Cómo financiar asociaciones entre los elementos de análisis de datos predictivos

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 minería.

Video: Los modelos predictivos y la innovación empresarial

Considere un gran conjunto de datos de transacciones de los clientes, donde una 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 brutos de las transacciones del cliente. Un ejemplo de tal norma podría ser patrones de compra de comestibles: Si un cliente compra de mantequilla y pan, él o ella también es probable que comprar leche. La regla descubierto en este caso se puede escribir como

{Mantequilla, pan} → {leche}.

En términos de minería de datos, {mantequilla, pan} se denomina cesta. Una cesta 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 la manteca de artículos y pan, entonces es también muy probable que contengan leche.

encontrar a 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 las transacciones pasadas con el fin de maximizar el beneficio es una práctica común. Los datos de ventas recopilados regularmente (diaria, semanal, mensual) de los sistemas de punto de venta, tales como tiendas en línea, supermercados, librerías y restaurantes se conoce como datos de la cesta - que es, en este caso, los datos esencialmente a gran escala sobre las transacciones de ventas.

Video: Los modelos predictivos y la innovación empresarial

Las reglas de asociación se generan con una puntuación 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 han comprado la mantequilla y el pan, también han comprado leche, ese valor porcentaje (98%) es el valor de confianza.

Otros términos asociados con una regla son antecedente (El “si” parte de una sentencia “if-then”) y la consiguiente (La parte “y luego” de la “entonces si-”). En el ejemplo anterior, el antecedente es la mantequilla y la leche pan- es el consecuente.

En la práctica, su empresa va a utilizar el análisis predictivo para recuperar las reglas de asociación de una base de datos de clientes. Las consultas de analistas cuestiones cuyo propósito es encontrar reglas que son ya sea relacionada con el antecedente (lo que fue comprado) o reglas que pueden dar lugar a la consiguiente (lo que se puede esperar para ser comprado).

En otro ejemplo, considere un encargado de la tienda de café que quiere maximizar el beneficio las reglas de asociación como herramienta de minería de datos. El gerente de la tienda pediría artículos como estos:

• Generar todas las reglas que tienen cuerno en el antecedente y café latte en el consecuente.

  Tales normas podrían ayudar al gestor de desarrollar recomendaciones para los que productos para vender junto con croissants- café con leche, si es prominente como un consiguiente, es muy probable que la recomendación será vender café con leche con medialunas.

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

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

• Generar todas las reglas que tienen Café exprés como un antecedente.

  Video: Investigación predictiva

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