Epäsuoran kysyntätiedon hyödyntäminen verkkokaupan tuotevalikoima- ja hinnoittelupäätöksissä

Abstract

Tässä diplomityössä tutkitaan, miten verkkokaupan kävijävirran käyttäytymistä analysoimalla voidaan tehdä perusteltuja, tarkoituksenmukaisiin nimikkeisiin ja niiden parametreihin kohdistuvia päätöksiä tilanteessa, jossa laajamittaisemmat historiatiedot toteutuneesta myynnistä puuttuvat. Teoriakatsauksen perusteella muodostettiin ratkaisumalli, joka perustuu potentiaalisten kysyntäajurien muodostamiseen ja testaamiseen. Testisarjan perusteella valittavaa ajuria käytetään estimoimaan nimikkeiden kysyntää, jolloin sitä voidaan käyttää toteutuneen myynnin sijasta esimerkiksi Pareto-analyysissä. Näin huomio on mahdollista keskittää rajattuun määrään merkitykseltään suuria nimikkeitä ja niiden yksityiskohtaisiin parametreihin, joilla on merkitystä asiakkaan ostopäätöstilanteissa. Lisäksi voidaan tunnistaa nimikkeitä, joiden ongelmana on joko huono verkkonäkyvyys tai yhteensopimattomuus asiakastarpeiden kanssa. Ajurien testaamisperiaatteena käytetään kertymäfunktioiden yhdenmukaisuustarkastelua, joka rakentuu kolmesta peräkkäisestä vaiheesta; visuaalisesta tarkastelusta, kahden otoksen 2-suuntaisesta Kolmogorov-Smirnov-yhteensopivuustestistä ja Pearsonin korrelaatiotestistä. Mallia ja sen avulla tuotettua kysynnän ajuria testattiin veneilyalan kuluttaja-asiakkaille suunnatussa verkkokaupassa, jossa sillä tunnistettiin Pareto-jakauman alkupäästä runsaasti nimikkeitä, joiden parametreissa oli myynnin kannalta epäedullisia tekijöitä. Jakauman toisessa päässä tunnistettiin satoja nimikkeitä, joiden ongelmana on ilmeisesti joko huono verkkonäkyvyys tai nimikkeiden yhteensopimattomuus asiakastarpeiden kanssa.

This thesis aims to clarify, through the analysis of the visitors’ activity at the online-shop’s website, how the attention and parameter decisions could be con-centrated on the most important stock keeping units in the situation, where there is considerable shortage of the sales history based demand information. Based on the literature review, a model for producing and testing hypothetical demand drivers was constructed. Suggested drivers are processed through series of tests, and the best fitting driver is selected to estimate the actual demand, there-fore enabling applications of the Pareto distribution based analysis. By this method it is possible to aim the focus to the most important stock keeping units and their exact parameters, which have greatest effect to the purchasing decisions of the potential customers. When applied to the practical situation, the model also recognizes the stock keeping units that have problems with the search engine visibility, or possibly are incompatible with the customer needs. The testing principle of the demand drivers is constructed with three serially connected separate tests; visual inspection of the cumulative distribution functions, two sided two sample Kolmogorov-Smirnov test for goodness-of-fit and the Pearson’s correlation test. The model and the suggested demand driver were empirically tested at a case-company, which sells marine products for the B-to-C customers via online-shop. The method allowed the application of the Pareto distribution, which in turn revealed that majority of the checked stock keeping units had problems with various parameters. Also at the other end of the distribution, several hundred SKU’s were identified to very likely have problems with search engine visibility or with customer needs.