Verwenden Sie den Apriori-Algorithmus für bessere Produktempfehlungen

In diesem Artikel lernen Sie die effektive Produktempfehlungsmethode (die sogenannte Warenkorbanalyse) kennen. Durch die Verwendung eines speziellen Algorithmus (Apriori-Algorithmus) erfahren Sie, welche Produkte in Sets verkauft werden sollen. Auf der Website eines anderen Produkts erhalten Sie Informationen darüber, welches Produkt zu empfehlen ist. Auf diese Weise erhöhen Sie den durchschnittlichen Warenkorbwert in Ihrem Geschäft.

Intelligente Produktempfehlungen – Cross-Selling

Eine der Methoden zur Umsatzsteigerung im Online-Shop ist die Empfehlung verwandter Produkte.

Leider ist die häufigste Implementierung solcher Empfehlungen die Anzeige von Produkten aus derselben Kategorie. Unter dem Produkt, das wir betrachten, sehen wir andere Produkte dieser Art - zB andere Schuhangebote.

Die Beziehung zwischen Produkten ergibt sich jedoch nicht aus der gemeinsamen Kategorie, in der sie im Store hinzugefügt wurden. Andere Schuhe zu empfehlen, wenn der Kunde bereits ein Paar in den Warenkorb gelegt hat, macht überhaupt keinen Sinn. Auf diese Weise machen wir blinde Vermutungen, ob das funktioniert. Vielleicht legt der Kunde noch etwas in den Warenkorb.

Die Essenz von Produktempfehlungen besteht darin, den Kunden ein Produkt zu geben, an dem sie eindeutig interessiert sind. Woher wissen wir, um welche Produkte es sich handelt? Dank Statistik! Mit ihrer Hilfe können wir herausfinden, dass die Mehrheit der Kunden, die Produkt A kaufen, auch B und C kaufen. In diesem Fall empfehlen wir B und C dem Kunden, der A in den Warenkorb legt. Diese Art der Produktempfehlung funktioniert am besten auf der Warenkorbseite.

Auf diese Weise erhalten die kaufenden Kunden Informationen, dass sie andere Artikel kaufen können. Wir nehmen einen bestimmten Kauftrend wahr und erleichtern die Umsetzung für nachfolgende Kunden.

Dank einer komfortablen Schnittstelle können nachfolgende Kunden ihrer Bestellung zusätzliche Produkte hinzufügen. Der Wert des Einkaufswagens steigt. Der Laden verdient mehr. Alle sind glücklich :)

Im Falle eines solchen Upsellings können Sie einen Rabatt auf das Upselling-Produkt gewähren. Auf diese Weise wird die Kundenzufriedenheit mit dem Kauf erhöht.

Apriori-Algorithmus auf den Punkt gebracht

Was ist die Warenkorbanalyse?

Frage - wie kann man nützliche Daten aus Produktbestellungen für Produktempfehlungen entnehmen? Die Antwort ist die sogenannte Warenkorbanalyse. Es ist eine Methode des Data Mining.

Ein effizienter und beliebter Algorithmus für die Warenkorbanalyse ist der Apriori-Algorithmus. Dieser Algorithmus definiert die Art und Weise, wie wir Daten gewinnen und wie wir ihre Nützlichkeit bewerten.

Nicht jede Korrelation von Produkten im Warenkorb des Kunden wird für Empfehlungen verwendet. Wenn ein Fall 1 von 1000 passiert, dann macht es keinen Sinn, eine solche Empfehlung auf Filialebene umzusetzen. Das ist kein Trend, sondern ein Einzelfall.

Beispiele effektiver Umsetzung

Online können wir Informationen finden, dass die Warenkorbanalyse von Wal-Mart in den 1990er Jahren verwendet wurde. Es ist eine der größten Hypermarktketten in den Vereinigten Staaten. Dank der Wagenanalyse wurde eine starke Beziehung zwischen Bier und Windeln entdeckt. Auf so etwas würde man alleine nicht kommen, solche seltsamen Zusammenhänge ergeben sich aus dem Data Mining.

Kommen wir zur Sache: Bier und Babywindeln wurden Freitagabends oft von jungen Männern gekauft. Dank dieses Wissens haben Analysten Änderungen im Geschäft eingeführt. Zuerst haben sie diese Produkte näher zusammengebracht. Zweitens modifizierten sie die Marketingaktivitäten. Ein großer Hypermarkt wendet alle Werbeaktionen und Rabatte auf Produkte an. Freitags wurde entschieden, dass nur eines der beiden Produkte rabattiert wird. In den meisten Fällen werden sowieso beide gekauft. Auf diese Weise erzielte der Laden zusätzliche Umsätze und sparte Marketingaktivitäten ein.

Viele der Prinzipien und Methoden, die bei der Analyse traditioneller Geschäfte verwendet werden, können auch im E-Commerce angewendet werden. Einige von ihnen sind einfacher zu implementieren. Unsere Online-Shops können einfach überwacht werden - Klicks, Verkehr, auf der Website verbrachte Zeit. Es lohnt sich auch, die Daten zu Produkten im Warenkorb zu nutzen, um das Empfehlungssystem zu verbessern.

Ein gutes Beispiel ist hier Amazon. Über 20 % der Bestellungen werden mithilfe verschiedener Arten von Empfehlungssystemen generiert.

Grundlegendes Konzept

Der Apriori-Algorithmus zeigt nicht nur die Beziehungen zwischen Produkten, sondern ermöglicht es Ihnen dank seines Designs, unbedeutende Daten abzulehnen. Zu diesem Zweck führt es zwei wichtige Konzepte ein:

• Unterstützung - Häufigkeit des Auftretens
• Vertrauen - Gewissheit der Regel

Der Algorithmus ermöglicht es, die Mindestwerte für diese beiden Indikatoren zu bestimmen. Daher lehnen wir Transaktionen ab, die die Qualitätsannahmen für die Empfehlung nicht erfüllen.

Die Operation dieses Algorithmus ist iterativ. Wir verarbeiten nicht alle Daten auf einmal. Dadurch begrenzt der Algorithmus die Anzahl der Berechnungen in der Datenbank.

Ich zeige Ihnen die Funktionsweise des Algorithmus in der Praxis. Ich werde die Verwendung von Unterstützung und Vertrauen als Schlüsselelemente des Apriori-Algorithmus erläutern.

Das Funktionsprinzip des Apriori-Algorithmus

Anfängliche Annahmen zum Beispiel

Nehmen wir ein vereinfachtes Beispiel. Nehmen wir an, wir haben vier Produkte in unserem Geschäft: A, B, C, D. Kunden haben 7 Transaktionen getätigt, die wie folgt aussehen:

1. A B C D
2. A, B
3. B, C, D
4. A, B, D
5. B, C
6. CD
7. B, D

Wir werden Apriori verwenden, um die Beziehungen zwischen den Produkten zu bestimmen. Als Unterstützung setzen wir den Wert auf 3. Das bedeutet, dass die Regel 3 Mal in der angegebenen Iteration vorkommen muss.

Die erste Iteration

Beginnen wir mit der ersten Iteration. Wir ermitteln, wie oft das Produkt in den Bestellungen vorkam:

• A - 3 mal
• B - 6 mal
• C - 4 mal
• D - 5 mal

Jedes dieser Produkte erschien mehr als 3 Mal in den Bestellungen. Alle Produkte erfüllen die Support-Anforderungen. Wir werden jeden von ihnen in der nächsten Iteration verwenden.

Die zweite Iteration

Wir suchen jetzt nach Verbindungen in Produkten, die auf einer Menge von zwei Produkten basieren. Wir schauen, wie oft Kunden zwei ausgewählte Produkte in einer Bestellung zusammenstellen.

• A, B - 3 mal
• A, C - 1 mal
• A, D - 2 mal
• B, C - 3 mal
• B, D - 4 mal
• C, D - 3 mal

Wie Sie sehen können, erfüllen die Mengen {A, C} und {A, D} nicht die Annahmen der Unterstützung . Sie kommen weniger als dreimal vor. Daher schließen wir sie von der nächsten Iteration aus.

Dritte Iteration

Wir suchen Sets bestehend aus drei Produkten, die:

• in Kundenaufträgen aufgetreten
• enthalten die Mengen {A, C} und {A, D} nicht in sich

Es ist also eine Menge von: {B, C, D}. Es kommt nur zweimal in Bestellungen vor und entspricht daher nicht unseren Support -Annahmen.

Ergebnis

Unsere Annahmen erfüllen die folgenden Sätze:

• A, B - kam dreimal in Bestellungen vor
• B, C - auch 3 mal
• B, D - 4 mal

Dieses Beispiel sollte nur die Funktionsweise des Algorithmus veranschaulichen. Für die meisten Online-Shops werden die Berechnungen der Daten viel komplizierter sein, da es mehr davon geben wird.

Unterstützung in Prozent ausgedrückt

Es ist erwähnenswert, dass die Unterstützung den globalen Anteil der Regel an allen Transaktionen definiert. Wir haben uns darauf geeinigt, unsere Mindestanforderungen als Zahlenwert zu unterstützen : 3. Wir könnten jedoch einen Prozentsatz festlegen. In diesem Fall:

• A, B haben eine Unterstützung von ungefähr 42,9 % – sie treten 3 Mal für 7 Transaktionen auf
• B, C haben die gleiche Unterstützung
• B, D haben eine Unterstützung von ungefähr 57,14 % – sie treten 4 Mal für 7 Transaktionen auf

Hohe Prozentsätze des Unterstützungsfaktors resultieren in unserem Beispiel aus wenigen Produkten. Wir haben nur 4 Produkte: A, B, C, D.

Es ist sehr unwahrscheinlich, dass in einem Geschäft mit beispielsweise 1000 Produkten in der Hälfte der Bestellungen immer zwei identische Produkte enthalten sind.

Dieses Beispiel ist bewusst vereinfacht. Sie sollten dies berücksichtigen, wenn Sie den Algorithmus in Ihrem Geschäft verwenden. Den Mindestwert der Unterstützung sollten Sie individuell für das Geschäft, die Branche usw. festlegen.

Abschließende Schlussfolgerungen

Bleibt die Vertrauensfrage . Es spezifiziert das Auftreten einer gegebenen Regel für alle diejenigen, bei denen der anfängliche Satz aufgetreten ist.

Wie berechnet man es?

{A, B} - kam dreimal in Bestellungen vor Die anfängliche Menge ist A. Dieses Produkt ist auch dreimal in Bestellungen erschienen. Das Vertrauen ist daher 100%.

Lassen Sie uns dieses Paar spiegeln. {B, A} trat 3 Mal in Bestellungen auf. Hier hat sich nichts geändert - das Paar ist das gleiche. Der anfängliche Satz ändert sich jedoch. Dies ist B. Dieses Produkt ist in 6 Transaktionen aufgetreten. Das gibt uns Vertrauen auf dem Niveau von 50 %. Produkt A trat nur in der Hälfte der Transaktionen auf, in denen Produkt B vorkam.

• A und B haben 100% Vertrauen
• B und A haben 50 % Konfidenz
• B und C haben 50 % Konfidenz
• C und B haben 75 % Konfidenz
• B und D haben 66,7 % Konfidenz
• D und B haben 80 % Konfidenz

Unser vereinfachtes Beispiel (4 Produkte, 7 Transaktionen) ergibt die folgenden Empfehlungen:

• A -> B
• B -> D
• C -> B
• D -> B

wobei das erste Produkt dasjenige ist, das ein Benutzer in den Warenkorb legt. Die zweite ist die, die wir empfehlen.

Fazit

Die Warenkorbanalyse ist eine sehr effektive Methode für das Produktempfehlungssystem. Allerdings kann ich mir eine manuelle Datenverarbeitung nach obigem Algorithmus nicht vorstellen. Vor allem bei größeren Läden.

Eine effektive Warenkorbanalyse erfordert eine komfortable Implementierung. Der Apriori-Algorithmus soll nach dem Prinzip eines Programms arbeiten, nicht nach dem Prinzip einer manuellen Datenverarbeitung.

Es gibt eine Implementierung des Apriori-Algorithmus in Python im Netzwerk.

Wie Sie im Screenshot sehen können, sind jedoch Programmierkenntnisse erforderlich, um es zu verwenden.

Sehen Sie sich auch unsere E-Commerce-Tipps an →