Myymälämarkkinointi osana markkinointiviestintää – Kuluttajien arvostamat tekijät päivittäistavarakaupassa. CASE: K-supermarket Torpparinmäki

Tässä tutkimuksessa tarkastellaan K-supermarket Torpparinmäen asiakkaiden arvostuksia myymälän sisäisiin toimiin liittyen. Myymälän sisäisiin toimiin lasketaan tässä tutkimuksessa kuuluvan laaja kirjo asioita kuten hinnat, tarjoukset, valikoiman laajuus eri tuoteryhmissä, elämyksellisyys, hyllysijoittelu, kaupan selkeys, asiakaspalvelu sekä viihtyisyys. Myös merkityksellisten ja vähemmän merkityksellisten asioiden toteutumisesta kyseisessä myymälässä halutaan vastauksia. Tutkimuksessa nostetaan esille myös erilaiset tiedotuskanavat kaupan markkinoinnissa. Tämän lisäksi sivutaan aihetta kuluttajien päivittäistavarakaupan valintakriteereistä. Tutkimusote on kvantitatiivinen ja kysely suoritettiin survey-tutkimuksena. Tutkimuksessa haluttiin tämän lisäksi kerätä mahdollisimman paljon myös avoimia kommentteja sekä myymälästä että päivittäistavarakaupan valintaan liittyvistä kriteereistä. K-supermarket Torpparinmäen pahin kilpailija alueellaan on S-market Torpparinmäki. Asiakkailta haluttiin kysyä avoimesti, miksi asioivat juuri kyseisessä myymälässä. Kysely suoritettiin lauantaipäivänä K-supermarket Torpparinmässä asioineille 18-89-vuotiaille henkilöille. Kyselyyn vastasi 80 asiakasta, joista 65 % oli naisia ja 35 % miehiä. Tutkimuksen viitekehys jakaa myymälämarkkinoinnin neljään pääkategoriaan: viihtyvyystekijä, palvelutekijä, hintatekijä sekä valikoimatekijä. Näiden tekijöiden merkityksiä asiakkaille haluttiin tutkimuksessa asettaa tärkeysjärjestykseen. Myös näiden tekijöiden toteumaa K-supermarket Torpparinmäessä haluttiin selvittää. Tulosten analysoinnin perusteella edellä mainituista pääkategorioista tärkeimmäksi muodostui valikoimatekijä. Valikoimien monipuolisuutta pidettiin kaikista tärkeimpänä tekijänä myymälässä. Myös luomu- ja lähiruoan valikoimia pidettiin tärkeäpänä kuin valmisruokien. Toiseksi eniten asiakkaat arvostivat asiakaspalvelua ja vasta kolmannelle sijalle päätyi hintatekijä. Neljänneksi tärkeimpänä asiakkaat pitivät viihtyvyystekijää. Mikään tekijöistä ei erottunut suuresti toisistaan, mutta erot olivat kuitenkin selkeitä.

Vision based indoor positioning in a retail environment

Modern smart phones often come with a significant amount of computational power and an integrated digital camera making them an ideal platform for intelligents assistants. This work is restricted to retail environments, where users could be provided with for example navigational in- structions to desired products or information about special offers within their close proximity. This kind of applications usually require information about the user's current location in the domain environment, which in our case corresponds to a retail store. We propose a vision based positioning approach that recognizes products the user's mobile phone's camera is currently pointing at. The products are related to locations within the store, which enables us to locate the user by pointing the mobile phone's camera to a group of products. The first step of our method is to extract meaningful features from digital images. We use the Scale- Invariant Feature Transform SIFT algorithm, which extracts features that are highly distinctive in the sense that they can be correctly matched against a large database of features from many images. We collect a comprehensive set of images from all meaningful locations within our domain and extract the SIFT features from each of these images. As the SIFT features are of high dimensionality and thus comparing individual features is infeasible, we apply the Bags of Keypoints method which creates a generic representation, visual category, from all features extracted from images taken from a specific location. A category for an unseen image can be deduced by extracting the corresponding SIFT features and by choosing the category that best fits the extracted features. We have applied the proposed method within a Finnish supermarket. We consider grocery shelves as categories which is a sufficient level of accuracy to help users navigate or to provide useful information about nearby products. We achieve a 40% accuracy which is quite low for commercial applications while significantly outperforming the random guess baseline. Our results suggest that the accuracy of the classification could be increased with a deeper analysis on the domain and by combining existing positioning methods with ours.