Benefit segmentation : predicting product choices based on historical purchases through product attributes

Technological improvements of past decades affected entire industries at all supply chain levels bringing, among the other changes, an availability of data greater than ever. In the grocery market, consumers have now access to a vast amount of information on the products, thus making their purchase choices more sophisticated, while businesses can exploit available data to deliver more effective CRM actions and explore new business arenas. This study proposes to use the transactional data of consumer past purchases and the dataset of companies’ product attributes within the marketing practice of benefits segmentation. Indeed, literature reviewed on this technique have highlighted its theoretical higher predictive capability, compared to other techniques of segmentation, but have also identified a major limitation in its methodology, based on consumers self-evaluation of benefits statements. Considering this research gap, the main objective of this study is set as designing a new methodology for benefit segmentation, by matching the benefits sought by customers with product attributes, exploiting the data on customers past transaction. Empirical research to apply the model required the design of a simulated shopping session submitted, in the form of a survey, to more than 200 consumers. Cluster analysis on the collected data led to 5 segments of individuals, motivated by the same underlying benefits. The following prediction analysis based on the obtained clusters gave evidences of the higher accuracy of the proposed model compare to the traditional segmentation approach in food choice. Among the most relevant limitation of the applied research methodology there is the lack of real transactional data, but the versatile and cross-category approach proposed by model along with its successful predictive capabilities opens interesting scenarios for managerial implication, like even more accurate recommender systems and benefit-based custom marketing actions.

Gli sviluppi tecnologici degli ultimi decenni hanno influenzato interi settori a tutti i livelli della filiera produttiva portando, tra gli svariati cambiamenti, la più ingente disponibilità di dati di sempre. Nel settore del food, i consumatori hanno ora accesso a una vasta quantità di informazioni sui prodotti, rendendo così il processo di acquisto ancora più complesso, mentre le aziende hanno la possibilità di sfruttare la disponibilità di dati per sviluppare azioni di CRM più efficaci e esplorare opportunità di business totalmente nuove. Questo studio si propone di utilizzare i dati transazionali sullo storico di acquisti dei consumatori e il dataset degli attributi dei prodotti in assortimento, per attuare una segmentazione sulla base dei benefici che il cliente ricerca nei prodotti. Infatti, la letteratura di settore ha più volte dimostrato la superiorità teorica nel predire gli acquisti futuri di questa tecnica, rispetto ad altre tecniche di segmentazione, ma ha anche identificato una fondamentale limitazione dal punto di vista metodologico, essendo basata su dichiarazioni fornite dai consumatori stessi. Considerando questo gap di ricerca, l’obbiettivo principale di questo studio è il disegno di una nuova metodologia per fare segmentazione per benefici, basata sull’unione dei benefici visti dai clienti agli attributi dei prodotti che acquistano, sfruttando quindi i dati di acquisto passati. La ricerca empirica per l’applicazione del modello ha richiesto la ricostruzione di una sessione di acquisto sottoposta, nella forma di questionario online, a un campione di più di 200 consumatori. L’analisi dei cluster sui dati raccolti ha condotto a 5 segmenti di individui che si identificano negli stessi benefici. La successiva analisi di previsione basata sui cluster ottenuti ha dimostrato l’accuratezza superiore del modello proposto rispetto alla metodologia di segmentazione tradizionale. Tra le limitazioni più rilevanti della ricerca, c’è la mancanza di dati transazionali reali, ma l’approccio versatile e trasversale proposto dal modello, insieme alla sua efficace capacità predittiva, apre interessanti scenari di sviluppo manageriali, quali ad esempio sistemi di raccomandazione più accurati e azioni di marketing basate sui benefici visti dal cliente.