Введение

В 18 в. купцы определяли желания покупателей, исходя из жизненного опыта. Они понимали, какие товары продаются лучше и как их надо представить. пищевая промышленность В условиях современного бизнеса просто невозможно применять такую схему из-за огромного количества, как продуктов, так и самих клиентов.

Решение

Некоторые большие сети магазинов уже используют Data Mining (способ анализа информации в базе данных с целью отыскания аномалий и трендов без выяснения смыслового значения записей) для обеспечения более широкого ассортимента товаров и выявления предпочтений своих клиентов. Используя собранную информацию о продуктах и их специфических характеристиках, компания помогает своим партнерам более точно анализировать покупательские привычки их клиентов и находить места сбыта для конкретных товаров.

Нахождение оптимального рынка сбыта, в конечном счете, принесет пользу, как производителю, так и потребителю; компания сможет реагировать на специфические нужды своих потребителей и, в это же время, использовать менее дорогой товар. Сверх того, клиенты получат более явное представление о предложенных товарах.

Цель любой компании – увеличение объема продаж – может быть осуществлена за счет использования всесторонних знаний о потребностях клиента и о факторах, оказывающих влияние на продажи. Эту информацию получается путем анализа репутации и характеристик товаров, а также региональных особенностей. Далее следует главный вопрос: какие факторы оказывают влияние на то, что один продукт продается лучше, чем другой?

Наилучшим для анализа этих факторов является использование программного обеспечения, реализующего data mining. Первым результатом этого метода будет понимание того, где необходимо продавать товар. Однако, принимая во внимание постоянные изменения в факторах, оказывающих влияние на покупательские привычки, становится понятно, что такой анализ должен быть автоматизирован и выполнен на регулярной основе.

Анализ данных будет тем лучше, чем качественней собранные данные. По этой причине, вначале необходимо обеспечить характеристики товара конкретно для этого рынка – в этом и есть весь фокус подготовки данных. Далее следует чистка данных. Затем все данные по каждому продукту компилируются относительно характеристик товара, имеющих место в каждом пункте продажи. Информация о месторасположении пункта продажи должна быть добавлена в существующую базу данных для осуществления верного анализа продаж, как рассматриваемой компании, так и отрасли в целом, ее социальных и демографических особенностей, конфликтных ситуаций и специфических характеристик региона.

Следующий шаг – создание схемы технологического процесса для классификации продаж на категории «ниже среднего» и «выше среднего». В качестве метода анализа можно использовать деревья классификаций (описание модуля Деревья классификаций системы STATISTICA ), которые в 21 веке реализуются посредством компьютерных технологий.