, diese Metrik mit Geschwindigkeit und Genauigkeit in Echtzeit.
In diesem Artikel werden wir Folgendes untersuchen:
- Geschäftliche Bedeutung und strategische Auswirkungen: Wir setzen auf Durchschnittswerte, um präzise Personalisierungs-, Inventar- und Kundenbindungsstrategien umzusetzen.
- Beispiel aus dem Leben: Wie unterscheiden sich Kunden mit hoher Entropie von Kunden mit niedriger Entropie.
- Deep Dive für Manager: Warum traditionelle Aggregationsmethoden für diese Metrik nicht geeignet sind und wie tabellarische Modelle eine beispiellose Geschwindigkeit erreichen.
- Deep Dive für Entwickler: Die mathematische Unterscheidung zwischen distributiven und nichtdistributiven Maßen.
1. Geschäftliche Bedeutung und strategische Wirkung
Der Hauptanwendungsfall von Shannon-Entropie ist in der Vielfalt der Kundenshops enthalten. Wir wollen eine einzige Nummer, sagen die USA, sei es für einen Kunden, einen Experten (der Starke in einer bestimmten Produktlinie) oder für einen General (für die gesamte Produktion). Dies ist eine wichtige Kennzahl zur Bestimmung von Marketingrisiken und -chancen.
Das Erreichen dieser Punktezahl ermöglicht dem Management, von taktischen bis hin zu strategischen Operationen:
- Präzise Personalisierung: Weit weg von pauschalischen Werbeaktionen, Sie können Spezialisten mit starken Treueanreizen für ihre Lieblingsartikel (Kundenbindung) ansprechen und Generalisten mit kategorieübergreifenden Angeboten ansprechen, um den Gesamtkorb zu vergrößern.
- Dateisikomanagement: Der Punktestand dient als Frühwarnsignal. Kundenpopulationen mit niedriger Entropie deuten auf Bereiche hin, in denen Fehlbestände äußerst kritisch sind und eine Substitution unwahrscheinlich ist.
- Strategie zur Kundenbindung: Spezialisten sind für einen hohen Wert, aber ein hohes Risiko. Ein plötzlicher Rückgang ihres niedrigen Entropie-Scores signalisiert, dass sie möglicherweise einen Konkurrenten testen. Werte mit hoher Entropie deuten dagegen auf mehr Flexibilität und Preissensitivität hin.
- Produkt/Market Fit: Wenn sie nach durchschnittlicher Entropie segmentieren, kannst du feststellen, ob ein Unternehmen oder eine Region an erster Stelle spezielle Bedürfnisse oder unterschiedliche Einkaufstouren hat. Dies dient als Richtschnur für Ihre Sortimentstrategie.
2. Spezialisierte Käufer im Vergleich zu generalistischen Käufern
Sie stellen zwei Kunden vor, Lea und Luke, die beide letzten Monate 100\$ ausgegeben haben.
Lea (Niedrige Entropie): Sie gibt 85\$ für Elektronik aus und 5\$ in drei anderen Abteilungen (z. B. Molkerei, Bekleidung, Gärtnerei). Die tabellarische Berechnung ergibt einen Entropie-Score von ≈ 0.85:
$$p = [0.85, 0.05, 0.05, 0.05]$$$$H_{\text{Lea}} = - \left(0.85 \log_2(0.85) + 3 \times 0.05 \log_2(0.05)\right) = 0.847585\ldots$$
- Geschäftseinblick: Lea ist eine Spezialistin, sehr loyal, aber risikoreich. Wenn Ihr bevorzugter Markt nicht verfügbar ist, kauft sie vielleicht woanders ein.
- Strategie: Belohnen Sie ihre spezifischen Markentreue mit hohen, volumenabhängigen Rabatten.
Luke (Hohe Entropie): Seine Ausgaben verteilen sich gleichmäßig, 25$, auf Elektronik, Molkerei, Bekleidung und Gartenbau, vier verschiedene Abteilungen. Die tabellarische Berechnung ergibt einen Entropie-Score von 2.00.
$$
p = [0.25, 0.25, 0.25, 0.25]
$$
$$
H_ {\text{Luke}} = - 4 \times 0.25 \times \log_2 (0.25) = 2.00
$$
- Geschäftseinblick: Luke ist Allgemeinarzt, weniger markentreu, aber risikoarm.
- Strategie: Konzentrieren Sie sich darauf, die Gesamtgröße seines Warenkorbs zu erhöhen, indem Sie kategorieübergreifende Werbeaktionen anbieten (z. B. „In drei verschiedenen Abteilungen einkaufen und 5\$ sparen“).
Der individuelle Entropie-Score (0.85 gegenüber 2.00) ist die Zahl, die fundamentale andere, zielgerichtete Geschäftsentscheidungen.
3. Tiefer Einblick für Manager
Normale OLAP-Modelle, die für ihr Hauptweck geeignet sind: die blitzschnelle Aggregation, einfache, additive Metriken (wie Verkaufssumme oder Stückzahl). Für Berechnungen wie die Shannon-Entropie ist eine Kennzahl, die auf den Verhältnissen basiert, aber vor der endgültigen Berechnung des Anteils der Verkäufe pro Kategorie pro Kunde (die Daten auf Leitungsebene) bekannt sein muss.
Die OLAP-Herausforderung
Dieses OLAP kann, falls es lesen und verarbeiten muss, Berechnungen durchführen, um die Verteilung zu generieren, und dann die Log-Funktion berechnen. Die Anfrage wird bei Millionen von Kunden und Milliarden von Transaktionen zu einem inakzeptablen Ergebnis führen.
Der tabellarische Vorteil
Der tabellarische Ansatz verwendete eine starke In-Memory-Engine, die benutzerdefinierte Aggregationsroutinen ermöglichen — ein Vorteil, die Logik in Reinem MDX zu schreiben. Das Endergebnis wird im Voraus nicht berechnet. The Engine verarbeitet die Faktentabelle nur Zeile für Zeile, wenn die Kennzahl angefordert wird. This function aggregiert die für die Verhältnisse erforderlichen Zählungen auf der Mikroebene und führt die komplexe Log-Funktion aus, wodurch eine deutlich bessere Leistung erzielt wird.
4. Tiefer Einblick für Entwickler
Die technische Unterscheidung besteht in additiven und nichtadditiven Maßnahmen.
Traditionelles OLAP zeichnet sich durch additive Kennzahlen aus (z. B. Summe der Einnahmen), wobei das Aggregat der gesamten Summe seiner Teile entspricht. Die Entropie ist nicht additiv und algebraisch. Die Formel basiert auf der Formel: $$H = -\sum_ {i=1}^{n} p_i\log_2 (p_i) $$
Die berechneten Einschränkungen
Die Eingabe $p_i$ (Wahrscheinlichkeit) ist selbst eine Beziehung $\frac {\text {Category Units}} {\text {Total Units}} $, die aus den Fakten auf Mikroebene hergestellt und nicht einfach gespeichert wurde. Dazu muss die Funktion $\log_2 (p_i) $ auf die Verteilung der Rohlinien angewendet werden.
Die tabellarische Lösung
Die tabellarische Engine ermöglicht die Definition einer benutzerdefinierten Aggregationsroutine, die auf der untersten Granularebene arbeitet. Die Engine iteriert über die physikalischen Faktenzeilen. Diese Routine aggregiert zunächst die notwendigen Mikrozählungen, um die erforderliche Wahrscheinlichkeitsverteilung $p_i$ zu konstruieren, und führt dann die nicht-additive $\log_2 (p_i) $-Funktion für diese abgeleitete Verteilung aus, bevor die endgültige Summe zurückgegeben wird. Dieses Verfahren umgeht die Strukturbeschränkungen der dimensionalen Modelle und liefert die komplexe Metrik als erste Messung mit der Geschwindigkeit der Datenmaschine.
Fazit
Die Fähigkeit, einen genauen Kundendiversitätswert (H) zu berechnen, ist nicht mehr, sondern eine Wettbewerbsvoraussetzung für einen starken personalisierten Einzelhandel. Die Methoden der multidimensionalen Analyse (OLAP) eignen sich auch für die Zusammenfassung von Finanz- und Inventarsummen, aber der Komplex der Shannon-Entropie erfordert eine spezielle, moderne Lösung für schnelle Berechnungen. Das tabellarisch berechnete Modell auf Linienebene ist der effektivste technische Weg, um diese Zahl zu ermitteln. Durch die Implementierung dieses Ansatzes erhalten Sie einen klaren, präzisen und schnellen Überblick über das Kundenverhalten, sodass Sie über einfache Durchschnittswerte und Entscheidungen in Echtzeit treffen können. Dieser tabellarische Ansatz ist in icCube Version 9 verfügbar. Lesen Sie hier mehr über Beitrag.
Zum Beispiel könnte ein Einzelhändler sofort feststellen, dass die Vielfältigkeit der Warenkörbe nach 17 Uhr stark abnimmt, was darauf hindeutet, dass Kunden, die spät am Tag einkaufen, nur einen einzigen Artikel kaufen. Thin, an Self-Checkout-Automaten wird sofort ein Pop-up-Vorschlag ausgelöst, der einen Paketrabatt auf einen Impulsartikel anbietet, um eingehende Grenzsummen zurückzugewinnen.