Lernen Filtering Bedeutungsloser Regeln und Identifikation von Hochwertigen Produktbündeln | High Performance Rule Mining and Scale Optimization

Swipe um das Menü anzuzeigen

Um den Einfluss der Warenkorbanalyse zu maximieren, müssen wirklich wertvolle Assoziationsregeln von solchen getrennt werden, die entweder trivial oder für Ihre Geschäftsziele irrelevant sind. Dieser Prozess stellt sicher, dass Ihre Empfehlungen und Aktionen auf umsetzbaren Erkenntnissen basieren und nicht auf Rauschen oder offensichtlichen Mustern.

Filterkriterien

Der erste Schritt beim Filtern von Assoziationsregeln besteht darin, Mindestschwellenwerte für Support, Konfidenz und Lift festzulegen. Diese Kennzahlen helfen dabei, Regeln auszuschließen, die entweder zu selten sind, um nützlich zu sein, oder statistisch nicht signifikant sind.

Support-Schwelle: Regeln ignorieren, die in zu wenigen Transaktionen vorkommen, da sie Ausreißer sein oder keine geschäftliche Relevanz haben könnten;
Konfidenz-Schwelle: Regeln verwerfen, die keine starke Assoziation zwischen Antezedens und Konsequenz zeigen;
Lift-Schwelle: Regeln mit Lift-Werten nahe oder unter 1 entfernen, da sie keine sinnvolle Assoziation über den Zufall hinaus anzeigen.

Redundanz

Viele Regeln in Ihren Mining-Ergebnissen können redundant sein, das heißt, sie liefern im Vergleich zu anderen Regeln keine neuen Informationen. Wenn beispielsweise sowohl "milk → bread" als auch "milk, butter → bread" ähnliche Support- und Konfidenzwerte haben, bietet die spezifischere Regel möglicherweise keinen Mehrwert. Das Erkennen und Entfernen redundanter Regeln hilft, sich auf die prägnantesten und informativsten Muster zu konzentrieren.

Geschäftliche Relevanz

Nicht alle statistisch starken Regeln sind für Ihr Unternehmen nützlich. Um zu bestimmen, ob eine Regel umsetzbar ist, stellen Sie sich folgende Fragen:

Schlägt die Regel eine Produktkombination vor, die gemeinsam beworben werden kann?
Ist die Kombination logistisch umsetzbar (z. B. keine Kombination von Produkten aus völlig unterschiedlichen Abteilungen)?
Kann die Regel die Gestaltung des Ladenlayouts oder Cross-Selling-Strategien beeinflussen?
Entspricht die Regel Ihren Geschäftszielen, wie z. B. der Erhöhung der Warenkorbgröße oder der Einführung neuer Produkte?

Beispiel: Regeln filtern, um hochwertige Produktbündel zu isolieren

Angenommen, Sie haben eine Reihe von Assoziationsregeln aus Ihren Transaktionsdaten extrahiert. Durch das Anwenden von Schwellenwerten und das Entfernen von Redundanzen können Sie eine kleine Menge hochwertiger Produktbündel isolieren, die sowohl statistisch signifikant sind als auch mit Ihren Geschäftsanforderungen übereinstimmen.


              12345678910111213141516171819202122232425262728293031
            
import pandas as pd

# Example association rules DataFrame
rules = pd.DataFrame({
    'antecedents': [['milk'], ['bread'], ['milk', 'bread'], ['chips'], ['chips', 'salsa']],
    'consequents': [['bread'], ['milk'], ['butter'], ['salsa'], ['soft drinks']],
    'support': [0.30, 0.28, 0.15, 0.10, 0.08],
    'confidence': [0.7, 0.6, 0.5, 0.4, 0.75],
    'lift': [1.2, 1.1, 0.95, 1.0, 1.5]
})

# Setting filtering thresholds
min_support = 0.10
min_confidence = 0.6
min_lift = 1.1

# Filtering rules by thresholds and explicitly creating a copy
filtered_rules = rules[
    (rules['support'] >= min_support) &
    (rules['confidence'] >= min_confidence) &
    (rules['lift'] >= min_lift)
].copy()

# Removing redundant rules: keep only the most general (shortest antecedents)
filtered_rules['antecedent_length'] = filtered_rules['antecedents'].apply(len)
non_redundant_rules = filtered_rules.sort_values('antecedent_length').drop_duplicates('consequents')

# Identifying top product bundles (by lift)
top_bundles = non_redundant_rules.sort_values('lift', ascending=False)

print(top_bundles[['antecedents', 'consequents', 'support', 'confidence', 'lift']])

1. Was ist der Hauptgrund für das Setzen einer Mindest-Lift-Schwelle beim Filtern von Assoziationsregeln?

2. Welche der folgenden Aussagen beschreibt am besten eine redundante Assoziationsregel?

War alles klar?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 4

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Abschnitt 2. Kapitel 4