H Вы когда-нибудь сталкивались с компанией, предлагающей вам больше, когда вы уже приобрели один продукт или услугу. Мне поступают предложения даже от парикмахера. Салоны, предлагающие массаж головы или уход за лицом, когда вы идете на стрижку. Часто предложения конвертируются в доход салонов. Это прекрасный пример повседневной жизни рекомендаций по продукту / услуге. Мы могли видеть такие актуальные предложения чаще, когда покупали товары в Интернете на Amazon, Flipkart и т. Д.

Одним из ярких примеров рекомендаций по продуктам является конкурс, организованный Netflix с призовым фондом в размере 100 000 долларов США. Можно легко понять, какую выгоду для бизнеса Netflix мог бы заработать, заплатив огромную сумму в качестве призовых за улучшение своего механизма рекомендаций по фильмам.

Введение

С точки зрения непрофессионала, результатом этой техники является простой набор правил для продуктов / услуг, основанный на покупательском поведении клиентов. например если покупатель купил молоко, то будет ли он покупать и яйца? В этой методике анализа данных анализируется то, что и чем покупается. Увеличивает ли покупка одного конкретного предмета шансы на покупку другого предмета? Мы изучим набор бизнес-данных о продуктовых магазинах, чтобы получить такие ответы.

Механизмы рекомендаций по продуктам также известны под несколькими другими названиями, такими как алгоритм априори, анализ сродства, правила ассоциации, анализ рыночной корзины. Мы не будем вдаваться в технические подробности того, как это будет работать, в этом блоге. Цель состоит в том, чтобы ознакомить малые и средние организации с этой темой и тем, как она увеличивает ценность для бизнеса.

Чем полезна эта методика?

Привлечение нового клиента всегда обходится дороже для любого бизнеса, чем сохранение существующего клиента. С помощью этого метода предприятия могут увеличить доход от существующих клиентов на основе правил покупки продуктов клиентов. Дополнительные продажи продуктов и услуг, перекрестные продажи могут быть одним из очень интуитивно понятных вариантов использования анализа корзины. В дополнение к этой комбинации продуктов, можно также предложить макет цеха / веб-сайта. И последнее, но не менее важное: продукты можно предлагать на основе покупательского поведения в реальном времени.

Технические определения

Вот основные технические термины, полезные в этом анализе, как показано ниже.

  • Поддержка: доля нашего набора элементов встречается в нашем наборе данных.
  • Уверенность: вероятность того, что правило будет правильным для новой транзакции с элементами слева.
  • Рост: коэффициент, при котором достоверность правила превышает ожидаемую достоверность.
    Примечание. Если подъем равен 1, это означает, что элементы слева и справа независимы. .

Не волнуйтесь, если эти термины не придут вам в голову. Ты скоро их переживешь!

R блестящая детская площадка

R блестящий игрушечный продукт был использован в демонстрационных целях. R - инструмент с открытым исходным кодом можно легко загрузить с веб-сайта Cran, если вы хотите узнать о нем больше, но это не требуется для этой демонстрационной цели. Мы использовали пакет R под названием 'arules' от Майкла Хаслера, который реализовал этот алгоритм в R. Существуют общедоступные данные о покупках записей в продуктовом магазине, которые будут использоваться для этого упражнения с использованием Блестящее демонстрационное приложение .

Как играть с демо-продуктом R shiny

Шаг 1. Откройте R Shiny App.

Шаг 2: Загрузите набор данных продуктового магазина общедоступные данные (если у вас есть собственный набор данных, не забудьте изменить формат в соответствии с образцом набора данных)

Шаг 3. Выберите функции входных данных.

a) Отмените выбор заголовка, поскольку предоставленный набор данных не содержит заголовка (если в вашем наборе данных есть заголовок, выберите соответствующий вариант)

б) Выберите разделитель пробелов в качестве образца набора данных с разделением пробелами.

c) Оставьте пока все значения по умолчанию, если вы сочтете их слишком техническими.

Шаг 4. Изучите блестящие вкладки приложений, такие как частота 25 самых популярных товаров, правила анализа корзины, варианты правил сортировки, например подъем, поддержка и т. д.

Шаг 5. Узнайте правила для конкретных продуктов, например выберите пиво из раскрывающегося списка. Все правила продукта для выбранного продукта будут отображаться при проверке комбинации продуктов. Эту функцию можно использовать для создания конкретных комбинаций продуктов.

Шаг 6 (необязательно): если вы понимаете технические термины, упомянутые выше, попробуйте поиграть с ними, чтобы увидеть влияние на правила.

Заключение и сфера деятельности

Разве это не потрясающе! Как очень простой аналитический метод может предоставить покупателю, что может потребоваться добавить в корзину в режиме реального времени. Это очень простой игрушечный пример рекомендаций по продукту, основанный на алгоритме правил. Продвинутые рекомендательные механизмы используют другие точки данных о поведении клиентов в дополнение к продвинутым алгоритмам, таким как машины факторизации, совместная фильтрация и т.д. Любой малый бизнес может использовать эту технику, чтобы повысить ценность бизнеса другими способами:

  • Предложения по комбинациям продуктов для маркетинговой кампании.
  • Изменение макета веб-сайта или магазина, например, если яйца, купленные с молоком, измените структуру соответственно
  • Перекрестные продажи продуктов, рекомендации по продуктам в Интернете и приложениям в режиме реального времени

Мы в DataToBiz.com вместе с командой экспертов по машинному обучению можем помочь вашему бизнесу решить проблемы, предоставив доступную платформу машинного обучения для ваших бизнес-данных. Свяжитесь с нами для получения дополнительной информации.