Como financiar associações entre itens de dados de análise preditiva

O uso de análise preditiva como uma ferramenta de mineração de dados também procura descobrir as relações ocultas entre 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) adquirido por um cliente em um determinado momento. Em um cenário como este, o objetivo da análise preditiva como uma ferramenta é identificar associações entre produtos no conjunto de dados.

Uma associação entre dois produtos é um 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 supermercado de compra de: Se uma manteiga de compras do cliente e pão, ele ou ela também é propensos a comprar leite. A regra descobriu, neste caso, pode ser escrita como

{Manteiga, pão} → {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 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 oferecer preços promocionais.

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

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

Outros termos associados a uma regra são antecedente (O “se” parte de um “if-then”) eo conseqüente (O “depois” parte do “if-then”). No exemplo anterior, o antecedente é manteiga e leite pão- é o consequente.

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 conseqüente (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 café com leite na conseqüente.

  Video: #18 - [SCI] - [APE] - [Financiamento Imobiliário] -Começando do Zero - Banco do Brasil 2016

  Tais regras ajudaria o gerente de desenvolver recomendações para as quais produtos para vender em conjunto com croissants- se café latte é proeminente como um consequente, é altamente provável que a recomendação será para vender café latte com croissants.

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

  Video: Curso de EXCEL Cálculo Multiplicação de Matrizes Planilha Função MATRIZ.MULT() Resolver Determinante

  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.