Utilice el algoritmo a priori para obtener mejores recomendaciones de productos

En este artículo, aprenderá el método efectivo de recomendaciones de productos (el llamado análisis de carrito). Mediante el uso de un algoritmo especial (algoritmo Apriori), aprenderá qué productos vender en conjuntos. Obtendrá información sobre qué producto recomendar en el sitio web de otro producto. De esta manera, aumentará el valor promedio del carrito en su tienda.

Recomendaciones inteligentes de productos - venta cruzada

Uno de los métodos para aumentar las ventas en la tienda online es la recomendación de productos relacionados.

Desafortunadamente, la implementación más común de tales recomendaciones es mostrar productos de la misma categoría. Debajo del producto que estamos viendo, vemos otros productos de este tipo, por ejemplo, otras ofertas de calzado.

Sin embargo, la relación entre productos no resulta de la categoría conjunta en la que fueron agregados en la tienda. Recomendar otros zapatos cuando el cliente ya ha puesto un par en el carrito no tiene ningún sentido. De esta manera, hacemos conjeturas ciegas sobre si esto funciona. Tal vez el cliente agregue algo más al carrito.

La esencia de las recomendaciones de productos es dar a los clientes un producto en el que estén claramente interesados. ¿Cómo sabemos cuáles son estos productos? ¡Gracias a las estadísticas! Con su ayuda, podemos descubrir que la mayoría de los clientes que compran el producto A, también compran B y C. En este caso, recomendamos B y C al cliente que pone A en el carrito. Este tipo de recomendación de productos funciona mejor en la página del carrito.

De esta manera, los clientes que realizan la compra obtienen información de que pueden comprar otros artículos. Percibimos una determinada tendencia de compra y facilitamos su implementación a los clientes posteriores.

Gracias a una interfaz conveniente, los clientes posteriores agregarán productos adicionales a su pedido. El valor del carrito aumentará. La tienda ganará más. Todos están felices :)

En el caso de dicha venta adicional, puede aplicar un descuento en el producto vendido. De esta manera, aumentará la satisfacción del cliente con la compra.

Algoritmo a priori en pocas palabras

¿Qué es el análisis del carrito?

Pregunta: ¿cómo tomar datos útiles de los pedidos de productos para recomendaciones de productos? La respuesta es el llamado análisis de carrito. Es un método de minería de datos.

Un algoritmo eficiente y popular para el análisis de carros es el algoritmo Apriori. Este algoritmo define la forma en que extraemos datos y cómo evaluamos su utilidad.

No todas las correlaciones de productos en el carrito del cliente se utilizarán para recomendaciones. Si un caso ocurrió 1 vez en 1000, entonces no tiene sentido implementar tal recomendación a nivel de tienda. Esto no es una tendencia, sino un caso único.

Ejemplos de implementación efectiva

En línea podemos encontrar información de que Wal-Mart utilizó el análisis de carritos en la década de 1990. Es una de las cadenas de hipermercados más grandes de los Estados Unidos. Gracias al análisis del carrito se descubrió una fuerte relación entre la cerveza y los pañales. No se te ocurriría algo como esto por tu cuenta, estas extrañas correlaciones resultan de la minería de datos.

Vayamos al grano: los jóvenes compraban cerveza y pañales para bebés los viernes por la noche. Gracias a este conocimiento, los analistas han introducido cambios en la tienda. Primero, pusieron estos productos más juntos. En segundo lugar, modificaron las actividades de marketing. Un gran hipermercado aplica todas las promociones y descuentos en los productos. Los viernes se decidió que solo se descontará uno de los dos productos. En la mayoría de los casos, ambos se comprarán de todos modos. De esta forma, la tienda ganó ventas adicionales y ahorró en actividades de marketing.

Muchos de los principios y métodos utilizados en el análisis de las tiendas tradicionales también se pueden aplicar en el comercio electrónico. Algunos de ellos son más fáciles de implementar. Nuestras tiendas en línea se pueden monitorear fácilmente: clics, tráfico, tiempo de permanencia en el sitio. También vale la pena utilizar los datos de los productos del carrito para mejorar el sistema de recomendaciones.

Un buen ejemplo aquí es Amazon. Más del 20% de los pedidos se generan con la ayuda de varios tipos de sistemas de recomendación.

Conceptos básicos

El algoritmo Apriori no solo muestra las relaciones entre productos, sino que gracias a su diseño te permite rechazar datos insignificantes. Para ello, introduce dos conceptos importantes:

• soporte - frecuencia de ocurrencia
• confianza - certeza de la regla

El algoritmo permite determinar los valores mínimos para estos dos indicadores. Por lo tanto, rechazamos transacciones que no cumplan con los supuestos de calidad para la recomendación.

El funcionamiento de este algoritmo es iterativo. No procesamos todos los datos a la vez. Gracias a esto, el algoritmo limita el número de cálculos en la base de datos.

Te mostraré el funcionamiento del algoritmo en la práctica. Explicaré el uso del apoyo y la confianza como elementos clave del algoritmo Apriori.

El principio de funcionamiento del Algoritmo A priori

Supuestos iniciales, por ejemplo

Usemos un ejemplo simplificado. Supongamos que tenemos cuatro productos en nuestra tienda: A, B, C, D. Los clientes han realizado 7 transacciones, que se ven así:

1. A B C D
2. un, b
3. B, C, D
4. A, B, D
5. ANTES DE CRISTO
6. CD
7. B, D

Usaremos A priori para determinar las relaciones entre los productos. Como soporte , establecemos el valor en 3. Esto significa que la regla debe ocurrir 3 veces en la iteración dada.

La primera iteración

Empecemos la primera iteración. Determinamos la frecuencia de aparición del producto en los pedidos:

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

Cada uno de estos productos apareció en los pedidos más de 3 veces. Todos los productos cumplen con los requisitos de soporte. Usaremos cada uno de ellos en la próxima iteración.

La segunda iteración

Ahora buscamos conexiones en productos basados ​​en un conjunto de dos productos. Buscamos la frecuencia con la que los clientes juntan dos productos seleccionados en un pedido.

• A, B - 3 veces
• A, C - 1 veces
• A, D - 2 veces
• B, C - 3 veces
• B, D - 4 veces
• do, re - 3 veces

Como puede ver, los conjuntos {A, C} y {A, D} no cumplen con los supuestos de soporte . Ocurren menos de tres veces. Por lo tanto, los excluimos de la siguiente iteración.

Tercera iteración

Buscamos conjuntos compuestos por tres productos, que:

• ocurrido en pedidos de clientes
• no contienen conjuntos {A, C} y {A, D} en sí mismos

Es por tanto un conjunto de: {B, C, D}. Ocurre en pedidos solo dos veces, por lo que no cumple con nuestros supuestos de soporte .

Resultado

Nuestras suposiciones cumplen con los siguientes conjuntos:

• A, B - ocurrieron tres veces en órdenes
• B, C - 3 veces también
• B, D - 4 veces

Este ejemplo solo pretendía ilustrar el funcionamiento del algoritmo. Para la mayoría de las tiendas en línea, los cálculos sobre los datos serán mucho más complicados, ya que habrá más de ellos.

Apoyo expresado en porcentaje

Vale la pena agregar que el soporte define la participación global de la regla en todas las transacciones. Acordamos respaldar nuestros requisitos mínimos como un valor numérico: 3. Sin embargo, podríamos establecer un porcentaje. En este caso:

• A, B tienen soporte equivalente a aproximadamente 42.9% - ocurren 3 veces para 7 transacciones
• B, C tienen el mismo apoyo
• B, D tienen soporte equivalente a aproximadamente 57.14% - ocurren 4 veces para 7 transacciones

Altos porcentajes del factor de soporte resultan de una pequeña cantidad de productos en nuestro ejemplo. Tenemos solo 4 productos: A, B, C, D.

Es muy poco probable que en una tienda con, por ejemplo, 1000 productos, siempre haya dos productos idénticos en la mitad de los pedidos.

Este ejemplo está deliberadamente simplificado. Debe tenerlo en cuenta al usar el algoritmo en su tienda. Debe establecer el valor mínimo de apoyo individualmente para la tienda, industria, etc.

Conclusiones finales

La cuestión de la confianza permanece. Especifica la ocurrencia de una regla dada a todas aquellas donde ocurrió el conjunto inicial.

¿Cómo calcularlo?

{A, B}: ocurrió tres veces en los pedidos. El conjunto inicial es A. Este producto también apareció en los pedidos tres veces. Por lo tanto, la confianza es del 100 %.

Reflejemos la imagen de este par. {B, A} ocurrió en órdenes 3 veces. Nada ha cambiado aquí, la pareja es la misma. Sin embargo, el conjunto inicial cambia. Este es B. Este producto ha ocurrido en 6 transacciones. Esto nos da confianza al nivel del 50%. El producto A ocurrió solo en la mitad de las transacciones en las que ocurrió el producto B.

• A y B tienen 100% de confianza
• B y A tienen un 50% de confianza
• B y C tienen un 50% de confianza
• C y B tienen un 75% de confianza
• B y D tienen un 66,7 % de confianza
• D y B tienen un 80% de confianza

Nuestro ejemplo simplificado (4 productos, 7 transacciones) da lugar a las siguientes recomendaciones:

• A -> B
• B -> D
• C -> B
• D -> B

donde el primer producto es el que un usuario agrega al carrito. La segunda es esta que te recomendamos.

Conclusión

El análisis de carritos es un método muy efectivo para el sistema de recomendación de productos. Sin embargo, no puedo imaginar el procesamiento manual de datos de acuerdo con el algoritmo anterior. Especialmente con las tiendas más grandes.

Un análisis de carro efectivo requiere una implementación conveniente. El algoritmo Apriori debería funcionar según el principio de un programa, no el procesamiento manual de datos.

Hay una implementación del Algoritmo Apriori en Python en la red.

Sin embargo, como puede ver en la captura de pantalla, requiere habilidades de programación para usarlo.

Además, echa un vistazo a nuestros Consejos de comercio electrónico →