Cómo financiar asociaciones entre los elementos de datos de análisis predictivo

El uso del análisis predictivo como una herramienta de minería de datos también busca descubrir relaciones ocultas entre los elementos de sus datos. Estas relaciones son llamados ocultos reglas de asociación minera.

Considere la posibilidad de un gran conjunto de datos de transacciones de los clientes, donde un transacción del cliente consiste en el producto (s) comprado por un cliente en un momento dado. En un escenario como éste, con el propósito de análisis predictivo como una herramienta es identificar asociaciones entre los productos en el conjunto de datos.

Una asociación entre dos productos es una relación, que puede ayudar al analista discernir un patrón y derivar una regla a partir de los datos en bruto de transacciones de los clientes. Una instancia de una norma de este tipo podría ser los patrones de compra de comestibles: Si un cliente compra la mantequilla y el pan, él o ella es también probable que comprar leche. La regla descubierto en este caso se puede escribir como

{pan de mantequilla} # 8594- {leche}.

En términos de minería de datos, {mantequilla, pan} se denomina cesta. Una canasta del mundo real contiene artículos, por supuesto, y lo mismo ocurre con esta canasta: mantequilla y pan. La regla descubierto que acabamos de describir es que si una cesta contiene los productos de mantequilla y el pan, entonces también es muy probable que contengan leche.

Encontrar tales reglas de asociación en un conjunto de datos de transacciones de los clientes ayuda a una empresa (en este caso, una tienda de comestibles) maximizar los ingresos por decidir qué productos deben estar a la venta, cómo colocar los productos en los pasillos de la tienda, y cómo y cuándo ofrecer precios promocionales.

El análisis de los datos generados por transacciones pasadas con el fin de maximizar el beneficio es una práctica común. Los datos de ventas recopilados con regularidad (diario, semanal, mensual) de los sistemas de punto de venta, tales como tiendas online, supermercados, librerías y restaurantes se conoce como datos cesta - que es, en este caso, esencialmente de datos a gran escala sobre las transacciones de ventas.

Las reglas de asociación se generan con un puntaje conocido como confianza - que se refiere a la probabilidad que existe para ser verdad. Por ejemplo, si una norma generada muestra que el 98% de las personas que compraron la mantequilla y el pan, también han comprado leche, ese valor porcentual (98%) es la valor de confianza.

Otros términos asociados con una regla son antecedente (el " si " parte de una " si-entonces " declaración) y la consecuente (el " a continuación, " parte de " si-entonces "). En el ejemplo anterior, el antecedente es la mantequilla y la leche pan- es el consecuente.

En la práctica, la compañía utilizará el análisis predictivo para recuperar reglas de asociación de una base de datos de clientes. Las consultas de temas analista cuyo propósito es encontrar reglas que son ya sea relacionado con el antecedente (lo que fue comprado) o normas que pueden dar lugar a la consiguiente (lo que se puede esperar para ser comprado).

En otro ejemplo, considere un gerente de la tienda de café que quiere maximizar el beneficio utilizando reglas de asociación como una herramienta de minería de datos. El gerente de la tienda pediría elementos como los siguientes:

• Generar todas las reglas que tienen croissant en el antecedente y caf latte en el consecuente.

  Tales normas ayudarían a la gerente de desarrollo de recomendaciones para que los productos para vender junto con croissants- si caf latte es destacada como una consiguiente, es muy probable que la recomendación será vender café latte con croissants.

• Generar todas las reglas que tienen galleta con chispas de chocolate como antecedente.

  Estas reglas pueden ayudar a esquema y diseñar un plan para aumentar las ventas de galletas de chocolate.

• Generar todas las reglas que tienen café expreso como antecedente.

  Estas normas determinarían los productos cuyas ventas pueden verse afectados si la tienda se queda sin espresso.