Ile ludzkiej inteligencji jest w sztucznej inteligencji ? - Techniki inteligentne w zastosowaniach praktycznych Agnieszka Nowak
Instytut Informatyki, Uniwersytet Śląski
Analiza koszykowa - właściwy krok w kierunku cross- i up-sellingu
Maksymalizacja zysku jest możliwa dzięki:
Zrozumieniu, które produkty (usługi) są kupowane razem?,
Zrozumieniu, które produkty są kupowane w następnej kolejności ?.
Wykorzystanie narzędzi Data Mining pozwala nie tylko znaleźć odpowiedź na pytanie jakie produkty zwykle występują wspólnie w koszyku, ale także znaleźć takie produkty, których obecność w koszyku warunkuje obecność innych produktów i określić jak wysoki jest poziom prawdopodobieństwa tego typu zdarzeń. Analiza koszykowa… to jest to ! Up-selling i cross-selling to 2 metody maksymalizowania zysku z jednej transakcji, a tym samym dochodów w ujęciu globalnym. Są to określenia dla działań mających jeden cel:
aby klient kupił więcej niż planował.
Menedżerowie i analitycy mogą używać "analiz koszykowych", aby planować między innymi:
kampanie promocyjne - obniżone ceny przy zakupie na kolejne ze współkupowanych produktów, kupony promocyjne rozdawane przy zakupie określonych produktów itp.
położenie produktów - ustawiać produkty współkupowane w sąsiedztwie jeśli współkupowanie jest silne lub umieszczanie produktów z dala od siebie, aby wymusić większy ruch obok półek z innymi produktami w przypadku produktów, dla których zakup jednego zasadniczo determinuje zakup drugiego itp.
sprzedaż w czasie - jaką ilość danego produktu zamówić, jeśli ostatnio szczególnie dobrze sprzedają się produkty, które z nim są zwykle kupowane w sekwencjach o określonym interwale czasowym. Analiza koszykowa…
Analiza koszykowa… w hipermarkecie
Analiza koszykowa… w sklepie internetowym
Reguła X→Y posiada wsparcie s w bazie danych D, jeżeli s % transakcji w D wspiera zbiór X ∩ Y
Wsparcie (A →B) = 25%
Wsparcie (A →C) = 50% B,D,F 4 A,C 3 A,D 2 A,B,C,D 1 Tj tidj Binarne reguły asocjacyjne - podstawowe definicje - wsparcie
Reguła X → Y posiada ufność c w bazie danych jeżeli c % transakcji w D, które wspierają zbiór X, wspierają również Y
ufność (X →Y) = wsparcie (X ∩Y)/wsparcie (X)
B,D,F 4 A,C 3 A,D 2 A,B,C,D 1 Tj tidj Ufność (A →B) = 33%
Ufność (A →C) = 66% Zachodzącą regułę:
A → C : wsparcie 50% , ufność 66%
możemy zinterpretować następująco: 66 % osób, które kupiły towar A kupiły również towar C a sytuacja ta zachodzi w 50 % wszystkich transakcji. Binarne reguły asocjacyjne - podstawowe definicje - ufność
Jak to się dzieje ? Że dzieje się tak…? Dania mrożone <= warzywa konserwowe & piwo (16533: 16.7% 0.874) Reguła: 16533 klientów włożyło jednocześnie do koszyka warzywa konserwowe - piwo mówi nam, że: stanowi to 16,7 % spośród wszystkich klientów poddanych analizie Jednocześnie 87,4 % kupujących warzywa konserwowe i piwo kupiło także dania mrożone Warto tym klientom przyjrzeć się bliżej czyli z wysoką ufnością możemy stwierdzić, iż jeśli ktoś kupuje warzywa konserwowe i piwo to kupi też jakieś danie mrożone Jeśli podzielimy klientów na dwie grupy, tych którzy kupili i tych którzy nie kupili wiązki produktów dania mrożone - warzywa konserwowe - piwo Taka cecha posłuży do poszukiwania charakterystyk osób, które kupują produkty w danej konfiguracji Stosując algorytm drzewa decyzyjnego uzyskamy reguły…i opis grupy…
Byli to mężczyźni o dochodach gospodarstwa poniżej 1690,-PLN.
Spośród 16335 zakupów dokonanych przez tych klientów w ok. 84% przypadków w koszykach znalazła interesująca nas wiązka produktów tzn. dania mrożone - warzywa konserwowe - piwo.
Tego typu informacje mogą być bardzo istotne zarówno z punktu widzenia planowanych akcji promocyjnych, jak i wzajemnego usytuowania produktów na półkach. Wyniki analizy… Co będzie dalej ? Analiza mikromacierzy DNA… tysiące genów podlega grupowaniu… Analiza logów użytkowników i budowa profili użytkowników – personalizacja stron WWW… Optymalizacja systemów rozpoznawania mowy dzięki grupowaniu wyrazów, zdań…
Wnioski… Należy pamiętać, że początek AI to lata 60-te
Wielki bum… SE to lata 80-te i 90-te
Nie radziłyby sobie one dzisiaj bez DM
DM dostarcza wielu użytecznych technik nie tylko analizy wiedzy dla potrzeb statystycznych, ale i dla wydobywania z danych ukrytej, użytecznej wiedzy
Carrot2:
http://www.cs.put.poznan.pl/dweiss/
Wyszukiwarki:
Kłopotek M., „Inteligentne wyszukiwarki internetowe”, EXIT, 2001
http://data-minig.home.pl/
Grupowanie:
http://www.statsoft.pl/textbook/stcluan.html
Stąpor K. ,(2005), Automatyczna klasyfikacja obiektów, EXIT, Warszawa
Everitt B.S., (1993), Cluster Analysis (3rd edition), London
http://www.thearling.com/text/dmtechniques/dmtechniques.htm
http://spss.clementine.org Literatura
Comments