Každá transakce v maloobchodě musí být zaznamenána, což pro obchodní řetězce znamená tisíce až miliony řádků transakčních dat každý den. Automatické zpracování těchto dat je zásadní pro konkurenceschopnost firmy, a tak roste důležitost jejich efektivního zpracování pomocí tzv. data driven metod, při nichž se minimalizuje osobní přístup analytika ve prospěch maximální automatizace.Metody vycházejí z~předpokladu, že je k dispozici velké množství dat popisujících nákup konkrétního produktu spolu s ... show full abstractKaždá transakce v maloobchodě musí být zaznamenána, což pro obchodní řetězce znamená tisíce až miliony řádků transakčních dat každý den. Automatické zpracování těchto dat je zásadní pro konkurenceschopnost firmy, a tak roste důležitost jejich efektivního zpracování pomocí tzv. data driven metod, při nichž se minimalizuje osobní přístup analytika ve prospěch maximální automatizace.Metody vycházejí z~předpokladu, že je k dispozici velké množství dat popisujících nákup konkrétního produktu spolu s doplňujícími informacemi, jako je uspořádání do košů, propojení s konkrétním klientem a jeho vlastnostmi či místo a čas provedení nákupu. Na základě těchto informací jsou navrženy metody pro (1) rozdělení produktů do skupin vzájemných substitutů, (2) segmentaci zákazníků na základě obvyklého důvodu nákupu a (3) odhad počtu unikátních zákazníků maloobchodního řetězce. Metody jsou formulovány jako optimalizační úlohy a jejich vlastnosti jsou ověřeny pomocí simulačních studií, případně jsou porovnány s alternativními přístupy. Všechny metody jsou aplikovány na reálná data z českého maloobchodního řetězce. Výsledky ukazují, že prezentované metody jsou lepší nebo alespoň konkurenceschopné v porovnání se standardně používanými metodami, přičemž jejich hlavní výhodou je vysoká míra automatizace, a tím i~efektivita. Metody jsou robustní a navíc umožňují získat dodatečné nové informace, které ostatními metodami získat nelze. |