Çapraz satış, şirketlerin ve pazarlama kanallarının müşterilere satın aldıkları ürünün yanı sıra tamamlayıcı bir ürün de satarak satışlarını artırmalarını sağlayan bir satış tekniğidir. Örneğin bir mağazadan cep telefonu alırken satıcı, aldığınız telefonun modeline uygun bir telefon kılıfı önererek size daha fazla ürün satmak istiyor ya da bir restoranda hamburger sipariş ettiğinizde satıcı patates kızartması da öneriyorsa çapraz satış teknipi uyguluyordur. Çapraz satış ile siz de satışlarınızı artırabilir, daha fazla kazanabilir ve müşteri sadakatini sağlayabilirsiniz.
Yukarı satış (Upselling), müşteriyi daha fazla para harcayacağı bir ürünü veya almayı planladığı bir ürünün daha üst modelini almaya ikna etmektir. Çapraz satış olarak, bir fast food zincirinden menü sipariş ettiğinizde, “Elli kuruş farkla bir büyük boy ister misiniz?” sorusu bir üst satış örneğidir. Müşteri için yukarı satış uygun olmadığında çapraz satıştan yararlanabilirsiniz. Bunun tersini yapmak da mümkündür. Ürünlerinizin veya müşterinizin uzmanlık özelliğine göre bu iki satış tekniğinden birini kullanabilir veya ikisini birleştirerek getirinizi artırabilirsiniz.
Sonuç olarak, yukarı satış ve çapraz satış, doğru uygulandığında karşılıklı olarak avantajlıdır, birçok pazarlama kanalının ve şirketin tekrarlayan maliyeti olmadan müşterilere maksimum değer sağlar ve geliri artırır.
Gerçek Veriler Gerçek Çapraz Satış
Bu projede www.kaggle.com’dan alınan banka verilerine göre hangi müşterinin çapraz satış yapacağı tahmin edilmektedir.
Veriler toplamda bir müşteriyi ifade eden 20.000 ID içerir ve her müşteri 1 ve 0 olarak değerlendirilir. OptiScorer kurallarına göre yüklenecek verinin ilk sütunu birbirinden farklı ID içermeli ve son sütunda bir kimlik belirtilmelidir. hedef ve sayısal bir değer içerir. İlk veri sütunu istenen formattaydı, ancak hedef sütun son sütun yerine ikinci sütundaydı. Verileri istenilen formata dönüştürmek için Python’un pandas kütüphanesi kullanıldı. Veriler, modeli eğitmek için test ve eğitim dosyaları olan iki farklı CSV dosyasına bölündü. Pandalarda, ana veriler alt satırdaki verilerden %30’u test verileri ve %70’i eğitim verileri olarak ayrılmıştır. Diğer bir deyişle, ana verilerin %30’u test olarak kullanılırken, geri kalanı eğitim için kullanılmıştır. %30 olarak ayrılan test verileri, hangi müşterinin çapraz satış yapacağını tahmin etmek için oluşturulacak model için eğitmek istediğimiz verilerin ID numaralarını ve diğer sütunlarını içerir. Ayrılan test verilerinden tahmin için kullanılan hedef sütun çıkarıldı. Veri eğitimi sonucunda elde edilen tahminler aşağıdaki tablolarda belirtilmiştir.
Tablo 1(Dağılım Grafiği)
Tablo 1’deki CUST_ID, yukarıda bahsedilen sütuna atıfta bulunur ve HEDEF, hedef sütuna atıfta bulunur. Modeli eğitmek için kullanılan verilerde hedef sütun 1 (çapraz satış yapan müşteriler) ve 0 (çapraz satış yapmayan müşteriler) olarak belirlendi. X ekseni benzersiz kimlik numaralarına sahip müşterileri, Y ekseni 1 ve 0 olarak ayrılan müşterileri temsil eder.
Tablo 2(Pasta Grafik)
Tablo 2, müşteri dağılımlarının aralığını göstermektedir.
Tablo 3(Histogram)
Tablo 3, 0 ile 1 arasındaki toplam müşteri sayısını göstermektedir. Örneğin, 0,13-0,14 aralığında 168 müşteri bulunmaktadır.
Seçim histogram bölümünden üç farklı durum (yüksek, normal ve düşük) seçmek mümkündür. Yüksek, müşterilerin 0,5–1 aralığındaki dağılımını gösterir. Bu, çapraz satış yapan müşterilerin en yüksek olasılığıdır. Normal, müşterilerin 0,3–0,5 aralığındaki dağılımını gösterir. Bu, çapraz satış yapan müşterilerin ortalama olasılığıdır. Düşük, 0–0,3 aralığındaki müşterilerin dağılımını gösterir. Bu, müşterilerin çapraz satış olasılığının minimum olduğu aralıktır.
Tablo 4(Puan Tablosu)
Tablo 4, müşterinin kimliğini ve tahmin edilen puanlarını gösterir.
Tablo 5
Tablo 5’te mavi ok ile gösterilen müşteriler çapraz satış, kırmızı ok ile gösterilenler ise çapraz satış yapmayan müşteriler olarak sınıflandırılmaktadır.
Tüm bu analizlerin sonuçları CRM ekipleri ile paylaşıldığında; sadakat programları ve kampanyaları müşterilere göre önceliklendirilir. Ayrıca satış ekipleri ile paylaşıldığında ürünler hedeflenen müşterilere sunulmaktadır. Bu analizlerde de görüldüğü gibi iş süreçlerinde verimliliği artırmada yapay zekanın etkisi yadsınamaz. OptiScorer ile her işletme aylık üyelikle süreçlerini dakikalar içinde analiz edebilir ve geleceğini tahmin edebilir.
