Gunakan Algoritma Apriori untuk Mesin Rekomendasi Produk yang Lebih Baik di WooCommerce

Pada artikel ini, Anda akan mempelajari metode rekomendasi produk yang efektif (disebut analisis keranjang). Dengan menggunakan algoritme khusus (algoritma Apriori), Anda akan mempelajari produk mana yang akan dijual dalam set. Mari pelajari tentang mesin rekomendasi produk (analisis keranjang algoritme Apriori) dan tingkatkan nilai keranjang rata-rata di toko WooCommerce Anda.

️ Pernahkah Anda bertanya-tanya mengapa orang tidak membeli produk cross-sell ?

Baca artikel untuk melihat cara meningkatkan mesin Rekomendasi Produk di WooCommerce . Mari kita mulai!

Daftar isi

• Rekomendasi produk cerdas - penjualan silang
• Singkatnya, algoritma apriori - mesin rekomendasi
• Kiat untuk mesin rekomendasi yang efektif untuk WooCommerce
• Prinsip operasi Algoritma Apriori
• Ringkasan

Rekomendasi produk cerdas - penjualan silang

Salah satu cara untuk meningkatkan penjualan di toko online adalah dengan merekomendasikan produk-produk terkait .

Sayangnya, implementasi yang paling umum dari rekomendasi tersebut adalah menampilkan produk dari kategori yang sama. Di bawah produk yang kami lihat, kami melihat produk lain dari jenis ini - misalnya penawaran alas kaki lainnya.

Namun, hubungan antar produk tidak dihasilkan dari kategori gabungan di mana mereka ditambahkan ke toko. Merekomendasikan sepatu lain ketika pelanggan sudah memasukkan satu pasang ke dalam keranjang sama sekali tidak masuk akal. Dengan cara ini, kami membuat tebakan buta tentang apakah ini berhasil. Mungkin pelanggan akan menambahkan sesuatu yang lain ke keranjang.

Inti dari rekomendasi produk adalah memberikan pelanggan produk yang mereka minati. Bagaimana kita tahu produk apa itu? Berkat statistik! Dengan bantuannya, kami dapat mengetahui bahwa mayoritas pelanggan yang membeli produk A, juga membeli B dan C. Dalam hal ini, kami merekomendasikan B dan C kepada pelanggan yang memasukkan A ke dalam keranjang. Rekomendasi produk semacam ini bekerja paling baik di halaman keranjang.

Dengan cara ini, pelanggan yang melakukan pembelian mendapatkan informasi bahwa mereka dapat membeli barang lainnya. Kami merasakan tren pembelian tertentu dan kami memfasilitasi implementasinya ke pelanggan berikutnya .

Berkat antarmuka yang nyaman, pelanggan selanjutnya akan menambahkan produk tambahan ke pesanan mereka. Nilai gerobak akan meningkat . Toko akan menghasilkan lebih banyak. Semua orang bahagia :)

Dalam kasus upselling tersebut, Anda dapat menerapkan diskon pada produk upsold. Dengan cara ini, kepuasan pelanggan terhadap pembelian akan meningkat.

Singkatnya, algoritma apriori - mesin rekomendasi

Apa itu analisis gerobak?

Pertanyaan - bagaimana cara mengambil data yang berguna dari pesanan produk untuk rekomendasi produk? Jawabannya adalah apa yang disebut analisis gerobak. Ini adalah metode penambangan data .

Algoritma yang efisien dan populer untuk analisis keranjang adalah algoritma Apriori. Algoritme ini menentukan cara kami menambang data dan cara kami mengevaluasi kegunaannya.

Tidak setiap korelasi produk di keranjang pelanggan akan digunakan untuk rekomendasi. Jika suatu kasus terjadi 1 kali dalam 1000, maka tidak ada gunanya menerapkan rekomendasi tersebut di tingkat toko. Ini bukan tren, tetapi satu kasus.

Tetapi kami perlu menemukan mesin rekomendasi untuk toko kami (seperti WooCommerce). Mari kita lihat contohnya!

Contoh implementasi yang efektif

Secara online kami dapat menemukan informasi bahwa analisis keranjang digunakan oleh Wal-Mart pada tahun 1990-an. Ini adalah salah satu rantai hypermarket terbesar di Amerika Serikat. Berkat analisis gerobak, ditemukan hubungan yang kuat antara bir dan popok . Anda tidak akan menemukan sesuatu seperti ini sendiri, korelasi aneh seperti itu dihasilkan dari penambangan data.

Mari kita langsung ke intinya: bir dan popok bayi sering dibeli pada Jumat malam oleh para pemuda .

Berkat pengetahuan ini, analis telah membuat perubahan di toko.

Pertama, mereka menempatkan produk ini lebih dekat.

Kedua, mereka memodifikasi kegiatan pemasaran.

Hypermarket besar menerapkan semua promosi dan diskon untuk produk. Pada hari Jumat, diputuskan hanya satu dari dua produk yang akan didiskon. Dalam kebanyakan kasus, keduanya akan dibeli . Dengan cara ini, toko memperoleh penjualan tambahan dan menghemat aktivitas pemasaran.

Banyak prinsip dan metode yang digunakan dalam analisis toko tradisional juga dapat diterapkan pada e-commerce . Beberapa di antaranya lebih mudah diterapkan. Toko online kami dapat dengan mudah dipantau - klik, lalu lintas, dan waktu yang dihabiskan di situs. Ada baiknya juga menggunakan data produk di keranjang untuk meningkatkan mesin rekomendasi di toko (seperti WooCommerce) .

Kiat untuk mesin rekomendasi yang efektif untuk WooCommerce

Algoritme Apriori tidak hanya menunjukkan hubungan antar produk, tetapi berkat desainnya memungkinkan Anda untuk menolak data yang tidak penting. Untuk tujuan ini, ia memperkenalkan dua konsep penting:

• dukungan - frekuensi kejadian
• kepercayaan - kepastian aturan

Algoritme memungkinkan untuk menentukan nilai minimum untuk kedua indikator ini. Dengan demikian kami menolak transaksi yang tidak memenuhi asumsi kualitas untuk rekomendasi.

Pengoperasian algoritma ini bersifat iteratif. Kami tidak memproses semua data sekaligus. Berkat ini, algoritme membatasi jumlah perhitungan pada database.

Saya akan menunjukkan kepada Anda pengoperasian algoritme dalam praktiknya. Saya akan menjelaskan penggunaan support dan confidence sebagai elemen kunci dari algoritma Apriori.

Prinsip operasi Algoritma Apriori

Asumsi awal misalnya

Mari kita gunakan contoh yang disederhanakan.

Misalkan kita memiliki empat produk di toko kita: A, B, C, D. Pelanggan telah melakukan 7 transaksi, yang terlihat seperti ini:

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

Kami akan menggunakan Apriori untuk menentukan hubungan antar produk . Sebagai support , kita atur nilainya menjadi 3. Artinya aturan tersebut harus muncul 3 kali dalam iterasi yang diberikan.

Iterasi pertama

Mari kita mulai iterasi pertama. Kami menentukan seberapa sering produk muncul dalam pesanan:

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

Masing-masing produk ini muncul dalam pesanan lebih dari 3 kali. Semua produk memenuhi persyaratan dukungan . Kami akan menggunakan masing-masing di iterasi berikutnya.

Iterasi kedua

Kami sekarang mencari koneksi dalam produk berdasarkan satu set dua produk. Kami mencari seberapa sering pelanggan menggabungkan dua produk pilihan dalam satu pesanan .

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

Seperti yang Anda lihat, himpunan {A, C} dan {A, D} tidak memenuhi asumsi support . Mereka terjadi kurang dari tiga kali. Oleh karena itu, kami mengecualikannya dari iterasi berikutnya .

Iterasi ketiga

Kami mencari set yang terdiri dari tiga produk, yaitu:

• terjadi pada pesanan pelanggan
• tidak mengandung himpunan {A, C} dan {A, D} sendiri

Oleh karena itu himpunan {B, C, D} . Itu terjadi dalam pesanan hanya dua kali, sehingga tidak memenuhi asumsi dukungan kami.

Hasil

Asumsi kami memenuhi set berikut:

• A, B - terjadi tiga kali dalam urutan
• B, C - 3 kali juga
• B, D - 4 kali

Contoh ini hanya dimaksudkan untuk mengilustrasikan operasi algoritma. Untuk sebagian besar toko online, penghitungan data akan jauh lebih rumit, karena jumlahnya akan lebih banyak.

Dukungan dinyatakan dalam persen

Perlu ditambahkan bahwa dukungan menentukan bagian global dari aturan dalam semua transaksi. Kami setuju untuk mendukung persyaratan minimum kami sebagai nilai numerik: 3. Namun, kami dapat menetapkan persentase . Pada kasus ini:

• A, B memiliki dukungan sekitar 42,9% - terjadi 3 kali untuk 7 transaksi
• B, C memiliki dukungan yang sama
• B, D memiliki dukungan sekitar 57,14% - terjadi 4 kali untuk 7 transaksi

Persentase tinggi dari faktor pendukung dihasilkan dari sejumlah kecil produk dalam contoh kita. Kami hanya memiliki 4 produk: A, B, C, dan D.

Sangat tidak mungkin di toko dengan, misalnya, 1000 produk, selalu ada dua produk identik di setengah pesanan.

Contoh ini sengaja disederhanakan. Anda harus memperhitungkannya saat menggunakan algoritme di toko Anda. Anda harus menetapkan nilai dukungan minimum secara individual untuk toko, industri, dll.

Kesimpulan

Pertanyaan tentang kepercayaan tetap ada. Ini menentukan kemunculan aturan yang diberikan untuk semua aturan di mana set awal terjadi.

️ Bagaimana cara menghitungnya?

{A, B} - terjadi tiga kali dalam pesanan Set awal adalah A. Produk ini juga muncul dalam pesanan tiga kali. Oleh karena itu kepercayaan adalah 100%.

Mari kita cerminkan pasangan ini. {B, A} terjadi dalam urutan 3 kali. Tidak ada yang berubah di sini - pasangannya sama. Namun, set awal berubah. Ini adalah B. Produk ini telah terjadi dalam 6 transaksi. Ini memberi kami kepercayaan diri pada level 50%. Produk A terjadi hanya pada setengah dari transaksi di mana produk B terjadi.

• A dan B memiliki keyakinan 100%.
• B dan A memiliki kepercayaan 50%.
• B dan C memiliki kepercayaan 50%.
• C dan B memiliki kepercayaan 75%.
• B dan D memiliki kepercayaan 66,7%.
• D dan B memiliki kepercayaan 80%.

Contoh sederhana kami (4 produk, 7 transaksi) melahirkan rekomendasi berikut:

• A -> B
• B -> D
• C -> B
• D -> B

di mana produk pertama adalah produk yang ditambahkan pengguna ke keranjang. Yang kedua inilah yang kami rekomendasikan .

Ringkasan

Analisis keranjang adalah metode yang sangat efektif untuk sistem rekomendasi produk (juga untuk WooCommerce). Namun, saya tidak dapat membayangkan pemrosesan data secara manual menurut algoritme di atas. Apalagi dengan toko yang lebih besar.

Analisis gerobak yang efektif membutuhkan implementasi yang nyaman . Algoritma Apriori harus bekerja berdasarkan prinsip program, bukan pemrosesan data manual.

Ada implementasi Algoritma Apriori dengan Python di jaringan.

Namun, seperti yang Anda lihat di tangkapan layar, diperlukan keterampilan pemrograman untuk menggunakannya.

Apakah implementasi yang nyaman dari Algoritma Apriori di WooCommerce menarik minat Anda? Beri tahu saya di bagian komentar di bawah.