Ürün Puanlama Algoritması

Ürünlerinizin performansını merak ediyorsunuz. Ayrıca, gelir artırmak için ürün portföyünüzü nasıl yöneteceğinizi merak ediyorsunuz. Tüm sorularınızın yanıtları burada: blogumuzu inceleyin ve Ürün Puanlama Algoritmamız hakkında bilgi edinin.

Ürün yönetiminde sıkça karşılaşılan problemler

Profesyoneller, şirketlerinin performansını değerlendirirken zihinlerinde birçok soru taşır. Bu sorulardan bazıları, web sitelerinde, uygulamalarda ve pazarlama kanallarında satılan ürünlerin verimliliğini artıracak önemli aksiyonları düşünürken çok faydalıdır.

Hangi e-ticaret metriklerine odaklanmalıyız? Hangi ürünler daha değerli? Aynı ürün portföyüyle gelirimizi nasıl artırabiliriz? Ürünlerimizin pazarlama kampanyalarını optimize etmek için kilit metriklerimiz neler olmalı? Web sitemizde veya uygulamamızda ürün listelemeyi nasıl belirlemeliyiz?

Evet, doğru tahmin ettiniz! AnalyticaHouse Veri Bilimi & İçgörüler Ekibi bu gizemli soruların tamamı ve daha fazlası için sihirli bir algoritmaya sahip: Ürün Puanlama Algoritması. Bu yazıda algoritmanın yapısını ve dijital pazarlama alanındaki uygulamalarını inceleyeceğiz.

Algoritma nasıl inşa ediliyor?

Her web sitesi ve uygulamada, renkler, bedenler, ürün tipleri, sezon, hedef cinsiyet, yaş grupları vb. boyutlara göre çok sayıda ürün ve varyant grubu bulunur. Sahip olduğumuz verilere bağlı olarak Ürün Puanlama Algoritması sayesinde ürünlerin tüm detaylarını analiz edebiliriz.

Bu analiz için minimum veri gereksinimi, ürünlerin işlem verileri ve mevcut envanter bilgileridir. İşlem verilerini incelerken odaklandığımız metrikler şunlardır: satin alma sayısı, toplam miktar, gelir, ortalama fiyat vb. Elbette, kullanıcı/oturum bazlı veriler olduğunda daha da ilginç hale gelir: ürün detay görüntülemeleri, sepete ekleme, alışveriş yapan kullanıcı sayısı, ürüne bakan kullanıcı sayısı, gelir/ürün detay görüntüleme, işlem/ürün detay görüntüleme vb.

Bu metrikleri şu iki gruba ayırabiliriz:
Gelir destekleyici metrikler: satın alma sayısı, toplam miktar, gelir, ortalama fiyat, gelir/ürün detay görüntüleme, işlem/ürün detay görüntüleme
Müşteri ilgisini gösteren metrikler: ürün detay görüntüleme, sepete ekleme, alışveriş yapan kullanıcı sayısı, ürüne bakan kullanıcı sayısı, gelir/ürün detay görüntüleme

Metrik tanımları

• Satın alma sayısı: İşlem (transaction) sayısı
• Toplam miktar: Satın alınan ürün adedi
• Gelir: Toplam gelir tutarı
• Ortalama fiyat: Ürünlerin ortalama fiyatı
• gelir/ürün detay görüntüleme: Her ürün için detay görüntüleme başına gelir
• işlem/ürün detay görüntüleme: Dönüşüm oranı (ürün detay görüntülemeye göre)
• sepete ekleme: Sepete eklenen ürün adedi
• alışveriş yapan kullanıcı sayısı: İlgili ürünü satın alan müşteri sayısı
• ürüne bakan kullanıcı sayısı: İlgili ürünü görüntüleyen kullanıcı sayısı

Modelin uygulaması

Algoritma, her ürün seviyesinde uygulanabilir ve hem büyük resmi hem de ayrıntıları analiz etmemize yardımcı olur.

Aşağıdaki örnek, bir e-ticaret şirketi için kategori/ürün düzeyini göstermektedir:

• Seviye 1: Ayakkabı/Çanta
• Seviye 2: Ayakkabı
• Seviye 3: Spor Ayakkabı
• Seviye 4: X Markası Spor Ayakkabı
• Seviye 5: X Markası Beyaz Spor Ayakkabı
• Seviye 6: X Markası Beyaz Spor Ayakkabı (Size: 38)

Ürün puanı nasıl hesaplanır?

Ürün Puanlama Algoritması temel olarak iki kısımdan oluşur. İlk kısım, daha alt seviyedeki bir ürünün (örneğin Seviye 6’daki “X Markası Beyaz Spor Ayakkabı (Size: 38)”) daha üst seviyedeki ürün (Seviye 5: “X Markası Beyaz Spor Ayakkabı”) toplamı içindeki oranını, önceki metrikler kullanarak hesaplar. İkinci kısım ise, ürünün mevcut envanter bilgisini göz önünde bulundurur ki kısa ve uzun vadede envanter yönetimi için hayati önemdedir.

Yukarıdaki örnekte, sepete ekleme ve satılan miktar metriklerinin yanı sıra envanter skoru (stokta varsa 1, yoksa 0) kullanılarak Seviye 6 ürününün puanı hesaplanmış:

Her satır (Seviye 6’daki her varyant) puanlandıktan sonra, Seviye 5’in puanını bulmak için tüm Seviye 6 puanları toplanır. Örneğin “X Markası Beyaz Spor Ayakkabı” için toplam puan:

0,0747 + 0,0245 + 0,0036 + 0,0028 + 0,0251 + 0,0000 = 0,131

Bu örnekte “X Markası Siyah Spor Ayakkabı” en yüksek skora (0,193), “X Markası Kırmızı Spor Ayakkabı” en düşük skora (0,071) sahiptir.

Sonuçları nerede kullanabiliriz?

Bu analiz, alt seviyeden üst seviyeye kadar tüm düzeylerde uygulanabilir ve önceki metriklere ek olarak daha fazla metrikle detaylandırılabilir. Ayrıca, metriklerin önemini Değişken Önem Analizi kullanarak ayarlayabiliriz. Son olarak, analiz sonuçları otomatik olarak ürün beslemelerini güncellemek için pazarlama kampanyalarında da kullanılabilir.