تجزیه و تحلیل سبد بازار: پیش بینی رفتار مشتری

یادگیری ماشین به روشی منحصر به فرد به صنعت خرده فروشی پاداش می دهد. این بخش از بخش خرده فروشی در همه زمینه ها ، از پیش بینی موفقیت فروش تا مکان یابی مشتریان ، پشتیبانی می کند. تجزیه و تحلیل سبد بازار (MBA) یکی از بهترین کاربردهای خرده فروشی در یادگیری ماشین است. این به خرده فروشان کمک می کند تا بدانند چه محصولاتی که مردم با هم خریداری می کنند تا طرح فروشگاه/وب سایت به همان شیوه طراحی شود. این کار عمدتاً با مطالعه فعالیت خرید قبلی آنها انجام می شود. شرکت ها همچنین در فروش متقابل محصولات خود در سکوی آنلاین خود از آن استفاده می کنند. با این حال ، این تنها در بخش خرده فروشی استفاده نمی شود. مطالبات بیمه تقلب و معاملات کارت اعتباری نیز از آن استفاده می کند.

آمازون یک مثال عالی است که از این تجزیه و تحلیل به محصولات متقاطع استفاده می کند. اینها محصولاتی هستند که در زیر لیست مورد پیشنهادی قرار می گیرند که ممکن است شما را به همراه خرید فعلی خود مورد علاقه خود قرار دهد. تاریخچه مرور شما ، آنچه سایر مشتریان با یک محصول خاص خریداری کرده اند و سایر عوامل تعیین می کنند کدام محصولات در گروه پیشنهادی ظاهر می شوند.

فهرست مطالب

• 1. تجزیه و تحلیل سبد بازار توضیح داده شده است
• 2. انواع تجزیه و تحلیل سبد بازار
• 3. اصطلاحات مورد استفاده در تجزیه و تحلیل سبد بازار
• 4- الگوریتم های مورد استفاده در تجزیه و تحلیل سبد بازار
• 5- تجزیه و تحلیل سبد بازار چگونه کار می کند؟
• 6. مثال تجزیه و تحلیل سبد بازار
• 7. مزایای تجزیه و تحلیل سبد بازار
• 8. برنامه های تجزیه و تحلیل سبد بازار
• 9. نتیجه گیری

تجزیه و تحلیل سبد بازار توضیح داده شده است

تجزیه و تحلیل سبد بازار یک روش داده کاوی است که الگوهای همزمان را تجزیه و تحلیل می کند و قدرت پیوند بین محصولات خریداری شده با هم را تعیین می کند. ما همچنین از آن به عنوان معدن مکرر آیتم و تجزیه و تحلیل ارتباط استفاده می کنیم. این الگوهای شناخته شده در هر خرده فروشی را برای درک رفتار مشتری با شناسایی روابط بین کالاهای خریداری شده توسط آنها ، از آن استفاده می کند. به بیان ساده تر ، تجزیه و تحلیل سبد بازار به خرده فروشان کمک می کند تا از محصولاتی که اغلب با هم خریداری می شوند آگاه باشند تا این موارد همیشه در موجودی خود در دسترس باشد.

منبعی که این الگوهای از آن یافت می شود ، مقدار زیادی از داده ها است که به طور مداوم جمع آوری و ذخیره می شوند. با استخراج مکرر مجموعه مورد ، کشف همبستگی بین موارد در مجموعه داده های عظیم رابطه یا معامله ای آسان می شود. این امر به طور قابل توجهی در فرآیندهای تصمیم گیری مربوط به بازاریابی متقابل ، طراحی کاتالوگ و تجزیه و تحلیل خرید مصرف کننده کمک می کند.

ممکن است با استفاده از مثال زیر این ایده را بهتر درک کنید.

وقتی مردم چای سبز می خرند ، بدیهی است که ممکن است با آن عسل بخرند. این رابطه همانطور که در زیر آورده شده است ، به عنوان یک الگوریتم مشروط نشان داده شده است.

این نشان می دهد که مواردی که در سمت راست بیان شده اند با مواردی که در سمت چپ قرار دارند سفارش داده می شوند. تجزیه و تحلیل سبد بازار در داده کاوی به ما کمک می کند تا این رابطه را درک کنیم و تغییر تصمیمات خود بر اساس تجزیه و تحلیل چقدر مفید خواهد بود.

مهندسان یادگیری ماشین بر اساس تجزیه و تحلیل دقیق سبد بازار ، استراتژی های مبتنی بر داده را توسعه می دهند که به خرده فروشان کمک می کند تا از روش های زیر درآمد خود را بهبود بخشند.

• آنها فقط در یکی از محصولات مرتبط تخفیف ارائه می دهند.
• محصولات مرتبط در نزدیکی یکدیگر قرار می گیرند به گونه ای که وقتی مشتری یک مورد را خریداری می کند ، تمایل به خرید کالای دیگر نیز دارند.

انواع تجزیه و تحلیل سبد بازار

تجزیه و تحلیل سبد بازار انواع زیر را شامل می شود.

1. تجزیه و تحلیل سبد بازار توصیفی

این نوع تجزیه و تحلیل سبد بازار بینش های عملی را بر اساس داده های تاریخی ارائه می دهد. این یک رویکرد متداول است که هیچ پیش بینی ای را انجام نمی دهد اما ارتباط را با استفاده از تکنیک های آماری بین محصولات ارزیابی می کند. ما همچنین بر اساس نحوه مدل سازی آن به عنوان یادگیری بدون نظارت یاد می کنیم.

2. تجزیه و تحلیل سبد بازار پیش بینی

اگرچه "پیش بینی" و "تجزیه و تحلیل" تجزیه و تحلیل پیش بینی کننده کلمه را تشکیل می دهند ، اما در واقع به صورت معکوس کار می کند. ابتدا تجزیه و تحلیل می کند و سپس آینده را پیش بینی می کند. این نوع از مدل های یادگیری تحت نظارت مانند رگرسیون و طبقه بندی استفاده می کند. این یک ابزار ارزشمند برای بازاریابان است حتی اگر کمتر از تجزیه و تحلیل سبد بازار توصیفی استفاده شود.

بنابراین ، هنگامی که ما در مورد تجزیه و تحلیل سبد بازار پیش بینی صحبت می کنیم ، مواردی را که به صورت توالی خریداری شده است برای ارزیابی فروش متقابل در نظر می گیرد. به عنوان مثال ، هنگامی که یک مصرف کننده لپ تاپ را خریداری می کند ، احتمالاً آنها با آن ضمانت نامه طولانی خریداری می کنند. بنابراین این تجزیه و تحلیل به شناخت موارد در نظر گرفته شده در یک دنباله کمک می کند تا بتوانند با هم فروخته شوند.

این برنامه در صنعت خرده فروشی عمدتاً برای تعیین سبدهای کالایی که با هم خریداری می شوند ، می یابد.

3. تجزیه و تحلیل سبد بازار دیفرانسیل

تجزیه و تحلیل سبد بازار دیفرانسیل ابزاری عالی برای تجزیه و تحلیل رقابتی است که می تواند به شما کمک کند تا تعیین کنید که چرا مصرف کنندگان ترجیح می دهند همان محصول را از یک پلت فرم خاص خریداری کنند ، حتی اگر آنها با همان قیمت در هر دو سیستم عامل برچسب گذاری شوند.

این تصمیم مصرف کنندگان اغلب بر اساس چندین عامل است که در زیر ذکر شده است.

• زمان تحویل
• تجربه ی کاربر
• تاریخچه خرید بین فروشگاه ها، فصول، دوره های زمانی و موارد دیگر.

با در نظر گرفتن همه این عوامل که پشتوانه تصمیم مصرف کنندگان هستند، سازمان ها می توانند از تحلیل سبد بازار متمایز بهره مند شوند. آنها می توانند همه پارامترها را مطابق با تجربه کاربر اکسل مصرف کننده کاهش دهند و فروش را در پلتفرم خود افزایش دهند.

توجه: افرادی که در زمینه داده کاوی تخصص ندارند، باید قبل از به اشتراک گذاشتن نتایج با ذینفعان، نتایج را تأیید کنند زیرا شامل پارامترها و فرمول های مختلفی است که در هر مرحله در نظر گرفته می شود.

اصطلاحات مورد استفاده در تحلیل سبد بازار

در اینجا برخی از اصطلاحات وجود دارد که باید هنگام کار با تحلیل سبد بازار در نظر داشته باشید.

• Itemset: به مجموعه اقلامی اطلاق می شود که همزمان توسط مشتری با هم خریداری می شوند. به طور پیش فرض، آن را به عنوان یک قانون منطقی با IF و THEN بیان می کنیم. به عنوان مثال، IF (نان، کره)، سپس (شیر). همچنین ممکن است یک مجموعه آیتم شامل هیچ آیتمی نباشد که معمولاً توسط همه موارد موجود در مجموعه داده نادیده گرفته می شود.
• تعداد پشتیبانی: تعداد دفعات یک مجموعه آیتم خاص است که در پایگاه داده تراکنش ظاهر می شود. به عنوان یک احتمال نیز بیان می شود. به عنوان مثال، اگر شیر دارای تعداد پشتیبانی 50 از 500 تراکنش ممکن باشد، احتمال آن 50/500 یا 0. 1 است.
• اطمینان: به احتمال شرطی اشاره دارد که نشان می دهد چه اقلامی امکان خرید با هم را دارند. در استراتژی قرار دادن محصول با هدف افزایش سودآوری کاربرد پیدا می کند. به عنوان مثال، با قرار دادن اقلام با حاشیه بالا نزدیک به اقلام با اعتماد بالا، خرده فروشان می توانند فروش کلی و درآمد حاصل از خرید را افزایش دهند.
• پیشین: مؤلفه IF که در سمت چپ نوشته شده است یا مجموعه آیتم های موجود در داده ها، پیشین نامیده می شوند.
• نتیجه: جزء THEN یا یک آیتم یا مجموعه آیتم که در ترکیب با مقدم یافت می شود، نتیجه نامیده می شود.

با مثال زیر می توانیم مقدمه و نتیجه آن را بیشتر درک کنیم.

الگوریتم های مورد استفاده در تحلیل سبد بازار

Market basket analysis utilizes association rule >برای پیش بینی احتمال خرید برخی محصولات با هم. آنها فراوانی اقلام را با هم می شمارند و به دنبال یافتن ارتباطی هستند که بیش از حد انتظار رخ می دهد.

برخی از الگوریتم هایی که از این قوانین مرتبط استفاده می کنند AIS، Apriori و SETM هستند.

Apriori الگوریتم متداول توسط دانشمند داده است که موارد مکرر را در پایگاه داده شناسایی می کند. این برای یادگیری بدون نظارت مفید است و نیازی به آموزش ندارد و بنابراین هیچ پیش بینی ای ندارد. این الگوریتم به ویژه برای مجموعه داده های بزرگ که در آن روابط مفید بین موارد تعیین می شود استفاده می شود.

تعجب خواهید کرد که می دانید الگوریتم Apriori از میانبرهایی یعنی ویژگی Apriori استفاده می کند. این میانبر بیان می کند که کلیه موارد موجود در یک مورد مکرر نیز باید مکرر باشد. این به صرفه جویی در زمان محاسباتی زیادی کمک می کند.

الگوریتم apriori در دو مرحله کار می کند که در زیر نشان داده شده است.

• این موارد را به طور منظم مشخص می کند که به طور مکرر در مجموعه داده ها اتفاق می افتد و بیشتر از مقدار آستانه از پیش تعیین شده پشتیبانی می کند.
• در مرحله بعد ، اعتماد به نفس کلیه قوانین ممکن را محاسبه می کند. با این حال ، این تنها کشورهایی را که اعتماد به نفس بیشتری نسبت به آستانه از پیش تعیین شده دارند ، نگه می دارد.

بیشتر به سه مؤلفه طبقه بندی می شود.

بیایید هر یک از آنها را با نمونه ای از نحوه محاسبه سبد بازار درک کنیم.

فرض کنید که یک وب سایت محبوب تجارت الکترونیکی 100 معاملات انجام می دهد. حال اگر می خواهیم آسانسور ، پشتیبانی و اعتماد به نفس این دو محصول را محاسبه کنیم ، بگوییم کتاب و مداد ، در اینجا نحوه پیشبرد ما آورده شده است.

بیایید بگوییم 10 معاملات برای کتاب وجود دارد و 8 معاملات برای مدادها و 6 معاملات برای هر دو محصول انجام می شود.

1. پشتیبانی: این تعداد کل معاملات انجام شده برای یک محصول خاص است که بر اساس تعداد کل معاملات انجام شده تقسیم می شود. صفر هیچ پشتیبانی را نشان نمی دهد در حالی که یکی از بالاترین پشتیبانی را نشان می دهد. مقدار پشتیبانی بالاتر ، اهمیت مورد در داده ها بیشتر می شود.

پشتیبانی (A⇒ B) = P (A ∪ B)

پشتیبانی (کتاب) = freq (کتاب)/کل معاملات انجام شده

پشتیبانی (کتاب) = 6/100 = 0. 06 ٪

2. اعتماد به نفس: این نسبت معاملات ترکیبی به معاملات فردی است.

اعتماد به نفس (A⇒ B) = P (B | A)

اعتماد به نفس (کتاب) = معاملات ترکیبی/معامله فردی

اعتماد به نفس (کتاب) = 0. 06/0. 08 = 0. 75

3. LIFT: این نسبت اعتماد به نفس به درصد پشتیبانی است.

آسانسور = 0. 75/0. 10 = 7. 5

• اگر مقدار آسانسور<1, the combination is not bought by consumers frequently.
• If the value of lift>1 ، این ترکیب اغلب توسط مصرف کنندگان آورده می شود.
• اگر مقدار آسانسور = 1 باشد ، خرید پیشین هیچ تفاوتی در نتیجه ندارد.

تجزیه و تحلیل سبد بازار برای جستجوی قوانینی که منجر به مقدار بالابر بیشتر از 1 می شود ، استفاده می شود.

توجه: اعتماد به نفس و پشتیبانی را می توان برای تأثیرگذاری بر الگوریتم آپریوری استفاده کرد. این کار با تنظیم مقادیر برش برای جستجو انجام می شود. به عنوان مثال ، با تعیین حداقل مقدار پشتیبانی 0. 5 و مقدار اطمینان 0. 65 ، ما به رایانه می گوییم که فقط قوانین انجمن را که بالاتر از این نقاط قطع است ، گزارش دهد. این ابزارهای بی فایده را که هیچ ارزشی به فرآیند تصمیم گیری اضافه نمی کند ، از بین می برد.

تجزیه و تحلیل سبد بازار چگونه کار می کند؟

تجزیه و تحلیل سبد بازار مبتنی بر استخراج قانون انجمن است که

اگر<>، سپس<>ساختن

هر آنچه در داخل براکت ها قرار دارد به عنوان یک مورد از آن گفته می شود که نوعی داده است. این فرآیند از مجموعه داده معاملات آغاز می شود. هر معامله گروهی از محصولاتی را که توسط مشتریان خریداری می شوند ، نشان می دهد و اغلب از آنها به عنوان کالاها یاد می شود. این معاملات از طریق تجزیه و تحلیل سبد بازار برای شناسایی قوانین انجمن مورد تجزیه و تحلیل قرار می گیرند.

این بدان معناست که اگر مشتری معامله ای را انجام دهد که شامل نان و کره باشد ، احتمالاً آنها نیز شیر خریداری می کنند. با این حال ، قبل از اقدام به هر قاعده ، مدیر فروشگاه یا خرده فروش باید شواهد کافی برای تهیه نسخه پشتیبان از تصمیم داشته باشد تا نتایج سودمند باشد. مؤلفه های فوق بحث شده یعنی پشتیبانی ، اعتماد به نفس و آسانسور در اندازه گیری قدرت یک قاعده برای کمک به شما در تصمیم گیری آگاهانه کمک می کند.

مثال تجزیه و تحلیل سبد بازار

بیایید تجزیه و تحلیل سبد بازار را با نمونه ای از اینکه الگوریتم Apriori در بسته Arules اجرا شده است ، درک کنیم. می توان آن را در R. نصب کرد و اجرا کرد

مرحله 1: برای درک نحوه بارگذاری داده ها در موتور ، به جدول زیر نگاه کنید.

مرحله 2: در مرحله بعد ، هر معامله به عنوان آرایه ای که مجموعه داده ها را به معامله R تبدیل می کند ، در یک رکورد واحد جمع می شود. تصویر زیر را که نتیجه فرآیند تجمیع را نشان می دهد ، بررسی کنید.

مرحله 3: در آخر ، منطق apriori در معاملات اجرا می شود. تصویر زیر را برای مجموعه نتیجه بررسی کنید.

تصویر فوق به وضوح تعداد ترکیبات حاوی قوی را نشان می دهد که در آن سودا یک دسته از محصولات کلیدی است. با استفاده از این اطلاعات ، مدیر فروشگاه می تواند با پایین نگه داشتن قیمت و حاشیه سودا ، حجم فروش را هدایت کند.

یکی دیگر از نتایج چشمگیر و در عین حال جالب نشان می دهد که تمام قوانین با بستنی ، اعتماد به نفس یکی را با آسانسور قابل توجهی نشان می دهد. بنابراین ، مدیر فروشگاه می تواند بستنی را با این عقیده که سایر موارد را می توان توسط مشتریان با آن در همان زمان خریداری کرد ، بیشتر کند.

مزایای تجزیه و تحلیل سبد بازار

لیست بی پایان مزایای بی عیب و نقصی که تجزیه و تحلیل سبد بازار ارائه می دهد توسط سازمان های سراسر جهان به طور گسترده ای اعمال می شود. این همچنین به همین دلیل است که می توان متوجه سنبله در استخدام مهندسان ML در شرکت های سراسر جهان شد.

در ادامه بخوانید تا برخی از مزایای بی نظیر را بدانید که شما را از بین می برد.

• برای خرده فروشان: تجزیه و تحلیل سبد بازار (MBA) کاربرد بسیار خوبی برای دیدگاه بازاریابی برای خرده فروشان پیدا می کند. این به خرده فروشان در بهینه سازی کمپین های بازاریابی خود کمک می کند و با درک بهتر مشتریان خود ، فروش آینده را استراتژی می کند. ارائه الگوهای و رفتار مشتری عملی به افزایش فروش فروشگاه و افزایش ROI کمک می کند. علاوه بر این ، این امر باعث افزایش مشارکت مشتری می شود و تجربه مشتری را هنگام خرید از یک فروشگاه بهبود می بخشد.
• توصیه های شخصی: تجزیه و تحلیل سبد بازار ژانر فیلم را درک می کند که یک فرد دوست دارد فیلم ها را در سیستم عامل های OTT مانند Amazon Prime و Netflix توصیه کند.
• تبلیغات و کمپین ها: این تجزیه و تحلیل به درک محصولاتی که همراه با کالاهایی هستند که سنگ های کلیدی در خط تولید تشکیل می دهند ، کمک می کند.
• تجزیه و تحلیل رفتار مشتری: تجزیه و تحلیل سبد بازار به شما کمک می کند تا رفتار مشتری را که از طراحی UX/UI به طراحی کاتالوگ استفاده می شود ، درک کنید.
• بهینه سازی عملیات در فروشگاه: MBA با تعیین محبوبیت محصولات در یک فروشگاه ، کاربرد بسیار خوبی در بهینه سازی موجودی پیدا می کند.
• تاکتیک های جدید بازاریابی: MBA وظیفه کشف استراتژی های جدید بازاریابی را برای رشد یک برند کاهش می دهد. این تجزیه و تحلیل داده های جمعیت شناختی و ذهنی برای کمک به شما در تصمیم گیری آگاهانه در مورد اینکه فروشگاه بعدی یا تبلیغات هدف خود را باز کنید ، تجزیه و تحلیل می کند.

برنامه های تجزیه و تحلیل سبد بازار

محبوبیت یادگیری ماشین تجزیه و تحلیل سبد بازار فراتر از مرزهای صنعت خرده فروشی است. ما مناطق دیگری را که در زیر آن شگفتی هایی را انجام می دهد ذکر کرده ایم.

• امور مالی/جرم شناسی: تجزیه و تحلیل سبد بازار کاربرد خوبی در تشخیص کلاهبرداری مربوط به داده های استفاده از کارت اعتباری دارد.
• تولید: تجزیه و تحلیل سبد بازار پیش بینی کننده به پیش بینی عدم موفقیت تجهیزات کمک می کند.
• بیوانفورماتیک/دارویی: تجزیه و تحلیل سبد بازار در کشف رابطه همزمان بین مواد تشکیل دهنده دارویی فعال و تشخیصی که برای گروههای مختلف بیماران تجویز می شود ، کمک می کند.
• رفتار مشتری: با استفاده از داده های اجتماعی و اقتصادی و جمعیتی ، تجزیه و تحلیل سبد بازار به تعیین خریدهای مرتبط کمک می کند.
• پزشکی: تجزیه و تحلیل سبد بازار در تعیین تجزیه و تحلیل علائم و شرایط همراه در حوزه پزشکی استفاده زیادی می کند. همچنین در شناسایی صفات ارثی و ژنهایی که با اثرات محیطی محلی همراه هستند کمک می کند.
• مخابرات: شرکت های مخابراتی که توجه به خدمات مشتری را افزایش می دهند با تجزیه و تحلیل سبد بازار کاهش می یابد. به عنوان مثال ، شرکت های بخش مخابرات شروع به ارائه بسته های تلویزیون و اینترنتی جدا از سایر خدمات آنلاین با تخفیف برای از بین بردن چرند کرده اند.
• IBFS: سازمان IBFS تجزیه و تحلیل سبد بازار را برای ردیابی تاریخچه کارت اعتباری یک مصرف کننده از آن استفاده می کند. بر اساس داده های دریافت شده ، چنین شرکت هایی با استفاده از متخصصان فروش در مراکز خرید ، مشتریان بالقوه را با تخفیف های جذاب در حال حرکت کاهش می دهند.

نتیجه

فروش متقابل و فروش ، مانترا مخفی صنعت خرده فروشی است که مصرف کننده را به خرید بیشتر سوق داد. این یک عامل پر رونق برای چنین صنایعی است که الگوهای آن را با تجزیه و تحلیل سبد بازار در داده کاوی و بینش مشتری برای به دست آوردن عملکرد برند خود به دست می آورند.

یک افسانه شهری اظهار داشت که یک فروشگاه مواد غذایی پس از قرار دادن آبجو و پوشک در کنار هم به دلیل تجزیه و تحلیل سبد بازار ، فروش خود را افزایش می دهد که اظهار داشت آبجو و پوشک هر دو توسط مردان خریداری می شوند.

سازمانها با استفاده از این تکنیک با عاقلانه از این تکنیک استفاده می کنند و با بازی با ذهن مشتری میلیارد ها دلار می کنند. این یک روش مؤثر برای بهبود فروش شما بدون نیاز به تلاش اضافی برای بازاریابی است که به شما نتیجه ای باورنکردنی نمی دهد. بنابراین پیش بروید و آن را بر روی تمام داده های موجود در مخزن خود امتحان کنید تا الگویی را تشخیص دهید که ممکن است شما را از ریشه ها غافلگیر کند.

نویسنده

سریشتی چوداری

Srishti یک نویسنده و بازاریاب محتوای صالح با تخصص در سوله هایی مانند Cloud Tech ، Big Data ، توسعه وب و بازاریابی دیجیتال است. او مشتاقانه منتظر رشد دانش و مهارت های فنی خود است.

مقالات مرتبط

نحوه نوشتن یک مقاله تحقیق خوب در منطقه یادگیری ماشین

یک مقاله تحقیقاتی در مورد یادگیری ماشین به مستندات فنی مناسب است.

تولید داده های مصنوعی: تعریف ، انواع ، تکنیک ها و ابزارها

داده ها از دیدگاه تعامل روزانه بین انسان و ماشین ، امروزه بخشی جدایی ناپذیر از جهان است. غیرقابل انکار است.

نحوه ساخت سیستم تشخیص نفوذ هوشمند با OpenCV و Python

تشخیص نفوذ منطقه تکنیکی برای محافظت از ساختمان های خصوصی یا املاک در برابر تهاجم توسط افراد ناخواسته است. وقتی یک متجاوز.

درک شبکه های عصبی به جلو با ریاضیات و آمار

از ترجمه ماشین گرفته تا موتورهای جستجو و از برنامه های تلفن همراه گرفته تا دستیاران رایانه.

راهنمای مدلهای خودکار

الگوریتم مبتنی بر رگرسیون یکی از رویکردهای پرکاربرد در زمینه علوم داده برای پیش بینی متغیر هدف است.