Dit project analyseert het koopgedrag van Amerikaanse huishoudens voor ontbijtgranen. Het doel was om te begrijpen welke factoren bepalen welk merk ontbijtgranen een huishouden kiest. De onderzoekers gebruikten hiervoor scannerdata van winkels met informatie over aankopen, prijzen en promoties. Uit deze gegevens zijn verklarende variabelen gemaakt, bijvoorbeeld prijs, promoties (promotiesterren en schapverdelingen), huishoudenstype, etc.

Er zijn meerdere voorspellingsmodellen vergeleken: zowel traditionele econometrische regressies (multinomiale logit-modellen) als machine learning modellen (random forest, lasso, ridge). De bevinding was dat het random forest-model het nauwkeurigst voorspelt. Dit komt doordat random forests complexe patronen goed kunnen vangen in de niet-lineaire interacties tussen aankoopvariabelen.

Verder is gekeken naar het effect van marketingactiviteiten (de marketingmix). Uit de modelanalyses blijkt dat prijs de grootste rol speelt in het koopbesluit, huishoudens kiezen vaker voor goedkopere merken. Andere factoren zoals promoties en winkelinrichting hebben wel effect, maar minder dan de prijs.

Daarnaast is een RFM-analyse (Recency-Frequency-Monetary) uitgevoerd om inzicht te krijgen in verschillende klantgroepen. Deze analyse laat zien welke soorten huishoudens een merk kopen op basis van koopfrequentie, laatste aankoop, en bestedingspatroon. Door deze klantsegmenten in kaart te brengen kunnen bedrijven gerichter communiceren.

Kortom: dit onderzoek biedt waardevolle inzichten voor granenproducenten en retailers. Het toont aan dat geavanceerde voorspellingsmodellen (zoals random forest) sterke aankoopsignalen kunnen onthullen, dat prijsbeleid cruciaal is, en dat RFM-analyses helpen bij het vinden van de juiste doelgroep.