Correlation and clustering analysis on a dataset of retailers digital receipts for in-store advertisement optimization

In the contemporary retail landscape, optimizing advertisement strategies to effectively target specific consumer segments is vital for enhancing sales performance and fostering customer engagement. This study presents a novel approach to advertisement optimiza tion within physical retail spaces by leveraging correlation and clustering analyses on transaction receipt datasets. By scrutinizing the trends in shop sales alongside geograph ical positioning, our study aims to propose tailored advertising recommendations for individual shops, thereby maximizing the relevance and impact of promotional campaigns. Through the identification of correlations between shop characteristics and sales trends, it offers insights into the most suitable product categories for advertisement placement in each shop, ultimately contributing to enhanced marketing effectiveness and revenue generation in the retail sector. The study employs a multifaceted approach, including correlation and clustering analysis of shop sales trends, executed with the purpose to identify categories suitable for adver tising, focusing on those with the highest intersection of clients within the dataset. By observing how one shop’s presence influences another in close proximity, valuable insights into consumer behavior are gained. Additionally, a user-friendly web application, devel oped using the Streamlit framework, offers an interactive platform to access and visualize insights in real-time. The computational results generate a dynamic index evaluating the suitability of advertis ing specific categories month by month for a given shop. This index facilitates informed decision-making by highlighting trends and emerging opportunities. Through the web application’s visualization, marketing analysts can identify categories with the highest potential for effective promotion each month, streamlining decision-making and enhancing marketing campaign precision.

Nell'attuale panorama del commercio al dettaglio Italiano, ottimizzare le strategie pubblicitarie per raggiungere efficacemente segmenti specifici di consumatori è vitale per migliorare le performance di vendita e favorire il coinvolgimento della clientela. Questo studio presenta un approccio innovativo all'ottimizzazione della pubblicità negli spazi commerciali fisici, sfruttando analisi di correlazione e clustering su dataset di andamenti di vendita estrapolati da database di ricevute di transazioni. Esaminando gli andamenti nelle vendite dei negozi e la loro posizione geografica, lo studio mira a proporre raccomandazioni pubblicitarie personalizzate per singoli negozi, massimizzando così la rilevanza e l'impatto delle campagne promozionali. Lo studio utilizza un approccio etereogeneo, che si concretizza tramite un'analisi di correlazione e clustering sugli andamenti di vendita dei negozi in analisi, al fine di identificare le categorie più adatte alla pubblicizzazione, ponendo l'accento sui settori merceologici con con la più alta intersezione di clienti supposta. Tramite l'osservazione e quantificazione dell'influenza reciproca sul territorio tra i negozi in analisi, vengono dedotti importanti andamenti modali tra i consumatori. La visualizzazione e utilizzo del modello sviluppato sono offerti all'utente tramite una web application sviluppata utilizzando il framework Streamlit, che fornisce una semplice ma dettagliata interfaccia per esplorare e personalizzare gli esiti di computazione. La computazione genera un indice dinamico che quantifica l'appetibilità di una certa categoria ad essere pubblicizzata in un dato negozio mese per mese. L'obiettivo di questo indice è di facilitare i processi decisionali di marketing delle varie aziende di retail, offrendo una visione alternativa su dati di vendita spesso inaccessibili a chi lavora in questo settore. Attraverso l'utilizzo dell'applicazione web, gli analisti di marketing possono identificare le categorie con il maggior potenziale per una promozione efficace ogni mese, semplificando il decision making e migliorando la targetizzazione delle campagne di marketing.