Analiza powinowactwa
Analiza powinowactwa mieści się w ogólnym pojęciu eksploracji danych , która odkrywa znaczące korelacje między różnymi podmiotami zgodnie z ich współwystępowaniem w zbiorze danych. W prawie wszystkich systemach i procesach zastosowanie analizy powinowactwa może wydobyć znaczącą wiedzę na temat nieoczekiwanych trendów [ potrzebne źródło ] . W rzeczywistości analiza powinowactwa wykorzystuje zalety badania atrybutów, które pasują do siebie, co pomaga odkryć ukryte wzorce w dużych zbiorach danych poprzez generowanie reguł asocjacyjnych. reguł asocjacyjnych jest dwuetapowa: najpierw znajduje wszystkie częste atrybuty w zbiorze danych, a następnie generuje reguły asocjacyjne spełniające pewne predefiniowane kryteria, wsparcie i pewność, w celu zidentyfikowania najważniejszych relacji w zbiorze częstych elementów. Pierwszym krokiem w procesie jest policzenie współwystępowania atrybutów w zbiorze danych. Następnie tworzony jest podzbiór zwany zestawem częstych elementów. Eksploracja reguł asocjacyjnych przyjmuje postać, że jeśli występuje warunek lub cecha (A), to istnieje inny warunek lub cecha (B). Pierwszy warunek lub cecha (A) jest nazywany poprzednikiem , a drugi (B) jest znany jako następnik . Ten proces jest powtarzany, dopóki nie zostaną znalezione dodatkowe częste zestawy elementów. Istnieją dwa ważne wskaźniki dla wykonywania techniki eksploracji reguł asocjacyjnych: wsparcie i zaufanie. Algorytm a priori służy również do zmniejszenia przestrzeni poszukiwań problemu.
Metryka wsparcia w algorytmie uczenia się reguł asocjacyjnych jest zdefiniowana jako częstotliwość występowania poprzednika lub następnika w zbiorze danych. Ponadto ufność jest wyrażana jako wiarygodność reguł asocjacji określona przez stosunek rekordów danych zawierających zarówno A, jak i B. Minimalny próg wsparcia i ufności to dane wejściowe do modelu. Biorąc pod uwagę wszystkie wyżej wymienione definicje, analiza powinowactwa może opracować reguły, które będą przewidywać wystąpienie zdarzenia na podstawie wystąpienia innych zdarzeń. Ta metoda eksploracji danych została zbadana w różnych dziedzinach, w tym w diagnostyce chorób, analizie koszyka rynkowego, handlu detalicznym, szkolnictwie wyższym i analizie finansowej. W handlu detalicznym analiza powinowactwa jest wykorzystywana do przeprowadzania analizy koszyka rynkowego, w której detaliści starają się zrozumieć zachowania zakupowe klientów. Informacje te mogą być następnie wykorzystywane do celów sprzedaży krzyżowej i dodatkowej , a także do wpływania na promocje sprzedaży , programy lojalnościowe, projekt sklepu i plany rabatowe .
Zastosowanie technik analizy powinowactwa w handlu detalicznym
Analiza koszyka rynkowego może powiedzieć sprzedawcy detalicznemu, że klienci często kupują szampon i odżywkę razem , więc objęcie promocją obu produktów w tym samym czasie nie spowodowałoby znacznego wzrostu przychodów, podczas gdy promocja obejmująca tylko jeden z produktów prawdopodobnie zwiększyłaby sprzedaż Inny.
Analiza koszyka rynkowego może dostarczyć sprzedawcy detalicznemu informacji umożliwiających zrozumienie zachowań zakupowych kupującego. Te informacje umożliwią sprzedawcy zrozumienie potrzeb kupującego i odpowiednie przepisanie układu sklepu, opracowanie programów promocji krzyżowych, a nawet pozyskanie nowych nabywców (podobnie jak koncepcja sprzedaży krzyżowej ) . Apokryficznym wczesnym ilustrującym tego przykładem był przypadek, gdy jedna z sieci supermarketów odkryła w swojej analizie, że klienci płci męskiej, którzy kupowali pieluchy, często kupowali również piwo, umieszczali pieluchy blisko chłodziarek do piwa, a ich sprzedaż dramatycznie wzrosła. Chociaż ta miejska legenda jest tylko przykładem, którego profesorowie używają do zilustrowania tej koncepcji studentom, wyjaśnieniem tego wyimaginowanego zjawiska może być to, że ojcowie wysyłani po pieluchy często kupują również piwo w nagrodę. Tego rodzaju analiza jest podobno przykładem wykorzystania eksploracji danych . Powszechnie stosowanym przykładem sprzedaży krzyżowej w Internecie z analizą koszyka rynkowego jest stosowanie przez Amazon.com „klientów, którzy kupili książkę A, kupili również książkę B”, np. „Ludzie, którzy czytali historię Portugalii, byli również zainteresowani historią marynarki wojennej ” .
Analiza koszyka rynkowego może być wykorzystana do podzielenia klientów na grupy . Firma mogłaby sprawdzić, jakie inne produkty ludzie kupują wraz z jajkami i sklasyfikować je jako pieczenie ciasta (jeśli kupują jajka z mąką i cukrem) lub robienie omletów (jeśli kupują jajka z bekonem i serem). Ta identyfikacja może być następnie wykorzystana do kierowania innymi programami. Podobnie można go wykorzystać do podziału produktów na naturalne grupy. Firma mogłaby sprawdzić, jakie produkty są najczęściej sprzedawane razem i dostosować zarządzanie kategoriami do tych klik.
Biznesowe wykorzystanie analizy koszyków rynkowych znacznie wzrosło od czasu wprowadzenia elektronicznego punktu sprzedaży . Amazon wykorzystuje analizę powinowactwa do sprzedaży krzyżowej, gdy rekomenduje produkty osobom na podstawie ich historii zakupów oraz historii zakupów innych osób, które kupiły ten sam przedmiot. Firma Family Dollar planuje wykorzystać analizę koszyka rynkowego, aby utrzymać wzrost sprzedaży, jednocześnie dążąc do gromadzenia większej ilości niskomarżowych towarów konsumpcyjnych .
Zastosowanie technik analizy powinowactwa w diagnostyce klinicznej
Ważnym zastosowaniem klinicznym analizy powinowactwa jest to, że można ją przeprowadzić na dokumentacji medycznej pacjenta w celu wygenerowania reguł asocjacyjnych. Uzyskane reguły asocjacji można dalej oceniać, aby znaleźć różne warunki i cechy, które pokrywają się w dużym bloku informacji. Kluczowe znaczenie ma zrozumienie, czy istnieje związek między różnymi czynnikami przyczyniającymi się do stanu, aby móc zastosować skuteczne interwencje zapobiegawcze lub terapeutyczne. W medycynie opartej na dowodach stwierdzenie współwystępowania objawów związanych z rozwojem guza lub nowotworu może pomóc w zdiagnozowaniu choroby na jej najwcześniejszym etapie. Oprócz zbadania związku między różnymi objawami u pacjenta związanymi z określoną chorobą, możliwe korelacje między różnymi chorobami przyczyniającymi się do innego stanu można również zidentyfikować za pomocą analizy powinowactwa.
Zobacz też
Dalsza lektura
- J. Han i in., 2006, Eksploracja danych: koncepcje i techniki ISBN 978-1-55860-901-3
- V. Kumar i in. 2005 Wprowadzenie do eksploracji danych ISBN 978-0-321-32136-7
- U. Fayyad i in. 1996 Postępy w odkrywaniu wiedzy i eksploracji danych ISBN 978-0-262-56097-9