Cross Selling analytics: Discovering the Correlation Matrix.

Análisis de las ventas cruzadas: la matriz de correlación

Una vez que los clientes entran en nuestra tienda, es prácticamente imposible predecir cuál será su siguiente paso. Por ello, es imprescindible detenerse a analizar el tráfico. Gracias a esta información, podremos identificar puntos muertos y zonas poco transitadas, lo que nos permitirá gestionar eficazmente el espacio con el fin de aumentar los beneficios e impulsar nuestro ROI. En este artículo explicaremos por qué es importante analizar la matriz de correlación y así fomentar el análisis de las ventas cruzadas.

Cómo funciona la matriz de correlación

Una de las últimas herramientas que hemos diseñado en Shoppermotion es la matriz de correlación, que forma parte de nuestro paquete de inteligencia para retail y proporciona nuevas posibilidades para que crees tus propios análisis de las ventas cruzadas en tus tiendas físicas. Esta matriz mide la probabilidad de que un comprador pare en una determinada categoría asumiendo que se ha parado previamente en otra categoría de la tienda. Por tanto, permite hacer un seguimiento del recorrido completo de los compradores de forma satisfactoria.

Si quieres ver el ejemplo, puedes descargar el archivo XLS aquí.

Para generar las matrices de correlación, la tecnología de Shoppermotion rastrea de forma pasiva y anónima todas las herramientas de compra que se mueven por la tienda, desde la entrada hasta las cajas. Tras analizar un determinado número de rutas (para poder hacer un estudio fiel a la realidad, se deben analizar al menos 10.000 rutas realizadas en los últimos tres meses), se genera un dashboard a medida para cada cliente en el que se muestra la matriz de correlación con los datos recopilados, tal y como se muestra en la siguiente imagen.

Cross-correlation matrix example of a Supermarket
Ejemplo de la matriz de correlación de un supermercado. Para iniciar la descarga del ejemplo pulsa aquí.

Las filas y columnas muestran todas las categorías existentes en la tienda. Cada casilla representa la probabilidad de que las rutas que pasan por una sección del eje Y (Sección A) también pasen por una sección del eje X (Sección B). 

Cuanto más verde sea la casilla, más elevada es la probabilidad de que la sección de la columna aparezca también en cualquier ruta que pase por la sección de la fila.

Por ejemplo, si utilizamos la matriz anterior como ejemplo, seremos capaces de medir la correlación entre el marisco (seafood) y el tofu simplemente cruzando la respectiva fila con la columna. En este caso, la matriz señala que el 38,9 % de los compradores que paran en la sección de marisco durante su visita también pasan cierto tiempo en la categoría del tofu.

Cross correlation between Seafood and Tofu
El valor de correlación entre el marisco y el tofu se extrae fácilmente gracias a la matriz.

Simetría de la matriz

Es importante mencionar que la matriz no suele ser simétrica. Esto se debe a que todas las rutas de compra son distintas, por lo que se visitan diferentes categorías. Por ejemplo, el número de compradores que habiendo visitado la  sección de verduras visite la panadería no es el igual al de compradores que habiendo visitado la panadería visite también las verduras. Por tanto, la correlación entre estas categorías difiere.

Example of the non-symmetry of the correlation matrix
Ejemplo de una matriz de correlación asimétrica. Los cuadrados verdes representan 50 rutas de compra que han parado en la sección de verduras. Aquellos cuadrados con dos colores representan las rutas de compra que han visitado tanto la sección de verduras como la de panadería. 

Vamos a asumir que estamos analizando 50 rutas en uno de nuestros supermercados y que todas han parado en la sección de verduras (cuadrados verdes), pero solo 10 de esas rutas han parado también en la sección de panadería (cuadrados verdes y morados). La correlación entre la sección de verduras y la de panadería sería del 20%, ya que solo una quinta parte de los compradores han seguido este patrón. Sin embargo, si medimos la correlación de forma inversa (es decir, entre la panadería y las verduras), el resultado sería el 100%, ya que todas las rutas que han parado en la sección de panadería también han parado en la de verduras.

Una herramienta muy valiosa durante el análisis de las ventas cruzadas

La matriz de correlación es una herramienta muy valiosa que muestra nuevas maneras de interpretar el comportamiento de los consumidores. Con la ayuda de esta métrica, nuestros clientes son capaces de medir la relación entre diferentes categorías de manera empírica, aumentando con ello las ventas, a la vez que consiguen una nueva ventaja competitiva. En este informe analizamos este tema y haciendo especial hincapié en cómo maximizar las ventas. Esta herramienta se utiliza principalmente para impulsar las analíticas de ventas cruzadas y, gracias a la información que proporciona, influye también en el proceso de toma de decisiones. Nuestros clientes son capaces de gestionar el stock de manera más ágil, a la vez que limitan el riesgo asociado al entorno cambiante que caracteriza a la industria minorista.

Recibe nuestros artículos

Hacer una demo personalizada

Anonymous Analysis

Learn more about Retail Media

Want fresh Shopper Insights, Offline Attribution, and In-store Analytics articles straight into your inbox, twice per month?