Como financiar associações entre os itens Predictive Analytics Dados

O uso de análise preditiva como uma ferramenta de mineração de dados também procura descobrir as relações ocultas entre os itens em seus dados. Estas relações ocultas são chamados regras de associação de mineração.

Considere-se um grande conjunto de dados das transações dos clientes, onde um transação do cliente consiste no produto (s) comprado por um cliente num determinado momento. Em um cenário como este, a finalidade da análise preditiva como uma ferramenta é identificar associações entre produtos no conjunto de dados.

Uma associação entre dois produtos é uma relação, o que pode ajudar o analista discernir um padrão e derivar uma regra a partir dos dados brutos das transações dos clientes. Uma instância de uma tal regra poderia ser padrões de mantimento-compra: Se uma manteiga de compras do cliente e pão, ele ou ela também é provável que comprar leite. A regra descoberto neste caso, pode ser escrita como

{pão de manteiga} # 8594- {leite}.

Em termos de mineração de dados, {manteiga, pão} é chamado de cesta. Uma cesta do mundo real contém itens, é claro, e assim faz esta cesta: manteiga e pão. A regra descobriu que acabamos de descrever é que, se uma cesta contém os itens de manteiga e pão, em seguida, ele também é muito provável que contêm leite.

encontrar tais regras de associação em um conjunto de dados das transações dos clientes ajuda a uma empresa (neste caso, uma mercearia) maximizar a receita por decidir quais produtos devem estar à venda, como posicionar produtos nos corredores da loja, e como e quando a oferecer preços promocionais.

Analisando os dados gerados por operações anteriores, a fim de maximizar o lucro é uma prática comum. Os dados de vendas coletados regularmente (diária, semanal, mensal) a partir de sistemas de ponto-de-venda, como lojas on-line, supermercados, livrarias e restaurantes é referido como dados cesta - que é, neste caso, essencialmente dados em grande escala sobre transações de vendas.

regras de associação são gerados com uma pontuação conhecido como confiança - que se refere à forma como prováveis ​​são verdadeiras. Por exemplo, se uma regra gerada mostra que 98% das pessoas que compraram a manteiga e pão também compraram leite, esse valor percentual (98%) é o valor de confiança.

Outros termos associados a uma regra são antecedente (a # 147-se # 148- parte de um # 147-if-then # 148- declaração) eo conseqüente (a # 147 e # 148- parte do # 147-se, em seguida, # 148-). No exemplo anterior, o antecedente é manteiga e leite pão- é o conseqüente.

Na prática, a sua empresa vai usar análise preditiva para recuperar regras de associação a partir de um banco de dados do cliente. As consultas questões analista cuja finalidade é encontrar regras que são ou relacionado com o antecedente (o que foi comprado) ou regras que podem levar à consequente (o que pode ser esperado para ser comprado).

Em outro exemplo, considere um gerente de loja de café que quer maximizar o lucro usando regras de associação como uma ferramenta de mineração de dados. O gerente da loja gostaria de pedir itens como estes:

  • Gerar todas as regras que têm croissant no antecedente e caf # 233- latte na consequente.

    Essas regras ajudar o gerente de desenvolvimento de recomendações para os quais produtos para vender em conjunto com croissants- se caf # 233- latte é proeminente como um consequente, é altamente provável que a recomendação será para vender caf # 233- latte com croissants.

  • Gerar todas as regras que têm bolacha com pepitas de chocolate como um antecedente.

    Essas regras podem ajudar contorno e desenhar um plano para aumentar as vendas de biscoitos de chocolate.

  • Gerar todas as regras que têm café expresso como um antecedente.

    Estas regras seriam determinar os produtos cujas vendas podem ser afetados se a loja é executado fora do espresso.

menu