Maxeda DIY Group

Voor Maxeda, het moederbedrijf van o.a. Praxis, was het van belang om inzicht te krijgen in de cross-selling van de fysieke winkels en hoe de cross-selling in de online winkel gestimuleerd kan worden. Wij hebben uitgezocht welke artikelen veelal in cross-selling voorkomen en welke van deze artikelen nog niet in de online winkel beschikbaar zijn. Voor deze use-case hebben wij een recommender model gebouwd dat bij invoer van een artikel een gerangschikte lijst met een gewenst aantal artikelen teruggeeft.

RECOMMENDER SYSTEM VOOR DE WEBSHOP.

De webshop van de Praxis geeft bij het toevoegen van een artikel in het winkelmandje een aantal aanbevolen artikelen. Deze artikelen hebben echter meestal een onlogisch verband met het toegevoegde artikel. Het kunnen artikelen zijn die niks te maken hebben met het toegevoegde artikel, het kunnen dubbele artikelen zijn, of bijvoorbeeld een interessante aanbeveling maar met verkeerde (bijpassende) afmetingen.

De wens van Maxeda was om de aankopen via de webshop te verhogen (dit was op het moment 2-5% van de totale verkoop). De organisatie dacht dat als de aanbevolen artikelen logischer en effectiever zouden zijn, de verkoop via de webshop zou kunnen toenemen. Aan ons de vraag of wij de cross sales konden vinden van hun totale verkoop (winkelverkoop, webshop verkoop en winkelbestellingen) om zo een verbeterd recommender system te kunnen bouwen, om dit probleem aan te pakken.

PROBLEEM

AANPAK

Van Maxeda kreeg Data Science Lab. vijf datasets; ‘Zarto’ (artikel informatie dataset), ‘Assortment Online Praxis 16-7-2019’ (de op dat moment aanwezige producten in de webshop), ‘Website sales’, ‘Customers orders’ en ‘Store sales’.

De data hebben wij voorbewerkt door de datasets ‘Website sales’, ‘Customers orders’ en ‘Store sales’, dat allen een artikelnummer bevat per sale/order, te verreiken met bijbehorende productnamen uit de ‘Zarto’ dataset corresponderend met het artikelnummer. Eveneens is er een kolom toegevoegd of de artikelen per sale/order in de webshop staan of niet. Verder zijn de datasets uniform gemaakt. De drie datasets bevat de volgende informatie: Transactienummer, artikelnummer, artikel beschrijving in het Nederlands, aantal gekocht per artikel, online beschikbaarheid, merk en marge van het artikel.

Voor de klant was het van belang dat de aanbevolen artikelen van het nieuwe recommender system bij voorkeur:

  • Artikelen met hetzelfde merk zijn
  • Artikelen met een hoge winstmarge zijn
  • Artikelen zijn die vaak samen gekocht worden

Om aan deze eisen te voldoen zijn per artikel de 200 vaakst samen gekochte artikelen geselecteerd. Vervolgens is voor elk van de 200 artikelen gekeken naar de features 1) of het merk hetzelfde is en 2) wat de winstmarge is. Deze features zijn genormaliseerd en vervolgens is een gemiddelde van de 2 genormaliseerde waarden genomen. Dit gemiddelde is de ‘rating’. Dit gaf een lijst met alle artikelen met een toegerekende rating, waarbij de hoogste rating het best aanbevolen artikel is. 

Het nieuwe recommender system bleek te laten zien dat hoe lager de rating van het aanbevolen artikel hoe lager de winstmarge, evenals hoe minder vaak het gekozen artikel en het aanbevolen artikel samen gekocht werden, en hoe minder groot de kans werd dat de twee artikelen van hetzelfde merk zijn. Het recommender system is meerdere malen getest op een willekeurig gekozen artikel, waarbij de lijst met aanbevolen artikelen van het nieuwe recommender system betere en meer logische artikelen aanbood in vergelijking met het huidige recommender system op de webshop. 

RESULTAAT

Gerelateerde artikels

Data Science 3.0 met MLOps

| Data for Good | No Comments
MLOps is een relatief jonge term die de laatste tijd steeds vaker opduikt. En niet voor niks! Gezien de huidige…

Gerelateerd artikel

Techday september

| Data for Good | No Comments
Microsoft Azure Devops is een platform dat mogelijkheden biedt voor versiebeheer, rapportage, projectbeheer en geautomatiseerde pipelines voor het testen en releasen van nieuwe code. Dit platform…