Analisi delle dinamiche di acquisto

La tecnologia dietro l’analisi e l’importanza all’interno del Retail

Il contesto Retail italiano è sottoposto a una crescente pressione competitiva. Le analisi di REM Lab, Centro di Ricerche su “Retailing & Trade Marketing” dell’Università Cattolica del Sacro Cuore, mostrano infatti che, tra il 2015 e il 2025, i punti vendita della distribuzione alimentare sono aumentati di circa il 14%, nonostante il calo della popolazione italiana.

A questo si aggiunge un consumatore meno fedele, più informato e più sensibile al prezzo.

In questo scenario, leggere in anticipo i segnali della domanda e trasformarli in decisioni operative diventa essenziale per supportare la competitività dei punti vendita.

Tuidi nasce per trasformare questa complessità in decisioni operative. La tech company sviluppa piattaforme AI per Retail e Brand del Largo Consumo, basate su modelli avanzati di Deep Learning capaci di analizzare le esigenze dei consumatori e misurarne l’impatto sul business: dall’approvvigionamento alla gestione del personale, dal pricing all’assortimento per il Retail, fino al demand planning per l’Industria.

Per farlo ha sviluppato Delphi, una piattaforma capace di stimare in modo continuo l’impatto di variabili endogene ed esogene — dalle promozioni al meteo, dalle festività agli eventi — sulla domanda futura dei punti vendita, trasformando queste informazioni in decisioni operative più efficaci a supporto dell’ottimizzazione delle principali leve strategiche dei punti vendita.

Il modulo che ha reso possibili le evidenze presentate in questa analisi è lo Smart Pricing, prodotto della suite Delphi dedicato alla gestione intelligente dei prezzi.

In questo approfondimento, l’analisi si concentra sulle relazioni tra prodotti all’interno dello scontrino, stimando:

• quanto la presenza di un prodotto influenzi la probabilità di acquisto di un altro;
• quali relazioni emergano tra famiglie merceologiche differenti;
• come queste relazioni possano variare in funzione del contesto di acquisto.

La tradizionale Market Basket Analysis consente infatti di individuare prodotti frequentemente presenti nello stesso scontrino, ma tende a fornire una lettura prevalentemente descrittiva del carrello, focalizzata sulle co-presenze tra categorie.

In un contesto Retail caratterizzato da domanda instabile, pressione promozionale e comportamenti d’acquisto sempre più variabili, questo tipo di approccio rischia di non cogliere pienamente come le relazioni tra prodotti cambino nei differenti contesti di vendita.

L’analisi sviluppata da Tuidi si concentra quindi non soltanto sull’individuazione di prodotti acquistati insieme, ma sull’osservazione delle dinamiche che influenzano tali relazioni. L’obiettivo è comprendere come le associazioni tra categorie si modifichino in funzione di fattori come stagionalità, promozioni e caratteristiche del punto vendita, così da ottenere una lettura più contestualizzata del comportamento d’acquisto.

In particolare, verranno analizzati due casi applicativi che rappresentano dinamiche differenti delle relazioni tra prodotti: le gomme da masticare, come esempio di stabilità delle associazioni tra categorie, e l’aceto, come esempio di variabilità stagionale delle associazioni tra prodotti.

Obiettivo dell’analisi e definizione

L’analisi ha l’obiettivo di identificare relazioni strutturali tra famiglie merceologiche a partire dal comportamento reale dei clienti.

Per “relazione” si intende una variazione misurabile della probabilità di acquisto di una famiglia in presenza di un’altra. In altre parole: se un cliente acquista un prodotto di una famiglia B, è più probabile che acquisti anche un prodotto di una famiglia A rispetto alla media degli scontrini? Se la risposta è sì, e l’aumento è consistente, tra le due famiglie esiste una relazione potenziale.

L’analisi nasce con questo obiettivo: studiare le probabilità di vendita a partire dall’analisi degli scontrini 2025 di 15 punti vendita ad alto venduto di alcuni clienti Tuidi, per far emergere relazioni strutturali tra referenze e categorie. Comprendere quali prodotti tendono a muoversi insieme, in quali contesti e con quale intensità offre ai retailer una base informativa utile per migliorare pricing, assortimento ed esposizione.

All’interno del campione, i volumi partono da circa 3,85 milioni di unità vendute per punto vendita.

I risultati mostrano non solo il valore descrittivo dell’analisi, ma anche il suo potenziale operativo: una leva concreta per ottimizzare il paniere e migliorare la qualità decisionale del punto vendita.

Co-occorrenza e casualità nelle relazioni

Nel contesto dell’analisi, l’obiettivo non è individuare semplici co-occorrenze, ovvero la presenza simultanea di due categorie all’interno dello stesso scontrino, tra prodotti, ma riconoscere relazioni strutturali, cioè associazioni che si presentano con continuità e che non dipendono soltanto da condizioni temporanee o specifiche del contesto. La presenza di due categorie nello stesso scontrino rappresenta quindi un primo indicatore di relazione, ma non consente, da sola, di stabilirne la stabilità o la validità nel tempo.

La frequenza di acquisto congiunto può infatti essere influenzata da fattori come stagionalità, promozioni, caratteristiche del punto vendita o variazioni nella clientela.

Per analizzare queste dinamiche, i modelli di Deep Learning elaborano simultaneamente grandi volumi di dati provenienti dagli scontrini insieme alle variabili interne ed esterne che descrivono il contesto commerciale, così da individuare quali fattori incidano maggiormente sulle probabilità di vendita e come differenti combinazioni di variabili — come promozioni, stagionalità, meteo o caratteristiche del punto vendita — possano influenzare le vendite in maniera differente.

In questo modo, l’analisi non si limita a osservare quali prodotti vengano acquistati insieme, ma considera anche come le relazioni tra categorie possano modificarsi nei diversi scenari commerciali e con quale intensità queste variazioni si manifestino nel tempo.

Per esempio, la relazione tra piatti pronti e bevande monoporzione potrebbe emergere in un punto vendita situato in una località turistica durante l’alta stagione, quando aumenta la presenza di clienti orientati ad acquisti rapidi e di consumo immediato.

In questo scenario, l’associazione tra le due famiglie può essere sfruttata attraverso attività mirate nel periodo considerato, senza però rappresentare necessariamente un comportamento di acquisto ricorrente in altri contesti.

Per questo motivo, le relazioni osservate devono essere sottoposte a un processo di verifica (vedi cap. 2) che permetta di distinguere tra fenomeni occasionali, dinamiche legate al contesto e associazioni realmente strutturali. L’analisi si concentra infatti su quelle relazioni che mantengono stabilità e coerenza nel tempo, così da poter essere utilizzate in modo più affidabile nei processi decisionali.

Definizione di dinamica strutturale

Una relazione è definita strutturale quando soddisfa simultaneamente le seguenti condizioni:

Solo le relazioni che superano tutti i livelli di verifica vengono incluse nell’analisi.

Le fasi del processo di validazione

Ogni livello controlla una diversa proprietà della relazione osservata; le associazioni che non superano anche uno solo dei livelli vengono scartate.

Misurazione della forza dell’effetto (lift)

Per verificare se due famiglie di prodotto sono collegate, si confrontano:

• la frequenza media con cui B compare negli scontrini
• la frequenza con cui B compare negli scontrini che contengono già A

In altre parole: se e B risulta più frequente quando A è presente, si osserva un’associazione positiva. La presenza di A è coerente con una maggiore probabilità di acquisto di B.

Il lift misura proprio questo effetto, indicando quanto aumenta o diminuisce la probabilità di acquistare B quando A è presente, rispetto alla media.

Ad esempio, se B compare nel 10% degli scontrini complessivi ma nel 18% di quelli che contengono A, la presenza di A è associata a una maggiore probabilità di acquistare anche B.

Interpretazione del lift

Un effetto positivo, però, non basta da solo a definire una relazione strutturale: occorre verificare che non sia dovuto al caso.

Significatività statistica

Una differenza osservata tra A e B può dipendere dalla variabilità casuale. La significatività statistica serve a verificare se l’effetto osservato è sufficientemente robusto da non poter essere attribuito al caso.

Il test confronta lo scostamento osservato rispetto a uno scenario di indipendenza, in cui l’acquisto di A non modifica la probabilità di acquistare B, e stima quanto sia plausibile ottenere una differenza analoga per semplice casualità.

Se tale probabilità è inferiore a una soglia predefinita, la relazione A → B viene mantenuta; altrimenti viene scartata.

Replicabilità tra punti vendita

Dopo aver selezionato le associazioni statisticamente robuste, è necessario verificarne la replicabilità.

Una relazione può infatti emergere in un singolo punto vendita per ragioni locali, senza rappresentare una dinamica generalizzabile. Differenze di assortimento, profilo della clientela e contesto possono influenzare le co-occorrenze nello scontrino.

Per questo l’analisi viene condotta separatamente su ciascun punto vendita. Una relazione viene considerata rilevante solo se l’effetto positivo si manifesta in modo coerente in più punti vendita indipendenti.

Stabilità tramite simulazione

La robustezza delle relazioni viene infine testata attraverso simulazioni ripetute, in cui l’analisi viene eseguita più volte su combinazioni leggermente diverse degli stessi punti vendita. Ad ogni simulazione varia in modo marginale il gruppo considerato, così da verificare se l’effetto osservato dipenda da uno specifico insieme oppure se tenda a ripresentarsi in modo consistente.

Una relazione è considerata stabile quando l’effetto positivo si mantiene nella maggior parte delle simulazioni.

Output dell’analisi

Le relazioni che superano i passaggi di validazione vengono rappresentate graficamente come output finale dell’analisi.

L’output consiste in un grafo delle probabilità di vendita, cioè una rappresentazione visiva delle relazioni tra famiglie di prodotto, in cui:

• ogni nodo rappresenta una famiglia merceologica
• ogni collegamento rappresenta una dinamica strutturale validata tra due famiglie

I collegamenti visualizzati non corrispondono a coincidenze occasionali, ma a relazioni fondate su evidenze empiriche, statisticamente significative e replicabili.

Distanza tra prodotti

L’analisi delle correlazioni tra prodotti utilizza una misura di distanza costruita a partire dalla struttura merceologica del punto vendita.

La distanza descrive il livello di vicinanza commerciale tra due famiglie di prodotto: è minima quando i prodotti appartengono allo stesso sottoreparto, aumenta quando appartengono allo stesso reparto ma a sottoreparti diversi, ed è massima quando appartengono a reparti differenti.

In particolare:

Lift come misura della probabilità di vendita

Il lift, già definito nei capitoli precedenti, viene utilizzato come chiave di lettura delle probabilità di vendita.

Le relazioni con lift > 1 si collocano nel primo quadrante e identificano i casi in cui la presenza di un prodotto aumenta la probabilità di acquisto dell’altro.

Ci concentriamo su questi casi perché indicano acquisti congiunti più frequenti rispetto alla media e permettono di individuare quali prodotti si trainano tra loro, in ottica commerciale.

Logica dei top 25

Per ogni contesto di analisi, cioè per ogni periodo o situazione considerata (ad esempio una stagione o una ricorrenza specifica come Natale o Pasqua), vengono selezionate le 25 relazioni con i valori di lift più elevati.

Questa soglia consente di mantenere un campo di osservazione sufficientemente ampio da evidenziare le principali dinamiche di acquisto, concentrando al tempo stesso l’analisi sulle probabilità di vendita più rilevanti.

Di conseguenza, una famiglia può comparire in un contesto e non in un altro semplicemente perché non rientra tra le prime 25 posizioni. L’assenza non indica necessariamente che la probabilità di vendita non esista o sia più debole, ma solo che, in quel contesto, altre relazioni presentano valori di lift più elevati.

Le differenze tra contesti possono quindi evidenziare cambiamenti nelle dinamiche di acquisto e nelle probabilità di vendita associate a specifici periodi o situazioni commerciali. Ad esempio, una relazione particolarmente forte durante Natale potrebbe non comparire in altri periodi dell’anno, non perché sia errata o irrilevante, ma perché in quel contesto emergono comportamenti di acquisto differenti.

Perimetro dei dati e limiti di interpretazione

L’analisi utilizza gli scontrini di vendita 2025 di 15 punti vendita con alti volumi di vendita. Ogni scontrino viene ricostruito per osservare le famiglie merceologiche presenti.

Essendo condotta su un insieme specifico di punti vendita appartenenti ad alcuni clienti Tuidi, l’analisi deve essere interpretata come una lettura contestuale e non generalizzabile.

Le probabilità di vendita osservate riflettono infatti un equilibrio locale, influenzato da fattori come assortimento, comportamento d’acquisto, stagionalità e dinamiche promozionali.

Introduzione alle due dinamiche

L’obiettivo di questa analisi è mostrare come le relazioni tra prodotti non siano universali, ma dipendano fortemente dal contesto, inteso come insieme delle variabili che caratterizzano una specifica realtà: stagionalità, festività, eventi locali, meteo e caratteristiche geografiche del punto vendita.

L’analisi in oggetto mette in evidenza principalmente due dinamiche, che potrebbero non replicarsi in altri contesti di analisi:

• Stabilità → famiglie di prodotti che mantengono una struttura di acquisto simile nel tempo
• Stagionalità → famiglie di prodotti che modificano il proprio comportamento tra inverno ed estate

Analisi dei casi · Caso 1: Gomme da masticare (stabilità)

I valori in tabella rappresentano il lift, ovvero l’incremento della probabilità che i prodotti vengano acquistati insieme alle gomme da masticare, alle diverse distanze e nelle diverse stagioni.

Le gomme da masticare rappresentano un caso di stabilità delle probabilità di vendita tra inverno ed estate. Il confronto tra le due stagioni non evidenzia cambiamenti nella struttura delle relazioni, ma solo variazioni marginali nei valori, senza impatto sul comportamento complessivo di acquisto.

Alla distanza 0 (stesso sottoreparto), le probabilità più elevate si concentrano in entrambe le stagioni sulle stesse famiglie (caramelle e snack dolci), con livelli molto simili.

Alla distanza 1 (stesso reparto, diverso sottoreparto), la struttura si amplia: le associazioni restano ancorate allo stesso ambito (cereali e merendine) e non emergono cambiamenti rilevanti tra inverno ed estate. Il comportamento di acquisto si conferma stabile anche nell’estensione del perimetro.

Alla distanza 2 (diverso reparto), la componente food risulta sostanzialmente invariata tra le due stagioni, mentre nel no food si osserva una continuità con un lieve ampliamento in estate, dovuto all’ingresso di categorie come deodoranti. Si tratta tuttavia di un’estensione marginale che non modifica la struttura complessiva.

Come spiegato in precedenza, un lift superiore a 1 indica un’associazione positiva tra due famiglie di prodotto: la presenza di A nello scontrino è coerente con una maggiore frequenza osservata di B rispetto alla media.

In questo caso, però, il dato più rilevante non è solo che i lift siano superiori a 1, ma che oscillino all’interno di un intervallo contenuto, tra 2.1 e 2.7. La distribuzione dei valori suggerisce quindi una stabilità dell’associazione sia tra stagioni diverse sia lungo le diverse distanze merceologiche.

Ad esempio, il lift tra gomme da masticare e shampoo passa da 2.75 in inverno a 2.44 in estate: la relazione rimane quindi osservabile e relativamente stabile nelle due stagioni, senza modifiche sostanziali nel comportamento di acquisto.

Lo stesso vale per categorie food come gli estrusi, che presentano un lift pari a 2.37 in inverno e 2.35 in estate. In questo caso, la quasi sovrapposizione dei valori suggerisce una relazione estremamente stabile nel tempo.

Non si osserva un driver nettamente dominante: le relazioni positive individuate hanno intensità comparabile e possono offrire al retailer spunti per valutazioni su esposizione, promozioni combinate, cross-selling, assortimento o gestione dello scaffale.

Valori di lift più elevati indicano comunque associazioni più intense; questo aspetto sarà più evidente nel caso successivo.

Le gomme da masticare si confermano quindi un prodotto caratterizzato da relazioni di acquisto stabili con le categorie analizzate. Le associazioni osservate mantengono infatti intensità simili tra inverno ed estate e lungo le diverse distanze merceologiche, suggerendo una limitata influenza della stagionalità sul comportamento di acquisto congiunto.

Caso 2: Aceto (stagionalità)

I valori in tabella indicano l’incremento della probabilità che i prodotti vengano acquistati insieme all’aceto, alle diverse distanze e nelle diverse stagioni.

L’aceto rappresenta un caso in cui le probabilità di vendita evidenziano un cambiamento della struttura di acquisto tra inverno ed estate.

A differenza delle gomme da masticare, la stagionalità non incide solo sull’intensità delle probabilità, ma modifica la distribuzione delle relazioni tra prodotti, ridefinendo il ruolo dell’aceto nel carrello.

Alla distanza 0 (stesso sottoreparto) emerge una base comune rappresentata dall’olio di semi, presente in entrambe le stagioni. In estate si aggiunge però una family come le glasse, assente tra i principali driver in inverno, che orienta l’aceto verso un utilizzo più specifico e culinario.

Alla distanza 1 (stesso reparto, diverso sottoreparto) si mantiene una continuità su alcune referenze chiave, come il sale, ma cambia la composizione complessiva: in inverno prevalgono prodotti legati a preparazioni più strutturate (aromi, farine, passata), mentre in estate emergono family diverse (olio EVO, sottaceti), che spostano l’aceto verso un utilizzo più diretto e focalizzato sul condimento.

La differenza più rilevante si osserva alla distanza 2 (diverso reparto). In inverno questo livello è dominante: qui si concentrano i valori di lift più elevati e la struttura risulta ampia e trasversale, con associazioni che spaziano sia nel food sia, in modo marcato, nel mondo della pulizia (candeggina, detergenti, sacchetti).

Ad esempio, il lift pari a 5.97 tra aceto e bicarbonato/digestivi nel periodo invernale evidenzia una relazione osservabile particolarmente intensa nel contesto analizzato.

Operativamente, questo suggerisce che le due categorie tendano a comparire insieme nello scontrino con una continuità molto forte rispetto ad altre associazioni dell’aceto.

Il significato dell’intensità emerge soprattutto nel confronto con altri valori presenti nella stessa analisi. Ad esempio, il lift tra aceto e tonno sott’olio in inverno è pari a 2.72: anche in questo caso la relazione è positiva e osservabile, ma la sua intensità risulta sensibilmente inferiore rispetto a quella osservata con bicarbonato/digestivi.

Questo permette di distinguere associazioni più centrali e ricorrenti da relazioni più deboli o secondarie all’interno della struttura del carrello.

In estate, la distanza 2 rimane rilevante ma cambia composizione. Alcune relazioni si mantengono stabili (candeggina, detergenti, burro), ma emergono nuovi elementi: nel food prodotti come aglio e olio EVO, e nel no food categorie legate alla cura del bucato. La struttura risulta quindi meno dispersiva e più orientata al consumo alimentare.

Anche i valori dei lift riflettono questo cambiamento di struttura. Ad esempio, in estate l’aglio presenta un lift pari a 3.50 con l’aceto, un valore comparabile a relazioni osservate nel periodo invernale, come quella con aromi e spezie (3.75). La differenza rilevante, però, non riguarda soltanto l’intensità del lift, ma soprattutto il fatto che l’aglio non compaia tra le principali associazioni osservate in inverno.

Questo suggerisce che alcune relazioni non si limitano a rafforzarsi o indebolirsi tra le stagioni, ma possono assumere una rilevanza diversa all’interno della struttura del carrello. Nel caso dell’aglio, la relazione con l’aceto emerge tra le principali associazioni osservate nel periodo estivo, mentre non rientra tra quelle più rilevanti in inverno.

Questo rafforza l’idea di uno spostamento dell’aceto verso dinamiche maggiormente legate alla preparazione alimentare e al consumo food durante il periodo estivo.

Nel complesso, si osserva un passaggio da una configurazione invernale più trasversale e multi-contesto a una configurazione estiva più concentrata e coerente con l’utilizzo culinario del prodotto.

Nel caso dell’aceto, le probabilità di vendita non solo cambiano intensità, ma ridefiniscono il ruolo del prodotto nel carrello: più trasversale in inverno, più focalizzato sul food in estate.

I dati Circana evidenziano una crescente mobilità dei consumatori: la quota di clienti che ha cambiato insegna di riferimento è passata dal 18,1% nel 2019 al 34,6% nel 2025.

Parallelamente, le evidenze del REM Lab mostrano come le leve economico-promozionali rappresentino oggi uno dei principali fattori di scelta dell’insegna: il 73,0% dei consumatori attribuisce importanza a promozioni, sconti e offerte; l’86,0% dichiara di aumentare gli acquisti in promozione e l’80,8% riduce quelli non indispensabili.

In un contesto caratterizzato da crescente pressione competitiva, maggiore volatilità della domanda e forte sensibilità al prezzo, pricing e promozioni non possono più essere gestiti attraverso logiche statiche o uniformi. Richiedono invece sistemi capaci di leggere le specificità dei singoli punti vendita, adattarsi rapidamente ai cambiamenti del comportamento d’acquisto e anticipare l’evoluzione della domanda.

L’analisi delle relazioni tra prodotti offre una prima lettura concreta di queste dinamiche. Osservare quali famiglie tendono a comparire insieme nello scontrino, come cambia l’intensità dell’associazione tra stagioni diverse e quanto queste relazioni varino in funzione della distanza merceologica permette di trasformare gli scontrini in una mappa più leggibile del comportamento d’acquisto.

Tuttavia, analizzare in profondità tutte le possibili relazioni tra le migliaia di prodotti presenti all’interno di ogni punto vendita, considerando simultaneamente le numerose variabili che influenzano la domanda, richiederebbe attività estremamente lunghe e onerose per il retailer, sia dal punto di vista operativo sia in termini di costi.

In questo scenario, l’analisi statistica assume il ruolo di condizione necessaria per rendere il processo sostenibile ed efficace. Il suo obiettivo non è soltanto individuare associazioni tra prodotti, ma soprattutto scremare l’elevato numero di relazioni possibili, selezionando quelle realmente stabili e strutturate e distinguendole dalle semplici co-occorrenze casuali presenti negli scontrini.

Questa fase consente di ridurre il rumore informativo e di concentrare l’attenzione sui legami che mostrano continuità e significatività nei diversi periodi, punti vendita e contesti di consumo.

Le relazioni strutturate identificate vengono successivamente integrate nei modelli avanzati di Deep Learning utilizzati da Tuidi, insieme a un insieme più ampio di variabili endogene ed esogene. Queste variabili permettono al modello di contestualizzare le associazioni tra categorie, distinguendo se una relazione osservata dipende da dinamiche interne al punto vendita, come storico vendite, prezzo, disponibilità prodotto e promozioni, oppure da fattori esterni, come stagionalità, meteo, festività e calendario.

Ad esempio, la relazione tra piatti pronti e bevande monoporzione può assumere un’intensità diversa a seconda del contesto del punto vendita.

Due negozi della stessa insegna potrebbero mostrare comportamenti differenti se collocati in aree geografiche diverse: un punto vendita in zona turistica, durante un ponte primaverile e con temperature miti, potrebbe registrare un aumento più marcato della probabilità di vendita di soluzioni pratiche e consumabili fuori casa; al contrario, un punto vendita in una zona meno turistica potrebbe mostrare un effetto più contenuto, pur a parità di calendario, promozioni e assortimento.

Per questo motivo, conoscere l’impatto delle variabili è fondamentale: consente al modello di non leggere la relazione tra categorie come un effetto uniforme, ma di adattarne la rilevanza al contesto specifico del singolo punto vendita, stimando con maggiore precisione dove e quando quella relazione può tradursi concretamente in vendite incrementali.

In questo contesto, approcci come il Double Machine Learning possono essere utilizzati per rafforzare ulteriormente la lettura delle relazioni tra variabili e supportare una valutazione più precisa dell’impatto atteso delle leve commerciali.

Per esempio, come visto nel capitolo 1, attraverso l’analisi statistica è possibile osservare l’esistenza di un legame tra piatti pronti e bevande monoporzione; tuttavia, il Double Machine Learning consente di stimare quanto questa relazione possa tradursi concretamente in vendite incrementali.

A parità di fattori come punto vendita, giorno della settimana, stagionalità, temperatura, prezzo, promozioni attive e fascia oraria, il modello può stimare, ad esempio, che un aumento della probabilità di vendita dei piatti pronti generi un incremento nella probabilità di vendita delle bevande monoporzione, pari ad una certa quantità di unità aggiuntive vendute a settimana per punto vendita.

L’analisi statistica diventa quindi il passaggio fondamentale per costruire modelli predittivi più robusti, migliorando la capacità dei sistemi di apprendere relazioni realmente rilevanti per il comportamento d’acquisto. L’obiettivo non è limitarsi a osservare che due prodotti vengono acquistati insieme, ma comprendere come queste relazioni cambino intensità, significato e potenziale operativo in base al contesto.

I casi osservati mostrano chiaramente questa variabilità. Le gomme da masticare presentano associazioni relativamente stabili tra inverno ed estate: le famiglie collegate mantengono livelli di lift simili e non emerge un singolo driver dominante. Per il retailer, questo tipo di evidenza può indicare una dinamica ricorrente da monitorare nel tempo, utile per valutazioni su esposizione, prossimità a scaffale o logiche di acquisto d’impulso.

L’aceto, invece, mostra un comportamento maggiormente influenzato dalla stagionalità. In inverno emergono associazioni anche con categorie legate alla pulizia della casa, mentre in estate le relazioni si concentrano soprattutto su dinamiche food. In questo caso, la stessa famiglia di prodotto assume ruoli commerciali differenti a seconda del periodo, suggerendo che pricing, promozioni e assortimento non dovrebbero essere interpretati in modo uniforme durante l’anno.

Queste evidenze mostrano come una lettura tradizionale delle categorie non sia più sufficiente per cogliere la complessità dei comportamenti d’acquisto. Le relazioni tra prodotti non sono statiche: alcune si confermano nel tempo, altre emergono solo in specifici contesti, punti vendita o condizioni di consumo. Integrare analisi statistica, modelli predittivi e Intelligenza Artificiale permette di trasformare il carrello in una chiave di lettura dinamica della domanda, capace di supportare decisioni più precise, mirate e consapevoli.