Comment financer les associations entre les éléments prédictifs d'analyse de données

L'utilisation de l'analyse prédictive comme un outil d'exploration de données vise également à découvrir des relations cachées entre les éléments dans vos données. Ces relations sont appelées cachés règles d'association minière.

Envisager une grande base de données des opérations de clientèle, où un transaction client consiste en le produit (s) acheté par un client à un moment donné. Dans un scénario comme celui-ci, le but de l'analyse prédictive comme un outil est d'identifier les associations entre produits dans l'ensemble de données.

Une association entre deux produits est un rapport, ce qui peut aider l'analyste discerner un motif et d'en tirer une règle à partir des données brutes des opérations de clientèle. Un exemple d'une telle règle pourrait être motifs épicerie-achat: Si un beurre des achats des clients et du pain, il ou elle est également susceptible d'acheter du lait. La règle découvert dans ce cas peut être écrite comme

{beurre, pain} # 8594- {} lait.

En termes d'exploration de données, {beurre, pain} est appelé panier. Un panier du monde réel contient des éléments, bien sûr, et il en va de ce panier: le beurre et le pain. La règle découvert vient d'être décrit est que si un panier contient le beurre items et de pain, alors il est aussi très susceptibles de contenir du lait.

Trouver tels règles d'association dans un ensemble de données des opérations de clientèle permet à une entreprise (dans ce cas, une épicerie) maximiser les revenus en décidant quels produits devraient être mis en vente, comment positionner les produits dans les allées du magasin, et comment et quand à offrir des prix promotionnels.

En analysant les données générées par les opérations passées afin de maximiser les profits est une pratique courante. Les données de ventes recueillies régulièrement (quotidienne, hebdomadaire, mensuelle) de systèmes de point de vente tels que les magasins en ligne, supermarchés, librairies, restaurants et est appelé panier données - qui est, dans ce cas, essentiellement des données à grande échelle sur les transactions de vente.

Règles d'association sont générés avec un score appelé confiance - qui se réfère à la façon dont ils sont susceptibles d'être vrai. Par exemple, si une règle généré montre que 98% des personnes qui ont acheté le beurre et le pain aussi acheté du lait, que la valeur de pourcentage (98%) est le valeur de confiance.

Autres termes associés à une règle sont antécédent (la “ si ” partie d'un “ if-then ” déclaration) et le conséquence (la “ puis ” partie de la “ if-then ”). Dans l'exemple précédent, l'antécédent est beurre et le lait soutien de famille est le conséquent.

Dans la pratique, votre entreprise va utiliser l'analyse prédictive pour récupérer les règles d'association à partir d'une base de données clients. Les questions des analystes requêtes dont le but est de trouver des règles qui sont soit liés à l'antécédent (ce qui a été acheté) ou des règles qui peuvent conduire à la conséquente (ce qui peut être devrait être acheté).

Dans un autre exemple, considérons un gestionnaire de café qui veut maximiser les profits en utilisant les règles d'association comme un outil d'exploration de données. Le gérant du magasin serait demander des articles de ce genre:

• Générer toutes les règles qui ont croissant dans l'antécédent et CAF # 233- latte à la conséquente.

  Ces règles devraient aider le gestionnaire d'élaborer des recommandations pour lesquelles les produits à vendre avec croissants- si CAF # 233- latte est important en tant que conséquente, il est très probable que la recommandation sera de vendre CAF # 233- latte avec des croissants.

• Générer toutes les règles qui ont cookie aux pépites de chocolat comme antécédent.

  Ces règles peuvent aider les contours et de concevoir un plan pour augmenter les ventes de biscuits au chocolat.

• Générer toutes les règles qui ont espresso comme antécédent.

  Ces règles devraient déterminer les produits dont les ventes pourraient être touchés si le magasin est à court de café espresso.