Key points are not available for this paper at this time.
L'industrie des magasins de proximité au Japon revêt une immense importance, rendant une compréhension approfondie du comportement d'achat des clients inestimable pour les entreprises cherchant à obtenir des informations sur leur base de clients. Dans cet article, nous proposons une application novatrice d'un modèle de réseau de Markov pour simuler des achats guidés par des probabilités d'arrêt calculées à partir de données réelles. Chaque nœud du réseau de Markov représente différentes catégories de produits disponibles à l'achat. De plus, nous introduisons le concept de "force motrice", quantifiant l'influence de l'achat du produit A sur la probabilité d'acheter le produit B, par rapport à des achats aléatoires. Par exemple, notre analyse révèle que l'inclusion de barres nutritives dans un ensemble d'achat entraîne, en moyenne, une réduction de 13 % des achats de tabac par rapport aux modèles aléatoires. Pour valider notre approche, nous comparons les comportements d'achat simulés à un niveau macro avec les données réelles de point de vente (POS) obtenues d'un important géant des magasins de proximité, 7-Eleven. L'ensemble de données est composé d'environ 54 millions de reçus, sur lesquels nous nous concentrons sur les catégories de produits existantes dans cet ensemble de données plutôt que sur des produits individuels. Notre modèle reproduit avec succès la distribution des tailles d'achat pour 99,9 % de tous les achats et le nombre d'achats à travers diverses catégories de produits, démontrant son efficacité à capter des modèles d'achat larges.
Johansson et al. (Tue,) ont étudié cette question.